智慧城市車-站-網(wǎng)一體化運(yùn)行關(guān)鍵技術(shù)研究綜述及展望

王海鑫 袁佳慧 陳 哲 馬一鳴 董鶴楠,2 苑 舜,3 楊俊友

智慧城市車-站-網(wǎng)一體化運(yùn)行關(guān)鍵技術(shù)研究綜述及展望

王海鑫1袁佳慧1陳 哲1馬一鳴1董鶴楠1,2苑 舜1,3楊俊友1

（1. 沈陽(yáng)工業(yè)大學(xué)電氣工程學(xué)院 沈陽(yáng) 110870 2. 國(guó)網(wǎng)遼寧省電力有限公司電力科學(xué)研究院 沈陽(yáng) 110000 3. 國(guó)家能源局東北監(jiān)管局 沈陽(yáng) 110006）

隨著城市綠色化交通發(fā)展，優(yōu)化調(diào)控集群電動(dòng)汽車（EVs）參與配電網(wǎng)需求響應(yīng)已成為一種趨勢(shì)，并逐漸形成了智慧城市車-站-網(wǎng)一體化運(yùn)行架構(gòu)。在該背景下，該文結(jié)合負(fù)荷需求時(shí)空分布預(yù)測(cè)、“站-網(wǎng)”協(xié)同布局與管理、“站-車”有序引導(dǎo)策略、“車-網(wǎng)”互動(dòng)響應(yīng)四個(gè)領(lǐng)域最新研究成果，系統(tǒng)評(píng)述車-站-網(wǎng)一體化運(yùn)行現(xiàn)狀及進(jìn)展。首先，解析EV充電需求規(guī)律，歸納充電負(fù)荷與交通負(fù)荷預(yù)測(cè)方法的優(yōu)勢(shì)與局限性；其次，從“站-網(wǎng)”協(xié)同層面綜述充電設(shè)施網(wǎng)絡(luò)布局及V2G技術(shù)相關(guān)研究；再次，探討交通-電力耦合網(wǎng)絡(luò)模型下EV有序引導(dǎo)所涉及路徑規(guī)劃及定價(jià)機(jī)制問(wèn)題；然后，圍繞EV可調(diào)度能力評(píng)估、配電網(wǎng)可靠性及經(jīng)濟(jì)性等方面探討“車-網(wǎng)”互動(dòng)響應(yīng)技術(shù)，并介紹相關(guān)應(yīng)用示范；最后，總結(jié)車-站-網(wǎng)一體化運(yùn)行架構(gòu)中存在的問(wèn)題與挑戰(zhàn)，并做出展望。

車-站-網(wǎng)一體化 電動(dòng)汽車 互動(dòng)響應(yīng) 交通-電力耦合網(wǎng)絡(luò)

0 引言

面對(duì)日益嚴(yán)重的環(huán)境問(wèn)題，發(fā)展清潔能源、保障能源安全、實(shí)現(xiàn)“碳達(dá)峰”、“碳中和”，已成為我國(guó)能源戰(zhàn)略的核心目標(biāo)之一。其中電動(dòng)汽車（Electric Vehicles, EV）作為移動(dòng)儲(chǔ)能單元，將電網(wǎng)與交通深度耦合，促進(jìn)智慧城市綠色化交通。大規(guī)模EV接入，給配電網(wǎng)的穩(wěn)定性和經(jīng)濟(jì)性帶來(lái)了一定的機(jī)遇與挑戰(zhàn)[1]。

經(jīng)國(guó)家電網(wǎng)公司測(cè)算，到2030年，EV整體電量需求將達(dá)到3 400億kW·h，EV保有量預(yù)計(jì)達(dá)到6 000萬(wàn)輛[2]。近年，國(guó)內(nèi)外學(xué)者在EV調(diào)控方面做了大量研究，主要研究思路可概括為預(yù)測(cè)負(fù)荷需求時(shí)空分布，根據(jù)預(yù)測(cè)結(jié)果優(yōu)化布局充電設(shè)施網(wǎng)絡(luò)，進(jìn)而制定交通-電力耦合網(wǎng)絡(luò)架構(gòu)下的EV引導(dǎo)策略，引導(dǎo)未到站車輛分散前往充電站，避免部分站點(diǎn)擁擠現(xiàn)象，并基于V2G（Vehicle to Grid）技術(shù)實(shí)現(xiàn)EV響應(yīng)電力輔助服務(wù)[3-4]。本文從“預(yù)測(cè)”、“站-網(wǎng)”、“站-車”、“車-網(wǎng)”四方面形成整體閉環(huán)，探討智慧城市車-站-網(wǎng)一體化運(yùn)行體系相關(guān)技術(shù)。

車-站-網(wǎng)一體化運(yùn)行體系中，EV是未來(lái)智慧城市交通-電力-信息耦合網(wǎng)絡(luò)的關(guān)鍵耦合元素，準(zhǔn)確預(yù)測(cè)EV充電負(fù)荷是分析EV對(duì)配電網(wǎng)影響的基礎(chǔ)，亦是開展EV與配電網(wǎng)互動(dòng)的必要前提[5-7]。充電站作為車-站-網(wǎng)一體化運(yùn)行體系能量樞紐單元，根據(jù)EV負(fù)荷時(shí)空分布預(yù)測(cè)結(jié)果進(jìn)行布局優(yōu)化，實(shí)現(xiàn)“站-網(wǎng)”層面優(yōu)化布局；考慮配電網(wǎng)需求進(jìn)行有序充電引導(dǎo)，實(shí)現(xiàn)“站-車”層面協(xié)同管理；接收電網(wǎng)調(diào)度信號(hào)并下發(fā)給EV，反饋EV充電信息至配電網(wǎng)，利用V2G技術(shù)實(shí)現(xiàn)“車網(wǎng)”層面互動(dòng)響應(yīng)。車-站-網(wǎng)一體化運(yùn)行交互特性如圖1所示。

根據(jù)車、站、網(wǎng)三者交互特性，本文對(duì)車-站-網(wǎng)一體化運(yùn)行相關(guān)研究進(jìn)行分析。首先解析EV充電需求規(guī)律方法，并分別綜述充電負(fù)荷及交通負(fù)荷預(yù)測(cè)中所采用方法優(yōu)缺點(diǎn)。之后從“站-網(wǎng)”協(xié)同布局管理角度介紹充電設(shè)施布局優(yōu)化及V2G技術(shù)相關(guān)研究。隨后以“站-車”視角闡述交通-電力耦合網(wǎng)絡(luò)架構(gòu)下路徑引導(dǎo)方法及定價(jià)機(jī)制。進(jìn)一步，對(duì)“車-網(wǎng)”互動(dòng)響應(yīng)技術(shù)相關(guān)研究進(jìn)行分析，從EV參與響應(yīng)電網(wǎng)可調(diào)度能力角度展開，綜述EV參與輔助服務(wù)對(duì)配電網(wǎng)可靠性及經(jīng)濟(jì)性的影響，并介紹相關(guān)示范平臺(tái)。最后，總結(jié)現(xiàn)有研究方法不足，對(duì)未來(lái)智慧城市EV參與互動(dòng)響應(yīng)研究進(jìn)行展望。

圖1 車-站-網(wǎng)一體化運(yùn)行交互特性

1 負(fù)荷需求時(shí)空分布預(yù)測(cè)

EV負(fù)荷需求時(shí)空分布預(yù)測(cè)是充電站布局優(yōu)化、EV移動(dòng)儲(chǔ)能調(diào)度、充電價(jià)格優(yōu)化的研究基礎(chǔ)[8-9]。針對(duì)EV負(fù)荷需求預(yù)測(cè)問(wèn)題，本文考慮EV充電負(fù)荷時(shí)空分布隨機(jī)性和不確定性，從需求規(guī)律解析、充電負(fù)荷預(yù)測(cè)、交通負(fù)荷預(yù)測(cè)三個(gè)方面綜述國(guó)內(nèi)外EV充電預(yù)測(cè)研究現(xiàn)狀，研究框架如圖2所示。

1.1 EV充電需求規(guī)律解析

針對(duì)EV充電實(shí)時(shí)需求高度不確定的特征，如何分析交通流及用戶充電特征，解析用戶充電需求規(guī)律，進(jìn)行充電需求時(shí)空分布靜態(tài)均值分析以及實(shí)時(shí)需求動(dòng)態(tài)預(yù)測(cè)成為一個(gè)關(guān)鍵技術(shù)問(wèn)題。

1.1.1 計(jì)及EV類別的影響因素分析

不同類別EV行駛路徑及時(shí)間、停留時(shí)間、充電位置選擇相差較大，根據(jù)用戶出行鏈信息可分為私家車、出租車、公交車等[10]。配置不同影響因素權(quán)重會(huì)改變用戶充電需求規(guī)律解析結(jié)果，因此需分析各因素影響機(jī)理。根據(jù)EV充電負(fù)荷預(yù)測(cè)相關(guān)研究文獻(xiàn)所涉及影響因素，本文歸納為主觀、客觀因素兩個(gè)層面，各影響因素機(jī)理的比較見(jiàn)表1。

圖2 EV充電負(fù)荷時(shí)空預(yù)測(cè)研究框架

由表1可以看出，不同類別車輛考慮影響因素約束不同，進(jìn)行充電需求規(guī)律解析時(shí)，需根據(jù)車輛類型設(shè)計(jì)影響因素權(quán)重，得到更為準(zhǔn)確的預(yù)測(cè)結(jié)果。用戶行為特性是目前文獻(xiàn)中著重考慮的因素之一。現(xiàn)有關(guān)于用戶滿意度研究主要考慮充電成本、里程消耗、用電經(jīng)濟(jì)性及便利性、排隊(duì)時(shí)間等因素，在用戶選站決策中的重要性逐漸突出，用戶對(duì)充電站的滿意度直接影響EV時(shí)空分布，進(jìn)而影響配電網(wǎng)優(yōu)化調(diào)度情況[11]。因此，未來(lái)研究中有待優(yōu)化排隊(duì)時(shí)間、充電成本等影響因素，通過(guò)提高用戶滿意度促進(jìn)EV參與電網(wǎng)互動(dòng)響應(yīng)。

表1 EV充電影響因素比較

Tab.1 Comparison of factors affecting EV charging

1.1.2 出行規(guī)律及用戶心理分析

針對(duì)用戶充電需求規(guī)律解析的研究主要包括用戶出行需求及用戶心理分析兩方面。由于公交車出行軌跡固定且受用戶心理影響較小，本文僅闡述私家車、出租車的出行規(guī)律及用戶心理分析。

針對(duì)EV用戶出行需求不確定性，一般采用出行鏈[12]或采集實(shí)際出行數(shù)據(jù)[13]進(jìn)行分析，獲取用戶充電需求規(guī)律。出行鏈指單體EV從起點(diǎn)出發(fā)，按一定時(shí)間順序到達(dá)不同出行目的地，最后返回起點(diǎn)的活動(dòng)鏈。通過(guò)提取EV用戶出行鏈特征對(duì)用戶出行行為習(xí)慣進(jìn)行分類，建立交通出行鏈感知模型，推演用戶出行決策，解析用戶出行需求。EV實(shí)際出行數(shù)據(jù)包括各出行平臺(tái)采集的數(shù)據(jù)及政府統(tǒng)計(jì)調(diào)查數(shù)據(jù)（如美國(guó)交通部居民出行調(diào)查數(shù)據(jù)NHTS）等。利用實(shí)際出行采集數(shù)據(jù)挖掘EV用戶充電行為，所得結(jié)果精確度高于出行鏈，但當(dāng)前各平臺(tái)數(shù)據(jù)并未互通，如何整合各平臺(tái)數(shù)據(jù)，消除數(shù)據(jù)噪聲是采用該方法分析用戶出行規(guī)律亟待解決的難點(diǎn)。

針對(duì)用戶心理不確定性的分析，主要考慮用戶后悔心理、博弈心理及有限理性。用戶后悔心理指用戶針對(duì)某一未選擇出行方案可能的較好效果引起的后悔，因此，EV用戶在諸多方案中選擇后悔值最小的方案更加符合實(shí)際出行情況[4]。博弈心理指用戶在電價(jià)優(yōu)惠、響應(yīng)獎(jiǎng)勵(lì)等激勵(lì)措施下與其他用戶及充電站之間的消費(fèi)心理博弈，間接影響用戶充放電行為[14]。用戶有限理性指：EV用戶選擇實(shí)際方案會(huì)受到從眾思想、選擇偏好、里程焦慮等影響，相比能夠做出最佳選擇的“完全理性”，用戶有限理性選擇會(huì)出現(xiàn)一定偏差[15]。

有效解析用戶充電行為規(guī)律能為充電需求時(shí)空分布的靜態(tài)均值分析以及實(shí)時(shí)需求動(dòng)態(tài)預(yù)測(cè)提供技術(shù)支持。未來(lái)充電行為規(guī)律解析的研究有待結(jié)合多運(yùn)營(yíng)平臺(tái)監(jiān)測(cè)數(shù)據(jù)，考慮用戶心理制定EV充電特性畫像提取特征體系，提出多運(yùn)營(yíng)平臺(tái)EV充電需求規(guī)律解析方法。

1.2 EV充電負(fù)荷預(yù)測(cè)

1.2.1 基于模型驅(qū)動(dòng)的充電需求預(yù)測(cè)方法

模型驅(qū)動(dòng)方法主要基于數(shù)學(xué)建模思想推演多種因素影響下的EV用電行為[16]。當(dāng)前研究多數(shù)從單體模型與集群模型兩個(gè)角度探討。受不同因素影響單體EV時(shí)空分布，具有較強(qiáng)的隨機(jī)性及不確定性，預(yù)測(cè)時(shí)多采用馬爾可夫模型、云模型、出行鏈等方法?；趩误wEV負(fù)荷時(shí)空特性，采取統(tǒng)計(jì)或聚類方法對(duì)集群EV充電負(fù)荷時(shí)空分布特性進(jìn)行預(yù)測(cè)。

