電動汽車與電網(wǎng)互動模型綜述

童國鋒，周澤龍，鄭夢蓮，章 康，呂洪坤,

（1.國網(wǎng)浙江省電力有限公司紹興供電公司，浙江 紹興 312099；2.浙江大學(xué) 能源工程學(xué)院，浙江 杭州 310027；3.國網(wǎng)浙江省電力有限公司電力科學(xué)研究院，浙江 杭州 310014）

截至2022年3月底，全國新能源汽車市場占有率已達 2.90%，新能源汽車的持有量達 891.5萬輛。其中純電動汽車持有量達 724.5萬輛，近年來該數(shù)字持續(xù)上升[1]，預(yù)期2035年成為主流新售汽車[2]。電動汽車具有清潔環(huán)保的巨大優(yōu)勢，是促進國家能源結(jié)構(gòu)優(yōu)化和“碳達峰、碳中和”目標實現(xiàn)的關(guān)鍵支撐技術(shù)之一[3]。

然而大規(guī)模的電動汽車入網(wǎng)，其“即插即充”充電行為，不僅會加大電網(wǎng)峰谷差，也會影響電能質(zhì)量和配電網(wǎng)可靠性[4]。隨著智能化充電樁技術(shù)的日益成熟，電動汽車作為兼具彈性負荷和移動儲能雙重屬性的靈活資源，可通過電動汽車入網(wǎng)（Vehicle to Grid, V2G）的方式實現(xiàn)與電網(wǎng)的互動[5-6]。電動汽車也逐漸由用戶轉(zhuǎn)變?yōu)楫a(chǎn)消者，經(jīng)由聚合商聚合或以虛擬電廠的形式響應(yīng)分時、實時電價或激勵，一方面可平抑電網(wǎng)負荷，助力電網(wǎng)削峰填谷，另一方面也可作為備用電源向電網(wǎng)提供輔助調(diào)頻和應(yīng)急供電服務(wù)，同時為車主帶來額外經(jīng)濟收益[7-8]。

合理的電動汽車充放電調(diào)度，需要圍繞充電站/換電站、電動汽車電池、用戶、聚合商等多種參與方的關(guān)鍵模型和優(yōu)化算法。本文對圖1中所示的國內(nèi)外相關(guān)模型和優(yōu)化算法展開綜述，并進行了總結(jié)和展望，希望能支撐V2G技術(shù)的發(fā)展。

圖1 電動汽車與電網(wǎng)互動系統(tǒng)示意圖

1 充電站/換電站

隨著電動汽車產(chǎn)業(yè)的快速發(fā)展，充電樁作為電動汽車V2G的重要設(shè)施保障，其規(guī)劃布局和技術(shù)手段也顯得越來越為重要[9-10]。

電動汽車充電樁承擔與用戶和電網(wǎng)信息交互的任務(wù)，并執(zhí)行聚合商或虛擬電廠下達的電動汽車充放電調(diào)度指令。李彥博[11]引用通信控制功能來獲得電動汽車充電信息。李洪峰等[12]提出了新型電動汽車充電樁的技術(shù)方案，有效提高了電動汽車充電樁充電服務(wù)能力。高唯峰[13]提出了基于準比例諧振控制和電流加權(quán)法的網(wǎng)側(cè)電流控制方法，提高了系統(tǒng)的響應(yīng)速度。當電動汽車參與電網(wǎng)調(diào)頻時，控制和通信模塊的響應(yīng)速度至關(guān)重要。鮑諺等[14]提出的電動汽車控制策略，不僅實現(xiàn)電動汽車有效參與電網(wǎng)一二次頻率調(diào)節(jié)，還滿足了車輛用戶的用車的個性需求。

