安科瑞 陈聪
摘录:当今电动汽车充电桩( EVCP)盘算推算经常针对区县级较大区域开展,然则对园区级区域进行EVCP盘算推算更成心于提高投资者的积极性和附进电动汽车(EV)用户的体验。以车流量较大的大型泊车区域为盘考对象,通过调研获取区域内EV的电板容量、停放情况、电量散布以及充电意愿等统计数据,并基于这些数据应用蒙特卡洛法得出区域内EV充电负荷的时域散布。依据区域内的电网信息以及EV的充电负荷散布,给出以投资本钱电网网损及用户舒坦度笼统*优为目的的EVCP盘算推算想象设施。终末以某机场远端大型泊车场为算例,考证了所提园区级EVCP盘算推算设施的灵验性,该设施相较于传统EVCP的盘算推算设施愈加经济合理。
关节词:电动汽车;充电桩盘算推算;充电负荷揣度;多目的优化
一、小引
现时化石能源日渐匮乏,环境约束问题愈发严重,当作燃油汽车的升级替代家具,电动汽车(Electric Vehicle,EV)的保有量往时会保抓快速飞腾的趋势。在此配景下,EV发展与充电桩(Electric Vehicle Charging Piles,EVCP)盘算推算竖立的不匹配问题日益突显。
伸开剩余95%在EVCP 的盘算推算想象经由中,中枢问题是揣度EV的充电需求即充电负荷,一般通过分析盘算推算区域中说念路交通网架、EV的出行国法及用户充电民风等身分计较得出。基于地块功能和地舆属性将区域诀别为住宅区、办公区、旅游区、营业区和素质区5类,并笼统不同区域的车流通达度情况完成 EV 充电负荷的揣度。通过分析不同类型汽车在具体场景下的泊车国法,并摄取蒙特卡洺算法模拟车主驾驶、停放和充电活动揣度出区域内EV 充电负荷的时空散布特色。依据交通路网拓扑和出行数据模拟 EV 的行驶特色,并完成 E充电需求的时空散布揣度。基于住户出行数据构建不同复杂度的出行链模子,并使用最短旅途算法选拔行驶旅途来完成EV 充电需求的揣度。凭证充电站的现场骨子统计数据,欺骗泊松散布、轮盘选拔和均匀散布对EV运转充电的荷电量(State of Charge,SOc)和充电次数进行分析,建立了 EV 充电站的负荷揣度模子。摄取大数据和机器学习本事对 EV 充电站的实时数据进行评估,建议一种基于数据流的流式逻辑回来模子,充电站运营商不错凭证这些数据开展优化盘算推算。通过“滴滴绽放数据平台"请求得到某城市区域在一段时期内的出行订单及 GPS 定位数据,在对 EV 行驶轨迹大数据集进行清洗与挖掘后,基于动态能耗表面构建了 EV 充电需求的时空散布预估模子。
二、EV的充电需求揣度
2.1 泊车区域 EV 充电负荷的影响身分分析
大型泊车区域中 EVCP 的类型和位置与泊车位类型及散布情况密切关系。不同类型和用途的EV具有不同的电板容量、停放口头和充电意愿,这些身分会影响电动汽车的充电需求,因此需要通过调研统计来获取这些基础数据。
当先对EV 的电板容量进行调研,得到泊车区域内3类车型对应的电板容量如图1所示。
图1 不同类型 EV的电板容量
图1中列出了3类车型的5种常见电板容量,盘算推算计较时将收用平均值,社会车辆、出租车、大巴车的电板平均容量分别为80 kwh,50 kwh和 180 kwh。
然后通过现场调研和统计,获取泊车区域内逐日不同时期段中不同类型 EV 的停放信息,如图 2所示。为了提高数据的准确性,图2中数据为多日的平均数据。
图2 不同类型EV的停放数据
接下来通过现场问卷拜访和查阅文件等样式，统计在1d当中不同类型 EV 的荷电情景,Soc散布变化情况,如图 3所示,
图3 不同类型EV的电量变化
终末获取泊车场中EV车主的充电意愿数据，即用户在 EV 电量剩余几许时进行充电的概率,通过实地问卷拜访和统计,获取E的充电意愿统计数据,如图4 所示。
图4 EV的充电意愿统计数据
EV 的充电时长T取决于电板容量、剩余电量充电桩功率的大小.
