本發(fā)明屬于電力系統(tǒng)運行分析和負荷預(yù)測領(lǐng)域，涉及一種計及延時和v2g充電模式的電動汽車充電功率預(yù)測方法，適用于研究需求響應(yīng)背景下同時計及電動汽車在時間、空間以及駕駛行為等隨機性因素影響下的充放電隨機模型，并通過模擬得到電動汽車在延時和v2g充電模式下的充放電功率。

背景技術(shù)：

電動汽車作為一種節(jié)能減排的有效手段，以電力為驅(qū)動，是一種新型的交通工具，為實現(xiàn)低碳生活、緩解能源危機提供新的契機。電動汽車因其基本無尾氣排放得到了高度重視，也成為未來汽車發(fā)展的潮流，因而對其發(fā)展提出了迫切的要求。近年來，電力儲能、充電、電機控制等技術(shù)的快速發(fā)展，充電設(shè)施的合理建設(shè)，都推進了電動汽車的普及進程。未來電動汽車將大規(guī)模接入電網(wǎng)進行充電，對電力系統(tǒng)的調(diào)度和運行產(chǎn)生深遠影響。由于電動汽車在配電網(wǎng)接入，電動汽車的充電行為對配電網(wǎng)有直接影響，然而隨著電動汽車數(shù)量的增加，電動汽車充電所產(chǎn)生的集群效應(yīng)將對輸電網(wǎng)產(chǎn)生影響。因此，在輸電網(wǎng)的調(diào)度運行中，有必要考慮電動汽車集群效應(yīng)的影響。如果大規(guī)模電動汽車在電網(wǎng)負荷高峰時段進行充電，將導(dǎo)致負荷“峰上加峰”，給電網(wǎng)運行帶來一定負擔(dān)。

作為一類特殊負荷，電動汽車在時間、空間及行為上均存在大量的不確定性，其是否可雙向送電、司機的駕駛行為的差異都將產(chǎn)生巨大隨機特性，大規(guī)模電動汽車的無序充電將引發(fā)負荷的快速增長，電動汽車在負荷高峰時段的充電行為將造成“峰上加峰”，給電力系統(tǒng)的運行帶來挑戰(zhàn)。解決上述問題的關(guān)鍵在于引導(dǎo)電動汽車的有序充電，即協(xié)調(diào)充電時間。針對此，國內(nèi)外已有學(xué)者進行了相關(guān)研究，電動汽車入網(wǎng)(vehicletogrid,v2g)的概念也應(yīng)運而生。有研究指出，如果將電動汽車以一個移動分布式儲能單元的形式接入電網(wǎng)，并根據(jù)系統(tǒng)需要進行充放電方式轉(zhuǎn)換，可以達到削峰填谷的作用，即電網(wǎng)負荷低谷時充電，高峰時放電，從而有效減輕電網(wǎng)的運行負擔(dān)。在需求響應(yīng)視角下，研究同時計及電動汽車在時間、空間以及駕駛行為等隨機性因素影響下的充放電隨機模型以及如何得到電動汽車在不同充電方式下充放電功率具有現(xiàn)實意義。

技術(shù)實現(xiàn)要素：

發(fā)明目的：本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提出了一種計及延時和v2g充電模式的電動汽車充電功率預(yù)測方法，適用于研究需求響應(yīng)背景下同時計及電動汽車在時間、空間以及駕駛行為等隨機性因素影響下的充放電隨機模型，并通過模擬得到電動汽車在延時和v2g充電模式下的充放電功率。

