标题

Size: px

Start display at page:

Download "标题"

蕊司
7 years ago
Views:

1 第 38 卷第 16 期 2014 年 8 月 25 日 Vol.38 o.16 Aug.25,2014 DOI:1500/AEPS 电动汽车充电站的概率负荷建模杨波, 陈卫, 文明浩, 陈学有强电磁工程与新技术国家重点实验室, 华中科技大学, 湖北省武汉市 ) 摘要 : 电动汽车充电站负荷的随机性特征, 使相关建立具有通用性负荷模型的研究存在一定的困难, 针对三类典型电动汽车充电站, 即电池更换站居民区充电站公共场所充电站, 提出了一种以充电方式地理位置出行特征为基础的概率负荷建模方法, 通过全面研究充电站负荷建模的影响因素, 采用蒙特卡洛模拟与概率统计分析规律相结合的方法综合建立三类典型充电站的概率负荷模型. 在此基础上, 运用粒子群算法优化得到了填谷效应最优的三类典型充电站的优化配置方案, 验证了所建立的概率负荷模型的有效性和实用性. 关键词 : 电动汽车 ; 充电站 ; 概率负荷 ; 蒙特卡洛模拟 ; 概率统计 ; 粒子群优化 0 引言电动汽车充电站不仅为电动汽车的规模化推广提供重要的能源保障, 还可以提高电力系统运行调度的灵活性, 对于电力系统来说, 充电站可被视为一种充电负荷. 由于电动汽车的运行规律具有较强的随机性, 如何建立能够正确反映这种随机性, 同时有效实用的电动汽车充电站概率负荷模型是研究中一个亟待解决的问题. 文献 [1] 讨论了电动汽车充电负荷的影响因素, 指出了电动汽车充电负荷具有时空随机性的特点. 文献 [2] 采用蒙特卡洛模拟抽取了电池的开始荷电状态 stateofcharge,soc) 与开始充电时间来模拟充电过程的随机性, 得到了充电负荷曲线. 文献 [1G 2] 从宏观上全面地研究电动汽车及其电池的充电过程, 但对于电动汽车充电站充电过程的研究有待深入. 文献 [3] 采用排队论模拟电动汽车的充电行为并得到了充电负荷模型. 文献 [4] 研究了电池更换站的运行规律, 采用二阶段充电模型优化充电开始时间与备用电池数量. 文献 [3G4] 分别深入研究了充电型和换电型的电动汽车充电站的充电过程, 但对于这两类充电站充电过程的综合研究仍需进一步开展. 以上研究中关于电动汽车充电站的负荷建模方法, 虽然能够在一定程度上反映电动汽车运行规律的随机性, 但对于电动汽车充电站类型的考虑不够全面, 同时所建立的负荷模型的概率分布规律较收稿日期 :2013G10G27; 修回日期 :2014G03G24. 国家高技术研究发展计划 863 计划 ) 资助项目 2011AA05A109); 国家自然科学基金资助项目 ). 为简单, 通用性也稍显不足. 建立具有通用性的电动汽车充电站概率负荷模型需要全面细致地研究建模过程中的影响因素, 同时对于影响因素的重要性进行一定的筛选. 文献 [5G7] 综合讨论了电动汽车充电站建模中涉及的影响因素. 这些影响因素涉及了电力系统运行控制管理的整个过程, 包括电动汽车的能源补给方式运行规律电池特性充电控制方式, 以及充电设施类型和布局等方面. 文献 [8G9] 分别研究了国外和国内的电动汽车充电方式协议, 文献 [9] 中还讨论了不同类型车辆的运行规律. 文献 [10] 提出了充电功率日行驶里程数开始充电时刻为居民区内电动汽车负荷的影响因素. 文献 [11] 从开始充电时刻开始 SOC 结束 SOC 的角度研究公共场所内电动汽车的负荷模型 ; 文献 [12G13] 分别讨论了米兰和巴塞罗那电动汽车的充电负荷规律曲线 ; 文献 [14] 则提出了专门为私家车与公共车辆服务的充电站的充电负荷曲线. 以上研究从不同方面对电动汽车充电站建模过程中的影响因素进行讨论, 由此得出结论 : 只有通过深入研究充电站概率负荷建模过程中相关的关键影响因素, 并根据不同影响因素的概率统计规律, 结合不同类型充电站随机性的特点, 才能建立能够有效地应用于研究充电站充电负荷对于电力系统的填谷效应经济运行等方面影响的概率负荷模型. 针对上述研究中存在的问题, 本文根据充电方式地理位置出行特征的特点将电动汽车充电站分为电池更换站居民区充电站公共场所充电站三类典型充电站. 采用蒙特卡洛模拟与概率统计分析相结合的方法综合得出了电动汽车充电站的充电负荷曲线, 从而建立了概率负荷模型. 最后, 应用所建立的概率负荷模型, 采用粒子群算法进行优化, 得到了 67