2.2 EV充电负荷的揣度
EV 的充电活动是具有一定例律的迅速事件摄取家特卡洛法(Monte Carlo,Mc)对具有不确定性实时序性的 EV 充电负荷进行模拟。MC所以概率当作基础的统计设施,也称为迅速抽样本事,模拟次数越多,收尾越切合骨子。
应用 MC 法揣度 EV 充电负荷的念念路是,当先基于统计得到的出行数据和充电信息,建立迅速经由的概率散布模子;然后按概率抽取通盘影响EV充电负荷的迅速变量,包含 EV 的停放时期、SOC散布以及充电意愿等,若发生充电活动则计较充电时长,得到每一辆 EV 的充电负荷弧线。终末将区域内通盘EV的充电负荷弧线在时期轴上重迭即可得到通盘这个词盘算推算区域内总的 EV 充电负荷的揣度弧线。
三、应用决策
图5 有序充电科罚系统走漏图
图6平台结构图
充电运营科罚平台是基于物联网和大数据本事的充电设施科罚系统，不错达成对充电桩的监控、调遣和科罚，提高充电桩的欺骗率和充电恶果，擢升用户的充电体验和劳动质地。用户不错通过APP或小设施提前预约充电，幸免在充电站列队恭候的情况，同期也能为充电站提供更准确的充电需求数据，便捷后续的调遣和科罚。通过平台可对充电桩的功率、电压、电流等参数进行实时监控，实时发现和处理充电桩故障和相称情况对充电桩的功率进行戒指和科罚，确保充电桩在合理的功率规模内充电，幸免对电网酿成过大的负荷。
四、安科瑞充电桩云平台具体的功能
平台除了对充电桩的监控外，还对充电站的光伏发电系统、储能系统以及供电系统进行网络监控和斡旋相助科罚，提高充电站的运行可靠性，镌汰运营本钱，平台系统架构如图7所示。
图7 充电桩运营科罚平台系统架构
大屏浮现：展示充电站开发统计、使用率排名、运营统计图表、节碳量统计等数据。
图8 大屏展示界面
站点监控：浮现开发实时情景、开发列表、开发日记、开发情景统计等功能。
图9 站点监控界面
开发监控：浮现开发实时信息、配套开发情景、开发实时弧线、关联订单信息、充电功率弧线等。
图10 开发监控界面
运营趋势统计：浮现运营信息查询、站点对比弧线、日月年报表、站点对比列表等功能。
图11 运营趋势界面
收益查询：提供收益汇总、骨子收益报表、收益变化弧线、支付样式占比等功能。
图12 收益查询界面
故障分析：提供故障汇总、故障情景饼图、故障趋势分析、故障类型饼图等功能。
图13 故障分析界面
订单纪录：提供实时/历史订单查询、订单阻隔、订单细目、订单导出、运营商应收信息、充电明细、来回活水查询、充值余额明细等功能。
图14 订单查询界面
五、家具选型
安科瑞为遍及用户提供慢充和快充两种充电样式，便携式、壁挂式、落地式等多种类型的充电桩，包含智能7kw/21kw疏浚充电桩，30kw直流充电桩，60kw/80kw/120kw/180kw直流一步地充电桩来餍足新能源汽车行业快速、经济、智能运营科罚的阛阓需求。达成对能源电板快速、高效、安全、合理的电量补给，同期为提高内行充电桩的恶果和实用性，具有有智能监测：充电桩智能戒指器对充电桩具备测量、戒指与保护的功能；智能计量：输出成就智能电能表，进行充电计量，具备完善的通讯功能；云平台：具备网络云平台的功能，不错达成实时监控，财务报表分析等等；汉典升级：具备完善的通讯功能，可汉典对开发软件进行升级；保护功能：具备防雷保护、过载保护、短路保护，走电保护和接地保护等功能；适配车型：餍足国标充电接口，适配通盘相宜国方针电动汽车，适合不同车型的不同功率。底下是具体家具的型号和本事参数。
家具图
称呼
本事参数
AEV200-AC007D
额定功率：7kW
输出电压：AV220V
充电枪：单枪
充电操作：扫码/刷卡
留意等第：IP65
通讯样式：4G、Wifi
装配样式：立柱式/壁挂式
AEV210-AC007D
额定功率：7kW
输出电压：AV220V
充电枪：单枪
东说念主机交互：3.5寸浮现屏
充电操作：扫码/刷卡
留意等第：IP54
通讯样式：4G、Wifi
装配样式：立柱式/壁挂式
AEV300-AC021D
额定功率：21kW
输出电压：AV220V
充电枪：单枪
东说念主机交互：3.5寸浮现屏
充电操作：扫码/刷卡
留意等第：IP54
通讯样式：4G、Wifi
装配样式：立柱式/壁挂式
AEV200-DC030D/
AEV200-DC040D
额定功率：30kW/40kW
输出电压：DC200V-750V
充电枪：单枪
东说念主机交互：7寸触摸屏
充电操作：扫码/刷卡
留意等第：IP54
通讯样式：以太网、4G（二选一）
AEV200-DC060D/
AEV200-DC080D
额定功率：60kW/80kW
输出电压：DC200V-1000V
充电枪：单枪
东说念主机交互：7寸触摸屏
充电操作：扫码/刷卡
留意等第：IP54
通讯样式：以太网、4G（二选一）
AEV200-DC060S/
AEV200-DC080S
额定功率：60kW/80kW
输出电压：DC200V-1000V
充电枪：双枪
东说念主机交互：7寸触摸屏
充电操作：扫码/刷卡
留意等第：IP54
通讯样式：以太网、4G（二选一）
AEV200-DC120S/
AEV200-DC180S
额定功率：120kW/180kW
输出电压：DC200V-1000V
充电枪：双枪
东说念主机交互：7寸触摸屏
充电操作：扫码/刷卡
留意等第：IP54
通讯样式：以太网、4G（二选一）
AEV200-DC240M4/
AEV200-DC480M8/
AEV200-DC720M12
额定功率：240kW/480kW/720kw
输出电压：DC150V-1000V
充电末端守旧:老例单双枪末端
留意等第:IP54
AEV200-DC250AD
最大输出：250A
1个充电接口；
守旧扫码、刷卡支付；
4G、以太网通讯（二选一）
AEV200-DC250AS
最大输出：250A
2个充电接口；
守旧扫码、刷卡支付；
4G、以太网通讯（二选一）
六、现场图片
七、论断
