張夏韋, 梁軍, 3, 王要強, 韓婧

(1.鄭州大學電氣與信息工程學院,鄭州市 450001;2. 河南省電力電子與電能系統(tǒng)工程技術(shù)研究中心,鄭州市 450001;3. 卡迪夫大學工程學院, 英國卡迪夫 CF24 3AA)

0 引 言

隨著全球氣候變暖、環(huán)境污染加劇和傳統(tǒng)化石能源逐漸枯竭,各國都在積極推廣發(fā)展可再生能源,新能源汽車作為一種環(huán)境友好型交通工具,具有低成本、無污染、零排放等優(yōu)點[1-2],在環(huán)保、消納新能源方面優(yōu)勢明顯,與傳統(tǒng)燃油汽車相比減少對石油能源的依賴,是有效應對能源危機和氣候變化的良好途徑,近年來受到各國廣泛關(guān)注[3]。

我國是當前全球最大的新能源汽車市場[4],2021年新能源汽車呈現(xiàn)爆發(fā)式規(guī)?；鲩L,銷量超350萬輛,純電動汽車是新能源汽車的主力,預計到2035年,公共領域用車將全面實現(xiàn)電動化[5]。大規(guī)模電動汽車充電使負荷快速增長給電網(wǎng)安全穩(wěn)定運行帶來不可忽視的影響,如加劇電網(wǎng)負荷峰谷差、產(chǎn)生諧波污染、降低電能質(zhì)量、增加網(wǎng)絡損耗等[6-7]。由于電動汽車充電行為具有時間和空間上的隨機性和波動性,增加了電網(wǎng)運行控制的難度。精確的電動汽車充電負荷時空分布預測是研究電動汽車入網(wǎng)影響、電網(wǎng)規(guī)劃運行、與電網(wǎng)互動及與能源、交通、互聯(lián)網(wǎng)領域融合發(fā)展的基礎[8-9]。隨著電動汽車規(guī)模的增長和電池技術(shù)的提升,V2G技術(shù)[10]逐步發(fā)展起來,利用電動汽車在停放狀態(tài)時作為一個分布式儲能裝置參與電網(wǎng)充放電[11],可以實現(xiàn)平抑可再生能源波動、削峰填谷、為電網(wǎng)提供調(diào)頻等輔助服務[12-13]。

近年來,許多研究人員針對電動汽車充電負荷時空分布預測問題展開廣泛的研究并取得豐碩成果。本文從影響電動汽車充電負荷預測因素入手,對充電負荷時空分布預測方法和V2G技術(shù)研究的現(xiàn)狀進行分析,最后總結(jié)現(xiàn)有研究方法的不足,并對未來發(fā)展方向進行展望,為后續(xù)研究提供理論基礎。

1 影響充電負荷分布的因素

影響電動汽車充電負荷分布的因素復雜多樣,設置不同影響因素權(quán)重將改變用戶充電需求分布規(guī)律[14]。因此,需要分析各因素之間的影響機理。本文主要根據(jù)外界環(huán)境和個人行為將影響負荷分布的因素劃分為客觀因素和主觀因素兩個方面,客觀因素主要考慮電動汽車規(guī)模數(shù)量、車輛電池特性、出行環(huán)境等外部條件對負荷分布的影響;而主觀因素主要考慮用戶行為、心理等個人因素對充電負荷時空分布的影響。各因素之間的關(guān)聯(lián)如圖1所示。

圖1 影響電動汽車充電負荷分布的因素Fig.1 Factors affecting the distribution of electric vehicle charging load

1.1 客觀因素

1)電動汽車規(guī)模。

2018年調(diào)查研究發(fā)現(xiàn),交通部門碳排放量占全球碳排放總量的四分之一以上[15],發(fā)展電動汽車是實現(xiàn)道路運輸脫碳的關(guān)鍵技術(shù),未來電動汽車數(shù)量將規(guī)?；鲩L[16]。研究人員主要考慮整體負荷容量及滲透率等因素,通過研究不同電動汽車滲透率對電動汽車充電需求的影響,發(fā)現(xiàn)滲透率越高充電需求越大,對應的日峰負荷也隨之增加[17]。

