智慧城市车站

王海鑫1袁佳慧1陈哲1马一鸣1董鹤楠1,2苑舜1,3杨俊友1

(1.沈阳工业大学电气工程学院沈阳1108702.国网辽宁省电力有限公司电力科学研究院沈阳1100003.国家能源局东北监管局沈阳110006)

关键词:车-站-网一体化电动汽车互动响应交通-电力耦合网络

面对日益严重的环境问题,发展清洁能源、保障能源安全、实现“碳达峰”、“碳中和”,已成为我国能源战略的核心目标之一。其中电动汽车(ElectricVehicles,EV)作为移动储能单元,将电网与交通深度耦合,促进智慧城市绿色化交通。大规模EV接入,给配电网的稳定性和经济性带来了一定的机遇与挑战[1]。

车-站-网一体化运行体系中,EV是未来智慧城市交通-电力-信息耦合网络的关键耦合元素,准确预测EV充电负荷是分析EV对配电网影响的基础,亦是开展EV与配电网互动的必要前提[5-7]。充电站作为车-站-网一体化运行体系能量枢纽单元,根据EV负荷时空分布预测结果进行布局优化,实现“站-网”层面优化布局;考虑配电网需求进行有序充电引导,实现“站-车”层面协同管理;接收电网调度信号并下发给EV,反馈EV充电信息至配电网,利用V2G技术实现“车网”层面互动响应。车-站-网一体化运行交互特性如图1所示。

图1车-站-网一体化运行交互特性

Fig.1Theinteractivecharacteristicsofvehicle-station-networkintegratedoperation

EV负荷需求时空分布预测是充电站布局优化、EV移动储能调度、充电价格优化的研究基础[8-9]。针对EV负荷需求预测问题,本文考虑EV充电负荷时空分布随机性和不确定性,从需求规律解析、充电负荷预测、交通负荷预测三个方面综述国内外EV充电预测研究现状,研究框架如图2所示。

针对EV充电实时需求高度不确定的特征,如何分析交通流及用户充电特征,解析用户充电需求规律,进行充电需求时空分布静态均值分析以及实时需求动态预测成为一个关键技术问题。

1.1.1计及EV类别的影响因素分析

图2EV充电负荷时空预测研究框架

Fig.2Researchframeworkofspace-timepredictionofEVchargingload

表1EV充电影响因素比较

Tab.1ComparisonoffactorsaffectingEVcharging

类型文献主观因素客观因素用户行为特性用户心理用户响应行为充电模式交通情况电池特性充电电价车辆数量天气温度驾驶习惯、出行路径、充电时刻电价激励、选站偏好、满意度响应度、不确定性快充、常规充和慢充交通拥堵程度、到站用时、选站情况电池容量、电池性能价格响应弹性、激励整体负荷容量、渗透率电池活性范围私家车[17]√-√√√--√-[18]√-√--√√--[19]√-√----√-[20]√√---√√√-[21]√---√--√√[22]√---√√---[23]√√√-√--√√出租车[4]√√--√-√--[10]√√-√-√---[17]√-√√√--√-公交车[10]√--√-√---[17]--√√√--√-[75]√---√---√

1.1.2出行规律及用户心理分析

针对用户充电需求规律解析的研究主要包括用户出行需求及用户心理分析两方面。由于公交车出行轨迹固定且受用户心理影响较小,本文仅阐述私家车、出租车的出行规律及用户心理分析。

针对用户心理不确定性的分析,主要考虑用户后悔心理、博弈心理及有限理性。用户后悔心理指用户针对某一未选择出行方案可能的较好效果引起的后悔,因此,EV用户在诸多方案中选择后悔值最小的方案更加符合实际出行情况[4]。博弈心理指用户在电价优惠、响应奖励等激励措施下与其他用户及充电站之间的消费心理博弈,间接影响用户充放电行为[14]。用户有限理性指:EV用户选择实际方案会受到从众思想、选择偏好、里程焦虑等影响,相比能够做出最佳选择的“完全理性”,用户有限理性选择会出现一定偏差[15]。

有效解析用户充电行为规律能为充电需求时空分布的静态均值分析以及实时需求动态预测提供技术支持。未来充电行为规律解析的研究有待结合多运营平台监测数据,考虑用户心理制定EV充电特性画像提取特征体系,提出多运营平台EV充电需求规律解析方法。

1.2.1基于模型驱动的充电需求预测方法

模型驱动方法主要基于数学建模思想推演多种因素影响下的EV用电行为[16]。当前研究多数从单体模型与集群模型两个角度探讨。受不同因素影响单体EV时空分布,具有较强的随机性及不确定性,预测时多采用马尔可夫模型、云模型、出行链等方法。基于单体EV负荷时空特性,采取统计或聚类方法对集群EV充电负荷时空分布特性进行预测。

对单体EV的模型驱动研究中,文献[17]考虑EV用户行驶、停放习惯等行为特征,结合行驶里程、行驶路径等时空分布特性建立EV充电需求时空分布预测模型。在此基础上,文献[18]提出新型Sigmoid云模型量化EV响应行为不确定性,刻画复杂因素影响下EV用户收益度与响应行为之间的不确定映射关系。文献[19]提出一种基于双层模型预测控制的微电网能量管理方法,克服集群EV充放电的不确定性,并减小微电网与外部电网的电能交互。上述两种方法通过优化处理用户响应行为的不确定性,增强预测数据的客观性。但文献[19]在研究过程中只考虑EV用户收益最大化,未考虑电网收益。基于此,文献[20]综合考虑配电网、充电站与EV用户三方利益,对EV充电需求时空分布模型进行优化。

虽然上述模型考虑了用户行为特性、响应不确定性等影响因素,能在一定程度上描述充电负荷时空尺度分布特点,但忽视用户行驶过程中易受到交通因素影响的移动随机性[15]。为此,文献[21]研究道路拥堵等交通路网信息对EV行驶规律影响,分析交通网和配电网耦合特性,建立符合城市路网特征的充电时空分布预测模型。文献[22-23]在研究中引入出行链,刻画车辆出行规律,建立交通网与出行链双重约束下EV充电需求时空分布预测模型。

相对单体EV时空分布特性,集群EV充电负荷时空分布具有一定的稳定性,为考虑配电网潮流的充电站布局规划及有序充电引导提供支撑。集群EV预测一般基于单体EV预测结果,采用聚类、蒙特卡洛模拟、拉丁超立方抽样等方法,模拟得到集群EV充电负荷时空分布。

基于物理模型的预测方法具有较强的通用性和推广性,但建模中难以全面考虑复杂因素,导致数据管理困难、灵活性差等问题。如何在建模过程中计及多种因素、合理处理数据、提高模型灵活性将成为基于物理模型预测方法亟待解决的重要问题。

1.2.2基于数据驱动的充电需求预测方法

与基于物理模型的预测方法相比,依据实际数据及各自特征化数据驱动的预测架构更贴近实际充电负荷运行情况,但是基于数据驱动的充电需求预测方法存在难以处理缺陷数据、数据资源利用率低等不足,如何合理处理数据、构建高资源利用率的数据驱动架构仍是今后研究重点与难点。

1.2.3基于信息物理融合的充电需求预测方法

综上所述,基于信息物理融合的充电需求预测方法能够结合物理模型与数据驱动二者的优点,提高预测精度,相较二者获得的预测模型更具稳定性。但是,此方法存在与数据驱动方法同样的架构问题,同时,如何融合更多实际因素、降低计算维数也是未来重要的研究课题。

交通-电力耦合网络中,交通流量、拥堵情况、道路负荷等交通流信息反映了交通网运行情况,预测交通负荷能够为交通-电力耦合网络架构下充电站布局优化提供交通流层面的先验指导[31]。

当前交通负荷预测主要采用静态交通和动态交通两种方式分析城市道路平面交叉口复杂程度来预测交通流负荷。静态交通流考虑用户均衡及系统最优两大原则进行负荷预测,模型建立较简单且容易操作,能够较客观地评价交叉口运行状态[32]。但静态交通流考虑交叉口的交通组成较简单,当交叉口交通流量增大,车流交叉、合流、分流等现象出现,造成交叉口复杂程度增加,静态交通流预测方式将无法准确评价交叉口运行状态[33]。动态交通流预测方法从交通冲突、交通量和交叉口几何形状三方面考虑交叉口复杂度对交通运行状态的影响,弥补静态模型难以应对交叉口交通流量增大的不足,能够更加准确地评价城市道路平面交叉口的运行状态[34]。

EV电力需求增大将导致配电网负荷增加,影响配电网可靠经济运行。因此,考虑充电站优化布局,对提高EV充电负荷引导效率、确保配电网稳定运行至关重要。此外,通过充电站/桩V2G技术实现EV与配电网之间的能量双向互动,是智慧城市“站-网”协同管理层面的重要组成部分。

2020年,国家发改委将充电站建设纳入“新基建”范围,明确“换电为主、插充为辅、集中充电、统一配送”的充电设施布局方针,通过“交通网-信息网-配电网”三网融合实现对EV用户跨区域、全覆盖的智能充换电服务。充电站布局规划管理已成为目前研究的重点之一,现有文献主要从交通网、配电网、交通网-配电网耦合三个层面进行研究。

