1. 网站地图
  2. 设为首页
  3. 关于我们


电动汽车充电基础设施规划系统研究

发布时间:2022-11-20 15:50
摘要 I
ABSTRACT III
第 1 章 绪论 1
1.1研究的背景及意义 1
1.1.1新能源汽车发展现状 1
1.1.2充电基础设施发展现状 2
1.2国内外相关研究现状 3
1.2.1电动汽车充电基础设施规划研究现状 3
1.2.2充电基础设施规划经济性研究现状 6
1.2.3居民行程数据研究现状 7
1.3主要研究内容 8
第 2 章 规划系统功能架构和相关需求分析 11
2.1规划系统功能主体架构设计 11
2.2规划系统功能需求分析 12
第 3 章 充电负荷需求模拟功能设计与开发 15
3.1基于双层行程链建模的行程输入数据 15
3.2充电需求模拟模块功能设计及参数设定 17
3.2.1充电需求模拟模块功能设计 17
3.2.2充电需求模拟模块参数设定 19
3.3充电行为模拟功能模型设计 20
I
3.3.1基于剩余电量的充电行为决策模拟 20
3.3.2基于动态规划的充电桩充电功率决策模拟 23
3.4充电需求模拟结果影响因素分析 25
3.4.1续航里程对充电需求模拟结果的影响分析 25
3.4.2私家桩配建对充电需求模拟结果的影响分析 26
3.4.3工作桩配建率对充电需求模拟结果的影响分析 27
344充电起始SOC设定对充电需求模拟结果的影响分析 28
3.5本章小结 29
第4章 充电基础设施规划与效益评价功能设计与开发 31
4.1规划场景预测模块功能设计 31
4.1.1充电基础设施场景预测模块情景设计 31
4.1.2模型情景设定 33
4.2充电基础设施经济性评价功能设计 35
4.2.1充电基础设施经济性分析框架设计 36
4.2.2充电基础设施成本模块设计 37
4.2.3充电基础设施收益模块设计 39
4.2.4充电桩基础设施经济性整体评估 40
4.3充电基础设施用户满意度评价功能设计 43
4.3.1充电基础设施用户满意度整体框架设计 43
4.3.2用户充电成本设计 44
4.3.3用户里程焦虑成本设计 45
II
4.3.4用户充电等待时间成本设计 47
4.4本章小结 49
第 5 章 充电基础设施规划系统实例应用研究 51
5.1规划系统布置软件平台介绍 51
5.1.1Python 平台介绍 51
5.1.2Python 数据处理功能介绍 51
5.1.3基于面向对象的程序设计(OOP) 52
5.2系统主体架构及其软件功能模块实现 53
5.2.1数据处理模块实现 53
5.2.2充电模拟模块实现 54
5.2.3情景设计模块实现 54
5.2.4充电经济性分析模块实现 54
5.2.5用户满意度指标模块实现 55
5.2.6综合分析可视化模块实现 55
5.3规划系统算例背景简介 55
5.3.1深圳市私人电动车保有量预测估计 56
5.4规划系统算例结果分析 57
5.4.1充电需求预测结果分析 57
5.4.2充电基础设施规模预测结果分析 60
5.4.3充电基础设施经济性指标结果分析 61
5.4.4充电基础设施用户满意度指标结果分析 62
III
5.5规划系统综合结果建议 67
5.6本章总结 68
第 6 章 总结与展望 71
6.1本文内容总结 71
6.2全文展望 72
6.3本文创新点 72
参考文献 75
作者简介和主要成果 81
致谢 83
IV
 
 
 
第1章 绪论
1.1研究的背景及意义
在全球环境污染,资源短缺问题频繁出现的大背景下,发展新能源汽车作 为一种优秀的解决方案能够解决石油短缺问题,空气污染问题[1],并且能够大 力发展绿色、低碳经济[2]已经成为全球大部分国家的共识而备受青睐,电动汽 车也能为我国的低碳能源转型提供重要机遇。而对于建立中国的智慧城市,构 造现代、高效、先进、立体的交通体系,电动汽车的发展必将成为重要的规划 因素之一。充电基础设施作为推广电动汽车,满足电动汽车发展需求服务的必 要一环,建设能够方便电动车主的充电网络即快充、慢充充电站是解决目前电 动汽车行驶里程以及里程焦虑问题的关键。同时充电基础设施作为中国基础建 设的重要发展方向之一,在国家以及地方政府方面均为充电行业提供了巨大的 补贴扶持力度以及清晰的发展路线和发展目标,为我国实现碳达峰,碳中和双 碳目标铺平道路[3]。
1.1.1新能源汽车发展现状
 
图 1.1 历年新能源汽车销量及渗透率
目前,经过十年的电动汽车保有量高速增长,在 2020 年全球的电动汽车保 有量突破 1000 万辆大关,相比 2019 年增长 43%,在全球总体汽车保有量的份 
额达到1%[4]。在我国2020年新能源汽车总销量超过130万辆,渗透率为5.4%, 如图 1.1。并且我国新能源汽车的保有量也已接近 500万辆,占比约为 1.75%。 同时纯电动汽车销量的占比达到 80%以上[5]。在十三五期间,我国的电动汽车 销量在政府的大力推广以及政策的补贴扶持和新能源技术产品的不断进步下, 从 2016 年到 2020 年增长了约 1.6 倍 [6]。根据工业和信息化部相关数据,我国的 电动汽车发展阶段已经达到了规模化发展的阶段,为我国国民经济的增长注入 了强劲的动力。
1.1.2充电基础设施发展现状
 
图 1.2 历年全球快充桩及慢充桩的数量趋势图
在 2020 年,全球的公共充电基础设施达到 130 万,其中 30% 是公共快充桩。 而我国在建设公共基础设施包括慢充桩和快充桩方面均处于领先位置。截止到 2020年,我国的公共充电桩累计充电70.57亿kW • h,公共充电桩的桩保有量 达到约 80 万个,私人充电桩的数量约为 87 万个[7]。我国慢充桩(充电功率 22 千瓦以下)的装机量增长了65%,达到约50万台公用慢充桩,占全球慢充桩存 量的一半以上[4]。在快充桩方面,我国的发展速度迅速,超过了 30 万台公共快 充桩。我国建设相对较多的公共快速充电桩的主要目的是推动电动公交车和电 动出租车等专用车辆的电气化政策[8],并且对私人充电桩相对配建比例不够高 的问题提出相应的充电解决方案。
但我国目前在兴建充电基础设施的整体规划方面考虑因素相对较少,多以
2
 
充电桩和车辆的比值作为重要衡量指标,在应对未来不同发展情况的角度,以 及对充电基础设施不同的需求方面考虑相对较少[9]。
充电基础设施分类角度按安装方式可以分为落地式和挂壁式充电桩,落地 式充电桩可以在室外灵活使用,而壁挂式的安装条件则较为苛刻。按照安装地 点主要可分为公共桩和专用桩和私人充电桩,即分别安装在公共地点,工作地 点和家庭地点的充电桩。而按照充电方式还可以分为交流,直流和交直流一体 桩。目前交、直流充电桩占大部分[10],交流桩功率需要连接车载充电机,充电 功率相对较小,而直流充电桩直接连接电网,可以实现大功率、高速充电。目 前的补电方式除此外还包括换电以及无线充电等新型充电方式,其优缺点及使 用场景汇总如表 1.1:
表 1.1 电动汽车主要的补电方式对比
 
 
 
1.2国内外相关研究现状
1.2.1电动汽车充电基础设施规划研究现状
(1)国外充电基础设施规划现状 在以下九项研究中,主要包括两种基础设施规划方法[12]:第一种是量化模
3
拟驾驶员的出行行为,并根据此行为计算后续的充电需求和充电桩需求,第二 种是量化提供给定充电桩数量,根据所计算的行驶里程来进行充电桩的时空规 划问题。
表 1.2 充电基础设施规划模型考虑因素综述表
作者 文献 年份 关注充电基础设
施类别以及
模型侧重点 电动汽 车类别 续驶里
程/km 模型主要影响因
Xi 等人 2013 行程目的地 工作桩、公共桩
(慢充) 纯电动 100 充电桩类型和可
用情况
Zhang 等 2013 工作桩、公共桩 纯电动, 100,60 充电桩类型和可
(慢充) 混动 用情况,电价
Dong 等 2014 工作桩、公共桩 纯电动 200 里程焦虑,每日
(快,慢充) 行驶里程
Zhang 等
2015 高速路快充桩规
纯电动 100-300 电价,电池容量
Ahn 等 2015 为出租车规划的 纯电动 100 电池容量,充电
直流快充桩 功率级别
Saxena 2015 一级慢充充电桩 纯电动 100 行驶电耗,每日
等人 的充电需求 行驶里程
Ji 等人 2015 高速路快充桩规
纯电动 200-500 里程焦虑,
充电桩类型及可
用情况
Wang 等
2017 多种充电桩的充
电需求预测 纯电动 200-500 电池续航里程, 电价,每日行驶
里程
Xi等人[13 ]主要工作是规划模拟工作和公共场所所需相关的第一级别(1.4kW) 和第二级别(4kW)充电站。文中主要使用线性整数优化算法来优化相关目标函 数,在预算约束下的目标函数包括最大化充电的电动汽车数量以及最大化代表 充电桩使用率的充电桩负荷等结果。在预测某地区电动汽车的保有量和出行规 律时,文章考虑使用人口以及相关宏观经济变量线性模型进行预测研究。
Zhang 等人[14]主要分别为混合动力汽车和纯电动汽车建立了在第一级别以 及第二级别充电桩充电的模型并匹配相关参数。其优化驾驶员驾驶行为的主要
4
目标是最小化其充电成本。文中使用了 2009年全国家庭行程调查(NHTS)的行程 数据和 PG&E 公司的分时电价政策数据进行分析。作者也考虑了家庭,工作以 及公共桩的充电花费以及充电负荷情况。证明了分时电价及相关相应政策对降 低电动汽车用户的充电花费有着重要的作用,并考虑了相关车辆的续航里程以 及充电桩和车辆的匹配情况以分别分析影响程度。
Dong等人[15]利用遗传算法进行充电基础设施规划优化,其目标函数为用户 的充电花费。据此优化了给定数量的充电桩的位置,通过模拟驾驶行为和充电 行为,综合计算用户的相关里程焦虑成本。文章还考虑计算了由于里程焦虑成 本而丢失的相关行程以量化成本,并根据不同的用户的充电成本等情况分别进 行选址定容。
Zhang 等人[16]模拟预测在高速路上直流快速充电站的需求,并分析了这些 充电站在各种充电策略下的不同充电负荷情况。他的研究将以下的不同充电情 况纳入模型考量:包括随机充电策略,延迟充电策略等智能充电策略,并将其 结果进行对比研究。文中提出分时电价政策可以均布全天负荷达到削峰填谷的 目的,并考虑了动力电池的容量来带来的影响。
Ahn 等人[17]涉及研究的目标函数是单位面积的总成本函数最小化。最小化 的成本函数包括计算后的行程成本、延误时间成本、安装和充电站运营成本之 和,据此推导出最佳公共直流快充桩(DCFC)密度。作者主要利用电动出租车的 GPS 数据生成综合成本最小化的最佳规划地图。论文中还考虑了不同规模纯电 动车的以下特征差异:每个站的充电桩数量、充电站建设密度、充电桩功率、 峰值充电需求、和每个充电桩覆盖的电力范围。
Saxena 等人[18]通过建立电动汽车动力总成模型,对 NHTS 美国家庭调查行 程数据进行典型日出行的特征分析,并建立充电需求模型,该模型考虑的主要 因素是家庭充电和工作场所充电情况。文中还将其他因素纳为参考:如超出典 型日行驶的行程影响,空调等配件负载的影响,电池容量退化的影响,驾驶道 路的影响等等,但其进行建模的电动汽车类型行驶里程相对较低小于 100km, 其分析的数据在典型代表性方面有所局限。
5
Ji 等人[19]主要通过对现有行程调查数据的分析计算建立直流快充桩的预测 模型。其基础情景通过对直流快充桩的充电负荷数据分析,计算出城市的纯电 动汽车规模大小。并且在直流充电桩的预测配建方面主要考虑因素包括整车续 航以及几种类型的充电桩配建相关指标。
Wang[20]提出了一个基于实车运行数据并模拟纯电动汽车行程和充电负荷的 方法。在行程链模型中主要利用朴素贝叶斯算法生成行程链,以符合实车运行 数据的规律。在模型中考虑了纯电动汽车在多种位置充电的情况,以及相关有 序充电策略对负载的影响。
(2)国内充电基础设施规划现状
国内的充电基础设施规划主要包括对公共桩充电涉及的相关出行特征概率 模型进行详细建模。例如:苏鹏[21]在论文中通过混合整数优化降低电网以及充 电相关成本,而在计算需求时主要利用基于出行概率的简单数学模型进行求解, 最终对快充充电站进行选址定容。叶兴涛[22]通过遗传算法求解规划的最低社会 成本问题以及最小等待时间的目标通过对充电站进行选址定容,并对相关换电 站的规划进行相关研究。史广宇[23]利用行程链模型结合出行起始SOC,充电起 始及终止时刻概率分布分别进行建模。其通过蒙特卡洛算法建立行程链估算充 电负荷,在规划参数方面通过优化固定成本,每年内的可变成本以及等待成本 来计算其规划数目,并对 60kW 充电站进行选址定容。严干贵[24]在基于区域交 通实测数据中确定了电动汽车时间以及空间的分布状态,在充电站的选址定容 数据模型中主要以优化充电站的成本和用户的经济损失。
综合以上充电基础设施相关规划论文来看,进行城市规模下的充电需求估 计可以通过出行调查数据建模从而模拟充电驱动,也可以通过电动汽车出行概 率分布进行行程链概率模型驱动。因此计算充电需求时需要考虑私家桩,公共 桩配建比例,电池容量,以及最大化电动每日行驶里程等作为目标进行整体模 型的优化。
1.2.2充电基础设施规划经济性研究现状
在评估充电基础设施的经济性主要包括两部分,一种是考虑配电网相关充 6
电基础设施带来的电力系统成本的评估方法,主要侧重于评估网损,变压器, 电网配置等电力系统相关指标的计算。比如主要通过考虑功率因数,充电效率, 额定功率等电力系统因素[25],以及采用浮动电价方法将计算相关电力成本及收 益作为主要的建模条件[26]。除了考虑以上参数外,有些论文考虑包括充电站夜 晚等环境下所需照明等用电成本的计算[23]。
第二种经济性研究侧重于计算充电基础设施规模的相关技术经济性指标, 比如,计算充电基础设施规划经济性方面主要考虑初期建桩成本和历年的维护 运营成本以及服务费收益和回收收益等指标,对全生命周期的经济性进行综合 评估[27]。
本文的经济性在建立考虑技术经济性的充电桩生命周期模型的基础上,结 合电力系统的模型参数,建模相关电力成本,电力损耗等,对建设充电桩的相 关经济性指标进行估算。
1.2.3居民行程数据研究现状
在充电需求模拟方面考虑使用的输入的行程数据主要包括以下四种数据: 基于 GPS 设备的实车行程数据,基于行程调查的行程数据,基于调查及行程链 相关算法如马尔科夫链等概率算法模拟出的行程数据等[28]。
(1)基于GPS设备的实车行程数据研究
基于 GPS 的实车行程数据主要是从传统汽油车中收集的数据,主要由现实 汽车的运行坐标以车辆的实时状态如车辆ID、时间、位置、速度和工作状态参 数等组成。GPS数据可以为估计以及预测汽车能耗提供数据支撑,比如Dong[29] 利用美国奥斯汀市的 GPS 数据来分析插电式混动汽车的能耗指标。而 Smith[30] 使用加拿大温尼伯市以及Peare[31]利用GPS数据分析美国亚特兰大市的电动汽 车规模等,均采用实车GPS装置数据进行分析得到。
利用电动汽车的 GPS 数据和交通网络的地址信息等准确信息相结合,可以 恢复电动汽车的轨迹和动态。例如,基于大量的出租车 GPS 原始数据可以用于 电动汽车的服务和为电动汽车充电而提供的服务[32]。模型中电动出租车的服务 指标主要通过出租车电动行驶里程以及充电等待时间来衡量。
7
但由于 GPS 电动汽车行车数据相对较难获得,或者在传输信号的过程中出 现误报、漏报等问题造成的数据相对质量较低。并且进行 GPS 的实际数据处理 时还将涉及到基于手机信号等的 GPS 小区地理特征定位等复杂因素影响规划结 果。
(2)基于电话等广泛调查的行程数据研究
基于电话调查等的数据库被广泛应用于行程研究中,例如美国的 NHTS 调 查数据,NHTS(National Household Travel Survey)调查数据特点是其调查人群数 量较大,范围涵盖美国的多数州范围较广,调查问题设置细节,包括周末和工 作日等重要行程特征[29]。张洪财[34]等人基于 NHTS 数据结合相关停车目的地和 车辆类型等不同参数建立相关充电需求分布模型。麻秀范[35]基于 NHTS2009 年 的出行调查数据建立充电需求框架,并基于功能划分小区后的目的地进行相关 出行行为及充电需求模拟。
该数据每个人的调查问卷设置日期限制在一天之内,且本研究课题主要选 择用例为我国城市作为用例。在我国暂缺失此类大规模下的行程调查数据,并 且美国城市的行程特征和我国的城市间存在较大的差异。故本文暂不使用此数 据进行相关数据分析。
(3)基于行程链模拟的行程数据研究
基于行程链的模拟的行程数据主要通过基于马尔科夫等概率算法进行行程 链建模输出行程数据,并且该模拟数据特征符合调查数据相关特征的正态分布 情况[36]。潘胤吉[37]基于马尔科夫链的建模来构造区域间的转移矩阵,并进行决 策仿真模拟充电行为的时空分布。Tang[38]基于随机行程链和马尔科夫决策建立 了汽车在时空区域内出行的概率模型。
1.3主要研究内容
结合以上相关领域的研究现状,本文建立了一个电动汽车充电基础设施规 划系统模型对具体用例的充电基础设施规划的研究对象进行研究。
第一章主要介绍了本文的研究背景及意义,以及国内外相关研究的现状。 包括电动汽车基础设施规划研究的现状,充电基础设施规划经济性研究的现状,
8
以及本文系统模型需要作为数据输入的调查数据现状。
第二章对电动汽车基础设施规划系统的系统功能框架进行主体架构以及系 统功能需求分析的相关设计,概括下文各章的整体内容及本系统研究的目的。
第三章充电需求功能实现主要对充电基础设施规划系统的充电需求功能的 具体内容进行相关设计,首先基于双层行程链生成符合调查数据特征的大量长 时数据,其次对充电需求进行相关模拟,最后结合充电需求模块的参数设定分 析其影响程度。
第四章对设定本文的高低情景包括保有量以及前文涉及的其他重要参数的 情景设定,基于第三章的充电负荷模拟结果对基础设施规模进行场景设置。并 对经济性模块以及用户满意度模块的多种指标功能设计,使其满足设定的功能 需求。
第五章主要是对本文具体实现方式进行介绍,以及其整体的程序实现方法 和结合相关算例北京做出结果的可视化分析,包括充电负荷预测结果,充电基 础设施规模预测结果,经济性及满意度指标等结果。最终提出相关用例的规划 建议。
第六章对全文整体内容进行总结,并提出未来本课题的相关展望。
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
10
 
