40
Ежеквартальный
спецвыпуск
№
1 (20),
март
2021
Анализ
влияния
стохастической
нагрузки
электромобилей
на
распределительную
сеть
В
настоящее
время
в
мире
наблюдается
тенденция
к
пе
-
реходу
к
более
экологически
чистым
видам
транспорта
.
В
частности
,
рост
числа
продаж
новых
электромобилей
имеет
экспоненциальный
характер
.
В
связи
с
тем
,
что
до
-
полнительная
нагрузка
от
электромобилей
является
по
сво
-
ему
характеру
стохастической
,
предсказать
такую
нагруз
-
ку
,
используя
аналитические
методы
,
достаточно
сложно
.
В
связи
с
этим
применялся
численный
метод
,
метод
Монте
-
Карло
,
а
также
его
модификация
—
метод
бутстрэпа
.
Была
построена
модель
стохастической
нагрузки
электромоби
-
лей
на
распределительную
сеть
,
а
также
оценено
их
влия
-
ние
на
параметры
сети
.
Электрозарядная
инфраструктура
Дмитрий
АКИМОВ
,
к
.
т
.
н
.,
ведущий
эксперт
Управления
цифровых
технологий
и
IT-
решений
Департамента
технического
развития
и
инноваций
АО
«
ФИЦ
»
Наталья
ШКИТИНА
,
диспетчер
Централь
-
ного
высоковольтного
района
ПАО
«
Россети
Ленэнерго
»
Д
ля
распределительной
электрической
сети
электро
-
мобили
прежде
всего
являются
дополнительной
на
-
грузкой
.
Причем
эта
нагрузка
имеет
стохастический
характер
,
что
усложняет
оценку
ее
влияния
и
процесс
управления
энергосистемой
,
а
также
понижает
надеж
-
ность
энергосистемы
.
Например
,
случайное
поведение
при
за
-
рядке
электромобилей
может
привести
к
новому
пику
нагрузки
,
когда
электромобили
добавляются
в
сеть
в
периоды
максимума
нагрузки
,
и
это
увеличивает
нагрузку
на
энергосистему
и
может
привести
к
нарушению
работы
распределительной
сети
[1].
Однако
при
правильном
управлении
зарядкой
электромобилей
возможно
не
только
избежать
негативных
последствий
от
допол
-
нительной
нагрузки
на
распределительную
сеть
,
но
и
повысить
экономическую
эффективность
работы
энергосистемы
,
а
также
повысить
надежность
и
управляемость
сети
.
Наглядно
эта
идея
представлена
на
рисунке
1.
Сложность
моделирования
нагрузки
от
электромобилей
состоит
в
ее
стохастическом
(
то
есть
случайном
)
характере
.
В
таком
случае
применение
аналитических
методов
моделиро
-
вания
является
практически
невозможным
.
В
связи
с
этим
ис
-
пользуются
числовые
методы
,
в
частности
метод
Монте
-
Карло
,
Рис
. 1.
Влияние
дополнительной
нагрузки
от
электромоби
-
лей
на
суточный
график
нагрузки
Дополнительная
нагрузка
от
электромобилей
Выработка
электроэнергии
вечером
Выработка
электроэнергии
утром
Зарядка
в
дневное
время
Зарядка
в
ночное
время
Утренний
пик
Вечерний
пик
41
Теоретическое
распределение
заключающийся
в
генерировании
большого
числа
случайных
значений
для
заданных
соответствующими
плотностями
ве
-
роятности
распределений
величин
,
на
основе
которых
вычис
-
ляются
вероятностные
характеристики
решаемой
задачи
[2].
МОДЕЛИРОВАНИЕ
СТОХАСТИЧЕСКОЙ
НАГРУЗКИ
ОТ
ЭЛЕКТРОМОБИЛЕЙ
Моделирование
дополнительной
стохастической
нагрузки
от
электромобилей
осуществлялось
в
программном
комплексе
Matlab.
Входными
данными
для
метода
Монте
Карло
явля
-
ется
модель
исследуемой
системы
,
после
чего
выполняется
многократный
расчет
с
использованием
данной
модели
,
при
этом
начальные
данные
генерируются
случайно
.
Такой
спо
-
соб
задания
начальных
данных
отражает
стохастический
характер
нагрузки
от
электромобилей
на
электрическую
сеть
.