技術(shù)方案：本發(fā)明提供了一種計及延時和v2g充電模式的電動汽車充電功率預(yù)測方法，包括以下如下步驟：

步驟1：針對電動汽車的時空不確定性進行分析，建立電動汽車充電功率的動態(tài)概率模型；

步驟2：選擇合適的充電方式，針對普通充電模式、延時充電模式和v2g充電模式對電動汽車充電功率特性進行建模；

步驟3：在步驟2的基礎(chǔ)上，在3種充電模式下對單臺電動汽車進行仿真測試，計算各時段電動汽車負荷的期望、標(biāo)準(zhǔn)差；

進一步，所述步驟1包括以下步驟：

步驟101：電動汽車的充電功率在時間和空間上均有較強的不確定性，針對電動汽車的時空不確定性進行分析是建立充電功率特性模型的基礎(chǔ)，其中用戶行為是影響電動汽車充電功率的關(guān)鍵。電動汽車的充電特性主要受電動汽車接入電網(wǎng)的時刻、需要充電電量和充電功率等3方面因素的影響。本發(fā)明主要考慮私用調(diào)度汽車作為電網(wǎng)可調(diào)度資源，有多種充電方式，并以v2g的方式參與電網(wǎng)調(diào)度。

步驟102：電動汽車接入電網(wǎng)時刻與用戶使用行為有密切關(guān)系，假設(shè)用戶最后一次行駛返回時刻即為電動汽車的入網(wǎng)時刻。同時根據(jù)美國能源部2008年對電動汽車用戶的調(diào)查統(tǒng)計報告，用戶的最后一次返回時刻近似服從正態(tài)分布。最后一次返回時刻的概率密度函數(shù)如下：

式中，ts表示最后一次返回時刻，μs和σs分別表示正態(tài)分布的期望和標(biāo)準(zhǔn)差。

步驟103：假設(shè)電動汽車一次充電即全部充滿，則電動汽車當(dāng)日的充電電量與其當(dāng)日的行駛里程有密切關(guān)系，即電動汽車當(dāng)日從電網(wǎng)獲取的電能全部轉(zhuǎn)化為當(dāng)日行駛里程所消耗的能量。根據(jù)調(diào)查報告，電動汽車的日行駛里程數(shù)服從對數(shù)正態(tài)分布。電動汽車的日行駛里程數(shù)的概率密度函數(shù)如下：

式中：d表示日行駛里程數(shù)，μd和σd分別表示lnd的期望和標(biāo)準(zhǔn)差；

得到日行駛里程數(shù)后，結(jié)合電動汽車百公里電耗，得到需要充電電量如下：

式中：wc表示電動汽車需要充電電量，w100表示百公里耗電量。

步驟104：假設(shè)本發(fā)明考慮電動汽車以常規(guī)慢充方式進行充電。由于起始充電階段和結(jié)束充電階段相較整個充電過程的時間較短，可以忽略。因此，假設(shè)電動汽車充電和放電均采用恒功率充放電方式進行，其充電功率為pc，放電功率為pdisc。由于本發(fā)明的電動汽車模型是在峰谷電價的背景下建立的，電動汽車車主可以根據(jù)自身需要，采用不同的充電方式，以實現(xiàn)自身利益的最大化，即電動汽車對電價產(chǎn)生不同的響應(yīng)方式。電動汽車的充電方式包括普通充電方式、延時充電方式和v2g充電方式等3種。

進一步：所述步驟2包括以下步驟：

步驟201：普通充電方式指電動汽車充電行為不受電價的影響，即電動汽車不改變其開始充電時間也不參與v2g放電。在普通充電方式下，對于單臺電動汽車模擬其需要充電電量，結(jié)合電動汽車的充電功率和充電效率，得到其充電持續(xù)時間：

式中：tc表示充電持續(xù)時間，ηc表示充電效率。

步驟202：采用蒙特卡羅模擬法，隨機產(chǎn)生滿足分布的最后一次返回時刻和日行駛里程數(shù)樣本，模擬得到各時段單臺電動汽車充電功率的期望，由于本發(fā)明主要考慮大量電動汽車接入后，進行充放電的集群效應(yīng)，因此，通過蒙特卡羅模擬法得到單臺電動汽車的充電功率后，需要將充電功率進行累加，得到大量電動汽車的充電功率：