有通用性负荷模型的研究存在一定的困难, 针对三类典型电动汽车充电站, 即电池更换站居民区充电站公共场所充电站, 提出了一种以充电方式地理位置出行特征为基础的概率负荷建模方法, 通过全面研究充电站负荷建模的影响因

2 2014,3816) 满足填谷效应最优的三类典型充电站的优化配置方案, 以验证所建立概率负荷模型的有效性和实用性. 1 电动汽车充电站的分类电动汽车充电方式可分为电池更换和直接充电, 其中直接充电方式根据充电功率的不同可分为常规充电和快速充电. 电动汽车充电站的充电负荷不仅与充电站的充电方式有关, 而且受充电站用户所处地理位置出行特征影响, 按照充电方式地理位置出行习惯将电动汽车充电站分为电池更换站居民区充电站公共场所充电站三类典型充电站. 实际应用中电动汽车充电站的类型除了这三类外, 还有集电池更换站与居民区充电站或公共场所充电站于一体的混合充换电站, 其基本特性为电池更换站特性和某一类充电站特性在不同程度上的结合. 为了简化分析, 本文仅针对三类单纯的电动汽车充电站形式进行分析, 而对于复合类型的特性, 限于篇幅不再赘述. 1) 电池更换站. 该类充电站主要应用于公共汽车环卫车等公共乘用车, 采用电池更换的方式为电动汽车进行充电, 更换下来电池将在每天电网低谷时段采用常规充电方式进行集中充电. 其充电负荷较为稳定, 并且可以通过一定方式进行控制. 2) 居民区充电站. 该类充电站位于居民区, 主要为居民提供充电服务, 采用常规充电方式进行充电. 其充电负荷受居民日常活动规律的影响一般较为稳定, 居民区的覆盖范围对于充电负荷的大小将产生一定的影响. 3) 公共场所充电站. 该类充电站位于中心商业区办公楼等公共场所, 采用快速充电方式进行充电. 其充电负荷由于公共场所多变的人流车流密度的影响具有极强的随机性, 同时与人们日常的作息习惯也存在一定的联系. 2 电动汽车充电站的概率负荷模型电动汽车运行规律具有的时空随机性是研究电动汽车充电站概率负荷模型的关键所在, 电动汽车的电池特性能源补给方式等决定了充电站充电负荷规模. 对于三类典型充电站的概率负荷模型建模需根据不同类型充电站的运行规律, 同时结合充电站充电负荷规模综合考虑. 文献 [15G17] 中充电站的负荷模型是基于对电动汽车运行规律中一些影响因素的随机性进行假设, 再计算出相应的充电负荷曲线来实现的. 充电负荷曲线能够反映负荷模型随机性的特点, 同时通过一定数量的模拟次数能够反映负荷模型的概率性. 本文在上述建模方法的基础上, 深入研究三类典型电动汽车充电站的随机性, 对 68 不同类型充电站影响因素的概率统计规律进行分析, 并进行一定规模的蒙特卡洛模拟, 从而得到三类典型充电站的充电负荷曲线, 建立概率负荷模型. 2.1 电池更换站电池更换站主要应用于公共乘用车, 这类车辆的运行规律相对比较稳定, 电池充电方式为常规充电. 基于文献 [9] 中对于公共乘用车运行规律的研究结论, 结合电池更换站的电池数量充电设备充电功率情况等影响因素的概率统计规律综合分析, 对于电池更换站充电负荷的影响因素作出以下假设 : 1 开始充电时刻满足当天的 12:0014:00 当天 23:00 至次日 05:00 的均匀分布 ;2 开始 SOC 满足正态分布 ;3 电池每次充电都充至满电量 ;4 常规充电功率满足正态分布. 电池的充电时间长度为 : tcb = 1-SSOC0)Cap 1) ηp1 式中 :Cap 为电池容量 ; η 为充电效率 ;p1 为常规充电功率期望 ;SSOC0 为电池开始 SOC. 电池更换站的充电负荷曲线是通过先将每一块电池的充电负荷求出, 再将每块电池的开始充电时刻与充电时长进行叠加求出一天中每小时的充电负荷, 继而将全天 24h 的充电负荷分别求出, 之后将多次蒙特卡洛模拟求出的充电负荷求取平均值, 最终得到全天的充电负荷曲线, 从而建立电池更换站的概率负荷模型. 电池更换站充电负荷曲线的流程图如图 1 所示. 1 0 *K k 1 k 1 1 '-K k n0 2*B8 nn n 2 0 k 2 k 2 1 '-K k 2 2 图 1 电池更换站充电负荷曲线的流程图 Fig.1 Flowchartofchargingloadcurves ofbateryswapstations