在交通网层面的规划布局,主要可分为基于节点需求的规划、基于用户行驶路径的规划、基于交通流量的规划三类方法。基于节点需求的规划方法采用规划区域上某些节点表示EV充电需求,EV前往最近充电站进行充电服务[31]。但此方法只考虑EV与充电站之间的直线距离,忽略了交通网络的拥堵情况。基于用户行驶路径的规划方法采用用户路径行驶实际数据,所得结果更符合实际充电需求情况,但数据获取、整合较为困难,部分EV渗透率较低的地区可能无法获得满足规划需求的数据量[35]。基于交通流量的规划方法使用起讫点流量进行充电需求估计,假设用户可在行驶路线上的任何站点补充电能而不考虑距离,与前两种规划方法相比,基于交通流量的算法具有更加优越的便利性和更大覆盖范围[36]。从交通网层面进行规划布局忽略了配电网约束,布局结果可能需要根据实际电力潮流进行调整。

在配电网层面的规划布局,需要满足电力系统安全经济运行约束,考虑充电站与新能源发电的协调规划,同时最大限度地降低充电站的投资成本。基于此,文献[37]研究设计动态充电网络,对充电站覆盖区域进行建模,评估EV动态充电需求。文献[38]考虑EV负荷及新能源发电不确定性,建立故障运行成本模型,构建了分布式电源和充电站的双层协调规划模型。然而,上述文献忽略了交通网络限制,需根据实际交通运行情况进行调整。

在交通网-配电网耦合层面的规划布局研究,文献[39]考虑交通网及配电网不同运行状态,分析区域内充电需求变化,确定充电站最优布局位置和规模。文献[40]提出“交通网-配电网”综合规划模型,分别刻画交通流稳态分布及配电网稳定运行条件,通过充电站选址模型来表征二者与EV相互依赖的关系并寻求全局最优解。

基于上述三种层面的充电站布局优化方法对比见表2。

表2充电站布局方法对比

Tab.2Comparisonofchargingstationlayoutmethods

方法优点缺点交通层面布局基于节点需求的规划数据要求简单未考虑交通网络拥堵情况基于用户行驶路径的规划结果符合实际需求数据的获取和整合较为困难基于交通流量的规划覆盖面广、便利波动性较大,要求精度高电网层面布局基于提高配电网可靠性的规划提供稳定的充电服务未考虑实时交通运行情况基于提高配电网经济性的规划降低配电网运行成本未考虑实时交通运行情况交通-电力耦合网络布局分层建模两网间约束简易两网耦合度低综合规划建模灵活,可靠性高两网间耦合复杂度高

综上所述,基于交通网-配电网耦合架构下的充电站布局能够全面考虑交通网及配电网的运行情况,具有更强的现实意义。但当前交通网-电力网耦合架构的研究仍局限于两者单独建模,交通流与电能流之间的交互耦合问题有待进一步探讨[31]。

基于充电桩的V2G技术使EV具有源、荷双重属性,能够调整其充放电行为,减少对电网影响并提供功率支撑,与配电网形成“双向通信、双向电力流动”的运行模式,为智慧城市“车-站-网”一体化运行提供技术支撑,已经成为当下研究热点。

作为车-网互动响应的能量接口,V2G技术融合了电力电子、通信、调度及计量等技术,通过功率变换器实现车-网电能交互。V2G双向功率变换器按功率变换等级可分为单级式和两级式。单级式双向变换器仅通过一个AC-DC模块实现电路变换,使用元器件较少,具有较高的效率及可靠性。但其输出电压等级较低,多应用于小功率系统[41]。两级式双向变换器在单级式的基础上增加DC-DC模块进行升降压控制,具有更好的功率控制效果[42]。

综上所述,V2G技术是支撑智慧城市绿色化交通与智能电网的关键技术之一。V2G技术还未得到较广泛的应用,一方面,V2G技术及其支撑配电网应用的理论体系仍需进一步完善;另一方面,电动汽车V2G模式下频繁充放电对电池寿命有一定的影响,从而导致V2G失去实际应用的价值与可能性。因此,在实际应用方面,还需投入更多研究与示范。

图3充电站的EV有序调控引导研究框架

Fig.3ResearchframeworkofEVorderlyregulationinchargingstation

EV既是交通网的重要组成部分,也是配电网的用电终端[17]。EV出行路径、驾驶需求等会影响交通侧道路的顺畅程度,交通信息影响EV充电路径选择;EV接入电网时电池容量及选择充电模式等影响配电网稳定经济运行,而电网通过电价引导等方式改变EV充电计划及充电方式[49]。随着EV保有量增加,EV充电站对电力和交通网络的耦合作用越来越强,因此引导EV有序参与充电时,有必要建立交通-电力耦合网络模型。交通-电力耦合网络模型交互影响示意图如图4所示。

图4交通-电力耦合网络模型交互影响示意图

Fig.4Diagramofinteractioneffectsoftransportation-electriccouplingnetworkmodel

以上文献利用交通-电力耦合网络降低了因实际电网拓扑连接方式而造成的分析的难度。但电力、交通、信息等多种复杂网络系统融合越发紧密,考虑交通流与电网潮流间的交互在未来有待进一步探讨。另外,基于电力-交通-信息多源信息分析EV行为影响并提升交通-电力耦合网络建模的精确性和实时性将是下一步交通-电力耦合网络研究的重点。

EV用户行为习惯及城市规划布局导致充电高峰时段负荷集中于少数充电站,对电网运行及EV用户充电满意度造成较大影响,因此需要合理规划EV充电路径,引导EV充电行为,建立车-站-网协同模式下的充电路径引导机制。

为激励用户参与配电网需求响应,充电站通过合理定制充电电价引导EV有序充电,参与电网互动响应。关于定价机制的研究,主要可概括为:考虑定价主体利益诉求、用户响应特性刻画、构建定价模型三个方面。

1)考虑定价主体的EV定价机制可分为电网利益优先、充电站利益优先、用户利益优先。电网利益优先的电价策略,考虑提高系统运行安全性,通过电价调控车辆入网行为,平滑电网负荷曲线[58]。充电站收益优先的定价策略,根据站内充电站利用率调节电价吸引车辆充电,达到运营效益最大化[59-60]。用户利益优先的定价策略,考虑EV用户对电价波动的敏感度,降低充电成本,实现用户利益最大化[29,55]。随着电力市场逐步完善,EV用户、运营商及电网间耦合关系越发紧密。因此,未来定价机制需综合分析三者耦合特性及相互作用机理。

2)用户响应特性的刻画方法可分为基于优化算法及经济学原理两种方法。

式中,与为k响应方式下的价格关系系数;、分别为k响应方式下EV有功出力的上、下限。

根据经济学原理,电价补贴越高,用户响应越积极,可提供响应量越多。当充电电价低于EV用户预期电价时,用户根据电价刺激程度产生不同程度响应[62]。可引入价格敏感度概念反映EV对电价的响应特性,即

式中,S为EV在充电站内平均充电量;Cmax为单体EV最大可充电电量;为站内EV平均荷电状态,且;p为充电电价;β为EV用户对价格的敏感度。需要说明的是,EV用户对价格的敏感度尚未进行实证测量,考虑用户不同的消费水平,EV用户对电价刺激的响应程度不同,进行电价设计时,可考虑用户消费过程中的完全理性或有限理性特征,划分不同价格敏感度区域或按照比例设置车辆集群价格敏感度[63]。

表3定价机制建模方法对比

Tab.3ComparisonofPricingMechanismModelingMethods

制定合理定价机制是激励EV参与有序充放电的有效措施,当前国内外对于定价机制的研究已具有一定深度。考虑EV用户选站偏好对调度结果的影响及电力市场环境下V2G参与市场定价将是下一步的研究方向。

从车-网交互层面,EV参与电力辅助服务市场,实现与电网双向互动。考虑配电网供电可靠性及经济优化运行,需探讨“交通-电力-信息”耦合网络架构下车-网交互问题,研究大规模EV接入电网的互动响应技术。本文将现有的响应技术研究内容归纳为四部分:可调度能力评估与响应、考虑配电网可靠性的调度、考虑配电网经济性的调度、示范工程及应用。车-网互动响应技术框架如图5所示。

图5车-网互动响应技术框架

Fig.5Vehicle-networkinteractiveresponsetechnologyframework

4.1.1充电站可调度能力评估

4.1.2换电站可调度能力评估

换电站采用车电分离的运行方式,车辆在站内快速更换动力电池,被更换电池在站内完成充电。因其便捷快速、利于配电网优化运行的优点,换电模式成为EV重要电能供给模式之一。换电站可调度能力评估主要考虑换电需求及备用电池容量两方面。换电需求方面,文献[73]假设EV电量即将耗尽时会前往换电站更换电池,但未考虑用户里程焦虑、出行需求等实际因素。因此,文献[74]根据EV日行驶距离耗电量及出行规律,假设EV日换电需求满足正态分布。文献[75]基于电动出租车历史换电数据预测实时换电需求,相比前两种充电需求设定方法更符合实际。备用电池容量方面,文献[74]考虑备用电池在单日内循环利用及不同场景运行规律,以电池存在性和周期性为约束条件,得到多场景下换电站所需最小备用电池容量。文献[70]建立备用电池组需求匹配模型,实时滚动修正备用电池组充电策略,得出实时最优备用电池容量,相较于文献[74]对换电站实际运行工况适用性更强。