對(duì)單體EV的模型驅(qū)動(dòng)研究中，文獻(xiàn)[17]考慮EV用戶行駛、停放習(xí)慣等行為特征，結(jié)合行駛里程、行駛路徑等時(shí)空分布特性建立EV充電需求時(shí)空分布預(yù)測(cè)模型。在此基礎(chǔ)上，文獻(xiàn)[18]提出新型Sigmoid云模型量化EV響應(yīng)行為不確定性，刻畫復(fù)雜因素影響下EV用戶收益度與響應(yīng)行為之間的不確定映射關(guān)系。文獻(xiàn)[19]提出一種基于雙層模型預(yù)測(cè)控制的微電網(wǎng)能量管理方法，克服集群EV充放電的不確定性，并減小微電網(wǎng)與外部電網(wǎng)的電能交互。上述兩種方法通過(guò)優(yōu)化處理用戶響應(yīng)行為的不確定性，增強(qiáng)預(yù)測(cè)數(shù)據(jù)的客觀性。但文獻(xiàn)[19]在研究過(guò)程中只考慮EV用戶收益最大化，未考慮電網(wǎng)收益?；诖耍墨I(xiàn)[20]綜合考慮配電網(wǎng)、充電站與EV用戶三方利益，對(duì)EV充電需求時(shí)空分布模型進(jìn)行優(yōu)化。

雖然上述模型考慮了用戶行為特性、響應(yīng)不確定性等影響因素，能在一定程度上描述充電負(fù)荷時(shí)空尺度分布特點(diǎn)，但忽視用戶行駛過(guò)程中易受到交通因素影響的移動(dòng)隨機(jī)性[15]。為此，文獻(xiàn)[21]研究道路擁堵等交通路網(wǎng)信息對(duì)EV行駛規(guī)律影響，分析交通網(wǎng)和配電網(wǎng)耦合特性，建立符合城市路網(wǎng)特征的充電時(shí)空分布預(yù)測(cè)模型。文獻(xiàn)[22-23]在研究中引入出行鏈，刻畫車輛出行規(guī)律，建立交通網(wǎng)與出行鏈雙重約束下EV充電需求時(shí)空分布預(yù)測(cè)模型。

相對(duì)單體EV時(shí)空分布特性，集群EV充電負(fù)荷時(shí)空分布具有一定的穩(wěn)定性，為考慮配電網(wǎng)潮流的充電站布局規(guī)劃及有序充電引導(dǎo)提供支撐。集群EV預(yù)測(cè)一般基于單體EV預(yù)測(cè)結(jié)果，采用聚類、蒙特卡洛模擬、拉丁超立方抽樣等方法，模擬得到集群EV充電負(fù)荷時(shí)空分布。

基于物理模型的預(yù)測(cè)方法具有較強(qiáng)的通用性和推廣性，但建模中難以全面考慮復(fù)雜因素，導(dǎo)致數(shù)據(jù)管理困難、靈活性差等問(wèn)題。如何在建模過(guò)程中計(jì)及多種因素、合理處理數(shù)據(jù)、提高模型靈活性將成為基于物理模型預(yù)測(cè)方法亟待解決的重要問(wèn)題。

1.2.2 基于數(shù)據(jù)驅(qū)動(dòng)的充電需求預(yù)測(cè)方法

當(dāng)前EV研究存在數(shù)據(jù)多元化，不同平臺(tái)數(shù)據(jù)無(wú)法共享等問(wèn)題，給研究人員建模造成一定的困難。數(shù)據(jù)驅(qū)動(dòng)具有自主挖掘和構(gòu)建數(shù)據(jù)內(nèi)在關(guān)系的優(yōu)點(diǎn)，實(shí)際數(shù)據(jù)互聯(lián)互通性日趨完善，基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法受到更多關(guān)注[21]。

為此，文獻(xiàn)[24]從智能電表中提取EV充電負(fù)荷數(shù)據(jù)，考慮EV聚合商之間的博弈，提出一種無(wú)監(jiān)督算法。文獻(xiàn)[25]利用深圳EV初始行駛數(shù)據(jù)提取用戶出行規(guī)律，對(duì)停車需求進(jìn)行量化，基于EV泊車行為預(yù)測(cè)EV充電負(fù)荷時(shí)空分布。文獻(xiàn)[26]對(duì)每段行程的行駛里程和行駛時(shí)間構(gòu)成的二維出行特征數(shù)據(jù)進(jìn)行聚類分析，有效挖掘不同路況條件下道路擁堵因素對(duì)EV荷電狀態(tài)的影響。文獻(xiàn)[27]將機(jī)器學(xué)習(xí)預(yù)測(cè)結(jié)果、天氣數(shù)據(jù)及分解前的充電需求時(shí)間序列數(shù)據(jù)組成特征集，基于經(jīng)驗(yàn)?zāi)B(tài)分解-模糊熵和集成學(xué)習(xí)算法有效提高了EV充電需求預(yù)測(cè)的準(zhǔn)確性。

與基于物理模型的預(yù)測(cè)方法相比，依據(jù)實(shí)際數(shù)據(jù)及各自特征化數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)架構(gòu)更貼近實(shí)際充電負(fù)荷運(yùn)行情況，但是基于數(shù)據(jù)驅(qū)動(dòng)的充電需求預(yù)測(cè)方法存在難以處理缺陷數(shù)據(jù)、數(shù)據(jù)資源利用率低等不足，如何合理處理數(shù)據(jù)、構(gòu)建高資源利用率的數(shù)據(jù)驅(qū)動(dòng)架構(gòu)仍是今后研究重點(diǎn)與難點(diǎn)。

1.2.3 基于信息物理融合的充電需求預(yù)測(cè)方法

不同類型車輛的停放位置、行駛路線和充電時(shí)間均有較大差異，因此，很難建立統(tǒng)一的充電負(fù)荷時(shí)空預(yù)測(cè)模型[4]。采用基于信息物理融合的充電預(yù)測(cè)方法能夠利用兩種建模方法各自的優(yōu)勢(shì)，先對(duì)EV類別與影響因素進(jìn)行物理建模，再將實(shí)際車輛出行數(shù)據(jù)利用信息模型進(jìn)一步校準(zhǔn)，充分利用大數(shù)據(jù)、物聯(lián)網(wǎng)等人工智能技術(shù)，提高預(yù)測(cè)精度。

文獻(xiàn)[28]結(jié)合居民出行調(diào)研數(shù)據(jù)，考慮充電頻率、出行鏈結(jié)構(gòu)建立EV充電負(fù)荷預(yù)測(cè)模型。文獻(xiàn)[29]對(duì)鄭州市1 000輛EV實(shí)際行駛數(shù)據(jù)預(yù)處理，并進(jìn)行時(shí)間維度預(yù)測(cè)建模。文獻(xiàn)[30]挖掘北京市某公交車充電站歷史充電數(shù)據(jù)時(shí)間特征，分析EV充電站負(fù)荷特性，利用交叉熵算法和新鮮度函數(shù)改進(jìn)組合預(yù)測(cè)模型。

綜上所述，基于信息物理融合的充電需求預(yù)測(cè)方法能夠結(jié)合物理模型與數(shù)據(jù)驅(qū)動(dòng)二者的優(yōu)點(diǎn)，提高預(yù)測(cè)精度，相較二者獲得的預(yù)測(cè)模型更具穩(wěn)定性。但是，此方法存在與數(shù)據(jù)驅(qū)動(dòng)方法同樣的架構(gòu)問(wèn)題，同時(shí)，如何融合更多實(shí)際因素、降低計(jì)算維數(shù)也是未來(lái)重要的研究課題。

1.3 交通負(fù)荷預(yù)測(cè)

交通-電力耦合網(wǎng)絡(luò)中，交通流量、擁堵情況、道路負(fù)荷等交通流信息反映了交通網(wǎng)運(yùn)行情況，預(yù)測(cè)交通負(fù)荷能夠?yàn)榻煌?電力耦合網(wǎng)絡(luò)架構(gòu)下充電站布局優(yōu)化提供交通流層面的先驗(yàn)指導(dǎo)[31]。

當(dāng)前交通負(fù)荷預(yù)測(cè)主要采用靜態(tài)交通和動(dòng)態(tài)交通兩種方式分析城市道路平面交叉口復(fù)雜程度來(lái)預(yù)測(cè)交通流負(fù)荷。靜態(tài)交通流考慮用戶均衡及系統(tǒng)最優(yōu)兩大原則進(jìn)行負(fù)荷預(yù)測(cè)，模型建立較簡(jiǎn)單且容易操作，能夠較客觀地評(píng)價(jià)交叉口運(yùn)行狀態(tài)[32]。但靜態(tài)交通流考慮交叉口的交通組成較簡(jiǎn)單，當(dāng)交叉口交通流量增大，車流交叉、合流、分流等現(xiàn)象出現(xiàn)，造成交叉口復(fù)雜程度增加，靜態(tài)交通流預(yù)測(cè)方式將無(wú)法準(zhǔn)確評(píng)價(jià)交叉口運(yùn)行狀態(tài)[33]。動(dòng)態(tài)交通流預(yù)測(cè)方法從交通沖突、交通量和交叉口幾何形狀三方面考慮交叉口復(fù)雜度對(duì)交通運(yùn)行狀態(tài)的影響，彌補(bǔ)靜態(tài)模型難以應(yīng)對(duì)交叉口交通流量增大的不足，能夠更加準(zhǔn)確地評(píng)價(jià)城市道路平面交叉口的運(yùn)行狀態(tài)[34]。

2 “站-網(wǎng)”協(xié)同布局與管理

EV電力需求增大將導(dǎo)致配電網(wǎng)負(fù)荷增加，影響配電網(wǎng)可靠經(jīng)濟(jì)運(yùn)行。因此，考慮充電站優(yōu)化布局，對(duì)提高EV充電負(fù)荷引導(dǎo)效率、確保配電網(wǎng)穩(wěn)定運(yùn)行至關(guān)重要。此外，通過(guò)充電站/樁V2G技術(shù)實(shí)現(xiàn)EV與配電網(wǎng)之間的能量雙向互動(dòng)，是智慧城市“站-網(wǎng)”協(xié)同管理層面的重要組成部分。

2.1 充電設(shè)施網(wǎng)絡(luò)布局優(yōu)化

2020年，國(guó)家發(fā)改委將充電站建設(shè)納入“新基建”范圍，明確“換電為主、插充為輔、集中充電、統(tǒng)一配送”的充電設(shè)施布局方針，通過(guò)“交通網(wǎng)-信息網(wǎng)-配電網(wǎng)”三網(wǎng)融合實(shí)現(xiàn)對(duì)EV用戶跨區(qū)域、全覆蓋的智能充換電服務(wù)。充電站布局規(guī)劃管理已成為目前研究的重點(diǎn)之一，現(xiàn)有文獻(xiàn)主要從交通網(wǎng)、配電網(wǎng)、交通網(wǎng)-配電網(wǎng)耦合三個(gè)層面進(jìn)行研究。

在交通網(wǎng)層面的規(guī)劃布局，主要可分為基于節(jié)點(diǎn)需求的規(guī)劃、基于用戶行駛路徑的規(guī)劃、基于交通流量的規(guī)劃三類方法?；诠?jié)點(diǎn)需求的規(guī)劃方法采用規(guī)劃區(qū)域上某些節(jié)點(diǎn)表示EV充電需求，EV前往最近充電站進(jìn)行充電服務(wù)[31]。但此方法只考慮EV與充電站之間的直線距離，忽略了交通網(wǎng)絡(luò)的擁堵情況?；谟脩粜旭偮窂降囊?guī)劃方法采用用戶路徑行駛實(shí)際數(shù)據(jù)，所得結(jié)果更符合實(shí)際充電需求情況，但數(shù)據(jù)獲取、整合較為困難，部分EV滲透率較低的地區(qū)可能無(wú)法獲得滿足規(guī)劃需求的數(shù)據(jù)量[35]?；诮煌髁康囊?guī)劃方法使用起訖點(diǎn)流量進(jìn)行充電需求估計(jì)，假設(shè)用戶可在行駛路線上的任何站點(diǎn)補(bǔ)充電能而不考慮距離，與前兩種規(guī)劃方法相比，基于交通流量的算法具有更加優(yōu)越的便利性和更大覆蓋范圍[36]。從交通網(wǎng)層面進(jìn)行規(guī)劃布局忽略了配電網(wǎng)約束，布局結(jié)果可能需要根據(jù)實(shí)際電力潮流進(jìn)行調(diào)整。

在配電網(wǎng)層面的規(guī)劃布局，需要滿足電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行約束，考慮充電站與新能源發(fā)電的協(xié)調(diào)規(guī)劃，同時(shí)最大限度地降低充電站的投資成本?；诖?，文獻(xiàn)[37]研究設(shè)計(jì)動(dòng)態(tài)充電網(wǎng)絡(luò)，對(duì)充電站覆蓋區(qū)域進(jìn)行建模，評(píng)估EV動(dòng)態(tài)充電需求。文獻(xiàn)[38]考慮EV負(fù)荷及新能源發(fā)電不確定性，建立故障運(yùn)行成本模型，構(gòu)建了分布式電源和充電站的雙層協(xié)調(diào)規(guī)劃模型。然而，上述文獻(xiàn)忽略了交通網(wǎng)絡(luò)限制，需根據(jù)實(shí)際交通運(yùn)行情況進(jìn)行調(diào)整。

在交通網(wǎng)-配電網(wǎng)耦合層面的規(guī)劃布局研究，文獻(xiàn)[39]考慮交通網(wǎng)及配電網(wǎng)不同運(yùn)行狀態(tài)，分析區(qū)域內(nèi)充電需求變化，確定充電站最優(yōu)布局位置和規(guī)模。文獻(xiàn)[40]提出“交通網(wǎng)-配電網(wǎng)”綜合規(guī)劃模型，分別刻畫交通流穩(wěn)態(tài)分布及配電網(wǎng)穩(wěn)定運(yùn)行條件，通過(guò)充電站選址模型來(lái)表征二者與EV相互依賴的關(guān)系并尋求全局最優(yōu)解。

基于上述三種層面的充電站布局優(yōu)化方法對(duì)比見(jiàn)表2。

表2 充電站布局方法對(duì)比

Tab.2 Comparison of charging station layout methods

綜上所述，基于交通網(wǎng)-配電網(wǎng)耦合架構(gòu)下的充電站布局能夠全面考慮交通網(wǎng)及配電網(wǎng)的運(yùn)行情況，具有更強(qiáng)的現(xiàn)實(shí)意義。但當(dāng)前交通網(wǎng)-電力網(wǎng)耦合架構(gòu)的研究仍局限于兩者單獨(dú)建模，交通流與電能流之間的交互耦合問(wèn)題有待進(jìn)一步探討[31]。

