Integrated Modeling and Forecasting of Electric Vehicles Charging Profiles Based on Real Data

📄 arXiv: 2408.13821v1 📥 PDF

作者: Octavio Ramos-Leaños, Hussein Suprême, Mouhamadou Makthar Dione, Daniel Chabot, Vincent Beaulieu

分类: eess.SY

发布日期: 2024-08-25

💡 一句话要点

提出基于真实数据的电动汽车充电行为建模与预测算法，用于评估其对配电网的影响

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 电动汽车充电 配电网影响评估 充电行为建模 概率模型 真实数据分析

📋 核心要点

  1. 现有方法难以准确模拟个体电动汽车的充电行为，从而影响配电网影响评估的准确性。
  2. 该论文提出了一种基于真实数据的多重充电算法，通过分析大量电动汽车的充电模式来构建概率模型。
  3. 通过案例研究，验证了该方法在评估电动汽车充电对配电网影响方面的有效性。

📝 摘要（中文）

在能源转型和经济脱碳的背景下，多国政府计划在2050年前禁止销售新的燃油汽车。因此，配电网络（DN）中电动汽车（EV）的普及率预计将不断增长。为了确定是否需要采取缓解措施来适应DN中大量电动汽车，必须进行影响分析。此外，需要真实地考虑当地居民的生活习惯，这会导致不同的电动汽车充电模式。本文提出了一种基于北美大型公用事业公司测量的500辆住宅电动汽车的充电行为的个体住宅电动汽车多重充电算法。概率函数是从这些充电模式的分析中得出的。这些函数可用于模拟单个电动汽车的每日充电曲线，从而以准静态时序的角度评估其对单个客户或整个DN的影响。同时，也提供了一项影响评估研究。

🔬 方法详解

问题定义：论文旨在解决电动汽车大规模接入配电网后，如何准确预测电动汽车的充电行为，并评估其对配电网的影响。现有方法通常采用简化的充电模型，无法充分考虑个体用户的充电习惯和随机性，导致评估结果不够准确。

核心思路：论文的核心思路是基于大量真实电动汽车的充电数据，分析用户的充电行为模式，并构建概率模型来描述这些模式。通过概率模型，可以模拟个体电动汽车的充电行为，并预测大规模电动汽车接入对配电网的影响。

技术框架：该方法主要包含以下几个阶段：1) 数据采集：收集北美地区500辆住宅电动汽车的充电数据。2) 数据分析：分析充电数据，提取充电开始时间、充电时长、充电功率等特征。3) 概率模型构建：基于充电特征，构建充电开始时间、充电时长和充电功率的概率分布函数。4) 充电行为模拟：利用概率模型，模拟个体电动汽车的充电行为。5) 配电网影响评估：将模拟的充电行为数据输入配电网模型，评估电动汽车接入对配电网电压、电流、功率损耗等的影响。

关键创新：该论文的关键创新在于：1) 基于真实数据构建电动汽车充电行为的概率模型，能够更准确地反映用户的充电习惯和随机性。2) 提出了一种多重充电算法，可以模拟个体电动汽车的每日充电曲线。

关键设计：论文的关键设计包括：1) 使用非参数方法估计充电开始时间、充电时长和充电功率的概率分布函数。2) 采用蒙特卡洛模拟方法，基于概率模型生成个体电动汽车的充电曲线。3) 使用准静态时序分析方法，评估电动汽车接入对配电网的影响。具体的参数设置、损失函数、网络结构等技术细节未知。

📊 实验亮点

该研究基于北美地区500辆住宅电动汽车的真实充电数据，构建了电动汽车充电行为的概率模型。通过案例研究，验证了该方法在评估电动汽车充电对配电网影响方面的有效性。具体的性能数据和提升幅度未知。

🎯 应用场景

该研究成果可应用于配电网规划、电动汽车充电基础设施建设、电动汽车充电调度优化等领域。通过准确预测电动汽车的充电行为，可以更好地评估电动汽车接入对配电网的影响，从而制定合理的规划方案，保障配电网的安全稳定运行，并促进电动汽车的推广应用。

📄 摘要（原文）

In the context of energy transition and decarbonization of the economy, several governments will ban the sale of new combustion vehicles by 2050. Thus, growing penetration of electric vehicles (EVs) in distribution networks (DN) is predicted. Impact analyzes must be performed to determine if mitigation means are needed to accommodate a large quantity of EVs in the DN. Furthermore, the habits of the local population resulting in different EVs charging patterns needs to be realistically considered. This article proposed an individual residential EVs multi-charging algorithm based on the observed charging behavior of 500 measured residential EVs located in a large North American utility. Probability functions are derived from the analysis of these charging patterns. These can be used to model daily charging profiles of individual EV to assess, in a quasi-static time-series perspective, their impact either on a single costumer or a whole DN. An impact evaluation study is also presented.