大規(guī)模電動汽車持續(xù)增長的同時充換電基礎設施建設也得到了快速發(fā)展,而充電站位置和數(shù)量會影響用戶的排隊時間,改變充電負荷的時空分布。在考慮電動汽車充電行為基礎上基于排隊論[18]建立用戶充電排隊模型,提高充電設施利用率;考慮到用戶充電成本和充電站運行成本,建立以成本最小為目標函數(shù)的電動汽車充電站規(guī)劃模型,可以為后續(xù)充電站選址、定容提供依據(jù)[19]。

2)動力電池特性。

電動汽車發(fā)展亟需解決的兩個問題為提升續(xù)航里程和減小百公里耗電量。動力電池技術(shù)是影響電動汽車規(guī)?；l(fā)展的關(guān)鍵因素[20],文獻[21]總結(jié)了幾類典型電動汽車動力電池(如鎳氫電池、鉛酸電池、三元鋰、磷酸鐵鋰電池)的優(yōu)缺點和應用的領域。電池特性、容量對充電負荷有著不同的影響,電池的荷電狀態(tài)(state of charge, SOC)是影響用戶行為決策的重要因素,充電功率、充電時長與起始荷電狀態(tài)密切相關(guān),進而影響充電負荷的時間分布[22]。

3)出行環(huán)境。

溫度和道路交通狀況等環(huán)境因素對電動汽車的單位里程耗電量和出行速度有很大影響[23-24]。溫度的高低影響空調(diào)的使用與否,不同道路狀況出行速度不同,影響用戶出行時長和出行路徑的選擇,從而改變充電負荷時空分布?？紤]溫度、道路擁堵情況建立電動汽車出行模型和動態(tài)交通路況信息模型[25],計算充電負荷時空分布,為后續(xù)電動汽車參與有序充放電提供參考和依據(jù)。

4)充電電價。

通過分時電價、實時電價等措施引導用戶在用電高峰時減少充電需求[26],在用電低谷時降低電價增加充電需求,實現(xiàn)削峰填谷、平抑負荷波動的目標[27]。用戶可根據(jù)電價變化自主選擇充電模式,促使其參與電網(wǎng)有序充電,減少無序充電對電網(wǎng)安全運行的影響。

1.2 主觀因素

1)行為特性。

用戶行為特性是目前研究重點考慮的因素之一,用戶的行駛習慣、出行路徑、充電時刻等因素對充電負荷時空分布有著關(guān)鍵影響。

用戶的充電行為存在時間和空間的隨機性,其出行里程與充電負荷需求直接相關(guān)[28]?，F(xiàn)有研究車輛出行規(guī)律的重要數(shù)據(jù)來源主要為美國公布的居民出行調(diào)查數(shù)據(jù)(National Household Travel Survey, NHTS),其中NHTS2017還包括電動汽車調(diào)研數(shù)據(jù)[29],用戶出行里程研究常根據(jù)出行規(guī)律采用概率密度函數(shù)擬合。文獻[30]基于NHTS2017數(shù)據(jù)集建立出行時刻和出行目的聯(lián)合概率分布,得到居民出行概率模型,實現(xiàn)對用戶行程的隨機模擬。電池初始充電狀態(tài)決定了電動汽車的單次最大行駛距離,電動汽車用戶的里程焦慮[31]和充電方式的選擇決定了電動汽車單次行駛的最小剩余電池容量和下一次最大行駛距離,里程焦慮決定了用戶最低SOC偏好值,影響用戶充電決策。

用戶的出行路徑選擇與充電地點對負荷的空間分布有很大影響,出行路徑選擇與道路交通密切相關(guān),研究該因素影響時應與交通路網(wǎng)聯(lián)系起來[32];充電地點與用戶出行目的地和里程焦慮相關(guān),用戶是否選擇在目的地進行充電受下一次出行所需電量影響,通常會選擇在以下兩種情況下充電:1)SOC實際值低于用戶最低偏好值;2)SOC實際值高于用戶最低偏好值,但是剩余電量低于下次行程所需電量[33]。

2)充電方式選擇。

目前純電動汽車的電能補給方式主要有充電和換電兩種[34],充電方式又分為常規(guī)充電、快速充電和慢速充電。用戶對充電方式的選擇存在隨機性,不同充電方式對電網(wǎng)充電功率和充電持續(xù)時間有直接影響。用戶初始SOC和目的地停車時長影響用戶充電方式的選擇,進而影響負荷時空分布。常規(guī)充電時長一般為5～8 h,居民區(qū)用戶通常選擇此充電方式;快速充電采用大型充電機進行充電,時長為20 min～2 h,這種方式雖然充電時間縮短,但對電池壽命有較大影響,對充電設備要求也更高;換電方式通過更換電池組快速補充電能,時長在5～10 min[35],通常適用于公交車、出租車。采用更換電池組方法進行電動汽車能量補給,可以降低電動汽車充電時空分布不確定性對電網(wǎng)功率造成的影響,也可以接受電池入網(wǎng)(battery to grid, B2G)參與互動[36]。

