劉勇, 李全優(yōu), 戴朝華

(1.國網(wǎng)四川省電力公司阿壩供電公司，四川 茂縣 623200； 2.西南交通大學(xué) 電氣工程學(xué)院，成都 610031)

0 引 言

在“碳中和”和能源安全雙重目標(biāo)下，我國更是將發(fā)展EV作為交通能源轉(zhuǎn)型的重要戰(zhàn)略[1]。國務(wù)院印發(fā)《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃(2021—2035年)》指出，預(yù)計(jì)到2025年，中國新能源汽車銷量將達(dá)到新車銷量的20%，純EV平均電耗將降至12 kW·h/百公里；到2035年，純EV將成為新銷售車輛的主流，公共領(lǐng)域用車將全面實(shí)現(xiàn)電動(dòng)化，有效促進(jìn)節(jié)能減排水平和社會(huì)運(yùn)行效率的提升。然而，受交通、天氣等多種隨機(jī)因素影響，EV充電行為具有隨機(jī)性和不確定性，其充、放電行為將會(huì)對(duì)配電網(wǎng)優(yōu)化規(guī)劃和安全運(yùn)行帶來巨大的沖擊，如：EV充電負(fù)荷的無序增長可瞬時(shí)拉低電網(wǎng)電壓與頻率，降低有功輸出，產(chǎn)生諧波污染等[2]。

EV充電負(fù)荷建模是研究EV接入對(duì)配電網(wǎng)的影響、充電站選址定容、EV與電網(wǎng)能量互動(dòng)及EV與其它能源、交通、通信等系統(tǒng)協(xié)調(diào)的基礎(chǔ)[3-4]。因此，文中首先從是否存在不確定性和隨機(jī)性角度入手，將EV充電負(fù)荷時(shí)空分布影響因素劃分為內(nèi)部影響因素和外部影響因素兩類[5-7]。 隨后，從基于數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)兩個(gè)方面，綜述EV充電負(fù)荷時(shí)間分布、空間分布建模方法的研究現(xiàn)狀，并討論新興方法的應(yīng)用情況。最后對(duì)尚未解決的問題和未來可能的研究問題進(jìn)行了討論。

1 充電負(fù)荷影響因素分析

EV充電負(fù)荷受多種因素影響，導(dǎo)致其充電行為在時(shí)間、空間分布具有較大隨機(jī)性[8-9]。文獻(xiàn)[10]通過把影響因素劃分為主要因素和次要因素來建立EV負(fù)荷計(jì)算模型，但其只考慮了很少一部分因素且對(duì)于環(huán)境因素的劃分也不明確。文獻(xiàn)[11]從宏觀和微觀角度對(duì)影響因素進(jìn)行劃分，但是其忽略了人在所有影響因素中的隨機(jī)作用。文獻(xiàn)[6]通過梳理影響城市能源系統(tǒng)的內(nèi)外部因素，來分析城市能源系統(tǒng)的發(fā)展趨勢(shì)。

因此，文中在文獻(xiàn)[6]的基礎(chǔ)上結(jié)合文獻(xiàn)[7]，一方面充分考慮影響EV負(fù)荷的因素，另一方面對(duì)于人類主觀行為因素和環(huán)境變化因素進(jìn)行充分的分析界定，故將來源于個(gè)人選擇、天氣環(huán)境等劃分為外部影響因素，將來源于電力系統(tǒng)、EV、充換電站等劃分為內(nèi)部影響因素，以此進(jìn)行因素總結(jié)，如圖1所示。