2.2 V2G技術(shù)

基于充電樁的V2G技術(shù)使EV具有源、荷雙重屬性，能夠調(diào)整其充放電行為，減少對(duì)電網(wǎng)影響并提供功率支撐，與配電網(wǎng)形成“雙向通信、雙向電力流動(dòng)”的運(yùn)行模式，為智慧城市“車-站-網(wǎng)”一體化運(yùn)行提供技術(shù)支撐，已經(jīng)成為當(dāng)下研究熱點(diǎn)。

作為車-網(wǎng)互動(dòng)響應(yīng)的能量接口，V2G技術(shù)融合了電力電子、通信、調(diào)度及計(jì)量等技術(shù)，通過(guò)功率變換器實(shí)現(xiàn)車-網(wǎng)電能交互。V2G雙向功率變換器按功率變換等級(jí)可分為單級(jí)式和兩級(jí)式。單級(jí)式雙向變換器僅通過(guò)一個(gè)AC-DC模塊實(shí)現(xiàn)電路變換，使用元器件較少，具有較高的效率及可靠性。但其輸出電壓等級(jí)較低，多應(yīng)用于小功率系統(tǒng)[41]。兩級(jí)式雙向變換器在單級(jí)式的基礎(chǔ)上增加DC-DC模塊進(jìn)行升降壓控制，具有更好的功率控制效果[42]。

當(dāng)前V2G技術(shù)主要包括有功、無(wú)功輸出控制以及對(duì)配電網(wǎng)的頻率、電壓調(diào)節(jié)控制。文獻(xiàn)[43]在有功功率雙向傳輸基礎(chǔ)上，建立四象限運(yùn)行V2G變換器模型，實(shí)現(xiàn)無(wú)功控制。進(jìn)一步基于功率控制模式，通過(guò)聚合V2G參與配電網(wǎng)潮流優(yōu)化調(diào)度，并實(shí)現(xiàn)頻率及電壓調(diào)節(jié)[44]。此外，相關(guān)學(xué)者提出將虛擬同步控制策略應(yīng)用于V2G系統(tǒng)，利用T-S模糊控制使變換器自動(dòng)決策虛擬同步工作的充放電模式及功率，提高V2G的功率跟蹤性能及配電網(wǎng)抗擾動(dòng)能力[45-46]。在工程示范方面，國(guó)家電網(wǎng)電動(dòng)汽車公司依托“V2G及云儲(chǔ)能示范項(xiàng)目”，于2021年研發(fā)設(shè)計(jì)出基于虛擬同步機(jī)與V2G融合技術(shù)的“電動(dòng)汽車直流雙向充放電機(jī)”，并實(shí)現(xiàn)現(xiàn)場(chǎng)測(cè)試驗(yàn)證[47]。

綜上所述，V2G技術(shù)是支撐智慧城市綠色化交通與智能電網(wǎng)的關(guān)鍵技術(shù)之一。V2G技術(shù)還未得到較廣泛的應(yīng)用，一方面，V2G技術(shù)及其支撐配電網(wǎng)應(yīng)用的理論體系仍需進(jìn)一步完善；另一方面，電動(dòng)汽車V2G模式下頻繁充放電對(duì)電池壽命有一定的影響，從而導(dǎo)致V2G失去實(shí)際應(yīng)用的價(jià)值與可能性。因此，在實(shí)際應(yīng)用方面，還需投入更多研究與示范。

3 “站-車”有序引導(dǎo)策略

大規(guī)模EV同時(shí)充電，充電站會(huì)產(chǎn)生排隊(duì)現(xiàn)象[48]。因此，大量學(xué)者對(duì)EV從“站-車”交互層面研究EV排隊(duì)機(jī)制，建立有序引導(dǎo)策略，減少EV無(wú)序接入配電網(wǎng)造成的沖擊。通過(guò)對(duì)相關(guān)文獻(xiàn)評(píng)述，本文將充電站有序調(diào)控引導(dǎo)策略歸納為建模、路徑規(guī)劃、定價(jià)機(jī)制三方面，充電站的EV有序調(diào)控引導(dǎo)研究框架如圖3所示。

圖3 充電站的EV有序調(diào)控引導(dǎo)研究框架

3.1 交通-電力耦合網(wǎng)絡(luò)建模

EV既是交通網(wǎng)的重要組成部分，也是配電網(wǎng)的用電終端[17]。EV出行路徑、駕駛需求等會(huì)影響交通側(cè)道路的順暢程度，交通信息影響EV充電路徑選擇；EV接入電網(wǎng)時(shí)電池容量及選擇充電模式等影響配電網(wǎng)穩(wěn)定經(jīng)濟(jì)運(yùn)行，而電網(wǎng)通過(guò)電價(jià)引導(dǎo)等方式改變EV充電計(jì)劃及充電方式[49]。隨著EV保有量增加，EV充電站對(duì)電力和交通網(wǎng)絡(luò)的耦合作用越來(lái)越強(qiáng)，因此引導(dǎo)EV有序參與充電時(shí)，有必要建立交通-電力耦合網(wǎng)絡(luò)模型。交通-電力耦合網(wǎng)絡(luò)模型交互影響示意圖如圖4所示。

圖4 交通-電力耦合網(wǎng)絡(luò)模型交互影響示意圖

目前交通-電力耦合網(wǎng)絡(luò)建模方法多以靜態(tài)的數(shù)據(jù)為基礎(chǔ)，采用單一模型或模型間簡(jiǎn)單組合，其建模方式采用交通節(jié)點(diǎn)-配網(wǎng)節(jié)點(diǎn)一一對(duì)應(yīng)的方式刻畫充電負(fù)荷在配電網(wǎng)中的時(shí)空分布，其中充電負(fù)荷通過(guò)EV用戶出行、電量、時(shí)間三方面特征進(jìn)行建模。文獻(xiàn)[50]提出了一種交通-電力耦合模式下的EV集群可調(diào)控裕度及優(yōu)化運(yùn)行策略，利用挖掘出的靈活性提升配電網(wǎng)可靠性。文獻(xiàn)[17]分析交通-電力耦合對(duì)EV行為規(guī)律影響，提出需求響應(yīng)策略有效緩解電網(wǎng)節(jié)點(diǎn)電壓過(guò)低及輸電線路阻塞問(wèn)題。文獻(xiàn)[51-52]提出交通-電力耦合網(wǎng)絡(luò)整體運(yùn)行機(jī)理與框架描述兩網(wǎng)互相作用達(dá)到的動(dòng)態(tài)均衡狀態(tài)，提高智慧城市配電網(wǎng)和交通網(wǎng)絡(luò)的協(xié)調(diào)運(yùn)行。文獻(xiàn)[53]提出基于交通-電力耦合網(wǎng)絡(luò)的EV充電決策優(yōu)化方法，合理調(diào)控充電負(fù)荷的同時(shí)改善耦合網(wǎng)絡(luò)運(yùn)行狀態(tài)。

以上文獻(xiàn)利用交通-電力耦合網(wǎng)絡(luò)降低了因?qū)嶋H電網(wǎng)拓?fù)溥B接方式而造成的分析的難度。但電力、交通、信息等多種復(fù)雜網(wǎng)絡(luò)系統(tǒng)融合越發(fā)緊密，考慮交通流與電網(wǎng)潮流間的交互在未來(lái)有待進(jìn)一步探討。另外，基于電力-交通-信息多源信息分析EV行為影響并提升交通-電力耦合網(wǎng)絡(luò)建模的精確性和實(shí)時(shí)性將是下一步交通-電力耦合網(wǎng)絡(luò)研究的重點(diǎn)。

3.2 基于主動(dòng)路徑規(guī)劃引導(dǎo)EV參與調(diào)控

EV用戶行為習(xí)慣及城市規(guī)劃布局導(dǎo)致充電高峰時(shí)段負(fù)荷集中于少數(shù)充電站，對(duì)電網(wǎng)運(yùn)行及EV用戶充電滿意度造成較大影響，因此需要合理規(guī)劃EV充電路徑，引導(dǎo)EV充電行為，建立車-站-網(wǎng)協(xié)同模式下的充電路徑引導(dǎo)機(jī)制。

一些學(xué)者針對(duì)此問(wèn)題開展研究，文獻(xiàn)[54]分析大數(shù)據(jù)對(duì)道路誘導(dǎo)測(cè)量充電效果，提出路徑引導(dǎo)策略抑制交通擁擠蔓延，實(shí)現(xiàn)交通擁擠及時(shí)疏散。文獻(xiàn)[55]基于起訖點(diǎn)分析充電需求分布結(jié)果，提出一種雙層隊(duì)列模型模擬充電站動(dòng)態(tài)隊(duì)列。計(jì)及交通流密度很高甚至擁堵的情況下，存在車輛換道、競(jìng)爭(zhēng)通行等情況，因此需要考慮車輛交互影響?；诖耍墨I(xiàn)[56]考慮到EV充電選擇之間的相互影響，提出一種基于虛擬服務(wù)范圍的充電引導(dǎo)策略，避免EV用戶在時(shí)空尺度上充電超載和等待時(shí)間過(guò)長(zhǎng)。在此基礎(chǔ)上，文獻(xiàn)[57]計(jì)及動(dòng)態(tài)路徑行程時(shí)間的影響，考慮用戶對(duì)充電選擇多樣化需求，建立城市路網(wǎng)動(dòng)態(tài)路徑選擇模型，有效提高車輛尋站效率。

以上文獻(xiàn)均能為EV提供多種充電路徑選擇方案，但僅考慮車輛交互影響存在一定局限性?？紤]“交通-電力-信息”耦合網(wǎng)絡(luò)架構(gòu)下的主動(dòng)充電路徑規(guī)劃，減少排隊(duì)時(shí)間更具實(shí)際意義。另外，5G通信時(shí)代到來(lái)，有待進(jìn)一步研究利用實(shí)時(shí)信息數(shù)據(jù)實(shí)現(xiàn)車輛路徑導(dǎo)航。

3.3 基于定價(jià)機(jī)制激勵(lì)EV參與調(diào)控

為激勵(lì)用戶參與配電網(wǎng)需求響應(yīng)，充電站通過(guò)合理定制充電電價(jià)引導(dǎo)EV有序充電，參與電網(wǎng)互動(dòng)響應(yīng)。關(guān)于定價(jià)機(jī)制的研究，主要可概括為：考慮定價(jià)主體利益訴求、用戶響應(yīng)特性刻畫、構(gòu)建定價(jià)模型三個(gè)方面。

1）考慮定價(jià)主體的EV定價(jià)機(jī)制可分為電網(wǎng)利益優(yōu)先、充電站利益優(yōu)先、用戶利益優(yōu)先。電網(wǎng)利益優(yōu)先的電價(jià)策略，考慮提高系統(tǒng)運(yùn)行安全性，通過(guò)電價(jià)調(diào)控車輛入網(wǎng)行為，平滑電網(wǎng)負(fù)荷曲線[58]。充電站收益優(yōu)先的定價(jià)策略，根據(jù)站內(nèi)充電站利用率調(diào)節(jié)電價(jià)吸引車輛充電，達(dá)到運(yùn)營(yíng)效益最大化[59-60]。用戶利益優(yōu)先的定價(jià)策略，考慮EV用戶對(duì)電價(jià)波動(dòng)的敏感度，降低充電成本，實(shí)現(xiàn)用戶利益最大化[29,55]。隨著電力市場(chǎng)逐步完善，EV用戶、運(yùn)營(yíng)商及電網(wǎng)間耦合關(guān)系越發(fā)緊密。因此，未來(lái)定價(jià)機(jī)制需綜合分析三者耦合特性及相互作用機(jī)理。

2）用戶響應(yīng)特性的刻畫方法可分為基于優(yōu)化算法及經(jīng)濟(jì)學(xué)原理兩種方法。

根據(jù)經(jīng)濟(jì)學(xué)原理，電價(jià)補(bǔ)貼越高，用戶響應(yīng)越積極，可提供響應(yīng)量越多。當(dāng)充電電價(jià)低于EV用戶預(yù)期電價(jià)時(shí)，用戶根據(jù)電價(jià)刺激程度產(chǎn)生不同程度響應(yīng)[62]?？梢雰r(jià)格敏感度概念反映EV對(duì)電價(jià)的響應(yīng)特性，即

3）定價(jià)模型主要可分為博弈模型、集中式優(yōu)化、分布式優(yōu)化和分層定價(jià)等。文獻(xiàn)[57]考慮EV用戶行為及充電站間行為，利用多主體主從博弈方法，制定充電站動(dòng)態(tài)服務(wù)費(fèi)，通過(guò)挖掘充電負(fù)荷空間轉(zhuǎn)移能力，提升充電站間設(shè)備利用均衡度。文獻(xiàn)[62]提出了分時(shí)充電價(jià)格集中式優(yōu)化策略，以引導(dǎo)后充電負(fù)荷與目標(biāo)負(fù)荷偏差最小為目標(biāo)，運(yùn)用粒子群算法尋優(yōu)得到分時(shí)充電價(jià)格的最優(yōu)解。文獻(xiàn)[64]以充電站為定價(jià)主體，考慮用戶用電需求、充電時(shí)間、變壓器容量等約束，制定分散式動(dòng)態(tài)定價(jià)優(yōu)化策略，提高收益及計(jì)算效率。文獻(xiàn)[65]建立雙層魯棒定價(jià)優(yōu)化模型，上層制定充電站定價(jià)方案，下層反映EV用戶的充電決策，將得到的雙層魯棒優(yōu)化模型轉(zhuǎn)換為等價(jià)的單層優(yōu)化問(wèn)題。上述文獻(xiàn)各研究對(duì)比見(jiàn)表3。

表3 定價(jià)機(jī)制建模方法對(duì)比

Tab.3 Comparison of Pricing Mechanism Modeling Methods

制定合理定價(jià)機(jī)制是激勵(lì)EV參與有序充放電的有效措施，當(dāng)前國(guó)內(nèi)外對(duì)于定價(jià)機(jī)制的研究已具有一定深度。考慮EV用戶選站偏好對(duì)調(diào)度結(jié)果的影響及電力市場(chǎng)環(huán)境下V2G參與市場(chǎng)定價(jià)將是下一步的研究方向。

4 “車-網(wǎng)”互動(dòng)響應(yīng)技術(shù)

