電動汽車與電網互動模型綜述

童國鋒，周澤龍，鄭夢蓮，章 康，呂洪坤,

（1.國網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 能源工程學院，浙江 杭州 310027；3.國網浙江省電力有限公司電力科學研究院，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，近年來該數字持續上升[1]，預期2035年成為主流新售汽車[2]。電動汽車具有清潔環保的巨大優勢，是促進國家能源結構優化和“碳達峰、碳中和”目標實現的關鍵支撐技術之一[3]。

然而大規模的電動汽車入網，其“即插即充”充電行為，不僅會加大電網峰谷差，也會影響電能質量和配電網可靠性[4]。隨著智能化充電樁技術的日益成熟，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（Vehicle to Grid, V2G）的方式實現與電網的互動[5-6]。電動汽車也逐漸由用戶轉變為產消者，經由聚合商聚合或以虛擬電廠的形式響應分時、實時電價或激勵，一方面可平抑電網負荷，助力電網削峰填谷，另一方面也可作為備用電源向電網提供輔助調頻和應急供電服務，同時為車主帶來額外經濟收益[7-8]。

合理的電動汽車充放電調度，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鍵模型和優化算法。本文對圖1中所示的國內外相關模型和優化算法展開綜述，并進行了總結和展望，希望能支撐V2G技術的發展。

圖1 電動汽車與電網互動系統示意圖

1 充電站/換電站

隨著電動汽車產業的快速發展，充電樁作為電動汽車V2G的重要設施保障，其規劃布局和技術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信息交互的任務，并執行聚合商或虛擬電廠下達的電動汽車充放電調度指令。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方案，有效提高了電動汽車充電樁充電服務能力。高唯峰[13]提出了基于準比例諧振控制和電流加權法的網側電流控制方法，提高了系統的響應速度。當電動汽車參與電網調頻時，控制和通信模塊的響應速度至關重要。鮑諺等[14]提出的電動汽車控制策略，不僅實現電動汽車有效參與電網一二次頻率調節，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劃選址要充分考慮功率分配、環境適應性、用戶需求和運行成本等因素，對充電站/換電站進行規劃選址優化（如圖2所示）。PEVEC等[15]提出了一種基于業務數據和物理數據的充電站部署模型，通過平衡充電網絡整體利用率最大化和人口稀少地區充電樁數量，規劃新建充電站的最優位置。然而，人口數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/換電站的規劃選址不僅需要考慮用戶滿意度，還需要考慮電站運營經濟性和對電網可靠性的影響。從經濟方面來看，SCHROEDER等[17]指出了主要投資風險因素包括電動汽車使用率、當地使用率以及公共和私人充電設施之間的競爭，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]對區域負荷進行預測，分析得出充電站待選地點，并建立路網模型以及量化電動汽車對電網的影響，從電站經濟性和電網可靠性兩方面對充電站進行了選址定容規劃。WANG等[19]不僅從未來充電站運行成本這一方面考慮經濟性，還在模型中加入充電需求以及用戶時間約束。

圖2 充電站/換電站選址規劃模型

從空間信息這一角度出發，吳昊等[20]通過建立三個維度（社會、自然、規劃）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濟性進行分析從而來獲得最優選址點。

此外，充電樁的環境效應也是電動汽車發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備，比較了四種設備在制造、使用和壽命結束階段的能源消耗和溫室氣體排放。

2 電動汽車和用戶

隨著智能充電技術的發展，電動汽車的充電行為從“即插即充”模式轉為根據電價信息、未來行程、用戶習慣、電池狀態等綜合優化后的智能充電模式。如何量化大規模電動汽車的靈活性、如何準確預測大規模電動汽車充電需求對于設計合理的V2G模型至關重要。

張洪財等[22]總結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，導致模型不夠全面。許威等[23]充分考慮用戶出行習慣的復雜性和多樣性，基于馬爾可夫鏈描述電動汽車一天各時段的區域分布情況，同時在模擬中考慮了交通耗時系數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]在其所開發的預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，并且默認車輛均參與V2G調度。基于調研的需求彈性系數可反映用戶參與 V2G對電價的敏感度，被廣泛應用于預測用戶參與度。鄧藝璇等[25]提出一種電動汽車充放電容量的組合預測方法，基于電動汽車歷史充電數據和用戶參與電動汽車與V2G意愿的調查數據，建立隨機森林分類模型，判斷車輛是否參與V2G調度，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模入網，其充放電不確定性帶來的區域負荷波動，對電力系統的運行調度和控制提出了新的挑戰。聚合商和虛擬電廠的模式可以有效實現靈活資源的聚合，而合理的充放電調度策略可以引導電動汽車有效參與電網的調度響應。