式中：pev[t]表示t時段母線上電動汽車的總充放電功率，nev表示電動汽車總數(shù)量，pci[t]表示第i輛電動汽車在t時段的充電功率。

步驟203：通過蒙特卡羅模擬，得到電動汽車充電功率的樣本數(shù)據(jù)。為了進一步分析充電功率的概率特性，需要得到其概率分布曲線和概率密度曲線。為避免主觀假設(shè)分布與實際分布存在偏差時導(dǎo)致所得結(jié)果產(chǎn)生較大的誤差，本發(fā)明采用非參數(shù)核密度估計，該模型不需要任何概率分布形式的假設(shè)，僅僅假設(shè)充電功率的概率分布函數(shù)和概率密度函數(shù)存在且連續(xù)可微，更客觀地反映充電功率的概率特性。

概率x1,x2,…,xn是蒙特卡羅法模擬得到的n個充電功率的樣本，假設(shè)充電功率的概率密度函數(shù)為f(x)，則此概率密度函數(shù)的核估計為：

式中：h表示帶寬(窗寬或平滑系數(shù))，n表示樣本容量，k(·)表示核函數(shù)。

步驟204：延時充電方式指電動汽車車主在電價激勵的作用下，改變其開始充電時刻，即將開始充電時刻轉(zhuǎn)移至低谷時刻，延長響應(yīng)的充電時間，節(jié)省充電費用，但不參與v2g放電。將一天24h分為高峰時段和低谷時段，高峰時段從tpeak1時刻開始到tpeak2時刻結(jié)束，其余時刻為低谷時刻。當(dāng)電動汽車開始充電時刻處于高峰時段時，電動汽車不進行充電，等低谷時段在進行充電。通過延時充電，使一部分高峰時段的電動汽車負荷轉(zhuǎn)移至低谷時段，實現(xiàn)削峰填谷，平抑電網(wǎng)總負荷量。

采用蒙特卡羅模擬法，隨機產(chǎn)生滿足分布的最后一次返回時刻和日行駛里程數(shù)樣本。當(dāng)最后一次返回時刻處于高峰時段時，將其開始充電時間轉(zhuǎn)移至低谷時段。由此，模擬得到各時段單臺電動汽車充電功率的期望、標(biāo)準(zhǔn)差和概率分布。將單臺電動汽車的充電功率進行累加，得到大量電動汽車的充電功率。

步驟205：v2g充電方式指電動汽車車主在電價激勵的作用下，在高峰時刻作為電源向電網(wǎng)放電，并在低谷時刻作為負荷由電網(wǎng)向其充電。由于峰谷時段存在電價差，車主利用該電價差，節(jié)省總充電費用，甚至實現(xiàn)盈利，但相應(yīng)的也會延長充電時間。

考慮到對電動汽車電池的保護以及車主的感受，電動汽車電池的最大放電狀態(tài)不小于其容量的20％，即電動汽車在高峰時段接入電網(wǎng)，且入網(wǎng)的荷電狀態(tài)(stateofcharge,soc)大于電池容量的20％時，才可對電網(wǎng)進行放電。因而，結(jié)合電動汽車的日行駛里程數(shù)可以其持續(xù)放電至電池容量的20％所需的時間：

式中：tf0.2表示電動汽車放電至電池容量的20％所需時間，smax表示電動汽車電池的總電量，ηdisc表示電動汽車的放電效率，pdisc表示電動汽車的放電功率。

步驟206：當(dāng)電動汽車接入電網(wǎng)的soc大于電池容量的20％時，其放電時間由開始充電時刻、放電至電池容量的20％所需的時間、高峰時段等共同決定。放電時間如下：

式中：tf表示電動汽車的放電持續(xù)時間。

根據(jù)電動汽車的放電時間，結(jié)合電動汽車的放電參數(shù)可以得到其充電持續(xù)時間：

式中：tc表示電動汽車的充電持續(xù)時間。

步驟207：采用蒙特卡羅模擬法，隨機產(chǎn)生滿足分布的最后一次返回時刻和日行駛里程數(shù)樣本。對于高峰時段接入電網(wǎng)的電動汽車，結(jié)合其入網(wǎng)soc對其是否進行放電進行判斷，并計算其放電時間。到低谷時段，對電動汽車進行充電。由此，模擬得到各時段單臺電動汽車充電功率的期望、標(biāo)準(zhǔn)差和概率分布。