從車-網(wǎng)交互層面，EV參與電力輔助服務(wù)市場(chǎng)，實(shí)現(xiàn)與電網(wǎng)雙向互動(dòng)。考慮配電網(wǎng)供電可靠性及經(jīng)濟(jì)優(yōu)化運(yùn)行，需探討“交通-電力-信息”耦合網(wǎng)絡(luò)架構(gòu)下車-網(wǎng)交互問(wèn)題，研究大規(guī)模EV接入電網(wǎng)的互動(dòng)響應(yīng)技術(shù)。本文將現(xiàn)有的響應(yīng)技術(shù)研究?jī)?nèi)容歸納為四部分：可調(diào)度能力評(píng)估與響應(yīng)、考慮配電網(wǎng)可靠性的調(diào)度、考慮配電網(wǎng)經(jīng)濟(jì)性的調(diào)度、示范工程及應(yīng)用。車-網(wǎng)互動(dòng)響應(yīng)技術(shù)框架如圖5所示。

圖5 車-網(wǎng)互動(dòng)響應(yīng)技術(shù)框架

4.1 EV可調(diào)度能力評(píng)估與優(yōu)化

EV用戶出行隨機(jī)性影響聚合商響應(yīng)服務(wù)可靠性。因此，充分利用聚合商響應(yīng)資源，有必要對(duì)其可調(diào)度能力進(jìn)行評(píng)估與優(yōu)化[66]。EV集群主要通過(guò)換電站和充電站兩種方式接入電網(wǎng)，使EV集群在電網(wǎng)側(cè)具有不同的兩種運(yùn)行特性。因此，本文分為充電站與換電站兩種角度對(duì)EV可調(diào)度能力評(píng)估技術(shù)進(jìn)行分析，并綜述可調(diào)度能力優(yōu)化相關(guān)技術(shù)。

4.1.1 充電站可調(diào)度能力評(píng)估

充電站的可調(diào)度能力評(píng)估首先需要評(píng)估單體EV的可調(diào)度能力，從而構(gòu)建充電站內(nèi)集群EV的可調(diào)度能力聚合模型。單體EV可調(diào)度能力評(píng)估多采用用戶滿意度來(lái)反映用戶響應(yīng)調(diào)度的程度，用戶一般綜合考慮排隊(duì)時(shí)間、電池?fù)p耗成本、充電訴求及參與響應(yīng)獲益程度等參與調(diào)度的滿意度指標(biāo)，選擇是否參與響應(yīng)。當(dāng)前研究主要考慮從滿足用戶出行需求[67]和提高用戶調(diào)度收益[68]兩方面提高用戶參與調(diào)度滿意度，從而提升EV互動(dòng)能力，有效消納可再生能源出力，降低配電網(wǎng)運(yùn)行成本。

針對(duì)單體EV可調(diào)度能力的建模，需量化電池?fù)p耗程度及車輛供電能力，結(jié)合用戶出行行為確定可調(diào)度能力最優(yōu)閾值，建立EV可調(diào)度能力分析模型[69]?；趩误wEV可調(diào)度能力模型，進(jìn)一步評(píng)估充電站可調(diào)度能力，將充電站作為廣義儲(chǔ)能設(shè)備，進(jìn)行日前及日內(nèi)兩階段可調(diào)度能力分析。在日前階段分析集群EV歷史數(shù)據(jù)，進(jìn)行可調(diào)度能力預(yù)測(cè)；日內(nèi)階段分析監(jiān)測(cè)數(shù)據(jù)實(shí)時(shí)滾動(dòng)計(jì)算充電站可調(diào)度能力[16,70]。另外，考慮站內(nèi)排隊(duì)時(shí)間[71]及集群EV出行鏈[72]也是充電站可調(diào)度能力評(píng)估的重要研究方向。

4.1.2 換電站可調(diào)度能力評(píng)估

換電站采用車電分離的運(yùn)行方式，車輛在站內(nèi)快速更換動(dòng)力電池，被更換電池在站內(nèi)完成充電。因其便捷快速、利于配電網(wǎng)優(yōu)化運(yùn)行的優(yōu)點(diǎn)，換電模式成為EV重要電能供給模式之一。換電站可調(diào)度能力評(píng)估主要考慮換電需求及備用電池容量?jī)煞矫?。換電需求方面，文獻(xiàn)[73]假設(shè)EV電量即將耗盡時(shí)會(huì)前往換電站更換電池，但未考慮用戶里程焦慮、出行需求等實(shí)際因素。因此，文獻(xiàn)[74]根據(jù)EV日行駛距離耗電量及出行規(guī)律，假設(shè)EV日換電需求滿足正態(tài)分布。文獻(xiàn)[75]基于電動(dòng)出租車歷史換電數(shù)據(jù)預(yù)測(cè)實(shí)時(shí)換電需求，相比前兩種充電需求設(shè)定方法更符合實(shí)際。備用電池容量方面，文獻(xiàn)[74]考慮備用電池在單日內(nèi)循環(huán)利用及不同場(chǎng)景運(yùn)行規(guī)律，以電池存在性和周期性為約束條件，得到多場(chǎng)景下?lián)Q電站所需最小備用電池容量。文獻(xiàn)[70]建立備用電池組需求匹配模型，實(shí)時(shí)滾動(dòng)修正備用電池組充電策略，得出實(shí)時(shí)最優(yōu)備用電池容量，相較于文獻(xiàn)[74]對(duì)換電站實(shí)際運(yùn)行工況適用性更強(qiáng)。

4.1.3 EV可調(diào)度能力優(yōu)化

除快速計(jì)算EV可調(diào)度能力，仍需進(jìn)一步優(yōu)化EV響應(yīng)服務(wù)能力，為運(yùn)營(yíng)商在上層競(jìng)價(jià)中創(chuàng)造更有利條件[76]。文獻(xiàn)[77]將EV充電需求裕度評(píng)估作為核心參數(shù)，在日前階段降低充電/調(diào)頻雙重變量的復(fù)雜性，在日內(nèi)階段聯(lián)合優(yōu)化充電電量和可調(diào)度容量。文獻(xiàn)[76]提出基于雙重激勵(lì)的EV響應(yīng)服務(wù)策略，提高EV集群響應(yīng)服務(wù)能力。文獻(xiàn)[78]考慮多時(shí)間尺度下用戶響應(yīng)度與價(jià)格激勵(lì)關(guān)系，對(duì)EV可調(diào)度能力進(jìn)行優(yōu)化。

EV可調(diào)度能力是其參與互動(dòng)響應(yīng)的基礎(chǔ)，但以上文獻(xiàn)針對(duì)可調(diào)度能力評(píng)估與優(yōu)化的研究，往往是將車輛集群響應(yīng)假設(shè)為具有時(shí)變特性的全部或固定比例響應(yīng)，忽略了EV負(fù)荷移動(dòng)性，未來(lái)研究中有待提出一種針對(duì)不同環(huán)境下考慮用戶時(shí)空響應(yīng)程度及激勵(lì)機(jī)制的評(píng)估方案。另外，還需考慮充/換電站與電力系統(tǒng)共享儲(chǔ)能，建立“交通網(wǎng)-信息網(wǎng)-配電網(wǎng)”三網(wǎng)融合下更穩(wěn)定的儲(chǔ)能模式。

4.2 考慮配電網(wǎng)可靠性的互動(dòng)響應(yīng)技術(shù)

可再生能源及EV滲透率的提高，使城市配電網(wǎng)結(jié)構(gòu)由傳統(tǒng)單電源網(wǎng)絡(luò)發(fā)展為多電源網(wǎng)絡(luò)，導(dǎo)致電壓質(zhì)量、頻率及潮流面臨嚴(yán)峻挑戰(zhàn)[79]。計(jì)及EV聯(lián)合可再生能源、儲(chǔ)能設(shè)備能夠?yàn)榕潆娋W(wǎng)提供電力支持，在現(xiàn)有配電網(wǎng)保護(hù)與控制研究基礎(chǔ)上分析EV參與互動(dòng)響應(yīng)對(duì)其可靠運(yùn)行的作用，建立新型智慧城市電網(wǎng)保護(hù)與控制策略具有重要現(xiàn)實(shí)意義。

4.2.1 電壓調(diào)節(jié)

針對(duì)規(guī)?；疎V關(guān)于電壓質(zhì)量問(wèn)題的研究主要集中在電壓下降、諧波污染等方面。研究過(guò)程需分析電壓故障概率分布情況[79]及配電網(wǎng)可靠性指標(biāo)[80-81]，并協(xié)調(diào)EV與儲(chǔ)能設(shè)備、可再生能源等柔性負(fù)荷調(diào)整系統(tǒng)運(yùn)行模式，緩解過(guò)載[82-84]。

電壓故障方面，文獻(xiàn)[79]提出含分布式電源和EV的城市電網(wǎng)半不變量故障分析方法，求得電壓故障概率分布。配電網(wǎng)可靠性指標(biāo)方面，文獻(xiàn)[80]考慮EV不確定性，采用兩狀態(tài)馬爾可夫鏈建立發(fā)電機(jī)組運(yùn)行/故障過(guò)程模型，量化配電網(wǎng)可靠性指標(biāo)。文獻(xiàn)[81]利用配電系統(tǒng)拓?fù)湫畔⒑团潆娤到y(tǒng)元件可靠性參數(shù)評(píng)估配電系統(tǒng)各項(xiàng)可靠性指標(biāo)。緩解過(guò)載研究中，集群EV調(diào)控策略按結(jié)構(gòu)可分為集中式和分層式。文獻(xiàn)[82]提出協(xié)調(diào)主動(dòng)需求與EV的多智能體系統(tǒng)，通過(guò)將負(fù)荷需求調(diào)控至空閑時(shí)段保證電壓質(zhì)量。采用集中式策略經(jīng)濟(jì)成本較低，但需進(jìn)行大量數(shù)據(jù)交換。分層式策略僅需測(cè)量局部電壓，并實(shí)施局部調(diào)節(jié)，從而提高整體電壓質(zhì)量。文獻(xiàn)[83]采用基于下垂控制器的局部智能充電算法，分析EV緩解線路電壓跌落及不平衡的能力。文獻(xiàn)[84]采用分層決策方法建立EV充電控制系統(tǒng)，在改善電壓質(zhì)量的同時(shí)提高EV充電經(jīng)濟(jì)性。

利用EV充放電緩解配電網(wǎng)電壓質(zhì)量問(wèn)題，為智慧城市電網(wǎng)可靠性提升提供重要支持。目前，城市電網(wǎng)逐漸向交互式分散電網(wǎng)過(guò)渡，未來(lái)研究有待結(jié)合電力電子、通信、調(diào)度、需求側(cè)管理等技術(shù)優(yōu)化“車-網(wǎng)”互動(dòng)響應(yīng)運(yùn)行方式。

4.2.2 配電網(wǎng)頻率調(diào)節(jié)

EV大范圍入網(wǎng)后，其儲(chǔ)能特性為電力系統(tǒng)一、二次調(diào)頻控制提供更多可行性。利用EV儲(chǔ)能彌補(bǔ)新能源電力系統(tǒng)調(diào)頻資源的不足，已成為當(dāng)下研究熱點(diǎn)。

當(dāng)前針對(duì)EV參與調(diào)頻響應(yīng)服務(wù)的研究主要包含：時(shí)滯問(wèn)題分析與調(diào)頻策略兩方面。①調(diào)頻響應(yīng)中的時(shí)滯問(wèn)題主要考慮EV與調(diào)控中心通信道路的信息延時(shí)，文獻(xiàn)[85]考慮EV負(fù)荷集群對(duì)應(yīng)的時(shí)滯穩(wěn)定裕度，分析時(shí)滯問(wèn)題對(duì)負(fù)荷頻率控制的影響。文獻(xiàn)[86]利用時(shí)域法分析EV參與調(diào)頻的響應(yīng)時(shí)滯問(wèn)題，但時(shí)域法分析時(shí)滯問(wèn)題時(shí)存在一定保守性。為此，文獻(xiàn)[87]假設(shè)每個(gè)EV集群內(nèi)所有的EV擁有相同的數(shù)據(jù)傳輸時(shí)滯，采用頻域法分析時(shí)滯穩(wěn)定性，解決時(shí)域法保守性問(wèn)題，實(shí)現(xiàn)高效準(zhǔn)確評(píng)估時(shí)滯系統(tǒng)。②當(dāng)前調(diào)頻策略研究主要有：一次調(diào)頻[88]、二次調(diào)頻[89]及自動(dòng)調(diào)頻控制[90]三方面。文獻(xiàn)[88]利用橢圓函數(shù)構(gòu)建電池荷電狀態(tài)與充放電下垂之間的函數(shù)關(guān)系，利用EV輔助傳統(tǒng)機(jī)組一次調(diào)頻抑制電網(wǎng)頻率波動(dòng)。文獻(xiàn)[89]考慮EV二次調(diào)頻有效出力范圍及傳統(tǒng)機(jī)組特性，以時(shí)間乘以誤差絕對(duì)值積分為目標(biāo)函數(shù)，建立EV與傳統(tǒng)機(jī)組二次調(diào)頻的聯(lián)合優(yōu)化模型。文獻(xiàn)[90]提出基于EV聚合商的智能電網(wǎng)分層自適應(yīng)頻率控制策略，通過(guò)EV控制器實(shí)現(xiàn)頻率調(diào)節(jié)。

集群EV儲(chǔ)能特性能夠?yàn)榕潆娋W(wǎng)頻率穩(wěn)定性提供有力支撐，提高配電網(wǎng)運(yùn)行彈性與靈活性。但系統(tǒng)調(diào)頻時(shí)滯較大時(shí)容易導(dǎo)致離散化維數(shù)增大，進(jìn)而造成維數(shù)災(zāi)難問(wèn)題，如何對(duì)系統(tǒng)進(jìn)行降維，提高計(jì)算效率，已成為調(diào)頻控制策略研究亟待解決的問(wèn)題。

4.2.3 配電網(wǎng)潮流優(yōu)化

概率潮流計(jì)及配電網(wǎng)多種不確定性因素，分析電網(wǎng)潮流概率特性，評(píng)估定位潮流潛在隱患，對(duì)提高配電網(wǎng)安全可靠性具有重要意義[91]。合理調(diào)控EV集群充放電能夠優(yōu)化配電網(wǎng)潮流，研究?jī)?nèi)容可分為考慮電網(wǎng)潮流的EV充放電行為優(yōu)化和考慮交通-電力耦合網(wǎng)絡(luò)的潮流優(yōu)化。前者需在分析配電網(wǎng)不確定變量概率分布特征及其相關(guān)性的基礎(chǔ)上，建立相關(guān)潮流模型對(duì)相應(yīng)場(chǎng)景進(jìn)行分析，優(yōu)化EV充電行為[91-93]。后者需在分析EV充放電行為及不確定性變量概率分布的基礎(chǔ)上，分析交通流的時(shí)空演變，建立交通-電力耦合作用下的動(dòng)態(tài)均衡潮流優(yōu)化模型[94-96]。上述文獻(xiàn)的詳細(xì)對(duì)比見(jiàn)表4。