4.1.3EV可调度能力优化

EV可调度能力是其参与互动响应的基础,但以上文献针对可调度能力评估与优化的研究,往往是将车辆集群响应假设为具有时变特性的全部或固定比例响应,忽略了EV负荷移动性,未来研究中有待提出一种针对不同环境下考虑用户时空响应程度及激励机制的评估方案。另外,还需考虑充/换电站与电力系统共享储能,建立“交通网-信息网-配电网”三网融合下更稳定的储能模式。

可再生能源及EV渗透率的提高,使城市配电网结构由传统单电源网络发展为多电源网络,导致电压质量、频率及潮流面临严峻挑战[79]。计及EV联合可再生能源、储能设备能够为配电网提供电力支持,在现有配电网保护与控制研究基础上分析EV参与互动响应对其可靠运行的作用,建立新型智慧城市电网保护与控制策略具有重要现实意义。

4.2.1电压调节

针对规模化EV关于电压质量问题的研究主要集中在电压下降、谐波污染等方面。研究过程需分析电压故障概率分布情况[79]及配电网可靠性指标[80-81],并协调EV与储能设备、可再生能源等柔性负荷调整系统运行模式,缓解过载[82-84]。

电压故障方面,文献[79]提出含分布式电源和EV的城市电网半不变量故障分析方法,求得电压故障概率分布。配电网可靠性指标方面,文献[80]考虑EV不确定性,采用两状态马尔可夫链建立发电机组运行/故障过程模型,量化配电网可靠性指标。文献[81]利用配电系统拓扑信息和配电系统元件可靠性参数评估配电系统各项可靠性指标。缓解过载研究中,集群EV调控策略按结构可分为集中式和分层式。文献[82]提出协调主动需求与EV的多智能体系统,通过将负荷需求调控至空闲时段保证电压质量。采用集中式策略经济成本较低,但需进行大量数据交换。分层式策略仅需测量局部电压,并实施局部调节,从而提高整体电压质量。文献[83]采用基于下垂控制器的局部智能充电算法,分析EV缓解线路电压跌落及不平衡的能力。文献[84]采用分层决策方法建立EV充电控制系统,在改善电压质量的同时提高EV充电经济性。

利用EV充放电缓解配电网电压质量问题,为智慧城市电网可靠性提升提供重要支持。目前,城市电网逐渐向交互式分散电网过渡,未来研究有待结合电力电子、通信、调度、需求侧管理等技术优化“车-网”互动响应运行方式。

4.2.2配电网频率调节

EV大范围入网后,其储能特性为电力系统一、二次调频控制提供更多可行性。利用EV储能弥补新能源电力系统调频资源的不足,已成为当下研究热点。

集群EV储能特性能够为配电网频率稳定性提供有力支撑,提高配电网运行弹性与灵活性。但系统调频时滞较大时容易导致离散化维数增大,进而造成维数灾难问题,如何对系统进行降维,提高计算效率,已成为调频控制策略研究亟待解决的问题。

4.2.3配电网潮流优化

表4配电网潮流优化研究文献比较

Tab.4Literaturecomparisononpowerflowoptimizationofdistributionnetwork

文献优化目标模型/算法考虑负荷/层面[91]计算配电网模糊概率潮流模糊化Nataf变换的三点估计法风光出力、EV负荷、常规负荷[92]计算三相不平衡概率潮流基于高斯积分的概率潮流点估计法风光出力、EV负荷、常规负荷[93]最优潮流快速计算基于乘数交替方向法的分布式算法EV负荷

(续)

文献优化目标模型/算法考虑负荷/层面[94]获得最佳充电/驱动决策序列充电-导航组合模型交通网、配电网[95]描述配电网、交通网互相作用达到的动态均衡状态基于二阶锥松弛的交流最优潮流模型时-空耦合的电力-交通网络[96]多周期的最佳交通和电力流量计算半动态流量分配模型电力-交通耦合网络

风光出力、EV充放电不确定性为配电网经济调度带来挑战,因此,需充分挖掘EV需求响应技术,为配电网经济优化调度提供有效调节手段[97]。

4.3.1削峰填谷

利用经济激励、政策倾斜等手段,对大规模EV充放电行为进行调控,控制EV在负荷低谷时段充电、高峰时段放电,能够实现负荷曲线的削峰填谷,提高配电网供电稳定性[53]。

下面从EV集群负荷特性、优化控制等方面进行其参与电网调峰的研究。

2)优化控制:文献[100]建立考虑EV随机特性的充电负荷模型,提出一种分时电价策略引导EV参与需求响应,利用多目标优化算法快速地引导集群EV响应配电系统,有效减小负荷峰谷差。文献[101]提出基于两层进化策略粒子群优化算法的EV调峰策略。文献[102]考虑用户心理及条件风险价值,提出供需两侧协同优化的EV充放电自动需求响应方法,有效平抑供电侧负荷波动及削减负荷峰值。

以上策略均能调度EV参与调峰响应,但当前集群EV负荷特性的研究缺少考虑集群内部复杂耦合特性,未来研究中可结合多元化数据分析集群EV内部耦合特性,使调峰结果更符合实际情况。

4.3.2促进新能源消纳

新能源发电渗透率不断提高,如何适应新能源出力不确定性提升新能源消纳,实现电网优化运行,成为当下研究的热点。合理地利用EV可调度属性,通过调度EV充放电行为可与新能源实现互补协调。

目前关于EV参与新能源消纳研究,主要可分为计及碳排放的新能源-EV协调与计及消纳新能源出力不确定性调度研究。

1)计及碳排放的新能源-EV协调研究:文献[103]提出以消纳新能源为目标的主动配电网两阶段协调优化调度策略,减少系统碳排放量;文献[104]基于EV可控负荷和移动储能特性,提出面向综合能源楼宇EV辅助服务方案。

综上所述,以上文献均能通过合理调控EV促进可再生能源消纳。但鲜有文献综合考虑系统需求与用户响应度情况,实现供需两侧协同优化。同时,合理设置EV补偿价格或其他激励措施将是未来EV消纳新能源出力的研究重点。

针对车-网互动响应,国内外开展了示范工程应用研究,实现EV数据共享、监控车辆运行状态、电网削峰填谷和新能源消纳等。已开展的部分EV管控示范平台如下。

国际方面:2015年,英国“智能运输、加热和控制代理”项目通过交通、频率响应、能量存储和区域供热解决方案之间的合作,建立V2G概念,最大程度地提高热电联合产能;2016年,丹麦Parker工程验证了EV消纳新能源的可行性,并重点示范其调频服务;2018年,日本中部电力公司与丰田通商合作V2G项目,通过EV助力实现低碳社会和稳定电力供应。

国内方面:2019年,“中国新能源汽车和可再生能源综合应用商业化推广——上海示范项目”投运,成为我国电网首次对充电站和EV制造商开放的需求响应试点;2020年,广州建立车-网互动示范项目,建立EV与虚拟电厂互动模式,为电网提供辅助服务;2021年,“中国新能源汽车与可再生能源综合应用商业化推广示范项目”(GEF6)V2G商业运营示范项目——保定长城工业园区车网互动示范试点项目正式投运,分析V2G放电价格对车主放电意愿影响,开展动力电池参与V2G循环寿命等合作课题研究,为争取放电政策的出台提供支撑。

当前,国内外EV调度管理平台建设仍处于发展初期,亟需建立相应的公共统一数据库,并在数据分析的基础上开发动态充电价格优化、车-网互动响应等关键技术。

EV用户行为画像是指用户在驾驶中留下的行为数据被大数据及互联网收集之后加工成一系列的标签,其本质是简化的标签数据。目前大部分文献主要是对EV群体驾驶、停放特性的研究,并未深入探究EV用户个体驾驶习惯、路径选择习惯、临时更改路径比率等特性。大数据与云计算等技术进一步发展,有必要深入探究用户行为画像在EV充电预测中的应用。

5G通信、大数据、区块链等技术不断发展,在车-网互动响应中引入边缘计算思想,能够突破边缘节点数据存储、计算的能力瓶颈,解决云计算模式占有大量计算资源,无法满足电力物联网高效协同要求的难题,实现智能化分析管控、边缘设备实时控制、调度任务智能管理、数据统计查询、各方利益协调等功能,提高配电网供电可靠性。将传统集中式云端架构转型为边缘导向式云边协同优化架构技术将迎来更多的理论研究和工程应用。边缘导向式云边协同优化架构示意图如图6所示。

图6边缘导向式云边协同优化架构

Fig.6Edge-orientedcloudedgecollaborativeoptimizationarchitecture

参考文献

[1]孔顺飞,胡志坚,谢仕炜,等.含电动汽车充电站的主动配电网二阶段鲁棒规划模型及其求解方法[J].电工技术学报,2020,35(5):1093-1105.