 
第2章 规划系统功能架构和相关需求分析
2.1规划系统功能主体架构设计
本文所涉及电动汽车充电基础设施规划系统主体架构主要分为充电需求模 拟模块,充电规模情景设定模块,电网端经济性分析模块,用户端消费者满意 度分析模块,以及具体案例综合分析可视化模块,并最终输出相关规划结果及 各种输入参数及模型如图 2.1。
 
图 2.1 规划系统功能架构设计图
 
充电需求模块首先将电动私家车的出行数据,以及车辆和充电桩属性参数 设定输入充电需求模块,结合充电行为模拟功能计算符合私家车行程的充电需 求数据,计算出的充电负荷满足电动私家车正常出行的需求。
充电桩规模情景设定模块主要设定不同发展条件情景不同参数的变化情况。 主要包括充电基础设施规划情景设定,其分别将高、低情景设定和充电利用率 以及峰值排队数量相关联。该模块还包括未来一段时间内电动私家车的规模预 测,以及影响充电需求模块的不同参数的变化趋势预测。最终结合现有的充电
11 基础设施规模,进行现有规模下的充电行为模拟并输出实际充电量给效益分析 等模块。
两种效益评价模块主要包括电网端经济性分析模块和用户端用户满意度分 析模块。电网端经济性分析模块通过计算充电站的成本模型和收益模型来进行 电网端的经济性分析。用户端用户满意度分析模块主要由分时电价相关的充电 成本,纯电续驶里程相关的里程焦虑成本,以及计算供应负荷和需求负荷相关 的充电等待时间成本构成。
综合分析模块通过接收充电桩规模情景设定模块,电网端经济性分析模块 和用户端用户满意度分析模块的相关结果进行综合分析,并且此模块可以进行 此类结果的存储及可视化,最终输出该城市用例下的相关规划建议。
2.2规划系统功能需求分析
充电设施的规划目前涉及多种挑战。首先,是纯电动汽车的行驶里程问题, 由于之前几年电动汽车续航里程评价指标很多,但实际可信度不高,在能量存 储技术暂时没有突破的情况下,在短时间内会有一定限度的增长。为了降低未 来续航里程增加带来的里程焦虑问题,其总体规划数目必须满足续航里程限制 带来的相关充电需求[39]。
其次,电动汽车公共充电时的长时间等待会大幅降低电动汽车用户的满意 度,并且一定程度的排队可能还会造成的交通拥堵问题。但是为了保持较高的 日使用率指标,充电基础设施建设的初始投资更多的投放在人口较密集的区域, 因此会带来一系列相关的问题。
考虑到充电高峰期的充电需求,充电设施的规划应与其相匹配,以确定充 电桩的规模使之既保持较高的使用率,又同时在峰值充电方面也保持较少的充 电等待时间,既使得其满足新能源汽车用户的充电需求和满意度问题,还使其 满足电网公司以及其合作商的对充电基础设施的经济性需求。
第三,随着电动汽车对快充桩的需求增加,叠加到每日电网基础的负荷有 可能在峰值负荷产生电网超出发电限额的情况。同时,充电基础设施的充电和 高功率会带来的较高的电力损耗,所以充电基础设施的规划必须保证安全和可
12
靠的运行。
第四,私人充电桩目前配建较难,主要受到集团用户以及居住地配网容量 和实际停车地点等相关环境条件制约,在私人充电桩的配建上无法完全达到预 期规划数量。但是随着政策的不断发展,比如在新建的小区内需要预留充电桩 的位置等,使得私人桩的随车配建比例也在不断提升[40]。
为了解决以上问题,本电动汽车充电基础设施规划不同模块功能需求主要 包括以下几点:
1.本模型所设计的充电需求模块需要满足私家车乘用车用户正常的出行行 程,包括不同的出发时间点以及不同长度的行程目标,并输出相关每日充电负 荷需求情况。
2.本文在规模估计的情景设计阶段需要较好的满足未来数年内的发展趋势, 并且参数化建模其各年的保有量及相关发展参数等。
3.本模型所设计的充电基础设施规划需要满足较高的日平均使用率指标, 使得其对充电服务商有着较好的经济性,并且限制峰值排队情况从而获得较高 的用户满意度指标。
4.本模型需要根据用例现有的充电桩细分比例以及总体规模特点,综合提 出未来相关的规划建议等。
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
14
 
 
第3章 充电负荷需求模拟功能设计与开发
3.1基于双层行程链建模的行程输入数据
本文选择能够反映充电基础设施充电行为即基于行程链进行模拟后所得数 据作为充电需求模拟模块的输入。该模型所涉及双层行程链包括两层模型,顶 模型主要通过调查数据对进行行程链数据拟合,底层模型基于样本数据对定义 行程链特点的相关概率参数进行拟合,如开始时间,停留时间,行驶距离的分 布等,并最终生成符合分布的行程数据 。其模型主要采用家庭-工作地-家庭, 家庭-工作地-其他地点-家庭,家庭-工作地-其他地点-工作地-家庭,家庭-工作 地-其他地点-工作地-其他地点-家庭等行程链进行数据建模,相比综述的提及的 其他行程数据相比有以下特点:
基于双层行程链的数据模拟出的行程数据可以降低 GPS 异常数据或分区模 型带来的问题,突出用户驾驶及充电行为特征对行程数据的影响。该数据由中 国城市中一定数量符合要求的人群中进行调查得到,并且能够生成大量和长期 符合该调查人群特征的数据。
箱型图 3.1 反映了生成数据和原始调查数据在下列行程特征上的分布情况, 验证生成的数据行程特征和原始数据行程特征分布,中位数及平均数等统计量 基本一致。
 
(a) 工作时间在其他地点停留时间分布 (b) 下班后在其他地点停留时间分布
100
80-
(c) 家到工作地行驶时间分布
图 3.1 模型数据行程特征和原始数据行程部分特征对比图
基于双层行程链的数据生成函数主要输入接口包括,天数和车辆数以及生 成数据的存放路径等。本文通过该行程链模型函数生成了 7天 3000辆车的符合
我国城市居民出行特征的行程数据,用以将数据输入到规划系统内作为充电需 求模块的行程数据输入。
基于行程链的模拟后的行程表举例如下,其中第一辆汽车7天的行程表示如 下表 3.1:
表 3.1 基于双层行程链模拟的车辆行程表(以第一辆车为例)
车辆 行程 停留时 行程起始 行程结束 行程停留 行程结束 上一行程行
ID 日期 间编号 时间 时间 时间/min 位置 驶距离/km
1 1 1 7:38 10:18 160 工作地点 6.0
1 1 2 8:13 11:37 308 公共地点 4.7
1 1 3 15:09 18:29 200 工作地点 4.7
1 1 4 19:07 7:25 738 6.2
1 2 5 7:55 9:05 70 工作地点 6.1
1 6 3 18:16 7:24 280 6.0
1 7 2 7:49 12:29 131 工作地点 5.9
1 7 3 13:56 16:07 58 其他地点 57.5
1 7 3 17:23 18:21 58 工作地点 58.3
1 7 4 18:59 7:31 752 6.1
 
16
3.2充电需求模拟模块功能设计及参数设定
3.2.1充电需求模拟模块功能设计
充电负荷需求的输入数据是基于双层行程链模拟的行程数据,输入参数主 要包括车辆属性和充电桩属性。本文的充电模型框架实现流程即车辆充电循环 分为四步。首先设定框架的各种参数后,第一步获取接收行程数据中的行驶时 间,行驶里程,平均速度等数据,并设置初始离家电量。第二步,在车辆行程 开始时,运行车辆运行电量的消耗功能,结合车辆电池容量约束,能耗约束等, 计算出该行程及车辆运行结束后的电量。第三步结合行程结束电量并获取停留 时间,停留地点等信息,计算行程结束电池的理论SOC值。第四步结合充电桩 地点以及结束电量确定是否进行充电,并利用动态规划算法选择公共充电桩的 充电级别。当下一次行程开始时即为进入车辆进行下一次充电循环的过程,随 着车辆行程的不断进行重复此循环,在行驶数据中,每一辆车在一个行驶日期 的每一个行程中都通过本循环的计算过程进行计算。此模型通过这种算法的循 环来达到充电需求功能的模拟的目的如图 3.2。该模型作为基础设施规划系统的 基础,其输出是包括电动替代里程,需求充电负荷等在后续模型中计算所需的
r.r—t
数据。
 
行程结束时在充电桩充电的决策涉及停留时间和停留地点,因此将每辆车 在一个行驶日期的每一个行程中的典型日的充电地点和充电方式匹配示意图如 图 3.3 。该图示主要表示了在工作地充电,工作地点充电和私家桩充电的一种可
能的充电情形。
 