步驟208：由于輸電網(wǎng)相比配電網(wǎng)具有更高的電壓等級，而電動汽車往往不會直接接入輸電網(wǎng)，電動汽車對輸電網(wǎng)的影響要相對間接，因而本發(fā)明對電動汽車建模的目的是得到大量電動汽車接入后充放電行為的集群特征，即母線上所有電動汽車在t時段的充放電功率之和pev[t]：：

進一步：所述步驟3包括以下步驟：

步驟301：單臺電動汽車接入系統(tǒng)進行充放電時，假設(shè)高峰時段的開始時刻為tpeak1＝9，結(jié)束時刻tpeak2＝22。在步驟2的基礎(chǔ)上進行蒙特卡洛模擬，得到單臺電動汽車的充放電負荷期望值以及不同充電方式下單臺電動汽車各時段充放電負荷期望曲線。

步驟302：在步驟301的基礎(chǔ)上，對模擬得到的n個充電功率樣本采用非參數(shù)核密度估計，求得各充電方式下100臺電動汽車在各時段的充放電集群負荷的概率分布函數(shù)，通過這些概率分布曲線可以對電動汽車充放電集群負荷的概率特性有清晰的認識。

工作原理：本發(fā)明首先針對電動汽車的時空不確定性進行分析，重點考慮用戶的出行習(xí)慣以及駕駛習(xí)慣，在此基礎(chǔ)上建立電動汽車充電功率的動態(tài)概率模型。其次，在需求響應(yīng)背景下，根據(jù)用戶與電力公司簽訂的相關(guān)協(xié)議及其他因素，選擇合適的充電方式，包括普通充電模式、延時充電模式和v2g充電模式，針對3種不同的充電模式對電動汽車充電功率特性進行建模，通過蒙特卡洛模擬法得到大量電動汽車的充電功率。最后，在3種充電模式下對單臺電動汽車進行仿真測試，計算各時段電動汽車負荷的期望、標(biāo)準(zhǔn)差并且最終得到單臺電動汽車在各時段的充放電負荷期望曲線以及100臺電動汽車充放電集群負荷概率分布曲線。

有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點和技術(shù)效果：

(1)同時計及電動汽車在時間、空間以及駕駛行為等隨機性因素影響下的充放電功率的隨機特性，重點考慮用戶的出行習(xí)慣以及駕駛習(xí)慣；

(2)在需求響應(yīng)背景下，針對普通充電模式、延時充電模式和v2g充電模式3種不同充電模式對電動汽車充電功率特性進行建模，通過蒙特卡洛模擬法得到大量電動汽車的充電功率；

(3)獲得單臺電動汽車負荷的期望、標(biāo)準(zhǔn)差以及各時段充放電負荷期望曲線，擬合100臺電動汽車在各時段充放電負荷概率分布曲線，所得概率分布特性可以使調(diào)度人員對電動汽車充放電集群負荷有更為清晰的認識；