充電站和換電站的規(guī)劃選址要充分考慮功率分配、環(huán)境適應(yīng)性、用戶需求和運行成本等因素，對充電站/換電站進行規(guī)劃選址優(yōu)化（如圖2所示）。PEVEC等[15]提出了一種基于業(yè)務(wù)數(shù)據(jù)和物理數(shù)據(jù)的充電站部署模型，通過平衡充電網(wǎng)絡(luò)整體利用率最大化和人口稀少地區(qū)充電樁數(shù)量，規(guī)劃新建充電站的最優(yōu)位置。然而，人口數(shù)量對于充電站的需求而言未必是主要影響因素。因此，GNANN等[16]的研究表明，充電樁的需求很大程度上取決于電動汽車電池的尺寸和電量。充電站/換電站的規(guī)劃選址不僅需要考慮用戶滿意度，還需要考慮電站運營經(jīng)濟性和對電網(wǎng)可靠性的影響。從經(jīng)濟方面來看，SCHROEDER等[17]指出了主要投資風險因素包括電動汽車使用率、當?shù)厥褂寐室约肮埠退饺顺潆娫O(shè)施之間的競爭，在電動汽車使用率低的情況下投資基本沒有利潤。朱黎明[18]對區(qū)域負荷進行預(yù)測，分析得出充電站待選地點，并建立路網(wǎng)模型以及量化電動汽車對電網(wǎng)的影響，從電站經(jīng)濟性和電網(wǎng)可靠性兩方面對充電站進行了選址定容規(guī)劃。WANG等[19]不僅從未來充電站運行成本這一方面考慮經(jīng)濟性，還在模型中加入充電需求以及用戶時間約束。

圖2 充電站/換電站選址規(guī)劃模型

從空間信息這一角度出發(fā)，吳昊等[20]通過建立三個維度（社會、自然、規(guī)劃）的換電站的選址指標體系，并利用多目標灰色局勢決策模型對換電站選址的經(jīng)濟性進行分析從而來獲得最優(yōu)選址點。

此外，充電樁的環(huán)境效應(yīng)也是電動汽車發(fā)展中不容忽視的問題。ZHANG等[21]研究了家用充電、公共交流充電、公共直流充電和公共混合四種充電設(shè)備，比較了四種設(shè)備在制造、使用和壽命結(jié)束階段的能源消耗和溫室氣體排放。

2 電動汽車和用戶

隨著智能充電技術(shù)的發(fā)展，電動汽車的充電行為從“即插即充”模式轉(zhuǎn)為根據(jù)電價信息、未來行程、用戶習慣、電池狀態(tài)等綜合優(yōu)化后的智能充電模式。如何量化大規(guī)模電動汽車的靈活性、如何準確預(yù)測大規(guī)模電動汽車充電需求對于設(shè)計合理的V2G模型至關(guān)重要。

張洪財?shù)萚22]總結(jié)了電動汽車日行駛里程、日停放需求時空分布特性，采用蒙特卡洛模擬方法模擬充電行為，用以預(yù)測電動汽車充電負荷的時空分布特性。該模型只是從行駛里程和停放位置兩方面進行考慮，導(dǎo)致模型不夠全面。許威等[23]充分考慮用戶出行習慣的復(fù)雜性和多樣性，基于馬爾可夫鏈描述電動汽車一天各時段的區(qū)域分布情況，同時在模擬中考慮了交通耗時系數(shù)對電動汽車行駛過程的影響。由于不同的氣候溫度會對電池的充放電速率以及電池的可用容量產(chǎn)生一定的影響，進一步影響用戶的充電需求。對此，陳麗丹[24]在其所開發(fā)的預(yù)測模型中加入了溫度、交通路況等因素對電動汽車耗電量的影響規(guī)律。

以上的這些研究大多是從溫度，路況，行駛目的等方向出發(fā)，并且默認車輛均參與V2G調(diào)度?；谡{(diào)研的需求彈性系數(shù)可反映用戶參與 V2G對電價的敏感度，被廣泛應(yīng)用于預(yù)測用戶參與度。鄧藝璇等[25]提出一種電動汽車充放電容量的組合預(yù)測方法，基于電動汽車歷史充電數(shù)據(jù)和用戶參與電動汽車與V2G意愿的調(diào)查數(shù)據(jù)，建立隨機森林分類模型，判斷車輛是否參與V2G調(diào)度，并對影響用戶決策的特征因素進行重要性評估。

3 聚合商

隨著電動汽車的大規(guī)模入網(wǎng)，其充放電不確定性帶來的區(qū)域負荷波動，對電力系統(tǒng)的運行調(diào)度和控制提出了新的挑戰(zhàn)。聚合商和虛擬電廠的模式可以有效實現(xiàn)靈活資源的聚合，而合理的充放電調(diào)度策略可以引導(dǎo)電動汽車有效參與電網(wǎng)的調(diào)度響應(yīng)。