图 3.3 典型日充电地点和充电方式匹配示意图
18
3.2.2充电需求模拟模块参数设定
与其他研究类似,本研究的侧重于车辆行为的宏观尺度,不是考虑详细的 物理车辆模型;相反,使用了参数化的车辆运行和充电桩模型。表 3.2显示了本 研究中使用的车辆参数,这些参数主要来自于目前所生产以及正在销售的车辆。 依据模型中基础年份的基础情景以进行后续分析,主要设定的车辆参数表设定 如下表 3.2:
表 3.2 基础情景主要参数表
混动汽车 纯电动汽车
续航里程(km) 60 400
百公里耗电量(kW・h/100km) 15.0 14.0
( 1320kg<CM<1430kg)
私家桩配建比例 30% 60%
7kW私家桩配建比例 50% 60%
工作桩配建比例 10% 10%
非家庭充电桩开始充电时的剩 5% 10%
余SOC阈值(%)
家庭充电桩开始充电时的剩余 10% 20%
SOC阈值(%)
计算电池总容量(kw・h) 9.0 56.0
参数设定说明以及模型主要假设条件设定如下表3.3:
表 3.3 充电桩匹配参数表(kW)
混动汽车 纯电动汽车
家庭充电桩 3.5kW, 7 kW 3.5 kW,7 kW
(按比例配建) (按比例配建)
公共充电桩 7 kW (较少) 7 kW, 60kW
工作充电桩 7 kW 7 kW
充电桩匹配的约束首先考虑设定插电混动汽车在公共充电桩不进行直流快
速充电,且充电机会较少。其次对于纯电动汽车,在公共场所寻找公共桩是机 会成本相关问题。而目前 7kW 慢充桩相对直流快充桩分布更加广泛,在快充桩 和慢充桩均能满足驾驶员未来的行程时,驾驶员有概率去主动选择 60kW 充电 桩充电以节省充电时长,否则将在公共充电桩将使用 7kW 慢充充电。在私家桩 的充电方面,纯电动汽车在私家桩配电优先配建 7kW 以符合主流的私家桩功率 发展趋势,并且纯电动和混动汽车可以在模型中设置不同的私家桩相关参数比 例。
3.3充电行为模拟功能模型设计
在充电行为的决策过程中充电行为的模拟尤为重要,充电行为的模拟可以 分为基于剩余里程的充电行为模拟充电决策,以及基于动态规划下的充电模拟 模型来模拟驾驶员进行充电桩选择决策以满足未来的驾驶员行程。
3.3.1基于剩余电量的充电行为决策模拟
(1)家庭充电
私家电动汽车车主的纯电动汽车将家庭充电作为最重要的补电方式是一个 广泛的共识。家庭充电其主要特点是长时间的慢速充电,并且主要处于分时电 价中的谷期进行充电,在延长电池寿命,降低用户的充电花费方面均扮演重要 的角色。家庭充电还可以采用有序充电策略,以及 V2G 等延迟充电策略从而达 到缩小整体电网的峰谷差的目的。
在家庭充电时决定是否充电的公式及逻辑如下:首先判断车辆是否处于家 庭充电位置,再判断是否此配建两类充电桩中的一种或并未配建,最后判断此 时车辆计算下的剩余里程是否低于设定家庭充电阈值。如果以上条件全部满足, 则进行家庭充电桩的充电,否则将不进行充电。而在配建了充电桩的家庭中, 将继续使用第一次充电的家庭充电桩的充电功率类别进行充电。
有私家桩的车辆家庭充电功率如下:
 
 
 
式中:
20
sochome——设定的家庭充电SOC阈值;
socstart——停留起始时刻即行程结束时刻SOC实际值;
pnhom ——配建的家庭充电桩充电功率即本文设置的3.5kW或7kW充电桩功
率,kW ;
tstart——行程起始时刻;
Tcharge —实际充电时长由下式决定:
丁“ = min [Tdwei,^^cs^ 1 (3.2)
Tdwel ——车辆停留时长, min;
Cn ——计算电池总容量,kW・h;
nn 充电桩充电效率。
(2)工作地点充电 在一些不便进行家庭充电的电动私家车中,有一些企事业单位配建内部工
作地点的充电桩以方便员工进行充电。一部分人将工作期间利用工作桩进行补 电作为其重要的充电方式。根据一项调查研究显示,约 20%左右的车主利用工 作桩进行补电[42]。其充电负荷的特点主要集中于工作时间即 8时至17时,并在 中午 12 时达到峰值。
因此,在工作地点决定是否充电的公式及逻辑如下:首先判断车辆行程是 否结束于工作场所,再判断是否为此车辆配建工作充电桩,最后判断此时车辆 计算下的剩余里程是否低于设定非家庭充电的阈值。如果以上条件全部满足, 则进行工作场所下的充电,否则如果未配建工作充电桩则选择公共充电桩进行 充电。即工作地点充电的约束条件除判断阈值更改为非家庭充电的阈值外,和 家庭充电桩的约束条件基本一致。
(3)公共地点充电 大多数充电桩,主要为私家充电桩以及工作充电桩,但对于政府或电网以
21
及合作者规划而言,利用公共充电桩获取经济收益以及提供相关充电服务是一 种主流的发展趋势,并且也有利于私家车车主方便的进行充电。公共慢充电桩 的充电负荷在6时至20时均有分布,主要充电时间集中在10时至12时,峰值 负荷较高,可能会对总配电网络造成冲击。
快速充电对于未来将有长行程的驾驶员更为重要,进行快速充电可以有效 地与现有的出行行为特征保持一致,以满足驾驶员日常驾驶需求。然而,提供 快速充电桩相比慢充在经济性方面具有较高挑战性。因为快速充电站虽然对用 户来说非常重要,但对充电设施提供者来说建桩位置不当或建桩规模不当的情 况下可能会造成较低的每日使用低利用率以及较高的初期投资成本的问题,导 致短期内盈利能力不佳。
公共慢充桩的约束条件和工作桩基本一致,公共慢充和公共快充充电功率 分别设定为7kW和60kW。在慢充桩上,车辆以设定的恒定功率充电SOC达到 100%;在直流快充桩即DCFC充电桩上,纯电动汽车车辆的充电功率在SOC达 到 90%时,线性降低充电功率充满电池,以防止因充电速度过快导致过充问题 影响充电电池寿命,甚至带来严重的安全性问题。
当采用公共直流快充桩时,瞬时功率约束公式如下式 3.3:
V, tstart < t < tstart + T'二 &0 < SOCstart <= SOCpublic
P =\Pnfast — kt,tstart + Tft < t < tstart + Tf + TSO (3.3)
charge charge charg e
0,其余时间
式中:
k ——充电功率线性下降速率参数;
T fast ——第一阶段的快充充电时长由下式 3.4决定;
charge
 
 
 
T slow ——第二阶段减缓速率的快充充电时长由下式3 . 5决定; charge
 
 
 
因此以 400km 续航的纯电动汽车快慢充电桩的充电功率曲线图分别表示为
如下图 3.4:
 
 
图 3.4 快慢充电桩的充电功率对比曲线图
3.3.2基于动态规划的充电桩充电功率决策模拟
(1)动态规划算法简介
动态规划(Dynamic Programming,DP)算法主要思想是在进行最优化求 解时,把一种最优的复杂问题视为多阶段的求解过程,将其降级为子问题并使 得问题逐步得到解决。
在本文中,寻找整体问题即满足一定时间内车辆的电动行驶里程的最优解 的子问题可以认为是私家乘用车每日电动行驶的里程为最大,从而确定其中的 某一组充电决策解。通过动态规划比较每一个子问题即每一个步长每天内的行 驶里程最大,可以获得整体电动替代行驶里程的最大值。此问题还可以采用整 体遍历方法计算,即每一次选择便记录一条行驶里程数据,并最终进行比较, 再选取最优解。此种方法的计算复杂度在进行公共充电桩为 m 个的情况下的复 杂度约为指数阶O(2m)相对较高。
本文选择的动态规划方法相比遍历算法可以降低因遍历算法带来的时间复 杂度和空间复杂度过高的问题,有效提高运算速度并降低内存的使用。
(2)算法计算流程设计
纯电动续驶里程(EVKT)是指在模型模拟的过程纯电动汽车和混动汽车在
SOC不为0的情况下的车辆纯电运行里程即为EVKT,EVKT越大则相对使用纯
23 电动进行行驶的里程越长。
v P *t '
Rjdk = mm jRj -Rsoc,jd,k,心严] (3.6)
式中,
jk —第j辆车在第d天第k次行程后停留的时间
Rj ——电动汽车总续驶里程, km
P ——在充电站的充电功率, kW
j,d ,k
车辆j的平均耗电率,kW • h/100km
Rjd,k 第j辆车在第d天第k次行程在目的地充电后实际电池续航里程
的增加量, km。
Rsoc“,d,k —第j辆车在第d天第k次行程目的地的剩余SOC所计算的里程, 该变量是在完成行程后在目的地可能的充电前计算得到。纯电动汽车在第k次 行程的目的地的预充电 SOC 可以在电池水平的基础上,根据前一站的 SOC 水 平、可能的充电量和行程距离来计算如下式 3.7。
Rsoc ,j,d,k = Rsoc ,j,d,(k—1) + Rj,d,(k—1) Sj,d,k (3・7)
Rsoc,j,d,k负的SOC换算的剩余里程值表明纯电动汽车的续航能力不足以完成 本次的行程S}^k,即本次所丢失的里程。因此,第k次行程到下一个可用的充 电地点前的行程均被视为丢失的里程。yhd表示司机在一天内错过的里程数目, 为一天内的丢失里程累加之和,因此目标函数可以写成最大限度地减少所有纯 电动汽车驾驶员错过的行程总数如式 3.8。
DN
min f(x) =
d=1 j=1
对于此问题,遍历算法在最终行程结束时筛选最小的电动汽车花费里程, 但是每进行一次充电桩的选择就会增加一种计算可能性,并放大到后续的行程 24
及结果计算中,因此选择本文利用动态规划算法进行求解。
初始条件设置为电动汽车最初的行程起始时电动行驶里程为 0,而每一步 行程结束时求解的递推公式为,每日最后一个行程结束时的行驶里程取上一日 的电动行驶里程加前一日最末行程结束时的行驶里程之和的最大值,即下式 3.9:
EVKTj,d =max{EVKTj,d-1+(Sj,d -yj,d)} (3.9)
通过每日行程结束的电动汽车替代里程动态求解第一次行程出发时到数据 末尾第D天的最大电动汽车行驶里程,即为此模型中的最大电动替代里程。纯 电动汽车纯电续驶里程越长则对驾驶员来说里程焦虑越小,后续计算的里程焦 虑成本越小。而对于插电混合动力汽车驾驶员来说纯电续驶里程越长则相对更 加节省能源消费。
3.4充电需求模拟结果影响因素分析
在其他多种参数设定为默认的情景下,本文对重点参数如续航里程参数, 私家桩配建参数,充电起始 SOC 参数,工作桩配建率等参数对充电需求负荷的 影响分析如下。
3.4.1续航里程对充电需求模拟结果的影响分析
根据纯电动汽车和混合动力汽车类别以及续航里程不同可以将续航里程参 数分别设定为下表参数并将其结果对比如下图 3.5:
 
 
 
(e) 纯电动汽车续航 600km (f) 混动汽车续航 60km
图 3.5 不同类别续航里程参数对结果的影响对比图
根据续航里程参数对模拟结果的影响对比图,纯电动汽车和混动汽车随着 续航不断提高,在一周内平均的充电负荷总负荷需求也随之提高,并且总体的 充电时间和充电负荷均有所增加。
对于纯电动汽车随着续航里程的提升,其对公共直流快充桩的需求比例增 幅明显,并且快充桩逐渐对 7kW 慢充桩的充电需求实现一定程度的替代。同时, 60kW的快充充电桩充电时间也将有一定程度的增大,可能的原因是,工作桩的 慢充将不足以满足车主对未来行程的需求。虽然家用桩充电负荷峰值基本保持 不变,但其充电时间变长,峰值滞后并持续时间提升,因此在家用桩充电的总 需求能量将得到提升。而对于混动汽车的电动续航里程不断增加时,其对私家 桩的依赖将增加,并最终带来总负荷以及峰值负荷的提升。
3.4.2私家桩配建对充电需求模拟结果的影响分析
私家桩配建率以及私家桩中7kW和3.5kW在实际应用过程中是一个可选参 数,主要影响私家桩配比以及私家桩中3.5kW以及7kW的占比等。两个参数分 别取值 0.4, 0.6, 0.8 进行排列组合并输出对比结果。在模型设计中,按比例确
26
 
定该用户是否使用私家桩以及私家桩的功率,则在模拟用户充电的几天内该私 家桩在家充电的功率一直确定为3.5kW以及7kW充电或不进行私家充电,并在 此用户的行程过程中保持不变。
 
 
 
 
 
(g)私家桩比例:40% (h)私家桩比例:60% (i)私家桩比例:80%
7kW 比例:80% 7kW 比例:80% 7kW 比例:80%
图 3.6 不同私家桩参数对结果的影响对比图
在以3.5kW的充电功率充满400km续航里程的纯电动汽车时,其充电时长 将大约为 16 个小时左右,而一般驾驶员在加停留时间均小于此数值,所以 3.5kW的充电桩越多,对于公共桩的依赖越高。因此提高7kW的充电桩的配建 比例会降低对公共快充桩充电的依赖程度,提高补电效率,同时降低快充带来 的峰值充电负荷的快速提升,防止其和总电网负荷叠加带来的电网超限问题。
3.4.3工作桩配建率对充电需求模拟结果的影响分析
工作桩配建率参数主要影响工作桩的充电负荷,工作场所的配建率提高对
27
 
上班族来说除私家桩外的慢充补电机会提高,并有可能成为鼓励其购买电动汽 车的有效方式。鼓励工作充电桩建设可以提高充电多样性并减少负载聚集,而 使充电负荷更好地融入电力负荷系统。在工作场所配建率较高的情况如 30%时, 意味着该城市提供工作桩能力较强,而上班人员能够在工作桩充电桩的机会较 大。相应减小工作桩的配建率会大大增加用户在公共桩充电的情况,使得短时 充电负荷较高。
 