圖1 EV充電負(fù)荷影響因素關(guān)聯(lián)圖

1.1 外部影響因素

外部因素主要考慮以下三個(gè)方面：EV以及充電設(shè)施規(guī)模、環(huán)境狀況和出行選擇、電網(wǎng)電價(jià)。

(1)EV以及充電設(shè)施規(guī)模。包括EV的數(shù)量、充電站/樁的數(shù)量以及由其制約的充電時(shí)間地點(diǎn)和排隊(duì)時(shí)長等因素。我國政府從保護(hù)環(huán)境和能源轉(zhuǎn)移方面考慮，一方面大力提倡公民購買EV且給予部分補(bǔ)貼，導(dǎo)致家庭購買EV增多；另一方面在城市交通結(jié)構(gòu)中，公交汽車、出租車、摩托車等將會(huì)逐步轉(zhuǎn)型為電動(dòng)車，其數(shù)量也不容小覷。從現(xiàn)有研究來看，主要有針對(duì)私家車、出租車、公交車和各類型車輛的充電負(fù)荷預(yù)測研究[12]，以及少部分針對(duì)城市軌道交通充電負(fù)荷預(yù)測的研究。當(dāng)前，我國基礎(chǔ)充電設(shè)施與《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃(2021～2035年)》提出的新能源汽車發(fā)展規(guī)劃目標(biāo)相適應(yīng)，滿足以電動(dòng)化、網(wǎng)聯(lián)化、智能化為特征的新能源汽車技術(shù)轉(zhuǎn)型發(fā)展需要，反映出我國未來的EV規(guī)模和充電基礎(chǔ)設(shè)施將達(dá)到一個(gè)驚人的數(shù)量[13]。EV規(guī)模的急劇增加使得充電站、樁的數(shù)量和位置的規(guī)劃也成了一個(gè)關(guān)鍵因素。充電站位置及其充電樁數(shù)量會(huì)影響在此地充電用戶的排隊(duì)時(shí)長和后續(xù)充電用戶的選擇[14]，這會(huì)直接影響EV負(fù)荷的分布和電池的荷電狀態(tài)。

(2)環(huán)境狀況和出行選擇。其中環(huán)境狀況指當(dāng)天天氣、日期重要程度、所在地區(qū)交通狀況等[11]，其直接影響EV用戶的出行選擇，繼而影響出行的目的地、出行路徑、車輛行駛速度、行駛里程等因素。

首先，個(gè)體因自身原因而在不同的日期(節(jié)假日、工作日、特殊日)和天氣(符合個(gè)人喜好的天氣)下的選擇出行差異很大[15]，影響EV負(fù)荷的分布變化。

其次，出行路徑受所在地區(qū)交通結(jié)構(gòu)和天氣狀況等影響[16]。在工作日的出行路徑主要受上下班的影響，加班和正常下班選擇的回家路徑也有差異，即行駛速度和行駛里程都比較隨機(jī)。由于車輛之間的相互制約，會(huì)影響到達(dá)目的地的時(shí)間和續(xù)航里程，但工作日時(shí)的EV負(fù)荷相對(duì)節(jié)假日較穩(wěn)定。

最后，用戶出行目的地和出行路徑的選擇則影響到行駛里程、續(xù)航里程、臨時(shí)停留地和充電決策等方面，還會(huì)間接影響到充、換電點(diǎn)的電池荷電狀態(tài)和電價(jià)。電價(jià)波動(dòng)和充電站排隊(duì)時(shí)長又會(huì)反過來影響用戶充電決策。在充電方面，充電方式可分為慢充、常規(guī)充、快充三種。用戶選擇的充電模式(不同充電頻率、交/直流等)將會(huì)直接影響EV充電負(fù)荷分布和電池壽命[17]。而在充電持續(xù)時(shí)間方面，則與電池容量、起始SOC、充電站的充電功率水平，以及用戶所期望結(jié)束時(shí)的SOC水平等因素共同決定，還受停留時(shí)間的約束[11]。而節(jié)假日和工作日的充電地點(diǎn)選擇上差異較大，前者主要在休閑娛樂場所，后者則集中在公司和家屬區(qū)，這直接影響負(fù)荷的空間分布。綜上，在建模時(shí)需重點(diǎn)考慮交通環(huán)境和個(gè)人出行抉擇因素。

(3)電網(wǎng)電價(jià)。在多變的電力市場環(huán)境中，電網(wǎng)電價(jià)是多變的，同一城市不同充電站的電價(jià)可能差異極大，甚至有的充電站設(shè)置了服務(wù)費(fèi)。用戶在考慮成本和時(shí)間后，某些用戶的決策會(huì)發(fā)生改變，這也會(huì)直接影響充電負(fù)荷分布。因此，城市電網(wǎng)通常會(huì)根據(jù)EV負(fù)荷進(jìn)行削峰填谷[18]，通過改變電價(jià)來調(diào)整充電狀態(tài)，限制某地的充電負(fù)荷分布和電網(wǎng)運(yùn)行狀態(tài)。

1.2 內(nèi)部影響因素

內(nèi)部因素指非人為主觀決斷或不可抗力因素，這里主要是EV自身性能和電網(wǎng)狀態(tài)。

(1)EV自身性能包括EV類型、電池容量、電池老化程度等。EV類型根據(jù)用途可以分為私家車、公交車、軌道交通、出租車等。不同類型EV其電池容量相差較大。公交車和軌道交通等公共交通，其充電地點(diǎn)、充電方式選擇比較固定，對(duì)電網(wǎng)不會(huì)造成太大的波動(dòng)和沖擊，且研究公共交通的文獻(xiàn)較少。