电动汽车充电站的充电负荷不仅与充电站的充电方式有关, 而且受充电站用户所处地理位置出行特征影响, 按照充电方式地理位置出行习惯将电动汽车充电站分为电池更换站居民区充电站公共场所充电站三类典型充电站.

3 学术研究杨波, 等电动汽车充电站的概率负荷建模全天某 1h 的充电负荷为 : m Lbi =fave k=1 i=1 pbk) 2) 式中 :Lbi 为电池更换站第 i 小时的充电负荷 ; 为蒙特卡洛模拟的次数 ;m 为第 i 小时进行充电的电池数量 ;m=1,2, 其中 m=1 表示白天充电,m=2 表示晚上充电 ;pbk 为第 i 小时内第 k 块电池的充电负荷, 为恒定值 ;fave ) 为求平均值函数. 本文选取白天充电电池数量 1=40, 晚上充电电池数量 2 =100, 蒙特卡洛模拟次数 = 1000, 电池容量 Cap=14kW h, 充电效率 η=, 常规充电功率期望 p1=3.5kw, 以得出电池更换站的充电负荷曲线. 2.2 居民区充电站居民区充电站的服务对象为居民区中的居民, 电动汽车充电方式为常规充电. 由于居民的活动规律既具有一定的随机性, 也符合一定的规律性, 并且具有多样性和复杂性, 因此居民区充电站的概率负荷建模需要对于居民活动的随机性综合考虑, 突出其中主要的影响因素, 忽略一些次要的影响因素. 基于文献 [13] 的假设, 同时考虑到居民区充电站的特点, 对于居民区充电站充电负荷的影响因素作出以下假设 :1 充电功率日行驶里程数开始充电时刻为相互独立的随机变量 ;2 居民最后一次出行返回后立即进行充电 ;3 考虑到电池容量与充电功率的大小, 每次充电都能够将电池充至满电量 ;4 常规充电功率满足正态分布. 居民开始充电时刻和日行驶里程数由出行习惯和行驶特性决定, 根据 2001 年美国交通部对全美家用车辆调查的统计结果 [18], 假设日行驶里程数满足对数正态分布, 开始充电时刻满足分段正态分布. 日行驶里程数开始充电时刻的概率密度函数分别如式 3) 和式 4) 所示, 经过推导可以得到电动汽车的充电时间长度和相应的概率密度函数分别如式 5) 和式 6) 所示 : ì fsrt)= í î fdx)= 1 æ xσd 2π exp ç- lnx -μd) 2 ö 3) è 2σ 2 d ø σs σs 1 æ 2π exp ç - t-μs) 2 ö è 2σs ø μs-12<t 24 1 æ 2π exp ç - t+24-μs) 2 ö è 2σs ø 0 t μs-12 tcr= xw 1.61ηp1 4) 5) w fcrt)= 161ηp1tσd 2π ln æ æ æ ηp 1t ö ö ö ç ç -μd ç exp è è w ø ø 6) ç - è 2σ 2 d ø 式中 : μ d 和 σd μ s 和 σs 分别为日行驶里程数开始充电时刻的期望和标准差 ;w 为每 100km 耗电量. 居民区充电站的充电负荷曲线是通过先计算一天内每 1h 的充电概率, 再根据充电的电动汽车数量与充电功率的大小, 求出每 1h 的充电负荷, 之后再求出全天 24h 的充电负荷, 最后将多次蒙特卡洛模拟的充电负荷求取平均值以得到充电负荷曲线, 从而建立概率负荷模型. 居民区充电站充电负荷曲线的流程图如图 2 所 n1 i 2*B8 ii 图 2 居民区充电站充电负荷曲线的流程图 Fig.2 Flowchartofchargingloadcurvesof residentialchargingstations 全天某 1h 的充电负荷与充电概率分别如式 7) 和式 8) 所示 : æ 24 Lri =fave ç ö pci è k=1 i=1 ø 7) { tsr >i,tsr+tcr i+24 8) Pi = 1-Pscr -Pscr tsr +tcr i 式中 :Lri 为居民区充电站第 i 小时的充电负荷 ;pci 为第 i 小时的充电负荷 ;Pi 为居民区充电站第 i 小时的充电概率 ;Pscr 为开始充电时刻与充电时间长度在第 i 小时的联合概率分布, 即 Pscr=PsrPcr;tsr 为居民区充电站开始充电时刻 ;tcr 为居民区充电站充电时长. 本文选取蒙特卡洛模拟次数 =1000, 电动汽车数量为 500 辆, 日行驶里程数开始充电时刻的概 69

