电动汽车与电网互动模型综述

童国锋，周泽龙，郑梦莲，章 康，吕洪坤,

（1.国网浙江省电力有限公司绍兴供电公司，浙江 绍兴 312099；2.浙江大学 能源工程学院，浙江 杭州 310027；3.国网浙江省电力有限公司电力科学研究院，浙江 杭州 310014）

截至2022年3月底，全国新能源汽车市场占有率已达 2.90%，新能源汽车的持有量达 891.5万辆。其中纯电动汽车持有量达 724.5万辆，近年来该数字持续上升[1]，预期2035年成为主流新售汽车[2]。电动汽车具有清洁环保的巨大优势，是促进国家能源结构优化和“碳达峰、碳中和”目标实现的关键支撑技术之一[3]。

然而大规模的电动汽车入网，其“即插即充”充电行为，不仅会加大电网峰谷差，也会影响电能质量和配电网可靠性[4]。随着智能化充电桩技术的日益成熟，电动汽车作为兼具弹性负荷和移动储能双重属性的灵活资源，可通过电动汽车入网（Vehicle to Grid, V2G）的方式实现与电网的互动[5-6]。电动汽车也逐渐由用户转变为产消者，经由聚合商聚合或以虚拟电厂的形式响应分时、实时电价或激励，一方面可平抑电网负荷，助力电网削峰填谷，另一方面也可作为备用电源向电网提供辅助调频和应急供电服务，同时为车主带来额外经济收益[7-8]。

合理的电动汽车充放电调度，需要围绕充电站/换电站、电动汽车电池、用户、聚合商等多种参与方的关键模型和优化算法。本文对图1中所示的国内外相关模型和优化算法展开综述，并进行了总结和展望，希望能支撑V2G技术的发展。

图1 电动汽车与电网互动系统示意图

1 充电站/换电站

随着电动汽车产业的快速发展，充电桩作为电动汽车V2G的重要设施保障，其规划布局和技术手段也显得越来越为重要[9-10]。

电动汽车充电桩承担与用户和电网信息交互的任务，并执行聚合商或虚拟电厂下达的电动汽车充放电调度指令。李彦博[11]引用通信控制功能来获得电动汽车充电信息。李洪峰等[12]提出了新型电动汽车充电桩的技术方案，有效提高了电动汽车充电桩充电服务能力。高唯峰[13]提出了基于准比例谐振控制和电流加权法的网侧电流控制方法，提高了系统的响应速度。当电动汽车参与电网调频时，控制和通信模块的响应速度至关重要。鲍谚等[14]提出的电动汽车控制策略，不仅实现电动汽车有效参与电网一二次频率调节，还满足了车辆用户的用车的个性需求。

充电站和换电站的规划选址要充分考虑功率分配、环境适应性、用户需求和运行成本等因素，对充电站/换电站进行规划选址优化（如图2所示）。PEVEC等[15]提出了一种基于业务数据和物理数据的充电站部署模型，通过平衡充电网络整体利用率最大化和人口稀少地区充电桩数量，规划新建充电站的最优位置。然而，人口数量对于充电站的需求而言未必是主要影响因素。因此，GNANN等[16]的研究表明，充电桩的需求很大程度上取决于电动汽车电池的尺寸和电量。充电站/换电站的规划选址不仅需要考虑用户满意度，还需要考虑电站运营经济性和对电网可靠性的影响。从经济方面来看，SCHROEDER等[17]指出了主要投资风险因素包括电动汽车使用率、当地使用率以及公共和私人充电设施之间的竞争，在电动汽车使用率低的情况下投资基本没有利润。朱黎明[18]对区域负荷进行预测，分析得出充电站待选地点，并建立路网模型以及量化电动汽车对电网的影响，从电站经济性和电网可靠性两方面对充电站进行了选址定容规划。WANG等[19]不仅从未来充电站运行成本这一方面考虑经济性，还在模型中加入充电需求以及用户时间约束。

图2 充电站/换电站选址规划模型

从空间信息这一角度出发，吴昊等[20]通过建立三个维度（社会、自然、规划）的换电站的选址指标体系，并利用多目标灰色局势决策模型对换电站选址的经济性进行分析从而来获得最优选址点。

此外，充电桩的环境效应也是电动汽车发展中不容忽视的问题。ZHANG等[21]研究了家用充电、公共交流充电、公共直流充电和公共混合四种充电设备，比较了四种设备在制造、使用和寿命结束阶段的能源消耗和温室气体排放。