表4 配電網(wǎng)潮流優(yōu)化研究文獻(xiàn)比較

Tab.4 Literature comparison on power flow optimization of distribution network

（續(xù)）

4.3 配電網(wǎng)經(jīng)濟(jì)優(yōu)化調(diào)度

風(fēng)光出力、EV充放電不確定性為配電網(wǎng)經(jīng)濟(jì)調(diào)度帶來(lái)挑戰(zhàn)，因此，需充分挖掘EV需求響應(yīng)技術(shù)，為配電網(wǎng)經(jīng)濟(jì)優(yōu)化調(diào)度提供有效調(diào)節(jié)手段[97]。

4.3.1 削峰填谷

利用經(jīng)濟(jì)激勵(lì)、政策傾斜等手段，對(duì)大規(guī)模EV充放電行為進(jìn)行調(diào)控，控制EV在負(fù)荷低谷時(shí)段充電、高峰時(shí)段放電，能夠?qū)崿F(xiàn)負(fù)荷曲線的削峰填谷，提高配電網(wǎng)供電穩(wěn)定性[53]。

下面從EV集群負(fù)荷特性、優(yōu)化控制等方面進(jìn)行其參與電網(wǎng)調(diào)峰的研究。

1）負(fù)荷特性：文獻(xiàn)[17]基于交通-電力耦合網(wǎng)絡(luò)模型，考慮快慢充對(duì)負(fù)荷特性的影響，提出EV需求響應(yīng)策略。文獻(xiàn)[98]考慮EV特性及充電負(fù)荷波動(dòng)，建立計(jì)及光伏出力相關(guān)性和EV需求響應(yīng)的雙層調(diào)控模型。文獻(xiàn)[99]考慮電池?fù)p耗成本，建立了包含潮流約束和斜坡速率限制等約束的負(fù)荷模型。

2）優(yōu)化控制：文獻(xiàn)[100]建立考慮EV隨機(jī)特性的充電負(fù)荷模型，提出一種分時(shí)電價(jià)策略引導(dǎo)EV參與需求響應(yīng)，利用多目標(biāo)優(yōu)化算法快速地引導(dǎo)集群EV響應(yīng)配電系統(tǒng)，有效減小負(fù)荷峰谷差。文獻(xiàn)[101]提出基于兩層進(jìn)化策略粒子群優(yōu)化算法的EV調(diào)峰策略。文獻(xiàn)[102]考慮用戶心理及條件風(fēng)險(xiǎn)價(jià)值，提出供需兩側(cè)協(xié)同優(yōu)化的EV充放電自動(dòng)需求響應(yīng)方法，有效平抑供電側(cè)負(fù)荷波動(dòng)及削減負(fù)荷峰值。

以上策略均能調(diào)度EV參與調(diào)峰響應(yīng)，但當(dāng)前集群EV負(fù)荷特性的研究缺少考慮集群內(nèi)部復(fù)雜耦合特性，未來(lái)研究中可結(jié)合多元化數(shù)據(jù)分析集群EV內(nèi)部耦合特性，使調(diào)峰結(jié)果更符合實(shí)際情況。

4.3.2 促進(jìn)新能源消納

新能源發(fā)電滲透率不斷提高，如何適應(yīng)新能源出力不確定性提升新能源消納，實(shí)現(xiàn)電網(wǎng)優(yōu)化運(yùn)行，成為當(dāng)下研究的熱點(diǎn)。合理地利用EV可調(diào)度屬性，通過(guò)調(diào)度EV充放電行為可與新能源實(shí)現(xiàn)互補(bǔ)協(xié)調(diào)。

目前關(guān)于EV參與新能源消納研究，主要可分為計(jì)及碳排放的新能源-EV協(xié)調(diào)與計(jì)及消納新能源出力不確定性調(diào)度研究。

1）計(jì)及碳排放的新能源-EV協(xié)調(diào)研究：文獻(xiàn)[103]提出以消納新能源為目標(biāo)的主動(dòng)配電網(wǎng)兩階段協(xié)調(diào)優(yōu)化調(diào)度策略，減少系統(tǒng)碳排放量；文獻(xiàn)[104]基于EV可控負(fù)荷和移動(dòng)儲(chǔ)能特性，提出面向綜合能源樓宇EV輔助服務(wù)方案。

2）計(jì)及消納新能源出力不確定性的調(diào)度研究：文獻(xiàn)[105]對(duì)不同荷電狀態(tài)下車輛實(shí)施不同時(shí)段的充放電規(guī)劃；文獻(xiàn)[106]構(gòu)造EV集群的非合作充放電博弈模型，通過(guò)優(yōu)化調(diào)控EV提升光伏發(fā)電利用率；文獻(xiàn)[107]提出基于區(qū)塊鏈的EV激勵(lì)系統(tǒng)，引導(dǎo)EV用戶在期望時(shí)間內(nèi)最大限度地消納新能源。

綜上所述，以上文獻(xiàn)均能通過(guò)合理調(diào)控EV促進(jìn)可再生能源消納。但鮮有文獻(xiàn)綜合考慮系統(tǒng)需求與用戶響應(yīng)度情況，實(shí)現(xiàn)供需兩側(cè)協(xié)同優(yōu)化。同時(shí)，合理設(shè)置EV補(bǔ)償價(jià)格或其他激勵(lì)措施將是未來(lái)EV消納新能源出力的研究重點(diǎn)。

4.4 “車-網(wǎng)”互動(dòng)平臺(tái)示范與應(yīng)用

針對(duì)車-網(wǎng)互動(dòng)響應(yīng)，國(guó)內(nèi)外開展了示范工程應(yīng)用研究，實(shí)現(xiàn)EV數(shù)據(jù)共享、監(jiān)控車輛運(yùn)行狀態(tài)、電網(wǎng)削峰填谷和新能源消納等。已開展的部分EV管控示范平臺(tái)如下。

國(guó)際方面：2015年，英國(guó)“智能運(yùn)輸、加熱和控制代理”項(xiàng)目通過(guò)交通、頻率響應(yīng)、能量存儲(chǔ)和區(qū)域供熱解決方案之間的合作，建立V2G概念，最大程度地提高熱電聯(lián)合產(chǎn)能；2016年，丹麥Parker工程驗(yàn)證了EV消納新能源的可行性，并重點(diǎn)示范其調(diào)頻服務(wù)；2018年，日本中部電力公司與豐田通商合作V2G項(xiàng)目，通過(guò)EV助力實(shí)現(xiàn)低碳社會(huì)和穩(wěn)定電力供應(yīng)。

國(guó)內(nèi)方面：2019年，“中國(guó)新能源汽車和可再生能源綜合應(yīng)用商業(yè)化推廣——上海示范項(xiàng)目”投運(yùn)，成為我國(guó)電網(wǎng)首次對(duì)充電站和EV制造商開放的需求響應(yīng)試點(diǎn)；2020年，廣州建立車-網(wǎng)互動(dòng)示范項(xiàng)目，建立EV與虛擬電廠互動(dòng)模式，為電網(wǎng)提供輔助服務(wù)；2021年，“中國(guó)新能源汽車與可再生能源綜合應(yīng)用商業(yè)化推廣示范項(xiàng)目”（GEF6）V2G商業(yè)運(yùn)營(yíng)示范項(xiàng)目——保定長(zhǎng)城工業(yè)園區(qū)車網(wǎng)互動(dòng)示范試點(diǎn)項(xiàng)目正式投運(yùn)，分析V2G放電價(jià)格對(duì)車主放電意愿影響，開展動(dòng)力電池參與V2G循環(huán)壽命等合作課題研究，為爭(zhēng)取放電政策的出臺(tái)提供支撐。

當(dāng)前，國(guó)內(nèi)外EV調(diào)度管理平臺(tái)建設(shè)仍處于發(fā)展初期，亟需建立相應(yīng)的公共統(tǒng)一數(shù)據(jù)庫(kù)，并在數(shù)據(jù)分析的基礎(chǔ)上開發(fā)動(dòng)態(tài)充電價(jià)格優(yōu)化、車-網(wǎng)互動(dòng)響應(yīng)等關(guān)鍵技術(shù)。

5 展望

5.1 用戶行為畫像在EV充電預(yù)測(cè)中的應(yīng)用

EV用戶行為畫像是指用戶在駕駛中留下的行為數(shù)據(jù)被大數(shù)據(jù)及互聯(lián)網(wǎng)收集之后加工成一系列的標(biāo)簽，其本質(zhì)是簡(jiǎn)化的標(biāo)簽數(shù)據(jù)。目前大部分文獻(xiàn)主要是對(duì)EV群體駕駛、停放特性的研究，并未深入探究EV用戶個(gè)體駕駛習(xí)慣、路徑選擇習(xí)慣、臨時(shí)更改路徑比率等特性。大數(shù)據(jù)與云計(jì)算等技術(shù)進(jìn)一步發(fā)展，有必要深入探究用戶行為畫像在EV充電預(yù)測(cè)中的應(yīng)用。

5.2 電網(wǎng)最優(yōu)潮流約束下多類型充電設(shè)施網(wǎng)絡(luò)布局優(yōu)化

我國(guó)存在充電設(shè)施結(jié)構(gòu)性不足、充電樁總體利用率低、熱點(diǎn)區(qū)域充電排隊(duì)時(shí)間長(zhǎng)等問(wèn)題。充電設(shè)施選址既要滿足充電需求，同時(shí)需考慮電網(wǎng)負(fù)荷限制，以適應(yīng)城市內(nèi)最優(yōu)電網(wǎng)潮流限制與充電需求的突出矛盾。突破多目標(biāo)多階段多場(chǎng)景設(shè)施選址與配置優(yōu)化技術(shù)，實(shí)現(xiàn)交通與電力耦合網(wǎng)絡(luò)協(xié)同最優(yōu)下的設(shè)施網(wǎng)絡(luò)布局是一個(gè)亟待解決的科學(xué)問(wèn)題。

5.3 多網(wǎng)融合下配電網(wǎng)多時(shí)間尺度穩(wěn)定性評(píng)估方法

不確定性新能源、EV在配電網(wǎng)占比增加，使系統(tǒng)穩(wěn)定性面臨挑戰(zhàn)。然而，EV充放電行為的多時(shí)間尺度優(yōu)化調(diào)控將導(dǎo)致配電網(wǎng)安全穩(wěn)定裕度發(fā)生變化，現(xiàn)有配電網(wǎng)可靠性評(píng)估方法，尚缺乏統(tǒng)一的安全、穩(wěn)定判別標(biāo)準(zhǔn)。

5.4 多網(wǎng)融合充電服務(wù)綜合評(píng)估

“交通網(wǎng)-信息網(wǎng)-電力網(wǎng)”三網(wǎng)融合架構(gòu)下EV參與配電網(wǎng)需求響應(yīng)服務(wù)，需從經(jīng)濟(jì)性、穩(wěn)定性、用戶滿意度的角度對(duì)其進(jìn)行綜合評(píng)估。①經(jīng)濟(jì)性方面：分析充電站運(yùn)營(yíng)成本、新能源利用率等因素間耦合關(guān)系，建立層次化經(jīng)濟(jì)性評(píng)價(jià)指標(biāo)體系。②穩(wěn)定性方面：研究充電樁容量、用戶充電需求、電壓質(zhì)量指標(biāo)之間的影響規(guī)律，構(gòu)建刻畫系統(tǒng)安全域的穩(wěn)定性指標(biāo)。③用戶滿意度方面：分析EV分布規(guī)律與用戶充電排隊(duì)等待時(shí)間、充電價(jià)格之間的影響關(guān)系，構(gòu)建適用于多場(chǎng)景的用戶充電滿意度評(píng)估指標(biāo)與方法。

5.5 信息物理系統(tǒng)中云邊協(xié)同架構(gòu)的研究應(yīng)用

5G通信、大數(shù)據(jù)、區(qū)塊鏈等技術(shù)不斷發(fā)展，在車-網(wǎng)互動(dòng)響應(yīng)中引入邊緣計(jì)算思想，能夠突破邊緣節(jié)點(diǎn)數(shù)據(jù)存儲(chǔ)、計(jì)算的能力瓶頸，解決云計(jì)算模式占有大量計(jì)算資源，無(wú)法滿足電力物聯(lián)網(wǎng)高效協(xié)同要求的難題，實(shí)現(xiàn)智能化分析管控、邊緣設(shè)備實(shí)時(shí)控制、調(diào)度任務(wù)智能管理、數(shù)據(jù)統(tǒng)計(jì)查詢、各方利益協(xié)調(diào)等功能，提高配電網(wǎng)供電可靠性。將傳統(tǒng)集中式云端架構(gòu)轉(zhuǎn)型為邊緣導(dǎo)向式云邊協(xié)同優(yōu)化架構(gòu)技術(shù)將迎來(lái)更多的理論研究和工程應(yīng)用。邊緣導(dǎo)向式云邊協(xié)同優(yōu)化架構(gòu)示意圖如圖6所示。

圖6 邊緣導(dǎo)向式云邊協(xié)同優(yōu)化架構(gòu)

邊緣導(dǎo)向式云邊協(xié)同優(yōu)化架構(gòu)中，充電樁作為信息感知層邊緣計(jì)算單元，聚合商為邊緣服務(wù)層，交通-電力-信息耦合網(wǎng)絡(luò)為平臺(tái)層。EV用戶與聚合商簽訂響應(yīng)合作協(xié)議參與配電網(wǎng)互動(dòng)響應(yīng)僅負(fù)責(zé)在協(xié)議規(guī)定時(shí)間內(nèi)接入充電樁，充放電調(diào)控交由聚合商自主進(jìn)行。在此架構(gòu)下，信息感知層收集用戶行為規(guī)律信息，并計(jì)算實(shí)時(shí)可調(diào)度容量上報(bào)邊緣服務(wù)層。同時(shí)，實(shí)時(shí)接收邊緣服務(wù)層調(diào)控指令，在滿足EV用戶需求的背景下實(shí)現(xiàn)實(shí)時(shí)智能控制的互動(dòng)響應(yīng)服務(wù)。邊緣服務(wù)層與信息感知層之間實(shí)現(xiàn)可調(diào)度能力與實(shí)時(shí)控制的信息交互，與平臺(tái)層之間進(jìn)行信息反饋及指令傳輸。平臺(tái)層進(jìn)行各類信息收集、儲(chǔ)存、計(jì)算，并實(shí)時(shí)下發(fā)指令。