3.1 V2G應(yīng)用類型

圖3展示了V2G給電網(wǎng)提供的各項服務(wù)下的目標函數(shù)和約束條件。從電網(wǎng)角度來看，可以通過削峰填谷來減小電網(wǎng)的負荷峰谷差從而減小電動車并網(wǎng)對電網(wǎng)的影響。王博[26]的研究中建立了V2G用戶響應(yīng)度與峰谷電價系數(shù)的函數(shù)關(guān)系式。項頂[27]考慮了用戶充放電時刻的 Poisson 分布特性，以京津冀地區(qū)的為例，得到了電動汽車充放電最優(yōu)峰谷電價和對應(yīng)時段，在該情況下的負荷方差大約為優(yōu)化前的四分之一?；谝陨系目紤]因素之外，楊曉東等[28]構(gòu)建的電動汽車充放電優(yōu)化調(diào)度模型以削峰填谷為優(yōu)化目標、并兼顧配電系統(tǒng)負荷信息、用戶電能損失費用及電池損耗成本。案例研究結(jié)果顯示，所提出的模型能降低負荷峰值比例接近30%，并且隨著電動汽車規(guī)模增加降低幅度會繼續(xù)增加。楊帥[29]使用了動態(tài)電價和谷電價兩種價格機制，并且提出依據(jù)需求彈性系數(shù)設(shè)定谷電價時段。

圖3 不同應(yīng)用場景下電動汽車優(yōu)化調(diào)度目標函數(shù)及約束條件[30-33]

電動汽車的充放電除了可以用來實現(xiàn)電力系統(tǒng)的負荷調(diào)節(jié)，還可以參與電網(wǎng)調(diào)頻。V2G的響應(yīng)比傳統(tǒng)出力單元更迅速，因此它具有響應(yīng)速度快且精度高的特點。當電網(wǎng)受到干擾時，電動汽車可向電網(wǎng)提供幅值和頻率調(diào)節(jié)，從而保證電網(wǎng)電壓和頻率的穩(wěn)定。張謙等[34]基于電動汽車充放電靜態(tài)頻率特性，在負荷擾動時，使電動汽車在分布式電源和可控負荷兩個角色間合理轉(zhuǎn)換。算例結(jié)果表明，該方案可以同時提高使系統(tǒng)頻率調(diào)整速度，減小系統(tǒng)頻率偏差且減小傳統(tǒng)調(diào)頻機組的備用容量。周萌對孤島V2G的調(diào)頻進行模擬，得出結(jié)果V2G能將調(diào)頻時間減少14%[35]。然而，這些研究均未考慮用戶需求。而蘇栗等[36]針對電動汽車輔助調(diào)頻問題，提出考慮用戶充電需求的智能充放電控制策略。

3.2 優(yōu)化算法

對于電動汽車與電網(wǎng)的互動，在優(yōu)化算法方面，主要分為啟發(fā)式算法和規(guī)劃式算法。啟發(fā)式算法主要指遺傳算法、粒子群算法等智能算法。這些算法不受限于優(yōu)化目標方程的形式，可解決非線性規(guī)劃模型的優(yōu)化求解問題，例如粒子群算法[37]、遺傳算法等[38]廣泛應(yīng)用。并且它們具有很強的尋找最優(yōu)解的能力，適合多目標問題的求解。例如彭晶等[39]利用改進粒子群算法進行多目標優(yōu)化，實現(xiàn)充電費用最低和系統(tǒng)負荷方差最小。張怡冰等[40]提出了基于模糊控制的 V2G充放電調(diào)度策略來改善區(qū)域電網(wǎng)的負荷特性。麻秀范[41]提出采用改進搜索算法，用以求解時間耦合、非線性、非凸模型的優(yōu)化問題。閆志杰[42]建立了以電網(wǎng)負荷峰谷差率最小和電動汽車用戶參與V2G成本最低為目標的優(yōu)化模型并利用 NSGA-II算法對該模型進行尋優(yōu)求解。

而規(guī)劃式算法通過對混合整數(shù)非線性規(guī)劃問題中的離散和非凸部分進行一定的數(shù)學(xué)變換，從而使得求解難度降低。在V2G模式下的市場機制與經(jīng)濟運營研究中，例如史一煒等[43]提出改進McCormick Envelope方法、Karush-KnhnTuck最優(yōu)條件等方法對充放電電價制定優(yōu)化求解進行數(shù)學(xué)變換處理[44]。宮鑫等利用YALMIP工具箱對約束進行優(yōu)化，然后調(diào)用CPLEX求解器求解[45]。

