不同类型电动汽车充电负荷蒙特卡洛法模拟

]。虽然无序充电充分保障了用户的便利性，但是在随机充电时候也给电动汽车并网带来了不少挑战，因此其也需要满足如下约束条件，如式3.1，式3.2所示。（3.1）（3.2）式中需要充电的时间不能超过车主预期的时间和开始充电时间之差，电动汽车充电电量要超过电动汽车最后一次返回时刻的。，但是不能够超过电动汽车电池容量。电动汽车充电负荷建模步骤如下：步骤一：明确电动车的保有数量和充电效率等关键数据；步骤二：借助公式2以及公式3，随机推算出电动车开始充电的具体时间，以及第二天出发的时间点；步骤三：依据电动车最后返回时刻电池电量所呈现的概率分布情况，以随机方式来确定电动车的初始充电状态；步骤四：依据电动车的使用概率密度函数来开展车型分布的生成工作，依靠这样的方式推算出电池的容量以及标准充电功率。；步骤五：通过公式6预测每辆电动车所需的充电时长；步骤六：在某个特定的时刻点，对电动车的充电总量进行计算，然后将计算得出的充电总量去乘以每一辆车的充电功率，以此得到在该时刻的总充电功率：（3.3）步骤七：某时刻电动汽车充电总负荷为，等于电动汽车充电总负荷与居民小区常规负荷之和，即：.（3.4）根据所构建的电动车充电负荷模型，同时参考MCM方法，绘制出了居民小区电动车无序充电的流程图，具体内容如图3.1所示。图3.1基于蒙特卡洛法模拟的电动汽车无序充电流程图开始的时候，先对核心参数做出预设，运用MCM方法去模拟各项参数的概率分布情况，之后从这些模拟结果当中提取出电动汽车的最后一次返程时间、初始充电电池数量以及电动汽车的类别，在确定了电动汽车的种类之后，推断出电池的存储容量以及标准充电的功率，依靠不断重复进行MCM操作，最终计算出居民社区随机充电负荷的平均值。基于蒙特卡洛法电动汽车受控充电模型构建展望今后的发展，居民社区里充电基础设施的建设会对电动汽车产业的发展起到推动作用，不过当下电动汽车的推广面临这样的状况，政策支持力度大但实际推广难度高，这是制约电动汽车发展的关键因素之一，我国在居民社区建设电动汽车充电设施方面还要加大力气，在未来几年里，要是社区电动汽车充电问题没有得到妥善解决，国家鼓励民众使用电动汽车的政策就难以有效落实。关于上述问题的成因，主要可以归结为以下三个方面:1、从前文可了解到，要是电动车辆在任意时段进行充电，那么就有可能致使电网基础负荷产生“叠加峰值”这种效应，造成电动车辆充电负荷超过配电变压器的承载能力，考虑到配电变压器分布范围十分广泛，采用扩容策略在实际操作方面会存在一定难度。2、居民小区的物业管理对电动汽车充电设施的投资态度并不积极，因为充电桩的初始投资成本很高，而依靠充电服务所产生的收益却比较微薄，再加上配电变压器容量有限制，物业还要承担小区电力品质下降的风险，由于缺乏国家财政支持，普及小区内电动汽车充电设施会面临诸多险阻。3、目前小区所采取的措施还不可契合用户的需求，而且用户每次充电所产生的费用也构成了一笔不算小的开支，这在多个方面降低了民众购买电动汽车的积极性。依靠深入的研讨可发现，电动车充电难题主要涉及电网稳定性遭遇的挑战、住宅区变压器承载力受限、物业运营者针对充电桩设置的资本投入，以及消费者购买电动车意愿的积极性等方面，为应对这些问题，需制定合理且高效的充电管理策略，用以指导居民在日常中养成合理的充电习惯。该策略实施重点包含三大核心要素：首要任务是转移电动车充电负荷，保证变压器承载不超荷，同时保证电力系统安全稳定运行;其次通过优化充电时段安排、结合峰谷电价差异，帮助用户选择经济实惠的充电时间，减少用户的充电费用;最后通过合理规划充电桩布局、优化运营管理模式，提高充电桩利用率，拓展盈利渠道，以此来提高运营商的收益，激发运营商的投资积极性。针对前面提到的问题，此次研究引入了调控充电的建模办法，构建了一个能和实际充电行为相匹配的电网模型，用来收集以及识别所需的电流信息，具体的计算步骤呈现在图3.2的流程图里面：图3.2基于蒙特卡洛法模拟的电动汽车受控充电流程图本章小结本章首先对蒙特卡洛法进行概况，并总结出蒙特卡罗模拟法对电动汽车充电负荷的概率密度函数的构建，与模型建成的步骤；其次，分布针对电动汽车无序充电和受控充电方式，绘制了模型构建的流程图，并分别总结了两种方式的实用性。不同充电方式的仿真分析借助MATLAB软件开展编程工作，达成了针对两种电动车充电策略，也就是随机充电和调控充电的负载模拟，同时剖析了这两种充电策略对于日常负载曲线所产生的作用。对某地区典型日的负载数据展开分析之后，绘制出了初始的日负载曲线，具体情况如图4.1所示，依据该曲线可发现，在一天的时间范围之内，存在两个负载高峰时段，其中一个出现在上午11点，另一个出现在晚上7点，并且还存在一个处于午夜时刻的负载低谷。总体来看，该原始日负荷曲线波动较大，在4时到11时极速上升，在20时到24时极速下降，可看出该市电动汽车充电大多数位于下午时期，从4时起电动汽车并入电网数量逐渐上升，对电网负荷波动影响逐渐增大，在11时和19时达到峰值，从20时起电动汽车并入电网数量逐渐下降，对电网负荷波动影响逐渐减少。可见该市人们的电动汽车充电习惯与作息习惯高度吻合，在凌晨需要休息的时间，电动汽车能够完成充电，既不耽误日常使用，也在一定程度上避开了用电高峰。图4.1原始负荷曲线

