[论文解读] A Stochastic Model for Uncontrolled Charging of Electric Vehicles Using Cluster Analysis

Constance Crozier, Thomas Morstyn+1 more|arXiv (Cornell University)|Jul 17, 2019

Electric Vehicles and Infrastructure参考文献 26被引用 9

一句话总结

本文提出了一种用于非受控电动汽车（EV）充电的随机模型，通过K均值聚类将EV试验数据与国家出行调查数据相结合，将车辆使用情况简化为单一参数。该模型在实际充电时间前后10分钟内将充电需求预测准确率提高了80%，显著优于传统假设；同时揭示，在中南部等地区，当电动汽车普及率达到100%时，ADMD（经多样性调整后的最大需求）可能比以往估计低30%，甚至可能接近翻倍。

ABSTRACT

This paper proposes a probabilistic model for uncontrolled charging of electric vehicles (EVs). EV charging will add significant load to power systems in the coming years and, due to the convenience of charging at home, this is likely to occur in residential distribution systems. Estimating the size and shape of the load will allow necessary reinforcements to be identified. Models predicting EV charging are usually based on data from travel surveys, or from small trials. Travel surveys are recorded by hand and typically describe conventional vehicles, but represent a much larger and more diverse sample of the population. The model here utilizes both sources: trial data to parameterize the model, and survey data as the model input. Clustering is used to identify modes of vehicle use, thus reducing vehicle use to a single parameter -- which can be incorporated into the model without adding significant computational burden. Two case studies are included: one investigating the aggregated charging of 50 vehicles, and one predicting the increase in after diversity maximum demand for different regions of the UK.

研究动机与目标

• 开发一种用于非受控EV充电的随机模型，以准确捕捉车辆使用和充电行为的变异性。
• 解决现有模型的局限性，这些模型要么因假设充电发生在最后一次行程后而高估峰值需求，要么依赖于有偏差的小规模试验数据。
• 通过结合高分辨率试验数据与大规模国家出行调查数据，实现对配电网影响的准确预测。
• 量化英国各地EV充电影响的区域差异，特别是对配电网经多样性调整后的最大需求（ADMD）的影响。
• 证明当前对EV影响的估计可能高估了峰值需求，表明在实际建模下，EV的可行渗透水平可能高于以往假设。

提出的方法

• 对EV试验数据应用K均值聚类，识别出三种不同的车辆使用模式，将复杂的使用模式简化为单一基于聚类的参数。
• 从试验数据中推导出条件概率分布，以基于荷电状态（SOC）、一天中的时间、日期类型和车辆使用模式来建模充电行为。
• 通过蒙特卡洛模拟，从这些分布中抽样生成随机充电配置，应用于每个地方当局的国家出行调查（NTS）数据。
• 通过将预测的EV充电配置叠加到基于英国能源消耗和电价数据推导出的现有家庭负荷配置上，估算区域ADMD（经多样性调整后的最大需求）。
• 通过将预测的充电时间与实际试验数据对比来验证模型，性能通过时间窗口准确率进行衡量。
• 通过在所有英国地方当局模拟100%的EV渗透率，并对每个区域进行200次模拟运行，评估EV影响的地理差异。

实验结果

研究问题

• RQ1 如何利用混合数据源开发一种随机模型，以准确表示非受控EV充电行为？
• RQ2 对车辆使用模式进行聚类在多大程度上能提升模型的准确性和计算效率？
• RQ3 与传统假设（即充电仅发生在最后一次行程后）相比，该模型的预测准确率如何？
• RQ4 英国各地EV充电对低压配电网ADMD的影响存在何种区域差异？
• RQ5 该模型的峰值需求估计与传统假设相比如何？对配电网强化有何影响？

主要发现

• 该模型在10分钟时间窗口内预测了80%的实际充电事件，显著优于传统假设（即充电仅在最后一次行程后发生）的42%准确率。
• 该模型预测的峰值充电需求比采用传统假设（即充电发生在最后一次行程后）的估计值低30%。
• EV试验参与者行驶的距离显著长于全国平均水平，表明将试验数据外推至更广泛人群会导致充电需求被高估。
• 在伦敦，100% EV渗透率带来的ADMD增长微乎其微；而在中南部地区，由于车辆使用率高且基线需求低，ADMD可能接近翻倍。
• 该模型表明，必须考虑车辆使用和现有负荷配置的区域差异，因为单一全国性模型可能无法准确反映本地电网影响。
• 结果表明，由于在真实充电行为建模下峰值需求降低，配电层面EV的允许渗透率可能高于以往估计。