含電動汽車和光伏的配電網空間負荷預測?

劉理峰 朱江峰 王 冰 劉維揚 孫 洲

（1.國網紹興供電公司 紹興 312000）（2.南京寬塔信息技術有限公司 南京 211100）

1 引言

隨著經濟的不斷發展，其在電力方面的表現為用電量不斷增加，大量分布式電源和電動汽車接入配電側電力結構中，給配電網空間負荷預測（Spa?tial Load Forecasting，SLF）帶來嚴峻的挑戰［1］。

隨著科技的不斷發展以及人們對環保的關注度不斷提高，電動汽車迅速發展，城市電動汽車數量正逐年增多，同時，由于國家政策的大力支持，電動汽車數量未來將進一步增多。除此之外，隨著城市的發展，光伏作為分布式電源中較常見的一種，能與住宅、商業建筑和工業園區等建筑設施結合起來，對該地電能需求進行靈活的補充［2］。因此，大規模電動汽車和光伏電源接入到電網中是未來的主要趨勢，其滲透率的不斷提高將對配電網源荷分布特性帶來影響。從時間上來看，電動汽車充電負荷的分布受電動汽車本身的續航里程和用戶充電習慣影響，而光伏電源的出力大小受安裝地的地理位置和氣候等影響；從空間上來看，電動汽車的充電負荷還受用戶出行的影響，不同的出行方式將導致充電負荷的差異，光伏電源出力大小在同一規劃區的不同位置也不會完全相同。所以，如何在電動汽車負荷時空隨機分布和光伏出力不確定的情況下，進行科學有效的配電網SLF需要深入研究。

以往對于配電網SLF的研究的方法主要包括用地仿真法［3］、負荷密度指標法［4］、智能算法［5］，目前的研究還采用交通出行矩陣［6］、停車生成率［7］等對電動汽車這一特殊的用電負荷進行深入研究和模擬，然后在此基礎上，考慮配電網SLF。關于光伏SLF的研究主要集中在研究其時序特性對并網規劃的影響［8］。文獻［9］充分考慮了電動汽車和光伏接入對原始配電網的影響，利用其原始數據，預測其未來的變化趨勢，并采用LS-SVM算法進行配電網SLF。文獻［10］對電動汽車停車需求進行了詳細的分析，再結合光伏的安裝結構，進行遠景年的配電網SLF。以上涉及的文獻都在空間上對配電網SLF進行了詳細的研究，但并沒有對其分別的影響因素進行深入的挖掘，也很少從時間的角度考慮預測問題。

綜上所述，本文在上述傳統的配電網SLF的基礎上，對電動汽車的運行特性進行深入的挖掘和對光伏電源出力的影響因素進行更詳細的分析，充分考慮其時間和空間雙重維度的分布特性。然后結合電動汽車的運行特性和光伏出力影響因素，以某待規劃區為例，預測出該規劃區的電力負荷曲線，對本文提出方法的科學性和有效性進行驗證。

2 配電網SLF框架

由于電動汽車充電負荷、光伏出力與基本電力負荷相互間的關聯度不高，因而可以對電動汽車和光伏電源分別建模，預測其時空分布情況。本文首先對光伏出力情況進行分析，建立包括空間處理配比和出力時序性預測的模型，并采用層次分析法確定影響其出力的具體指標根據影響大小進行權重分配，并采用模糊綜合評價法確定具體的指標集，將其得到的指標結合LS-SVM模型的預測結果進行計算，得到最終待規劃區域各規劃區內光伏出力大小。而對電動汽車充電負荷時空分布的研究的主要方法為時空概率轉移矩陣結合蒙特卡洛法進行預測。最后，將上述兩個步驟分別得到的光伏出力與電動汽車負荷的結果，疊加上該待規劃區內的基礎電力負荷，即可求得最終該規劃區的整體的負荷時空分布數據。配電網SLF具體流程與框架如圖1所示。

圖1 配電網SLF框架

3 光伏出力配比模型

該待規劃區內光伏電源的安裝形式以屋頂光伏為主，因而安裝地的地理位置以及建筑類型等因素會很大程度上影響其具體出力，所以需先對影響光伏處理的主要因素進行詳細討論與劃分，再采用層次分析法，根據不同因素對其出力的影響程度，確定權重值大小，然后根據模糊評價指標對上述因素進行綜合評價，得到影響光伏出力指標的綜合配比。