6 結(jié)論

現(xiàn)階段，大量學(xué)者針對(duì)EV參與配電網(wǎng)互動(dòng)響應(yīng)開展研究，并逐漸形成智慧城市車-站-網(wǎng)一體化運(yùn)行架構(gòu)新趨勢(shì)。本文深入探討車-站-網(wǎng)一體化運(yùn)行架構(gòu)的研究現(xiàn)狀及相關(guān)技術(shù)，并沿EV充電需求時(shí)空分布預(yù)測(cè)、“站-網(wǎng)”協(xié)同布局與優(yōu)化、“站-車”有序引導(dǎo)、車-網(wǎng)互動(dòng)響應(yīng)技術(shù)這一主線綜述車-站-網(wǎng)一體化運(yùn)行架構(gòu)的最新研究成果，展望其未來(lái)研究方向。EV充電預(yù)測(cè)方面，通過(guò)解析EV充電需求預(yù)測(cè)方法優(yōu)缺點(diǎn)，考慮動(dòng)態(tài)交通下基于信息物理融合的充電負(fù)荷預(yù)測(cè)方式是未來(lái)的重點(diǎn)研究課題；充電設(shè)施布局方面，未來(lái)研究中需考慮交通-電力耦合網(wǎng)絡(luò)架構(gòu)下的充電設(shè)施布局方法；充電站有序引導(dǎo)EV方面，以交通-電力耦合網(wǎng)絡(luò)建模作為有序引導(dǎo)基礎(chǔ)，建立路網(wǎng)耦合架構(gòu)下定價(jià)與路徑規(guī)劃的融合體系是必要且可行的；“車-網(wǎng)”互動(dòng)響應(yīng)方面，從配電網(wǎng)可靠性及經(jīng)濟(jì)性的角度論述了EV參與輔助服務(wù)市場(chǎng)的可行性與有效性，提出電力系統(tǒng)儲(chǔ)能共享、集群調(diào)控?cái)?shù)據(jù)降維、EV響應(yīng)激勵(lì)等多方面建議，從而提升配電網(wǎng)可靠性、經(jīng)濟(jì)性及用戶滿意度。

另外，基于交通-電力-信息耦合網(wǎng)絡(luò)架構(gòu)下EV數(shù)據(jù)劇增，充電需求預(yù)測(cè)方面需重點(diǎn)研究基于多元大數(shù)據(jù)的用戶畫像分析?？紤]電網(wǎng)最優(yōu)潮流約束下多類型充電設(shè)施網(wǎng)絡(luò)布局優(yōu)化、配電網(wǎng)多時(shí)間尺度穩(wěn)定性、充電服務(wù)綜合評(píng)估與信息物理系統(tǒng)邊緣計(jì)算等問(wèn)題值得深入研究。

[1] 孔順飛, 胡志堅(jiān), 謝仕煒, 等. 含電動(dòng)汽車充電站的主動(dòng)配電網(wǎng)二階段魯棒規(guī)劃模型及其求解方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(5): 1093-1105.

Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Two-stage robust planning model and its solution algorithm of active distribution network containing electric vehicle charging stations[J]. Transactions of China Electrotechnical Society, 2020, 35(5): 1093-1105.

[2] 王錫凡, 邵成成, 王秀麗, 等. 電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(1): 1-10.

Wang Xifan, Shao Chengcheng, Wang Xiuli, et al. Survey of electric vehicle charging load and dispatch control strategies[J]. Proceedings of the CSEE, 2013, 33(1): 1-10．

[3] 呂金炳, 宋輝, 劉云, 等. 電動(dòng)汽車充電對(duì)配電網(wǎng)電壓質(zhì)量的影響研究[J]. 電測(cè)與儀表, 2018, 55(22): 33-40.

Lü Jinbing, Song Hui, Liu Yun, et al. Study on the impact of electric vehicle charging on voltage quality of distribution network[J]. Electrical Measurement & Instrumentation, 2018, 55(22): 33-40.

[4] 陳麗丹, 聶涌泉, 鐘慶. 基于出行鏈的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型[J]. 電工技術(shù)學(xué)報(bào), 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.

[5] 龍雪梅, 楊軍, 吳賦章, 等. 考慮路網(wǎng)-電網(wǎng)交互和用戶心理的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(14): 86-93.

Long Xuemei, Yang Jun, Wu Fuzhang, et al. Prediction of electric vehicle charging load considering interaction between road network and power grid and user's psychology[J]. Automation of Electric Power Systems, 2020, 44(14): 86-93.

[6] Shuai Wenjing, Maillé Patrick, Alexander Pelov. Charging electric vehicles in the smart city: a survey of economy-driven approaches[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(8): 2089-2106.

[7] 許剛, 張丙旭, 張廣超. 電動(dòng)汽車集群并網(wǎng)的分布式魯棒優(yōu)化調(diào)度模型[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(3): 565-578.

Xu Gang, Zhang Bingxu, Zhang Guangchao. Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 565-578.

[8] 劉順桂, 胡寰宇, 艾欣, 等. 集群電動(dòng)汽車參與電網(wǎng)調(diào)峰技術(shù)綜述[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 46(2): 34-44.

Liu Shungui, Hu Huanyu, Ai Xin, et al. Review of electric vehicle clusters participating in network peak-load leveling technique[J]. Journal of North China Electric Power University (Natural Science Edition), 2019, 46(2): 34-44.

[9] Li Xuecheng, Xiang Yue, Lu Lin, et al. Price incentive-based charging navigation strategy for electric vehicles[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 5762-5774.

[10] 王浩林, 張勇軍, 毛海鵬. 基于時(shí)刻充電概率的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法[J]. 電力自動(dòng)化設(shè)備, 2019, 39(3): 207-213.

Wang Haolin, Zhang Yongjun, Mao Haipeng. Charging load forecasting method based on instantaneous charging probability for Electric vehicle[J]. Electric Power Automation Equipment, 2019, 39(3): 207-213.

[11] 張美霞, 孫銓杰, 楊秀. 考慮多源信息實(shí)時(shí)交互和用戶后悔心理的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)[J/OL].電網(wǎng)技術(shù): 1-15[2021-09-15]. https://doi.org/10.13335/j. 1000- 3673.pst.2021.0273.

Zhang Meixia, Sun Quanjie, Yang Xiu. Electric vehicle charging load prediction considering multi-source information real-time interaction and user regret psychology[J/OL]. Power System Technology: 1-15[2021-09-15]. https://doi.org/10.13335/j.1000-3673.pst.2021.0273.

[12] 趙書強(qiáng), 周靖仁, 李志偉, 等. 基于出行鏈理論的電動(dòng)汽車充電需求分析方法[J]. 電力自動(dòng)化設(shè)備, 2017, 37(8): 105-112.

Zhao Shuqiang, Zhou Jingren, Li Zhiwei, et al. EV charging demand analysis based on trip chain theory[J]. Electric Power Automation Equipment, 2017, 37(8): 105-112.

[13] Florian Morlock, Bernhard Rolle, Michel Bauer, et al. Forecasts of electric vehicle energy consumption based on characteristic speed profiles and real-time traffic data[J]. IEEE Transactions on Vehicular Technology, 2020, 69(2): 1404-1418.

[14] 劉曉峰, 高丙團(tuán), 李揚(yáng). 博弈論在電力需求側(cè)的應(yīng)用研究綜述[J]. 電網(wǎng)技術(shù), 2018, 42(8): 2704-2711.

Liu Xiaofeng, Gao Bingtuan, Li Yang. Review on application of game theory in power demand side[J]. Power System Technology, 2018, 42(8): 2704-2711.

[15] 肖白, 崔涵淇, 姜卓, 等. 基于有限理性用戶選擇行為的定制化電價(jià)套餐設(shè)計(jì)[J]. 電網(wǎng)技術(shù), 2021, 45(3): 1050-1058.

Xiao Bai, Cui Hanqi, Jiang Zhuo, et al. Customized electricity price package design based on limited rational user selection behavior[J]. Power System Technology, 2021, 45(3): 1050-1058.

[16] 詹祥澎, 楊軍, 韓思寧, 等. 考慮電動(dòng)汽車可調(diào)度潛力的充電站兩階段市場(chǎng)投標(biāo)策略[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(10): 86-96.

Zhan Xiangpeng, Yang Jun, Han Sining, et al. Two-stage market bidding strategy for charging stations considering the schedulable potential of electric vehicles[J]. Automation of Electric Power Systems, 2021, 45(10): 86-96.

[17] 袁泉, 湯奕. 基于路-電耦合網(wǎng)絡(luò)的電動(dòng)汽車需求響應(yīng)技術(shù)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2021, 41(5): 1627-1637.

Yuan Quan, Tang Yi. Electric vehicle demand response technology based on traffic-grid coupling networks[J]. Proceedings of the CSEE, 2021, 41(5): 1627-1637.

[18] 葛曉琳, 史亮, 劉亞, 等. 考慮需求響應(yīng)不確定性的電動(dòng)汽車負(fù)荷Sigmoid云模型預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2020, 40(21): 6913-6925.

Ge Xiaolin, Shi Liang, Liu Ya, et al. Load forecasting of electric vehicles based on sigmoid cloud model considering the uncertainty of demand response[J]. Proceedings of the CSEE, 2020, 40(21): 6913-6925.

[19] Wu Chuanshen, Gao Shan, Liu Yu, et al. A model predictive control approach in microgrid considering multi-uncertainty of electric vehicles[J]. Renewable Energy, 2021, 163: 1385-1396.

[20] 潘振寧, 余濤, 王克英. 考慮多方主體利益的大規(guī)模電動(dòng)汽車分布式實(shí)時(shí)協(xié)同優(yōu)化[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(12): 3528-3541.

Pan Zhenning, Yu Tao, Wang Keying. Decentralized coordinated dispatch for real-time optimization of massive electric vehicles considering various interests[J]. Proceedings of the CSEE, 2019, 39(12): 3528-3541.

[21] Stefan Scheubner, Adam Thor Thorgeirsson, Moritz Vaillant, et al. A stochastic range estimation algorithm for electric vehicles using traffic phase classification[J]. IEEE Transactions on Vehicular Technology, 2019, 68(7): 6414-6428.

[22] Wang Houlian, Zhou Gongbo, Xue Rui, et al. A driving-behavior-based SOC prediction method for light urban vehicles powered by supercapacitors[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(5): 2090-2099.

[23] 吳賦章, 楊軍, 林洋佳, 等. 考慮用戶有限理性的電動(dòng)汽車時(shí)空行為特性[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(7): 1563-1574.

Wu Fuzhang, Yang Jun, Lin Yangjia, et al. Research on spatiotemporal behavior of electric vehicles considering the users’ bounded rationality[J]. Transactions of China Electrotechnical Society, 2020, 35(7): 1563-1574.

[24] Munshi Amr A, Mohamed Yasser Abdel-Rady I. Unsupervised nonintrusive extraction of electrical vehicle charging load patterns[J]. IEEE Transactions on Industrial Informatics, 2019, 15(1): 266-279.

[25] Florian Morlock, Bernhard Rolle, Michel Bauer, et al. Forecasts of electric vehicle energy consumption based on characteristic speed profiles and real-time traffic data[J]. IEEE Transactions on Vehicular Technology, 2019, 69(2): 1404-1418.

[26] 王睿, 高欣, 李軍良, 等. 基于聚類分析的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(16): 37-44.

Wang Rui, Gao Xin, Li Junliang, et al. Electric vehicle charging demand forecasting method based on clustering analysis[J]. Power System Protection and Control, 2020, 48(16): 37-44.

[27] 王毅, 谷億, 丁壯, 等. 基于模糊熵和集成學(xué)習(xí)的電動(dòng)汽車充電需求預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(3): 114-121.

Wang Yi, Gu Yi, Ding Zhuang, et al. Charging demand forecasting of electric vehicle based on empirical mode decomposition-fuzzy entropy and ensemble learning[J]. Automation of Electric Power Systems, 2020, 44(3): 114-121.

[28] 陳麗丹, 張堯, Antonio Figueiredo. 電動(dòng)汽車充放電負(fù)荷預(yù)測(cè)研究綜述[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(10): 177-191.

Chen Lidan, Zhang Yao, Antonio Figueiredo. Overview of charging and discharging load forcasting for electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(10): 177-191.

[29] Tao Ye, Huang Miaohua, Chen Yupu, et al. Orderly charging strategy of battery electric vehicle driven by real-world driving data[J]. Energy, 2020, 193: 116806.

[30] 劉文霞, 龍日尚, 徐曉波, 等. 考慮數(shù)據(jù)新鮮度和交叉熵的電動(dòng)汽車短期充電負(fù)荷預(yù)測(cè)模型[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(12): 45-52.

Liu Wenxia, Long Rishang, Xu Xiaobo, et al. Forecasting model of short-term EV charging load based on data freshness and cross entropy[J]. Automation of Electric Power Systems, 2016, 40(12): 45-52.

[31] 郭戈, 徐濤, 韓英華, 等. 電動(dòng)汽車時(shí)代的電網(wǎng)-交通網(wǎng)協(xié)同優(yōu)化綜述[J]. 控制與決策, 2021, 36(9): 2049-2062.

Guo Ge, Xu Tao, Han Yinghua, et al. A survey of cooperative optimization of tra?c-grid networks in the era ofelectric vehicles[J]. Control and Decision, 2021, 36(9): 2049-2062.

[32] 何勝學(xué). 基于兩階段行程時(shí)間的交通流分配理論[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2018, 18(1): 139-144.

He Shengxue. Traffic assignment theory based on two-stage travel time[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(1): 139-144.

[33] Suprabeet Datta, Siddhartha Rokade, Sarvesh P. S. Rajput. User-satisfaction based operational evaluation for uncontrolled intersections under mixed traffic[J]. Alexandria Engineering Journal, 2021, 60(1): 1085-1103.

[34] Ramin Niroumand, Mehrdad Tajalli, Leila Hajibabai, et al. Joint optimization of vehicle-group trajectory and signal timing: introducing the white phase for mixed-autonomy traffic stream[J]. Transportation Research Part C: Emerging Technologies, 2020, 116: 102659

[35] 曹昉, 李賽, 張姚. 考慮充電站吸引力的EV充電負(fù)荷時(shí)空分布模擬[J]. 電網(wǎng)技術(shù), 2021, 45(1): 75-87.

