（中煤平朔集团有限公司露天设备维修中心卡车电气车间 山西朔州 036002）
摘要：电动汽车的大规模投入使用，虽然缓解了能源与环境问题，但还伴随着其随机、无序的充电行为给电网的稳定性带来的挑战。为了应对这一挑战，电动汽车的负荷预测问题成为当下较为热门的研究方向。通过对电动汽车的充电行为进行研究发现，电动汽车的充电行为在时间和空间两个尺度上有很强的规律性，并且不同使用用途的电动汽车以及不同使用区域的充电点都有各自较为固定的行为特征。于是本文通过对充电区域进行划分，分成三个具有代表性的区域：住宅区，公共区和商用区，分别进行电动汽车的短期充电负荷预测研究。通过分析各个不同充电点的不同充电行为，针对不同区域分别提出合适的预测方法进行预测。
关键词：电动汽车；充电负荷；预测方法
1住宅区电动汽车的负荷预测
从住宅区的电动汽车充电行为来看，电动汽车完全可以视作在业主回家后进行运作的类似于空调或者电视的家用电器。并且住宅区充电桩的管理者也不像公共区及商业区那样组成复杂，充电历史数据也方便获得，因此针对住宅区单一固定的充电行为，可以利用现阶段较为常见的负荷预测方法进行住宅区的电动汽车负荷预测。本文结合现今的研究热点—智能学习算法，利用BP神经网络解决这一问题。BP神经网络是利用历史数据来对网络进行训练，从而达到预测的目的，因此历史数据的选择对预测的准确度起到最直接的作用，在对某一日期进行预测时最好选取于该日情形相似的历史数据进行预测。为了验证所提出的基于相似日的BP神经网络算法在解决住宅区电动汽车充电负荷预测问题上的可行性，本文利用matlab平台进行实验仿真。在matlab中按照上述参数设计搭建好网络结构后，还需要设置网络的训练次数，训练目标误差和学习速率。其中学习速率对网络的收敛速度有很大的影响，速率设置过大会造成系统震荡，网络不收敛；过小则会增加学习次数，使得系统收敛过慢，网络陷入局部最小。通常学习速率都取值在0.01-0.2之间。训练次数的选取则与训练样本的大小有关，如果设定的次数过大，会使收敛速度变慢，过小会造成在网络还没收敛时就结束训练。训练目标误差的选取主要根据预测要求来确定，如果目标误差设定过大会使预测结果达不到要求，但是一味追求太小的误差，会使网络收敛速度变慢。所以最终通过反复的尝试以及结合文献资料的网络训练参数设定建议，本文确定训练次数为25000次，训练目标误差为0.01，学习速率为0.14。选定某小区的一个春季星期二的负荷作为预测负荷，通过相似度计算方法，选取相似度大于0.8的相似日历史数据输入网络进行训练。参数设置好以后运行程序，可以看到网络在21825次训练以后达到训练目标误差。图1将预测结果与实际值放在了一起，可以直观的看出预测的效果，可以看出基于相似日选择的BP神经网络的预测结果还是令人满意的，整体走向与实际值基本一致，在具体数值方面的误差也没有太大，在设定的误差范围之内。并且在图中走势也可以看到住宅区电动汽车在工作日的出行习惯，晚上六点以后开始逐渐进入充电高峰，在八点左右达到峰值，在十点左右部分车辆已经完成充电，负荷开始下降，因为多是进行慢充，所以下降过程一直持续到凌晨才会结束，所以图中早上六点以前的负荷情况大多数是前一天开始充电的车辆的充电负荷。
.png)
图1住宅区充电负荷预测结果
2公共区电动汽车的负荷预测