KongShunfei,HuZhijian,XieShiwei,etal.Two-stagerobustplanningmodelanditssolutionalgorithmofactivedistributionnetworkcontainingelectricvehiclechargingstations[J].TransactionsofChinaElectrotechnicalSociety,2020,35(5):1093-1105.

[2]王锡凡,邵成成,王秀丽,等.电动汽车充电负荷与调度控制策略综述[J].中国电机工程学报,2013,33(1):1-10.

WangXifan,ShaoChengcheng,WangXiuli,etal.Surveyofelectricvehiclechargingloadanddispatchcontrolstrategies[J].ProceedingsoftheCSEE,2013,33(1):1-10.

[3]吕金炳,宋辉,刘云,等.电动汽车充电对配电网电压质量的影响研究[J].电测与仪表,2018,55(22):33-40.

LüJinbing,SongHui,LiuYun,etal.Studyontheimpactofelectricvehiclechargingonvoltagequalityofdistributionnetwork[J].ElectricalMeasurement&Instrumentation,2018,55(22):33-40.

[4]陈丽丹,聂涌泉,钟庆.基于出行链的电动汽车充电负荷预测模型[J].电工技术学报,2015,30(4):216-225.

ChenLidan,NieYongquan,ZhongQing.Amodelforelectricvehiclechargingloadforecastingbasedontripchains[J].TransactionsofChinaElectrotechnicalSociety,2015,30(4):216-225.

[5]龙雪梅,杨军,吴赋章,等.考虑路网-电网交互和用户心理的电动汽车充电负荷预测[J].电力系统自动化,2020,44(14):86-93.

LongXuemei,YangJun,WuFuzhang,etal.Predictionofelectricvehiclechargingloadconsideringinteractionbetweenroadnetworkandpowergridanduser'spsychology[J].AutomationofElectricPowerSystems,2020,44(14):86-93.

[6]ShuaiWenjing,MailléPatrick,AlexanderPelov.Chargingelectricvehiclesinthesmartcity:asurveyofeconomy-drivenapproaches[J].IEEETransactionsonIntelligentTransportationSystems,2016,17(8):2089-2106.

[7]许刚,张丙旭,张广超.电动汽车集群并网的分布式鲁棒优化调度模型[J].电工技术学报,2021,36(3):565-578.

XuGang,ZhangBingxu,ZhangGuangchao.Distributedandrobustoptimalschedulingmodelforlarge-scaleelectricvehiclesconnectedtogrid[J].TransactionsofChinaElectrotechnicalSociety,2021,36(3):565-578.

[8]刘顺桂,胡寰宇,艾欣,等.集群电动汽车参与电网调峰技术综述[J].华北电力大学学报(自然科学版),2019,46(2):34-44.

LiuShungui,HuHuanyu,AiXin,etal.Reviewofelectricvehicleclustersparticipatinginnetworkpeak-loadlevelingtechnique[J].JournalofNorthChinaElectricPowerUniversity(NaturalScienceEdition),2019,46(2):34-44.

[9]LiXuecheng,XiangYue,LuLin,etal.Priceincentive-basedchargingnavigationstrategyforelectricvehicles[J].IEEETransactionsonIndustryApplications,2020,56(5):5762-5774.

[10]王浩林,张勇军,毛海鹏.基于时刻充电概率的电动汽车充电负荷预测方法[J].电力自动化设备,2019,39(3):207-213.

WangHaolin,ZhangYongjun,MaoHaipeng.ChargingloadforecastingmethodbasedoninstantaneouschargingprobabilityforElectricvehicle[J].ElectricPowerAutomationEquipment,2019,39(3):207-213.

[12]赵书强,周靖仁,李志伟,等.基于出行链理论的电动汽车充电需求分析方法[J].电力自动化设备,2017,37(8):105-112.

ZhaoShuqiang,ZhouJingren,LiZhiwei,etal.EVchargingdemandanalysisbasedontripchaintheory[J].ElectricPowerAutomationEquipment,2017,37(8):105-112.

[13]FlorianMorlock,BernhardRolle,MichelBauer,etal.Forecastsofelectricvehicleenergyconsumptionbasedoncharacteristicspeedprofilesandreal-timetrafficdata[J].IEEETransactionsonVehicularTechnology,2020,69(2):1404-1418.

[14]刘晓峰,高丙团,李扬.博弈论在电力需求侧的应用研究综述[J].电网技术,2018,42(8):2704-2711.

LiuXiaofeng,GaoBingtuan,LiYang.Reviewonapplicationofgametheoryinpowerdemandside[J].PowerSystemTechnology,2018,42(8):2704-2711.

[15]肖白,崔涵淇,姜卓,等.基于有限理性用户选择行为的定制化电价套餐设计[J].电网技术,2021,45(3):1050-1058.

XiaoBai,CuiHanqi,JiangZhuo,etal.Customizedelectricitypricepackagedesignbasedonlimitedrationaluserselectionbehavior[J].PowerSystemTechnology,2021,45(3):1050-1058.

[16]詹祥澎,杨军,韩思宁,等.考虑电动汽车可调度潜力的充电站两阶段市场投标策略[J].电力系统自动化,2021,45(10):86-96.

ZhanXiangpeng,YangJun,HanSining,etal.Two-stagemarketbiddingstrategyforchargingstationsconsideringtheschedulablepotentialofelectricvehicles[J].AutomationofElectricPowerSystems,2021,45(10):86-96.

[17]袁泉,汤奕.基于路-电耦合网络的电动汽车需求响应技术[J].中国电机工程学报,2021,41(5):1627-1637.

YuanQuan,TangYi.Electricvehicledemandresponsetechnologybasedontraffic-gridcouplingnetworks[J].ProceedingsoftheCSEE,2021,41(5):1627-1637.

[18]葛晓琳,史亮,刘亚,等.考虑需求响应不确定性的电动汽车负荷Sigmoid云模型预测[J].中国电机工程学报,2020,40(21):6913-6925.

GeXiaolin,ShiLiang,LiuYa,etal.Loadforecastingofelectricvehiclesbasedonsigmoidcloudmodelconsideringtheuncertaintyofdemandresponse[J].ProceedingsoftheCSEE,2020,40(21):6913-6925.

[19]WuChuanshen,GaoShan,LiuYu,etal.Amodelpredictivecontrolapproachinmicrogridconsideringmulti-uncertaintyofelectricvehicles[J].RenewableEnergy,2021,163:1385-1396.

[20]潘振宁,余涛,王克英.考虑多方主体利益的大规模电动汽车分布式实时协同优化[J].中国电机工程学报,2019,39(12):3528-3541.

PanZhenning,YuTao,WangKeying.Decentralizedcoordinateddispatchforreal-timeoptimizationofmassiveelectricvehiclesconsideringvariousinterests[J].ProceedingsoftheCSEE,2019,39(12):3528-3541.

[21]StefanScheubner,AdamThorThorgeirsson,MoritzVaillant,etal.Astochasticrangeestimationalgorithmforelectricvehiclesusingtrafficphaseclassification[J].IEEETransactionsonVehicularTechnology,2019,68(7):6414-6428.

[22]WangHoulian,ZhouGongbo,XueRui,etal.Adriving-behavior-basedSOCpredictionmethodforlighturbanvehiclespoweredbysupercapacitors[J].IEEETransactionsonIntelligentTransportationSystems,2020,21(5):2090-2099.

[23]吴赋章,杨军,林洋佳,等.考虑用户有限理性的电动汽车时空行为特性[J].电工技术学报,2020,35(7):1563-1574.

WuFuzhang,YangJun,LinYangjia,etal.Researchonspatiotemporalbehaviorofelectricvehiclesconsideringtheusers’boundedrationality[J].TransactionsofChinaElectrotechnicalSociety,2020,35(7):1563-1574.

[24]MunshiAmrA,MohamedYasserAbdel-RadyI.Unsupervisednonintrusiveextractionofelectricalvehiclechargingloadpatterns[J].IEEETransactionsonIndustrialInformatics,2019,15(1):266-279.

[25]FlorianMorlock,BernhardRolle,MichelBauer,etal.Forecastsofelectricvehicleenergyconsumptionbasedoncharacteristicspeedprofilesandreal-timetrafficdata[J].IEEETransactionsonVehicularTechnology,2019,69(2):1404-1418.

[26]王睿,高欣,李军良,等.基于聚类分析的电动汽车充电负荷预测方法[J].电力系统保护与控制,2020,48(16):37-44.

WangRui,GaoXin,LiJunliang,etal.Electricvehiclechargingdemandforecastingmethodbasedonclusteringanalysis[J].PowerSystemProtectionandControl,2020,48(16):37-44.

[27]王毅,谷亿,丁壮,等.基于模糊熵和集成学习的电动汽车充电需求预测[J].电力系统自动化,2020,44(3):114-121.

