Trajectory-data-driven Estimation of Electric Vehicle Charging Demand and Vechicle-to-Grid Regulable Capacity

Chunqi ZHOU; Yue XIANG; Hua TONG; Ping RAO; Yifan QING; Youbo LIU

doi:10.7500/AEPS20211227005

您当前的位置：

首页 >

文章列表页 >

Trajectory-data-driven Estimation of Electric Vehicle Charging Demand and Vechicle-to-Grid Regulable Capacity

Special Topic on Key Technologies of Urban Power Grid and Transportation Integration for New Power Systems | 更新时间：2025-06-16

- Trajectory-data-driven Estimation of Electric Vehicle Charging Demand and Vechicle-to-Grid Regulable Capacity
- Automation of Electric Power Systems Vol. 46, Issue 12, Pages: 46-55(2022)
- 作者机构：
  
  四川大学电气工程学院，四川省成都市 610065
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(52111530067);Science and Technology Program of Sichuan Province(2020YFSY0037)
- DOI：10.7500/AEPS20211227005
  CLC：
- Received：27 December 2021，
  
  Revised：2022-05-09，
  
  Published Online：26 May 2022，
  
  Published：25 June 2022
- 稿件说明：
移动端阅览
周椿奇,向月,童话等.轨迹数据驱动的电动汽车充电需求及V2G可调控容量估计[J].电力系统自动化,2022,46(12):46-55.

ZHOU Chunqi,XIANG Yue,TONG Hua,et al.Trajectory-data-driven Estimation of Electric Vehicle Charging Demand and Vechicle-to-Grid Regulable Capacity[J].Automation of Electric Power Systems,2022,46(12):46-55.
周椿奇,向月,童话等.轨迹数据驱动的电动汽车充电需求及V2G可调控容量估计[J].电力系统自动化,2022,46(12):46-55. DOI： 10.7500/AEPS20211227005.

ZHOU Chunqi,XIANG Yue,TONG Hua,et al.Trajectory-data-driven Estimation of Electric Vehicle Charging Demand and Vechicle-to-Grid Regulable Capacity[J].Automation of Electric Power Systems,2022,46(12):46-55. DOI： 10.7500/AEPS20211227005.

摘要

电动汽车（EV）充电需求估计是研究电动汽车与电网互动（V2G）的重要前提。为此，提出一种行驶轨迹数据驱动的EV充电需求预测模型，并进一步考虑用户多维效益，构建用户选择参与V2G响应的用户决策模型，分析区域V2G响应能力的调控潜力。首先，对行车轨迹大数据集进行清洗与挖掘，基于动态能耗理论构建了EV充电需求时空分布预估模型。其次，基于社会行为学理论并综合考虑用电需求效用、经济效用、环保效用以及社会效用，构建了EV用户选择参与V2G响应的概率选择模型。该模型不仅考虑了EV用户的异质性，而且体现了用户决策的交互影响。最后，建立V2G可响应容量调度模型，分析V2G响应资源对区域负荷的调节效果。结果表明，所提模型不仅能有效估计某城市区域的EV充电需求时空分布特性，而且能挖掘该区域选择参与V2G响应的EV潜在用户数量，为研究V2G响应资源对区域负荷的调控潜力提供了支撑。

Abstract

Electric vehicle (EV) charging demand estimation is an important precondition for studying the vehicle-to-grid (V2G) interaction. Therefore

this paper proposes a charging demand prediction model of EVs driven by driving trajectory data

constructs a decision-making model of users to choose to participate in V2G response by further considering the multi-dimensional benefits of users

and analyzes the regulation potential of regional V2G response capabilities. Firstly

the big data set of driving trajectory is cleaned and mined

and a prediction model for the spatio-temporal distribution of EV charging demand is constructed based on the dynamic energy consumption theory. Secondly

based on the social behavior theory and considering the electricity demand utility

economic utility

environmental protection utility and social utility

the probabilistic selection model of EV users participating in V2G response is constructed. The model not only considers the heterogeneity of EV users

but also reflects the interactive influence of user decisions. Finally

a V2G responsive capacity regulation model is established to analyze the adjustment effect of V2G responsive resources on the regional load. The results show that the proposed model can not only effectively estimate the spatio-temporal distribution characteristics of EV charging demand in a certain urban area

but also obtain the number of potential EV users who choose to participate in V2G response in this area

which provides support for studying the regulation potential of V2G responsive resources on the regional load.