動(dòng)力電池為EV的核心，動(dòng)力電池的狀態(tài)直接影響汽車行駛和充電負(fù)荷。目前EV動(dòng)力蓄電池主要分為動(dòng)力鉛酸蓄電池、動(dòng)力堿性電池、動(dòng)力鋰離子蓄電池和動(dòng)力燃料電池等[19]。而各類型電池的容量大小直接影響續(xù)航里程和充電頻率[20]。同時(shí)，EV的單位耗電量直接影響電池的荷電狀態(tài)，從而影響充電負(fù)荷大小。此外，用戶駕駛習(xí)慣、天氣溫度、行駛路徑、交通路況等因素將直接影響到電池的使用年限。

由于實(shí)測數(shù)據(jù)[21]獲取比較困難，多數(shù)現(xiàn)有研究將EV負(fù)荷設(shè)為固定值，這不符合實(shí)際情況。另外，隨著電池的反復(fù)充放電，電池老化速度加快，壽命急劇下降，電池的容量也會(huì)逐漸減少，同時(shí)內(nèi)阻也會(huì)增加[22]，進(jìn)而增加汽車行駛時(shí)的電能消耗，最終降低EV充放電效率，從而影響充放電負(fù)荷[23]。

(2)電網(wǎng)運(yùn)行狀態(tài)包括電壓、穩(wěn)定性和調(diào)峰能力等。大規(guī)模的EV負(fù)荷接入電網(wǎng)，會(huì)對(duì)電網(wǎng)造成強(qiáng)烈的沖擊。不同充電方式接入比例的不同，會(huì)使配電網(wǎng)的動(dòng)態(tài)概率特性相差很大[24]。常規(guī)充電方式對(duì)電網(wǎng)穩(wěn)定性影響很大，快速充電方式會(huì)大幅增大負(fù)荷峰谷差，不利于電網(wǎng)運(yùn)行的經(jīng)濟(jì)性和安全性。為穩(wěn)定電網(wǎng)運(yùn)行狀況而調(diào)整電價(jià)，這又會(huì)反過來影響用戶的充電選擇。因此，在建立符合預(yù)測模型時(shí)，電網(wǎng)運(yùn)行狀態(tài)也是必須考慮的因素。

2 EV充電負(fù)荷時(shí)空分布建模

EV充電需求的研究方法主要包括行為分析、模擬仿真和數(shù)據(jù)分析三種。行為分析，是分析用戶或車輛在一定區(qū)域和時(shí)間段內(nèi)的出行規(guī)則，構(gòu)建反映出行規(guī)則的模型，如出行鏈[25]、馬爾可夫鏈[26]、交通出行矩陣[27]，得到充電負(fù)荷的空間分布，以研究現(xiàn)實(shí)或驗(yàn)證假設(shè)，為充電設(shè)施的布局提供參考。模擬分析法，即利用蒙特卡羅模擬、超立方抽樣等算法，建立到達(dá)時(shí)間、發(fā)車時(shí)間、初始充電狀態(tài)和日里程的充電需求概率模型[28]，然后通過對(duì)EV充電過程的確定性建模得到充電需求[29]。模擬分析法中得到的是充電負(fù)荷的時(shí)間分布，在此基礎(chǔ)上可以確定充電站充電設(shè)施的數(shù)量、功率等，或者對(duì)充電行為優(yōu)化。數(shù)據(jù)分析，是指通過數(shù)理統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、大數(shù)據(jù)和云計(jì)算[30]等方法對(duì)歷史數(shù)據(jù)進(jìn)行分析和對(duì)未來充電需求的預(yù)測[31]。三種方法無嚴(yán)格區(qū)分，行為分析方法側(cè)重于獲得充電負(fù)荷的空間分布，其預(yù)測模型仍需蒙特卡洛模擬等算法；而模擬分析方法側(cè)重于獲得充電負(fù)荷的時(shí)間分布，與行為分析結(jié)合可以構(gòu)建出充電負(fù)荷的時(shí)空分布模型；數(shù)據(jù)分析方法通過多種累積的數(shù)據(jù)信息，充分利用大數(shù)據(jù)等新技術(shù)進(jìn)行行為規(guī)律分析，得到基于用戶出行數(shù)據(jù)信息的出行模型，以此替換模擬分析法中的概率模型，得到的充電負(fù)荷更符合實(shí)際。

2.1 EV充電負(fù)荷時(shí)間分布

EV充電負(fù)荷時(shí)間分布預(yù)測可為分時(shí)電價(jià)政策的制定提供指導(dǎo)，從而改善大量EV接入配電網(wǎng)之后，其對(duì)電網(wǎng)潮流分布所產(chǎn)生的影響。在對(duì)EV充電負(fù)荷時(shí)間分布預(yù)測上，主要采用模擬分析方法和數(shù)據(jù)驅(qū)動(dòng)方法，兩者的對(duì)比如表1所示。