(c) 工作桩配建比例:50%
图 3.7 不同设置的工作桩参数对结果的影响对比图
3.4.4充电起始SOC设定对充电需求模拟结果的影响分析
一周充电起始SOC参数主要影响第一次离家充电的SOC设定,本模型中该
参量主要影响负荷充电需求的相对数值,但对各种充电桩充电负荷比例影响并
28
 
不大。因而,此参数设定对最终的充电结果影响不大,模型相对稳定并在整体 模型中将其设定符合大多数出行行为调查的离家起始SOC为60%,并且在模型
情景设计中不涉及其参数的改变。
 
(c)充电起始SOC设定:70%
图3.8不同充电起始SOC参数对结果的影响对比图
3.5本章小结 本章的充电需求功能实现主要设计了充电基础设施规划系统的充电需求功 能的具体设计内容,其主要实现形式包括:
首先,选择适合于本模型进行数据分析的基于行程链模拟的行程数据作为 数据输入,并介绍其具体表现形式。
29
其次,设计了整体的充电模拟模块框架和相关模型参数的输入,以及基于 剩余里程的充电行为的模拟预测和基于动态规划的充电功率决策,以最大化电 动行驶里程。
最后,考虑到对本充电需求模型的参数对充电需求模拟结果影响,主要选 择续航里程参数,私家桩配建参数,工作桩配建率,充电起始SOC参数等参数 分别进行数据分析对比。
30
第4章 充电基础设施规划与效益评价功能设计与开发
对电动汽车使用方面最常见的担忧是对有限的行驶里程、充电站桩数量分 布导致的充电不确定性,包括对充电时间和充电成本等的不信任,以及引起的 里程焦虑问题阻碍了新晋消费者的接受度,进而限制了电动汽车服务商的经济 效益。
4.1规划场景预测模块功能设计
4.1.1充电基础设施场景预测模块情景设计
基于前一章已有的充电负荷需求模拟模型,能够得到符合统计的大规模充 电用户的每日充电负荷规律,并分别细分充电基础设施的充电需求。本文设定 分别为高,低两种情景下的基础规模分析。
高情景的物理意义是对应所配建充电基础设施可基本满足每日所有的充电 基础设施的充电需求,且每日总体的充电桩利用率满足在较高水平。低等情景 对应在顺应行程需求的情况下,基本满足每日平均高峰时的充电基础设施充电 次数要求,对应充电基础设施发展相对高情景总体较为缓慢,但在高峰时段会 存在部分车辆有等待需求。在暂不考虑地理区位的因素下,模型中基础设施等 待时间为最小等待时间。
驾驶和充电模拟模块可以模拟并输出私家电动汽车的功率每日平均功率分 布情况,从中可以计算得到每日以及峰值的充电次数及充电需求情况。如果这 些充电事件发生在同一地点,并均匀地分布在一天中,最少的基础设施就能满 足需求(对应于少量充电桩的高利用率),本文利用峰值充电利用率及峰值供给 车辆数来约束峰值充电时充电桩的使用情况。相反,如果同样数量的充电事件 发生的地点不同,则大量的基础设施才能满足需求(对应于大量充电桩的低使 用率)。本文利用日均利用率来限定总体充电桩使用情况,因此设定基础设施规 模时高低情景的公式如下式 4.1,式 4.2:
31
 
充电桩类别,是根据地点和功率分类设定的五种充电桩之一;
j ——车辆行程处于总行程的第j天;
k —车辆处于第k个时间间隔;
N ——一天内的时间间隔总数,本模型分辨率设置为 10 分钟,因此一天包 括 144个时间间隔;
D ——计算的数据总计有D天,本模型使用数据为7天;
CEi,jk 第i个类别的充电桩在第j天处于第k个时间段时的需求充电负
荷;
CEp —第i个类别的充电桩总行程中的需求充电负荷峰值,kW;
HE’——根据设定计算得到的第i个类别的充电桩的高情景规模;
ME’——根据设定计算得到的第i个类别的充电桩的低情景规模;
人一每日充电桩总体平均利用率;
L ——每日充电桩峰值利用率的相关参数; 根据充电基础设施年度报告,处于 20%左右的利用率在目前的充电使用率 比较合适,基本负荷回收成本的预期,所以本文设定平均每日总体利用率即厶 为20%,并据经验将人设定为1.25代表在峰值每个充电桩对应1.25辆汽车充电 负荷的需求,物理意义可认为处于峰值负荷时,每有一辆车在充电的同时每
& -1辆车正处于排队状态。通过对上文充电需求的分析,带入相关车辆及充电 桩参数进行具体的规模估计。
32
 
4.1.2模型情景设定
本文在年份情景上主要通过设定第二章提到的重要参数如:电动汽车规模, 续驶里程参数,私家桩以及工作桩等参数的逐年变化来设定进行情景年份设定, 以进行高低情景下的参数及保有量设定。
(1) 电动私家乘用车规模预测
本文在电动私家乘用车估计模型中,主要利用Bass模型进行电动私家乘用 车规模预测估计[43]。近些年来, Bass 模型主要为新技术新产品进行总体需求相 关预测。而电动汽车随着政府的不断推广,以及一些消费者本身对电动汽车以 及新能源相关产品的青睐,在近些年来电动汽车可以被认为是一种新兴的技术。 而电动出租车和电动公交车的保有量较大受到政府政策的影响,因此在适用程 度方面,私人电动相对前两者在使用场景上更为理想。
该模型的将潜在购买者分为两类,即创新者和模仿者[44],也就是该模型使 用的基本假设条件。创新者是指外部通过大众媒体传播的消费者,模仿者是指 内部通过使用后进行口碑传递的消费者。Frank M. Bass教授认为,那些尚未购 买的人购买的概率是先前购买的人的线性函数,如式 4.3。
 
其中f (t)是电动汽车时间密度函数,F (t)是t时刻使用者的累积数量,p
表示创新系数,创新系数代表影响创新者的系数,主要由外因决定, q 表示模
仿系数代表影响模仿者规模的系数,主要由内因决定。因此,方程式可改写为:
畔=[P + qF (t )][1 - F (t)] (4.4)
dt
如方程式所示可以解释为连续 Bass 模型的近似:
F((JU" t)= [ P + qF (t )][1 - F (t)] (4.5)
(t+1) -t
因此, Bass 模型进行时间离散化后可以表示为式 4.6:
AF(t +1) = F(t + 1) -F(t)二[p + qF(t)][1 -F(t)] (4.6)
33
在时间t +1后增加的采纳者相比潜在采纳者的比例用AF(t +1)表示。
接下来,用n(t +1)表示在时间t +1的购买者数量,用N(t)表示在t年的累
积购买者数量。用M(t +1)表示在t +1年的潜在购买者。因此,n(t +1)可以写
成:
n( t + 1) = M (t +1) AF (t + 1) (4.7)
重新排列组合方程可以得到以下式子:
n(t + 1)兰 M (t +1)[ p + qF (t)][1 - F (t)] (4.8)
F (t) = (4 9)
M(t)
进而t +1年电动汽车购买者的数量N(t +1)经预测后可以写为:
N (t +1) s N (t) + n( t +1) (4.10)
Bass 模型的缺点在于更多地关注新产品的增长,而忽略了之前购买的产品
的淘汰。而在汽车模型中涉及的淘汰主要包括车辆达到使用年限而退役造成的 自然淘汰,以及车辆在行驶过程中遭遇事故或弃用而产生的被动淘汰。
此处,用EA(t)表示私人电动汽车的被动或偶然淘汰的车辆数目,EA(t)可 按下式计算,%为偶然淘汰率,设置为7%。
EA(t) = N(t)*rac (4.11)
此外,设置 EN(t) 表示私人电动汽车的自然淘汰车辆数目,即生命周期内 退役的汽车数量,En(t)可表示为式3.12。其中Sale(t)表示t年的销售数量, Sur(i)表示t年的留存率也就是纯电动汽车。
i=g
En(t)=工 Sale(t - i)[Sur(i -1) — Sur(i)] (4.12)
i=2
而N'(t +1)即为t +1年需求的电动汽车数量。
34
N(t+1)=N(t+1)-EA(t)-EN(t) (4.13)
本模型通过考量不同的外界因素影响,具体设计不同的p或q参数设计而 确定高低情景下的电动汽车数量,以此作为电动汽车充电基础设施规划研究的 基。
(2) 其他模型参数变化趋势预测 除电动私家车行驶里程外,随年份逐年变化的参数如续航里程参数,私家 桩配建率,工作桩配件率,私家快充桩占比等参数在模型的未来几年的变化中 设定遵循线性的变化规律设定如表 4.1。
表 4.1 模型重要参数 2022-2030年变化趋势表
参数 续航里程
(km) 私家桩配建率
(%) 工作桩配建率
(%) 私家桩快充占比
(%)
情景
2022 400.0 400.0 0.500 0.500 0.100 0.100 0.800 0.800
2023 425.0 412.5 0.525 0.513 0.112 0.113 0.825 0.813
2024 450.0 425.0 0.550 0.525 0.138 0.125 0.850 0.825
2025 475.0 437.5 0.575 0.538 0.156 0.138 0.875 0.838
2026 500.0 450.0 0.600 0.550 0.175 0.150 0.900 0.850
2027 525.0 462.5 0.625 0.563 0.194 0.163 0.925 0.863
2028 550.0 475.0 0.650 0.575 0.213 0.175 0.950 0.875
2029 575.0 487.5 0.675 0.588 0.231 0.188 0.975 0.888
2030 600.0 500.0 0.700 0.600 0.250 0.200 1.000 0.900
 
4.2充电基础设施经济性评价功能设计
在充电基础设施经济性分析功能模块中,对于充电基础设施提供者可以利 用经济性结果量化其规划方案对应回本周期短,经济性收益较大的方案,还是 一个相对经济性较差的规划方案。对于充电基础设施,电力公司关注其经济性 指标,而电动汽车消费者更关心便利性,充电成本等充电满意度指标。因此, 本文给出一种经济性评价方法如下:
35
本文的经济性评估主要计算公共场所充电基础设施的经济性。在本文设计 的方法中,建模主要考虑了建桩的固定成本和可变成本,补贴,以及基于用电 利用率的年收益等问题。假设了纯电动私家车在家庭充电,工作桩充电,慢速 和快速公共桩几种充电场景,计算和比较了充电运营商的成本和收入比较,以 及不同使用率情景对应的平准化收益年份对应服务商回收成本的情况。
4.2.1充电基础设施经济性分析框架设计
充电基础设施经济性分析总体框架如下图 4.1,经济性分析框架可以总体建 模为充电成本模型和充电收益模型。
充电成本以及充电收益二者分别代入贴现率函数计算成本净现值以及收入 净现值。根据在情景规模模块估计得到的某年份下充电基础设施数量以及种类, 可以得到不同高低情景参数及规模化设计预测的成本模型和对应的收益模型。 其中,贴现率和回收净现值随着年份逐渐提高,所代表的投入成本将逐渐提升。 而税率和电力成本受到充电基础设施供应侧功率和需求侧功率影响,需要再次 综合进行充电行为模拟得到平均每日实际售电量,并据此计算其服务费收益, 最终根据服务费缴纳的税费和由于电力供应损耗而产生的电力成本等。
36
充电基础设施数量及种类
 
 
 
图 4.1 充电基础设施经济性成本流程图
4.2.2充电基础设施成本模块设计
充电基础设施的成本包括初期固定建设成本C$t以及每年可变的运营成本 Cra [27]。充电基础设施的初期建设包括两个重要步骤,即购置和安装,其中购 置Gu产生的费用在桩的种类方面差异较大,而安装费Ceq也会相应有所差异, 如下式 4.14。
Cst = (Cbu + Ceq )* fdis(rdis,n) (4.14)
本模型中日常可变运营成本cra包括土地租金c^,站点服务费csc,设备相 关维护成本 Cma ,充电桩配电成本 Cel ,纳税成本 Cta ,网损成本 Cne ,和其他成 本Cor ;对于第n年的可变成本如下式4.15:
N
Cra,n = Y (Cfi,n + Csc,n + Cma,n + Cel,n + Cta,n + Cne,n + Cor,n ) fdis (rdis,")
n=1
站点管理与调度费用主要为站点所在服务人员产生的相关费用分别设置为 每年0.5和2万元。
计算设备维护成本Cma时需要考虑保修期问题,因此不包括设备第一年的 保修期后。设第2年的成本系数为.,设定为6%,其后在计算时每年增长rh进 行估算,此数值设定为 5%。
充电桩配电成本Cel主要考虑功率因数,充电效率和额定功率进行充电模型 的计算如下式:
P xa
Cei=ns7 (4.16)
式中:
P ——i类充电桩的额定功率,即7kW或60kW;
a 单位充电桩供给配电容量下的所计算的配电成本,设定为a = 0.1万
元/MVA ;
B 充电站负载率,设定为35%;
COS0 功率因数,设定为0.99;
n 充电效率,第二章已提及设计为92%;
纳税成本Cta按充电服务费所得乘纳税比例计算,本文设置为3%;
网损成本Cne设置为充电负荷的8%;
其中分散式充电桩的土地成本主要以租赁土地为主,因此土地成本按照每 年租金进行设定,同时租金成本因站点选址不同将会产生较大差异[26]。在此模 型中每月的土地租金按照每个桩30m2计算,此使用面积除了充电桩占地面积外 也包括停车位所占面积,地皮每日租金设定为并20元/平米带入模型,设定每年
38 的土地租金Cfi平均设定为0.72万元/年。
其他日常维护成本Cor中涉及到包括维保费,保险费,网络服务费等,分别 按照 0.1 万元/年, 0.1 万元/年, 0.05 万元/年计算。
根据文献及充电基础设施相关行业报告,平均每个 7kW 的公共充电桩和 60kW充电桩的成本投资设定参数如下表4.2:
表 4.2 充电基础设施经济性模型成本参数表
7kW充电桩 60kW充电桩
前期总建设 设备购置费/(万元) 0.3 10
投资 安装及建筑工程费/(万元) 0.1 3
土地租金(万元/年)
日常运营管理成本(万元/
年) 0.1 0.72 2
日常运营投 设备维护费比例 6%-8%
税收(基于充电服务费) 3%
其他运营成本(万元/年) 0.25
配电成本(万元/kVA;) 0.4
网损成本比例 8%
 
