摘要：文章基于南方某市的电动汽车充电数据，得出各类型电动汽车在不同日期类型的充电开始时间、充电电量、充电功率的分布规律。采用蒙特卡洛算法模拟计算了该市2021年各类型电动汽车工作日与休息日的充电负荷情况，结果表明，电动私家车在休息日的午间和凌晨充电负荷要高于工作日；该市电动出租车在工作日与休息日的充电负荷占比分别60.42%、5&55%,在三类型车中始终*大;电动私家车工作日与休息日充电负荷曲线有较大差异,电网总负荷会在19：00达到*高峰。验证了电动汽车的大规模引入会增加电网的峰值和峰谷差，同时将充电行为数据拟合为公式，旨在为未来的电网扩容建设和对电动汽车的有序充电控制提供帮助。

关键词:电动汽车;充电行为分析;负荷预测

引言

随着环境的恶化和化石能源短缺现象的加剧，电动汽车以其相对低廉的价格、契合绿色出行的理念、消纳间歇性可再生能源电力等特点，近些年在世界范围内都得到了较快的发展。而大规模电动汽车并入电网给电网的安全带来了严重的威胁。即随着电动汽车数量的提高，会给电网负荷带来了巨大的冲击"列。因此，对电动汽车的充电负荷趋势进行预测，对于电网及充电桩后续的规划建设，以及采用何种方式来缓解大规模电动汽车充电过程对电网带来的冲击，都具有重要的研究价值和现实意义。针对电动汽车充电负荷预测可以分为从空间角度和时间角度进行预测。文献研究电动汽车在空间约束下的出行特性，采用交通起止点法和蒙特卡洛算法完成对电动汽车充电负荷的时空预测。文献针对电动汽车在居民区的充电特征，建立相关模型。文献以某一地区为例,根据状态转移矩阵得到居民区、工商业区电动汽车的数量，研究不同功能区域电动汽车充电负荷的差异性。文献对蒙特卡洛算法的寻优路径优化，完成对电动汽车时间尺度上的负荷预测，提高了运算速度。

文中分析了前人研究电动汽车的充电负荷特性因素的不足之处，对某市工作日与休息日各类型车的实际充电行为数据进行统计分析，包括充电开始时间、充电电量、充电功率的分布特征。采用蒙特卡洛法计算各类型电动汽车的负荷曲线，比较各类型车负荷曲线的差异，分析充电负荷曲线对该市电网负荷的影响。

1、影响电动汽车充电负荷特性的因素充电

开始时间、充电持续时间、充电功率是影响电动汽车充电负荷特性的关键因素。下文将针对其进行分析。

1.1开始充电时间

用户的充电开始时间取决于车辆的类型以及用户的个人行为等。之前的研究多是以燃油车的出行特性来近似代替电动汽车的出行特性，例如文献［13］采用NHTS(NationalHouseholdTravelSurvey)的数据，将燃油汽车*后一次出行的结束时刻近似视为开始充电时间t,如式⑴所示,/与其频率满足正态分布，其中儿、久分别为t的期望和标准差。

1.2充电持续时间

充电持续时间Char决定了充电时间的长短，取决于充电电量Q和充电功率P。通过式(2)得到，即：考虑到车型的不同，充电电量Q难以确定，文献［14］研究了交通以及气温状况对充电电量的影响，文献［15］将用户每次用车时的电池电荷状态SOC的概率密度函数(StateofCharge)视为正态分布，通过概率密度函数随机抽取得到SOC,通过式(3)即可得到充电电量Q,其中a为期望充电完成后的荷电状态,一般来说a取为1,E为满电电量。

Q=(.a-SOC)xE(3)文献［16］亦根据NHTS的数据，将日行驶里程L视为满足对数正态分布。通过式(4)得到日行驶里程Z,其中“d"d分别为Ini的期望和标准差

通过式(5),得到充电电量Q。其中s为每公里耗电量,a—般取1。Q=aX.SxL

(5)这些做法由于缺乏实际的电动汽车充电数据，导致将数量庞大的电动汽车难以确定的满电电量E、每公里耗电量S、充电功率P等均视为一个定值,过于理想化的设定会降低模型的精度,使得*终的充电负荷预测结果会有偏差。而文中采用的是处理后的开始充电时间、充电电量,以及充电功率这些实际充电行为数据,更加符合实际状况。