表1 兩種方法的對(duì)比

2.1.1 模擬分析方法

模擬分析方法是指對(duì)EV充電負(fù)荷進(jìn)行建模。根據(jù)所建立的模型對(duì)其充電負(fù)荷進(jìn)行仿真分析，其模型的優(yōu)劣直接影響其預(yù)測結(jié)果，該方法主要分為模型構(gòu)建和仿真分析兩個(gè)階段。

(1)模型構(gòu)建是指根據(jù)歷史數(shù)據(jù)構(gòu)建EV的出行特性。文獻(xiàn)[32]基于美國交通部統(tǒng)計(jì)的家庭出行調(diào)查數(shù)據(jù)，分別采用正態(tài)分布和對(duì)數(shù)正態(tài)分布對(duì)歷史數(shù)據(jù)進(jìn)行擬合，得到起始充電時(shí)間和日行駛里程概率密度函數(shù)。然而，該方法無法得到精確的負(fù)荷預(yù)測模型，且EV僅可以在固定地點(diǎn)進(jìn)行充電。文獻(xiàn)[33]考慮路況、天氣和駕駛特性等因素，在對(duì)常規(guī)影響因素概率建模的基礎(chǔ)上，通過聚類分析量化道路擁擠程度，將其疊加到負(fù)荷預(yù)測模型中，改善了負(fù)荷預(yù)測精度。為了解決EV僅可以在固定地點(diǎn)充電的問題，文獻(xiàn)[34]考慮影響充電負(fù)荷的多種因素，以交通流量作為主要影響因素，以天氣、典型日期、季節(jié)等為次要影響因素，采用小波-反向傳播混合神經(jīng)網(wǎng)絡(luò)方法對(duì)車流量進(jìn)行預(yù)測，并采用模糊C聚類對(duì)充電行為進(jìn)行聚類，使得負(fù)荷模型更加貼合實(shí)際。

(2)仿真分析是在所構(gòu)建模型的基礎(chǔ)上對(duì)EV充電特性進(jìn)行模擬。蒙特卡洛法也叫模擬抽樣方法，通過隨機(jī)生成符合上述概率密度分布的樣本，模擬得到EV的充電特性曲線[32-34]。在EV有序充電的基礎(chǔ)上，為了進(jìn)一步應(yīng)用EV的源-荷兩重性，許多學(xué)者提出了EV與電網(wǎng)的雙向互動(dòng)(Vehicle to Grid，V2G)技術(shù)。針對(duì)EV參與充放電需求響應(yīng)[35]的不確定性，文獻(xiàn)[36]結(jié)合價(jià)格型和激勵(lì)型兩種需求響應(yīng)機(jī)制設(shè)計(jì)了EV有序充放電的自動(dòng)需求響應(yīng)策略，并借助云模型刻畫用戶對(duì)需求響應(yīng)策略的接受度，通過蒙特卡洛抽樣，計(jì)算得到參與需求響應(yīng)的每一種情景的概率，進(jìn)而得到各時(shí)段EV負(fù)荷的概率分布。

與EV充放電負(fù)荷類似，可再生能源發(fā)電同樣具備隨機(jī)性，給電網(wǎng)帶來沖擊。隨著“碳達(dá)峰，碳中和”目標(biāo)的提出，可再生能源發(fā)電規(guī)模將會(huì)隨之大幅增長，因此，在考慮EV充放電對(duì)電網(wǎng)潮流分布帶來的影響時(shí)，有必要將可再生能源發(fā)電的波動(dòng)性納入考慮范圍。文獻(xiàn)[37]針對(duì)EV充電負(fù)荷與光伏發(fā)電所具備的隨機(jī)性，提出了一種基于場景概率的方法，對(duì)配電系統(tǒng)進(jìn)行典型日內(nèi)的概率潮流分析，從而確定配電系統(tǒng)的運(yùn)行特性，其工作流程如圖2所示。

