隨著環(huán)境的惡化和化石能源短缺現(xiàn)象的加劇，電動(dòng)汽車(chē)以其相對(duì)低廉的價(jià)格、契合綠色出行的理念、消納間歇性可再生能源電力等特點(diǎn)，近些年在世界范圍內(nèi)都得到了較快的發(fā)展。而大規(guī)模電動(dòng)汽車(chē)并入電網(wǎng)給電網(wǎng)的安全帶來(lái)了嚴(yán)重的威脅。即隨著電動(dòng)汽車(chē)數(shù)量的提高，會(huì)給電網(wǎng)負(fù)荷帶來(lái)了巨大的沖擊"列。因此，對(duì)電動(dòng)汽車(chē)的充電負(fù)荷趨勢(shì)進(jìn)行預(yù)測(cè)，對(duì)于電網(wǎng)及充電樁后續(xù)的規(guī)劃建設(shè)，以及采用何種方式來(lái)緩解大規(guī)模電動(dòng)汽車(chē)充電過(guò)程對(duì)電網(wǎng)帶來(lái)的沖擊，都具有重要的研究?jī)r(jià)值和現(xiàn)實(shí)意義。針對(duì)電動(dòng)汽車(chē)充電負(fù)荷預(yù)測(cè)可以分為從空間角度和時(shí)間角度進(jìn)行預(yù)測(cè)。文獻(xiàn)研究電動(dòng)汽車(chē)在空間約束下的出行特性，采用交通起止點(diǎn)法和蒙特卡洛算法完成對(duì)電動(dòng)汽車(chē)充電負(fù)荷的時(shí)空預(yù)測(cè)。文獻(xiàn)針對(duì)電動(dòng)汽車(chē)在居民區(qū)的充電特征，建立相關(guān)模型。文獻(xiàn)以某一地區(qū)為例,根據(jù)狀態(tài)轉(zhuǎn)移矩陣得到居民區(qū)、工商業(yè)區(qū)電動(dòng)汽車(chē)的數(shù)量，研究不同功能區(qū)域電動(dòng)汽車(chē)充電負(fù)荷的差異性。文獻(xiàn)對(duì)蒙特卡洛算法的尋優(yōu)路徑優(yōu)化，完成對(duì)電動(dòng)汽車(chē)時(shí)間尺度上的負(fù)荷預(yù)測(cè)，提高了運(yùn)算速度。

文中分析了前人研究電動(dòng)汽車(chē)的充電負(fù)荷特性因素的不足之處，對(duì)某市工作日與休息日各類(lèi)型車(chē)的實(shí)際充電行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，包括充電開(kāi)始時(shí)間、充電電量、充電功率的分布特征。采用蒙特卡洛法計(jì)算各類(lèi)型電動(dòng)汽車(chē)的負(fù)荷曲線，比較各類(lèi)型車(chē)負(fù)荷曲線的差異，分析充電負(fù)荷曲線對(duì)該市電網(wǎng)負(fù)荷的影響。

1影響電動(dòng)汽車(chē)充電負(fù)荷特性的因素充電

開(kāi)始時(shí)間、充電持續(xù)時(shí)間、充電功率是影響電動(dòng)汽車(chē)充電負(fù)荷特性的關(guān)鍵因素。下文將針對(duì)其進(jìn)行分析。

1.1開(kāi)始充電時(shí)間

用戶的充電開(kāi)始時(shí)間取決于車(chē)輛的類(lèi)型以及用戶的個(gè)人行為等。之前的研究多是以燃油車(chē)的出行特性來(lái)近似代替電動(dòng)汽車(chē)的出行特性，例如文獻(xiàn)［13］采用NHTS(NationalHouseholdTravelSurvey)的數(shù)據(jù)，將燃油汽車(chē)*后一次出行的結(jié)束時(shí)刻近似視為開(kāi)始充電時(shí)間t,如式⑴所示,/與其頻率滿足正態(tài)分布，其中兒、久分別為t的期望和標(biāo)準(zhǔn)差。

1.2充電持續(xù)時(shí)間

充電持續(xù)時(shí)間Char決定了充電時(shí)間的長(zhǎng)短，取決于充電電量Q和充電功率P。通過(guò)式(2)得到，即：考慮到車(chē)型的不同，充電電量Q難以確定，文獻(xiàn)［14］研究了交通以及氣溫狀況對(duì)充電電量的影響，文獻(xiàn)［15］將用戶每次用車(chē)時(shí)的電池電荷狀態(tài)SOC的概率密度函數(shù)(StateofCharge)視為正態(tài)分布，通過(guò)概率密度函數(shù)隨機(jī)抽取得到SOC,通過(guò)式(3)即可得到充電電量Q,其中a為期望充電完成后的荷電狀態(tài),一般來(lái)說(shuō)a取為1,E為滿電電量。