3.1 評價因素的劃分

由于光伏出力受建筑影響，因為先將待規劃區根據用地類型劃分為居民區、商業區和工業區，選取如表1所示的7類印象因素建立評價集U={u1，u2，u3，u4，u5，u6，u7}。

表1 評價因素集

為確定不同規劃區域光伏出力的大小，構建配比評語集V={v1，v2，v3}，當規劃區域光伏占比越大，則對應的評語越高。如表2所示。

表2 評語集

3.2 建立隸屬函數

評語集會因為光伏出力占比而有不同配比，所以為了評判不同評價指標的優劣情況，需先將各個因素利用隸屬度函數進行統一。

1）屋頂可利用率隸屬度分析

由于無論哪種用地類型的規劃區域，光伏電池板主要被安裝在屋頂，但并不是所有的屋頂都適合安裝光伏，所以屋頂可利用率是評價光伏出力的一重要因素。目前建筑物的屋頂基本可分為兩種形式，一種是平頂，一種是斜頂。由于東/北傾斜的屋頂并不適宜安裝［11］，除了屋頂的傾斜方位需要被仔細考慮之外，屋頂安裝太陽能、空調外機或者存在遮陽棚等情況的屋頂也不適宜安裝。故選擇升半正態的隸屬度函數，越高的隸屬度意味著越高的重要性。

2）白天基礎電力負荷密度

該指標用于衡量該用地類型白天電力負荷的消耗情況，密度越高說明該區域對電力需求越大，此時，可采用光伏出力都該區域進行電能的補充，緩解電網供電的壓力。采用升半正態隸屬度函數：

3）高層建筑占比

規劃區內高層建筑過多并不利于光伏的安裝與發展，光伏電池板安裝的位置越高，其單位面積承受的風載荷越大，安裝與維護的成本相較于安裝于較低位置的電池板會更高［12］。因而對高層建筑占比這一因素選取降半正態隸屬度函數表示：

4）光伏上網電價

用戶的用電情況在一定程度上會受電價的指引，較高的電價會相應地迫使用戶主動選擇更為清潔環保的光伏能源，但若電價設定過高也不利于用戶的積極性，反而阻礙了光伏的普及，因而選取半正態函數表示光伏上網電價指標。

5）光伏財政補貼

與電價相同，財政補貼也有助于提高用戶使用光伏的積極性，但同樣，過高的補貼也不利于其發展，所以選取升半柯西分布表示財政補貼因素。

6）熱島效應

光伏屬于清潔能源的一種，光伏的普及有助于清潔能源利用率的提升，減少用戶吸納電網由傳統化石能源發電所產生的電能，減少熱島效應。熱島效應帶來的溫度差也在一定程度上影響著太陽能電池板的出力，因為溫度越高，光伏出力也隨之增加［13］，選取升一次函數作為熱島效應的隸屬度函數。

7）交通流量等級

越發達的地區交通流量等級越高，屋頂光伏的普及率越高，選取降一次函數（1～10等級）表示交通流量等級的隸屬度函數。

根據因素指標及其評語集的隸屬度函數可生成隸屬度函數矩陣R。矩陣中，H表示住宅區的隸屬度、B表示商業區的隸屬度、I表示工業區的隸屬度。

3.3 確定各因素指標權重

為直接的表示各個因素之間的關系，引入矩陣判斷標度的概念，用來表征兩兩因素之間的關系，標度值越大，意味著這兩個因素間的重要程度差別越大。矩陣判斷標度如表3所示。

表3 矩陣判斷標度

根據矩陣判斷標度表構建如表4所示的判斷矩陣，其中灰色表示對應對角值的倒數。

表4 各因素指標判斷矩陣

根據判斷標度矩陣，采用層次分析法可計算出各因素指標之間的權重E。

3.4 模糊綜合評價

為使得所求的的權重E大小更符合區域實際情況，采取加權平均型模糊合成算子進行歸一化處理，得到總評價集B：

圖2 各因素指標權重

其中，Bk為第k個規劃區配比；El為第l個因素指標所占權重；Rl，k為第l個因素指標對第k個規劃區的評價隸屬度。

4 光伏時間出力預測模型

4.1 建立LS-SVM預測模型

1）選取和處理訓練樣本

光伏出力大小受地理位置和氣候等影響較大，究其根本，是受季節和天氣情況的影響，為保證預測結果的準確可靠，選取某一季節中某一天的數據作為樣本，具體數據包括這一天的最高、最低和平均氣溫、濕度情況的變化以及光伏的具體出力情況。具體數據的選取包括以下三類。