4.2.3充电基础设施收益模块设计
在充电站的收益中主要包括:充电服务费Pch以及政府对不同使用率充电桩 的补贴费用Psu。充电服务费通过模型中输出的不同峰平谷时期的充电量计算收 益。
N
Psh,n=Y(Pch,n+Psu,n)*fdis(rdis,n) (4.17)
n=1
除充电服务费外,在补贴中主要的收益方式主要包括电费补贴和充电基础 设施建设补贴,这涵盖了充电基础设施固定成本和可用成本中最大的一部分, 体现了国家以及地方政府对充电基础设施服务商建设符合功率要求的充电桩建
39
设的财政支持。并且对于充电桩的建设补贴也分为直流以及交流充电桩,其中 运营商的总服务功率达到要求时,交流充电桩按照60元/kW最高进行相关补贴, 直流充电桩依照不高于300元/kW进行补贴。并且对于充电桩的逐步智能化, 政府在相关研发费用以及网络配套设施方面均予以相关支持。而对于电费的使 用方面,部分城市会在工商业电价的基础上再予以补贴,约为每度电 0.1 元。
由于充电设备的使用过程中会产生一定程度的老化问题,过长的年限会带 来一定程度的安全问题。因此计算回收净现值Pe时需要考虑折损率的影响,因 为充电桩的使用年限在7-10年左右,折旧率rde即折旧后的实际折旧额占原固定 资产原值的比例设定为 3%。
Pre = Cbu X rde (4.18)
表 4.3 深圳市2018-2020年地区平均充电服务费表(元/小时)
年份 公共快充桩 公共慢充桩
充电时间 峰期 平期 谷期 全时段
2018 0.55 0.55 0.55 0.68
2019 0.3 0.36 0.41 0.73
2020.6 0.22 0.34 0.46 0.73
 
4.2.4充电桩基础设施经济性整体评估
其中本文设计的贴现率函数fdis (rdls, n)在本文设定为:
* —
(1 + rdis)n—1
式中:
C0——充电桩某年的成本或收益;
Cn——充电桩建设n年后的净现值,包括成本或收益在n年的净现值;
rdis——本文中为贴现率,本文设置为7%。
充电服务费变动影响因素较多,且受到当地政策影响较大,而如今充电市
40
场自 2018 年以来已经趋于成熟,因此,以充电服务费维持 2020 年的水平基本 不变计算作为本模型的假设条件。平准化收益年份或投资回报期指在此期间内 的总成本和总收益达到平衡,建立净收益I如下式4.20,当净收益I为0时计算 相应的平准化年份n。
I =(Cst +Cra,n)-(Psh,n +Pre) (4.20)
基于以上的经济性参数设定条件,建立7kW充电桩的净收益即投资净回报 与日均利用率和建设年份的关系如图所示:
 
 
图4.2 7kW慢充桩单桩经济性分析曲面图
基于以上的经济性设定条件,60kW充电桩单桩充电投资回报如图所示:
 
 
图 4.3 60kW 公共快充单桩经济性分析曲面图
从图中可以得出在60kW单桩日使用率为15%,单桩日充电量为216kW • h 时,平均每天服务车辆数为 3.85 辆,建桩 4 年内可以获得正收益。在平均单桩 使用率为20%时,单桩日充电量为288kW • h,平准化收益年份为建桩后的1.97 年,平均日均服务车辆约为5.14辆续驶里程为400km的纯电动汽车,相对成本 周期较短,且该回报周期符合大多数投资者的预期。
从图中还可以得出7kW的公共慢充电桩在单日使用率20%时,单桩日充电 量为33.6 kW・h,日平均服务充满纯电动车辆0.6辆,9年内可以获得正收益, 其建桩收益率相对快充较低。
综上, 60kW 的充电站在建桩的过程中相对初期成本较高,但收益相对 7kW 充电桩收益较大,且受到日均利用率影响更高。因此,运营商在规划充电 站时,应基于各功率充电基础设施的经济性[26]。比如将 60kW 的充电桩建设到 充电需求相对较高,日均利用率较高的位置,并综合考虑用户里程焦虑和等待 成本[26],合理规划充电基础设施功率,提供高质量充电服务。
42
4.3 充电基础设施用户满意度评价功能设计
4.3.1充电基础设施用户满意度整体框架设计
在本文满意度模块主要设计三种成本,包括用户充电成本,里程焦虑成本 和等待时间成本。充电成本主要设计分析的是一周内的充电成本,通过比较不 同充电桩的充电量进行充电成本的分析。在不同充电桩充电时间计算过程中涉 及到分时电价模块,即需要根据峰、平、谷不同时段计算用户在不同地点充电 时的充电成本。
在充电行为模块模拟输出的驾驶员电动行驶里程EVKT,与总里程做差所 剩余的部分可以认为是未被电动替代的行程(适用于纯电动汽车),结合租车法 进行计算的租车成本建立里程焦虑成本模型。
而驾驶员最短等待时间主要考虑驾驶员在充电负荷需求峰值,但实际充电 桩供应不足时的等待时间。影响结果的变量是快充的等待时间,并结合生产法 计算等待时间成本。总体框架如图 4.4:
 
图 4.4 充电基础设施收益模块计算流程图
4.3.2用户充电成本设计
在满足最大的电动汽车行程的情况下,用户通常考虑其最低的用户充电成 本。而用户充电成本主要和分时用电TOF(Time of Use)即具体城市的峰谷电 价定价机制相关联。
其中充电成本在不同类型充电桩以及不同年份的高低情景下设定函数计算 如下式 4.21 至 4.24,分别在三类不同价格及不同充电桩的充电时段内叠加峰谷 电价权重后计算充电花费。
如在峰值时段的充电情况下计算峰值充电花费如式 4.21。 W 为各时段充电 量,单位为千瓦时:
Cpeak = (W(10:00-12:00) + W(14:00—19:00)) * PriCepeak (4.21)
在平值充电时段计算平值充电花费,如式 4.22:
Cshoulder =(W(8:00—10:00)+W(12:00—14:00)+W(19:00—24:00))* Priceshoulder (4.22)
在充电的谷值时段的充电情况下计算谷值充电花费,如式 4.23:
Coff-Peak = (W(0:00—8:00) )* Priceoff-Peak (4.23)
则对于单一车辆单一日期的总充电花费如下式 4.24:
Cc =CPeak +Cshoulder +Coff-Peak   (4.24)
用户充电成本作为满意度指标还需要分别根据家庭充电,工作充电和公共 充电花费不同时段加权求和进行计算。其中家庭充电和分时充电花费按照深圳 市居民电价计算,设定为阶梯电价中的第一档位。工作桩分时充电花费按照深 圳市工商业电价计算,设定为阶梯电价中的第一档位。而深圳市公共快充桩的 充电花费计算按照每时段的深圳市工商电价花费,叠加深圳市公共快充桩平均 充电服务费计算用户的充电花费价格。
根据深圳市发展和改革委员会在 2021 年 12 月 31 日发布的《深圳市发展和 改革委员会关于进一步完善我市峰谷分时电价政策有关问题的通知》[45]以及 深圳市峰谷分时电价比价关系表》和《深圳市居民生活电价价目表》的综合 分时定价原则如下表:
44
表 4.4 深圳市分时电价策略价目统计表
谷价时段 平价时段 峰价时段
时段区间 0:00-8:00 8:00-10:00;
12:00-14:00;
19:00-24:00; 10:00-12:00;
14:00-19:00;
工商业电价(元/ 度) 0.2551 0.6991 1.0516
居民电价(元/度) 0.2486 0.6542 1.1121
公共快充平均充电
服务费 0.22 0.34 0.46
(元/度)
公共慢充平均充电
服务费 0.73 0.73 0.73
(元/度)
公共快充桩总花费 (元/度) 0.4751 1.0391 1.5116
公共慢充桩总花费 0.9851 1.4291 1.7816
元/度)
 
4.3.3用户里程焦虑成本设计
里程焦虑成本Cr指驾驶员由于担心电动汽车剩余里程不足以满足实际驾驶 行程,而抛锚在路上所产生的一种焦虑心情[46]。在本模型中假设其主要受到驾 驶员电动替代里程所计算下的 EVKT 即车辆电动替代里程相对总体汽车驾驶员 行程本身需求的模型相差的部分影响[47],并通过租车法衡量对应平均每人每车 的里程焦虑成本Cr,并建立模型公式:
V
Rmiss =为(Rvkt,厂 Revkt,i ) (4.25)
i =1
VR
p *miss — 1 —、' evk,i
miss= V
R i=1 Rvkt,i
vkt,i
i=1
式中:
% —第/辆车在行程数据中的实际行驶里程,km;
Rg ——第i辆车数据中的计算电动行驶里程,km;
Rmiss ——V 辆车总计未被电动替代的里程, km;
 
 
 
R V*D R
C _ ' 'miss * C * _ ' 'miss * C
R rent V V rent
工 Rvkt, i 工 Rvkt, i
i_1i_1
而本文需要计算平均里程下的租车成本,因此需要计算平均每辆车的每日 行驶里程即总里程之和与车辆总数和数据 7 天内之商,以计算最终平均每人每 车的里程焦虑成本。
下图 4.5为充电基础设施基础情景下替代里程情况的分布直方图,通过模型
的里程替代曲线可以表征出二者在不同区间分布内相差的里程分布情况。在模
型计算过程中,输入现实情况的充电基础设施规模或规划后设定的充电基础设
 
图 4.5 7日总行驶里程替代分布图
在行驶里程替代分布图可以得出随着总行驶里程逐渐提高电动汽车替代率
逐渐降低,黄色直方图所代表的实际充电里程在长行程区的分布高于蓝色直方
46
图的长行程区分布,因此可以体现出一定程度的行程模拟产生的里程丢失现象。
在本文中设定的高情景下,基本满足峰值的充电需求时,计算得到数据中 的 1908 辆车共有 98 个行程丢失,占总行程数量的 0.387%。而行驶里程丢失总 计为4227km,约占总行程里程的0.575%,可以得到平均每车的里程焦虑成本 约为 1.38元/天。
当模型给定的充电桩不能满足峰值需求的充电负荷时,假设某辆车在起始 充电时若处于充电功率供给端小于或等于充电需求负荷的状态时,便延迟等待 直到充电功率供给端的功率大于充电需求负荷功率数值再进行充电。此种假设 在模型中就会出现一些车辆由于无法进行及时的补电,而无法有足够的电量进 行接下来行程的情况。里程焦虑成本会因此提高,例如充电桩设置为高情景数 量的1/3时,此时的行程替代分布直方图如下:
120
100
80
图 4.6 较少充电桩数量下的 7 日总里程分布图
此用例中除长行程有一定的里程丢失情况外,在低于 400km 的行程分布也 存在明显的里程替代缺失情况,并且总里程丢失比例上升到 1.119%,丢失里程 累计结果为8750km,计算里程焦虑成本上升到2.69元/天。
4.3.4用户充电等待时间成本设计
本研究假设司机会在快速充电站停留,直到电动汽车完全充电完毕,而当
47
公共充电站的类型是慢速充电 7kW 时,整车充电时间较长,单车可能不涉及到 其中的排队时间问题。因为当慢充车位均满的情况下,私家车主可能会采用延 迟充电或者在其他可用充电桩充电的策略,而潜在的时间损失将会是充电的机 会成本问题。而本文主要考虑等待时间成本,暂不考虑充电机会成本等问题。
在计算用户的等待损失过程中计算时间成本的方法包括生产法和收入法[23], 生产法即将时间成本应用此时间成本内所创造的收入来衡量,主要适合符合工 作规律的用户进行时间成本计算,而收入法适合非工作等人员成本的计算。根 据生产法计算的流程图如图 4.7:
 
 
 
其中,第k个时间间隔新增排队的车辆数目为Q说,宏观上通过第k个时
间间隔前文计算得到的充电负荷和目前建桩数目计算供给的负荷得到:
 
通过不断累加Qwk,可以获得正在排队的车辆总数Qw。而第k个时间间隔 的等待成本由下式 3.29 得到,在整体的排队队列规模的基础上乘时间权重和价
48
值权重得到cw,k。最终再累加得到每日总充电排队成本C”。
式中,
CEk——第k个时间间隔所需求的充电负荷,前文模型输出得到,kW;
N —每天的时间间隔总数,本文3.1设置为1天144个时间间隔;
P ——每类充电桩对应的功率,本文为60kW;
n——充电桩对应的规划数量,由前文规划结果得到;
Cwork ——生产法所计算每小时的收入,本文设置为110元/小时;
C”——充电等待时间成本,元;
Qw ——等待中的车辆规模,辆;
4.4本章小结
本章主要包括本电动汽车充电基础设施规划系统三个部分的主要内容设计: 即充电基础设施规模估计场景设定模块,充电基础设施经济性分析模块,充电 基础设施满意度分析模块等。
在电动汽车和充电基础设施规模估计场景设计模块中,电动汽车未来的数 量预测主要利用 Bass 模型进行规模设计,并且对其他模型参数进行线性设计。 而充电桩的情景设定约束主要考虑了日平均利用率参数和峰值排队相关参数进 行情景设计。
在经济性分析模块分别对7kW公共慢充桩和60kW公共快充桩的建设成本 和服务费收益等进行综合建模,并计算其在此参数设定下的平准化收益年份, 以及单桩收益情况。
在满意度分析模块对用户的三种充电成本进行了详细建模,包括平均每车 每日的充电成本,里程焦虑成本,充电等待时间成本,并最后进行相关模型结 果验证。
49
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
50
 