Q=(.a-SOC)xE(3)文獻(xiàn)［16］亦根據(jù)NHTS的數(shù)據(jù)，將日行駛里程L視為滿足對(duì)數(shù)正態(tài)分布。通過(guò)式(4)得到日行駛里程Z,其中“d"d分別為Ini的期望和標(biāo)準(zhǔn)差

通過(guò)式(5),得到充電電量Q。其中s為每公里耗電量,a—般取1。Q=aX.SxL

(5)這些做法由于缺乏實(shí)際的電動(dòng)汽車(chē)充電數(shù)據(jù)，導(dǎo)致將數(shù)量龐大的電動(dòng)汽車(chē)難以確定的滿電電量E、每公里耗電量S、充電功率P等均視為一個(gè)定值,過(guò)于理想化的設(shè)定會(huì)降低模型的精度,使得*終的充電負(fù)荷預(yù)測(cè)結(jié)果會(huì)有偏差。而文中采用的是處理后的開(kāi)始充電時(shí)間、充電電量,以及充電功率這些實(shí)際充電行為數(shù)據(jù),更加符合實(shí)際狀況。

1.3充電功率

充電功率P直接決定了充電持續(xù)階段的負(fù)荷情況。文獻(xiàn)［17］僅考慮了車(chē)輛某一充電倍率下的充電,假設(shè)充電功率在某個(gè)范圍內(nèi)滿足均勻分布,具有一定的局限性。文獻(xiàn)采用分段函數(shù)來(lái)表示充電過(guò)程中功率的變化情況,使得結(jié)果更加準(zhǔn)確,但該模型僅針對(duì)鐮氫電池,使得*終的充電負(fù)荷結(jié)果亦具有一定的局限性。

2電動(dòng)汽車(chē)充電行為分析

基于充電行為的差異性，以下針對(duì)各類(lèi)型電動(dòng)汽車(chē)從開(kāi)始充電時(shí)間、充電電量、充電功率進(jìn)行分析。

2.1公交車(chē)

公交車(chē)出行規(guī)律較為固定。為了更好地比較不同日期各類(lèi)型車(chē)輛充電行為的不同，將開(kāi)始充電時(shí)間、充電電量、充電功率均按照日期進(jìn)行了分類(lèi),將周一到周五記為工作日，周六周日記為休息日。對(duì)南方某市電公交車(chē)充電站的充電數(shù)據(jù)，處理后得到電動(dòng)公交車(chē)不同日期的開(kāi)始充電時(shí)間分布圖，如圖1所示。

可以發(fā)現(xiàn)公交車(chē)開(kāi)始充電時(shí)間有兩個(gè)峰值，分別為中午12：00附近和晚上23：00附近，且在23：00附近會(huì)達(dá)到一天中的*大峰值。由于充電時(shí)間不同，充電電量和功率也會(huì)不同，因此，將充電電量按照時(shí)間進(jìn)行分類(lèi),將白天定義為7:00-17:00,晚上定義為18：00到第二天6：00o得到電動(dòng)公交車(chē)不同日期白天和晚上的充電電量分布情況如圖2、圖3所示。

對(duì)充電電量進(jìn)行劃分，計(jì)算訂單中的每一段充電電量對(duì)應(yīng)的平均充電功率如表1所示,相較于直接規(guī)定以某一充電功率充電，結(jié)果會(huì)更加精確。將電動(dòng)公交車(chē)定義為一天一充，其中開(kāi)始充電時(shí)間、充電電量、均按照以上分布規(guī)律生成對(duì)應(yīng)的隨機(jī)數(shù)，以此來(lái)代替用戶不確定的充電行為。

2.2出租車(chē)

出租車(chē)（包括網(wǎng)約車(chē)）同屬運(yùn)營(yíng)類(lèi)車(chē)輛，近年來(lái)發(fā)展迅速。同理得到出租車(chē)不同日期開(kāi)始充電時(shí)間分布圖如圖4所示，白天和晚上的充電電量分布圖如圖5、圖6所示。