充电负荷曲线电动车的充电方式依据电池是否要与车身分离来划分，能分成整车充电以及电池更换这两种形式，当电动车需要进行充电补充操作时，充电器借助充电插头和车辆相连，不用把电池从车辆上卸下来，就能直接充电，直接充电方式还可以细分成标准充电与快速充电这两种，具体的分类情况如表4.1所示。表4.1整车充电模式充电模式额定电压额定电流充电时间常规充电220V16A8-10h 220/380V32A4-6h快速充电 600V300A10-15min各类电动汽车所有的运作特性以及它们的类型，共同决定了其各自会采用的充电方式，在不同的充电方式之下，接入电网的电动汽车数量以及这些车辆的充电负荷会呈现出差异，接下来分别呈现的是电动汽车的常规充电负荷曲线、快速充电负荷曲线以及更换电池充电负荷曲线。图4.2常规充电负荷曲线图4.3快速充电负荷曲线图4.4更换电池充电负荷曲线对比三种充电方式下的负荷仿真图像，可观察到，随着电动汽车数量增多，电网总体功率负荷同步上升，不过三种充电方式在电动汽车接入电网时造成的充电负荷各具特点。常规充电模式下，前一日20时到8时随着越来越多的电动汽车并入电网进行充电，充电负荷逐渐下降。6时到11时电动汽车并入电网的数量对充电负荷的影响并不大并处于低谷时期，这是因为此阶段大多数车辆仍处于充电状态。而9时到20时由于大多数用户开始进行活动，用电量上升，所以充电负荷也逐渐上升并在20时处于最高峰，又在20时到次日8时逐渐下降。由此可见，电动汽车常规充电时间大多数位于傍晚时期开始，由于常规充电时间需要8-10小时，所以通常常规充电时间位于凌晨结束。可见常规充电与电动汽车用户的日常出行习惯相同。快速充电模式下，电网负荷变化位于7时到11时，12时到16时和16时到24时三个时期。快速充电的突出特点在于充电速度快，耗时短，这使得电动汽车能够在较短的时间内完成点亮的补充。由此可见快速充电模式并入电网负荷变化时间不长，但功率变化量大，充电负荷功率高，但在短时间内大量电能的输入，必然会对电网造成较大的冲击。这种模式虽然可以在短时间内可以良好地完成对电动汽车的充电行为，但对电网的稳定性和承载能力提出了一定的要求。更换电池充电模式下，电动汽车并入电网负荷变化位于22时到次日10时，并在凌晨1时到3时位于最高峰时期。由此可见，更换电池充电模式大多数位于凌晨时期，在这一时间段，电网的整体用电负荷相对较低，选择此时进行更换电池充电，采用更换电池这种充电方式，可以有效错开和其他电动汽车的充电高峰时段，减少冲突情况发生，更换电池模式下充电时间比较长，且充电功率较大，若选择在夜间用电低谷期进行充电，可电网负荷实现均衡分配，提升电网运行效率。充电方式对日负荷曲线的影响三种彼此不同的电动车辆充电策略呈现出各自独特的性能特点，它们在电网负载的波动周期以及强度方面，反映出不一样的行为模式，这些充电策略针对电网负载所产生的冲击程度存在差异，对日常负载曲线所起的作用也不尽相同。图4.5所示为常规充电对日负荷曲线的影响；图4.6所示为快速充电对日负荷曲线的影响；图4.7所示为更换电池充电对日负荷曲线的影响。图4.5常规充电对日负荷曲线的影响图4.6快速充电对日负荷曲线的影响图4.7更换电池充电对日负荷曲线的影响分析这三种充电策略所对应的日负载曲线影响图，可发现，随着电动车辆保有量的增多，其接入电网之后对日负载曲线的影响逐渐加重。但三种不同充电模式下电动汽车并入电网的日负荷影响又有着不同之处。