本文选取白天充电电池数量 1=40, 晚上充电电池数量 2 =100, 蒙特卡洛模拟次数 = 1000, 电池容量 Cap=14kW h, 充电效率 η=, 常规充电功率期望 p1=3.5kw, 以得出电池更换站的充电负荷曲线. 2.2 居民区充电站居民区充电站的服务对象为居民区中的居民, 电动汽车充电方式为常规充电.

4 2014,3816) 率密度函数的期望和标准差分别为 μd=3.2 和 σd= 8 μ s =17.6 和 σs =3.4, 每 100km 耗电量为 15kW h, 以得出居民区充电站的充电负荷曲线. 2.3 公共场所充电站公共场所充电站主要位于中心商业区, 电动汽车充电方式为快速充电. 人流和车流的密度高变化大, 充电负荷的随机性极强, 其影响因素极为复杂多样. 基于文献 [12G13] 的研究结论, 利用文献 [11] 的假设, 对于公共场所充电站充电负荷的影响因素作出以下 3 点假设 :1 开始充电时刻开始 SOC 结束 SOC 为相互独立的随机变量 ;2 开始 SOC 结束 SOC 均满足正态分布 ;3 快速充电功率满足正态分布. 电动汽车的充电时间长度函数分别如式 9) 和式 10) 所示 : tcp = SSOC1 -SSOC0)Cap ηp2 9) t ~ μ, ) cp σcp 10) 式中 :SSOC1 为电池结束 SOC;p2 为快速充电功率期望 ; μ cp 和 σcp 分别为公共场所充电站充电时间长度的期望和标准差, μ cp= μ 0 -μ1)cap / ηp2),σcp= σ 2 0+σ 2 1C 2 ap / η 2 p 2 2), 其中 μ0 和 σ0 分别为电池开始 SOC 的期望和标准差, μ 1 和 σ1 分别为电池结束 SOC 的期望和标准差. 基于文献 [14] 中对于公共场所中电动汽车日常运行规律的分析, 在文献 [11] 假设电动汽车的开始充电时刻满足三分段的均匀分布的基础上, 为了更加准确地反映公共场所中电动汽车日常运行规律的复杂随机性, 本文选择将开始充电时刻假设为满足六分段的均匀分布, 由此得到第 i 分段的概率密度为 : fspit)= ki ti -ti-1 ti-1 t <ti 11) 式中 :ti-1,ti 分别为分段的时间段上下限 ;ki 为比例系数. 公共场所充电站充电负荷曲线的计算方法与居民区充电站的计算方法相似, 流程图与图 2 相似, 限于篇幅不再赘述. 本文选取蒙特卡洛模拟次数 =1000; 电动汽车数量为 300 辆 ; 公共场所充电站充电时间长度概率密度函数的期望和标准差分别为 μcp=0.32 和 σcp=84; 快速充电功率期望为 p2=24kw h; 分段的时段分别为 0~7 时段 7~11 时段 11~16 时段 16~19 时段 19~22 时段 22~24 时段, 以得出公共场所充电站的充电负荷曲线. 3 电动汽车充电站概率负荷模型的应用电动汽车充电站作为充电负荷, 其具有随机性, 但也具有一定的灵活性, 如何合理地配置三类典型充电站的比例, 实现电力系统的填谷效应最优, 对于保证电力系统的安全稳定经济运行具有重要的意义. 某地区的典型负荷曲线和电动汽车充电站的充电负荷曲线均采用标幺化, 基准值分别为 pbase 和 pbase_cs, 定义电动汽车充电站的渗透率 r p 为 : r p = pbase_cs pbase 12) 图 3 为夏冬两季时标幺化的某地区典型负荷曲线, 可以看出, 夏季时负荷大于冬季时负荷, 同时夏季的最大负荷时刻要晚于冬季. 0.5 图 3 某地区典型负荷曲线 Fig.3 Typicalloadcurvesomewhere 3.1 填谷效应最优的充电站配置方案电动汽车充电站作为充电负荷会增大电力系统的负荷, 不同类型充电站的充电负荷曲线具有显著区别, 合理的充电站配置方案能够在系统处于负荷低谷时提高负荷需求, 同时在负荷高峰时减少负荷需求, 实现系统填谷效应的最优. 建立电动汽车充电站配置方案的填谷效应最优模型的目标函数与约束条件分别如式 13) 和式 14) 所示. minfx1,x2,x3)= maxaix1 +Bix2 +Cix3 +Di)- minaix1 +Bix2 +Cix3 +Di) 13) x1,x2,x3 0,1) 14) { x1 +x2 +x3 =1 式中 :x1,x2,x3 分别为电池更换站居民区充电站公共场所充电站的配置比例 ;Ai,Bi,Ci,Di 分别为电池更换站居民区充电站公共场所充电站典型负荷曲线的负荷矩阵中的元素 ;i=1,2,,24. 粒子群算法具有计算效率高搜索能力强的特点. 本文选择采用粒子群算法计算满足填谷效应最优的充电站配置方案. 具体的优化过程如图 4 所示. 70

基于文献 [12G13] 的研究结论, 利用文献 [11] 的假设, 对于公共场所充电站充电负荷的影响因素作出以下 3 点假设 :1 开始充电时刻开始 SOC 结束 SOC 为相互独立的随机变量 ;2 开始 SOC 结束 SOC 均满足正态分布 ;3 快速充电功率满