在公共区的运营单位管理单位组成结构复杂，数据的采集整理都不易于进行，因此BP神经网络算法在此种情况就不再适用。所以为了达到预测公共区电动汽车负荷预测的目的，可以依靠计算机生成随机数的功能，来模拟公共区随机的充电行为，经过调研相关文献研究，本文采用蒙特卡洛模拟方法结合电动汽车的充电模型模拟电动汽车充电行为，进而预测电动汽车充电负荷。设计蒙特卡洛模拟来进行公共区的负荷预测是因为公共区的复杂情况和数据使得难以利用BP神经网络进行预测，但是蒙特卡洛模拟的灵活性使其在住宅区的负荷预测上也有很好的表现，只需要掌握好住宅区电动汽车充电时刻和SOC的概率分布，其与基于相似日选择的BP神经网络预测方法的预测结果对比图2所示，可见当模拟次数足够大，蒙特卡洛模拟方法在准确度方面并不弱于相似日选择的BP神经网络预测方法，实际值基本都落在预测范围之内。但是这个结果是建立在对计算时间和计算资源的牺牲上，因为蒙特卡洛方法的收敛速度基本只受数据量和模拟次数的影响，想要获得准确度高的结果，就需要足够大的模拟次数，当车辆数情况一致时，蒙特卡洛方法的计算时间明显要多于BP神经网络方法的计算时间，当想要保证计算时间相同时，其计算结果则会降低很多，远不如BP神经网络算法。在峰值处的预测结果蒙特卡罗方法的误差要比BP神经网络的误差多出很多，峰值出现时间也有偏差，这对实际的诸如调峰工作有很大的不利影响。这样印证了文章的思想和研究主题：电动汽车的负荷预测要具体问题具体分析，针对不同的情况需要选用或者设计不同的预测方法。
.png)
图2公共区电动汽车充电负荷预测结果图
3商用区电动汽车的负荷预测
充电功率与汽车的充电行为直接相关，商用充电区虽然车辆来往复杂，但由于区域问题以及费用问题，车辆多数在此是作应急充电。因此本文分析前人研究统计的充电数据以及驾驶者的使用心理，将商用充电点的充电行为进行均值简化处理：当电池余量在20%左右选择在商业充电区，充电方式设定为快速充电，充电时长在1-2小时之间，充电功率本文拟取值为30kw。为了保持道路交通的流畅，接入车联网系统车载导航系统需要考虑到交通引流的问题，在算法设计时考虑车辆运行之间的联系，不会将同一区域内的车辆全部引导到最优路径上。换句话说车载导航系统推荐的最优路径并不是当前个人最优路径，而是具有前瞻性的全局最优路径，否则当区域全部车辆全部赶往同一个充电点时，不但会造成路径拥堵，还会超出充电点同时可服务数上限，延长每个车辆的等待时长，反而会使车辆花费更多的时间。导航系统的分配路径的全局性便是本文预测方法的基础，按照不同路径的流通程度，系统会给不同路径推荐相应比例的车辆前往充电，流通度高的即用时少的路径所分配的车辆会越多，通过系统的这个特性便可知道各充电点即将服务的车辆数，随即便可算出充电负荷。各个区域以及各个充电点通过道路互相联结，组成错综复杂的交通网，充电点与区域之间若有道路联通则说明此充电点可以服务该区域，与同一区域相联通的不同充电点按照系统的推荐逻辑可以视为竞争关系，道路阻塞度权值越低，其服务车辆占比数越高。基于实时路况进行预测的整个思路即是由于单个充电点的样本数据过少，对单个充电点进行统计预测准确度不高，因此先对大范围内的区域车辆进行统计预测，获得区域内代充电的车辆数，为了使预测结果具有实用价值，精确到每个预测点，通过实时道路情况，计算道路阻塞度权值，预测出每个充电点待服务的车辆数。即利用实时路况对整个区域的待充电车辆进行一个详细到具体充电点的划分，增强传统预测结果的有效性与精确度。
4结束语
随着电动汽车以及充电桩行业标准化的推动和大数据时代的来临，大量且详细的数据可以将充电负荷预测准确度提高到另一个层级，电动汽车负荷预测的方法在未来有更多的可能可以继续挖掘。当车联网技术发展到新的高度，可以展望，随着电动汽车的保有量的提高，充电需求的增长，未来的技术重心不再是改进充电负荷的预测方法，而将是对电动汽车的充电行为进行引导与规划。
参考文献
[1]王浩林,张勇军,毛海鹏.基于时刻充电概率的电动汽车充电负荷预测方法[J].电力自动化设备,2019,3903:207-213.
[2]毛为真,李永攀,陆轶祺,解大.基于改进随机森林算法的电动汽车充电预测[J].上海节能,2019,11:920-925.
[3]黄佳骏.电动汽车充电站短期负荷预测[J].佳木斯大学学报(自然科学版),2019,3702:192-197.