Точность
расчетов
методом
Монте
-
Карло
достаточно
сильно
зависит
от
количества
итераций
.
Так
,
для
увеличения
точности
в
10
раз
необходимо
увеличить
количество
итераций
в
100
раз
.
Однако
с
увеличением
количества
итераций
рас
-
тет
также
и
время
расчета
.
В
связи
с
этим
необходимо
опре
-
делить
минимальное
количество
итераций
для
требуемого
уровня
точности
[3].
Для
нахождения
достаточного
уровня
итераций
для
данной
модели
были
выбраны
доверительный
интервал
95%
и
точность
0,05.
Расчеты
производились
с
по
-
мощью
центральной
предельной
теоремы
[4].
Для
всех
вари
-
антов
расчетов
,
проводимых
на
используемой
модели
,
мак
-
симальным
требуемым
количеством
итераций
было
62 279.
Для
удобства
использования
модели
для
всех
расчетов
было
взято
количество
итераций
,
равное
63 000.
Предложенный
в
данной
работе
метод
моделирования
стохастической
нагрузки
является
более
точным
в
сравнении
с
наиболее
распространенным
в
существующих
в
настоящее
время
работах
и
публикациях
[5, 6]
методом
моделирования
с
помощью
нормального
распределения
.
Суть
предложенного
метода
заключается
в
моделирова
-
нии
стохастической
нагрузки
от
электромобилей
на
распре
-
делительную
сеть
с
помощью
реальных
данных
.
В
качестве
этих
данных
были
использованы
результаты
эксперимента
«My Electric Avenue»,
проведенного
в
Англии
[7].
Для
под
-
тверждения
сравнительно
низкой
точности
моделирования
с
помощью
нормального
распределения
данные
экспери
-
мента
были
проверены
на
нормальность
различными
спосо
-
бами
.
Для
наглядности
сначала
данные
были
проверены
на
нормальность
графическим
методом
,
а
именно
с
помощью
графика
квантиль
-
квантиль
(
рисунок
2).
По
оси
абсцисс
от
-
ложены
квантили
стандартного
нормального
распределе
-
ния
,
а
по
оси
ординат
—
квантили
упорядоченных
наблю
-
даемых
значений
.
Показателем
совпадения
теоретического
нормального
распределения
с
имеющимися
данными
яв
-
ляется
близость
точек
в
базовой
линии
,
имеющей
наклон
45
градусов
.
Серым
цветом
на
графике
обозначен
95%-
ный
доверительный
интервал
.
На
графике
рисунка
2
видно
,
что
распределение
данных
не
является
нормальным
,
так
как
точки
,
обозначающие
реаль
-
ные
наблюдения
,
находятся
достаточно
далеко
от
базовой
линии
,
особенно
в
областях
большого
и
малого
количества
электромобилей
.
Для
более
точного
определения
нормальности
был
так
-
же
использован
критерий
Шапиро
-
Уилка
[8].
Он
используется
для
проверки
так
называемой
нулевой
гипотезы
: «
случайная
величина
распределена
нормально
».
При
этом
достигаемый
уровень
значимости
(
или
пи
-
величина
,
p
),
являющийся
наи
-
меньшей
величиной
уровня
значимости
,
при
которой
нулевая
гипотеза
отвергается
,
берется
0,05.
В
ходе
проверки
исследу
-
емого
распределения
на
нормальность
было
получено
значе
-
ние
p
= 8,763
∙
10
-5
,
что
является
значительно
меньше
принятой
величины
,
а
значит
нулевая
теория
отвергается
и
распреде
-
ление
не
является
нормальным
.
По
полученным
результатам
был
сделан
вывод
,
что
моделиро
-
вание
стохастической
нагрузки
от
электромобилей
с
помощью
нор
-
мального
распределения
является
неточным
и
может
приводить
к
зна
-
чительной
погрешности
.
В
качестве
основного
метода
для
моделирования
нагрузки
от
электромобилей
в
вечерний
пик
нагрузки
использовался
метод
бут
-
стрэпа
[9].
Суть
метода
заключается
в
извлечении
случайным
образом
данных
из
имеющейся
выборки
и
использовании
их
как
новой
«
фик
-
тивной
»
популяции
.
Этот
принцип
иллюстрирован
рисунком
3.
В
данном
случае
из
получен
-
ных
в
результате
наблюдения
за
Рис
. 2.
