電動出租車規模化運行的可行性分析

0不同模式下的日負荷預測在電動汽車良好的發展趨勢下，如何定量評估電動汽車充電站對電網的影響已成為許多專家和科學家的中心。充電負荷的估算及預測是電動汽車有序充電控制和能量管理等研究的基礎。目前已見報道的成果有:以電動公交車為研究對象,考慮影響負荷變化的各類相關因素,運用模糊聚類和反向傳播(BP)神經網絡的方法對充電站的日負荷曲線進行預測;以確定純電動公交車充電站配電容量需求為目標,根據公交客車的運行機制和充電功率曲線特性建立電動公交充電站容量需求的數學模型;以電動乘用車為研究對象,分析電動汽車充電負荷各自的相關因素,建立電動汽車充電負荷的統計模型并得到電動汽車充電負荷曲線。以上電動乘用車充電負荷計算方法,多數認為電動車替代燃油車的使用不會影響用戶出行特征,因而利用用戶出行特征統計數據進行研究;研究對象主要是電動公交車和家用電動乘用車,對于出租車充電負荷的研究較少。本文從出租車的運行模式和行駛特性出發,對比出租車與私家車的充電特征差異,進一步建立出租車日充電負荷的分段概率估算模型,并采用蒙特卡洛仿真方法求得出租車充電站的日負荷曲線。根據深圳市出租車的充電運營數據,驗證該建模及求解方法的可行性。1充電開始時段分布電動汽車用戶行為是影響電動汽車充電負荷的重要因素,其主要表現在充電開始時刻和行駛里程兩方面。其中行駛里程反映了電動汽車用戶當日的耗電量,在一定充電功率下,行駛里程與充電持續時間正相關。電動汽車用戶充電開始時刻越集中、行駛里程越長,充電負荷越大。不同用途的車輛在行駛線路、行駛里程、行駛時間上有所不同。電動公交車運行具有定時、定點、定線的特點,行駛線路和行駛里程固定,一次充電可滿足電動公交車的行駛需求,車輛運行及回站充電具有一定的相對穩定性和規律性,可用電力系統負荷預測方法進行負荷估算。私家車主要滿足人們的日常出行需要,行駛線路和行駛里程一般能預先估計,一日一次充電一般即能滿足出行需要,且夜間基本停運,在夜間可進行常規慢速充電,充電開始時刻和日行駛里程具有隨機性,可用統計學建模方法得到其日充電負荷。出租車的運行線路和區域具有很大的隨機性,一次充電續駛里程難以滿足當日運行要求,且出租車停運時間短,一般采用快速充電方式,其充電開始時刻和日行駛里程具有隨機性,可采用統計學建模方法估算其日充電負荷,但出租車具有多次充電的特點,其負荷估算方法與私家車有所不同。假設私家車在最后一次出行結束后開始充電,圖1和圖2分別為私家車和深圳市出租車的充電開始時刻分布規律。圖中的深圳市出租車運營數據來源于課題研究。對比圖1和圖2可知,私家車充電開始時刻主要分布在16:00-22:00。出租車行駛里程長,受換班、用餐和夜間運行等因素影響,平均一日需多次充電。深圳市電動出租車統計數據顯示,充電開始時刻呈分段概率分布的特點。出租車充電開始時刻與每次充電前的行駛里程對應,其對應的行駛里程也具有分段分布的特點。因此采用統計學建模方法,根據充電開始時刻和行駛里程的分段概率分布,建立出租車日充電負荷的分段概率模型,分段解耦處理后采用蒙特卡洛方法求解其日充電負荷。2出租車負荷分段的概率模型2.1電動出租車充電開始正態分布深圳出租車一日的充電時間規律如圖3所示。根據換班前充滿電、用餐時充電和夜間運行前充電這3個因素,將一日24h分為A,B,C,D四段,表示一日中出租車充電次數為多次。對深圳市193輛電動出租車7月某日各段充電開始時刻和行駛里程進行統計分析,采用JarqueBera正態分布檢驗方法,結果如表1和表2所示。輸出結果h的含義為:假設檢驗樣本x服從正態分布,當輸出h=1時,表示拒絕接受原假設;輸出h=0時,表示接受原假設。返回的檢驗p值是指,當p值小于給定的顯著性水平(一般取0.05)時,拒絕原假設。結果表明電動出租車充電開始時刻服從正態分布,如圖4和圖5所示。深圳市出租車在A,B,C,D段分別進行充電,每次充電對應的行駛里程與上次充電的時間間隔、是否需要充電交班等因素有關,造成不同時段的行駛里程存在差異。根據統計數據及擬合結果,A和B段時間間隔長,出租車的行駛里程呈正態分布,如圖6和圖7所示。C和D段時間間隔短,行駛里程也相應較短,并集中在70～120km之間,其分布特點呈現頻數分布高峰向左偏移,長尾向右側延伸,為正偏態分布,可用對數正態分布表示正偏態分布,如圖8和圖9所示。2.2行駛公里的描述根據上節分析可知,電動出租車充電開始時刻服從分段正態分布,每段的概率密度函數為:式中:μs為每段分布中充電開始時刻的均值;σs為每段分布中充電開始時刻的標準差,代表充電開始時刻分布的離散程度。A和B段時間間隔長,出租車的行駛里程呈正態分布,由圖7可以發現,深圳市出租車行駛里程的實際分布在50～200km時符合正態分布,故A和B段行駛里程可用正態分布描述,概率密度為:式中:μr為每段分布中行駛里程的均值;σr為每段分布中行駛里程的標準差,代表行駛里程分布的離散程度。