3)用戶心理、響應行為。

主要考慮用戶博弈心理、后悔理論及有限理性對充電需求的影響[37]。博弈心理是指用戶在電價激勵等措施下與其他用戶和充電站之間的消費心理博弈,對用戶充放電行為有間接影響[14];后悔理論是一種“不完全理性”理論,電動汽車用戶會選擇后悔值最小的出行方案,更加符合實際出行情況[37]。有限理性是指用戶在選擇出行方案時受選擇偏好、里程焦慮等影響,追求“滿意”標準,而不是最優(yōu)標準[38]。考慮到用戶心理因素的影響,可以建立用戶感知滿意的、后悔值最小的出行模型,分析不同用戶心理下電動汽車充電需求。

電動汽車充電負荷分布受上述各種復雜隨機的因素影響,設置不同的權(quán)重預測結(jié)果也不同,準確的影響因素辨識可提高預測準確性;另外,上述因素通常用于一般情況下負荷預測,而突變天氣、極端天氣[39]等異常情況下對充電負荷變化考慮較少,后續(xù)可針對極端天氣條件下電動汽車充電負荷預測展開研究。

2 電動汽車充電負荷時空分布預測方法

電動汽車充電負荷預測研究大致分為兩個階段:一是利用傳統(tǒng)燃油汽車數(shù)據(jù)或GPS對車輛出行的調(diào)查數(shù)據(jù),考慮影響用戶充電行為的主要因素,對電動汽車無序充電負荷進行預測[40],主要因素有電池類型、充電特性、運行規(guī)律等,建立充電負荷計算模型,根據(jù)所得負荷曲線判斷其對電網(wǎng)的影響;2012年ASHTARI等人使用安裝在76輛代表性車輛上的GPS設備記錄一年內(nèi)每秒車輛使用數(shù)據(jù)[41],基于車輛使用習慣預測插電式電動汽車(plug-in electric vehicles, PEV)充電行為,預測未來插電式電動汽車的電力負荷曲線和電氣范圍可靠性。二是針對大規(guī)模電動汽車無序接入電網(wǎng)帶來的影響,引導用戶參與有序充放電響應[42],發(fā)揮電動汽車作為分布式儲能單元的優(yōu)勢,評估其帶來的影響和經(jīng)濟效益。

國內(nèi)外學者針對電動汽車充電負荷預測進行大量研究,按照預測期限來分,有長期、中期、短期和超短期負荷預測[43],電動汽車充電負荷預測一般屬于短期負荷預測,主要預測未來6～48 h充電負荷;在研究方法上,可歸結(jié)為機理模型驅(qū)動方法、基于人工智能的數(shù)據(jù)驅(qū)動方法及機理數(shù)據(jù)融合驅(qū)動預測方法三類,機理模型驅(qū)動法主要包括行為分析和模擬分析方法[44]。

1)行為分析是對用戶或車輛在一定區(qū)域和時間段內(nèi)的出行規(guī)律進行分析,構(gòu)建出行鏈、馬爾可夫鏈、交通出行矩陣等反映出行規(guī)律的模型[45-47];模擬分析是指在了解用戶出行規(guī)律的基礎上進行仿真,將仿真結(jié)果與實際情況進行比較。采用蒙特卡洛模擬、數(shù)理統(tǒng)計分析、排隊論、后悔理論等方法建立用戶充電需求概率模型[48-49],通過用戶行為和心理分析進行電動汽車充放電負荷預測[50]。

2)基于人工智能的數(shù)據(jù)驅(qū)動預測方法應用機器學習、深度學習等人工智能方法對電動汽車歷史充電負荷數(shù)據(jù)進行分析預測[51-52]。

3)機理數(shù)據(jù)融合驅(qū)動預測方法將機理驅(qū)動和數(shù)據(jù)驅(qū)動兩種方法有效結(jié)合[44],進行電動汽車充放電負荷預測研究。