3.1 V2G應用類型

圖3展示了V2G給電網提供的各項服務下的目標函數和約束條件。從電網角度來看，可以通過削峰填谷來減小電網的負荷峰谷差從而減小電動車并網對電網的影響。王博[26]的研究中建立了V2G用戶響應度與峰谷電價系數的函數關系式。項頂[27]考慮了用戶充放電時刻的 Poisson 分布特性，以京津冀地區的為例，得到了電動汽車充放電最優峰谷電價和對應時段，在該情況下的負荷方差大約為優化前的四分之一。基于以上的考慮因素之外，楊曉東等[28]構建的電動汽車充放電優化調度模型以削峰填谷為優化目標、并兼顧配電系統負荷信息、用戶電能損失費用及電池損耗成本。案例研究結果顯示，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模增加降低幅度會繼續增加。楊帥[29]使用了動態電價和谷電價兩種價格機制，并且提出依據需求彈性系數設定谷電價時段。

圖3 不同應用場景下電動汽車優化調度目標函數及約束條件[30-33]

電動汽車的充放電除了可以用來實現電力系統的負荷調節，還可以參與電網調頻。V2G的響應比傳統出力單元更迅速，因此它具有響應速度快且精度高的特點。當電網受到干擾時，電動汽車可向電網提供幅值和頻率調節，從而保證電網電壓和頻率的穩定。張謙等[34]基于電動汽車充放電靜態頻率特性，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換。算例結果表明，該方案可以同時提高使系統頻率調整速度，減小系統頻率偏差且減小傳統調頻機組的備用容量。周萌對孤島V2G的調頻進行模擬，得出結果V2G能將調頻時間減少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 優化算法

對于電動汽車與電網的互動，在優化算法方面，主要分為啟發式算法和規劃式算法。啟發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化目標方程的形式，可解決非線性規劃模型的優化求解問題，例如粒子群算法[37]、遺傳算法等[38]廣泛應用。并且它們具有很強的尋找最優解的能力，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化，實現充電費用最低和系統負荷方差最小。張怡冰等[40]提出了基于模糊控制的 V2G充放電調度策略來改善區域電網的負荷特性。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、非凸模型的優化問題。閆志杰[42]建立了以電網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化模型并利用 NSGA-II算法對該模型進行尋優求解。

而規劃式算法通過對混合整數非線性規劃問題中的離散和非凸部分進行一定的數學變換，從而使得求解難度降低。在V2G模式下的市場機制與經濟運營研究中，例如史一煒等[43]提出改進McCormick Envelope方法、Karush-KnhnTuck最優條件等方法對充放電電價制定優化求解進行數學變換處理[44]。宮鑫等利用YALMIP工具箱對約束進行優化，然后調用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。聚合商可將需求側聚合后作為一個整體與電網進行聯系，并代理參與需求響應容量、電能量競價獲得收益，是實現電動汽車需求側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放電競價的充放電調度策略并進行了算例分析。此外，電動汽車行為預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調度策略。

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

4 虛擬電廠

虛擬電廠的提出旨在同時實現能源優化配置和靈活的經濟調度。然而在虛擬電廠運行的過程中，可再生能源發電的波動性，負荷預測的誤差等都會造成較大的不穩定性，從而影響整個電廠的運行規劃。VASIRANI等[51]通過構建分布式電源調度模型，實現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的電動汽車充電規劃模型與求解方法，最終提高了用戶參與度和電廠規劃收益。

由于有眾多因素影響著虛擬電廠中的可再生能源的預測以及電動汽車充/放電功率的預測，因此，研究者較難獲得準確的概率分布。而魯棒優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]為了實現對 V2G智能充放電和風力發電的打包管理，建立了虛擬電廠的雙層逆魯棒優化調度模型，增強了模型的安全性和節能性。

目前大部分對于虛擬電廠的研究中，最終目的是使經營利潤最大化（如圖4所示），同時減少由于這些偏差造成的能源生產預測誤差和經濟處罰。在這些問題中，目標函數受到一系列技術和時間約束，如機組狀態（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 結論與展望

本文電動汽車 V2G技術應用的關鍵影響因素進行綜述，從充電樁技術、充放電調度優化算法、充放電調度策略等方面詳細介紹了當前國內外研究現狀。

充電樁是電動汽車V2G的重要設施保障，未來將朝向分布式、互聯互通，模式多樣方向發展。充電樁技術的快速發展進步、合理的規劃布局以及良好的生態經濟性，是電動汽車快速發展的重要因素。

聚合商和虛擬電廠的模式可以有效實現靈活資源的聚合，而充放電調度策略則影響著V2G技術的高效開展，應充分考慮電網負荷、峰谷差、充放電功率、用戶舒適度、經濟性、環境效應等因素進行合理的充放電調度。深度學習和先進優化算法的快速發展有望進一步促進電動汽車和電網的互動，實現更快更好的響應，并為用戶帶來更好的響應收益和更高的滿意度。