基于融合模型驅動和數據驅動的電動汽車充電負荷預測

李奕杰， 宋恒， 葉晨暉， 申慶祥

(1. 國電南瑞科技股份有限公司， 江蘇 南京 211106；2. 國網江蘇省電力有限公司泰州供電分公司， 江蘇 泰州 225300)

0 引言

近年來， 電動汽車應用作為能源產業結構調整和交通電氣化建設的新興解決方案， 得到了發展和普及[1]。 但隨著電動汽車用戶的激增， 電動汽車用戶的隨機駕駛行為和聚合充電行為不可避免地同時影響電網和交通網絡[2]。 電動汽車與交通系統和電力系統的相互作用成為新的挑戰和機遇[3－4]。

到目前為止， 電動汽車充電負荷預測從方法建模角度而言， 主要有基于模型驅動和基于數據驅動兩種類型的研究。 1) 基于模型驅動考慮交通路況， 從電動汽車與電網及交通之間能量和信息交互的角度， 分析掌握電動汽車行駛和充電模式的本質。 例如， 鎖軍[5]等提出一種考慮道路拓撲特性的電動汽車充電需求預測模型， 但未考慮環境溫度和速度因素對電動汽車電量消耗的影響。 張美霞[6]等提出了一種考慮環境溫度和車速的電動汽車充電需求預測模型， 采用起止點矩陣法分別獲得私家車和出租車出行的起訖點， 但影響起迄點(origin destination， OD) 分布的因素很多， 非路段交通量因素所能包容， 離實用階段尚有很大距離。2) 基于數據驅動意味著采用回歸分析、 神經網絡分析、 深度學習等人工智能算法， 實現基于歷史數據的短期預測或基于趨勢的長期預測， 例如， Liu Dunnan[7]提出一種基于反向傳播神經網絡的電動汽車負荷預測方法， 吳丹[8]等提出一種基于極端梯度提升與輕量級梯度提升機融合的電動汽車充電負荷預測模型。

模型驅動的電動汽車充電負荷預測方法需要假定大量模型參數以表達復雜的充電行為， 數據驅動的預測方法需要大量多源異構數據支撐訓練學習，二者均具有各自的局限性[9]。 為解決上述問題，本文提出融合模型驅動與數據驅動各自優勢的充電需求預測模型， 充分考慮道路交通的拓撲特性和環境溫度等因素的同時， 采用雙向長短期記憶遞歸神經網絡算法對用戶出行時間和空間相對規律挖掘分析， 精準構建電動汽車充放電負荷預測模型。

1 交通路網仿真模型

電動汽車行駛軌跡數據是離散的、 不連續的和廣泛分布的。 因此， 交通規劃理論的地理網格建模方法是集中和處理這些軌跡數據的有效方法[10]。結合住宅區、 商業區、 工業區的分布， 建立如圖1所示的路網－配電網－車網交互模型。

圖1 配電網－交通網－車網交互模型

1.1 動態交通路網建模

所建立的交通路網模型共有32 個交通節點、53 條道路， 進一步使用圖論的方法來進行相應的路網拓撲結構建模， 建立的模型如圖2 所示。

圖2 交通路網拓撲結構

式中，Cu為所選交通網格編號的集合；V為各交通路口的集合；E為各條道路的集合；K為劃分的各個時間段k集合；W為各條道路通行代價， 描述為道路路阻；G為交通路網。

本文研究內容針對城市交通路網， 如圖3所示。

圖3 城市道路路阻示意圖

在城市交通路網中， 電動汽車的出行代價(耗電量) 主要受到道路長度、 道路車流量和交通路口信號燈的影響， 因此引入時間－流量模型[11]對動態交通路網建模。 城市道路路阻可表示為:

式中，C(t，vij) 為節點路阻模型；R(t，vij) 為路段路阻模型。

1) 路段路阻模型

式中， 飽和度S是唯一變量， 代表道路的擁堵程度； 路阻影響因子α、β為道路規劃固定參數。

2) 節點路阻模型

式中，c為信號周期；λ為綠信比；q為路段車輛到達率。

1.2 考慮路網實時車流量統計的速度－流量實用模型

電動汽車的行駛速度會直接影響單位里程的耗電量， 并進而影響其充電需求[12]。 因此， 構建一種基于路網實時車流量統計的速度－流量實用模型。 該模型可以描述t時刻車輛行駛于道路R(i，j) 時的車速vij(t)。