WangYi,GuYi,DingZhuang,etal.Chargingdemandforecastingofelectricvehiclebasedonempiricalmodedecomposition-fuzzyentropyandensemblelearning[J].AutomationofElectricPowerSystems,2020,44(3):114-121.

[28]陈丽丹,张尧,AntonioFigueiredo.电动汽车充放电负荷预测研究综述[J].电力系统自动化,2019,43(10):177-191.

ChenLidan,ZhangYao,AntonioFigueiredo.Overviewofcharginganddischargingloadforcastingforelectricvehicles[J].AutomationofElectricPowerSystems,2019,43(10):177-191.

[29]TaoYe,HuangMiaohua,ChenYupu,etal.Orderlychargingstrategyofbatteryelectricvehicledrivenbyreal-worlddrivingdata[J].Energy,2020,193:116806.

[30]刘文霞,龙日尚,徐晓波,等.考虑数据新鲜度和交叉熵的电动汽车短期充电负荷预测模型[J].电力系统自动化,2016,40(12):45-52.

LiuWenxia,LongRishang,XuXiaobo,etal.Forecastingmodelofshort-termEVchargingloadbasedondatafreshnessandcrossentropy[J].AutomationofElectricPowerSystems,2016,40(12):45-52.

[31]郭戈,徐涛,韩英华,等.电动汽车时代的电网-交通网协同优化综述[J].控制与决策,2021,36(9):2049-2062.

GuoGe,XuTao,HanYinghua,etal.Asurveyofcooperativeoptimizationoftrac-gridnetworksintheeraofelectricvehicles[J].ControlandDecision,2021,36(9):2049-2062.

HeShengxue.Trafficassignmenttheorybasedontwo-stagetraveltime[J].JournalofTransportationSystemsEngineeringandInformationTechnology,2018,18(1):139-144.

[33]SuprabeetDatta,SiddharthaRokade,SarveshP.S.Rajput.User-satisfactionbasedoperationalevaluationforuncontrolledintersectionsundermixedtraffic[J].AlexandriaEngineeringJournal,2021,60(1):1085-1103.

[34]RaminNiroumand,MehrdadTajalli,LeilaHajibabai,etal.Jointoptimizationofvehicle-grouptrajectoryandsignaltiming:introducingthewhitephaseformixed-autonomytrafficstream[J].TransportationResearchPartC:EmergingTechnologies,2020,116:102659

[35]曹昉,李赛,张姚.考虑充电站吸引力的EV充电负荷时空分布模拟[J].电网技术,2021,45(1):75-87.

CaoFang,LiSai,ZhangYao.TemporalandspatialdistributionsimulationofEVchargingloadconsideringchargingstationattractiveness[J].PowerSystemTechnology,2021,45(1):75-87.

[36]ZhangHongcai,HuZechun,XuZhiwei,etal.AnintegratedplanningframeworkfordifferenttypesofPEVchargingfacilitiesinurbanarea[J].IEEETransactionsonSmartGrid,2016,7(5):2273-2284.

[37]ZhangYongmin,ChenJiayi,CaiLin,etal.ExpandingEVchargingnetworksconsideringtransportationpatternandpowersupplylimit[J].IEEETransactionsonSmartGrid,2019,10(6):6332-6342.

[38]马丽叶,王海锋,卢志刚.计及故障率影响含电动汽车的分布式电源选址定容双层协调规划[J].电网技术,2021,45(12):4749-4760.

MaLiye,WangHaifeng,LuZhigang.Consideringtheinfluenceoffailurerateonthelocation,capacityanddouble-layercoordinatedplanningofdistributedpowersupplywithelectricvehicles[J].PowerSystemTechnology,2021,45(12):4749-4760.

[39]SeyedNasrollahHashemian,MohammadAminLatify,GRezaYousefi.PEVfast-chargingstationsizingandplacementincoupledtransportation-distributionnetworksconsideringpowerlineconditioningcapability[J].IEEETransactionsonSmartGrid,2020,11(6):4773-4783.

[40]XuWang,MohammadShahidehpour,JiangChuanwen,etal.Coordinatedplanningstrategyforelectricvehiclechargingstationsandcoupledtraffic-electricnetworks[J].IEEETransactionsonPowerSystems,2019,34(1):268-279.

[41]贾益行,吴红飞,韩蒙,等.准单级功率变换的高效单相三端口功率因数校正变换器[J].电力系统自动化,2018,42(18):136-141.

JiaYixing,WuHongfei,HanMeng,etal.Efficientsingle-phasethree-portpowerfactorcorrectionconverterwithquasi-single-stagepowerconversion[J].AutomationofElectricPowerSystems,2018,42(18):136-141.

[42]孙玉巍,李永刚,刘教民,等.级联式电力电子变压器协调控制策略[J].中国电机工程学报,2018,38(5):1290-1300.

SunYuwei,LiYonggang,LiuJiaomin,etal.Coordinatedcontrolstrategyforcascadedpowerelectronictransformers[J].ProceedingsoftheCSEE,2018,38(5):1290-1300.

[43]MauricioRestrepo,JordanMorris,MehrdadKazeran,etal.ModelingandtestingofabidirectionalsmartchargerfordistributionsystemEVintegration[J].IEEETransactionsonSmartGrid,2018,9(1):152-162.

[44]LiuHui,HuZechun,SongYonghua,etal.Vehicle-to-gridcontrolforsupplementaryfrequencyregulationconsideringchargingdemands[J].IEEETransactionsonPowerSystems,2015,30(6):3110-3119.

[45]刘东奇,钟庆昌,王耀南,等.基于同步逆变器的电动汽车V2G智能充放电控制技术[J].中国电机工程学报,2017,37(2):544-557.

LiuDongqi,ZhongQingchang,WangYaonan,etal.Asynchronverter-basedV2Gsmartcharginganddischargingcontrolstrategyforelectricvehicles[J].ProceedingsoftheCSEE,2017,37(2):544-557.

[46]JonAreSuul,SalvatoreD'Arco,GiuseppeGuidi.Virtualsynchronousmachine-basedcontrolofasingle-phasebi-directionalbatterychargerforprovidingvehicle-to-gridservices[J].IEEETransactionsonIndustryApplications,2016,52(4):3234-3244.

[47]陈天锦,牛高远,甘江华,等.基于虚拟同步策略的电动汽车V2G充放电系统研究及样机实现[J].电力系统保护与控制,2021,49(3):131-141.

ChenTianjin,NiuGaoyuan,GanJianghua,etal.ResearchandprototypemanufactureonelectricvehicleV2Gsystemsbasedonvirtualsynchronouscontrolstrategy[J].PowerSystemProtectionandControl,2021,49(3):131-141.

[48]TanXiaoqi,QuGuannan,SunBo,etal.Optimalschedulingofbatterychargingstationservingelectricvehiclesbasedonbatteryswapping[J].IEEETransactionsonSmartGrid,2019,10(2):1372-1384.

[49]邢强,陈中,冷钊莹,等.基于实时交通信息的电动汽车路径规划和充电导航策略[J].中国电机工程学报,2020,40(2):534-550.

XingQiang,ChenZhong,LengZhaoying,etal.Routeplanningandchargingnavigationstrategyforelectricvehiclesbasedonreal-timetrafficinformation[J].ProceedingsoftheCSEE,2020,40(2):534-550.

[50]邓润琦,向月,黄媛,等.交通–配电网耦合下电动汽车集群可调控裕度及优化运行策略[J].电网技术,2021,45(11):4328-4337.

DengRunqi,XiangYue,HuangYuan,etal.Dispatchablemarginandoptimaloperationstrategyofelectricvehicleclustersincoupledtransportation-distributionnetwork[J/OL].PowerSystemTechnology,2021,45(11):4328-4337.

[51]QianTao,ShaoChengcheng,LiXuliang,etal.EnhancedcoordinatedoperationsofelectricpowerandtransportationnetworksviaEVchargingservices[J].IEEETransactionsonSmartGrid,2020,11(4):3019-3030.

[53]周毅,袁泉,汤奕,等.基于路-电耦合网络的电动汽车充电决策优化方法[J].电网技术,2021,45(9):3563-3572.

ZhouYi,YuanQuan,TangYi,etal.Chargingdecisionoptimizationmethodforelectricvehiclesbasedontraffic-gridcouplingnetworks[J].PowerSystemTechnology,2021,45(9):3563-3572.

[54]LüZhihan,QiaoLiang,CaiKen,etal.Bigdataanalysistechnologyforelectricvehiclenetworksinsmartcities[J].IEEETransactionsonIntelligentTransportationSystems,2021,22(3):1807-1816.

[55]邵尹池,穆云飞,林佳颖,等.“车-站-网”多元需求下的电动汽车快速充电引导策略[J].电力系统自动化,2019,43(18):60-61.

ShaoYinchi,MuYunfei,LinJiaying,etal.Fastchargingguidancestrategyformultipledemandsofelectricvehicle,fastchargingstationanddistributionnetwork[J].AutomationofElectricPowerSystems,2019,43(18):60-61.