Cao Fang, Li Sai, Zhang Yao. Temporal and spatial distribution simulation of EV charging load considering charging station attractiveness[J]. Power System Technology, 2021, 45(1): 75-87.

[36] Zhang Hongcai, Hu Zechun, Xu Zhiwei, et al. An integrated planning framework for different types of PEV charging facilities in urban area[J]. IEEE Transactions on Smart Grid, 2016, 7(5): 2273-2284.

[37] Zhang Yongmin, Chen Jiayi, Cai Lin, et al. Expanding EV charging networks considering transportation pattern and power supply limit[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6332-6342.

[38] 馬麗葉, 王海鋒, 盧志剛. 計(jì)及故障率影響含電動(dòng)汽車的分布式電源選址定容雙層協(xié)調(diào)規(guī)劃[J]. 電網(wǎng)技術(shù), 2021, 45(12): 4749-4760.

Ma Liye, Wang Haifeng, Lu Zhigang. Considering the influence of failure rate on the location, capacity and double-layer coordinated planning of distributed power supply with electric vehicles[J]. Power System Technology, 2021, 45(12): 4749-4760.

[39] Seyed Nasrollah Hashemian, Mohammad Amin Latify, G Reza Yousefi. PEV fast-charging station sizing and placement in coupled transportation-distribution networks considering power line conditioning capability[J]. IEEE Transactions on Smart Grid, 2020, 11(6): 4773-4783.

[40] Xu Wang, Mohammad Shahidehpour, Jiang Chuanwen, et al. Coordinated planning strategy for electric vehicle charging stations and coupled traffic-electric networks[J]. IEEE Transactions on Power Systems, 2019, 34(1): 268-279.

[41] 賈益行, 吳紅飛, 韓蒙, 等. 準(zhǔn)單級(jí)功率變換的高效單相三端口功率因數(shù)校正變換器[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(18): 136-141.

Jia Yixing, Wu Hongfei, Han Meng, et al. Efficient single-phase three-port power factor correction converter with quasi-single-stage power conversion[J]. Automation of Electric Power Systems, 2018, 42(18): 136-141.

[42] 孫玉巍, 李永剛, 劉教民, 等. 級(jí)聯(lián)式電力電子變壓器協(xié)調(diào)控制策略[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2018, 38(5): 1290-1300.

Sun Yuwei, Li Yonggang, Liu Jiaomin, et al. Coordinated control strategy for cascaded power electronic transformers[J]. Proceedings of the CSEE, 2018, 38(5): 1290-1300.

[43] Mauricio Restrepo, Jordan Morris, Mehrdad Kazeran, et al. Modeling and testing of a bidirectional smart charger for distribution system EV integration[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 152-162.

[44] Liu Hui, Hu Zechun, Song Yonghua, et al. Vehicle-to-grid control for supplementary frequency regulation considering charging demands[J]. IEEE Transactions on Power Systems, 2015, 30(6): 3110-3119.

[45] 劉東奇, 鐘慶昌, 王耀南, 等.基于同步逆變器的電動(dòng)汽車V2G智能充放電控制技術(shù)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2017, 37(2): 544-557.

Liu Dongqi, Zhong Qingchang, Wang Yaonan, et al. A synchronverter-based V2G smart charging and discharging control strategy for electric vehicles[J]. Proceedings of the CSEE, 2017, 37(2): 544-557.

[46] Jon Are Suul, Salvatore D'Arco, Giuseppe Guidi. Virtual synchronous machine-based control of a single-phase bi-directional battery charger for providing vehicle-to-grid services[J]. IEEE Transactions on Industry Applications, 2016, 52(4): 3234-3244.

[47] 陳天錦, 牛高遠(yuǎn), 甘江華, 等. 基于虛擬同步策略的電動(dòng)汽車V2G充放電系統(tǒng)研究及樣機(jī)實(shí)現(xiàn)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(3): 131-141.

Chen Tianjin, Niu Gaoyuan, Gan Jianghua, et al. Research and prototype manufacture on electric vehicle V2G systems based on virtual synchronous control strategy[J]. Power System Protection and Control, 2021, 49(3): 131-141.

[48] Tan Xiaoqi, Qu Guannan, Sun Bo, et al. Optimal scheduling of battery charging station serving electric vehicles based on battery swapping[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1372-1384.

[49] 邢強(qiáng), 陳中, 冷釗瑩, 等. 基于實(shí)時(shí)交通信息的電動(dòng)汽車路徑規(guī)劃和充電導(dǎo)航策略[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2020, 40(2): 534-550.

Xing Qiang, Chen Zhong, Leng Zhaoying, et al. Route planning and charging navigation strategy for electric vehicles based on real-time traffic information[J]. Proceedings of the CSEE, 2020, 40(2): 534-550.

[50] 鄧潤(rùn)琦, 向月, 黃媛, 等. 交通–配電網(wǎng)耦合下電動(dòng)汽車集群可調(diào)控裕度及優(yōu)化運(yùn)行策略[J]. 電網(wǎng)技術(shù), 2021, 45(11): 4328-4337.

Deng Runqi, Xiang Yue, Huang Yuan, et al. Dispatchable margin and optimal operation strategy of electric vehicle clusters in coupled transportation-distribution network[J/OL]. Power System Technology, 2021, 45(11): 4328-4337.

[51] Qian Tao, Shao Chengcheng, Li Xuliang, et al. Enhanced coordinated operations of electric power and transportation networks via EV charging services[J]. IEEE Transactions on Smart Grid, 2020, 11(4): 3019-3030.

[52] 謝仕煒, 胡志堅(jiān), 王玨瑩. 考慮時(shí)-空耦合的城市電力-交通網(wǎng)絡(luò)動(dòng)態(tài)流量均衡[J/OL]. 中國(guó)電機(jī)工程學(xué)報(bào): 1-17 [2021-08-14]. http://kns.cnki.net/kcms/ detail/11.2107.TM.20210226.1121.005.html.

Xie Shiwei, Hu Zhijian, Wang Jueying. Dynamic flow equilibrium of urban power and transportation networks considering the coupling in time and space[J/OL]. Proceedings of the CSEE: 1-17 [2021-08-14].http://kns.cnki.net/kcms/detail/11.2107.TM. 20210226.1121.005.html.

[53] 周毅, 袁泉, 湯奕, 等. 基于路-電耦合網(wǎng)絡(luò)的電動(dòng)汽車充電決策優(yōu)化方法[J]. 電網(wǎng)技術(shù), 2021, 45(9): 3563-3572.

Zhou Yi, Yuan Quan, Tang Yi, et al. Charging decision optimization method for electric vehicles based on traffic-grid coupling networks[J]. Power System Technology, 2021, 45(9): 3563-3572.

[54] Lü Zhihan, Qiao Liang, Cai Ken, et al. Big data analysis technology for electric vehicle networks in smart cities[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(3): 1807-1816.

[55] 邵尹池, 穆云飛, 林佳穎, 等. “車-站-網(wǎng)”多元需求下的電動(dòng)汽車快速充電引導(dǎo)策略[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(18): 60-61.

Shao Yinchi, Mu Yunfei, Lin Jiaying, et al. Fast charging guidance strategy for multiple demands of electric vehicle, fast charging station and distribution network[J]. Automation of Electric Power Systems, 2019, 43(18): 60-61.

[56] Dhaou Said, Hussein T. Mouftah. A novel electric vehicles charging/discharging management protocol based on queuing model[J]. IEEE Transactions on Intelligent Vehicles, 2020, 5(1): 100-111.

[57] 崔金棟, 羅文達(dá), 周念成. 基于多視角的電動(dòng)汽車有序充放電定價(jià)模型與策略研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2018, 38(15): 4438-4450.

Cui Jindong, Luo Wenda, Zhou Niancheng. Research on pricing model and strategy of electric vehicle charging and discharging based on multi view[J]. Proceedings of the CSEE, 2018, 38(15): 4438-4450.

[58] Wang Shuoyao, Bi Suzhi, Zhang Ying-Jun Angela, et al. Electrical vehicle charging station profit maximization: admission, pricing, and online scheduling[J]. IEEE Transactions on Sustainable Energy, 2018, 9(4): 1722-1731.

[59] Masoumeh Seyedyazdi, Mohammad Mohammadi, Ebrahim Farjah. A combined driver-station interactive algorithm for a maximum mutual interest in charging market[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(6): 2534-2544.

[60] 李東東, 鄒思源, 劉洋, 等. 共享模式下的充電樁引導(dǎo)與充電價(jià)格研究[J]. 電網(wǎng)技術(shù), 2017, 41(12): 3971-3979.

Li Dongdong, Zou Siyuan, Liu Yang, et al. Research on charger selection and charging price under shared mode[J]. Power System Technology, 2017, 41(12): 3971-3979.

[61] 常方宇, 黃梅, 張維戈. 分時(shí)充電價(jià)格下電動(dòng)汽車有序充電引導(dǎo)策略[J]. 電網(wǎng)技術(shù), 2016, 40(9): 2609-2615.

Chang Fangyu, Huang Mei, Zhang Weige. Research on coordinated charging of electric vehicles based on tou charging price[J]. Power System Technology, 2016, 40(9): 2609-2615.

[62] Woongsup Lee, Robert Schober, Vincent W S Wong. An analysis of price competition in heterogeneous electric vehicle charging stations[J]. IEEE Transactions on Smart Grid, 2019, 10(4): 3990-4002.

[63] 程杉, 王賢寧, 馮毅煁. 電動(dòng)汽車充電站有序充電調(diào)度的分散式優(yōu)化[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(1): 39-46.

Cheng Shan, Wang Xianning, Feng Yichen. Distributed optimization for orderly charging scheduling of electric vehicle charging stations[J]. Automation of Electric Power Systems, 2018, 42(1): 39-46.

[64] Zeng Bo, Dong Houqi, Ramteen Sioshansi, et al. Bilevel robust optimization of electric vehicle charging stations with distributed energy resources[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 5836-5847.

[65] 吳巨愛(ài), 薛禹勝, 謝東亮. 電動(dòng)汽車聚合商對(duì)備用服務(wù)能力的優(yōu)化[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(9): 75-81.

Wu Juai, Xue Yusheng, Xie Dongliang. Optimization of reserve service capability made by electric vehicle aggregator[J]. Automation of Electric Power Systems, 2019, 43(9): 75-81.

[66] 楊曉東, 任帥杰, 張有兵, 等. 電動(dòng)汽車可調(diào)度能力模型與日內(nèi)優(yōu)先調(diào)度策略[J]. 電力系統(tǒng)自動(dòng)化, 2017, 41(2): 84-93.

Yang Xiaodong, Ren Shuaijie, Zhang Youbing, et al. Schedulable ability model and priority-based intraday scheduling strategy for electric vehicle[J]. Automation of Electric Power Systems, 2017, 41(2): 84-93.

[67] 竇迅, 王俊, 楊志宏, 等. 含交直流混合配網(wǎng)綜合能源系統(tǒng)的電動(dòng)汽車分群調(diào)控策略[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2021, 41(14): 4829-4844.

Dou Xun, Wang Jun, Yang Zhihong, et al. Cluster-based control strategies of electric vehicles for integrated energy system with AC-DC hybrid distribution network[J]. Proceedings of the CSEE, 2021, 41(14): 4829-4844.

[68] 黃貴鴻, 雷霞, 楊毅, 等. 考慮風(fēng)電與用戶滿意度的電動(dòng)汽車兩層智能充放電策略[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(5): 85-97.

Huang Guihong, Lei Xia, Yang Yi, et al. Two - layer intelligent charging and discharging strategy for electric vehicles considering wind power and user satisfaction[J]. Transactions of China Electrotechnical Society, 2015, 30(5): 85-97.

[69] Xu Xiangchu, Li Kangping, Wang Fei, et al. Evaluating multitimescale response capability of EV aggregator considering users’ willingness[J]. IEEE Transactions on Industry Applications, 2021, 57(4): 3366-3376.

[70] 楊健維, 楊鶴, 張夏霖, 等. 基于換電規(guī)則優(yōu)化與車輛–電池組匹配的電動(dòng)公交車充換電站充電優(yōu)化策略[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(8): 2337-2347.

Yang Jianwei, Yang He, Zhang Xialin, et al. A charging optimization strategy on charging and swapping station for electric buses based on optimization of switching rules and matching of buses and batteries[J]. Proceedings of the CSEE, 2019, 39(8): 2337-2347.

[71] Farshid Varshosaz, Majid Moazzami, Bahador Fani, et al. Day-ahead capacity estimation and power management of a charging station based on queuing theory[J]. IEEE Transactions on Industrial Informatics, 2019, 15(10): 5561-5574.

[72] 崔巖, 胡澤春, 段小宇. 考慮充電需求空間靈活性的電動(dòng)汽車運(yùn)行優(yōu)化研究綜述[J/OL]. 電網(wǎng)技術(shù): 1-16[2021-09-25].https://doi.org/10.13335/j.1000-3673. pst. 2021.0514.

Cui Yan, Hu Zechun, Duan Xiaoyu. Review on the electric vehicles operation optimization considering the spatial flexibility of electric vehicles charging demands[J/OL]. Power System Technology: 1-16 [2021-09-25].https://doi.org/10.13335/j.1000-3673. pst.2021.0514.

[73] Tan Xiaoqi, Qu Guannan, Sun Bo, et al. Optimal scheduling of battery charging station serving electric vehicles based on battery swapping[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1372-1384.

[74] 田園園, 廖清芬, 徐雨田, 等. 基于有序充電策略的換電站及分布式電源多場(chǎng)景協(xié)調(diào)規(guī)劃方法[J]. 電力自動(dòng)化設(shè)備, 2017, 37(9): 62-69.

Tian Yuanyuan, Liao Qingfen, Xu Yutian, et al. Multi-scenario coordinated planning method for substation and distributed power generation based on orderly charging strategy[J]. Electric Power Automation Equipment, 2017, 37(9): 62-69.

[75] Wang Yang, Ding Wenjian, Huang Liusheng, et al. Toward urban electric taxi systems in smart cities: the battery swapping challenge[J]. IEEE Transactions on Vehicular Technology, 2018. 67(3): 1946-1960.

[76] 吳洲洋, 艾欣, 胡俊杰. 電動(dòng)汽車聚合商參與調(diào)頻備用的調(diào)度方法與收益分成機(jī)制[J]. 電網(wǎng)技術(shù), 2021, 45(3): 1041-1050.