常规充电模式下，电动汽车数量对日负荷的影响并不大，但集中于12时到23时时期，而此时也是电动汽车常规充电时期，峰值也正处于19时。快速充电模式下，电动汽车并入电网的日负荷影响集中在于7时到12时，12时到16时，16时到24时三个区间，峰值出现在9时，14时和19时三个时刻，并在19处于最高峰时刻。其日负荷影响极大，出现大幅增大负荷峰谷差，并在19时达到最大值。更换电池充电模式下，22时到次日10时出现电动汽车并入电网日负荷变化，在此期间日负荷曲线不断波动，凌晨2时达到负荷峰值，在此期间的负荷峰谷差也较大。不同充电行为仿真及对日负荷曲线的影响分析按照电动车辆的运行特点，可把充电行为分成无序充电和有序充电这两大类别，利用MATLAB软件编程完成两种充放电行为仿真建模以及对日负荷曲线的影响。充放电行为仿真曲线图4.8为电动汽车无序充电行为仿真曲线；图4.9为电动汽车受控充电行为仿真曲线。图4.8无序充电行为仿真曲线图4.9受控充电行为仿真曲线根据以上两种充电模式的仿真曲线图，受控充电模式下8时到20时电动汽车并入电网负荷功率逐渐上升，在20时到次日8时其负荷功率逐渐下降，并在20时达到负荷峰值，其负荷峰谷差较大。无序充电模式下电动汽车并入电网功率在23时到24时极速上升，24时到次日4时极速下降，4时到10时缓慢下降，并在凌晨0时达到负荷峰值，其负荷峰谷差极大。不同充电行为对日负荷曲线的影响图4.10为无序充电行为对日负荷曲线的影响；图4.11为受控充电行为对日负荷曲线的影响。图4.10无序充电行为对日负荷曲线的影响图4.11受控充电行为对日负荷曲线的影响根据以上两种充电模式的日负荷仿真曲线图，在电动汽车无序充电模式下，其并入电网的日负荷在12时到次日4时与原始负荷不同，在13时到23时的负荷与原始负荷区别较大，并在19时达到峰值。在电动汽车受控充电模式下，其并入电网的日负荷在23时到次日7时与原始负荷不同，且变化率极大，并在24时达到峰值。不同电动汽车充电的仿真结果分析本研究基于现实情况，凭借合理预设构建了三种电动车辆充电模式的动态负载概率模型，运用蒙特卡洛随机潮流法开展建模与仿真分析，针对充电模式接入电网后的负载功率展开探讨，主要得到以下结论：在三种电动车辆充电模式里面，传统充电模式给配电网络运行稳定性带来的影响是最为突出的。在三种电动车辆补给能量的模式里面，急速补给模式会扩大电网负载的高峰和低谷之间的差距，这对电网的经济运行是不利的。采用电池更换的补给模式，其比例上升可帮助缩小电网负载的峰谷差距，对提高电网经济运行效率有益，还可以提高电力系统配电网络稳定性。依据电动车辆的使用规律，可将其充电行为细分为无序充电和调控充电这两大类，采用蒙特卡洛模拟方法，针对这两种充电模式下电动车辆汇入电网的负载展开模拟分析，得出的主要结论如下：在处于无序充电模式时，电动车辆接入电网的情况会使电网峰谷差加剧，让电网负担有所增大。在调控充电模式当中，可以在一定程度上减少电网的峰谷差，虽然这种效果不是特别突出，不过日常的负载变化基本上维持稳定状态。本章小结在这一部分当中主要针对电动汽车采用常规充电、快速充电以及电池更换这三种典型补给能量方式的情况，对其电网接入负载所产生的影响展开了分析；又做出两种仿真模型，通过比较无序充电和受控充电两种方式，得出各自优缺点；最后仿真出电动汽车无序充电和受控充电并入电网时对日负荷的影响，做出其仿真模型图，再比较两种方式，得出分析结果。