（1）前一天的樣本日同一預測點負荷、平均濕度、最高溫度、最低溫度、平均溫度。選取的樣本日前兩天最高、最低和平均氣溫、濕度情況以及光伏的具體出力情況。

（2）選取的樣本日前一天最高、最低和平均氣溫、濕度情況以及光伏的具體出力情況。

（3）樣本日的最高、最低和平均氣溫、濕度情況以及光伏的具體出力情況。

歸一化處理溫度、濕度數據，對數歸一化處理處理負荷數據。

2）確定核函數

為處理輸入與輸出之間的非線性關系，采用參數簡單且準確性較好的徑向基函數，采用非線性變換的方法將數據變化到高維空間，其回歸模型的核函數如下所示：

其中，x是輸入向量；xi是徑向基函數的中心；?為核寬度；‖x-xi‖是向量x-xi的范數。

3）確定模型參數

傳統粒子群算法是基于鳥類覓食原理提出的智能優化算法，該算法思想簡單、易實現且精度較高，但容易陷入局部最優。為解決這一問題，本文引入正則化參數γ和徑向基核函數寬度?這兩個LS-SVM建模過程中的重要指標，來優化粒子群算法，提高預測精度。用平均百分比誤差作為目標函數：

其中，Tpv為總時段數；Wt、分別為實測和預測的出力值。

4.2 光伏時間出力預測流程

根據LS-SVM預測模型，得到整體的光伏時間出力預測流程如圖3所示。

圖3 光伏出力預測流程

5 電動汽車充電負荷SLF模型

5.1 時空轉移分布

電動汽車負荷被定義為可控負荷，其與傳統負荷的不同之處在于時間和空間上的不確定性。電動汽車的負荷轉移是離散的隨機過程，本文采用馬爾科夫鏈來表征電動汽車充電負荷的概率特性［14］。

電動汽車的出行由用戶主導，受用戶主觀意愿的控制，一段出行過程可以分為起點，停靠點和目的地。由于上文將帶規劃區域劃分為居民區、商業區和工業區，因而，任一時刻電動汽車只會有四種狀態，分別為停在居民區、商業區或工業區和在路上。將不同狀態間的轉移概率定義為，j∈{H，B，I，D}如圖4所示。H、B、I、D分別表示住宅區、商業區、工業區和行駛狀態，ij表示由i→j的狀態轉移。

圖4 電動汽車時空轉移分布

電動汽車狀態轉移概率矩陣Pt

t

rans為

狀態間的連續由電動汽車出行目的地表示，所以=0，每行概率和為1。

5.2 負荷預測方法

1）出行概率數據

電動汽車出行起始時間、結束出行時間等參考文獻［15］中的統計數據，午夜12時，電動汽車的狀態為89%停在H，4%停在B，2%停在I，5%處于運行中。其余一天之內，電動汽車的具體狀態可參考文獻［15］。

2）行駛距離

根據2017年全美家庭出行調查［16］統計結果，私家車日行駛里程近似服從對數正態分布。為降低計算復雜度同時保證數據的準確性，以15min為一個預測時段，因而行駛里程概率密度函數為

其中，dΔ為行駛里程；μD為日平均行駛里程，取μD=3.7 km；σD=0.9。

3）設置充電決策

本文考慮的電動汽車以私家車為主，故一天一充基本可以滿足用戶的出行需求。從用戶的充電行為規律和保護電池的角度出發，當電池SOC（state of charge，SOC）低于20%時需充電，可將其用如下數學表達式描述：