Wu Zhouyang, Ai Xin, Hu Junjie. Dispatching and income distributing of electric vehicle aggregators’ participation in frequency regulation[J]. Power System Technology, 2021, 45(3): 1041-1050.

[77] 王俊杰, 賈雨龍, 米增強(qiáng), 等. 基于雙重激勵(lì)機(jī)制的電動(dòng)汽車備用服務(wù)策略[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(10): 68-76.

Wang Junjie, Jia Yulong, Mi Zengqiang, et al. Reserve service strategy of electric vehicles based on double-incentive mechanism[J]. Automation of Electric Power Systems, 2020, 44(10): 68-76.

[78] Xu Xiangchu, Li Kangping, Wang Fei, et al. Evaluating multitimescale response capability of EV aggregator considering users’ willingness[J]. IEEE Transactions on Industry Applications, 2021, 57(4): 3366-3376.

[79] 孫惠, 翟海保, 吳鑫. 源網(wǎng)荷儲(chǔ)多元協(xié)調(diào)控制系統(tǒng)的研究及應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(15): 3264-3271.

Sun Hui, Zhai Haibao, Wu Xin. Research and application of multi-energy coordinated control of generation，network，load and storage[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3264-3271.

[80] Hou Kai, Xu Xiandong, Jia Hongjie, et al. A reliability assessment approach for integrated transportation and electrical power systems incorporating electric vehicles[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 88-100.

[81] 葛少云, 李吉峰, 李騰, 等. 配電網(wǎng)和城市路網(wǎng)關(guān)聯(lián)網(wǎng)絡(luò)的綜合可靠性分析[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(6): 1568-1577.

Ge Shaoyun, Li Jifeng, Li Teng, et al. Integrated analysis on reliability of power distribution network and urban road network[J]. Proceedings of the CSEE, 2016, 36(6): 1568-1577.

[82] Susanna Mocci, Nicola Natale, Fabrizio Pilo, et al. Demand side integration in LV smart grids with multi-agent control system[J]. Electric Power Systems Research, 2015, 125: 23-33.

[83] Sergejus Martinenas, Katarina Knezovi?, Mattia Marinelli. Management of power quality issues in low voltage networks using electric vehicles: experimental validation[J]. IEEE Transactions on Power Delivery, 2017, 32(2): 971-979.

[84] Arian Zahedmanesh, Kashem M. Muttaqi, Danny Sutanto. Coordinated charging control of electric vehicles while improving power quality in power grids using a hierarchical decision-making approach[J]. IEEE Transactions on Vehicular Technology, 2020, 69(11): 12585-12596.

[85] 李曉萌, 賈宏杰, 穆云飛, 等. 時(shí)滯環(huán)境下基于電動(dòng)汽車與電熱泵的協(xié)調(diào)頻率控制[J]. 電力自動(dòng)化設(shè)備, 2020, 40(4): 88-95.

Li Xiaomeng, Jia Hongjie, Mu Yunfei, et al. Coordinated frequency control based on electric vehicles and heat pumps considering time-delay[J]. Electric Power Automation Equipment, 2020, 40(4): 88-95.

[86] Dong Chaoyu, Xiao Qian, Mingshen Wang, et al. Distorted stability space and instability triggering mechanism of ev aggregation delays in the secondary frequency regulation of electrical grid-electric vehicle system[J]. IEEE Transactions on Smart Grid, 2020,11(6): 5084-5098.

[87] 張一媚, 董朝宇, 董曉紅, 等. 含電動(dòng)汽車集群調(diào)頻的信息能源系統(tǒng)譜特征和穩(wěn)定性評(píng)估[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(2): 12-20.

Zhang Yimei, Dong Chaoyu, Dong Xiaohong et al. Spectral characteristics and stability evaluation of information energy system with frequency modulation of electric vehicle cluster[J]. Automation of Electric Power Systems, 2021, 45(2): 12-20.

[88] 劉輝, 魏巖巖, 汪旎, 等. 電動(dòng)汽車入網(wǎng)一次調(diào)頻控制策略研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(23): 90-95.

Liu Hui, Wei Yanyan, Wang Ni, et al. V2G control for EVs participating in primary frequency regulation[J]. Power System Protection and Control, 2015, 43(23): 90-95.

[89] 楊健維, 董鴻志, 廖凱, 等. 計(jì)及電動(dòng)汽車輔助調(diào)頻的負(fù)荷頻率控制聯(lián)合優(yōu)化[J]. 電力自動(dòng)化設(shè)備, 2019, 39(3): 200-206.

Yang Jianwei, Dong Hongzhi, Liao Kai, et al. Joint optimization of load frequency control considering auxiliary frequency regulation of electric vehicles[J]. Electric Power Automation Equipment, 2019, 39(3): 200-206.

[90] Mu Chaoxu, Liu Weiqiang, Wei Xu. Hierarchically adaptive frequency control for an EV-integrated smart grid with renewable energy[J]. IEEE Transactions on Industrial Informatics, 2018, 14(9): 4254-4263.

[91] 徐雙蝶, 張焰, 蘇運(yùn). 考慮不確定性變量模糊相關(guān)性的智能配電網(wǎng)概率潮流計(jì)算[J]. 電網(wǎng)技術(shù), 2020, 44(4): 1488-1500.

Xu Shuangdie, Zhang Yan, Su Yun. Probabilistic power flow calculation in smart distribution networks considering fuzzy correlation between uncertainty variables[J]. Power System Technology, 2020, 44(4): 1488-1500.

[92] 李鈺洋, 王增平. 基于高斯求積的智能配電網(wǎng)三相概率潮流點(diǎn)估計(jì)法[J/OL]. 電網(wǎng)技術(shù): 1-9 [2021-09-16].https://doi.org/10.13335/j.1000-3673.pst.2021. 0615.

Li Yuyang, Wang Zengping. Three-phase probabilistic load flow for smart distribution network based on gauss-quadrature-based point estimate method[J]. Power System Technology: 1-9 [2021-09-16]. https://doi.org/10.13335/j.1000-3673.pst.2021.0615.

[93] Fan Hua, Duan Chao, Zhang Chuan-Ke, et al. ADMM-Based multiperiod optimal power flow considering plug-in electric vehicles charging[J]. IEEE Transactions on Power Systems, 2018, 33(4): 3886-3897.

[94] Lü Si, Wei Zhinong, Sun Guoqiang, et al. Power and traffic nexus: from perspective of power transmission network and electrified highway network[J]. IEEE Transactions on Transportation Electrification, 2021, 7(2): 566-577.

[95] 謝仕煒, 胡志堅(jiān), 王玨瑩. 考慮時(shí)-空耦合的城市電力-交通網(wǎng)絡(luò)動(dòng)態(tài)流量均衡[J/OL]. 中國(guó)電機(jī)工程學(xué)報(bào): 1-17 [2021-09-16]. http://kns.cnki.net/kcms/detail/ 11.2107.TM.20210226.1121.005.html.

Xie Shiwei, Hu Zhijian, Wang Jueying. Dynamic flow equilibrium of urban power and transportation networks considering the coupling in time and space[J/OL]. Proceedings of the CSEE: 1-17[2021-09-16].http://kns.cnki.net/kcms/detail/11.2107.TM.20210226.1121.005.html.

[96] Lü Si, Wei Zhinong, Sun Guoqiang, et al. Optimal power and semi-dynamic traffic flow in urban electrified transportation networks[J]. IEEE Transactions on Smart Grid, 2020, 11(3): 1854-1865.

[97] 石文超, 呂林, 高紅均, 等. 考慮需求響應(yīng)和電動(dòng)汽車參與的主動(dòng)配電網(wǎng)經(jīng)濟(jì)調(diào)度[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(11): 41-51.

Shi Wenchao, Lü Lin, Gao Hongjun, et al. Economic dispatch of active distribution network with participation of demand response and electric vehicle[J]. Automation of Electric Power Systems, 2020, 44(11): 41-51.

[98] 劉晉源, 呂林, 高紅均, 等. 計(jì)及分布式電源和電動(dòng)汽車特性的主動(dòng)配電網(wǎng)規(guī)劃[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(12): 41-48.

Liu Jinyuan, Lü Lin, Gao Hongjun, et al. Planning of active distribution network considering characteristics of distributed generator and electric vehicle[J]. Automation of Electric Power Systems, 2020, 44(12): 41-48.

[99] Liang Huijun, Liu Yungang, Li Fengzhong, et al. Dynamic economic/emission dispatch including PEVs for peak shaving and valley filling[J]. IEEE Transactions on Industrial Electronics, 2019, 66(4): 2880-2890.

[100] 史亮, 葛曉琳, 顧聞, 等. 考慮需求響應(yīng)的電動(dòng)汽車充電負(fù)荷研究[J/OL]. 電測(cè)與儀表: 1-6 [2021-08-14]. http://kns.cnki.net/kcms/detail/23.1202.TH.20201019.1708.002.html.

Shi Liang, Ge Xiaolin, Gu Wen, et al. Research on charging loads of electric vehicles considering demand response[J/OL]. Electrical Measurement & Instrumentation:1-6 [2021-08-14]. http://kns.cnki.net/ kcms/detail/23.1202.TH.20201019. 1708.002.html.

[101] Tan Jun, Wang Lingfeng. Integration of plug-in hybrid electric vehicles into residential distribution grid based on two-layer intelligent optimization[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 1774-1784.

[102] 楊曉東, 張有兵, 趙波, 等. 供需兩側(cè)協(xié)同優(yōu)化的電動(dòng)汽車充放電自動(dòng)需求響應(yīng)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2017, 37(1): 120-130.

Yang Xiaodong, Zhang Youbing, Zhao Bo, et al. Automated demand response method for electric vehicles charging and discharging to achieve supply-demand coordinated optimization[J]. Proceedings of the CSEE, 2017, 37(1): 120-130.

[103] 趙德仁, 丁雷, 徐立華, 等. 面向新能源消納的主動(dòng)配電網(wǎng)電動(dòng)汽車充放電功率和網(wǎng)絡(luò)重構(gòu)協(xié)調(diào)優(yōu)化調(diào)度[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2019, 31(8): 94-101.

Zhao Deren, Ding Lei, Xu Lihua, et al. Coordinated optimal dispatching of EV charging/discharging power and network reconfiguration in active distribution network for renewable energy accommodation[J]. Proceedings of the CSU-EPSA, 2019, 31(8): 94-101.

[104] 楊錚, 彭思成, 廖清芬, 等. 面向綜合能源樓宇的電動(dòng)汽車輔助服務(wù)方案[J]. 電網(wǎng)技術(shù), 2017, 41(9): 2831-2843.

Yang Zheng, Peng Sicheng, Liao Qingfen, et al. Ancillary services provided by electric vehicles for building integrated energy system[J]. Power System Technology, 2017, 41(9): 2831-2843.

[105] Mosaddek Hossain Kamal Tushar, Adel W. Zeineddine, Chadi Assi. Demand-side management by regulating charging and discharging of the EV, ESS, and utilizing renewable energy[J]. IEEE Transactions on Industrial Informatics, 2018, 14(1): 117-126.

[106] 楊曉東, 張有兵, 任帥杰, 等. 含高滲透率光伏發(fā)電并網(wǎng)型微網(wǎng)中的電動(dòng)汽車優(yōu)化調(diào)度方法[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(18): 15-23.

Yang Xiaodong, Zhang Youbing, Ren Shuaijie, et al. Optimal scheduling scheme of electric vehicles in grid-connected microgrid with high penetration photovoltaic power[J]. Automation of Electric Power Systems, 2016, 40(18): 15-23.

[107] Chen Xi, Zhang Tianyang, Ye Wenxing, et al. Blockchain-based electric vehicle incentive system for renewable energy consumption[J]. IEEE Transactions on Circuits and Systems II: Express Briefs, 2021, 68(1): 396-400.

Review and Prospect of Key Techniques for Vehicle-Station-Network Integrated Operation in Smart City

Wang Haixin1Yuan Jiahui1Chen Zhe1Ma Yiming1Dong Henan1,2Yuan Shun1,3Yang Junyou1

（1. School of Electrical Engineering Shenyang University of Technology Shenyang 110870 China 2. State Grid Electric Power Co. Ltd Electric Power Research Institute Shenyang 110000 China 3. Northeast China Energy Regulatory Bureau of National Energy Administration Shenyang 110006 China）

With the development of urban green transportation, optimizing and regulating electric vehicle (EV) clusters to participate in the demand response of the distribution network has become a trend, and a vehicle-station-network integrated operation structure of the smart city has been gradually formed. Under this background, this paper systematically reviews the current situation and progress of vehicle-station-network integrated operation, combining with the latest research results in the four fields: spatial and temporal distribution prediction of load demand, “station-network” collaborative deployment and management, “station-vehicle” orderly guidance strategy and “vehicle-network” interactive response. Firstly, the law of charging demand is analyzed, and the advantages and limitations of charging load and traffic load forecasting methods are summarized. Secondly, the research on the network layout of charging facilities and the vehicles to grid (V2G) technique is reviewed from the “station-network” coordination level. Thirdly, the path planning and pricing mechanism issues involved in the orderly guidance of EVs under the transportation-electricity coupling network model are explored. Thereafter, the “vehicle-grid” interactive response technology is discussed from the aspects of the schedulable capability evaluation of EV, reliability and economy of distribution network, and relevant application demonstrations are described. Finally, the existing problems and challenges in the vehicle-station-network integrated operation architecture are summarized, and prospects are made.

Vehicle-station-network integration, electric vehicles, interactive response, transportation-electric coupling network

10.19595/j.cnki.1000-6753.tces.211285

中國(guó)博士后科學(xué)基金項(xiàng)目（2019M651144）、遼寧省教育廳科學(xué)研究經(jīng)費(fèi)項(xiàng)目（LQGD2019005）和遼寧省自然科學(xué)基金博士啟動(dòng)項(xiàng)目（2020-BS-141）資助。

TM73; U469.72

王海鑫 男，1989年生，博士，副教授，研究方向?yàn)榫C合能源系統(tǒng)優(yōu)化運(yùn)行。E-mail：haixinwang@sut.edu.cn

楊俊友 男，1963年生，二級(jí)教授，博士生導(dǎo)師，研究方向?yàn)樾履茉聪{及智能電網(wǎng)優(yōu)化調(diào)度。E-mail：junyouyang@sut.edu.cn（通信作者）

2021-08-15

2021-09-03

（編輯 郭麗軍）