График
квантиль
-
квантиль
распределения
количества
электромобилей
,
подключенных
к
сети
в
пик
нагрузки
в
ходе
проведения
наблюдения
проекта
«My Electric Avenue»
с
января
по
декабрь
2015
года
Распределение
наблюдений
42
Ежеквартальный
спецвыпуск
№
1 (20),
март
2021
передвижением
и
зарядкой
электромобилей
экс
-
периментальных
данных
выбирается
требуемое
число
электромобилей
в
новую
выборку
.
Из
новой
выборки
отбираются
только
электромобили
,
про
-
изводящие
зарядку
в
определенное
время
,
после
чего
дополнительная
нагрузка
,
соответствующая
их
количеству
,
прибавляется
к
уже
имеющей
-
ся
.
С
новыми
данными
режим
пересчитывается
в
программном
комплексе
RastrWin 3.
ВЛИЯНИЕ
НАГРУЗКИ
ОТ
ЭЛЕКТРОМОБИЛЕЙ
НА
РАСПРЕДЕЛИТЕЛЬНУЮ
СЕТЬ
Для
исследования
был
взят
типичный
участок
рас
-
пределительной
сети
10
кВ
.
Его
схема
представ
-
лена
на
рисунке
4.
На
схеме
цифрой
1
обозначен
распределительный
пункт
(
РП
),
а
цифрами
2–6
обозначены
трансформаторные
подстанции
(
ТП
),
в
каждой
из
которых
установлены
два
трансфор
-
матора
мощностью
1600
кВ∙А
.
Каждая
ТП
питает
один
или
два
жилых
дома
,
общее
число
жителей
,
приходящихся
на
многоэтажный
дом
,
составляет
1500–2000
человек
.
По
статистике
,
на
1000
чело
-
век
в
Санкт
-
Петербурге
приходится
302
автомо
-
биля
[10].
Таким
образом
,
общее
число
автомоби
-
лей
составляет
примерно
500.
Моделирование
участка
распределительной
сети
про
-
изводилось
в
программном
комплексе
RastrWin 3.
При
этом
к
уже
имеющейся
нагрузке
на
трансформаторах
прибавля
-
лась
дополнительная
нагрузка
от
электромобилей
,
соответ
-
ствующая
их
количеству
.
В
результате
расчета
с
помощью
разработанной
модели
,
получается
семейство
уровней
напряжений
во
всех
узлах
за
-
данной
схемы
.
С
помощью
этого
результата
возможно
опре
-
делить
вероятность
недопустимого
снижения
напряжения
в
узлах
нагрузки
,
которая
вычисляется
следующим
образом
:
P
снижения
=
N
успешных
исходов
/
N
итераций
∙
100%,
где
P
снижения
—
вероятность
недопустимого
снижения
уров
-
ня
напряжения
у
потребителя
;
N
успешных
исходов
—
количество
итераций
,
в
которых
присутствовало
недопустимое
сниже
-
ние
уровня
напряжения
;
N
итераций
—
общее
количество
ите
-
раций
,
используемое
в
расчете
методом
Монте
-
Карло
.
Для
проведения
расчета
общее
число
заряжаемых
в
данном
районе
электромобилей
было
принято
равным
200.
Такое
количество
электромобилей
соизмеримо
с
ко
-
личеством
автомобилей
,
принадлежащих
жителям
домов
,
подключенных
ко
всем
ТП
в
энергорайоне
.
Мощность
каж
-
дой
зарядной
станции
при
этом
считалась
равной
45
кВт
.
В
данном
случае
под
зарядной
станцией
подразумевается
разъем
для
зарядки
одного
электромобиля
.
Было
получено
значение
вероятности
снижения
уровня
напряжения
у
потребителя
P
снижения
= 72,78%,
что
является
достаточно
значительной
вероятностью
.
В
качестве
наглядного
представления
результатов
был
построен
ансамбль
уровней
напряжений
в
узлах
энерго
-
района
(
рисунок
5).
Ансамблем
называется
семейство
кри
-
вых
уровней
напряжений
в
узлах
энергорайона
для
каждой
из
63 000
итераций
.
Моделирование
показало
,
что
зависимость
вероятно
-
сти
снижения
напряжения
достаточно
резко
зависит
от
чис
-
ла
электромобилей
.
Например
,
для
190
электромобилей
P
снижения
= 29,96%,
а
для
210
электромобилей
P
снижения
= 92,72%.