表1電動(dòng)公交車(chē)不同時(shí)間及充電電量下的充電功率

總體來(lái)說(shuō)工作日和休息日出租車(chē)的開(kāi)始充電時(shí)間分布近似相同，主要集中在中午12：00~15：00,晚上22：00~1：00,接近凌晨的充電頻率略高于中午的充電頻率。

同理對(duì)充電電量進(jìn)行分類(lèi),每一類(lèi)的電量,匹配所對(duì)應(yīng)的訂單中的平均功率如表2所示,文中將電動(dòng)出租車(chē)的充電頻率定為一天兩次。

2.3私家車(chē)

私家車(chē)主要用于上下班，大部分時(shí)間處于閑置狀態(tài)，休息日多用于外出娛樂(lè)。對(duì)數(shù)據(jù)處理后得到電動(dòng)私家車(chē)開(kāi)始充電時(shí)間分布圖如圖7所示，充電電量分布圖如圖8、圖9所示。

圖7電動(dòng)私家車(chē)開(kāi)始充電時(shí)間分布

私家車(chē)工作日開(kāi)始充電時(shí)間更多的是集中在下班高峰期，約在19：00達(dá)到高峰，且晚上充電頻率顯著高于中午。休息日在午間充電頻率整體高于工作日，在8:00~21:00達(dá)到一天中的峰值。同理將對(duì)充電電量大小進(jìn)行分類(lèi),每一類(lèi)的電量匹配所對(duì)應(yīng)的訂單中的平均功率如表3所示,將電動(dòng)私家車(chē)的充電頻率定為一天一次。

3電動(dòng)汽車(chē)充電負(fù)荷預(yù)測(cè)模型

已知該地區(qū)2015年~2020年的電動(dòng)汽車(chē)保有量,計(jì)算得到該地區(qū)電動(dòng)汽車(chē)保有量年均漲幅高達(dá)75.26%，對(duì)增長(zhǎng)趨勢(shì)進(jìn)行擬合處理如圖10所示，計(jì)算得到2021年該地區(qū)電動(dòng)汽車(chē)的總保有量。已知該地區(qū)某市電動(dòng)汽車(chē)保有量占比，以及公交車(chē)、出租車(chē)、私家車(chē)之前的數(shù)量占比，得到2021年該市總保有量為64616輛,其中公交車(chē)為2565輛，出租車(chē)(包括網(wǎng)約車(chē))為20541輛，私家車(chē)為41510輛。

通過(guò)上文各類(lèi)型車(chē)充電開(kāi)始時(shí)間、充電電量、充電功率的分布規(guī)律以及保有量數(shù)據(jù)，對(duì)南方某市2021年的公交車(chē)、出租車(chē)、私家車(chē)的充電負(fù)荷數(shù)據(jù)采取蒙特卡洛算法進(jìn)行預(yù)測(cè)計(jì)算。蒙特卡洛算法落旳是在已知某些隨機(jī)變量大量數(shù)據(jù)的前提下,通過(guò)大量的隨機(jī)試驗(yàn),反復(fù)抽取隨機(jī)數(shù),以此來(lái)替代電動(dòng)汽車(chē)的隨機(jī)充電行為，計(jì)算變量在試驗(yàn)中出現(xiàn)的頻率近似估計(jì)其概率值,并將其作為問(wèn)題的解。

圖11為基于蒙特卡洛算法的電動(dòng)汽車(chē)充電負(fù)荷預(yù)測(cè)流程圖,通過(guò)仿真計(jì)算得到公交車(chē)、出租車(chē)、私家車(chē)一天的充電負(fù)荷情況。

為了簡(jiǎn)化計(jì)算流程,做出以下假設(shè):