 
第5章 充电基础设施规划系统实例应用研究
5.1规划系统布置软件平台介绍
5.1.1Python 平台介绍
本文软件平台是利用广泛应用的数据处理软件 Python 内核的 Jupyter Notebook编译器进行程序的编写,并利用OOP即面向对象的程序设计方法编写 程序进行不同模块的进行整体软件的程序设计。在不同语言的程序设计中, Python 平台在编写软件程序方面对比 C 等其他编程语言相对灵活,语法简单, 可读性高。并且 Python 具有面向对象编程这一相对现代化的编程特点,因此能 胜任较大型软件开发的任务。并且其具有的开源库较为广泛,扩展扩充性均较 高,且在数据的可视化方面功能较为强大,有利于本系统的整体功能需求的规 范布置和实现。
5.1.2Python 数据处理功能介绍
Python 在处理大批量的数据时有着重要的优势,其中的开源包如 Pandas, Numpy等为Python做数据处理提供了丰富的接口和功能,供数据分析者进行使 用。其中 Pandas 数据包主要可以用来分析时间序列等方面的数据,特别是在本 文中的时序数据处理方面,其开源数据分析包利用其特有的数据类型 Series 和 DataFrame格式可以进行行程数据的存储,读取,修改等功能[48]。
DataFrame数据结构是一种有索引,有顺序的序列,可以分为二重维度,并 可以进行多层级分组。每一列的Series可以视为只有一个目录的DataFrame数据 结构,同样可以理解为DataFrame数据结构是由多列Series组成的字典结构,其 具有存储方便,在数据的清理、转换、合并、重塑上有着得天独厚的优势。
在本文可以利用Pandas数据包方便的读取.xls、.csv等格式的数据,并将其 同时存储为 DataFrame 数据结构。同时本文所涉及行程数据在车辆,天数,行 程次序方面属于不同的次序层级,因此使用其分组df.groupby()函数返回一个带 有车辆分组以及天数分组的 DataFrame 对象进行数据透视。而在数据筛选方面,
51
利用其索引以及切片功能df.loc()及df.iloc()函数也可以从中筛选负荷条件以及负 荷相关索引的数据。在需要大量进行数据的补充以及增添时会使用到其中的 df.drop()和df.concat()函数用于DataFrame维度上的改动。
而 Python 本身所拥有的数据结构如列表在处理多维数据方面相对效率较低, 书写意义较差,且引用及切片复杂。本文利用的 Numpy 数据包在改善这种情景 下发挥了重要的作用,比如在计算总体的负荷以及计算充电花费的情况下, Numpy数据包中的整体矩阵乘法以及对应的.sum(),.max()等函数无论是在计算速 度还是计算精度方面均有所提高。因此本文使用 Python 及其对应的开源数据接 口进行大量数据的处理。
5.1.3基于面向对象的程序设计(0 0P)
基于面向对象的程序设计主要是指将需求规范化的转化为具体的程序,并 且这些规范化的行为可以转化为一套程序设计中所涉及的类以及相关的接口[49]。 面向对象编程的几种重要的特征包括:
对象:对象是面向对象程序设计的一种数据结构,可以体现为有着共同特 征数据的集合。
类:类是抽象化的对象,而对象是类的实例。对象与对象之间相对独立, 数据之间互不影响。这在抽象多种车辆,充电桩,以及进行年份预测时有着重 要作用。
封装:封装也是一种面向对象编程的主要特征,因为有封装机制可以将对 象中相对细节或者不便于公布的数据进行隐藏,私有成员不能被正常调用以及 修改相关信息。并且封装在提高代码的可维护性,稳定性以及安全性方面发挥 重要作用。
继承:对于不同的子类对象,可以继承现有基类的变量和方法等以简化代 码,并且可以根据子类的需要进行增改以及扩展等。
多态:在类和类之间有关系的前提下,可以允许不同子类型的对象对同一 消息做出不同的响应。
在本文中采用面向对象的程序设计可以分别主要将车辆,充电桩,城市情
52
景设计分别作为一个主要的类进行程序设计以提高程序的可读性以及接口可扩 展性,为后续搭建增加功能并完善此模型提供程序结构基础。
5.2系统主体架构及其软件功能模块实现 在程序设计过程中涉及到的主类包括车辆、充电桩、城市、数据以及综合 结果的类。实现系统的类除分别拥有自己相关设定的属性外,还通过一些方法 来完成相关模块的功能。下图5.1为规划系统程序具体实现的UML图。
 
图 5.1 系统具体实现的 UML 图
 
5.2.1数据处理模块实现
数据处理模块通过建立数据类实现,数据类的数据处理主要是对已经模拟 出的数据进行数据的筛选,清洗等。模拟生成的数据在进行充电分析时主要有 以下问题:存在时间较短行程,行程时间及序列不符合相关要求等。通过时间 及速度筛选来对软件中不符合计算要求的数据条目进行整体清洗,剔除,主要
53 筛选原则包括以下条件:
1.车辆每日行驶里程小于或等于 200km;
2.每次行驶里程的平均速度使用里程/(行程结束时间-行程起始时间)的公 式进行计算,并限制使其小于或等于 100km/h;
3.筛选去掉时间序列矛盾的行程,例如下一行程的行程起始时间早于上一 行程的结束时间等时序问题;
4.数据中涉及的时间精确到分钟,因此需要将模型中的起始时间和结束时 间圆整到 10分钟的分辨率,并再次计算停留时间和行程持续时间符合模型的计 算要求;
除此之外,数据类的主要方法包括数据处理和按输入的参数分类后添加相 关电动汽车以及家充属性标签等。
5.2.2充电模拟模块实现
充电模拟功能在程序设计中主要包括两个类及车辆和充电桩,充电桩类的 主要方法包括进行快慢充电,车辆类的主要方法包括充电决策,充电桩选择决 策,以及行程行驶。
充电模拟模块首先实例化每一辆车辆,在行程起始时运行电量消耗函数, 并在每一次行程结束时运行地点决策函数,当车辆SOC较低判断其需要充电时, 实例化充电桩类,并在充电桩选择决策中运行充电和充电决策的函数。
5.2.3情景设计模块实现
情景设计功能主要通过城市的类来实现,类中方法包括 Bass 模型相关方法 来输出保有量属性,以及其他参数的设计包括续驶里程,家充比例,工作桩比 例等预测后 9 年的参数矩阵。并在每年运行充电桩选择函数参数实例化数据类, 调用加标签的方法,再根据数据规模实例化多辆车辆的类,进行充电模拟,并 输出相关负荷结果。
5.2.4充电经济性分析模块实现
充电经济性功能通过充电基础设施总体类中的经济性分析方法来实现,首
54
先根据计算的得到的充电基础设施规模计算实际的充电负荷曲线。并接受充电 模拟模块得到的实际每日用电量,加入技术经济性属性,以及贴现率静态函数, 最终计算经济性指标如高低情景的逐年净收益。
5.2.5用户满意度指标模块实现
充电满意度模块通过充电基础设施总体类中的三种方法包括结合实际分时 充电量进行成本数据计算的分时电价方法,结合实际分时充电量进行成本数据 计算;里程焦虑模块和等待时间成本模块均通过接受实际充电模拟模块的充电 需求和实际充电桩的供给数量等来进行相关用户满意度成本的分析计算。
5.2.6综合分析可视化模块实现
综合结果模块主要通过主函数来实现,首先实例化城市类,并接受情景设 计模块的参数矩阵后,在分别根据年份实例化不同发展参数发展规模下的充电 基础设施总体类,并输出不同的数据矩阵已进行参数结果对比,以及图片表格 等相关可视化分析。
5.3规划系统算例背景简介
根据深圳市新能源汽车运营企业协会的数据[50],深圳市目前累计建设各类 充电桩8.3 万个,充电站大于5000个。
深圳市建设的充电站主要可以分为集中式充电站和分散式充电站,其中集 中式充电站约为 840 座,多位于城市边缘且主要服务对象是公交车,出租车和 网约车等专用车辆,并且占比 60%的充电设备为直流快充桩,其充电功率大多 为120-150kW,其余交流充电设备功率为70-84kW。
而本文主要考虑计算对分散式充电桩的规模,根据《报告》[50],深圳市的 分散式充电站约 3500 个,主要服务的对象是私家车车主,还包括一些出租车, 网约车,物流车等电动车辆。其中公共快、慢充电桩比例约为 1:9。慢充桩功率 以3.5kW和7kW为主,直流桩快充以60kW为主。假设每个其中分散式充电站 平均为 8 个充电桩左右的基本配置,据此估算深圳市主要为私家车服务的分散 式充电桩个数约为 25200个,而分散式公共快充桩个数约为 2800个。
55
根据报告内容,目前深圳市分散式充电站所建设的充电基础设施可能存在 的主要问题包括:
1.快速充电桩配建比例相对较低,造成部分用户在公共充电桩补电时间过 长,充电便捷度不够;
2.慢速充电桩的供大于求日充电利用率过低,行业整体利润不高,并且相 对集中式充电快充桩难以收回成本。
因此本文使用此用例数据以及前文设定的相关参数指标等代入系统,最终 输出相关综合分析数据。
5.3.1深圳市私人电动车保有量预测估计
在本文 3.2节情景设计部分提到本模型主要利用 Bass 模型来进行私人电动 汽车的保有量预测冋52】。电动汽车潜在的市场规模M(t)、创新系数p和模仿系 数q是本论文主要考虑其中的三种前提假设参数[53]。潜在的购买者在可以认为 包括潜在的直接进行电动汽车购买的消费者以及驾驶油车及其他类型车辆过后 转而购买电动汽车的消费者。
至于私人纯电动汽车的影响因素包括如购车政策、政府购车补贴、充电基 础设施和行业成熟度、油价、等外部因素。本创新系数p值主要受到油价,电 价,电力市场成熟度等因素的影响而逐步提高。而其中主要影响因素油价趋势 并不明朗,考虑据此设置两种高低发展情景。在深圳市甚至我国目前购买电动 汽车的补贴正在逐年减少,但包括充电基础设施以及相关服务行业的成熟程度 以及稳定程度正在提高,因此综合影响结果来看创新系数p值正在稳步提高[54]。 而创新系数q值受油价影响不大,稳定在0.3到0.7之间[55]。
在此背景下,本文分别讨论了电动汽车低发展情景下的情景和电动汽车高 发展情景下的数据,其中 2021 年私家纯电动汽车数据来自各区入网的私家纯电 动汽车数量之和。p的数值设定介于0.01和0.03之间,分别设定高低情景下的 p值后,计算在此高低情景设计下所计算建设的基础设施服务的私家电动汽车
56
保有量参考值如图 5.2:
 
图 5.2 私家纯电动汽车规模2022-2030年预测结果图
 
据预测结果,深圳市的纯电动汽车汽车保有量高低情景预测均从 2021 年的 约24万辆,逐步增长到2025年的50-60万辆左右,最终到2030年的220-230万 辆,纯电动汽车市场规模逐渐壮大,发展速度相对迅速。而高低情景对比可以 发现,低情景的创新系数 p 相对高情景设置较低,因此规模增长趋势相对滞后, 最终预测结果2030年两种情景之间的差距约20万辆私家纯电动汽车。
5.4规划系统算例结果分析
5.4.1充电需求预测结果分析
在本用例中,通过充电需求模型计算得出深圳市高低情景下2022-2030年的 私家电动汽车充电基础负荷分布。本文结果使用每日总需求充电量规模如下图 5.3 来表征负荷在 2022-2030 年的需求变化趋势,即使用分时负荷乘时间间隔对 应的时间尺度求和即为每日总需求充电量。上图为实际用电量堆叠条形图,其 中标出的最大值为每日总需求用电量,下图为充电需求的比例图,表示每种充 电需求在每日总充电需求中的结构情况。
 
 
2022 2023 2024 2025 2026 2027 2028 2029 2030
年份
图 5.3 2022-2030年高情景需求充电量及结构变化图
表5.1每日总需求充电量表(MW • h)
充电桩
2022 2023 2024 2025 2026 2027 2028 2029 2030
类别
 
 
 
 
图 5.4 2022-2030年高情景需求充电量及结构变化图
从本节图 5.4中可以得到在进行不同高低情景和不同时序情况下进行充电时,
用户端所需的充电负荷随着年份的增长而大幅增长。其主要原因首先是因为深 圳市电动汽车市场处于发展期,而电动汽车市场的增长势必带来大量的充电需 求,也将对电网的配电情况产生一定的挑战,且充电需求的趋势相对和电动汽 车规模的增长比例基本具有一致性。最终在2030年高情景达到21.56MW • h的
需求充电量,而低情景的每日需求充电量为18.44MW • h,约为高情景的86%。
其次是续航里程的增长,在第二章的分析中提到,其续航里程在带来逐年 总充电需求增长的同时,也会带来快充桩充电需求的增长,以逐渐替代慢充桩 的充电需求,并且还会大幅提升其在家庭或者工作地点充电时间以及其充电的 充电需求。
最后考虑私家桩配建比例包括其配建率和 7kW 的比例增长,在结构方面首 先是逐年影响私家充电需求的比例,7kW私家桩充电比例从38.04%,提高到高 情景的 70.88%,以及低情景的 53.92%,而且在有序充电逐渐普及以及 V2G 等 
技术不断发展的情况下,这种充电负荷模式也会对电动汽车的削峰填谷有着相 对积极的作用[56]。
5.4.2充电基础设施规模预测结果分析
经模型预测计算出的基础设施建设高低情景下的建设数量如图 5.5,其中两 种家庭桩和工作桩的数量均由情景设定中的参数比例分配和总体车辆规模计算 得出。本模型考虑的充电桩主要计算私家车口径的充电桩负荷需求,暂未考虑 时空分布不均以及其他类型车辆的充电需求问题,因此规模结果输出相对保守, 实际建设中需要考虑一定建设裕度。而对于规划人员更加关心的是公共桩的数 量,因此本图示对慢充和快充公共桩的高低情景对比图进行单独可视化。
50000
 