其中，Sini為初始SOC值；dΔ(t)為行駛里程；Tch為充電時長；Dmax為最大行駛里程。

除此之外，電動汽車充電還應滿足如下條件：

其中，S(t)為出行結束時的SOC；pch為充電功率；Δt=15min；B為電池容量；Sexp為期望SOC值。

5.3 電動汽車負荷預測流程

本文采用結合時空轉移分布的蒙特卡洛方法進行充電負荷預測，具體流程圖如圖5所示。

圖5 電動汽車充電負荷預測流程

6 算例分析

6.1 算例數據

將待規劃區域按照用地類型劃分為居民區、商業區和工業區，具體情況如下。

1）待規劃區因素指標取值如表5所示。

2）以工業區夏季晴天的歷史數據為LS-SVM的歷史訓練樣本［17］。

3）據調研可知，該區域內私家車約為10萬輛，滲透率為5%，具體參數設置如表6所示［18］。并假設電動汽車住宅區初始時刻的SOC情況為90%，工商業區SOC取值為70%，居民區充電樁以慢充為主，其他區域的充電樁以快充為主，充電功率、電池容量的參數假設為一致。

表5 各規劃區因素指標實際數據

表6 電動汽車相關參數

6.2 光伏空間出力配比結果

將表5中的數據轉化為隸屬度矩陣

根據式（9）可計算出總評價集B=[0.2019 0.3338 0.4643]，所以住宅區光伏出力配比為0.2019、商業區光伏出力配比為0.3338和工業區光伏出力配比為0.4643。

6.3 配電網空間負荷預測結果

工業區夏季晴天光伏出力情況如圖6所示。

如圖6所示，影響光伏處理最主要的因素為光照強度和溫度，所以光伏電源只能白天出力，且在正午時達到其出力的最大值。圖中實線表示該區域光伏出力的真實值，虛線為預測值大小，對比曲線可以清晰看出，本文的預測方法整體精度較高，預測誤差較小，約為6.6%。

圖6 工業區夏季晴天光伏出力

將預測得到的該待規劃區內不同區域的電動汽車充電負荷、光伏出力情況和原始用電負荷進行疊加分析，即可得到待規劃區配電網SLF的結果。

圖7 配電網SLF結果

對比居民區、商業區和工業區配電網SLF的結果，可得到如下結論。

1）住宅區的光伏出力最小而工業區光伏出力最大。但無論是哪一用地類型，光伏的接入都一定程度上緩解了電網的供電壓力，保證了配電網系統的安全可靠運行。

2）電動汽車充電負荷由于收到用戶出行規律的影響，不同區域的充電負荷呈現不同的規律。住宅區的充電負荷的峰值集中在傍晚下班后，這是由于電動汽車用戶習慣于下班回家后立即充電，但從圖中可以看出，基礎用電負荷的峰值也出現在這一時刻，因而電動汽車的接入拉大了電網峰谷差，增加了電網供電負擔；工業區和商業區的充電負荷集中在白天，此時，光伏出力較大，能對電動汽車充電負荷進行很好的補充，保證供電質量，縮小負荷峰谷差。

綜上所述，電動汽車和光伏的接入使得配電網的空間負荷較原本僅有基礎負荷的情況存在較大差異，電動汽車的接入拉大了負荷峰谷差，而光伏的接入又在一定程度上對配電網電能進行補充，縮小了峰谷差。

7 結語

1）對影響光伏出力的各項因素進行深入的分析，并根據層次分析法和模糊評價法確定每個要素的隸屬度函數，表征其對光伏出力的影響，為后續計算提供保障。

2）建立光伏出力預測模型，并選取工業區夏季晴天的歷史數據為樣本，精確預測了光伏出力的結果，確定預測誤差。

3）根據馬爾科夫鏈得到電動汽車時空轉移概率數據，并結合蒙特卡洛算法，預測得到待規劃區域內不同的用地類型下的具體充電負荷數據。

4）在上述結果的基礎上，結合基本用電數據疊加得到配電網SLF結果，為后續主動配電網進行科學合理的擴展規劃提供參考。

本文主要選取工業區夏季晴天的數據為歷史樣本數據，在后續的研究過程中，可對影響因素進行更細致的分類、同時考慮更多的樣本數據進行預測，可為主動配電網規劃提供更高的參考價值。