1.3充电功率

充电功率P直接决定了充电持续阶段的负荷情况。文献［17］仅考虑了车辆某一充电倍率下的充电,假设充电功率在某个范围内满足均匀分布,具有一定的局限性。文献采用分段函数来表示充电过程中功率的变化情况,使得结果更加准确,但该模型仅针对镰氢电池,使得*终的充电负荷结果亦具有一定的局限性。

2、电动汽车充电行为分析

基于充电行为的差异性，以下针对各类型电动汽车从开始充电时间、充电电量、充电功率进行分析。

2.1公交车

公交车出行规律较为固定。为了更好地比较不同日期各类型车辆充电行为的不同，将开始充电时间、充电电量、充电功率均按照日期进行了分类,将周一到周五记为工作日，周六周日记为休息日。对南方某市电公交车充电站的充电数据，处理后得到电动公交车不同日期的开始充电时间分布图，如图1所示。

可以发现公交车开始充电时间有两个峰值，分别为中午12：00附近和晚上23：00附近，且在23：00附近会达到一天中的*大峰值。由于充电时间不同，充电电量和功率也会不同，因此，将充电电量按照时间进行分类,将白天定义为7:00-17:00,晚上定义为18：00到隔天6：00o得到电动公交车不同日期白天和晚上的充电电量分布情况如图2、图3所示。

对充电电量进行划分，计算订单中的每一段充电电量对应的平均充电功率如表1所示,相较于直接规定以某一充电功率充电，结果会更加准确。将电动公交车定义为一天一充，其中开始充电时间、充电电量、均按照以上分布规律生成对应的随机数，以此来代替用户不确定的充电行为。

2.2出租车

出租车（包括网约车）同属运营类车辆，近年来发展迅速。同理得到出租车不同日期开始充电时间分布图如图4所示，白天和晚上的充电电量分布图如图5、图6所示。

表1电动公交车不同时间及充电电量下的充电功率

总体来说工作日和休息日出租车的开始充电时间分布近似相同，主要集中在中午12：00~15：00,晚上22：00~1：00,接近凌晨的充电频率略高于中午的充电频率。

同理对充电电量进行分类,每一类的电量,匹配所对应的订单中的平均功率如表2所示,文中将电动出租车的充电频率定为一天两次。

2.3私家车

私家车主要用于上下班，大部分时间处于闲置状态，休息日多用于外出娱乐。对数据处理后得到电动私家车开始充电时间分布图如图7所示，充电电量分布图如图8、图9所示。

图7电动私家车开始充电时间分布

私家车工作日开始充电时间更多的是集中在下班高峰期，约在19：00达到高峰，且晚上充电频率显著高于中午。休息日在午间充电频率整体高于工作日，在8:00~21:00达到一天中的峰值。同理将对充电电量大小进行分类,每一类的电量匹配所对应的订单中的平均功率如表3所示,将电动私家车的充电频率定为一天一次。

3、电动汽车充电负荷预测模型

已知该地区2015年~2020年的电动汽车保有量,计算得到该地区电动汽车保有量年均涨幅高达75.26%，对增长趋势进行拟合处理如图10所示，计算得到2021年该地区电动汽车的总保有量。已知该地区某市电动汽车保有量占比，以及公交车、出租车、私家车之前的数量占比，得到2021年该市总保有量为64616辆,其中公交车为2565辆，出租车(包括网约车)为20541辆，私家车为41510辆。

通过上文各类型车充电开始时间、充电电量、充电功率的分布规律以及保有量数据，对南方某市2021年的公交车、出租车、私家车的充电负荷数据采取蒙特卡洛算法进行预测计算。蒙特卡洛算法落旳是在已知某些随机变量大量数据的前提下,通过大量的随机试验,反复抽取随机数,以此来替代电动汽车的随机充电行为，计算变量在试验中出现的频率近似估计其概率值,并将其作为问题的解。

图11为基于蒙特卡洛算法的电动汽车充电负荷预测流程图,通过仿真计算得到公交车、出租车、私家车一天的充电负荷情况。

为了简化计算流程,做出以下假设:

(1)各个类型电动汽车的开始充电时间与充电电量互相独立，彼此互不影响；

(2)充电过程均视为恒功率充电；

(3)区域内的总负荷为独立车辆充电负荷的叠加,

即对同时刻的不同车型充电负荷进行求和。文中将三种类型电动汽车充电负荷曲线的负荷值相加，计算各类型车不同日期类型的负荷占比，以及负荷峰值如表4所示。由于电动出租车充电频率高，保有量较高,无论工作日还是休息日，该市的电动出租车充电负荷占比始终*高,分别为60.42%和5&88%。由于工作日和休息日对电动公交车和电动出租车的荷预测曲线影响较小，文中只列出电动私家车工作日与休息日的负荷曲线对比图12,以及三种电动汽车在工作日的负荷曲线对比图13,发现私家车在休息日中午和凌晨的充电负荷要高于工作日，工作日更多选择在下班高峰期进行充电。

将公交车、出租车、私家车三者的负荷曲线叠加得到图14,可以发现工作日与休息日电动汽车的总的负荷曲线分布规律相似。由于出租车的负荷占比始终*大，导致总体分布曲线类似于出租车的充电负荷曲线。

已知该市2016年冬季典型日负荷曲线如图15中的原负荷曲线所示。并将图14结果叠加到原负荷曲线之上，得到2021年该市电动汽车总负荷曲线与原负荷曲线对比图，如图15所示。并绘制了表5,展示三条曲线负荷峰值、谷值、峰谷差、方差之间的差异,括号内

展示了相较于基础负荷的增长率。表6、表7分别为各类型车开始充电时间、充电电量的概率密度函数拟合公式的具体参数。

从图15以及表5可以看出，电动汽车的充电过程使得电网的整体负荷有了较大的提升，会在晚上19：00达到高峰，约为835.09MW（工作日），830.20MW（休息日），负荷峰值分别提高了7.79%（工作日），7.16%（休息日）。相对来说，在夜间负荷谷值的提升更为明显，分别提高10.70%,11.12%，利用这一特性后续可以采用V2G[27-30]等有序充电控制技术，将电动汽车作为一个独立的储能单元与电网进行有效的交互调度,在满足用户充电需求的前提下,提高发电设备在夜间的利用率，实现削峰填谷,保证电网的安全稳定运行。负荷峰谷差由原来的366.99MW提高至383.70MW（工作日）、377.10MW（休息日）分别提高4.55%,2.75%。而负荷的波动情况一般用方差来表示，负荷方差分别提高9.62%（工作日），7.94%（休息日），也表明电动汽车的引入加剧了电网的不稳定波动。

文中将各类型电动汽车的开始充电时间以及充电电量通过Matlab进行拟合处理，筛选B2>0.95的函数，其中疋表示复相关系数，其越接近1,表示拟合效果越好。发现除了私家车在工作日与休息日，开始充电时间的概率密度函数用高阶傅里叶函数（如式6）拟合效果较好以外,其余均通过一阶或多阶高斯分布函数（如式7）完成拟合。同时采用*小二乘法估计公式的各项参数，结果如表6与表7所示，其中％表示开始充电时间或是充电电量,/（%）表示与之对应的概率密度。通过对充电行为进行函数拟合，旨在得到一种更加普遍且实际的概率模型,为今后的研究提供帮助。

4、安科瑞充电桩收费运营云平台

4.1概述

AcrelCloud-9000安科瑞充电柱收费运营云平台系统通过物联网技术对接入系统的电动电动自行车充电站以及各个充电整法行不间断地数据采集和监控，实时监控充电桩运行状态，进行充电服务、支付管理，交易结算，资要管理、电能管理，明细查询等。同时对充电机过温保护、漏电、充电机输入/输出过压，欠压，绝缘低各类故障进行预警；充电桩支持以太网、4G或WIFI等方式接入互联网，用户通过微信、支付宝，云闪付扫码充电。