[56]DhaouSaid,HusseinT.Mouftah.Anovelelectricvehiclescharging/dischargingmanagementprotocolbasedonqueuingmodel[J].IEEETransactionsonIntelligentVehicles,2020,5(1):100-111.

[57]崔金栋,罗文达,周念成.基于多视角的电动汽车有序充放电定价模型与策略研究[J].中国电机工程学报,2018,38(15):4438-4450.

CuiJindong,LuoWenda,ZhouNiancheng.Researchonpricingmodelandstrategyofelectricvehiclecharginganddischargingbasedonmultiview[J].ProceedingsoftheCSEE,2018,38(15):4438-4450.

[58]WangShuoyao,BiSuzhi,ZhangYing-JunAngela,etal.Electricalvehiclechargingstationprofitmaximization:admission,pricing,andonlinescheduling[J].IEEETransactionsonSustainableEnergy,2018,9(4):1722-1731.

[59]MasoumehSeyedyazdi,MohammadMohammadi,EbrahimFarjah.Acombineddriver-stationinteractivealgorithmforamaximummutualinterestinchargingmarket[J].IEEETransactionsonIntelligentTransportationSystems,2020,21(6):2534-2544.

[60]李东东,邹思源,刘洋,等.共享模式下的充电桩引导与充电价格研究[J].电网技术,2017,41(12):3971-3979.

LiDongdong,ZouSiyuan,LiuYang,etal.Researchonchargerselectionandchargingpriceundersharedmode[J].PowerSystemTechnology,2017,41(12):3971-3979.

[61]常方宇,黄梅,张维戈.分时充电价格下电动汽车有序充电引导策略[J].电网技术,2016,40(9):2609-2615.

ChangFangyu,HuangMei,ZhangWeige.Researchoncoordinatedchargingofelectricvehiclesbasedontouchargingprice[J].PowerSystemTechnology,2016,40(9):2609-2615.

[62]WoongsupLee,RobertSchober,VincentWSWong.Ananalysisofpricecompetitioninheterogeneouselectricvehiclechargingstations[J].IEEETransactionsonSmartGrid,2019,10(4):3990-4002.

[63]程杉,王贤宁,冯毅煁.电动汽车充电站有序充电调度的分散式优化[J].电力系统自动化,2018,42(1):39-46.

ChengShan,WangXianning,FengYichen.Distributedoptimizationfororderlychargingschedulingofelectricvehiclechargingstations[J].AutomationofElectricPowerSystems,2018,42(1):39-46.

[64]ZengBo,DongHouqi,RamteenSioshansi,etal.Bilevelrobustoptimizationofelectricvehiclechargingstationswithdistributedenergyresources[J].IEEETransactionsonIndustryApplications,2020,56(5):5836-5847.

[65]吴巨爱,薛禹胜,谢东亮.电动汽车聚合商对备用服务能力的优化[J].电力系统自动化,2019,43(9):75-81.

WuJuai,XueYusheng,XieDongliang.Optimizationofreserveservicecapabilitymadebyelectricvehicleaggregator[J].AutomationofElectricPowerSystems,2019,43(9):75-81.

[66]杨晓东,任帅杰,张有兵,等.电动汽车可调度能力模型与日内优先调度策略[J].电力系统自动化,2017,41(2):84-93.

YangXiaodong,RenShuaijie,ZhangYoubing,etal.Schedulableabilitymodelandpriority-basedintradayschedulingstrategyforelectricvehicle[J].AutomationofElectricPowerSystems,2017,41(2):84-93.

[67]窦迅,王俊,杨志宏,等.含交直流混合配网综合能源系统的电动汽车分群调控策略[J].中国电机工程学报,2021,41(14):4829-4844.

DouXun,WangJun,YangZhihong,etal.Cluster-basedcontrolstrategiesofelectricvehiclesforintegratedenergysystemwithAC-DChybriddistributionnetwork[J].ProceedingsoftheCSEE,2021,41(14):4829-4844.

[68]黄贵鸿,雷霞,杨毅,等.考虑风电与用户满意度的电动汽车两层智能充放电策略[J].电工技术学报,2015,30(5):85-97.

HuangGuihong,LeiXia,YangYi,etal.Two-layerintelligentcharginganddischargingstrategyforelectricvehiclesconsideringwindpowerandusersatisfaction[J].TransactionsofChinaElectrotechnicalSociety,2015,30(5):85-97.

[69]XuXiangchu,LiKangping,WangFei,etal.EvaluatingmultitimescaleresponsecapabilityofEVaggregatorconsideringusers’willingness[J].IEEETransactionsonIndustryApplications,2021,57(4):3366-3376.

[70]杨健维,杨鹤,张夏霖,等.基于换电规则优化与车辆–电池组匹配的电动公交车充换电站充电优化策略[J].中国电机工程学报,2019,39(8):2337-2347.

YangJianwei,YangHe,ZhangXialin,etal.Achargingoptimizationstrategyonchargingandswappingstationforelectricbusesbasedonoptimizationofswitchingrulesandmatchingofbusesandbatteries[J].ProceedingsoftheCSEE,2019,39(8):2337-2347.

[71]FarshidVarshosaz,MajidMoazzami,BahadorFani,etal.Day-aheadcapacityestimationandpowermanagementofachargingstationbasedonqueuingtheory[J].IEEETransactionsonIndustrialInformatics,2019,15(10):5561-5574.

[73]TanXiaoqi,QuGuannan,SunBo,etal.Optimalschedulingofbatterychargingstationservingelectricvehiclesbasedonbatteryswapping[J].IEEETransactionsonSmartGrid,2019,10(2):1372-1384.

[74]田园园,廖清芬,徐雨田,等.基于有序充电策略的换电站及分布式电源多场景协调规划方法[J].电力自动化设备,2017,37(9):62-69.

TianYuanyuan,LiaoQingfen,XuYutian,etal.Multi-scenariocoordinatedplanningmethodforsubstationanddistributedpowergenerationbasedonorderlychargingstrategy[J].ElectricPowerAutomationEquipment,2017,37(9):62-69.

[75]WangYang,DingWenjian,HuangLiusheng,etal.Towardurbanelectrictaxisystemsinsmartcities:thebatteryswappingchallenge[J].IEEETransactionsonVehicularTechnology,2018.67(3):1946-1960.

[76]吴洲洋,艾欣,胡俊杰.电动汽车聚合商参与调频备用的调度方法与收益分成机制[J].电网技术,2021,45(3):1041-1050.

WuZhouyang,AiXin,HuJunjie.Dispatchingandincomedistributingofelectricvehicleaggregators’participationinfrequencyregulation[J].PowerSystemTechnology,2021,45(3):1041-1050.

[77]王俊杰,贾雨龙,米增强,等.基于双重激励机制的电动汽车备用服务策略[J].电力系统自动化,2020,44(10):68-76.

WangJunjie,JiaYulong,MiZengqiang,etal.Reserveservicestrategyofelectricvehiclesbasedondouble-incentivemechanism[J].AutomationofElectricPowerSystems,2020,44(10):68-76.

[78]XuXiangchu,LiKangping,WangFei,etal.EvaluatingmultitimescaleresponsecapabilityofEVaggregatorconsideringusers’willingness[J].IEEETransactionsonIndustryApplications,2021,57(4):3366-3376.

[79]孙惠,翟海保,吴鑫.源网荷储多元协调控制系统的研究及应用[J].电工技术学报,2021,36(15):3264-3271.

SunHui,ZhaiHaibao,WuXin.Researchandapplicationofmulti-energycoordinatedcontrolofgeneration,network,loadandstorage[J].TransactionsofChinaElectrotechnicalSociety,2021,36(15):3264-3271.

[80]HouKai,XuXiandong,JiaHongjie,etal.Areliabilityassessmentapproachforintegratedtransportationandelectricalpowersystemsincorporatingelectricvehicles[J].IEEETransactionsonSmartGrid,2018,9(1):88-100.

[81]葛少云,李吉峰,李腾,等.配电网和城市路网关联网络的综合可靠性分析[J].中国电机工程学报,2016,36(6):1568-1577.

GeShaoyun,LiJifeng,LiTeng,etal.Integratedanalysisonreliabilityofpowerdistributionnetworkandurbanroadnetwork[J].ProceedingsoftheCSEE,2016,36(6):1568-1577.

[82]SusannaMocci,NicolaNatale,FabrizioPilo,etal.DemandsideintegrationinLVsmartgridswithmulti-agentcontrolsystem[J].ElectricPowerSystemsResearch,2015,125:23-33.

[83]SergejusMartinenas,KatarinaKnezovi,MattiaMarinelli.Managementofpowerqualityissuesinlowvoltagenetworksusingelectricvehicles:experimentalvalidation[J].IEEETransactionsonPowerDelivery,2017,32(2):971-979.

[84]ArianZahedmanesh,KashemM.Muttaqi,DannySutanto.Coordinatedchargingcontrolofelectricvehicleswhileimprovingpowerqualityinpowergridsusingahierarchicaldecision-makingapproach[J].IEEETransactionsonVehicularTechnology,2020,69(11):12585-12596.