2.1 機理模型驅(qū)動方法

用戶充電行為在時間和空間上的規(guī)律性使得電動汽車充電負荷具有時間周期性和空間相關(guān)性,前期研究人員主要關(guān)注電動汽車充電負荷時間分布特性,主要根據(jù)不同類型電動汽車不同時刻充電行為建立概率模型。蒙特卡洛法(Monte Carlo method, MC)是常用的一種基于概率統(tǒng)計理論利用隨機數(shù)解決計算問題的方法[53],基于蒙特卡洛的模擬用來預測電動汽車不受控制的能源消耗,還考慮了許多不確定性參數(shù),例如,充電開始時間、充電持續(xù)時間、每小時更換電池的數(shù)量以及行駛距離[54]。雖然蒙特卡洛技術(shù)的模擬非常精確,但電動汽車所有者的行為影響模型的靈活性和準確性,并且沒有充分考慮交通系統(tǒng)的影響,不能準確反映日常出行的隨機性。隨著研究的深入,充電負荷空間分布特性逐漸被重視起來,時空耦合特性研究成為當下研究熱點,以下從時間分布特性、空間分布特性和時空耦合分布特性層面展開分析。

2.1.1 時間分布特性

以往多數(shù)研究將電動汽車充電負荷預測視為時間序列預測問題,通過對過去每日負荷段的加權(quán)平均進行預測,賦予片段的權(quán)重取決于與預測片段的接近程度[55],捕獲待預測負荷段的定性定量特征;考慮待預測日充電負荷與其歷史日充電負荷間的相關(guān)性,提出基于多相關(guān)日場景生成的EV充電負荷區(qū)間預測方法[56];不同于短期單一時間尺度負荷預測,文獻[57]提出考慮季節(jié)特征的多時間尺度負荷預測模型,基于Bass修正模型預測未來數(shù)年EV保有量,實現(xiàn)短期至中長期多時間尺度EV負荷預測。

2.1.2 空間分布特性

電動汽車充電負荷空間分布預測是研究的難點,空間分布特征從點需求和流量需求兩方面預測[58],點需求按照區(qū)域劃分,將負荷歸結(jié)到電力網(wǎng)絡節(jié)點上,但未考慮用戶行駛特性,流量需求預測模型考慮用戶行駛和交通路網(wǎng)信息,對EV充電需求預測更加精準。

不同類別的電動汽車行駛特性和充電行為有較大差異,考慮到居民日常出行需求,可將電動汽車分為公交車、私家車、出租車、公務車等[59]。研究人員多以私家車為研究對象探究其用戶出行規(guī)律及充電負荷預測,不同類型的電動汽車出行模型如圖2所示,公交車在起訖點之間往返,S為始發(fā)站,E為終點站;公務車在各工作地W1、W2之間往返;私家車出行目的可分為家(home, H)、工作(work, W)、購物用餐(shopping &eating, SE)、休閑娛樂(recreation &entertainment, RE)和其他區(qū)(other things, OT);Nn為出租車出行隨機網(wǎng)絡節(jié)點,節(jié)點間的空間轉(zhuǎn)移為電動汽車行駛過程[60]。

圖2 不同類型電動汽車出行模型Fig.2 Different types of electric vehicle travel models

隨著起訖點(origin-destination, OD)方法的引入,結(jié)合交通運輸網(wǎng)絡建立出行需求和時空模型,考慮動態(tài)交通信息常采用OD矩陣分析法[61]、實時Dijkstra動態(tài)路徑搜索算法[62]、Floyd算法[63]規(guī)劃電動汽車行駛路徑,模擬其動態(tài)行駛過程和充電行為,結(jié)合出行鏈預測電動汽車充電負荷概率密度函數(shù);文獻[61-62]基于用戶出行鏈,考慮交通路網(wǎng)的約束,解決現(xiàn)有評估參考因素較少的問題。

圖3 道路網(wǎng)絡拓撲圖Fig.3 Road network topology

(1)

(2)

文獻[65-66]用圖論描述復雜的交通網(wǎng)絡,并建立速度-流量模型模擬車輛行駛過程速度的變化,得到道路交通模型,考慮速度和溫度對電池電量的影響建立單位里程耗電量模型,結(jié)合交通狀況和電動汽車出行特性基于Dijkstra算法得到出行路徑[66],并計算電動汽車充電負荷時空分布。