2 电动汽车和用户

随着智能充电技术的发展，电动汽车的充电行为从“即插即充”模式转为根据电价信息、未来行程、用户习惯、电池状态等综合优化后的智能充电模式。如何量化大规模电动汽车的灵活性、如何准确预测大规模电动汽车充电需求对于设计合理的V2G模型至关重要。

张洪财等[22]总结了电动汽车日行驶里程、日停放需求时空分布特性，采用蒙特卡洛模拟方法模拟充电行为，用以预测电动汽车充电负荷的时空分布特性。该模型只是从行驶里程和停放位置两方面进行考虑，导致模型不够全面。许威等[23]充分考虑用户出行习惯的复杂性和多样性，基于马尔可夫链描述电动汽车一天各时段的区域分布情况，同时在模拟中考虑了交通耗时系数对电动汽车行驶过程的影响。由于不同的气候温度会对电池的充放电速率以及电池的可用容量产生一定的影响，进一步影响用户的充电需求。对此，陈丽丹[24]在其所开发的预测模型中加入了温度、交通路况等因素对电动汽车耗电量的影响规律。

以上的这些研究大多是从温度，路况，行驶目的等方向出发，并且默认车辆均参与V2G调度。基于调研的需求弹性系数可反映用户参与 V2G对电价的敏感度，被广泛应用于预测用户参与度。邓艺璇等[25]提出一种电动汽车充放电容量的组合预测方法，基于电动汽车历史充电数据和用户参与电动汽车与V2G意愿的调查数据，建立随机森林分类模型，判断车辆是否参与V2G调度，并对影响用户决策的特征因素进行重要性评估。

3 聚合商

随着电动汽车的大规模入网，其充放电不确定性带来的区域负荷波动，对电力系统的运行调度和控制提出了新的挑战。聚合商和虚拟电厂的模式可以有效实现灵活资源的聚合，而合理的充放电调度策略可以引导电动汽车有效参与电网的调度响应。

3.1 V2G应用类型

图3展示了V2G给电网提供的各项服务下的目标函数和约束条件。从电网角度来看，可以通过削峰填谷来减小电网的负荷峰谷差从而减小电动车并网对电网的影响。王博[26]的研究中建立了V2G用户响应度与峰谷电价系数的函数关系式。项顶[27]考虑了用户充放电时刻的 Poisson 分布特性，以京津冀地区的为例，得到了电动汽车充放电最优峰谷电价和对应时段，在该情况下的负荷方差大约为优化前的四分之一。基于以上的考虑因素之外，杨晓东等[28]构建的电动汽车充放电优化调度模型以削峰填谷为优化目标、并兼顾配电系统负荷信息、用户电能损失费用及电池损耗成本。案例研究结果显示，所提出的模型能降低负荷峰值比例接近30%，并且随着电动汽车规模增加降低幅度会继续增加。杨帅[29]使用了动态电价和谷电价两种价格机制，并且提出依据需求弹性系数设定谷电价时段。

图3 不同应用场景下电动汽车优化调度目标函数及约束条件[30-33]

电动汽车的充放电除了可以用来实现电力系统的负荷调节，还可以参与电网调频。V2G的响应比传统出力单元更迅速，因此它具有响应速度快且精度高的特点。当电网受到干扰时，电动汽车可向电网提供幅值和频率调节，从而保证电网电压和频率的稳定。张谦等[34]基于电动汽车充放电静态频率特性，在负荷扰动时，使电动汽车在分布式电源和可控负荷两个角色间合理转换。算例结果表明，该方案可以同时提高使系统频率调整速度，减小系统频率偏差且减小传统调频机组的备用容量。周萌对孤岛V2G的调频进行模拟，得出结果V2G能将调频时间减少14%[35]。然而，这些研究均未考虑用户需求。而苏栗等[36]针对电动汽车辅助调频问题，提出考虑用户充电需求的智能充放电控制策略。

3.2 优化算法

对于电动汽车与电网的互动，在优化算法方面，主要分为启发式算法和规划式算法。启发式算法主要指遗传算法、粒子群算法等智能算法。这些算法不受限于优化目标方程的形式，可解决非线性规划模型的优化求解问题，例如粒子群算法[37]、遗传算法等[38]广泛应用。并且它们具有很强的寻找最优解的能力，适合多目标问题的求解。例如彭晶等[39]利用改进粒子群算法进行多目标优化，实现充电费用最低和系统负荷方差最小。张怡冰等[40]提出了基于模糊控制的 V2G充放电调度策略来改善区域电网的负荷特性。麻秀范[41]提出采用改进搜索算法，用以求解时间耦合、非线性、非凸模型的优化问题。闫志杰[42]建立了以电网负荷峰谷差率最小和电动汽车用户参与V2G成本最低为目标的优化模型并利用 NSGA-II算法对该模型进行寻优求解。