5 学术研究杨波, 等电动汽车充电站的概率负荷建模 *0F4!+31+4 E A+,@41E@0 E E 4 1+4EE+ E+ 4 图 4 粒子群算法优化过程 Fig.4 Optimizationprocesofparticleswarmalgorithm 粒子群算法优化的具体步骤如下. 步骤 1: 根据填谷效应优化问题的规模, 确定粒子群算法的进化代数 maxg 种群规模 s. 步骤 2: 根据充电站配置比例的约束条件式 14)), 确定粒子的位置和速度的最大值 pmax 和 Vmax, 最小值 pmin 和 Vmin; 同时随机产生粒子的位置和速度的初始值 p 和 V. 步骤 3: 根据填谷效应的目标函数式 13)), 确定适应度函数, 并计算初始值. 步骤 4: 根据步骤 3 中的适应度初始值寻找初始的个体极值和群体极值. 步骤 5: 按照式 15) 至式 17) 对粒子的 p 和 V 进行更新. ωi)=ωs- ωs-ωe) i maxg 15) V i+1 kd =ωv i kd +c1r1p i kd -Xkd)+ i c2r2p i gd -Xkd) i 16) X i+1 kd =X i kd +V i+1 kd 17) 式中 :ωi)ὠs ὠe 分别为第 i 代的惯性权重初始权重末尾权重 ;V i kd,x i kd,p i kd 分别为第 i 代个体 k 在 d 维的速度位置个体极值 ;P i gd 为群体位置 ; i=1,2,,maxg;k=1,2,,s;d=1,2,3;c1,c2 为加速度因子 ;r1,r2 为 0~1 间的随机数. 步骤 6: 根据第 i 代更新后粒子的速度位置 V i+1 kd 和 X i+1 kd 计算新的适应度的值. 步骤 7: 根据第 i 代更新后的适应度值寻找新的个体和群体极值 P i+1 kd 和 P i+1 gd. 步骤 8: 判断进化代数是否满足计算终止条件, 如满足则转到步骤 9, 不满足则转到步骤 5. 步骤 9: 结束粒子群算法优化, 输出优化结果. 3.2 仿真分析三类典型电动汽车充电站的配置比例不同, 对于充电站填谷效应的影响也不同. 算例中粒子群算法的初始参数分别为 :maxg =5000,s=1500, ωs=ὠe=0.4,c1=0.1,c2=0.1. 表 1 为夏冬两季充电站渗透率分别为 10% 和 30% 时两种典型配置方案与粒子群优化的配置方案的填谷效应比较. 方案 1 属于以电池更换站为主, 居民区公共场所充电站为辅的配置方案 ; 方案 2 属于以居民区公共场所充电站为主, 电池更换站为辅的配置方案. 表 1 充电站的配置方案 Table1 Chargingscenariosofchargingstations 方案 x1/% x2/% x3/% 方案方案夏季冬季不同配置方案的仿真结果如图 5 所示. 鉴于夏冬两季粒子群算法优化的迭代收敛过程相似, 本文仅提供夏季的情况, 夏季粒子群算法优化的迭代过程如图 6 所示. a) *0#E10%+,4 b) *0#E30%+,4 0.5 c) *0#E10%+,4 0.5 d) *0#E30%+,4 1 2 图 5 不同配置方案下负荷曲线 Fig.5 Loadcurvesofdiferentchargingscenarios 71

步骤 2: 根据充电站配置比例的约束条件式 14)), 确定粒子的位置和速度的最大值 pmax 和 Vmax, 最小值 pmin 和 Vmin; 同时随机产生粒子的位置和速度的初始值 p 和 V.