2.1.3 時空分布特性

若同時考慮負荷時間維度信息和空間維度信息將取得更好的預測效果。為進一步挖掘電網(wǎng)-交通網(wǎng)強耦合態(tài)勢下電動汽車時空分布特征,文獻[67]提出了基于圖WaveNet電動汽車充電負荷預測框架,將充電負荷時間維度信息和空間維度信息同時輸入到自適應圖WaveNet進行預測,挖掘潛在的時空分布特征提高預測精度。為更好分析大規(guī)模電動汽車接入電網(wǎng)的充電需求,需綜合考慮電動汽車(車)、交通路網(wǎng)(路)、配電網(wǎng)(網(wǎng))的耦合特性及對充電負荷時空分布特征的影響,文獻[68]提出了“車-路-網(wǎng)”模式下電動汽車充電負荷時空預測方法,體現(xiàn)了電動汽車充電負荷在同一時間尺度下的空間屬性和能量屬性?？臻g屬性包括實時位置、行駛速度等,對應電動汽車充電負荷“何地”,能量屬性包括實時電量、單位里程消耗電量等,對應“何時”,二者共同決定EV充電時空分布特征。文獻[69]在“車-路-網(wǎng)”模式基礎上考慮多個充電站對用戶出行路徑選擇的影響,建立電動汽車充電站選擇模型,實現(xiàn)“車-路-站-網(wǎng)”融合的充電負荷時空分布預測。

通過交通系統(tǒng)模型和出行鏈模擬具有時空特性的電動汽車充電負荷,描述電動汽車在耦合運輸和分配網(wǎng)絡中的時空特性[70],較以往電動汽車空間轉(zhuǎn)移模型加入時間分布特性,能夠可視化充電負荷和交通擁擠程度。圖4所示為以居民區(qū)為起訖點的通勤出行鏈示意圖,包含用戶出行的時間鏈和空間鏈特征。

圖4 電動汽車出行鏈示意圖Fig.4 Schematic diagram of electric vehicle travel chain

1)時間鏈:首次出行時刻T0、到達目的地Dn時刻Tn、在目的地Dn停留時長tpn、離開目的地Dn時刻T′n、第n次出行時長tdn;

2)空間鏈:出行起點D0、第n次出行目的地Dn、第n次出行里程dn。

用戶可根據(jù)電池剩余電量、最低SOC偏好決定是否充電,根據(jù)停留時長選擇充電方式,由此建立時空耦合關(guān)系。考慮用戶出行路線的隨機性,結(jié)合出行鏈構(gòu)建不同類型電動汽車時空轉(zhuǎn)移模型,采用馬爾可夫決策過程(Markov decision processes, MDP)實時動態(tài)隨機模擬用戶出行路徑[71],體現(xiàn)電動汽車空間位置移動的隨機性,有效計算負荷時空分布變化?？紤]到用戶駕駛習慣和充電的不確定性,文獻[72]在出行鏈基礎上提出基于車輛-交通-電網(wǎng)軌跡的時空仿真方法,充分考慮了交通系統(tǒng)約束、用戶出行需求和充電選擇的不確定性。

2.2 數(shù)據(jù)驅(qū)動方法

電動汽車充電負荷預測研究受歷史數(shù)據(jù)限制,2018年之前的研究通常以MC模擬、排隊論等仿真類方法為主,無法完全模擬負荷變化特性。隨著大數(shù)據(jù)時代的發(fā)展,數(shù)據(jù)驅(qū)動型預測方法逐漸得到重視,基于電動汽車實測充電負荷數(shù)據(jù)運用機器學習、深度學習等智能算法預測電動汽車充電需求[73],基于歷史充電負荷數(shù)據(jù)預測效果更接近真實充電負荷。

除了傳統(tǒng)機器學習技術(shù)外,還有深度學習、強化學習、集成學習等理論框架[73-75]。在處理大規(guī)模負荷數(shù)據(jù)時,一般采用以下兩種數(shù)據(jù)驅(qū)動方法:一種是改進經(jīng)典算法實現(xiàn)數(shù)據(jù)開發(fā)和并行處理,另一種是推動以深度學習為代表的前沿機器學習。深度學習方法在大數(shù)據(jù)支撐下具有很強的自主學習能力,能夠捕獲數(shù)據(jù)中的非線性依賴關(guān)系,較好地應用于負荷預測任務中。強化學習如Q學習技術(shù)主要用于增強復雜問題的實時學習,可以在所有可用的動作和狀態(tài)之間進行最優(yōu)搜索[76-77]。文獻[78]提出一種新穎的混合集成深度學習(hybrid ensemble deep learning, HEDL)模型用于確定性和概率性負荷預測,該模型集合了深度學習優(yōu)秀的擬合能力和集成學習多樣的假設空間的優(yōu)點[78],利用中國東部和澳大利亞實際負荷數(shù)據(jù)驗證了所提方法預測的有效性。