附圖說明

圖1為計及延時和v2g充電模式的電動汽車充電功率預(yù)測方法流程圖；

圖2為普通充電方式下電動汽車功率特性模擬流程圖；

圖3為延時充電方式下電動汽車功率特性模擬流程圖；

圖4為v2g充電方式下電動汽車功率特性模擬流程圖；

圖5為單臺電動汽車充放電負荷期望曲線圖；

圖6為普通充電方式下電動汽車充放電負荷概率分布曲線；

圖7為延時充電方式下電動汽車充放電負荷概率分布曲線；

圖8為v2g充電方式下電動汽車充放電負荷概率分布曲線。

具體實施方式

以下結(jié)合附圖和實例對本發(fā)明的實施作進一步說明，但本發(fā)明的實施和包含不限于此。

一種計及延時和v2g充電模式的電動汽車充電功率預(yù)測方法，包括以下如下步驟：

步驟1：針對電動汽車的時空不確定性進行分析，建立電動汽車充電功率的動態(tài)概率模型；

步驟2：選擇合適的充電方式，針對普通充電模式、延時充電模式和v2g充電模式對電動汽車充電功率特性進行建模；

步驟3：在步驟2的基礎(chǔ)上，在3種充電模式下對單臺電動汽車進行仿真測試，計算各時段電動汽車負荷的期望、標(biāo)準(zhǔn)差；

進一步，所述步驟1包括以下步驟：

步驟101：電動汽車的充電功率在時間和空間上均有較強的不確定性，針對電動汽車的時空不確定性進行分析是建立充電功率特性模型的基礎(chǔ)，其中用戶行為是影響電動汽車充電功率的關(guān)鍵。電動汽車的充電特性主要受電動汽車接入電網(wǎng)的時刻、需要充電電量和充電功率等3方面因素的影響。本發(fā)明主要考慮私用調(diào)度汽車作為電網(wǎng)可調(diào)度資源，有多種充電方式，并以v2g的方式參與電網(wǎng)調(diào)度。

步驟102：電動汽車接入電網(wǎng)時刻與用戶使用行為有密切關(guān)系，假設(shè)用戶最后一次行駛返回時刻即為電動汽車的入網(wǎng)時刻。同時根據(jù)美國能源部2008年對電動汽車用戶的調(diào)查統(tǒng)計報告，用戶的最后一次返回時刻近似服從正態(tài)分布。最后一次返回時刻的概率密度函數(shù)如下：

式中，ts表示最后一次返回時刻，μs和σs分別表示正態(tài)分布的期望和標(biāo)準(zhǔn)差。

步驟103：假設(shè)電動汽車一次充電即全部充滿，則電動汽車當(dāng)日的充電電量與其當(dāng)日的行駛里程有密切關(guān)系，即電動汽車當(dāng)日從電網(wǎng)獲取的電能全部轉(zhuǎn)化為當(dāng)日行駛里程所消耗的能量。根據(jù)調(diào)查報告，電動汽車的日行駛里程數(shù)服從對數(shù)正態(tài)分布。電動汽車的日行駛里程數(shù)的概率密度函數(shù)如下：

式中：d表示日行駛里程數(shù)，μd和σd分別表示lnd的期望和標(biāo)準(zhǔn)差；

得到日行駛里程數(shù)后，結(jié)合電動汽車百公里電耗，得到需要充電電量如下：

式中：wc表示電動汽車需要充電電量，w100表示百公里耗電量。

步驟104：假設(shè)本發(fā)明考慮電動汽車以常規(guī)慢充方式進行充電。由于起始充電階段和結(jié)束充電階段相較整個充電過程的時間較短，可以忽略。因此，假設(shè)電動汽車充電和放電均采用恒功率充放電方式進行，其充電功率為pc，放電功率為pdisc。由于本發(fā)明的電動汽車模型是在峰谷電價的背景下建立的，電動汽車車主可以根據(jù)自身需要，采用不同的充電方式，以實現(xiàn)自身利益的最大化，即電動汽車對電價產(chǎn)生不同的響應(yīng)方式。電動汽車的充電方式包括普通充電方式、延時充電方式和v2g充電方式等3種。

進一步：所述步驟2包括以下步驟：

步驟201：普通充電方式指電動汽車充電行為不受電價的影響，即電動汽車不改變其開始充電時間也不參與v2g放電。在普通充電方式下，對于單臺電動汽車模擬其需要充電電量，結(jié)合電動汽車的充電功率和充電效率，得到其充電持續(xù)時間：

式中：tc表示充電持續(xù)時間，ηc表示充電效率。

步驟202：采用蒙特卡羅模擬法，隨機產(chǎn)生滿足分布的最后一次返回時刻和日行駛里程數(shù)樣本，模擬得到各時段單臺電動汽車充電功率的期望，由于本發(fā)明主要考慮大量電動汽車接入后，進行充放電的集群效應(yīng)，因此，通過蒙特卡羅模擬法得到單臺電動汽車的充電功率后，需要將充電功率進行累加，得到大量電動汽車的充電功率：