(1)各個(gè)類(lèi)型電動(dòng)汽車(chē)的開(kāi)始充電時(shí)間與充電電量互相獨(dú)立，彼此互不影響；

(2)充電過(guò)程均視為恒功率充電；

(3)區(qū)域內(nèi)的總負(fù)荷為獨(dú)立車(chē)輛充電負(fù)荷的疊加,

即對(duì)同時(shí)刻的不同車(chē)型充電負(fù)荷進(jìn)行求和。文中將三種類(lèi)型電動(dòng)汽車(chē)充電負(fù)荷曲線的負(fù)荷值相加，計(jì)算各類(lèi)型車(chē)不同日期類(lèi)型的負(fù)荷占比，以及負(fù)荷峰值如表4所示。由于電動(dòng)出租車(chē)充電頻率高，保有量較高,無(wú)論工作日還是休息日，該市的電動(dòng)出租車(chē)充電負(fù)荷占比始終*高,分別為60.42%和5&88%。由于工作日和休息日對(duì)電動(dòng)公交車(chē)和電動(dòng)出租車(chē)的荷預(yù)測(cè)曲線影響較小，文中只列出電動(dòng)私家車(chē)工作日與休息日的負(fù)荷曲線對(duì)比圖12,以及三種電動(dòng)汽車(chē)在工作日的負(fù)荷曲線對(duì)比圖13,發(fā)現(xiàn)私家車(chē)在休息日中午和凌晨的充電負(fù)荷要高于工作日，工作日更多選擇在下班高峰期進(jìn)行充電。

將公交車(chē)、出租車(chē)、私家車(chē)三者的負(fù)荷曲線疊加得到圖14,可以發(fā)現(xiàn)工作日與休息日電動(dòng)汽車(chē)的總的負(fù)荷曲線分布規(guī)律相似。由于出租車(chē)的負(fù)荷占比始終*大，導(dǎo)致總體分布曲線類(lèi)似于出租車(chē)的充電負(fù)荷曲線。

已知該市2016年冬季典型日負(fù)荷曲線如圖15中的原負(fù)荷曲線所示。并將圖14結(jié)果疊加到原負(fù)荷曲線之上，得到2021年該市電動(dòng)汽車(chē)總負(fù)荷曲線與原負(fù)荷曲線對(duì)比圖，如圖15所示。并繪制了表5,展示三條曲線負(fù)荷峰值、谷值、峰谷差、方差之間的差異,括號(hào)內(nèi)

展示了相較于基礎(chǔ)負(fù)荷的增長(zhǎng)率。表6、表7分別為各類(lèi)型車(chē)開(kāi)始充電時(shí)間、充電電量的概率密度函數(shù)擬合公式的具體參數(shù)。

從圖15以及表5可以看出，電動(dòng)汽車(chē)的充電過(guò)程使得電網(wǎng)的整體負(fù)荷有了較大的提升，會(huì)在晚上19：00達(dá)到高峰，約為835.09MW（工作日），830.20MW（休息日），負(fù)荷峰值分別提高了7.79%（工作日），7.16%（休息日）。相對(duì)來(lái)說(shuō)，在夜間負(fù)荷谷值的提升更為明顯，分別提高10.70%,11.12%，利用這一特性后續(xù)可以采用V2G[27-30]等有序充電控制技術(shù)，將電動(dòng)汽車(chē)作為一個(gè)獨(dú)立的儲(chǔ)能單元與電網(wǎng)進(jìn)行有效的交互調(diào)度,在滿足用戶充電需求的前提下,提高發(fā)電設(shè)備在夜間的利用率，實(shí)現(xiàn)削峰填谷,保證電網(wǎng)的安全穩(wěn)定運(yùn)行。負(fù)荷峰谷差由原來(lái)的366.99MW提高至383.70MW（工作日）、377.10MW（休息日）分別提高4.55%,2.75%。而負(fù)荷的波動(dòng)情況一般用方差來(lái)表示，負(fù)荷方差分別提高9.62%（工作日），7.94%（休息日），也表明電動(dòng)汽車(chē)的引入加劇了電網(wǎng)的不穩(wěn)定波動(dòng)。

文中將各類(lèi)型電動(dòng)汽車(chē)的開(kāi)始充電時(shí)間以及充電電量通過(guò)Matlab進(jìn)行擬合處理，篩選B2>0.95的函數(shù)，其中疋表示復(fù)相關(guān)系數(shù)，其越接近1,表示擬合效果越好。發(fā)現(xiàn)除了私家車(chē)在工作日與休息日，開(kāi)始充電時(shí)間的概率密度函數(shù)用高階傅里葉函數(shù)（如式6）擬合效果較好以外,其余均通過(guò)一階或多階高斯分布函數(shù)（如式7）完成擬合。同時(shí)采用*小二乘法估計(jì)公式的各項(xiàng)參數(shù)，結(jié)果如表6與表7所示，其中％表示開(kāi)始充電時(shí)間或是充電電量,/（%）表示與之對(duì)應(yīng)的概率密度。通過(guò)對(duì)充電行為進(jìn)行函數(shù)擬合，旨在得到一種更加普遍且實(shí)際的概率模型,為今后的研究提供幫助。

4安科瑞充電樁收費(fèi)運(yùn)營(yíng)云平臺(tái)