图5.5 2022-2030年分散式7kW公共慢充桩需求规模预测趋势图
60
 
 
图5.6 2022-2030年分散式60kW公共快充桩需求规模预测趋势图
从表中可以得出:对于公共桩来说,虽然上节分析得到由于私家桩及工作 桩的比例变化得出的公共充电负荷需求比例有一定的缩减,且高情景降低更多。 但是车辆的规模在迅速扩大,因此其需求的公共桩数量也将主要处于增长趋势。 公共慢充桩相对公共快充桩的需求占比在不断放缓,高情景从 2022 年的需求 18733 个慢充桩,最终在 2030 年保持在 40000 个慢充桩左右并维持稳定;而在 低情景下设定的慢充桩数量相对较低,从8506个增长到 32596个。
对于 60kW 直流快充桩,主要受到不断增长的续航里程和车辆规模影响, 若想满足驾驶员的行程需求,需要要配以能够进行短时充电的充电桩,因此其 配建比例从 2022年高情景的 1593 个到 2030的约 13000个,快慢充需求比例也 从 2022年的 1:10增长到 2030年的约 1:3.2。低情景相对高情景增长相对滞后, 但是仍有强劲的需求趋势。
5.4.3充电基础设施经济性指标结果分析
假设将深圳市 2021 年已有公共充电桩数目分别输入算例,并假设基于此数 目为已有充电桩数量,已有充电桩的使用时间按照平均 2 年计算,分别依照高 低情景的规模需求配建充电桩后,于 2022 年开始每年的净收益如下图 5.7 所示。
 
 
图 5.7 2022-2030年充电基础设施经济净收益分析图
文中计算用例是基于现有的 2022 年深圳市分散充电桩数据,分别相对高低 情景新建充电桩并进行相关经济性分析,分析主要计算每年净收益如下表 5.2。
表 5.2 充电基础设施经济收益分析表(亿元/年)
情景 2022 2023 2024 2025 2026 2027 2028 2029 2030
高情景 21.69 27.37 35.47 46.41 60.32 75.87 93.90 106.71 114.52
低情景 19.58 23.51 29.77 39.49 53.47 70.72 90.17 103.40 111.47
通过经济性分析可以得到,从2022年到2030年充电桩的充电服务费主要呈 现增长趋势,两种情景到203 0年充电基础设施的净收益均达到了1 1 0亿元以上,。 其主要是得益于电动汽车市场逐年递增使得充电需求大幅提升,且两种充电桩 均能基本满足其充电的需求。虽然在情景设置方面高情景的利用率相对低情景 较低,但是整体的电动汽车保有量决定的充电服务费收益仍然是经济性的决定 性因素。但其经济收益并非无限制指数增长,原因包括私家桩的配建率提升替 代了部分公共充电的需求,快充桩的大量兴建使得总体建桩成本有一定提高, 快充桩的充电服务费低于慢充桩的充电服务费,且贴现率函数也会放缓此类净 收益。
5.4.4充电基础设施用户满意度指标结果分析
经模型预测后,在个人用户的角度需要在计算中消除由总体车辆保有量趋
62
 
势带来的影响。因此需要在三种指标量计算过后,加乘充电基础设施数量以及 车辆保有量带来的相关权重以计算均值,其结果来代表个人用户满意度指标较 为合理。
(1) 用户充电成本结果分析 用户的充电成本和峰、平、谷时段的电网公司的充电电价,以及充电合作 商的充电服务费紧密相关,并且充电成本也受到分时充电桩利用率高低的影响。 将规划后的充电桩数量代入到模型中考虑到充电桩的总功率供应后,还需计算 考虑到全类型充电桩电网供给端侧后的细分峰、平、谷利用率。最终计算得到 总的充电成本如图 5.8所示:
 
(b) 低情景下每车每日平均充电成本图
图 5.8 2022-2030高低情景对比平均每车每日充电成本图
63
本图5.8 (a)为高情景2022-2030年用户平均充电成本图,(b)为低情景的充电 成本图。每年分别按照透明度由深至浅分别为峰平谷时段的充电成本图。其中, 每个时段的图柱是分别按照五种充电基础设施的细分再进行叠加得到。
表 5.3 2022-2030高低情景对比每车每日充电成本图(元/天)
情 充电桩
类别 2022 2023 2024 2025 2026 2027 2028 2029 2030
家庭/3.5 0.13 0.12 0.11 0.09 0.08 0.06 0.04 0.02 0.00
家庭/7 0.79 0.87 0.96 1.04 1.15 1.25 1.34 1.44 1.56
工作桩 0.13 0.16 0.19 0.21 0.22 0.22 0.22 0.24 0.23
慢充桩 1.68 1.50 1.25 1.14 0.98 0.77 0.66 0.55 0.44
快充桩 0.91 0.89 0.98 1.00 1.01 0.97 0.94 0.89 0.89
家庭/3.5 0.13 0.13 0.12 0.11 0.11 0.10 0.09 0.09 0.08
家庭/7 0.79 0.83 0.87 0.92 0.96 1.01 1.05 1.10 1.15
工作桩 0.14 0.14 0.17 0.19 0.21 0.22 0.23 0.24 0.24
慢充桩 1.54 1.44 1.36 1.24 1.11 0.99 0.96 0.95 0.85
快充桩 0.99 1.00 0.94 0.97 1.01 1.05 1.03 0.97 1.04
 
结果分析:在 2022 年左右,其私家充电桩的建设在高情景下的充电桩建设 数量和低情景的建设情况相当,因此充电服务费及其结构基本保持一致。
而随着年份增长,公共充电的比例在不断下降,在私家桩充电的比例在不 断提高,因此总体的充电成本均有所下降,特别是在公共桩充电多为峰值充电。 所以公共桩的充电负荷下降叠加其所在的峰值的充电服务费的影响,其总充电 服务费将有所下滑。2030 年高情景下的峰值和平值的公共充电成本下降约 40%, 也会使得其在 2030年的每日充电成本低于低情景下的每日充电成本。
因而,高情景下的充电桩结构等将大幅影响用户在每日的充电成本指标, 并代表着其用户满意度随着年份增长在不断提高。
(2) 里程焦虑成本结果分析
64
 
0.1 -
2022 2023 2024 2025 2026 2027 2028 2029 2030
年份
图 5.9 2022-2030年里程焦虑成本里程丢失占比图
在里程焦虑成本逐年的计算过程中,高情景的充电情况下相对低情景由于 排队而造成的里程焦虑成本相对较小,其中高情景的情景设定基本可以满足峰 值的充电需求。而在低情景下,因为电网负荷峰值附近的充电排队而造成的里 程丢失导致的行程丢失是里程焦虑成本主要的影响因素。
表 5.4 2022-2030年里程焦虑成本丢失里程占比表(%)
情景 2022 2023 2024 2025 2026 2027 2028 2029 2030
0.575 0.419 0.340 0.258 0.223 0.184 0.135 0.108 0.098
0.581 0.482 0.417 0.376 0.340 0.319 0.285 0.274 0.228
而横向时间轴来看,由于里程丢失而造成的行程丢失比例基本一致,均因
为电动汽车汽车总续航的提高以及公共充电桩依赖的不断降低里程焦虑成本逐 年有所下降。并且高低两种情景由于受到续航里程在不同情景设计下技术发展 参数不同等主要原因影响,其高低情景下的丢失里程占比差值也不断提高,并 最终有趋于稳定的趋势。
低情景下在2022-2030年的里程焦虑成本从每人1.39元/天到0.54元/天,降 低约61%。而高情景下的经济成本从1.38元/天,降低至0.24元/天,降幅约82%。 因此合适规模的充电桩的数量可以大大减轻里程焦虑的影响,并且对未来驾驶
65 员完成行程的信心有较强提升。
(3)公共桩充电等待时间分析
如第三章提到的在计算公共桩等待时间时主要考虑公共快充桩 60kW 的等 待时间,在公共慢充桩 7kW 高峰等待时实际情况是选择不充电或者寻找其他充 电桩的情况,其等待成本较小。因此在本高低情景下只计算公共快充桩 60kW 的充电等待时间成本。
 
2022 2023 2024 2025 2026 2027 2028 2029 2030
年份
图 5.10 2022-2030公共快充桩每车每日平均等待时间图
表5.5 2022-2030公共快充桩60kW每车每日平均等待时间表(分钟)
情景 2022 2023 2024 2025 2026 2027 2028 2029 2030
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.665 0.422 0.358 0.274 0.157 0.150 0.098 0.114 0.102
据图表结果分析,该图主要反映了随年份增加在每日的峰值负荷附近供给 侧负荷相对需求负荷相差的程度。高情景设定下的最低充电等待时间成本较小, 主要原因是其规划后高情景供应端所提供的充电功率基本可保证需求端峰值附 近的充电需求。在不考虑区位因素的情况下,最低等待成本较小,降低了用户 因为在峰值充电产生的等待时间成本。
低情景设定下的最低充电等待成本下降了 80%左右,而后趋势趋于稳定。
66
进而通过生产法的计算,可以得到低情景的充电等待时间成本由 2022年的充电 等待成本约为 1.219元/天,而2030年的充电等待成本约为 0.187元/天。充电等 待时间成本下降的主要原因一是低情景的快充桩配建率增速较快,二是第二章 分析得到的续航里程的增加会影响充电负荷的时间分布情况,因而会间接影响 充电等待时间成本。
5.5规划系统综合结果建议
结合以上结果可视化分析和深圳市现有分散式公共充电桩的规模可以对此 充电基础设施规划算例进行以下建议:
1.首先,在私家车保有量快速增长的前提下,需求的充电负荷也在不断增 长。因此可以通过提高私家桩地点和工作地点 7kW 充电桩的配建比例满足其需 求,比如鼓励在自有的停车位进行私家桩的建设,随着老旧小区的改造过程预 留相应的停车位和变电容量,在私家车充电桩推广有序充电以及V2G等智能充 电技术等。本文设计的私家桩配建率参数在高情景情况下从 50%提高到 70%, 使得公共桩充电负荷降低,可以有效缓解对公共桩及公共资源的相关需求,也 能够降低峰值的充电负荷,满足电网的稳定性需求。
2.其次,对公共基础设施的配建数量规模建议应该主要分布在两种情景的 估计值之间,使得充电桩的规模既对充电服务商有着较高的经济效益又对用户 有较高的满意度指标,并且此指标未来数年内会随着行驶里程,私家桩配建率 等相关参数的变化逐步提升。
3.虽然深圳市的公共慢充桩相对高情景的规划数量相比较为充足,在用户 满意度方面可以达到较高水平,但日均使用率低导致其经济性指标相对较低, 不符合大部分投资者充电桩建桩的回本预期。而目前建设数目已经达到 2030年 相关需求的 2/3,所以建议相对减缓包含慢充桩充电站的配建。而对于目前的快 充桩建设情况,在 2022 年的建设规模已经基本满足需求,随着电动汽车市场的 不断扩大,续航里程的不断提高,对快充桩的需求相对旺盛。根据模型计算充 电桩建设需求至 2030 年增长到 2022 年的约 8 倍,分散式充电桩快慢充比例从 2022年的约 1:9增长到 1:3.2。除此之外,提高快充桩的功率以降低其充电时间
67 和等待时间以满足增长的续航和在有限的服务峰值时间内服务更多的汽车,并 产生更多的经济效益也是一种替代低功率直流快充桩的充电方案。比如兴建 120kW甚至400kW功率的直流快充桩,使得电动汽车在更短的时间内完成充电。
结果表明,按照高情景计算的 2030 年配建的充电基础设施,在 2030 年达 到每年 114.52 亿元的收益水平。而在用户满意度方面,每车的充电成本将从 3.64元/天,降低至 3 . 1 2元/天。里程焦虑成本从1 . 3 8元降低至 0.24元/天,等待 时间成本相对较低。而按照低情景计算的2030年配建的充电基础设施,在2030 年达到每年 111.47 亿元的收益水平。而在用户满意度方面,每车的充电成本将 从3.59元/天,降低至 3 . 3 6元/天。里程焦虑成本从1 . 3 9元降低至 0.54元/天,等 待时间成本1.219元/天降低至0.187元/天。
5.6本章总结
本章主要对本系统的实现方式进行相关介绍,并将深圳市的计算用例代入 系统模型计算结果,进行相关结果可视化并给出相关充电基础设施规划建议。 主要结果包括:
1.基于 Bass 模型的电动汽车规模预测结果,其保有量由 2021 年的 24 万增 长到220万辆以上,高情景增长到23 0万辆以上;
2.分散式充电基础设施规模在高情景的预测下慢充桩需求逐渐放缓,需求 约 4 万个,而对 60kW 的快充桩需求达 13000 个以上,相对如今的需求增长约 10倍。在低情景下,深圳市目前的建设情况已基本达到2030年的需求,其中快 充桩到2030年仍有约7000个左右的缺口。
3.基于两种情景设计下的分散式充电桩规模,可以得到充电基础设施的净 收益均达到 110 亿元/年以上,并且有逐年增长的趋势,充电基础设施市场仍有 较大潜力。
4.在规划系统计算每车每日的三种满意度指标成本中,高情景的成本在 2030 年预测的花费充电约 3.12 元/天,里程焦虑成本约 0.24 元/天,最低等待成 本较低。而低情景下的三种成本分别约为3.36元/天, 0.54元/天和0.187元/天。
68
本文设计的规划系统最终结合以上指标分析并根据深圳市现有的充电基础 设施情况提出相关规划的建议。
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
70
 