На
основе
данных
о
типичной
загрузке
трансформаторов
в
течение
суток
были
смоделированы
несколько
режимов
,
для
каждого
из
них
была
рассчитана
дополнительная
на
-
Электрозарядная
инфраструктура
Существующая
выборка
Получение
новой
выборки
методом
бутстрэпа
Распределение
семи
новых
выборок
N
(
в
данном
примере
N
= 7)
Рис
. 3.
Суть
метода
бутстрэпа
Рис
. 4.
Схема
участка
распределительной
сети
6
4
5
1
3
2
43
МЕТОДЫ
ПРЕДОТВРАЩЕНИЯ
НЕГАТИВНОГО
ВЛИЯНИЯ
ДОПОЛНИТЕЛЬНОЙ
НАГРУЗКИ
ОТ
ЭЛЕКТРОМОБИЛЕЙ
НА
РАСПРЕДЕЛИТЕЛЬНУЮ
СЕТЬ
Как
было
показано
выше
,
проблема
недопустимого
снижения
напряжения
при
определенной
доле
внедрения
электромоби
-
лей
становится
достаточно
ярко
выраженной
.
В
данной
части
рассматриваются
различные
способы
решения
этой
проблемы
.
В
настоящее
время
в
распределительных
сетях
регулиро
-
вание
напряжения
производится
с
помощью
устройств
регу
-
лирования
под
напряжением
(
РПН
)
с
высокой
стороны
транс
-
форматоров
110/10(6)
кВ
,
однако
такой
способ
регулирования
является
достаточно
сложным
,
так
как
снижение
напряжения
может
происходить
только
на
одном
шлейфе
.
При
регулирова
-
нии
напряжения
с
помощью
РПН
трансформаторов
на
высо
-
ковольтных
подстанциях
возможно
недопустимое
повышение
напряжения
на
других
фидерах
.
В
качестве
регулировочного
устройства
в
ТП
на
трансформаторах
10(6)/0,4
кВ
зачастую
выступает
устройство
переключения
без
возбуждения
(
ПБВ
).
Однако
для
регулирования
напряжения
с
его
помощью
необ
-
ходимо
отключать
трансформатор
,
в
связи
с
этим
частое
его
использование
невозможно
.
Также
некоторые
новые
транс
-
форматоры
10(6)/0,4
кВ
могут
быть
оснащены
устройствами
РПН
,
однако
они
выполнены
без
дистанционного
управления
,
что
требует
приезда
оперативно
-
выездной
бригады
непосред
-
ственно
к
той
ТП
,
где
необходимо
регулирование
напряжения
.
При
внедрении
электромобилей
такие
методы
регулиро
-
вания
напряжения
станут
недостаточными
,
так
как
регулиро
-
вать
напряжение
будет
необходимо
несколько
раз
в
сутки
.
В
связи
с
этим
предложены
другие
методы
влияния
на
уровни
напряжения
при
внедрении
электромобилей
.
Номер
узла
Рис
. 5.
Ансамбль
уровней
напряжения
в
узлах
энергорайона
для
200
электромобилей
при
проведении
63 000
итераций
расчета
Величина
напряжения
,
кВ
Вероятность
недопустимого
снижения
напряжения
, %
10
9,8
9,6
9,4
9,2
9
8,8
8,6
8,4
8,2
8
1
3
2
4
5
6
Рис
. 6.
Зависимость
вероятности
недопустимого
снижения
напряжения
у
потребителей
от
количества
электромобилей
,
заряжае
-
мых
в
данном
энергорайоне
,
и
от
времени
суток
100
90
80
70
60
50
40
30
20
10
0
6
1
20
15
10
195
200
205
210
215
220
225
230
235
240
Время
(
от
8
утра
до
7
утра
следующего
дня
),
ч
Общее
количество
автомобилей
,
шт
грузка
от
электромобилей
с
помощью
предложенного
мето
-
да
.
Результат
в
виде
графика
зависимости
вероятности
не
-
допустимого
снижения
напряжения
в
наиболее
удаленном
от
центра
питания
узле
нагрузки
от
количества
электромоби
-
лей
,
заряжаемых
в
данном
энергорайоне
,
и
от
времени
суток
представлен
на
рисунке
6.