而规划式算法通过对混合整数非线性规划问题中的离散和非凸部分进行一定的数学变换，从而使得求解难度降低。在V2G模式下的市场机制与经济运营研究中，例如史一炜等[43]提出改进McCormick Envelope方法、Karush-KnhnTuck最优条件等方法对充放电电价制定优化求解进行数学变换处理[44]。宫鑫等利用YALMIP工具箱对约束进行优化，然后调用CPLEX求解器求解[45]。

3.3 聚合商模型

用户参与电力市场的门槛通常为兆瓦级，而单辆电动汽车并达不到此容量级。聚合商可将需求侧聚合后作为一个整体与电网进行联系，并代理参与需求响应容量、电能量竞价获得收益，是实现电动汽车需求侧管理的一种有效载体[46]。

潘樟惠等[47]提出了一种考虑需求侧放电竞价的充放电调度策略并进行了算例分析。此外，电动汽车行为预测精度将大大影响聚合商的投标决策和利润。HUANG等[48]研究了考虑分时电价影响的多电动汽车聚合器的最优调度策略。

此外，区域化分层控制在引导电动汽车参与V2G方面也具有重要作用。肖丽等[49]提出了双层优化调度策略。其中，上层模型以电网总负荷方差最小和代理商调度计划偏差最小为目标函数；下层模型基于用户参与意愿和调度能力，并实现用户收益最大化。GAB等[50]提出了一种新的多级优化V2G调度方法。其指出，价格调整是聚合商提高用户参与V2G的积极性，增加电网稳健性的有效措施。

4 虚拟电厂

虚拟电厂的提出旨在同时实现能源优化配置和灵活的经济调度。然而在虚拟电厂运行的过程中，可再生能源发电的波动性，负荷预测的误差等都会造成较大的不稳定性，从而影响整个电厂的运行规划。VASIRANI等[51]通过构建分布式电源调度模型，实现了电动汽车灵活充电并且提高虚拟电厂收益。SHAFIE等[52]提出了基于多代理技术的电动汽车充电规划模型与求解方法，最终提高了用户参与度和电厂规划收益。

由于有众多因素影响着虚拟电厂中的可再生能源的预测以及电动汽车充/放电功率的预测，因此，研究者较难获得准确的概率分布。而鲁棒优化算法只需要少量的信息就能进行研究[53]，因此，该算法吸引了很多研究者的注意。卢志刚等[54]为了实现对 V2G智能充放电和风力发电的打包管理，建立了虚拟电厂的双层逆鲁棒优化调度模型，增强了模型的安全性和节能性。

目前大部分对于虚拟电厂的研究中，最终目的是使经营利润最大化（如图4所示），同时减少由于这些偏差造成的能源生产预测误差和经济处罚。在这些问题中，目标函数受到一系列技术和时间约束，如机组状态（连接-断开）、机组斜坡极限、能量平衡是否符合等[55]。针对这类问题，研究提出了虚拟电厂利润在其组成的分布式能源之间的分配[56]以及利用不同电力市场之间套利，使虚拟电厂利润最大化[57]。

图4 虚拟电厂利润最大化模型

5 结论与展望

本文电动汽车 V2G技术应用的关键影响因素进行综述，从充电桩技术、充放电调度优化算法、充放电调度策略等方面详细介绍了当前国内外研究现状。

充电桩是电动汽车V2G的重要设施保障，未来将朝向分布式、互联互通，模式多样方向发展。充电桩技术的快速发展进步、合理的规划布局以及良好的生态经济性，是电动汽车快速发展的重要因素。

聚合商和虚拟电厂的模式可以有效实现灵活资源的聚合，而充放电调度策略则影响着V2G技术的高效开展，应充分考虑电网负荷、峰谷差、充放电功率、用户舒适度、经济性、环境效应等因素进行合理的充放电调度。深度学习和先进优化算法的快速发展有望进一步促进电动汽车和电网的互动，实现更快更好的响应，并为用户带来更好的响应收益和更高的满意度。