结论与展望结论本研究运用蒙特卡洛模拟技术，深入且广泛地剖析了电动汽车充电负荷的不确定性特点以及其对电网系统所产生的影响，主要创新之处体现在以下几个方面：1.构建了一个可细分多种电动汽车充电行为的差异化模型，该模型对各类电动汽车的充电模式展开了详细分析，借助蒙特卡罗仿真技术，分别制定出无序充电模型与受控充电模型，清晰地描绘出它们各自的充电需求特征，为精确模拟电动汽车充电负荷提供了有力的理论支持。2.设计出一种基于蒙特卡洛仿真技术概率分布特性的充电负荷预测方法，此方法摆脱了传统的确定性分析框架，借助丰富的实地调查数据以及统计分析手段，剖析了电动汽车在不同时段充电行为的概率分布规律，依据这些规律建立概率模型，达成对充电负荷的实时且精确的预测，这一策略充分考量了电动汽车充电行为在时间和空间方面的科学分布情况，有效提升了预测结果的实际准确性。3.量化评估了不同管理策略在不确定性条件下的有效性。面对电动汽车充电负荷的高度不确定性，本文通过蒙特卡罗模拟法科学合理构建评估指标体系，如电网负荷峰谷差、电网日负荷曲线分布等，全面客观地分析了不同充电模式下电动汽车并入电网的优劣性，为电网管理策略提供了有力的数据支撑和科学依据，对推动电动汽车与电网的协调发展具有重要的现实意义。随着电动汽车普及率持续攀升以及新型充电技术不断涌现的情况，充电负荷的不确定性以及复杂程度预估将会逐渐增加。需要继续深化蒙特卡洛模拟等不确定性分析方法的研究，同时加强跨学科合作，为构建弹性、智能的充电基础设施体系提供理论支撑和技术保障。建议行业重点关注用户行为建模精度提升、车-网互动机制创新和数字孪生技术应用等方向，以应对大规模电动汽车接入带来的挑战。展望本研究建立的模拟框架和方法可为电网规划、运行调度和充电设施布局提供决策支持，后续将通过实际数据持续验证和优化模型参数，提高模拟结果的准确性和实用性。参考文献陈丽丹,张尧,AntonioFIGUEIREDO.etal."电动汽车充放电负荷预测研究综述"．电力系统自动化.43.10(2019):177-191FENGKD，ZHONGYL，HONGBZ，etal.Theimpactofplug-inelectricvehiclesondistributionnetwork[C].Virtual：2020IEEEInternationalSmartCitiesConference（ISC2），2020.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.HONGT，XIEJ，BLACKJ.Globalenergyforecastingcompetition2017:hierarchicalprobabilisticloadforecasting[J].InternationalJournalofForecasting，2019，35（4）:1389-1399.HAMMADMA，JEREBB，ROSIB，etal.Methodsandmodelsforelectricloadforecasting：acomprehensivereview[J].Logistics，SupplyChain，SustainabilityandGlobalChallenges，2020，11（1）：51-76.NTIIK，TEIMEHM，NYARKO-BOATENGO，etal.Electricityloadforecasting：asystematicreview[J].JournalofElectricalSystemsandInformationTechnology，2020，7（1）：1-19.毛玲,张钟浩,赵晋斌等,etal."车－桩－网交融技术研究现状及展望".电工技术学报.37.24(2022):6357-6371WuDi,AliprantisDC,GkritzaK.Electricenergyandpowerconsumptionbylight-dutyplug-inelectricvehicles[J].IEEETransactionsonPowerSystems,2011,26(2):738-746.SantosA,McGuckinN,NakamotoHY,etal.Summaryoftraveltrends:2009nationalhouseholdtravelsurvey[R].2011.乔文娟,etal."基于蒙特卡洛模拟的电动汽车充电负荷预测."