Зависимость
от
времени
принимает
характерный
для
суточного
графика
нагрузки
придомовой
ТП
вид
купола
,
при
этом
в
отличие
от
типичного
графика
нагрузки
с
двумя
пиками
,
здесь
наблюдается
только
один
.
Это
связано
с
тем
,
что
при
неконтролируемой
зарядке
владельцы
электромобилей
ста
-
вят
их
на
зарядку
вечером
после
приезда
домой
с
работы
.
Это
значительно
увеличивает
вечерний
пик
нагрузки
.
При
этом
за
вечер
и
начало
ночи
электромобили
,
как
правило
,
подзаря
-
жаются
до
достаточного
уровня
,
не
создавая
дополнительной
нагрузки
ночью
и
утром
.
Таким
образом
,
недопустимое
снижение
уровней
напря
-
жения
в
узлах
нагрузки
будет
являться
серьезной
проблемой
уже
при
доле
внедрения
электромобилей
35%.
44
Ежеквартальный
спецвыпуск
№
1 (20),
март
2021
ТЕХНОЛОГИЯ
VEHICLE-TO-GRID
Суть
технологии
Vehicle-to-Grid (V2G)
заключается
в
пред
-
ставлении
батарей
припаркованных
электромобилей
в
ка
-
честве
накопителей
электрической
энергии
.
Иными
сло
-
вами
,
электромобили
могут
забирать
электроэнергию
из
сети
во
время
провалов
мощности
,
после
чего
отдавать
электроэнергию
в
сеть
в
моменты
пиковых
нагрузок
.
Известно
,
что
в
крупных
городах
личный
автомобиль
большую
часть
времени
находится
на
стоянке
.
В
среднем
из
24
часов
средний
личный
автомобиль
находится
в
дви
-
жении
всего
2–3
часа
,
в
то
время
как
оставшийся
21
час
он
припаркован
.
Очевидно
,
что
использование
электромоби
-
лей
будет
аналогичным
использованию
автомобилей
и
,
как
следствие
,
характер
передвижения
электромобилей
будет
подчиняться
тем
же
закономерностям
.
В
условиях
перехода
от
традиционной
генерации
к
воз
-
обновляемым
источникам
энергии
(
ВИЭ
)
устройства
на
-
копления
и
запаса
электроэнергии
необходимы
.
Также
использование
батарей
электромобилей
в
качестве
на
-
копителей
энергии
будет
способствовать
сокращению
не
-
обходимого
запаса
генерации
в
так
называемом
горячем
резерве
,
что
в
свою
очередь
будет
способствовать
более
экономичному
режиму
работы
энергосистемы
.
При
моделировании
технологии
V2G
учитывалось
как
желание
пользователей
участвовать
в
V2G,
так
и
уровень
заряда
аккумуляторных
батарей
электромобилей
.
Было
вве
-
дено
дополнительное
условие
,
не
позволяющее
участвовать
в
V2G
электромобилям
,
уровень
заряда
которых
менее
60%.
В
ходе
моделирования
варьировались
различные
па
-
раметры
,
в
частности
процент
согласных
на
участие
в
V2G,
а
также
общее
количество
электромобилей
.
По
результа
-
Электрозарядная
инфраструктура
там
моделирования
были
построены
различные
зависимо
-
сти
,
для
максимальной
наглядности
на
рисунке
7
приведен
график
зависимости
вероятности
недопустимого
снижения
напряжения
в
наиболее
отдаленном
от
центра
питания
узле
нагрузки
от
общего
количества
электромобилей
и
от
согласия
владельцев
электромобилей
на
использование
технологии
V2G.
По
результатам
моделирования
можно
сделать
вывод
,
что
технология
V2G
позволит
значительно
снизить
веро
-
ятность
недопустимого
снижения
напряжения
в
узлах
на
-
грузки
.
Так
,
увеличение
доли
согласных
на
участие
в
V2G
владельцев
электромобилей
до
50%
снижает
вероятность
недопустимого
снижения
напряжения
более
чем
на
90%.
УМНАЯ
ЗАРЯДКА
Как
было
показано
ранее
,
вероятность
недопустимого
сни
-
жения
напряжения
в
узлах
нагрузки
сильно
зависит
от
чис
-
ла
электромобилей
и
от
доли
согласных
на
участие
в
V2G.
В
связи
с
этим
необходимо
стимулировать
пользователей
заряжать
электромобили
в
непиковые
часы
и
участвовать
в
V2G.