4.1概述

AcrelCloud-9000安科瑞充電柱收費(fèi)運(yùn)營(yíng)云平臺(tái)系統(tǒng)通過(guò)物聯(lián)網(wǎng)技術(shù)對(duì)接入系統(tǒng)的電動(dòng)電動(dòng)自行車(chē)充電站以及各個(gè)充電整法行不間斷地?cái)?shù)據(jù)采集和監(jiān)控，實(shí)時(shí)監(jiān)控充電樁運(yùn)行狀態(tài)，進(jìn)行充電服務(wù)、支付管理，交易結(jié)算，資要管理、電能管理，明細(xì)查詢等。同時(shí)對(duì)充電機(jī)過(guò)溫保護(hù)、漏電、充電機(jī)輸入/輸出過(guò)壓，欠壓，絕緣低各類(lèi)故障進(jìn)行預(yù)警；充電樁支持以太網(wǎng)、4G或WIFI等方式接入互聯(lián)網(wǎng)，用戶通過(guò)微信、支付寶，云閃付掃碼充電。

4.2應(yīng)用場(chǎng)所

適用于民用建筑、一般工業(yè)建筑、居住小區(qū)、實(shí)業(yè)單位、商業(yè)綜合體、學(xué)校、園區(qū)等充電樁模式的充電基礎(chǔ)設(shè)施設(shè)計(jì)。

4.3系統(tǒng)結(jié)構(gòu)

4.3.1系統(tǒng)分為四層：

1）即數(shù)據(jù)采集層、網(wǎng)絡(luò)傳輸層、數(shù)據(jù)中心層和客戶端層。

2）數(shù)據(jù)采集層：包括電瓶車(chē)智能充電樁通訊協(xié)議為標(biāo)準(zhǔn)modbus-rtu。電瓶車(chē)智能充電樁用于采集充電回路的電力參數(shù)，并進(jìn)行電能計(jì)量和保護(hù)。

3）網(wǎng)絡(luò)傳輸層：通過(guò)4G網(wǎng)絡(luò)將數(shù)據(jù)上傳至搭建好的數(shù)據(jù)庫(kù)服務(wù)器。

4）數(shù)據(jù)中心層：包含應(yīng)用服務(wù)器和數(shù)據(jù)服務(wù)器，應(yīng)用服務(wù)器部署數(shù)據(jù)采集服務(wù)、WEB網(wǎng)站，數(shù)據(jù)服務(wù)器部署實(shí)時(shí)數(shù)據(jù)庫(kù)、歷史數(shù)據(jù)庫(kù)、基礎(chǔ)數(shù)據(jù)庫(kù)。

5）應(yīng)客戶端層：系統(tǒng)管理員可在瀏覽器中訪問(wèn)電瓶車(chē)充電樁收費(fèi)平臺(tái)。終端充電用戶通過(guò)刷卡掃碼的方式啟動(dòng)充電。

小區(qū)充電平臺(tái)功能主要涵蓋充電設(shè)施智能化大屏、實(shí)時(shí)監(jiān)控、交易管理、故障管理、統(tǒng)計(jì)分析、基礎(chǔ)數(shù)據(jù)管理等功能，同時(shí)為運(yùn)維人員提供運(yùn)維APP，充電用戶提供充電小程序。

4.4安科瑞充電樁云平臺(tái)系統(tǒng)功能

4.4.1智能化大屏

智能化大屏展示站點(diǎn)分布情況，對(duì)設(shè)備狀態(tài)、設(shè)備使用率、充電次數(shù)、充電時(shí)長(zhǎng)、充電金額、充電度數(shù)、充電樁故障等進(jìn)行統(tǒng)計(jì)顯示，同時(shí)可查看每個(gè)站點(diǎn)的站點(diǎn)信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統(tǒng)一管理小區(qū)充電樁，查看設(shè)備使用率，合理分配資源。

4.4.2.實(shí)時(shí)監(jiān)控

實(shí)時(shí)監(jiān)視充電設(shè)施運(yùn)行狀況，主要包括充電樁運(yùn)行狀態(tài)、回路狀態(tài)、充電過(guò)程中的充電電量、充電電壓/電流，充電樁告警信息等。

4.4.3交易管理

平臺(tái)管理人員可管理充電用戶賬戶，對(duì)其進(jìn)行賬戶進(jìn)行充值、退款、凍結(jié)、注銷(xiāo)等操作，可查看小區(qū)用戶每日的充電交易詳細(xì)信息。