[85]李晓萌,贾宏杰,穆云飞,等.时滞环境下基于电动汽车与电热泵的协调频率控制[J].电力自动化设备,2020,40(4):88-95.

LiXiaomeng,JiaHongjie,MuYunfei,etal.Coordinatedfrequencycontrolbasedonelectricvehiclesandheatpumpsconsideringtime-delay[J].ElectricPowerAutomationEquipment,2020,40(4):88-95.

[86]DongChaoyu,XiaoQian,MingshenWang,etal.Distortedstabilityspaceandinstabilitytriggeringmechanismofevaggregationdelaysinthesecondaryfrequencyregulationofelectricalgrid-electricvehiclesystem[J].IEEETransactionsonSmartGrid,2020,11(6):5084-5098.

[87]张一媚,董朝宇,董晓红,等.含电动汽车集群调频的信息能源系统谱特征和稳定性评估[J].电力系统自动化,2021,45(2):12-20.

ZhangYimei,DongChaoyu,DongXiaohongetal.Spectralcharacteristicsandstabilityevaluationofinformationenergysystemwithfrequencymodulationofelectricvehiclecluster[J].AutomationofElectricPowerSystems,2021,45(2):12-20.

[88]刘辉,魏岩岩,汪旎,等.电动汽车入网一次调频控制策略研究[J].电力系统保护与控制,2015,43(23):90-95.

LiuHui,WeiYanyan,WangNi,etal.V2GcontrolforEVsparticipatinginprimaryfrequencyregulation[J].PowerSystemProtectionandControl,2015,43(23):90-95.

[89]杨健维,董鸿志,廖凯,等.计及电动汽车辅助调频的负荷频率控制联合优化[J].电力自动化设备,2019,39(3):200-206.

YangJianwei,DongHongzhi,LiaoKai,etal.Jointoptimizationofloadfrequencycontrolconsideringauxiliaryfrequencyregulationofelectricvehicles[J].ElectricPowerAutomationEquipment,2019,39(3):200-206.

[90]MuChaoxu,LiuWeiqiang,WeiXu.HierarchicallyadaptivefrequencycontrolforanEV-integratedsmartgridwithrenewableenergy[J].IEEETransactionsonIndustrialInformatics,2018,14(9):4254-4263.

XuShuangdie,ZhangYan,SuYun.Probabilisticpowerflowcalculationinsmartdistributionnetworksconsideringfuzzycorrelationbetweenuncertaintyvariables[J].PowerSystemTechnology,2020,44(4):1488-1500.

[93]FanHua,DuanChao,ZhangChuan-Ke,etal.ADMM-Basedmultiperiodoptimalpowerflowconsideringplug-inelectricvehiclescharging[J].IEEETransactionsonPowerSystems,2018,33(4):3886-3897.

[94]LüSi,WeiZhinong,SunGuoqiang,etal.Powerandtrafficnexus:fromperspectiveofpowertransmissionnetworkandelectrifiedhighwaynetwork[J].IEEETransactionsonTransportationElectrification,2021,7(2):566-577.

[96]LüSi,WeiZhinong,SunGuoqiang,etal.Optimalpowerandsemi-dynamictrafficflowinurbanelectrifiedtransportationnetworks[J].IEEETransactionsonSmartGrid,2020,11(3):1854-1865.

[97]石文超,吕林,高红均,等.考虑需求响应和电动汽车参与的主动配电网经济调度[J].电力系统自动化,2020,44(11):41-51.

ShiWenchao,LüLin,GaoHongjun,etal.Economicdispatchofactivedistributionnetworkwithparticipationofdemandresponseandelectricvehicle[J].AutomationofElectricPowerSystems,2020,44(11):41-51.

[98]刘晋源,吕林,高红均,等.计及分布式电源和电动汽车特性的主动配电网规划[J].电力系统自动化,2020,44(12):41-48.

LiuJinyuan,LüLin,GaoHongjun,etal.Planningofactivedistributionnetworkconsideringcharacteristicsofdistributedgeneratorandelectricvehicle[J].AutomationofElectricPowerSystems,2020,44(12):41-48.

[99]LiangHuijun,LiuYungang,LiFengzhong,etal.Dynamiceconomic/emissiondispatchincludingPEVsforpeakshavingandvalleyfilling[J].IEEETransactionsonIndustrialElectronics,2019,66(4):2880-2890.

[101]TanJun,WangLingfeng.Integrationofplug-inhybridelectricvehiclesintoresidentialdistributiongridbasedontwo-layerintelligentoptimization[J].IEEETransactionsonSmartGrid,2014,5(4):1774-1784.

[102]杨晓东,张有兵,赵波,等.供需两侧协同优化的电动汽车充放电自动需求响应方法[J].中国电机工程学报,2017,37(1):120-130.

YangXiaodong,ZhangYoubing,ZhaoBo,etal.Automateddemandresponsemethodforelectricvehiclescharginganddischargingtoachievesupply-demandcoordinatedoptimization[J].ProceedingsoftheCSEE,2017,37(1):120-130.

[103]赵德仁,丁雷,徐立华,等.面向新能源消纳的主动配电网电动汽车充放电功率和网络重构协调优化调度[J].电力系统及其自动化学报,2019,31(8):94-101.

ZhaoDeren,DingLei,XuLihua,etal.CoordinatedoptimaldispatchingofEVcharging/dischargingpowerandnetworkreconfigurationinactivedistributionnetworkforrenewableenergyaccommodation[J].ProceedingsoftheCSU-EPSA,2019,31(8):94-101.

[104]杨铮,彭思成,廖清芬,等.面向综合能源楼宇的电动汽车辅助服务方案[J].电网技术,2017,41(9):2831-2843.

YangZheng,PengSicheng,LiaoQingfen,etal.Ancillaryservicesprovidedbyelectricvehiclesforbuildingintegratedenergysystem[J].PowerSystemTechnology,2017,41(9):2831-2843.

[105]MosaddekHossainKamalTushar,AdelW.Zeineddine,ChadiAssi.Demand-sidemanagementbyregulatingcharginganddischargingoftheEV,ESS,andutilizingrenewableenergy[J].IEEETransactionsonIndustrialInformatics,2018,14(1):117-126.

[106]杨晓东,张有兵,任帅杰,等.含高渗透率光伏发电并网型微网中的电动汽车优化调度方法[J].电力系统自动化,2016,40(18):15-23.

YangXiaodong,ZhangYoubing,RenShuaijie,etal.Optimalschedulingschemeofelectricvehiclesingrid-connectedmicrogridwithhighpenetrationphotovoltaicpower[J].AutomationofElectricPowerSystems,2016,40(18):15-23.

[107]ChenXi,ZhangTianyang,YeWenxing,etal.Blockchain-basedelectricvehicleincentivesystemforrenewableenergyconsumption[J].IEEETransactionsonCircuitsandSystemsII:ExpressBriefs,2021,68(1):396-400.

ReviewandProspectofKeyTechniquesforVehicle-Station-NetworkIntegratedOperationinSmartCity

WangHaixin1YuanJiahui1ChenZhe1MaYiming1DongHenan1,2YuanShun1,3YangJunyou1

(1.SchoolofElectricalEngineeringShenyangUniversityofTechnologyShenyang110870China2.StateGridElectricPowerCo.LtdElectricPowerResearchInstituteShenyang110000China3.NortheastChinaEnergyRegulatoryBureauofNationalEnergyAdministrationShenyang110006China)

keywords:Vehicle-station-networkintegration,electricvehicles,interactiveresponse,transportation-electriccouplingnetwork

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

中国博士后科学基金项目(2019M651144)、辽宁省教育厅科学研究经费项目(LQGD2019005)和辽宁省自然科学基金博士启动项目(2020-BS-141)资助。

中图分类号:TM73;U469.72

作者简介

王海鑫男,1989年生,博士,副教授,研究方向为综合能源系统优化运行。E-mail:haixinwang@sut.edu.cn

杨俊友男,1963年生,二级教授,博士生导师,研究方向为新能源消纳及智能电网优化调度。E-mail:junyouyang@sut.edu.cn(通信作者)