6 2014,3816) E E 图 6 夏季粒子群算法优化迭代过程 Fig.6 Optimizationinteractionprocesofparticleswarm algorithminsummer 通过分析图 5 和图 6 可以得到以下结论. 1) 三个方案中粒子群优化方案的填谷效果最优, 方案 1 次之, 方案 2 较差. 这说明采用粒子群算法优化得到的配置方案, 相比于电池更换站为主或充电站为主的配置方案, 能够有效地实现充电站填谷效应的最优化, 同时也说明发展以换电为主的电动汽车充电站的建设较有利于实现电力系统填谷效应的优化. 2) 夏冬两季的仿真结果表明, 采用粒子群算法优化得到的配置方案的迭代过程能快速收敛, 有效地实现填谷效应的最优化, 说明该优化方法能不受负荷曲线变化的影响实现充电站配置方案的优化. 3) 随着渗透率的提高, 粒子群优化配置方案的填谷效应最优化越来越显著, 说明电动汽车充电站接入电力系统的数量越多, 该优化配置方案的优化效果越为明显. 4 结语针对电动汽车充电站通用性负荷建模方面研究的不足, 根据电动汽车充电站的充电方式地理位置出行特征的特点, 将充电站分为电池更换站居民区充电站公共场所充电站三类典型充电站. 通过全面研究三类典型充电站的充电负荷影响因素, 将蒙特卡洛模拟与概率统计分析相结合, 综合得到了三类充电站的充电负荷曲线, 从而建立概率负荷模型, 并在此基础上解决了电动汽车充电站实现填谷效应最优的配置方案问题. 对某地区夏冬两季时不同电动汽车充电站渗透率的情况进行仿真分析, 结果表明采用所建立的电动汽车充电站概率负荷模型能够有效地解决问题, 具有实用性. 参考文献 [1] 胡泽春, 宋永华, 徐智威, 等. 电动汽车接入电网的影响与利用 [J]. 中国电机工程学报,2012,324):1G10. HU Zechun,SOG onghua,xu Zhiwei,etal.Impactsand utilizationofelectricvehiclesintegrationintopowersystems[j]. ProceedingsoftheCSEE,2012,324):1G10. [2]TREMBLA O,DESSAITLA,DEKKICHEAI.Ageneric batery modelforthe dynamicsimulation of hybrid electric vehicles[c]// Vehicle Power and Propulsion Conference, September12G19,2007,Arlington,TX,USA:284G289. [3] 李如琦, 苏浩益. 基于排队论的电动汽车充电设施优化配置 [J]. 电力系统自动化,2011,3514):58G61. LIRuqi,SU Haoyi.Optimalalocationofchargingfacilitiesfor electricvehiclesbasedonqueuingtheory[j].automation of ElectricPowerSystems,2011,3514):58G61. [4] 阳岳希, 胡泽春, 宋永华. 电动公交充换电站的优化运行研究 [J]. 中国电机工程学报,2012,3231):35G42. AG uexi, HU Zechun,SOG onghua.research on optimaloperationofbateryswappingandchargingstationsfor electricbuses[j].proceedingsofthecsee,2012,3231): 35G42. [5] 唐现刚, 刘俊勇, 刘友波, 等. 基于计算几何方法的电动汽车充电站规划 [J]. 