4.4.4故障管理

設(shè)備自動(dòng)上報(bào)故障信息，平臺(tái)管理人員可通過(guò)平臺(tái)查看故障信息并進(jìn)行派發(fā)處理，同時(shí)運(yùn)維人員可通過(guò)運(yùn)維APP收取故障推送，運(yùn)維人員在運(yùn)維工作完成后將結(jié)果上報(bào)。充電用戶也可通過(guò)充電小程序反饋現(xiàn)場(chǎng)問(wèn)題。

4.4.5統(tǒng)計(jì)分析

通過(guò)系統(tǒng)平臺(tái)，從充電站點(diǎn)、充電設(shè)施、、充電時(shí)間、充電方式等不同角度，查詢充電交易統(tǒng)計(jì)信息、能耗統(tǒng)計(jì)信息等。

4.4.6基礎(chǔ)數(shù)據(jù)管理

在系統(tǒng)平臺(tái)建立運(yùn)營(yíng)商戶，運(yùn)營(yíng)商可建立和管理其運(yùn)營(yíng)所需站點(diǎn)和充電設(shè)施，維護(hù)充電設(shè)施信息、價(jià)格策略、折扣、優(yōu)惠活動(dòng)，同時(shí)可管理在線卡用戶充值、凍結(jié)和解綁。

4.4.7運(yùn)維APP

面向運(yùn)維人員使用，可以對(duì)站點(diǎn)和充電樁進(jìn)行管理、能夠進(jìn)行故障閉環(huán)處理、查詢流量卡使用情況、查詢充電\充值情況，進(jìn)行遠(yuǎn)程參數(shù)設(shè)置，同時(shí)可接收故障推送

4.4.8充電小程序

面向充電用戶使用，可查看附近空閑設(shè)備，主要包含掃碼充電、賬戶充值，充電卡綁定、交易查詢、故障申訴等功能。

4.5系統(tǒng)硬件配置

5結(jié)束語(yǔ)

由于早期的研究缺乏實(shí)際數(shù)據(jù)的支持，對(duì)充電電量和充電功率的設(shè)定較為主觀,降低了模型計(jì)算的精度，文章基于南方某市電動(dòng)汽車(chē)充電的實(shí)際數(shù)據(jù)，對(duì)其進(jìn)行篩選處理，得到不同類(lèi)型電動(dòng)汽車(chē)充電行為的分布規(guī)律，并將其充電行為數(shù)據(jù)擬合成函數(shù)形式。而后采用蒙特卡羅算法對(duì)三種類(lèi)型電動(dòng)車(chē)的充電負(fù)荷曲線進(jìn)行了模擬計(jì)算，得到以下結(jié)論：

(1)電動(dòng)汽車(chē)的大規(guī)模無(wú)序充電行為會(huì)進(jìn)一步提高電網(wǎng)的峰值與峰谷差,導(dǎo)致峰上加峰現(xiàn)象的出現(xiàn)；

(2)電動(dòng)出租車(chē)充電負(fù)荷占比較高，同時(shí)具有較大的隨機(jī)性，未來(lái)具有較大的調(diào)度潛力，可以通過(guò)多種方式對(duì)其充電行為進(jìn)行引導(dǎo)，進(jìn)一步降低其充電行為對(duì)電網(wǎng)的影響。

參考文獻(xiàn)

［1］秦建華,潘崇超,張璇,金泰，李天奇,王永真.基于充電行為分析的電動(dòng)汽車(chē)充電負(fù)荷預(yù)測(cè).

［2］孔順飛，胡志堅(jiān)，謝仕煒，等.考慮分布式儲(chǔ)能與電動(dòng)汽車(chē)充電網(wǎng)絡(luò)的配電網(wǎng)多目標(biāo)規(guī)劃[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2021,36(1)：106-116.

［3］蔡黎，張權(quán)文，代妮娜，等.規(guī)模化電動(dòng)汽車(chē)接入主動(dòng)配電網(wǎng)研究進(jìn)展綜述[J]•智慧電力，2021,49(6):75-82.

［4］孟憲珍，張艷，安琪，等.電動(dòng)汽車(chē)接入充電對(duì)配電網(wǎng)電壓波動(dòng)的影響[J].電網(wǎng)與清潔能源,2021,37(2)：91-98

［5］安科瑞企業(yè)微電網(wǎng)設(shè)計(jì)與應(yīng)用手冊(cè).2022.05版.