式中，vij，m(t) 代表道路零流速度；Cij表示最大通行能力；qij(t) 表示t時刻車流量，qij(t)/Cij為飽和度；β為經驗系數；a、b、n為不同道路等級下的自適應系數。

1.3 考慮環境溫度和速度的電動汽車電量消耗模型

電動汽車的單位里程耗電量受到諸多因素的影響， 包括行駛速度和環境溫度等， 環境溫度變化會導致車內空調設備附加電量消耗。 此外， 車速下降也會增加電動汽車的實時耗電量[13]。 因此構建了考慮環境溫度和速度的電動汽車實時電量消耗模型。

式中， 當環境溫度為Tp時， 車輛以速度vij行駛距離為S時空調所消耗的電量為KT；E為不同車速下的實時單位里程耗電量；FT為單位里程耗電量；Tmin為空調制熱溫度下限；Tmax為空調制冷溫度上限；WL和WR為空調的制冷和制熱功率。

2 電動汽車駕駛和充電行為建模架構

電動汽車一般分為三種類型: 通勤私家車、 出租車、 公交車。 由于公交車有固定的發車班次， 行駛路線不會受到駕駛員主觀因素的影響而改變， 且充電時間較為固定， 所以本研究主要考慮通勤私家車、 出租車兩種類型。

2.1 基于神經網絡算法的電動汽車起訖矩陣預測

為了獲得電動汽車的流動模式， 電動汽車充電需求負荷預測在線平臺需要提前預測從一個地區到另一個地區的汽車數量， 將此問題表述為OD 起訖矩陣預測問題。 而一般研究都假設出發地為住宅區或通過OD 矩陣反推得到電動汽車OD 起訖矩陣，但由于影響OD 分布的因素很多， 非路段交通量因素所能包容， 故離實用階段尚有很大距離， 并沒有很好地解決這一問題。 為此， 引入能夠考慮更多影響OD 分布因素的神經網絡模型預測電動汽車的起訖矩陣[14－15]。 通過考慮日類型與天氣等多種因素，使用雙向長短期記憶遞歸神經網絡算法對出行數據挖掘分析， 預測電動汽車的出行時間和空間相對規律， 圖4 為交通網格劃分與雙向長短期記憶遞歸神經網絡預測OD 矩陣結果的示意圖。

圖4 交通網格和OD 矩陣示例

以15 min 為一個預測尺度單位， 一天采取96個點進行預測， 始發地為C1、 目的地為C9的24 h電動汽車預測圖如圖5 所示。

圖5 C1 到C9 的雙向LSTM 預測結果

雙向LSTM 預測次日起訖矩陣結果表明， 居民區C1到工業區C9的預測集中分布在06:30—09:00的時間段。

2.2 電動汽車路徑規劃

私家車和出租車駕駛行為會受到路段長度、 行駛速度、 通行時間、 耗油量等權值的影響[16]。 本文基于路段道路出行代價， 使用動態Dijkstra 算法以最小出行代價為目標對電動汽車的駕駛路徑進行規劃。 圖6 為采用動態Dijkstra 算法規劃網格C1至網格C9的不同時間段的車輛行駛路徑。

圖6 網格C1 至網格C9 的車輛行駛路徑

2.3 電動汽車充電特性

EV 初始時刻荷電狀態(SOC) 服從正態分布[17]。 不同類型電動汽車電池容量服從伽馬分布[18]， 二者結合即可得到初始時刻電量Q0(i)。

在該模型中， 當SOC 小于電池容量的0.2 時則視為電動汽車有充電需求， 該用戶執行充電操作。 考慮到防止電池過充導致的電池損耗問題， 設置當充至電池容量的0.9 時充電結束， 則t時刻電量Qt(i) 和充電持續時間Tc為:

式中，η為能耗系數；Ec表示每公里耗電量；Qt－1(i)為t－1 時刻的剩余電量； Δl為t－1 到t時刻第i輛車所行駛的距離；Pc為充電樁充電功率；ηc為充電樁充電效率， 取值為0.8~0.9。

設置快充、 慢充兩個功率， 通過分析充電用戶考慮每日里程、 出發/返回時間等不確定行為， 為電動汽車分配快速和慢速充電負載。 私家車主要用于工作通勤， 主要在居住地和工作單位往返一次，停車時間較長且停車地點固定， 充電方式主要為目的地慢充。 出租車車輛出行時間和起訖點隨機性較大， 行駛路線不固定且出行次數較多， 充電方式為前往充電站快充。 慢充功率設置為12 kW， 快充功率設置為45 kW。