數(shù)據(jù)處理是采用數(shù)據(jù)驅(qū)動方法進行預測的關(guān)鍵步驟,主要是對原始數(shù)據(jù)進行特征提取,文獻[79]將負荷數(shù)據(jù)進行自適應噪聲完備集合經(jīng)驗模態(tài)分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)處理得到不同頻率的本征模態(tài)分量(intrinsic mode functions, IMF),利用雙向常短期記憶網(wǎng)絡算法(bi-directional long short-term memory, Bi-LSTM)進行預測;文獻[80]利用電動汽車充電低頻特性,用兩階段分解技術(shù)提取家庭智能電表數(shù)據(jù)低頻分量,采用基于卷積神經(jīng)網(wǎng)絡-長短期記憶網(wǎng)絡結(jié)合注意力機制(convolutional neural networks-attention-long short-term memory, CNN-Attention-LSTM)的神經(jīng)網(wǎng)絡算法預測家庭電動汽車用戶短期充電負荷情況。

傳統(tǒng)點預測方法難以考慮數(shù)據(jù)中不確定信息及不同影響因素間的影響,區(qū)間預測法的優(yōu)勢便顯現(xiàn)出來,將負荷預測結(jié)果以區(qū)間的形式表示,體現(xiàn)負荷變化的不確定性?，F(xiàn)有學者對模型的輸入?yún)^(qū)間研究較少,為充分利用歷史負荷數(shù)據(jù)信息,可采用負荷預測誤差分布[81]的方法獲得歷史數(shù)據(jù)區(qū)間的上下限,作為組合區(qū)間預測的輸入,預測效果更好。不同的預測組合模型效果不同,文獻[81]采用改進極限學習機(extreme learning machine, ELM)的方法進行負荷預測,通過優(yōu)化算法得到ELM最優(yōu)參數(shù)配置,提高模型準確性、穩(wěn)定性和泛化能力。

數(shù)據(jù)質(zhì)量是負荷預測建模和預測性能優(yōu)良的重要保證,雖然基于數(shù)據(jù)驅(qū)動的充電負荷預測方法采用真實歷史數(shù)據(jù)更加貼近實際充電負荷情況,但是該方法依賴海量樣本數(shù)據(jù),對數(shù)據(jù)質(zhì)量要求較高,存在難以處理缺陷數(shù)據(jù)、數(shù)據(jù)資源利用率低等問題,研究人員可通過數(shù)據(jù)處理等方法提升數(shù)據(jù)質(zhì)量[43-44]。將模型驅(qū)動方法與數(shù)據(jù)驅(qū)動方法結(jié)合可發(fā)揮兩者優(yōu)勢,對電動汽車充電負荷分布影響因素、出行規(guī)律建模,利用真實充電負荷數(shù)據(jù)驗證模型,再通過大數(shù)據(jù)人工智能技術(shù)提升預測精度。

2.3 基于機理與數(shù)據(jù)融合驅(qū)動的預測方法

不同類型電動汽車運行特點差別較大,加上用戶充電行為這一關(guān)鍵因素的隨機性和不確定性,難以建立統(tǒng)一的預測模型。將機理模型驅(qū)動與數(shù)據(jù)驅(qū)動方法融合可以充分發(fā)揮各自的優(yōu)勢,提高預測精度。將電動私家車作為研究對象,建立如圖5所示的電動汽車充電負荷預測框架。

圖5 機理模型驅(qū)動與數(shù)據(jù)驅(qū)動融合的電動汽車充電負荷預測框架Fig.5 A model-driven and data-driven charging load forecasting framework for electric vehicles

首先,融合路網(wǎng)、天氣、充電設施等多源數(shù)據(jù)信息的數(shù)據(jù)層;其次,基于路網(wǎng)建立道路交通模型,基于天氣溫度、出行信息結(jié)合數(shù)據(jù)驅(qū)動方法挖掘用戶出行規(guī)律,建立用戶出行模型,基于充放電信息建立充電模型;最后,利用路徑優(yōu)化算法、蒙特卡洛模擬和深度學習算法等挖掘電動汽車充電時空分布特性,結(jié)合模型驅(qū)動與數(shù)據(jù)驅(qū)動方法優(yōu)點,構(gòu)建電動汽車充電負荷時空分布預測模型。