2.1.2 數(shù)據(jù)分析方法

負(fù)荷預(yù)測可以分為長期、中期和短期負(fù)荷預(yù)測[38]。長期負(fù)荷預(yù)測一般指提前1 a～10 a的預(yù)測，常用來作為制定未來能源需求與規(guī)劃政策的依據(jù)。中期負(fù)荷預(yù)測一般指提前幾周到幾個(gè)月的預(yù)測，用來指導(dǎo)企業(yè)制定計(jì)劃。短期負(fù)荷預(yù)測是指提前幾小時(shí)到幾天的預(yù)測，可以用來指導(dǎo)分布式能源系統(tǒng)的運(yùn)行與控制。EV充電負(fù)荷預(yù)測通常屬于短期負(fù)荷預(yù)測，數(shù)據(jù)分析方法主要通過機(jī)器學(xué)習(xí)，對(duì)已知數(shù)據(jù)訓(xùn)練測試，建立相關(guān)擬合模型，從而獲得EV的充電負(fù)荷曲線。

圖2 配電系統(tǒng)場景概率潮流分析

按照EV的預(yù)測時(shí)間尺度，可以將其劃分為以日為單位和以小時(shí)為單位，如表2所示。以日為單位的負(fù)荷預(yù)測可以粗略預(yù)測待預(yù)測日的負(fù)荷分布曲線，指導(dǎo)相關(guān)政策和運(yùn)行策略的制定。文獻(xiàn)[39]提出一種基于時(shí)序差分學(xué)習(xí)的預(yù)測模型，通過設(shè)計(jì)以馬爾可夫決策過程模擬的無模型強(qiáng)化學(xué)習(xí)任務(wù)環(huán)境，利用充電完成度指標(biāo)和懲罰因子完善代價(jià)函數(shù)；該方法具有相較于蒙特卡洛模擬法更快的收斂速度，但初始數(shù)據(jù)的規(guī)模對(duì)預(yù)測精度的影響較大。為了減小數(shù)據(jù)集規(guī)模，提高EV充電負(fù)荷預(yù)測精度，文獻(xiàn)[40]充分挖掘數(shù)據(jù)集之間的關(guān)系，提出了一種基于多相關(guān)日?qǐng)鼍吧傻腅V充電負(fù)荷區(qū)間預(yù)測方法，其預(yù)測流程如圖3所示。

以小時(shí)為單位的負(fù)荷預(yù)測可以避免大量EV同時(shí)接入電網(wǎng)所帶來的沖擊。文獻(xiàn)[41]使用深度學(xué)習(xí)分位數(shù)回歸預(yù)測充電樁負(fù)荷，用隨機(jī)梯度下降法訓(xùn)練不同分位數(shù)條件下神經(jīng)網(wǎng)絡(luò)參數(shù)，采用核密度估計(jì)方法得到不同分位數(shù)下的負(fù)荷概率密度；仿真結(jié)果表明，該方法有著更高的可靠性和敏銳性，但誤差會(huì)隨著預(yù)測時(shí)間逐漸增大。針對(duì)不同地理區(qū)域的EV充電負(fù)荷差異較大問題，文獻(xiàn)[42]提出了一種EV短期負(fù)荷分層概率預(yù)測方法，運(yùn)用分層方法將問題分解為低層次區(qū)域的子問題，結(jié)合主成分分析對(duì)子問題進(jìn)行降維處理，通過梯度增強(qiáng)回歸樹、分位數(shù)回歸森林法、分位數(shù)回歸神經(jīng)網(wǎng)絡(luò)等標(biāo)準(zhǔn)概率模型進(jìn)行求解，從而預(yù)測高水平地理區(qū)域的總負(fù)荷。

表2 短期負(fù)荷預(yù)測

圖3 多相關(guān)日?qǐng)鼍吧傻腅V充電負(fù)荷區(qū)間預(yù)測

2.2 EV充電負(fù)荷空間分布

EV作為一種交通工具，其充電位置同樣具備隨機(jī)性。EV充電需求可以通過私有和公共充電設(shè)施兩種方式共同滿足。現(xiàn)有EV充電負(fù)荷時(shí)間預(yù)測研究通常針對(duì)私有充電方式，將充電位置設(shè)定為固定地點(diǎn)，例如每日出行結(jié)束后在家充電，這將無法反應(yīng)EV作為一種交通工具的運(yùn)動(dòng)隨機(jī)性。EV充電負(fù)荷空間預(yù)測可以為公共充電設(shè)施的選址定容提供指導(dǎo)，目前針對(duì)此方面的研究相對(duì)較少。

用戶出行需求、路網(wǎng)結(jié)構(gòu)、道路狀況等[48]交通特性將從根本上決定用戶充電需求和可調(diào)度空間，從而決定了EV充電負(fù)荷的空間分布。針對(duì)路徑交通流量，文獻(xiàn)[49]提出了一種基于密度峰值聚類的EV充電站選址定容方法，如圖4所示。然而，該方法對(duì)于初始交通網(wǎng)絡(luò)模型的依賴較大，且對(duì)初始數(shù)據(jù)的依賴較強(qiáng)。