THE END
1.浙江动态储备600万千瓦日前需求响应资源浙江动态储备600万千瓦日前需求响应资源 连日来,受冷空气影响,浙江出现大范围降水降温天气,全省用电负荷持续升高。12月1~16日,浙江省全社会用电量同比增长9.5%。 为应对冬季电力需求高峰,浙江省已储备13万千瓦可集中开展检修负荷、300万千瓦有移峰填谷能力负荷、70万千瓦空调柔性可调负荷等多项负荷资源,并建立600https://news.bjx.com.cn/html/20241217/1417124.shtml
2.国网浙江电力综合服务取得园区用电负荷优化调度相关专利国网浙江电力综合服务取得园区用电负荷优化调度相关专利,国网,专利,综合服务,用电负荷,国家电网,新型电力系统https://www.163.com/dy/article/JJMMG3GK0519QIKK.html
3.上海市经济和信息化委员会上海市经济信息化委关于开展本市新建数据中心项目后评估工作的通知 有关单位: 为落实《关于推进本市数据中心健康有序发展的实施意见》(沪经信基〔2022〕306号)要求,依照《上海市数据中心建设导则(2021版)》和相关标准,现开展本市新建数据中心项目后评估工作。该工作由上海市能效中心(上海市产业绿色发展促进中心)承担https://www.sheitc.sh.gov.cn/jjyx/
4.虚拟电厂怎么做?南网区域双管齐下破解需求响应难题,规则解析及启示而对于需求响应参与削峰服务,标准则更高,是第二档调峰标准的2倍,以充分发挥需求响应的削减高峰负荷方面的作用。 在补偿与分摊机制设计方面,为电力系统运行整体服务的电力辅助服务(涵盖除爬坡之外的辅助服务品种),补偿费用由发电侧并网主体、市场化电力用户等并网主体共同分摊,当前暂定比例为市场化电力用户承担比例为50%http://www.360doc.com/content/22/0510/17/36538220_1030685426.shtml
5.电力需求响应技术现状与发展建议能源思考截至2022年6月,全国已有23个省份出台需求响应试点支持政策,政府专项资金、尖峰电价增收资金、跨区跨省富余可再生能源购电差价盈余、市场化用户交易电量电费分摊、供电成本分摊等多种来源,已成为需求响应发展初期的固定补贴来源;华北、西北部分区域启动了需求侧资源作为第三方主体参与电力调峰辅助服务的报价与结算试点,运行https://www.china5e.com/energy/news-1151086-1.html
6.欧力普能源与自动化技术有限公司储能产业政策回顾:电力辅助服务与需求响应为储能发展带来机会 回顾我国储能产业的发展历程,储能产业走过了技术研发、示范应用和商业化初期等三个阶段。储能产业在电力调频、调峰、需求响应等辅助服务市场的应用已经初具经济性,但在作为一种新兴技术,储能参与市场的价格和机制还不够健全,无法真正实现其作为商品的属性,这一https://www.olipower.cn/mobile.php/Intro/detail/id/66
7.虚拟电厂商业模式及定价机制随着中长期市场、现货市场、绿电交易市场、辅助服务市场等逐步放开,虚拟电厂可作为一个市场主体全面参与到市场中,主要盈利模式除了需求响应,还包括辅助服务交易、电力现货交易等。 从虚拟电厂成本来说,除了平台与设备建设等前期固定成本外,不同类型虚拟电厂运营模式对应的运维成本差别较大。 https://cn.solarbe.com/news/20240124/84890.html
8.一文读懂工商业储能电力现货交易是指发电企业等市场主体以市场化交易的形式提供电力服务的交易机制。随着中国电力市场改革步伐的加快,国家出台新政鼓励储能参与电力现货市场,储能产业新的商业模式被激活。 7.电力辅助服务 电力有偿辅助服务是指并网发电侧在基本辅助服务之外能够响应电力调度指令的可调节负荷(含通过聚合商、虚拟电厂等形式聚合https://maimai.cn/article/detail?fid=1802956842&efid=1PqIrwASxgV2kLyPin37Tw
9.全球储能市场基本情况,澳大利亚印度等新兴市场涌现一系列政策从确认储能参与辅助服务的市场主体身份、制定体现储能优势的价格机制,到逐步建立完善公平竞争的市场机制,都为储能服务于电力辅助服务、实现价值和商业化发展奠定了基础。 在电力需求侧管理(需求响应)方面,2017年9月,国家发展改革委、国家能源局等六部委联合发布《电力需求侧管理办法(修订版)》(以下简称《办法https://www.elecfans.com/d/838048.html
10.新型电力辅助服务市场机制之——爬坡辅助服务市场英国电力市场 英国国家电网(NatioanalGrid ESO, NGESO)通过提供平衡服务来保障电网的实时供需平衡。平衡服务包括了频率响应、备用、无功调节等。快速备用(FastReserve,FR)作为备用的一种,其发挥的作用与MISO/CAISO中爬坡辅助服务的作用类似,采用月度竞价的方式进行采购,中标资源在全天任一时段均可能被调用,且必须在接收http://www.21spv.com/news/show.php?itemid=129376
11.考虑需求侧灵活性资源参与的国内外电力辅助服务市场机制研究综述第41 卷第 9 期 2022 年 9 月 Zhejiang Electric Power Vol.41,No.09 Sept.25.2022 "电力市场运行与仿真关键技术"专栏(二) 考虑需求侧灵活性资源参与的国内外电力辅助服务 市场机制研究综述 许高秀 1,邓晖 2,3,房乐 2,3,龚开 1,王旭 1,蒋传文 1 (1. 电力传输与功率http://zjdl.cbpt.cnki.net/WKE3/WebPublication/wkDownLoad.aspx?fileID=ac54ab73-def6-495b-b928-b97b6aa7ec0f&pid=54d1adf7-bddd-4f7d-bc80-0b2ab0adea02
12.虚拟电厂,豹变前夜以广东电力现货交易和需求侧响应的情况为参考,我们测算,需求响应退补后,预计每年广东省内虚拟电厂的收益空间约为83亿元,对应预计全国虚拟电厂收益空间约为870亿元。我国涉及虚拟电厂业务的企业包括:1)虚拟电厂聚合商,相关标的:恒实科技;2)虚拟电厂软件平台服务商,相关标的:国能日新、国电南瑞、国网信通、东方电子、远光https://wallstreetcn.com/articles/3664491
13.科普什么是“虚拟电厂”?充电桩与虚拟电厂相关的政策主要涉及需求响应、辅助服务等。为调动用户侧资源响应电力系统积极性,在2013年需求侧试点基础上,上海、江苏、 广东、浙江、山东、河南等14个省区出台了需求响应新政策;江苏、湖北、辽宁、湖南、河南、安徽、福建、贵州、江西等省区,以及东北、 华东等五大区域出台或对电力辅助服务政策进行了修订;https://chd.in-en.com/html/chd-2447457.shtml
14.虚拟电厂的投资逻辑腾讯云开发者社区Q: 虚拟电厂在补偿方面与传统的辅助服务有什么不同? A: 实际上目前补偿主要就两大块,实际上跟传统的建立交易的补偿也差不多, 我们说的那种叫需求侧响应,实际上是站在用户端来讲,叫需求侧响应,我们站在电网侧, 包括站在电网的角度调度的角度去讲,说白了就是叫削峰填谷。站在电厂的角度上来说,做攀峰攀谷的https://cloud.tencent.com/developer/news/1089741
15.电力现货问答第7问电力辅助服务主要通过强制提供、双边合约交易和集中交易三种方式获取。 强制提供 指在被调度机构调用时,机组必须无偿地提供辅助服务。机组承担强制提供辅助服务的义务,通常是在并网前进行约定的。 这种辅助服务获取方式,通过“公平”计划能够增加辅助服务的资源,但会远远超出实际需求,并且对同一种辅助服务,不考虑不同机组https://blog.csdn.net/grd_java/article/details/143003547
16.一文看懂电化学储能钜大锂电随着电力市场进一步放开,峰谷价差有望继续拉大,届时投资回收期将会进一步缩短,峰谷套利投资的效益也会进一步提升。此外,未来投资方还可以通过参与需求响应、提供电力辅助服务等方式,发挥储能更多的价值,提升项目的经济性。 2.管理容量费用 对于大的工业企业,因现行的两部制电价,供电部门会以其变压器容量或最大需用量为http://www.juda.cn/news/84232.html
17.新版“两个细则”:风储/光储/10MWh以上独立储能可提供辅助服务容量10MW及以上的风电(含风储)、光伏(含光储)、光热场站等发电侧并网主体,储能容量10MWh及以上独立电化学储能(压缩空气、飞轮可参照执行)等新型储能,传统高载能工业负荷、工商业可中断负荷、电动汽车充电网络等能够响应电力调度指令的可调节负荷(含通过聚合商、虚拟电厂等形式聚合)等负荷侧并网主体的电力辅助服务https://www.hoenergypower.cn/news/xizanglianggexize-303.html
18.办印发《负荷侧可调节资源参与湖南电力辅助服务市场规则(试行)》第一条 为全面落实深化电力体制改革要求,推动将需求侧可调节资源纳入电力电量平衡,发挥需求侧资源削峰填谷、促进电力供需平衡、能源绿色低碳转型和适应新型电力系统建设发展的作用,发掘负荷侧可调节资源,引导负荷侧各类可调节资源参与提供电力辅助服务,保障湖南电网安全稳定、优质经济运行,提升可再生能源消纳能力,制定本规则https://www.las.ac.cn/front/product/detail?id=a790534bd19dedecad25b30de2745dfc
19.全国统一市场大幕启,电力市场改革正当时看点二:电力辅助服务市场逐渐完善 电力辅助服务指为维持电力系统安全稳定运行,保证电能质量,促进清洁能源消纳,除正常电能生产、输送、使用外,由发电侧并网主体、新型储能、能够响应电力调度指令的可调节负荷提供的服务。我们认为,随着新能源的渗透率逐步提升,电力系统对于辅助服务的需求会随之增加,电力辅助服务市场的重要性https://research.cicc.com/frontend/recommend/detail?id=2711