文獻[82]提出基于V2G技術(shù)的充放電容量預測方法,將用戶出行時刻、電池SOC、對電價的敏感度作為輸入特征,采用隨機森林模型判斷車輛是否參與調(diào)度,根據(jù)車輛充放電行為參數(shù),應用MC方法模擬車輛出行及充放電情況,預測電動汽車集群充放電情況。采用改進隨機森林(improved random forest, IRF)算法自下而上的時空分布預測方法[83],考慮不同類型電動汽車的充電行為特性以及電動汽車與充電站之間的時空耦合,與支持向量機(support vector machine, SVM)、反向傳播神經(jīng)網(wǎng)絡(back propagation neural network, BPNN)和一般隨機森林相比,該方法可以提高總充電負荷預測精度并獲得該區(qū)域充電負荷的時空分布。

綜上所述,數(shù)據(jù)驅(qū)動方法可以融合歷史充電負荷、天氣、溫度等多源數(shù)據(jù)集,簡化電動汽車充電負荷預測模型,不需要假設大量機理模型參數(shù),而機理模型驅(qū)動法對歷史數(shù)據(jù)的依賴性較小,適用性更強,但分析過程較為復雜,分析結(jié)果的可靠性不如數(shù)據(jù)驅(qū)動法。當前,對機理數(shù)據(jù)融合驅(qū)動的電動汽車充電負荷預測方法研究較少,可以充分結(jié)合機理建模和數(shù)據(jù)建模的優(yōu)勢有效預測電動汽車充電負荷時空分布。同時,融合更多實際影響因素、減少計算維數(shù)也是未來研究重點方向。

3 V2G技術(shù)研究現(xiàn)狀

電動汽車兼具“荷”與“源”的雙重屬性,是目前最具有發(fā)展?jié)摿Φ撵`活性儲能資源。在保證用戶充電需求的前提下,根據(jù)相應激勵政策引導電動汽車參與電網(wǎng)放電,充分發(fā)揮電動汽車作為移動儲能的作用,實現(xiàn)車到電網(wǎng)之間能量雙向互動,有助于配電網(wǎng)削峰填谷實現(xiàn)優(yōu)化潮流[84],在滿足用戶充電需求同時為用戶帶來一定的收益。但是目前面臨著用戶參與放電服務標準體系不成熟、用戶響應度不高、各方機制難協(xié)調(diào)等問題,需不斷完善交易機制,制定合理的充放電價格控制策略引導用戶參與其中,通過激勵協(xié)議[85]調(diào)動用戶響應積極性。

根據(jù)電動汽車各時段SOC、充放電功率等約束條件可估計電動汽車集群參與放電可用容量[86]。文獻[87]對電動汽車參與V2G響應能力進行了有效評估,采用軌跡數(shù)據(jù)驅(qū)動的方法對電動汽車充電需求時空分布進行預測,建立了用戶選擇參與V2G響應的概率選擇模型,得到該區(qū)用戶愿意參與V2G調(diào)控的比例為43%。雖然對該地區(qū)負荷調(diào)峰效率略低,但是在一定程度上反映了社會初期開展V2G試點的情況,可以為相關(guān)部門提供政策導向。另外,電動汽車多次進行充放電帶來的電池損耗不容小覷,在考慮分時電價政策影響和電池損耗的基礎上,對電動汽車集群V2G響應成本進行評估[88],分析峰谷時電價和電池損耗對不同時刻V2G響應成本的影響,為運營商制定用戶補償機制提供了模型基礎,可以在保證用戶利益前提下實現(xiàn)自身效益最大化。文獻[89]針對V2G交易系統(tǒng)提出一種新型分層區(qū)塊鏈架構(gòu),設計V2G交易智能合約、兩級拍賣和優(yōu)化策略,安排電動汽車有序充放電參與電網(wǎng)負荷調(diào)節(jié),減少電網(wǎng)總負荷方差,實現(xiàn)電動汽車用戶、聚合商、電網(wǎng)三方互惠互利。