电力系统自动化,2012,368):24G30. TAG Xiangang,LIU Junyong,LIU oubo,etal.electric vehicle charging station planning based on computational geometrymethod[j].automationofelectricpowersystems, 2012,368):24G30. [6] 王锡凡, 邵成成, 王秀丽, 等. 电动汽车充电负荷与调度控制策略综述 [J]. 中国电机工程学报,2013,331):1G10. WAG Xifan,SHAOChengcheng,WAGXiuli,etal.Survey ofelectricvehiclechargingloadanddispatchcontrolstrategies [J].ProceedingsoftheCSEE,2013,331):1G10. [7] 罗卓伟, 胡泽春, 宋永华, 等. 大规模电动汽车充放电优化控制及容量效益分析 [J]. 电力系统自动化,2012,3610):19G26. LUO Zhuowei, HU Zechun, SOG onghua, et al. Coordinated charging and discharging oflargegscale pluggin electricvehicles with costand capacity benefitanalysis[j]. AutomationofElectricPowerSystems,2012,3610):19G26. [8]FOXG H.Getingreadyforelectricvehiclechargingstations [C]//IEEE Industry ApplicationsSociety Annual Meeting, October9G13,2011,Orlando,FL,USA:7p. [9] 罗卓伟, 胡泽春, 宋永华, 等. 电动汽车充电负荷计算方法 [J]. 电力系统自动化,2011,3514):36G42. LUOZhuowei,HU Zechun,SOG onghua,etal.studyon pluggin electric vehicles charging load calculating [J]. AutomationofElectricPowerSystems,2011,3514):36G42. [10] 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,2010,3411):126G130. TIALiting,SHIShuanglong,JIAZhuo.Astatisticalmodel forcharging powerdemand ofelectric vehicles[j].power System Technology,2010,3411):126G130. [11]ZHAG Bingliang,SU utian,li Bingqiang,etal.A modeling methodforthepowerdemand ofelectricvehicles basedon MonteCarlosimulation[C]//AsiaGPacificPowerand Energy Engineering Conference, March 27G29, 2012, Shanghai,China:5p. [12]MAURI G, VALSECCHI A. The impact on the MV distributiongridsofthe Milan metropolitanarea[c]//ieee EnergyConferenceandExhibition,2012. [13]VALSERAGARAJO E, MARTIEZGVICETE D, 72

这说明采用粒子群算法优化得到的配置方案, 相比于电池更换站为主或充电站为主的配置方案, 能够有效地实现充电站填谷效应的最优化, 同时也说明发展以换电为主的电动汽车充电站的建设较有利于实现电力系统填谷效应的优化.

