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 能源工程學院，浙江 杭州 310027；3.國網(wǎng)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(shù)字持續(xù)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(huán)保的巨大優(yōu)勢，是促進國家能源結(jié)構優(yōu)化和“碳達峰、碳中和”目標實現(xiàn)的關鍵支撐技術之一[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)頻和應急供電服務，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鍵模型和優(yōu)化算法。本文對圖1中所示的國內(nèi)外相關模型和優(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的重要設施保障，其規(guī)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(wǎng)信息交互的任務，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(wǎng)側(cè)電流控制方法，提高了系統(tǒng)的響應速度。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(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備，比較了四種設備在制造、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、如何準確預測大規(guī)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?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(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(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)度策略可以引導電動汽車有效參與電網(wǎng)的調(diào)度響應。

3.1 V2G應用類型

圖3展示了V2G給電網(wǎng)提供的各項服務下的目標函數(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用戶響應度與峰谷電價系數(shù)的函數(shù)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(qū)的為例，得到了電動汽車充放電最優(yōu)峰谷電價和對應時段，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)設定谷電價時段。

圖3 不同應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的響應比傳統(tǒng)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(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(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技術應用的關鍵影響因素進行綜述，從充電樁技術、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技術的高效開展，應充分考慮電網(wǎng)負荷、峰谷差、充放電功率、用戶舒適度、經(jīng)濟性、環(huán)境效應等因素進行合理的充放電調(diào)度。深度學習和先進優(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，并為用戶帶來更好的響應收益和更高的滿意度。