另外,需要考慮V2G響應過程帶來的成本問題,文獻[90]提出電動公交車參與V2G響應的優(yōu)化調(diào)度策略,建立了電動公交車電池損耗模型,對電池損耗成本和充電站充放電計劃進行雙層優(yōu)化,減小電網(wǎng)負荷峰谷差;從用戶利益角度出發(fā),建立計及電池動態(tài)放電損耗的用戶充放電成本最小的V2G優(yōu)化模型,保障用戶與電網(wǎng)雙方的利益需求。

V2G技術(shù)是推進交通電氣化和智能電網(wǎng)的關(guān)鍵技術(shù)之一,電動汽車集群具有V2G響應能力,可以為電網(wǎng)提供輔助服務參與電力市場調(diào)度[91],但其理論體系和定價機制需要進一步完善;同時也要考慮在響應過程中產(chǎn)生的成本費用,未來電池技術(shù)的發(fā)展可以減少電池頻繁充放電帶來的能耗損失,進一步提升用戶參與V2G響應的收益,有效促進V2G技術(shù)的普及。

4 研究不足與展望

4.1 研究不足

雖然電動汽車充電負荷時空分布預測研究已經(jīng)取得諸多進展及豐碩成果,但仍然存在一些問題和不足,本文從以下三個方面進行總結(jié)。

1)影響因素方面。

影響因素的精準辨識直接影響預測結(jié)果的準確性,電動汽車充電行為受多種因素的影響,現(xiàn)行電動汽車充電負荷預測局限于常規(guī)情況下的預測,主要利用歷史負荷、氣象條件、節(jié)假日、交通狀況等因素進行建模,對極端天氣和轉(zhuǎn)折天氣等[39]預測誤差較大,影響預測精度的提升。因此,全面、準確的影響因素辨識是保證負荷預測方法可靠性和準確性的一大挑戰(zhàn)。未來應對規(guī)?；妱悠嚦浞烹娦袨檎归_研究,建立適用于各種情況下的充電負荷預測模型。

2)時空相關(guān)性方面。

由于電動汽車用戶的充電行為存在時間和空間的規(guī)律性使充電負荷具有時間周期性和空間相關(guān)性,未來研究中融合交通路網(wǎng)、天氣溫度、充電站、電網(wǎng)等多源信息[37],同時考慮用戶決策的隨機性[45],結(jié)合路徑優(yōu)化模型、排隊論充分挖掘電動汽車充電負荷空間分布信息[50],同時建立基于深度學習的時間序列預測模型挖掘時間分布規(guī)律,進一步提升模型預測的準確度。

3)放電行為方面。

目前對規(guī)?；妱悠嚪烹娦袨檠芯肯鄬^少,用戶主動參與V2G需求響應度不高,具備互動能力的充電樁較少。另外,電池頻繁充放電帶來的損耗、投資成本過高、收益機制是否公平仍是目前需要解決的問題[85]。因此,需要建立綜合預測模型準確評估電動汽車參與放電的潛力。

4.2 研究展望

影響電動汽車充電負荷分布的因素隨機多樣,且影響程度不盡相同,可以采用相關(guān)性分析等方法在不同時空分布下將各種因素對負荷預測的影響程度進行量化,篩選出高度影響預測結(jié)果的輸入特征。另外,概率負荷預測技術(shù)可以捕捉負荷變化的不確定性范圍,通過綜合考慮負荷影響因素提高預測模型準確性。將機理模型驅(qū)動與數(shù)據(jù)驅(qū)動方法有效結(jié)合,深入分析電動汽車充放電負荷時空分布特性,為電動汽車參與需求側(cè)響應提供理論依據(jù),促進未來更多不同類型電動汽車參與到需求側(cè)響應中。

5 結(jié)束語

電動汽車作為一種具有負荷與儲能雙重特性的靈活性資源,其充放電行為具有時間和空間的隨機性。本文密切關(guān)注電動汽車充電負荷時空分布特性,系統(tǒng)闡述電動汽車充電負荷時空分布預測的影響因素及研究方法,為能源轉(zhuǎn)型下交通電氣化發(fā)展研究提供依據(jù)。另外,作為移動儲能裝置,電動汽車參與需求響應成為現(xiàn)實,隨著V2G技術(shù)的進步和政策的不斷完善,未來共享汽車、無人駕駛汽車也將參與其中,共同為電網(wǎng)提供輔助服務,實現(xiàn)電動汽車與電網(wǎng)良好互動。