关键词

Keywords

references

国务院办公厅 . 新能源汽车产业发展规划（ 2021 — 2035 年）［EB/OL］.（ 2020-11-02 ）［ 2021-07-30 ］. https：//chuneng.bjx.com.cn/news/20201102/1113435.shtml https://chuneng.bjx.com.cn/news/20201102/1113435.shtml .

The General Office of the State Council . New energy automobile industry development plan （ 2021 — 2035 ）［EB/OL］. （ 2020-11-02 ）［ 2021-07-30 ］. https：//chuneng.bjx.com.cn/news/20201102/1113435.shtml https://chuneng.bjx.com.cn/news/20201102/1113435.shtml .

蔚来与国网电动汽车签约：2021年共建100座充换电站，推广V2G实现电网削峰填谷［EB/OL］.（ 2020-12-14 ）［ 2021-07-30 ］. https：//chuneng.bjx.com.cn/news/20201215/1122355.shtml https://chuneng.bjx.com.cn/news/20201215/1122355.shtml .

NIO signs contract with State Grid Electric Vehicle Company： a total of 100 charging and swapping stations will be built to promote V2G to achieve grid peak shaving and valley filling in 2021 ［EB/OL］. （ 2020-12-14 ）［ 2021-07-30 ］. https：//chuneng.bjx.com.cn/news/20201215/1122355.shtml https://chuneng.bjx.com.cn/news/20201215/1122355.shtml .

YANG W ， XIANG Y ， LIU J Y ， et al . Agent-based modeling for scale evolution of plug-in electric vehicles and charging demand ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 2 ）： 1915 - 1925 .

陈丽丹，聂涌泉，钟庆 . 基于出行链的电动汽车充电负荷预测模型［J］. 电工技术学报， 2015 ， 30 （ 4 ）： 216 - 225 .

CHEN Lidan ， NIE Yongquan ， ZHONG Qing . A model for electric vehicle charging load forecasting based on trip chains ［J］. Transactions of China Electrotechnical Society ， 2015 ， 30 （ 4 ）： 216 - 225 .

XIANG Y ， LIU Z P ， LIU J C ， et al . Integrated traffic-power simulation framework for electric vehicle charging stations based on cellular automation ［J］. Journal of Modern Power Systems and Clean Energy ， 2018 ， 6 （ 4 ）： 816 - 820 .

张宇轩，郭力，刘一欣，等 . 电动汽车充电负荷概率分布的数值建模方法［J］. 电力系统自动化， 2021 ， 45 （ 18 ）： 61 - 70 .

ZHANG Yuxuan ， GUO Li ， LIU Yixin ， et al . Numerical modeling method for probability distribution of electric vehicle charging load ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 18 ）： 61 - 70 .

张洪财，胡泽春，宋永华，等 . 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 （ 1 ）： 13 - 20 .

ZHANG Hongcai ， HU Zechun ， SONG Yonghua ， et al . A prediction method for electric vehicle charging load considering spatial and temporal distribution ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 1 ）： 13 - 20 .

张琳娟，许长清，王利利，等 . 基于OD矩阵的电动汽车充电负荷时空分布预测［J］. 电力系统保护与控制， 2021 ， 49 （ 20 ）： 82 - 91 .

ZHANG Linjuan ， XU Changqing ， WANG Lili ， et al . OD matrix based spatiotemporal distribution of EV charging load prediction ［J］. Power System Protection and Control ， 2021 ， 49 （ 20 ）： 82 - 91 .

邵尹池，穆云飞，余晓丹，等 . “车-路-网”模式下电动汽车充电负荷时空预测及其对配电网潮流的影响［J］. 中国电机工程学报， 2017 ， 37 （ 18 ）： 5207 - 5219 .

