Electric vehicles (EVs) will help to decarbonize energy systems. However, their connection to on-board level 2 chargers (7.2 kW) at household facilities brings challenges to Distribution Network Operators (DNOs) as they can affect the power quality of low voltage (LV) networks. In order to truly assess these effects, the electrical behavior of the on-board charger in terms of its non-linear content, power demand, and charge rate must be understood first. Nonetheless, most modeling methodologies with this aim result in circuital approaches, and thus, in heavy computational burdens, or assume simplified representations that do not correspond to the reality of the charge. To overcome this, we present a new methodology to model the power quality characteristics of EVs based on measured data from the harmonic spectra of the charger. The model provides a precise and efficient electrical characterization, where probabilistic models of the harmonic spectra are used to compute the power demand during every stage of the charge. Due to its probabilistic nature, these harmonic spectra are represented using Gaussian Mixture Models. We validate the model contrasting simulated data versus real measured one. Then, we illustrate a case study of the model in a LV network power quality assessment with different EV penetration levels, considering time-series harmonic power flows with 10-min resolution under a Monte Carlo approach. Obtained results revealed an increase in the network chargeability and voltage unbalance, along with an increased content of the third harmonic, which appears to be the most intense.

电动汽车 (EV) 将有助于能源系统脱碳。然而，它们与家用设施的车载 2 级充电器 (7.2 kW) 的连接给配电网络运营商 (DNO) 带来了挑战，因为它们会影响低压 (LV) 网络的电能质量。为了真正评估这些影响，必须首先了解车载充电器在非线性内容、功率需求和充电率方面的电气行为。尽管如此，大多数具有此目的的建模方法会导致电路方法，因此会导致繁重的计算负担，或者假设简化的表示与充电的实际情况不符。为了克服这个问题，我们提出了一种新的方法来根据充电器谐波频谱的测量数据对电动汽车的电能质量特性进行建模。该模型提供了精确有效的电气特性，其中谐波频谱的概率模型用于计算每个充电阶段的功率需求。由于其概率性质，这些谐波频谱使用高斯混合模型表示。我们通过对比模拟数据与实际测量数据来验证模型。然后，我们说明了该模型在具有不同电动汽车渗透水平的低压电网电能质量评估中的案例研究，考虑了蒙特卡罗方法下具有 10 分钟分辨率的时间序列谐波潮流。获得的结果显示网络充电能力和电压不平衡增加，同时三次谐波含量增加，这似乎是最强烈的。其中谐波频谱的概率模型用于计算每个充电阶段的功率需求。由于其概率性质，这些谐波频谱使用高斯混合模型表示。我们通过对比模拟数据与实际测量数据来验证模型。然后，我们说明了该模型在具有不同电动汽车渗透水平的低压电网电能质量评估中的案例研究，考虑了蒙特卡罗方法下具有 10 分钟分辨率的时间序列谐波潮流。获得的结果显示网络充电能力和电压不平衡增加，同时三次谐波含量增加，这似乎是最强烈的。其中谐波频谱的概率模型用于计算每个充电阶段的功率需求。由于其概率性质，这些谐波频谱使用高斯混合模型表示。我们通过对比模拟数据与实际测量数据来验证模型。然后，我们说明了该模型在具有不同 EV 渗透水平的 LV 网络电能质量评估中的案例研究，考虑了在蒙特卡罗方法下具有 10 分钟分辨率的时间序列谐波潮流。获得的结果显示网络充电能力和电压不平衡增加，同时三次谐波含量增加，这似乎是最强烈的。这些谐波频谱使用高斯混合模型表示。我们通过对比模拟数据与实际测量数据来验证模型。然后，我们说明了该模型在具有不同电动汽车渗透水平的低压电网电能质量评估中的案例研究，考虑了蒙特卡罗方法下具有 10 分钟分辨率的时间序列谐波潮流。获得的结果显示网络充电能力和电压不平衡增加，同时三次谐波含量增加，这似乎是最强烈的。这些谐波频谱使用高斯混合模型表示。我们通过对比模拟数据与实际测量数据来验证模型。然后，我们说明了该模型在具有不同电动汽车渗透水平的低压电网电能质量评估中的案例研究，考虑了蒙特卡罗方法下具有 10 分钟分辨率的时间序列谐波潮流。获得的结果显示网络充电能力和电压不平衡增加，同时三次谐波含量增加，这似乎是最强烈的。考虑在蒙特卡罗方法下具有 10 分钟分辨率的时间序列谐波潮流。获得的结果显示网络充电能力和电压不平衡增加，同时三次谐波含量增加，这似乎是最强烈的。考虑在蒙特卡罗方法下具有 10 分钟分辨率的时间序列谐波潮流。获得的结果显示网络充电能力和电压不平衡增加，同时三次谐波含量增加，这似乎是最强烈的。