Для
этого
можно
использовать
гибкую
систему
та
-
рификации
.
В
настоящее
время
в
России
в
большинстве
регионов
используется
дифференцированный
по
зонам
су
-
ток
тариф
с
делением
на
дневную
зону
суток
и
ночную
зону
суток
.
Для
реализации
концепции
умной
зарядки
предла
-
гается
использовать
несколько
тарифов
в
течение
одних
суток
с
сильным
отличием
в
цене
в
каждой
тарифной
зоне
.
Потребители
реагируют
на
изменение
цены
товара
изменением
спроса
на
этот
товар
.
С
ростом
цены
спрос
уменьшается
,
и
наоборот
,
уменьшение
цены
ведет
к
увели
-
чению
спроса
.
Уровень
ответной
реакции
потребителя
на
Вероятность
недопустимого
снижения
напряжения
, %
Рис
. 7.
Зависимость
вероятности
недопустимого
снижения
напряжения
у
потребителей
от
количества
электромобилей
и
от
доли
участвующих
в
технологии
V2G
100
90
80
70
60
50
40
30
20
10
0
1
0,8
0,9
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
210
220
230
240
250
260
270
Доля
участвующих
в
V2G
Общее
количество
автомобилей
,
шт
45
изменение
цены
называется
эластичностью
спроса
.
Элас
-
тичность
спроса
вычисляется
по
следующей
формуле
:
Потребление
, %
= —,
Цена
,%
где
—
эластичность
спроса
;
Потребление
—
изменение
потребления
электроэнергии
,
связанное
с
изменением
цены
на
нее
;
Цена
—
изменение
цены
.
Международные
исследования
показали
,
что
средний
уровень
эластичности
спроса
на
электроэнергию
при
заряд
-
ке
электромобиля
составляет
от
–0,1
до
–0,3 [11].
При
этом
в
некоторых
случаях
в
зависимости
от
нескольких
факторов
(
таких
как
территория
исследования
и
время
года
)
эластич
-
ность
может
снижаться
до
–0,025
и
повышаться
до
–0,6.
Для
моделирования
эластичность
спроса
принята
рав
-
ной
–0,3.
Также
при
моделировании
учитывается
дискрет
-
ность
нагрузки
от
электромобилей
,
то
есть
эластичность
влияет
не
на
нагрузку
напрямую
,
а
на
количество
пользо
-
вателей
,
желающих
заряжать
свой
электромобиль
в
то
или
иное
время
.
Было
проведено
моделирование
участка
распредели
-
тельной
сети
с
учетом
наличия
различных
систем
тарифи
-
кации
.
Варьировалось
количество
тарифных
зон
,
а
также
разница
в
стоимости
электроэнергии
относительно
ны
-
нешних
цен
.
Результаты
моделирования
представлены
на
рисунке
8.
Красным
цветом
обозначен
результат
моделирования
без
использования
гибкой
системы
тарификации
.
Видно
,
что
при
этом
вероятность
недопустимого
снижения
напряжения
с
20
до
23
часов
будет
равна
100%.
Повышение
тарифов
на
50%
в
часы
пиковой
нагрузки
приводит
к
снижению
ве
-
роятности
недопустимого
снижения
напряжения
(
желтая
линия
),
однако
эта
вероятность
все
еще
остается
довольно
высокой
.
Повышение
тарифов
на
60–70%
в
пиковые
часы
,
а
также
снижение
тарифов
в
ночное
время
приводит
к
даль
-
нейшему
снижению
вероятности
(
синяя
линия
),
а
также
на
-
блюдается
сдвиг
пика
на
более
раннее
время
.
Повышение
тарифов
в
пиковые
часы
на
100%
и
большее
снижение
тари
-
фов
в
ночное
время
снижает
вероятность
до
22%.
ЗАКЛЮЧЕНИЕ
В
данной
работе
приведен
принципиально
новый
метод
мо
-
делирования
стохастической
нагрузки
от
электромобилей
на
распределительную
сеть
с
помощью
метода
Монте
-
Карло
,
а
также
с
помощью
одной
из
его
модификаций
—
метода
бут
-
стрэпа
.
При
этом
разработанные
алгоритмы
являются
уни
-
версальными
и
могут
быть
применены
к
любому
участку
сети
при
наличии
исходных
данных
об
этом
участке
.