SHAO Yinchi ， MU Yunfei ， YU Xiaodan ， et al . A spatial-temporal charging load forecast and impact analysis method for distribution network using EVs-traffic-distribution model ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 18 ）： 5207 - 5219 .

RAUTIAINEN A ， REPO S ， JARVENTAUSTA P ， et al . Statistical charging load modeling of PHEVs in electricity distribution networks using national travel survey data ［J］. IEEE Transactions on Smart Grid ， 2012 ， 3 （ 4 ）： 1650 - 1659 .

田立亭，史双龙，贾卓 . 电动汽车充电功率需求的统计学建模方法［J］. 电网技术， 2010 ， 34 （ 11 ）： 126 - 130 .

TIAN Liting ， SHI Shuanglong ， JIA Zhuo . A statistical model for charging power demand of electric vehicles ［J］. Power System Technology ， 2010 ， 34 （ 11 ）： 126 - 130 .

DENG R Q ， XIANG Y ， DA H ， et al . Exploring flexibility of electric vehicle aggregators as energy reserve ［J］. Electric Power Systems Research ， 2020 ， 184 ： 106305 .

张亚朋，穆云飞，贾宏杰，等 . 电动汽车虚拟电厂的多时间尺度响应能力评估模型［J］. 电力系统自动化， 2019 ， 43 （ 12 ）： 94 - 103 .

ZHANG Yapeng ， MU Yunfei ， JIA Hongjie ， et al . Response capability evaluation model with multiple time scales for electric vehicle virtual power plant ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 12 ）： 94 - 103 .

WANG M S ， MU Y F ， LI F X ， et al . State space model of aggregated electric vehicles for frequency regulation ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 2 ）： 981 - 994 .

张谦，邓小松，岳焕展，等 . 计及电池寿命损耗的电动汽车参与能量-调频市场协同优化策略［J］. 电工技术学报， 2022 ， 37 （ 1 ）： 72 - 81 .

ZHANG Qian ， DENG Xiaosong ， YUE Huanzhan ， et al . Coordinated optimization strategy of electric vehicle cluster participating in energy and frequency regulation markets considering battery lifetime degradation ［J］. Transactions of China Electrotechnical Society ， 2022 ， 37 （ 1 ）： 72 - 81 .

邓艺璇，黄玉萍，黄周春 . 基于随机森林算法的电动汽车充放电容量预测［J］. 电力系统自动化， 2021 ， 45 （ 21 ）： 181 - 188 .

DENG Yixuan ， HUANG Yuping ， HUANG Zhouchun . Charging and discharging capacity forecasting of electric vehicles based on random forest algorithm ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 21 ）： 181 - 188 .

张有兵，任帅杰，杨晓东，等 . 考虑价格型需求响应的独立型微电网优化配置［J］. 电力自动化设备， 2017 ， 37 （ 7 ）： 55 - 62 .

ZHANG Youbing ， REN Shuaijie ， YANG Xiaodong ， et al . Optimal configuration considering price-based demand response for stand-alone microgrid ［J］. Electric Power Automation Equipment ， 2017 ， 37 （ 7 ）： 55 - 62 .

张谦，蔡家佳，李春燕，等 . 基于模糊贝叶斯学习的电动汽车放电电价谈判策略［J］. 中国电机工程学报， 2018 ， 38 （ 1 ）： 61 - 71 .

ZHANG Qian ， CAI Jiajia ， LI Chunyan ， et al . The negotiation strategy of discharging price of electric vehicle based on fuzzy Bayesian learning ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 1 ）： 61 - 71 .

MU Y F ， WU J Z ， JENKINS N ， et al . A spatial-temporal model for grid impact analysis of plug-in electric vehicles ［J］. Applied Energy ， 2014 ， 114 ： 456 - 465 .

温剑锋，陶顺，肖湘宁，等 . 基于出行链随机模拟的电动汽车充电需求分析［J］. 电网技术， 2015 ， 39 （ 6 ）： 1477 - 1484 .