C和D段間隔時間短,行駛里程也相應較短,呈對數正態分布的特點。由圖9可以發現,深圳市出租車行駛里程的實際分布在30～200km時符合對數正態分布,故C和D段行駛里程可用對數正態分布描述。其概率密度為:2.3出租車在充電開始和充電時長的概率分布電動汽車鋰電池采用恒流-恒壓兩階段充電方法。恒流段充電功率幾乎不變,恒壓段時間相對于恒流段時間較短,可以認為充電功率為恒功率Pc。電動汽車充電時長可等效為:式中:Tc為充電時長;R為當次充電前行駛里程;W為百公里耗電量。根據式(1)與行駛里程分布,可求出出租車充電時長分布。若行駛里程服從正態分布,則其線性組合也服從正態分布,即充電時長也服從正態分布;若行駛里程服從對數正態分布,充電時長也符合對數正態分布,分布參數的均值由μr增大為ln(W/(100Pc))+μr。假設出租車充電開始時刻和充電時長這兩個變量相互獨立,在時間序列上進行分析,某一時刻出租車是否處于充電狀態取決于當前時刻出租車是否已經開始充電和充電時長。圖10所示為出租車在某一時刻t0已充電結束或未開始充電的情況,其中ts為充電開始時刻,tc為充電時長。根據出租車的充電開始時刻和充電時長的聯合概率分布建立日充電負荷的分段概率模型。電動汽車在一日中某時刻t0的功率需求為的概率分布為:式中:為離散型隨機變量,為1表示車輛正在充電,為0表示已經充好電或未開始充電;為充電開始時刻和充電時長的聯合概率分布函數,,其中FS和分別為充電開始時刻和充電時長的概率分布函數。聯立式(1)—式(7),得到一日中各時刻單臺電動出租車日充電負荷的分段概率模型。3出租車充電開始的soc分析由于上述分段概率模型無解析解,因此采用蒙特卡洛方法求解。蒙特卡洛方法是一種基于概率和統計理論的模擬方法,使用隨機數來解決計算問題,適用于具有隨機性特點的出租車日充電負荷計算。基于概率論中的大數定律,運用蒙特卡洛模擬法,根據分布函數產生隨機數,通過計算機模擬求出一日中各時刻單臺出租車的充電功率的均值。假設一日中每個時間段有Ni輛車需要充電,由中心極限定理可知,某一時刻出租車的充電需求為Niμc,其中μc為一日中各時刻單臺出租車的充電功率均值。在求解日充電負荷的分段概率模型時,由于出租車每日充電多次,因此采用分段解耦處理,即分次模擬、多段疊加的方法,求得每日各時刻出租車充電功率的均值。多段疊加時需考慮充電持續時間對分段點的影響,因此,分次模擬時每段的模擬時間應相應延長。出租車采用快速充電,充電倍率為0.5C(C為電池容量),即充電起始荷電狀態(SOC)為零,至充滿時充電時長為2h。圖11為深圳市出租車充電起始SOC分布規律的統計結果。由圖可知,起始SOC分布主要在30%～70%,其對應的充電時長為84min下降至24min,因此,模擬時在分段點模擬時間分別延長2,1,0.5h進行對比,出租車的充電功率如圖12所示。根據圖12可知,在A和D段尾部分段點附近,不同延長時間下充電功率變化很小,這是由于充電開始時刻的概率值極小,對負荷影響不大;在B和C段尾部分段點附近,不同延長時間下,其分段點附近估算負荷與實際負荷誤差如表1所示。在B段,負荷較高,分段點延長1h誤差較低;在C段,負荷較低,分段點延長0.5h誤差較低。因此,在分段點可采用組合延長時間的方法進行模擬,在A和B段,分段點模擬時間延長1h,在C段分段點模擬時間延長0.5h,各階段分段點誤差如表3所示,組合延長時間的方法誤差更低。4日充電負荷測算2011年深圳市為出租車提供充電服務的充電站有14座,共70臺充電機,充電模式為整車快速充電,充電持續時間為幾十分鐘到2h不等。根據出租車的充電記錄,可以得出Pc=32kW,W=28kW·h。以15min為周期,將一日(24h)劃分為96個時間段。根據圖2中的充電開始時刻分布直方圖,以充電時間最小概率點為分界點,將充電開始時刻分為4段,分別為00:00-09:00(階段1),09:00—14:00(階段2),14:00—19:00(階段3),19:00—24:00(階段4)。對統計數據進行處理和擬合,充電開始時刻和行駛里程擬合結果分別見圖13和圖14。其中充電開始時刻為正態分布,行駛里程在階段1和2為正態分布,階段3和4為對數正態分布。根據第2節和第3節的建模和估算方法,可建立深圳市出租車日充電負荷估算的分段概率模型并得到日負荷曲線。根據深圳市充電數據記錄,可得到充電日負荷的實際值,將實際值與估算值進行比較,如圖15所示。由圖可知,本文的建模估算方法是一種適用于快速式出租車充電站的方法。5出租車充電負荷電動出租車負荷與出租車的行駛特性相關,與私家車不同,具有一日多次充電的特點,根據充電開始時刻和行駛