針對(duì)初始數(shù)據(jù)較難獲得的問題，文獻(xiàn)[50]在既有最短路徑生成算法的基礎(chǔ)上，對(duì)交通網(wǎng)絡(luò)的擁擠程度進(jìn)行量化，提出了一種基于交通均衡的充電負(fù)荷計(jì)算模型。通過出行需求、路徑規(guī)劃以及充電決策三個(gè)步驟決定EV充電負(fù)荷的空間分布，出行需求是指用戶從起點(diǎn)(Origin)到終點(diǎn)(Destination)的移動(dòng)需求，采用O-D矩陣來表示，路徑規(guī)劃采用最優(yōu)路徑生成模型，構(gòu)建可用路徑集并利用分支定價(jià)算法進(jìn)行求解，若其荷電量不足以支撐其完成全部及后續(xù)的行程，EV選擇在該條路徑上的充電站進(jìn)行充電。

圖4 基于密度峰值聚類的EV充電站選址定容

2.3 EV充電負(fù)荷時(shí)空分布

EV充電負(fù)荷的時(shí)間分布和空間分布不是相互獨(dú)立的，往往存在相互耦合關(guān)系，大規(guī)模EV在時(shí)間與空間雙重維度上的隨機(jī)并網(wǎng)和無序充電將會(huì)嚴(yán)重降低電網(wǎng)運(yùn)行的穩(wěn)定性，有必要同時(shí)研究其時(shí)間分布和空間分布。

在對(duì)EV充電負(fù)荷時(shí)空分布預(yù)測上，有研究采用出行鏈的方式描述其耦合關(guān)系[51]，如圖5所示。

圖5 出行鏈圖解

圖5中黑色圓圈代表一天中出行開始時(shí)間和結(jié)束時(shí)間，白色圓圈代表活動(dòng)地點(diǎn)的到達(dá)時(shí)間和離開時(shí)間，黑色方框代表一天出行位置和結(jié)束位置，白色方框代表活動(dòng)地點(diǎn)，虛線代表駕駛行為，實(shí)線代表停車行為。在時(shí)間鏈中，Ts_0表示一天初始出行時(shí)間，Ta_i代表到達(dá)第i個(gè)目的地的時(shí)間，Ts_i代表離開第i個(gè)目的地的時(shí)間，tx(i-1,i)代表從第i-1個(gè)目的地到第i個(gè)目的地的行駛時(shí)間，tp_i-1代表在第i-1個(gè)目的地的停留時(shí)間；空間鏈中，d(i-1,i)代表從第i-1個(gè)目的地到第i個(gè)目的地的行駛距離。當(dāng)汽車在任意一個(gè)目的地k停留的過程中，可以根據(jù)其停留時(shí)間和EV剩余電量決定是否充電，從而建立時(shí)空耦合關(guān)系[52]。由于確定的出行鏈較難獲得，且不同的駕駛員對(duì)出行路線的選擇有較大的主觀性，文獻(xiàn)[53]采用馬爾科夫決策的方式確定駕駛員的出行路徑，通過蒙特卡洛方法建模，結(jié)果表明：出行鏈的變化會(huì)導(dǎo)致充電負(fù)荷在工作日和周末的分布特征存在顯著差異，高溫和交通擁擠都會(huì)引起充電負(fù)荷的幅值增加。文獻(xiàn)[54-55]通過真實(shí)數(shù)據(jù)，挖掘出O-D矩陣，獲得居民出行分布規(guī)律，構(gòu)建不同的行車路徑，并建立出行時(shí)間、出行起止位置、出行路徑等EV行駛特性模型；然后以確定性概率建立EV電池參數(shù)模型，并通過分析實(shí)際工況環(huán)境，建模得到單位里程動(dòng)態(tài)能耗模型，進(jìn)而判斷充電需求，結(jié)合后悔理論建立充電站選擇模型，最后通過模擬得到充電負(fù)荷的時(shí)空分布。

為了分析不同類型、不同客戶的EV充電行為特征的差異，文獻(xiàn)[56]考慮不同類型EV充電行為特征的差異以及EV與充電站之間的時(shí)空耦合，提出了一種基于和諧搜索的改進(jìn)隨機(jī)森林算法，確定具有不同充電模式的EV的最佳射頻參數(shù)。為了量化分析不同場景不同類型EV的耗電量，文獻(xiàn)[57]采用Agent-元胞自動(dòng)機(jī)模型模擬交通流特征，通過蒙特卡洛法模擬不同時(shí)間尺度下不同空間區(qū)域的EV數(shù)量、電池容量、個(gè)體駕駛行為，采用Cruise 軟件計(jì)算了多場景多類型EV的耗電量，實(shí)現(xiàn)對(duì)EV充電需求的動(dòng)態(tài)時(shí)空分布預(yù)測。另外，考慮到不同年齡、性別以及教育程度用戶的出行規(guī)律也有較大差異，文獻(xiàn)[58]基于用戶人口學(xué)分析了不同年齡、性別以及教育程度的用戶在工作日與非工作日的出行規(guī)律的差異，可以提高EV充電負(fù)荷時(shí)空分布的預(yù)測精度。