Было
показано
влияние
нагрузки
от
электромобилей
на
распределительную
сеть
,
а
также
выявлена
одна
из
серьез
-
ных
проблем
—
недопустимое
снижение
уровней
напряжения
в
узлах
нагрузки
.
Показана
резкая
зависимость
вероятности
не
-
допустимого
снижения
напряжения
в
узлах
нагрузки
от
количе
-
ства
электромобилей
.
Так
,
всего
20
дополнительных
электро
-
мобилей
способны
повысить
эту
вероятность
в
30%
до
93%.
Были
предложены
несколько
методов
предотвращения
недопустимого
снижения
напряжения
в
узлах
нагрузки
.
В
от
-
личие
от
используемых
сейчас
методов
регулирования
на
-
пряжения
,
а
также
от
других
общепринятых
методов
,
таких
как
установка
компенсирующего
устройства
,
предложенные
методы
являются
оптимальными
с
экономической
точки
зре
-
ния
,
так
как
практически
не
требуют
дополнительных
затрат
.
Так
,
для
реализации
принципов
V2G
необходимо
сразу
ста
-
вить
зарядные
станции
с
возможностью
обратного
перетока
электроэнергии
в
сеть
,
а
для
реализации
принципов
умной
за
-
рядки
достаточно
установить
многотарифные
системы
учета
у
зарядных
станций
.
10
15
20
1
5
10
Рис
. 8.
Зависимость
вероятности
недопустимого
снижения
напря
-
жения
от
времени
суток
с
различными
системами
тарификации
ЛИТЕРАТУРА
1. Muratori M. Impact of uncoordinated plug in electric vehicle charg-
ing on residential power demand. Nature Energy, 2018, vol. 3,
no. 1, pp. 193-201.
2. Hubbard D., Samuelson D.A. Modeling Without Measurements.
OR/MS Today, 2009, vol. 36, no. 5, pp. 28-33.
3. Liu M. Optimal Number of Trials For Monte Carlo Simulation. URL:
https://www.valuationresearch.com/wp content/uploads/kb/Speci-
alReport_MonteCarloSimulationTrials.pdf.
4. Rouaud M. Probability, Statistics and Estimation. Short Edition.
Boudiguen: Lulu, 2017, 10 p.
5. Yan Q., Qian C., Zhang B., Kezunovic M. Statistical Analysis and
Modeling of Plug-in Electric Vehicle Charging Demand in Distribu-
tion Systems. 19th International Conference on Intelligent System
Application to Power Systems (ISAP), 17-20 Sept. 2017, San Anto-
nio, Texas, USA.
6. Liasi S., Golkar M. Electric Vehicles Connection to Microgrid Effects
on Peak Demand with and without Demand Response. 25th Iranian
Conference on Electrical Engineering, 02-04 may 2017, Tehran, Iran.
7. My Electric Avenue. URL: http://myelectricavenue.info/about-project.
8. Shapiro S., Wilk M. An analysis of variance test for normality (com-
plete samples). Biometrika, 1965, vol. 52, no. 3-4, pp. 591-611.
9. Efron B. Bootstrap Methods: Another Look at the Jackknife. Annals
of Statistics, 1979, vol. 7, no. 1, pp. 1-26.
10.
Число
собственных
автомобилей
по
субъектам
Российской
Федерации
(
на
1000
человек
) /
Федеральная
служба
госу
-
дарственной
статистики
. URL: http://www.gks.ru/free_doc/
new_site/business/trans-sv/t3-4.xls.
11. Tariff structure statement – Appendix 5: Price elasticity of demand. Aus-
tralian Energy Regulator. URL: https://www.aer.gov.au/system/
fi
les.
Время
суток
,
ч
Вероятность
недопустимого
снижения
напряжения
, %
100
90
80
70
60
50
40
30
20
10
0
Оригинал статьи: Анализ влияния стохастической нагрузки электромобилей на распределительную сеть
В настоящее время в мире наблюдается тенденция к переходу к более экологически чистым видам транспорта. В частности, рост числа продаж новых электромобилей имеет экспоненциальный характер. В связи с тем, что дополнительная нагрузка от электромобилей является по своему характеру стохастической, предсказать такую нагрузку, используя аналитические методы, достаточно сложно. В связи с этим применялся численный метод, метод Монте-Карло, а также его модификация — метод бутстрэпа. Была построена модель стохастической нагрузки электромобилей на распределительную сеть, а также оценено их влияние на параметры сети.