7 学术研究杨波, 等电动汽车充电站的概率负荷建模 SUMPER A,etal.Deterministicandprobabilisticassessment oftheimpactoftheelectricalvehiclesonthepowergrid[c]// IEEEPowerandEnergySocietyGeneralMeeting,July24G29, 2011,SanDiego,CA,USA:8p. [14]WU Kuihua,IU Xinsheng, WAG Jian,etal.Electric vehicleloadcharacteristicanalysisandimpactofregionalpower grid[c]// SixthIEEE/PES Transmissionand Distribution: Latin America Conference and Exposition,September3G5, 2012,Montevideo,Uruguay. [15] 于大洋, 宋曙光, 张波, 等. 区域电动汽车充电与风电协同调度分析 [J]. 电力系统自动化,2011,3514):24G28. U Dayang,SOGShuguang,ZHAGBo,etal.Synergistic dispatchofpevschargingandwindpowerinchineseregional powergrids[j].automationofelectricpowersystems,2011, 3514):24G28. [16] 唐现刚, 刘俊勇, 刘友波. 基于计算几何方法的电动汽车充电站规划 [J]. 电力系统自动化,2012,368):24G30. TAG Xiangang,LIU Junyong,LIU oubo,etal.electric vehicle charging station planning based on computational geometrymethod[j].automationofelectricpowersystems, 2012,368):24G30. [17]CAO ijia,tagshengwei,licanbing,etal.anoptimized EVchargingmodelconsideringTOUpriceandSOCcurve[J]. IEEETransonSmartGrid,2012,31):388G393. [18]VASA,SATIID.Useofnationalsurveysforestimating ful PHEV potentialforoilusereduction[eb/ol].[2008g 07G21].htp:// 杨波 1988), 男, 通信作者, 硕士研究生, 主要研究方向 : 电动汽车电力系统继电保护.EGmail: @ qq.com 陈卫 1970), 男, 副教授, 硕士生导师, 主要研究方向 : 电力系统保护与控制. 文明浩 1973), 男, 副教授, 硕士生导师, 主要研究方向 : 电力系统保护与控制. 编辑孔丽蓓 ) ProbabilisticLoad ModelingofElectricVehicleChargingStations AGBo CHE Wei WE Minghao CHE Xueyou StateKeyLaboratoryofAdvancedElectromagneticEngineeringandTechnology HuazhongUniversityof ScienceandTechnology Wuhan China Abstract Theloadofelectricvehicle EV chargingstationshassomestochasticfeaturesthatmakethestudyonthegeneral load modeldificult 敭 Inconnection withthree EV chargingstationsincluding bateryswapstations residentialquarters chargingstationsandpublicchargingstations aprobabilisticload modeling methodisproposedbasedoncharging modes locationsandtripcharacteristics 敭 TheprobabilisticloadmodelsofthreekindsofEVchargingstationsareobtainedusingMonte Carlosimulationandprobabilitystatisticsanalysis byanalyzingsomevitalfactorsofchargingstationloadmodelingingeneral 敭 Moreover optimizedconfigurationschemesofthreetypicalchargingstations withbestvaleyefectareobtainedbyusing particleswarmalgorithmoptimization andthevalidityandpracticabilityoftheproposedprobabilisticloadmodelareverified 敭 This workissupportedby ational High Technology Researchand DevelopmentProgram ofchina 863 Program o 敭 2011AA05A109 andationalaturalsciencefoundationofchina o 敭敭 Keywords electricvehicle chargingstations probabilisticload swarmoptimization Monte Carlosimulation probabilitystatistics particle

[14]WU Kuihua,IU Xinsheng, WAG Jian,etal.

说明为了反映教运行的基本状态, 为校和院制定相关政策和进行教建设与改革提供据依据, 校从程资源 ( 开类别开量规模 ) 教师结构程考核等维度, 对 2015 年春季期教运行基

说明为了反映教运行的基本状态, 为校和院制定相关政策和进行教建设与改革提供据依据, 校从程资源 ( 开类别开量规模 ) 教师结构程考核等维度, 对 2015 年春季期教运行基内部资料东北师范大教运行基本状态据报告 2015 年春季期教务处 2015 年 10 月 27 日说明为了反映教运行的基本状态, 为校和院制定相关政策和进行教建设与改革提供据依据, 校从程资源 ( 开类别开量规模 ) 教师结构程考核等维度,