华电技术

40.6(2018):1674-1951.张琳娟,etal."基于OD矩阵的电动汽车充电负荷时空分布预测."

电力系统保护与控制

49.20(2021):82-91.张夏韦,etal."电动汽车充电负荷时空分布预测研究综述."

电力建设

44.12(2023):161-173.LiuD,LiZ,JiangJ,etal.ElectricvehicleloadforecastbasedonMonteCarloalgorithm[C]//2020IEEE9thJointInternationalInformationTechnologyandArtificialIntelligenceConference(ITAIC).IEEE,2020,9:1760-1763.GaoQ,ZhuT,ZhouW,etal.ChargingloadforecastingofelectricvehiclebasedonMonteCarloanddeeplearning[C]//2019IEEESustainablePowerandEnergyConference(iSPEC).IEEE,2019:1309-1314.PolatÖ,EyüboğluOH,GülÖ.MonteCarlosimulationofelectricvehicleloadsrespecttoreturnhomefromworkandimpactstothelowvoltagesideofdistributionnetwork[J].ElectricalEngineering,2021,103(1):439-445.SoaresFJ,LopesJAP,AlmeidaPMR.AMonteCarlomethodtoevaluateelectricvehiclesimpactsindistributionnetworks[C]//2010IEEEConferenceonInnovativeTechnologiesforanEfficientandReliableElectricitySupply.IEEE,2010:365-372.KimS,HurJ.AprobabilisticmodelingbasedonMonteCarlosimulationofwindpoweredEVchargingstationsforsteady-statessecurityanalysis[J].Energies,2020,13(20):5260.BetancurD,DuarteLF,RevolloJ,etal.MethodologytoevaluatetheimpactofelectricvehiclesonelectricalnetworksusingMonteCarlo[J].Energies,2021,14(5):1300.陈丽丹,聂涌泉,钟庆.et.al."基于出行链的电动汽车充电负荷预测模型."电工技术学报30.4(2015)大规模电动汽车不同充电模式充电负荷建模及对电网的影响研究.商云龙，孙波，崔纳新，张承慧.山东大学控制科学与工程学院，济南杜习超，刘永民，徐则诚，李甜甜，黄景慧，贾鹏，刘万勋，殷奕恒，胡钋.etal."电动汽车随机负荷建模及对配电网节点电压分布的影响."电力自动化设备38.6(2018):1006-6047DepartmentofTransportation.Nationalhouseholdtravelsurvey2017[R].U.S.DepartmentofTransportation,2018.田立亭,史双龙,贾卓.电动汽车充电功率需求的统计学建模方法[J].电网技术,2010,34(11):126-130.TIANLiting,SHIShuanglong,JIAZhuo.Astatisticalmodelforchargingpowerdemandofelectricvehicles[J].PowerSystemTechnology,2010,34(11):126-130.NationalStatistics,DepartmentforTransport,TransportStatisticsBulletin-NationalTravelSurvey:2008,Apr.9,2009,4.叶郑庚.采用联系数与蒙特卡洛模拟的规模化电动汽车充电负荷预测[J].电器与能效管理技术,2019(20):70-76.YEZhenggeng.Chargingloadpredictionoflarge-scaleelectr