EV充電負(fù)荷的時(shí)空分布將會(huì)導(dǎo)致電網(wǎng)潮流分布的變化，影響配電網(wǎng)運(yùn)行的可靠性。為了分析EV充電對(duì)電力系統(tǒng)的沖擊，文獻(xiàn)[59]在圖論集成系統(tǒng)的基礎(chǔ)上，提出了一種基于移動(dòng)EV時(shí)空動(dòng)力學(xué)的節(jié)點(diǎn)充電需求概率模型，使EV在電力系統(tǒng)母線間隨時(shí)間和空間的變化而變化，也可以根據(jù)節(jié)點(diǎn)停車時(shí)間和充電車輛對(duì)充電站進(jìn)行選址定容。文獻(xiàn)[60]通過“車-路-網(wǎng)”之間的耦合，模擬了路網(wǎng)約束下EV交通行駛特性，通過序列化潮流算法來評(píng)估大規(guī)模EV接入后對(duì)配電網(wǎng)的影響。由于EV有多種充電方式，文獻(xiàn)[61]在路-網(wǎng)耦合影響的基礎(chǔ)上，建立了考慮動(dòng)態(tài)分時(shí)電價(jià)的快充負(fù)荷模型和考慮電網(wǎng)潮流的慢充負(fù)荷模型，最終得到聚合EV充電負(fù)荷時(shí)空預(yù)測模型。

可再生能源發(fā)電同樣存在隨機(jī)性，可以通過對(duì)分布式風(fēng)電、太陽能發(fā)電等進(jìn)行合理規(guī)劃，從而提高可再生能源對(duì)EV充電的供應(yīng)。文獻(xiàn)[62]采用蒙特卡洛細(xì)化模型生成多個(gè)區(qū)域的日充電負(fù)荷分布，EV行駛過程中，周圍環(huán)境溫度會(huì)對(duì)電池容量以及汽車空調(diào)運(yùn)行功率產(chǎn)生影響，交通擁擠程度會(huì)直接影響EV的空調(diào)能耗，考慮不同季節(jié)、不同車流量、不同日型和不同地區(qū)的充電負(fù)荷大小、廓形和峰值時(shí)間存在顯著差異，可以指導(dǎo)可再生能源發(fā)電站的合理規(guī)劃，提高可再生能源的消納。

由于充電方式、充電站的選擇主要受充電成本的影響，文獻(xiàn)[63]從用戶的角度出發(fā)，在考慮充電可用性和電價(jià)波動(dòng)的情況下，使總開銷最小化，提出了一種基于深度強(qiáng)化學(xué)習(xí)的低電池EV充電策略?？紤]不同類型車型的出行特性以及充電方式，文獻(xiàn)[64]考慮路網(wǎng)-電網(wǎng)的交互影響，通過用戶心理建立EV充電負(fù)荷預(yù)測模型。分別采用出行鏈和O-D矩陣的方式模擬私家車和出租車的出行特性，以行駛時(shí)間、排隊(duì)時(shí)間和充電電價(jià)等因素，通過后悔理論，建立充電站選擇模型。

3 現(xiàn)有研究的不足與展望

通過以上歸納及分析，可以看出，EV充電負(fù)荷建模工作已經(jīng)取得豐富的研究成果，每種方法都有其獨(dú)特的考慮問題角度和應(yīng)用。但是由于EV充電負(fù)荷建模過程涉及到的影響因素眾多、出行特性復(fù)雜、包含大量不確定性因素，現(xiàn)有研究方法對(duì)于EV建模仍比較粗糙，沒有一種建模方法能夠?qū)ζ溥M(jìn)行完整詳盡的描述。在此基礎(chǔ)上，以下幾個(gè)方面值得深入研究的問題。