本文针对大型泊车区域给出了 EVCP 餍足多个目的的盘算推算优化想象设施。该盘算推算设施当先凭证泊车区域内 EV 的电板类型、各种EV的停放国法及 EV 用户的充电意愿等统计数据,揣度出区域内EV 充电负荷的时空散布。然后以EVCP的投资本钱、电网网损以及 EV 用户的舒坦度纠正PSO 在安全延续规模内得到 EVCP的*优盘算推算。该盘算推算设施相较于传统EVCP的盘算推算设施不仅愈加经济合理,何况对电网运行的影响较小,对骨子工程的EVCP 盘算推算具有引导作用。
参 考 文 献：
[1]邢强,陈中,冷钊莹,等,基于实时交通讯息的电动汽车旅途盘算推算和充电导航战略[J].中国电机工程学报,2020,40(2):534-550.
XING Qiang, CHEN Zhong, LENG Zhaoying, et al. Route planning and charging navigation strategy for electric vehicles based on real-time traffic information1[J]. Proceedings of the CSEE, 2020, 40(2):534-550.
[2]徐青山,蔡婷婷,刘瑜俊,等,筹商驾驶东说念主活动民风及出行链的电动汽车充电站站址盘算推算[J].电力系统自动化,2016,40(4):59-65,77.
XU Qingshan, CAl Tingting, LIU Yujun, et al.Location planning of charging staions for electric vehicles based on drivers behaviours and travel chain[J].Automation of Electric Power Systems , 2016, 40(4):59-65,77.
[3]张洪财,胡泽春,宋永华,等,筹商时空散布的电动汽车充电负荷揣度设施[J].电力系统自动化,2014,38(1):13-20.
ZHANG Hongcai, HU Zechun, SONG Yonghua,et al.Estimation method of electric vehicle charging load considering temporal and spatial distribution[J]. Automation of Electric Power Systems , 2014.38(1):13-20.
[4]邵尹池,穆云飞,余晓丹,等“车-路-网"口头下电动汽车充电负荷时空揣渡过甚对配电网潮水的影响[J].中国电机工程学报，2017,37(18):5207-5219,5519.
SHA0 Yinchi, MU Yunfei, YU Xiaodan, et al.A spatial-temporal charging load forecast and impact analysis method for distribution network using EVs-traffic-distribution model[J]. Proceedings ofthe CSEE,2017,37(18):5207-5219,5519.
[5]李含玉,杜兆斌,陈丽丹,等,基于出行模拟的电动汽车充电负荷揣度模子及 V2G评估[J].电力系统自动化,2019,43(21):88-96.
LI Hanyu , DU Zhaobin, CHEN Lidan, et al.The research of spatial-temporal charging load forecast modeling and V2G evaluation method of electric vehicles considering traffic network[J].Automation of Electric Power Systems ,2019,43(21):88-96.
[6]LEOU R C, SU C L,TENG J H. Modelling and verifying the load behaviour of electric vehicle charging stations based on field measurements[J].Generation Transmission & Distribution ET,2015,9(11):1112-1119.
[7] ZHU J,YANG Z, GUO Y,et al. Short-term load forecasting for electric vehicle charging stations based on deep learning approaches[J]. Applied Sciences ,2019,9(9): 1723.
[8]周椿奇,向月,童话,等.轨迹数据驱动的电动汽车充电需求及V2G 可调控容量揣摸[J].电力系统自动化,20222024欧洲杯官网入口,46(12):46-55.
ZHOU Chunqi, XIANG Yue, TONG Hua, et al.Trajectory- driven estimation of electric vehicle charging demand and vehicle-to-grid regulable capacity[J].Automation of Electric Power Systems,2022,46(12):46-55.
[9]姚志力,江斌开,龚春阳,等,计及电动汽车充电负荷特色的区域多能源站盘算推算想象[J].电网本事,2022,46(9):3304-3318.
YA0 Zhili, JlANG Binkai, GONG Chunyang, et al. Planning and design of regional multi-energy stations taking into account electric vehicle charging load characteristics[J]. Power System Technology,2022,46(9):3304-3318.
发布于：江苏省