WEN Jianfeng ， TAO Shun ， XIAO Xiangning ， et al . Analysis on charging demand of EV based on stochastic simulation of trip chain ［J］. Power System Technology ， 2015 ， 39 （ 6 ）： 1477 - 1484 .

宋媛媛 . 基于行驶工况的纯电动汽车能耗建模及续驶里程估算研究［D］. 北京：北京交通大学， 2014 .

SONG Yuanyuan . Energy consumption modeling and cruising range estimation based on driving cycle for electric vehicles ［D］. Beijing ： Beijing Jiaotong University ， 2014 .

张晨彧，丁明，张晶晶 . 基于交通出行矩阵的私家车充电负荷时空分布预测［J］. 电工技术学报， 2017 ， 32 （ 1 ）： 78 - 87 .

ZHANG Chenyu ， DING Ming ， ZHANG Jingjing . A temporal and spatial distribution forecasting of private car charging load based on origin-destination matrix ［J］. Transactions of China Electrotechnical Society ， 2017 ， 32 （ 1 ）： 78 - 87 .

ARIAS M B ， KIM M ， BAE S . Prediction of electric vehicle charging-power demand in realistic urban traffic networks ［J］. Applied Energy ， 2017 ， 195 ： 738 - 753 .

广州市工业和信息化局 . 广州市虚拟电厂实施细则［EB/OL］.（ 2021-02-10 ）［ 2021-07-30 ］. https：//baijiahao.baidu.com/s？id=1692180907705004232&wfr=spider&for=pc https://baijiahao.baidu.com/s?id=1692180907705004232&wfr=spider&for=pc .

Guangzhou Municipal Industry and Information Technology Bureau . Implementation rules of virtual power plant in Guangzhou ［EB/OL］. （ 2021-02-10 ）［ 2021-07-30 ］. https：//baijiahao.baidu.com/s？id=1692180907705004232&wfr=spider&for=pc https://baijiahao.baidu.com/s?id=1692180907705004232&wfr=spider&for=pc .

MEADE N ， ISLAM T . Modelling and forecasting the diffusion of innovation—a 25-year review ［J］. International Journal of Forecasting ， 2006 ， 22 （ 3 ）： 519 - 545 .

谭维玉 . 计及用户需求侧响应的电动汽车充放电电价制定策略研究［D］. 重庆：重庆大学， 2019 .

TAN Weiyu . Study on the formulation strategy of charging and discharging price for electric vehicles considering demand side response ［D］. Chongqing ： Chongqing University ， 2019 .

陈琦 . 普华永道：整车厂“三电”产业链布局策略［J］. 汽车与配件， 2019 （ 15 ）： 32 - 33 .

CHEN Qi . Pricewaterhouse Coopers： industrial chain layout strategy of “battery， motor and electronic control ”［J］. Automobile & Parts ， 2019 （ 15 ）： 32 - 33 .

蒋卓臻，向月，刘俊勇，等 . 集成电动汽车全轨迹空间的充电负荷建模及对配电网可靠性的影响［J］. 电网技术， 2019 ， 43 （ 10 ）： 3789 - 3800 .

JIANG Zhuozhen ， XIANG Yue ， LIU Junyong ， et al . Charging load modeling integrated with electric vehicle whole trajectory space and its impact on distribution network reliability ［J］. Power System Technology ， 2019 ， 43 （ 10 ）： 3789 - 3800 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Review of Modeling, Solution and Application for Coordinated Operation of Power-Transportation Systems

Optimal Charging Strategies for Electric Vehicles Supporting Time-varying Demand Response Incentive Price

Related Author

ZHANG Baokun

DENG Junjun

LIN Ni

WANG Zhenpo

GAN Haiqing

YUAN Xiaodong

MAO Meiqin

GE Xing

Related Institution

National Engineering Research Center of Electric Vehicles, Beijing Institute of Technology

State Grid Jiangsu Electric Power Co., Ltd.

Research Center for Photovoltaic Systems Engineering of Ministry of Education, Hefei University of Technology

State Grid Anhui Electric Power Co., Ltd.

State Grid Anhui Electric Vehicle Service Co., Ltd.

⁰