3.1 EV出行特性還需更細(xì)致刻畫

EV行為規(guī)律分析是研究EV充電負(fù)荷空間分布和有序充放電調(diào)控的前提。隨著EV的大規(guī)模應(yīng)用，不同類型EV將表現(xiàn)出不同的出行規(guī)律。電動(dòng)公交車受運(yùn)營路線約束出行規(guī)律簡單固定，電動(dòng)出租車(網(wǎng)約車)出行規(guī)律受城市用戶用車需求影響，私家車則存在較強(qiáng)的隨機(jī)性，出行規(guī)律全由車主決策。目前各種研究中缺乏對(duì)電動(dòng)車出租車和私家車出行規(guī)律的準(zhǔn)確調(diào)研，大多采用美國交通部公布的全美家用車輛出行調(diào)查數(shù)據(jù)進(jìn)行建模，時(shí)間和空間差異導(dǎo)致該數(shù)據(jù)與我國EV出行規(guī)律存在交大差異，且采用各種假設(shè)出力不確定因素的方法也較為主觀。

3.2 負(fù)荷空間分布研究有待加強(qiáng)

在EV出行模擬中，受交通狀況、充電站分布、剩余SOC、行駛里程、允許停駐時(shí)間等諸多因素負(fù)荷影響，準(zhǔn)確刻畫大規(guī)模EV充電需求的空間分布是現(xiàn)有研究的瓶頸?，F(xiàn)有研究中，基于“車-路-網(wǎng)”耦合模型分析、基于OD矩陣分析和基于出行鏈分析等方法對(duì)空間分布刻畫較為詳細(xì)，但上述方法在其它一些影響因素考慮不全面。如“車-路-網(wǎng)”耦合模型分析如何準(zhǔn)確模擬真實(shí)交通狀況，出行鏈模型如何準(zhǔn)確模擬汽車空轉(zhuǎn)轉(zhuǎn)移過程中剩余荷電量等因素變化情況。因此有關(guān)EV充電負(fù)荷的空間分布還需要更為準(zhǔn)確的方法進(jìn)行更為詳細(xì)準(zhǔn)確的研究。

3.3 EV放電行為還需進(jìn)一步研究

EV電池充、放電行為使其在面向電網(wǎng)時(shí)表現(xiàn)出“能量雙向調(diào)節(jié)”的特點(diǎn)，兼具“移動(dòng)電源”和“充電負(fù)荷”雙重屬性。但現(xiàn)有研究中大多專注于對(duì)充電負(fù)荷時(shí)空分布特性研究，缺乏對(duì)規(guī)?；疎V放電行為參與配網(wǎng)調(diào)度方面和智能V2G技術(shù)的研究。分析EV放電行為與電網(wǎng)智能調(diào)度問題，需要綜合考慮規(guī)?；疎V通過運(yùn)營商集群接入電網(wǎng)、功率變換電力電子器件控制策略、電池充放電次數(shù)與壽命問題、電網(wǎng)負(fù)荷特性等因素，構(gòu)建綜合預(yù)測模型準(zhǔn)確評(píng)估EV需求響應(yīng)。

3.4 充電負(fù)荷建模新方法展望

現(xiàn)有EV充電負(fù)荷建模方法大致可歸結(jié)為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩大類研究方法。基于模型驅(qū)動(dòng)的方法致力于尋求一種建模方法刻畫EV出行規(guī)律和充電行為，但是難以將諸多不確定性因素一一納入考慮?；跀?shù)據(jù)驅(qū)動(dòng)的方法則是以大量歷史數(shù)據(jù)作為輸入，選取某種或幾種智能算法進(jìn)行數(shù)據(jù)處理與挖掘，準(zhǔn)確預(yù)測EV充電負(fù)荷。

在未來充電負(fù)荷建模中，可采取模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的方法，充分發(fā)揮兩種方法的優(yōu)點(diǎn)并克服缺點(diǎn)。比如，在采用模型驅(qū)動(dòng)的方法中，對(duì)出行規(guī)律等不確定性因素的處理上采用數(shù)據(jù)驅(qū)動(dòng)的方法，利用海量歷史數(shù)據(jù)所蘊(yùn)含的信息克服不確定性的影響。

4 結(jié)束語

文章在分析影響EV充電影響因素的基礎(chǔ)上，著重討論了EV充電負(fù)荷時(shí)空分布建模的研究現(xiàn)狀及對(duì)尚未解決的問題和可能的研究方向進(jìn)行了探討。最后指出，涵蓋EV以及充電設(shè)施規(guī)模、環(huán)境狀況和出行選擇、電網(wǎng)電價(jià)的外在因素以及EV自身性能和電網(wǎng)狀態(tài)的內(nèi)在因素的充電負(fù)荷模型可有效反應(yīng)EV的充電行為；深入結(jié)合模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)的EV充電負(fù)荷建?？捎行Х从吵潆娯?fù)荷的時(shí)空分布。