式中：pev[t]表示t時段母線上電動汽車的總充放電功率，nev表示電動汽車總數(shù)量，pci[t]表示第i輛電動汽車在t時段的充電功率。

步驟203：通過蒙特卡羅模擬，得到電動汽車充電功率的樣本數(shù)據(jù)。為了進一步分析充電功率的概率特性，需要得到其概率分布曲線和概率密度曲線。為避免主觀假設(shè)分布與實際分布存在偏差時導(dǎo)致所得結(jié)果產(chǎn)生較大的誤差，本發(fā)明采用非參數(shù)核密度估計，該模型不需要任何概率分布形式的假設(shè)，僅僅假設(shè)充電功率的概率分布函數(shù)和概率密度函數(shù)存在且連續(xù)可微，更客觀地反映充電功率的概率特性。

概率x1,x2,…,xn是蒙特卡羅法模擬得到的n個充電功率的樣本，假設(shè)充電功率的概率密度函數(shù)為f(x)，則此概率密度函數(shù)的核估計為：

式中：h表示帶寬(窗寬或平滑系數(shù))，n表示樣本容量，k(·)表示核函數(shù)。

步驟204：延時充電方式指電動汽車車主在電價激勵的作用下，改變其開始充電時刻，即將開始充電時刻轉(zhuǎn)移至低谷時刻，延長響應(yīng)的充電時間，節(jié)省充電費用，但不參與v2g放電。將一天24h分為高峰時段和低谷時段，高峰時段從tpeak1時刻開始到tpeak2時刻結(jié)束，其余時刻為低谷時刻。當(dāng)電動汽車開始充電時刻處于高峰時段時，電動汽車不進行充電，等低谷時段在進行充電。通過延時充電，使一部分高峰時段的電動汽車負荷轉(zhuǎn)移至低谷時段，實現(xiàn)削峰填谷，平抑電網(wǎng)總負荷量。

采用蒙特卡羅模擬法，隨機產(chǎn)生滿足分布的最后一次返回時刻和日行駛里程數(shù)樣本。當(dāng)最后一次返回時刻處于高峰時段時，將其開始充電時間轉(zhuǎn)移至低谷時段。由此，模擬得到各時段單臺電動汽車充電功率的期望、標(biāo)準(zhǔn)差和概率分布。將單臺電動汽車的充電功率進行累加，得到大量電動汽車的充電功率。

步驟205：v2g充電方式指電動汽車車主在電價激勵的作用下，在高峰時刻作為電源向電網(wǎng)放電，并在低谷時刻作為負荷由電網(wǎng)向其充電。由于峰谷時段存在電價差，車主利用該電價差，節(jié)省總充電費用，甚至實現(xiàn)盈利，但相應(yīng)的也會延長充電時間。

考慮到對電動汽車電池的保護以及車主的感受，電動汽車電池的最大放電狀態(tài)不小于其容量的20％，即電動汽車在高峰時段接入電網(wǎng)，且入網(wǎng)的荷電狀態(tài)(stateofcharge,soc)大于電池容量的20％時，才可對電網(wǎng)進行放電。因而，結(jié)合電動汽車的日行駛里程數(shù)可以其持續(xù)放電至電池容量的20％所需的時間：

式中：tf0.2表示電動汽車放電至電池容量的20％所需時間，smax表示電動汽車電池的總電量，ηdisc表示電動汽車的放電效率，pdisc表示電動汽車的放電功率。

步驟206：當(dāng)電動汽車接入電網(wǎng)的soc大于電池容量的20％時，其放電時間由開始充電時刻、放電至電池容量的20％所需的時間、高峰時段等共同決定。放電時間如下：