4.2应用场所

适用于民用建筑、一般工业建筑、居住小区、实业单位、商业综合体、学校、园区等充电桩模式的充电基础设施设计。

4.3系统结构

4.3.1系统分为四层：

1）即数据采集层、网络传输层、数据中心层和客户端层。

2）数据采集层：包括电瓶车智能充电桩通讯协议为标准modbus-rtu。电瓶车智能充电桩用于采集充电回路的电力参数，并进行电能计量和保护。

3）网络传输层：通过4G网络将数据上传至搭建好的数据库服务器。

4）数据中心层：包含应用服务器和数据服务器，应用服务器部署数据采集服务、WEB网站，数据服务器部署实时数据库、历史数据库、基础数据库。

5）应客户端层：系统管理员可在浏览器中访问电瓶车充电桩收费平台。终端充电用户通过刷卡扫码的方式启动充电。

小区充电平台功能主要涵盖充电设施智能化大屏、实时监控、交易管理、故障管理、统计分析、基础数据管理等功能，同时为运维人员提供运维APP，充电用户提供充电小程序。

4.4安科瑞充电桩云平台系统功能

4.4.1智能化大屏

智能化大屏展示站点分布情况，对设备状态、设备使用率、充电次数、充电时长、充电金额、充电度数、充电桩故障等进行统计显示，同时可查看每个站点的站点信息、充电桩列表、充电记录、收益、能耗、故障记录等。统一管理小区充电桩，查看设备使用率，合理分配资源。

4.4.2.实时监控

实时监视充电设施运行状况，主要包括充电桩运行状态、回路状态、充电过程中的充电电量、充电电压/电流，充电桩告警信息等。

4.4.3交易管理

平台管理人员可管理充电用户账户，对其进行账户进行充值、退款、冻结、注销等操作，可查看小区用户每日的充电交易详细信息。

4.4.4故障管理

设备自动上报故障信息，平台管理人员可通过平台查看故障信息并进行派发处理，同时运维人员可通过运维APP收取故障推送，运维人员在运维工作完成后将结果上报。充电用户也可通过充电小程序反馈现场问题。

4.4.5统计分析

通过系统平台，从充电站点、充电设施、、充电时间、充电方式等不同角度，查询充电交易统计信息、能耗统计信息等。

4.4.6基础数据管理

在系统平台建立运营商户，运营商可建立和管理其运营所需站点和充电设施，维护充电设施信息、价格策略、折扣、优惠活动，同时可管理在线卡用户充值、冻结和解绑。

4.4.7运维APP

面向运维人员使用，可以对站点和充电桩进行管理、能够进行故障闭环处理、查询流量卡使用情况、查询充电\充值情况，进行远程参数设置，同时可接收故障推送

4.4.8充电小程序

面向充电用户使用，可查看附近空闲设备，主要包含扫码充电、账户充值，充电卡绑定、交易查询、故障申诉等功能。

4.5系统硬件配置

5、结束语

由于早期的研究缺乏实际数据的支持，对充电电量和充电功率的设定较为主观,降低了模型计算的精度，文章基于南方某市电动汽车充电的实际数据，对其进行筛选处理，得到不同类型电动汽车充电行为的分布规律，并将其充电行为数据拟合成函数形式。而后采用蒙特卡罗算法对三种类型电动车的充电负荷曲线进行了模拟计算，得到以下结论：

(1)电动汽车的大规模无序充电行为会进一步提高电网的峰值与峰谷差,导致峰上加峰现象的出现；

(2)电动出租车充电负荷占比较高，同时具有较大的随机性，未来具有较大的调度潜力，可以通过多种方式对其充电行为进行引导，进一步降低其充电行为对电网的影响。

参考文献

［1］秦建华,潘崇超,张璇,金泰，李天奇,王永真.基于充电行为分析的电动汽车充电负荷预测.

［2］孔顺飞，胡志坚，谢仕炜，等.考虑分布式储能与电动汽车充电网络的配电网多目标规划[J].电力科学与技术学报，2021,36(1)：106-116.

［3］蔡黎，张权文，代妮娜，等.规模化电动汽车接入主动配电网研究进展综述[J]•智慧电力，2021,49(6):75-82.

［4］孟宪珍，张艳，安琪，等.电动汽车接入充电对配电网电压波动的影响[J].电网与清洁能源,2021,37(2)：91-98

［5］安科瑞企业微电网设计与应用手册.2022.05版.

作者简介：魏健辉，女，安科瑞电气股份有限公司，从事电气相关物联网系统研发工作。