若車輛到達各充電站過程服從泊松分布[19]，以單位時間前往充電站充電的用戶數作為參數l，則用戶排隊等待時間Wq為:

式中，c為充電樁數量， 本文設置為10；μ為充電樁單位時間可完成充電的車輛數， 設置為2；ρ為充電樁服務強度；Ls為排隊隊長。

3 算例分析

在交通路網仿真模型與電動汽車駕駛和充電行為建模的基礎上， 開展電動汽車充電需求時空分布特征預測。 圖7 為根據一定空間尺度， 將所選的交通平面按住宅區、 商業區、 工業區劃分為不同的地理網格作為子區域。 仿真時間設置為24 h， 各節點配電網充電需求時空分布如圖8 所示。

圖7 測試區域路網拓撲示意圖

圖8 配電網充電需求時空分布

由圖8 可知， 該配電網－交通網－車網融合模型的總體充電需求時空分布特征， 用戶充電時間集中在09:00—13:00 和17:00—18:00 時段， 時間分布上呈現與充電需求相一致的“雙高峰” 類型，10、 15、 16、 23、 31 等節點的充電需求較大， 居民區節點的充電需求高于商業區和工業區， 充電需求空間分布不均勻， 表現出較大充電需求的配電網節點主要集中在居民區和商業區附近。

圖9 為該模型24 h 不同時段下電動汽車充電總需求， 可知該模型下的充電最高峰大致分布在09:00—10:00。

圖9 24 h 該區域電動汽車充電需求

針對該充電需求時空分布特征預測模型， 通過對比分析不同配電網節點的充電需求， 可為各配電網節點制定電網功率調度策略提供重要信息， 并進一步分析充電負荷對電網的影響， 對電力系統負荷調度或充電站預設等研究具有重要意義。

為了更直觀地分析各功能區域的充電負荷規律， 圖10—11 給出了不同車輛類型即通勤私家車與出租車的負荷需求分布。

圖10 通勤私家車充電需求

由圖10 (a) 可知， 通勤私家車充電負荷高峰時段跨度較廣， 主要集中在15:00—19:30 時段，最高峰充電需求時段為18:00—19:00； 由圖11(a) 可知， 出租車的充電時間分布呈現與居民基礎用電負荷相仿的“雙高峰” 形式， 充電負荷時空分布特征符合居民出行規律。 試驗結果分析表明， 充電需求時空分布預測與實際情況相一致， 驗證了所提負荷預測方法的有效性。

圖11 出租車充電需求

最后， 為了應對電動汽車規?；l展的需求，圖12 和圖13 給出了24 h 不同交通節點的電壓變化情況和在19:37 時間斷面下不同EV 滲透率的節點電壓分布情況。

圖12 交通節點電壓

圖13 不同滲透率下交通節點電壓

由圖12 可知， 各節點電壓情況將受到電動汽車充電負荷大小的影響， 由圖13 可知， 隨著EV滲透率的增加， 節點電壓發生跌落。 當電動汽車充電規模進一步擴大時， 節點電壓隨著滲透率的增加可能跌落到節點安全電壓閾值以下。

4 結語

本文基于神經網絡和動態交通信息， 充分考慮道路交通的拓撲特性模擬實際道路上的行駛行為，通過對出行數據挖掘分析電動汽車充放電的出行時間和空間相對規律， 精準構建電動汽車充放電負荷預測模型， 提出一種融合模型驅動和數據驅動的電動汽車充電負荷時空預測方法， 通過算例仿真， 得到如下結論。

1) 動態交通模型充分考慮道路交通的拓撲特性和環境溫度等因素， 引入路網實時車流量統計的速度－流量實用模型， 精準模擬城市路網特性。

2) 通過采用雙向長短期記憶遞歸神經網絡算法對用戶出行時間和空間相對規律挖掘分析， 使用動態Dijkstra 算法以最小出行代價為目標對電動汽車的駕駛路徑進行規劃， 實驗結果分析表明， 充電需求時空分布預測與實際情況相一致。

本文限于篇幅只研究了充電需求時空分布特征， 在接下來的研究中可以融合影響電動汽車充電行為的因素， 考慮影響駕駛用戶充電決策的心理因素， 搭建不同場景對充電負荷時空分布的影響， 并對試驗結果進一步分析， 為評估電動汽車充電負荷對電網影響和電動汽車充電控制策略與充電站擴容、 選址等研究提供參考。