式中：tf表示電動汽車的放電持續(xù)時間。

根據(jù)電動汽車的放電時間，結(jié)合電動汽車的放電參數(shù)可以得到其充電持續(xù)時間：

式中：tc表示電動汽車的充電持續(xù)時間。

步驟207：采用蒙特卡羅模擬法，隨機產(chǎn)生滿足分布的最后一次返回時刻和日行駛里程數(shù)樣本。對于高峰時段接入電網(wǎng)的電動汽車，結(jié)合其入網(wǎng)soc對其是否進行放電進行判斷，并計算其放電時間。到低谷時段，對電動汽車進行充電。由此，模擬得到各時段單臺電動汽車充電功率的期望、標(biāo)準(zhǔn)差和概率分布。

步驟208：由于輸電網(wǎng)相比配電網(wǎng)具有更高的電壓等級，而電動汽車往往不會直接接入輸電網(wǎng)，電動汽車對輸電網(wǎng)的影響要相對間接，因而本發(fā)明對電動汽車建模的目的是得到大量電動汽車接入后充放電行為的集群特征，即母線上所有電動汽車在t時段的充放電功率之和pev[t]：：

進一步：所述步驟3包括以下步驟：

步驟301：單臺電動汽車接入系統(tǒng)進行充放電時，假設(shè)高峰時段的開始時刻為tpeak1＝9，結(jié)束時刻tpeak2＝22。在步驟2的基礎(chǔ)上進行蒙特卡洛模擬，得到單臺電動汽車的充放電負荷期望值以及不同充電方式下單臺電動汽車各時段充放電負荷期望曲線。

步驟302：在步驟301的基礎(chǔ)上，對模擬得到的n個充電功率樣本采用非參數(shù)核密度估計，求得各充電方式下100臺電動汽車在各時段的充放電集群負荷的概率分布函數(shù)，通過這些概率分布曲線可以對電動汽車充放電集群負荷的概率特性有清晰的認識。

工作原理：本發(fā)明首先針對電動汽車的時空不確定性進行分析，重點考慮用戶的出行習(xí)慣以及駕駛習(xí)慣，在此基礎(chǔ)上建立電動汽車充電功率的動態(tài)概率模型。其次，在需求響應(yīng)背景下，根據(jù)用戶與電力公司簽訂的相關(guān)協(xié)議及其他因素，選擇合適的充電方式，包括普通充電模式、延時充電模式和v2g充電模式，針對3種不同的充電模式對電動汽車充電功率特性進行建模，通過蒙特卡洛模擬法得到大量電動汽車的充電功率。最后，在3種充電模式下對單臺電動汽車進行仿真測試，計算各時段電動汽車負荷的期望、標(biāo)準(zhǔn)差并且最終得到單臺電動汽車在各時段的充放電負荷期望曲線以及100臺電動汽車充放電集群負荷概率分布曲線。

算例分析

單臺電動汽車接入系統(tǒng)進行充放電時，假設(shè)高峰時段的開始時刻為tpeak1＝9，結(jié)束時刻tpeak2＝22，其中單臺電動汽車充放電參數(shù)數(shù)值：μs取17.6h，σs取3.4h；μd取3.2km，σd取0.88km；w100取25kwh/100km，pc取4.5kw，ηc取90％，smax取50kwh，pdisc取4.5kw，ηdisc取90％；

按照圖2—圖4所示流程圖進行模擬，得到單臺電動汽車的充放電負荷期望，充放電負荷期望曲線如圖5所示。采用非參數(shù)核密度估計，分別求得普通充電模式、延時充電模式和v2g充電模式3種不同充電模式下100臺電動汽車的充放電集群負荷的概率分布函數(shù)，如圖6-圖8所示，通過這些概率分布曲線可以對電動汽車充放電集群負荷的概率特性有清晰的認識，在需求響應(yīng)背景下，由于峰谷電價的實施，電動汽車車主可以根據(jù)自身情況，選擇合適的充電方式。不同的峰谷電價激勵作用下，車主會產(chǎn)生不同的響應(yīng)情況，電網(wǎng)公司可以據(jù)此對峰谷電價進行調(diào)節(jié)，以達到不同的響應(yīng)目標(biāo)。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明保護的范圍之內(nèi)。