3.3 聚合商模型

用戶參與電力市場的門檻通常為兆瓦級，而單輛電動汽車并達不到此容量級。聚合商可將需求側(cè)聚合后作為一個整體與電網(wǎng)進行聯(lián)系，并代理參與需求響應(yīng)容量、電能量競價獲得收益，是實現(xiàn)電動汽車需求側(cè)管理的一種有效載體[46]。

潘樟惠等[47]提出了一種考慮需求側(cè)放電競價的充放電調(diào)度策略并進行了算例分析。此外，電動汽車行為預(yù)測精度將大大影響聚合商的投標決策和利潤。HUANG等[48]研究了考慮分時電價影響的多電動汽車聚合器的最優(yōu)調(diào)度策略。

此外，區(qū)域化分層控制在引導(dǎo)電動汽車參與V2G方面也具有重要作用。肖麗等[49]提出了雙層優(yōu)化調(diào)度策略。其中，上層模型以電網(wǎng)總負荷方差最小和代理商調(diào)度計劃偏差最小為目標函數(shù)；下層模型基于用戶參與意愿和調(diào)度能力，并實現(xiàn)用戶收益最大化。GAB等[50]提出了一種新的多級優(yōu)化V2G調(diào)度方法。其指出，價格調(diào)整是聚合商提高用戶參與V2G的積極性，增加電網(wǎng)穩(wěn)健性的有效措施。

4 虛擬電廠

虛擬電廠的提出旨在同時實現(xiàn)能源優(yōu)化配置和靈活的經(jīng)濟調(diào)度。然而在虛擬電廠運行的過程中，可再生能源發(fā)電的波動性，負荷預(yù)測的誤差等都會造成較大的不穩(wěn)定性，從而影響整個電廠的運行規(guī)劃。VASIRANI等[51]通過構(gòu)建分布式電源調(diào)度模型，實現(xiàn)了電動汽車靈活充電并且提高虛擬電廠收益。SHAFIE等[52]提出了基于多代理技術(shù)的電動汽車充電規(guī)劃模型與求解方法，最終提高了用戶參與度和電廠規(guī)劃收益。

由于有眾多因素影響著虛擬電廠中的可再生能源的預(yù)測以及電動汽車充/放電功率的預(yù)測，因此，研究者較難獲得準確的概率分布。而魯棒優(yōu)化算法只需要少量的信息就能進行研究[53]，因此，該算法吸引了很多研究者的注意。盧志剛等[54]為了實現(xiàn)對 V2G智能充放電和風力發(fā)電的打包管理，建立了虛擬電廠的雙層逆魯棒優(yōu)化調(diào)度模型，增強了模型的安全性和節(jié)能性。

目前大部分對于虛擬電廠的研究中，最終目的是使經(jīng)營利潤最大化（如圖4所示），同時減少由于這些偏差造成的能源生產(chǎn)預(yù)測誤差和經(jīng)濟處罰。在這些問題中，目標函數(shù)受到一系列技術(shù)和時間約束，如機組狀態(tài)（連接-斷開）、機組斜坡極限、能量平衡是否符合等[55]。針對這類問題，研究提出了虛擬電廠利潤在其組成的分布式能源之間的分配[56]以及利用不同電力市場之間套利，使虛擬電廠利潤最大化[57]。

圖4 虛擬電廠利潤最大化模型

5 結(jié)論與展望

本文電動汽車 V2G技術(shù)應(yīng)用的關(guān)鍵影響因素進行綜述，從充電樁技術(shù)、充放電調(diào)度優(yōu)化算法、充放電調(diào)度策略等方面詳細介紹了當前國內(nèi)外研究現(xiàn)狀。

充電樁是電動汽車V2G的重要設(shè)施保障，未來將朝向分布式、互聯(lián)互通，模式多樣方向發(fā)展。充電樁技術(shù)的快速發(fā)展進步、合理的規(guī)劃布局以及良好的生態(tài)經(jīng)濟性，是電動汽車快速發(fā)展的重要因素。

聚合商和虛擬電廠的模式可以有效實現(xiàn)靈活資源的聚合，而充放電調(diào)度策略則影響著V2G技術(shù)的高效開展，應(yīng)充分考慮電網(wǎng)負荷、峰谷差、充放電功率、用戶舒適度、經(jīng)濟性、環(huán)境效應(yīng)等因素進行合理的充放電調(diào)度。深度學(xué)習和先進優(yōu)化算法的快速發(fā)展有望進一步促進電動汽車和電網(wǎng)的互動，實現(xiàn)更快更好的響應(yīng)，并為用戶帶來更好的響應(yīng)收益和更高的滿意度。