 
第6章 总结与展望
6.1本文内容总结
本文建立了一个电动汽车充电基础设施规划系统模型对具体用例的充电基 础设施规划问题进行研究。主要结果如下:
1.本文围绕基于双层行程链模拟得到的符合我国私家车行程特征的数据集, 进行车辆的充电行为模拟,以最大化电动行驶里程为目的,使得电车能够获得 和油车接近一致的驾驶行程体验,其中结合了动态规划充电桩的决策模型,充 电模块模拟得到该参数化建模下的充电负荷。在涉及到模型车辆参数的问题上, 考虑充电桩参数以及充电桩配建比例等多种参数,并分别进行参数的影响程度 分析。
2.本文以充电负荷需求为基础在情景设定模块通过约束充电桩每日平均利 用率设计分散式快慢充电桩高情景下的配建。在低情景下通过约束峰值排队人 数参数约束用户的充电等待问题,并结合其他参数的发展情况进行高低情景的 综合设定。而后在经济性模块计算过程中,分别计算了电网公司及相关充电服 务合作商重点关注的经济性成本。本文通过固定成本,每年可变成本等受到日 均利用率进而影响总体经济性模型指标进行估计,并通过平准化年份来衡量单 桩回报周期经济性,测算结果得到60kW快充桩的盈利水平高于7kW慢充桩的 盈利水平,易获得符合电网公司等的投资回报周期。在用户成本计算模块中, 通过计算综合分析不同情景下的成本来预测未来几年内不同情景的用户成本情 况,包括分时电价政策影响下的充电成本,电动替代里程影响的里程焦虑成本, 以及实际充电桩负荷供应量影响的充电等待成本。其中涉及到的三种成本对实 际的电动车使用者还是未来有机会购买电动汽车的用户来说都是必要的考虑因 素。
3.在建立以上系统后,本文代入具体城市计算用例的充电基础设施数据进行 计算,并利用Bass模型对该城市的电动汽车保有量进行预测。其保有量由2021 年的24万增长到2030年的 220万辆以上,高情景增长到 230万辆以上,电动汽
71 车市场发展愈加成熟。在保有量预测后代入充电需求模拟模型进行充电需求的 预测,并据此进行高低情景下的充电基础设施规模预测,分散式充电基础设施 规模在高情景的预测下,慢充桩需求逐渐放缓,需求约4万个,而对60kW的需 求快充桩超 13000个。在低情景下,算例的建设规模已基本达到2030年的需求, 而到 2030 年快充桩仍有部分的缺口。其后分别结合现今的充电基础设施进行经 济性指标的预测,即进行未来数年的电网端净收益评估,结果得到充电基础设 施的净收益均达到 110 亿元/年以上,充电基础设施市场投资规模潜力巨大;再 将相关参数代入用户满意度模型进行三种成本的评估,并进行结果的可视化, 得出在规划系统计算每车每日的三种满意度指标成本中,高情景的成本在 2030 年花费充电约 3.12 元/天,里程焦虑成本约 0.24 元/天,最低等待成本较低。而 低情景下的三种成本分别约为3.36元/天, 0.54元/天和0.187元/天。最终给出此 用例的具体规划建议,完成基础设施规划系统的相关功能需求。
6.2全文展望
由于时间和技术暂时存在相应的局限性,本文设计的系统不能完全的覆盖 全部情形下的充电基础设施规划需求,现存在不足主要有以下两方面:
1.影响充电需求的方式除几种充电桩的比例外可能还存在电池老化的情况, 将电池以及车辆相关参数的老化模型代入其中进行计算预测。并且本文目前有 部分模型相对简单,当其有更优的模型时可以在某部分利用更优、更细致的建 模替代,但不影响本系统总体的布置情况。
2.在后续的具体实现系统考虑将其部署到Web端,结合Flask等中间件以部 署整个系统。此种实现方式可以多角度,多场景对该系统进行需求相关结果的 可视化,并作为参数输入的具体程序实现方案。
6.3本文创新点
1.首先,在充电桩的决策方面,以最大化电动汽车里程为优化目标,利用 动态规划的思想优化充电桩的选择决策,并降低相关计算复杂度,计算相关充 电负荷需求,综合考虑了重点参数的影响。在满意度计算模块和经济性计算模 块的设计中均和充电负荷需求数据有紧密的联系,使之成为一个整体的系统,
72
相比使用BP神经网络原理,以及遗传算法退火算法等黑盒优化算法和使用相关
概率模型建模的规划系统,在物理意义可解释性方向上相对更优。
2.其次,本文在整体系统的框架上采用面向对象的程序设计的方法进行整 体的程序设计,并最终设计的系统能够方便的根据不同计算用例设计不同参数 进行综合分析,包括用户满意度以及成本等经济性数据。在综合分析过程中可 以输入高低情景充电桩规模或实际充电桩数据到系统设计中,同时进行经济性 和满意度的分析,并输出未来若干年的相关阶段性预测数据的结果,最终给出 计算用例的相关规模规划建议,其中参数的设计在程序计算的过程中均可根据 计算用例的实际情况进行具体模块参数的调整,更加灵活泛用。
参考文献
[1]《中国油气产业发展分析与展望报告蓝皮书》[J].中国石油企业,2021(04):5.
[2]李荣.我国能源生产、经济增长与碳排放研究[D].江苏大学,2019.
[3]黄韧.“双碳”目标下北京市能源转型重点领域及路径研究[D].华北电力大 学(北京),2021.
[4]IEA. Global EV Outlook 2021[R/OL].(2021-04-10)[2022-02-01].https://www.iea. org/reports/global-ev-outlook-2021, 2021.
[5]工业和信息化部装备工业发展中心.中国汽车产业发展年报 2021[R/OL], (202 1-08-26)[2022-02-01].http://www.miit-eidc.org.cn/module/download/downfile.js p?classid=0&filename=ab5936358eb244bf96b63fe818f1680e.pdf
[6]于保军,于文函,孙伦杰,司苏美•“十三五”我国纯电动汽车战略规划分析[J]. 汽车工业研究,2018(02):40-48.
[7]国家能源局.2020-2021 年度中国电动汽车充电基础设施年度报告 [R].(2021-0
6-23) [2022-01-10]. http://www.caam.org.cn/chn/38/cate_420/con_5234093.html
[8]国务院•国务院关于印发节能与新能源汽车产业发展规划(2012 —2020年) 的通知[EB/OL]. (2012-07-09) [2022-02-01] .http://www.gov.cn/zhengce/content/ 2012-07-09/content _3635.htm.
[9]中国充电桩行业市场前景及投资研究报告[J].电器工业,2021(12):13-33.
[10]刘大龙.电动汽车充电器系统设计[D].吉林大学,2017.
[11]李翠萍.面向换电模式出租车的换电站布局规划研究[D].北京交通大学,2021.
[12]Wood Eric W., Rames Clement L., Bedir Abdulkadir.California Plug-In Electric V ehicle Infrastructure Projections: 2017-2025 - Future Infrastructure Needs for Rea ching the State's Zero Emission-Vehicle Deployment Goals.[R/OL].(2018-03-27) [2022-02-01].https://www.osti.gov/biblio/1430826
[13]Xiaomin Xi,Ramteen Sioshansi,Vincenzo Marano. Simulation-optimization
75 model for location of a public electric vehicle charging infrastructure[J]. Transportation Research Part D,2013,22.
[14]Li Zhang,Tim Brown,Scott Samuelsen. Evaluation of charging infrastructure requirements and operating costs for plug-in electric vehicles[J]. Journal of Power Sources,2013,240.
[15]Jing Dong,Changzheng Liu,Zhenhong Lin. Charging infrastructure planning for promoting battery electric vehicles: An activity-based approach using multiday travel data[J]. Transportation Research Part C,2014,38.
[16]Li Zhang,Brendan Shaffer,Tim Brown,G. Scott Samuelsen. The optimization of DC fast charging deployment in California[J]. Applied Energy,2015,157.
[17]Yongjun Ahn,Hwasoo Yeo. An Analytical Planning Model to Estimate the Optimal Density of Charging Stations for Electric Vehicles.[J]. PLoS ONE,2017,10(11).
[18]Samveg Saxena,Jason MacDonald,Scott Moura. Charging ahead on the transition to electric vehicles with standard 120V wall outlets[J]. Applied Energy,2015,157.
[19]Wei Ji,Michael Nicholas,Gil Tal. Electric Vehicle Fast Charger Planning for Metropolitan Planning Organizations : Adapting to Changing Markets and Vehicle Technology[J]. Transportation Research Record,2015,2502(1).
[20]Dai Wang,Junyu Gao,Pan Li,Bin Wang,Cong Zhang,Samveg Saxena. Modeling of plug-in electric vehicle travel patterns and charging load based on trip chain generation[J]. Journal of Power Sources,2017,359.
[21]王琰.城市电动汽车充电设施规划方法研究[D].山东大学,2017.
[22]叶兴涛.基于排队论的城市电动汽车充电设施的规划研究[D].浙江理工大 学,2020
[23]史广宇.基于数据驱动的电动汽车充电基础设施规划方法研究[D].北京交通 大学,2021
[24]严干贵,刘华南,韩凝晖,陈宋宋,于东民.计及电动汽车时空分布状态的充电站 选址定容优化方法J].中国电机工程学报,2021,41(18):6271-6284.
76
[25]Guo C, Yang J, Yang L. Planning of electric vehicle charging infrastructure for urban areas with tight land supply[J]. Energies, 2018, 11(9): 2314.
[26]Liu Z, Wen F, Ledwich G. Optimal planning of electric-vehicle charging stations in distribution systems[J]. IEEE transactions on power delivery, 2012, 28(1): 102110.
[27]冯乾隆,康凯,王军雷,吴松.充电基础设施全生命周期经济性研究——以海南 省为例[J].汽车文摘,2021(07):7-11.
[28]黄雪琪.电动汽车充电负荷分布特征建模研究[D] •吉林大学,2019
[29]Dong J, Lin Z. Within-day recharge of plug-in hybrid electric vehicles: Energy impact of public charging infrastructure[J]. Transportation Research Part D: Transport and Environment, 2012, 17(5): 405-412.
[30]Smith R, Shahidinejad S, Blair D, et al. Characterization of urban commuter driving profiles to optimize battery size in light-duty plug-in electric vehicles[J]. Transportation Research Part D: Transport and Environment, 2011, 16(3): 218-224.
[31]Pearre N S, Kempton W, Guensler R L, et al. Electric vehicles: How much range is required for a day's driving?[J]. Transportation Research Part C: Emerging Technologies, 2011, 19(6): 1171-1184.
[32]Tu W, Li Q, Fang Z, et al. Optimizing the locations of electric taxi charging stations: A spatial-temporal demand coverage approachJ]. Transportation Research Part C: Emerging Technologies, 2016, 65: 172-189.
[33]U.S. Department of transportation, federal highway administration, 2017 national household travel survey [DB/OL].(2019-4-23)[2022-01-22].http://nhts.ornl.gov
[34]张洪财,胡泽春,宋永华,徐智威,贾龙.考虑时空分布的电动汽车充电负荷预测 方法J].电力系统自动化,2014,38(01):13-20.
[35]麻秀范,李颖,王皓,王超,洪潇.基于电动汽车出行随机模拟的充电桩需求研究 J].电工技术学报,2017,32(S2):190-202.D0I:10.19595/j.cnki.1000-6753.tces.l70 051.
77
[36]于德仪.基于层级结构的电动汽车行程链建模方法及其应用研究[D].吉林大 学,2021.
[37]潘胤吉,邱晓燕,吴甲武,肖建康.基于马尔可夫决策过程的电动汽车充电行为 分析[J].电力建设,2018,39(07):129-137.
[38]Tang D, Wang P. Probabilistic modeling of nodal charging demand based on spatial-temporal dynamics of moving electric vehicles[J]. IEEE Transactions on Smart Grid, 2015, 7(2): 627-636.
[39]韩刚团,江腾.电动汽车充电基础设施规划与管理[M].北京:中国建筑工业出 版社,2017
[40]国家能源局.2019-2020年度中国电动汽车充电基础设施年度报告[R].(2020- 01-20) [2022-02-10]. http://www.evcipa.org.cn/
[41]Tu W, Li Q, Fang Z, et al. Optimizing the locations of electric taxi charging stations: A spatial-temporal demand coverage approach[J]. Transportation Research Part C: Emerging Technologies, 2016, 65: 172-189.
[42]Idaho National Laboratory (INL). Plugged in: how Americans charge their electric vehicles.[R/OL]. [2022-02-01](2015-07-01).https://avt.inl.gov/sites/default/files/ pdf/arr a/PluggedInSummaryReport.pdf.
[43]Li Zhang,Tim Brown,Scott Samuelsen. Evaluation of charging infrastructure requirements and operating costs for plug-in electric vehicles[J]. Journal of Power Sources,2013,240.
[44]顾洪建,张帆,万甜甜,张衡.情感分类器结合Norton模型预测汽车销量[J].时代 汽车,2021(03):165-167.
[45]深圳市发展和改革委员会关于进一步完善我市峰谷分时电价政策有关问题 的通知[EB/OL].(2021-12-31)[2022-01-22].http://www.sz.gov.cn/cn/xxgk/zfkxgj/ tzgg/content/post_9493597.html
[46]张翀宇.考虑充电选择行为和里程焦虑的电动汽车充电站选址模型研究[D]. 吉林大学,2021
78
[47]Jing Dong,Changzheng Liu,Zhenhong Lin. Charging infrastructure planning for promoting battery electric vehicles: An activity-based approach using multiday travel data[J]. Transportation Research Part C,2014,38
[48]David Beazley,Brian Jones.Python Cookbook (第 3 版)中文版[M].人民邮电 出版社,2015:684
[49]Dusty Phillips.Python3面向对象编程[M].北京:电子工业出版社,2015:381
[50]深圳市新能源汽车充电运营行业发展报告 2020 [EB/0L].(2021/1/5)[2022-02- 01]. https://chuneng.bjx.com.cn/news/20210105/1127080.shtml
[51]罗汉武. 电动汽车灵活接入的充电设施需求预测、运行与能效评估方法研究 [D].武汉大学,2013.
[52]0u S, Lin Z, He X, et al. Modeling charging infrastructure impact on the electric vehicle market in China[J]. Transportation Research Part D: Transport and Environment, 2020, 81: 102248.
[53]Abdalrahman A, Zhuang W. A survey on PEV charging infrastructure: Impact assessment and planning[J]. Energies, 2017, 10(10): 1650.
[54]Yanchong Zheng,Ziyun Shao,Yumeng Zhang,Linni Jian. A systematic methodology for mid-and-long term electric vehicle charging load forecasting: The case study of Shenzhen, China[J]. Sustainable Cities and society,2020,56(C).
[55]Massiani J, Gohs A. The choice of Bass model coefficients to forecast diffusion for innovative products: An empirical investigation for new automotive technologies[J]. Research in Transportation Economics, 2015, 50: 17-28.
[56]周骏汇,查理,马钧.电动汽车V2G接入电网对电网负荷的影响分析J].浙江电 力,2014,33(08)
【本文地址:https://www.xueshulunwenwang.com//shuoshilunwenzhuanti/dianlixitongjiqizidonghua/5251.html

上一篇:混合动力乘用车发动机正时齿形链系统振动噪声分析

下一篇:没有了

相关标签: