0 引言

隨著全球環境問題的日益嚴峻和化石能源的逐漸枯竭，電動汽車因其環保、經濟及能夠有效利用間歇性可再生能源的優勢，在全球范圍內得到了快速發展。然而，大規模電動汽車的接入對電網的安全穩定運行構成了嚴峻挑戰。電動汽車充電負荷的急劇增加，不僅可能引發電網負荷高峰，還可能加劇電網的波動性和不穩定性。因此，對電動汽車充電負荷進行準確預測，對于電網規劃、充電樁建設以及緩解電動汽車充電對電網的沖擊具有重要意義。

本文首先分析了影響電動汽車充電負荷特性的關鍵因素，包括充電開始時間、充電持續時間和充電功率。隨后，基于某市的實際充電行為數據，采用蒙特卡洛法對各類型電動汽車的充電負荷進行預測，并分析了充電負荷對電網的影響。

1 影響電動汽車充電負荷特性的因素

電動汽車充電負荷特性主要受充電開始時間、充電持續時間和充電功率的影響。

1.1 充電開始時間

充電開始時間受車輛類型和用戶行為等多種因素影響。傳統研究常以燃油車出行特性近似代替電動汽車，但這種方法存在局限性。本文基于實際充電數據，分析了公交車、出租車和私家車在不同日期的充電開始時間分布特征。

1.2 充電持續時間

充電持續時間取決于充電電量和充電功率。充電電量受車輛行駛里程、電池荷電狀態（SOC）等因素影響，而充電功率則直接影響充電速度。本文采用實際充電數據，考慮了不同車型和充電時段的電量和功率分布。

1.3 充電功率

充電功率直接決定了充電過程中的負荷情況。不同車型和充電階段的功率變化對負荷預測具有重要影響。本文通過分析實際充電數據，得到了各類型車在不同時間和電量下的平均充電功率。

2 電動汽車充電行為分析

基于充電行為的差異性，本文分別分析了公交車、出租車和私家車的充電行為特征。

2.1 公交車

公交車出行規律較為固定，充電時間主要集中在中午和晚上。通過分析實際充電數據，得到了公交車在不同日期的充電開始時間、充電電量和充電功率的分布規律。

圖 1 電動公交車開始充電時間分布

可以發現公交車開始充電時間有兩個峰值，分別 為中午 12:00 附近和晚上 23:00 附近，且在 23:00 附近會達到一天中的最大峰值。 由于充電時間不同，充電 電量和功率也會不同，因此，將充電電量按照時間進行分類，將白天定義為 7: 00 ～ 17: 00，晚上定義為 18: 00 到第二天 6:00 。得到電動公交車不同日期白天和晚上的充電電量分布情況如圖 2、圖 3 所示。

圖 2 電動公交車白天充電電量分布

圖 3 電動公交車晚上充電電量分布

對充電電量進行劃分，計算訂單中的每一段充電電量對應的平均充電功率如表 1 所示，相較于直接規定以某一充電功率充電，結果會更加精確。將電動公交車定義為一天一充，其中開始充電時間、充電電量、均按照以上分布規律生成對應的隨機數，以此來代替用戶不確定的充電行為。

2.2 出租車

出租車充電行為受運營需求影響，充電時間主要集中在中午和晚上。本文分析了出租車在不同日期的充電行為特征，并得到了相應的充電負荷分布。

圖4 電動出租車開始充電時間分布圖

總體來說工作日和休息日出租車的開始充電時間分布近似相同，主要集中在中午 12: 00 ～ 15: 00，晚上 22:00 ～1:00，接近凌晨的充電頻率略高于中午的充電頻率。

圖 5 電動出租車白天充電電量分布

圖 6 電動出租車晚上充電電量分布

2.3私家車

私家車主要用于上下班和日常出行，充電時間多集中在晚上和休息日。通過分析實際充電數據，得到了私家車充電行為的分布規律。

圖 7 電動私家車開始充電時間分布

圖 8 電動私家車白天充電電量分布

圖 9 電動私家車晚上充電電量分布

私家車工作日開始充電時間更多的是集中在下班高峰期，約在 19:00 達到高峰，且晚上充電頻率顯著高于中午。休息日在午間充電頻率整體高于工作日，在 18:00 ～21:00 達到一天中的峰值。

同理將對充電電量大小進行分類，每一類的電量匹配所對應的訂單中的平均功率如表3所示，將電動私家車的充電頻率定為一天一次。

3 電動汽車充電負荷預測模型

基于某市電動汽車保有量數據及各類型車的充電行為特征，本文采用蒙特卡洛算法對電動汽車充電負荷進行了預測。通過大量隨機試驗，模擬電動汽車的隨機充電行為，得到了公交車、出租車和私家車的充電負荷曲線。

預測結果顯示，電動出租車由于充電頻率高且保有量較大，其充電負荷占比最高。同時，電動汽車的大規模無序充電行為會顯著提高電網的峰值和峰谷差，對電網安全穩定運行構成威脅。

已知該地區 2015 年～2020 年的電動汽車保有量，計算得到該地區電動汽車保有量年均漲高達75.26% ，對增長趨勢進行擬合處理如圖 10 所示，計算得到 2021年該地區電動汽車的總保有量。已知該地區某市電動汽車保有量占比，以及公交車、出租車、私家車之前的數量 占 比，得到 2021年該市總保有量為64 616輛，其中公交車為 2565輛，出租車( 包括網約 車) 為 20541 輛，私家車為 41 510 輛。

圖 10 某地區 2015年-2020年電動汽車保有量變化

通過上文各類型車充電開始時間、充電電量、充電功率的分布規律以及保有量數據，對南方某市 2021年的公交車、出租車、私家車的充電負荷數據采取蒙特卡洛算法進行預測計算。蒙特卡洛算法是在已知某些隨機變量大量數據的前提下，通過大量的隨機試驗，反復抽取隨機數，以此來替代電動汽車的隨機充電行為，計算變量在試驗中出現的頻率近似估計其概率值，并將其作為問題的解。圖 11為基于蒙特卡洛算法的電動汽車充電負荷預測流程圖，通過仿真計算得到公交車、出租車、私家車一天的充電負荷情況。為了簡化計算流程，做出以下假設 :

(1) 各個類型電動汽車的開始充電時間與充電電量互相獨立，彼此互不影響 ;

(2) 充電過程均視為恒功率充電 ;

(3) 區域內的總負荷為獨立車輛充電負荷的疊加， 即對同時刻的不同車型充電負荷進行求和。

文中將三種類型電動汽車充電負荷曲線的負荷值相加，計算各類型車不同日期類型的負荷占比，以及負荷峰值如表 4所示。由于電動出租車充電頻率高，且保有量較高，無論工作日還是休息日，該市的電動出租車充電負荷占比始終最高，分別為 60．42% 和58．88% 。 由于工作日和休息日對電動公交車和電動出租車的負荷預測曲線影響較小，文中只列出電動私家車工作日與休息日的負荷曲線對比圖12，以及三種電動汽車在工作日的負荷曲線對比圖13，發現私家車在休息日中午和凌晨的充電負荷要高于工作日，工作日更多選擇在下班高峰期進行充電。

圖 11 充電負荷計算流程圖

公交車、出租車、私家車三者的負荷曲線疊加得到圖 14，可以發現工作日與休息日電動汽車的總的負荷曲線分布規律相似。由于出租車的負荷占比始終最大，導致總體分布曲線類似于出租車的充電負荷曲線。

圖 14 三種類型電動汽車充電負荷曲線之和

已知該市 2016 年冬季典型日負荷曲線如圖 15 中 的原負荷曲線所示。并將圖14結果疊加到原負荷曲 線之上，得到2021年該市電動汽車總負荷曲線與原負荷曲線對比圖，如圖 15 所示。并繪制了表5，展示三條曲線負荷峰值、谷值、峰谷差、方差之間的差異，括號內展示了相較于基礎負荷的增長率。表 6、表 7 分別為各類型車開始充電時間、充電電量的概率密度函數擬合公式的具體參數。

從圖15 以及表5 可以看出，電動汽車的充電過程使得電網的整體負荷有了較大的提升，會在晚上 19: 00 達到高峰，約為 835．09 MW( 工作日)，830．20 MW( 休 息日) ，負荷峰值分別提高了7．79% ( 工作日) ，7．16% (休息日) 。相對來說，在夜間負荷谷值的提升更為明顯，分別提高 10．70% ，11．12% ，利用這一特性后續可以采用 V2G［27-30］等有序充電控制技術，將電動汽車作為一個獨立的儲能單元與電網進行有效的交互調度，在滿足用戶充電需求的前提下，提高發電設備在夜間 的利用率，實現削峰填谷，保證電網的安全穩定運行。負荷峰谷差由原來的 366．99 MW 提高至 383．70 MW( 工作日) 、377．10MW ( 休 息 日) 分別提高 4．55%，2．75% 。而負荷的波動情況一般用方差來表示，負荷方差分別提高 9．62% ( 工作日) ，7．94% ( 休息日) ，也表明電動汽車的引入加劇了電網的不穩定波動。

圖 15 電動汽車總負荷曲線與原負荷曲線對比

4 安科瑞充電樁收費云平臺

4.1概述

AcrelCloud-9000安科瑞充電樁收費運營云平臺系統通過物聯網技術對接入系統的汽車充電站、電動自行車充電站以及各個充電樁進行不間斷地數據采集和監控，實時監控充電樁運行狀態，進行充電服務、支付管理，交易結算，資源管理、電能管理、明細查詢等，同時對充電機過溫保護、漏電、充電機輸入/輸出過壓、欠壓、絕緣低各類故障進行預警；充電樁支持以太網、4G或WIFI等方式接入互聯網，用戶通過微信、支付寶、云閃付掃碼充電。

4.2應用場合

適用于住宅小區等物業環境、各類企事業單位、醫院、景區、學校、園區等公建、公共停車場、公路充電站、公交樞紐、購物中心、商業綜合體、商業廣場、地下停車場、高速服務區、公寓寫字樓等場合。

4.3系統結構

現場設備層：連接于網絡中的各類傳感器，包括多功能電力儀表、汽車充電樁、電瓶車充電樁、電能質量分析儀表、電氣火災探測器、限流式保護器、煙霧傳感器、測溫裝置、智能插座、攝像頭等。

網絡通訊層：包含現場智能網關、網絡交換機等設備。智能網關主動采集現場設備層設備的數據，并可進行規約轉換，數據存儲，并通過網絡把數據上傳至搭建好的數據庫服務器，智能網關可在網絡故障時將數據存儲在本地，待網絡恢復時從中斷的位置繼續上傳數據，保證服務器端數據不丟失。

平臺管理層：包含應用服務器和數據服務器，完成對現場所有智能設備的數據交換，可在PC端或移動端實現實時監測充電站配電系統運行狀態、充電樁的工作狀態、充電過程及人員行為，并完成微信、支付寶在線支付等應用。

4.4平臺功能描述

4.4.1充電服務

充電設施搜索，充電設施查看，地圖尋址，在線自助支付充電，充電結算，導航等。

4.4.2首頁總覽

總覽當日、當月開戶數、充值金額、充電金額、充電度數、充電次數、充電時長，累計的開戶數、充值金額、充電金額、充電度數、充電次數、充電時長，以及相應的環比增長和同比增長以及樁、站分布地圖導航、本月充電統計。

4.4.3交易結算

充電價格策略管理，預收費管理，賬單管理，營收和財務相關報表。

4.4.4故障管理

故障管理故障記錄查詢、故障處理、故障確認、故障分析等管理項，為用戶管理故障和查詢提供方便。

4.4.5統計分析

統計分析支持運營趨勢分析、收益統計，方便用戶以曲線、能耗分析等分析工具，瀏覽樁的充電運營態勢。

4.4.6運營報告

按用戶周期分析汽車、電瓶車充電站、樁運行、交易、充值、充電及報警、故障情況，形成分析報告。

4.4.7APP、小程序移動端支持

通過模糊搜索和地圖搜索的功能，可查詢可用的電樁和電站等詳細信息。掃碼充電，在線支付:掃描充電樁二維碼，完成支付，微信支付完成后，即可進行充電。

4.4.8資源管理

充電站檔案管理，充電樁檔案管理，用戶檔案管理，充電樁運行監測，充電樁異常交易監測。

4.5選型配置

5 結束語

本文通過實際數據分析，得到了不同類型電動汽車的充電行為特征，并采用蒙特卡洛算法對電動汽車充電負荷進行了預測。結果表明，電動汽車的大規模無序充電行為對電網安全穩定運行構成威脅。未來，可以通過有序充電控制、V2G技術等多種方式引導電動汽車充電行為，降低其對電網的影響。

參考文獻

［1］蔡黎，葛棚丹，代妮娜，等．電動汽車入網負荷預測及其與電網互 動研究進展綜述［J］．智慧電力，2022，50(7): 96-103.

［2］段俊東，李高尚，李一石，等．考慮風電消納的電動汽車充電站有 序充電控制［J］．儲能科學與技術，2021，10(2): 630-637 .

［3］郭建龍．電動汽車充電負荷的建模及其對配電系統的影響分析［D］廣州: 華南理工大學，2017 .

［4］孔順飛，胡志堅，謝仕煒，等．考慮分布式儲能與電動汽車充電網絡的配電網多目標規劃［J］．電力科學與技術學報，2021，36 (1) : 106-116 .

［5］基于充電行為分析的電動汽車充電負荷預測.秦建華等.

［6］安科瑞企業微電網設計與應用手冊2020.06