集中式V2G技術的研究綜述

王伊琳+張清勇+龔康

摘 要：隨著電動汽車技術的發展，V2G技術受到越來越多的關注，尤其是可靠性更高的集中式V2G技術。因此本文對集中式V2G的研究進展進行了總結，首先本文對國內外電動汽車的發展趨勢進行了調研，然后針對集中式V2G技術的優化調度問題，分優化目標、電動汽車建模、模型求解三個部分進行了分析，最后對集中式V2G發展進行了展望。

關鍵詞：電動汽車；V2G；綜述

DOI：10.16640/j.cnki.37-1222/t.2017.18.009

1 引言

隨著化石能源短缺的日益加劇以及城市環境污染問題的日益嚴重，具有高效率、無污染、低噪音等特點的電動汽車逐漸得到關注和認可，被認為將取代傳統汽車，成為未來的主要交通工具之一[1]。電動汽車大規模入網會給電網帶來兩個方面的影響：一是未經引導的電動汽車充電負荷可能會產生新的負荷高峰，給電網的運營帶來挑戰[2]；二是電動汽車的空閑時間較長，尤其是私家車，擁有大容量電池的電動汽車就可以作為電網的分布式的儲能裝置，可以用于電網負荷的削峰填谷、提高供電質量、解決新能源發電的隨機性和間歇性問題。

V2G技術是指通過電價等激勵手段引導電動汽車在電網有功率缺額時放電、在電網功率過剩時候充電，實現電動汽車與電網的互動[3]。一方面，V2G技術給電網提供了更靈活、更具有經濟性的儲能方式，給電網解決新能源并網、電網經濟調度提供了新的解決方案；另一方面，V2G技術也使得電動汽車主可以通過激勵政策獲得一定收益，充分的利用閑置資源，分擔購車壓力。

自1995年Amory Lovins提出V2G這個概念以來，V2G技術獲得了廣泛的關注，研究者們針對V2G技術的優化調度、經濟性論證[4，5]等關鍵問題進行了深入的研究，已經取得了一定的成果。目前V2G的主要實現方式分為集中式V2G、分布式V2G和換電式V2G。集中式V2G是指某一區域的電動汽車集中在一個充電站中，根據電網的指令進行統一調度，充電站一般作為中間代理環節；分布式V2G是指電動汽車通過分散的充電樁進行充電，電動汽車根據電價等激勵措施自主進行充放電；換電式V2G是指基于電動汽車換電模式的V2G，利用電動汽車換電站內用于更換的電池進行V2G。分布式V2G由電動汽車自主響應電網的激勵政策，隨機性較大，且有形成反高峰的可能[6]，難以達到最佳效果；換電式V2G則依托電動汽車換電站，一方面電動汽車換電模式的發展還存在著電池型號不統一等許多障礙[3]，另一方面，建立換電站需要有較多的電池冗余，成本相對于建充電站更高?？偟膩碚f，集中式V2G是目前較為可靠，投入成本相對較低，發展更為容易的V2G方式，因此，集中式V2G也得到更多學者的關注。

本文在調研大量文獻之后，對電動汽車集中式V2G技術的研究進展進行了概述。論文主要討論了電動汽車的發展趨勢，集中式V2G優化調度過程中的目標函數確定、電動汽車建模、優化模型求解等幾個問題。

2 電動汽車的發展趨勢

考慮到電動汽車用戶對汽車使用的隨機性，只有當電網中的電動汽車達到一定比例以后才能為電網提供較為穩定且足夠大的儲能容量，才能在電網的削峰填谷、改善新能源并網特性等應用場合產生經濟效益，補償電動汽車充電站的建設成本等前期投資。電動汽車的規模決定了電動汽車對電網的影響能力，也決定了V2G技術的可靠性與經濟性。因此，電動汽車的發展趨勢決定了V2G技術的應用前景。

在美國，汽車的二氧化碳排放量占到全國總排放量的17%，因此發展電動汽車一直是美國政府的重要政策。美國政府在電動汽車的購置、上牌、充電等方面都給與了政策支持[7]。美國能源部2016 年能源展望報告數據顯示，2014年美國純電動汽車的銷量就達9.4 萬輛。經預計，到2030年，美國電動汽車的總數量將達到5000萬輛[8]。

日本的電動汽車研究一直處于技術領先的地位，這得益于日本雄厚的汽車技術的基礎和政府的高額補貼政策。日本對電動汽車電池的研究投入了大量的資金，從而在日本形成了全球最大的高性能電動汽車動力電池產業聯盟。另外，日本還大量投資電動汽車的充電設施建設，計劃于2020年前，建成電動汽車充電樁的數量達到200萬個[9]。

歐盟于2010年正式發布了清潔節能汽車領域的戰略發展計劃，歐洲各國積極響應。德國政府計劃使德國的電動汽車在2020年達到100萬輛[10]，并且投入大量資金用于支持電動汽車的研發和電動汽車充電樁的建設；法國是歐洲電動汽車發展最為迅速的一個國家，其給予電動汽車“新車購置金”的補貼政策使得電動汽車的銷售份額迅速的超過了傳統汽車；英國則通過收取汽車二氧化碳排放稅的方式來促進電動汽車的發展。

我國的電動汽車產業與國外發達國家相比起步較晚，但是發展勢頭卻十分迅猛，我國從2015年起電動汽車的產銷量就居于世界第一位，2016年的電動汽車產銷量超過了50萬輛[11]。根據我國電動汽車“十三五”發展規劃，到2020年，我國要建立起完善的研發系統和產業鏈，實現電動汽車的產業化。經預計，到2030年，我國的電動汽車總量將達到6000萬輛[12]。

3 集中式V2G技術的優化調度

集中式V2G的優勢在于能夠集中電動汽車進行統一調度，從而達到整體效益的最優，因此集中式V2G的核心內容就是電動汽車的優化調度。但是電動汽車的優化調度需要協同考慮電網的功率需求和入網電動汽車在時間和可用容量上的隨機性，因此電動汽車的優化調度也是集中式V2G的技術難點。下面分優化目標、優化方法、電動汽車參與V2G的響應模型來進行分析。

3.1 優化目標

集中式V2G的優化目標是投資者們關心的利益產出，決定了其在經濟效益和環境效益上的可行性。學者們針對電動汽車在新能源并網、配網負荷削峰填谷、與發電機組的聯合調度、調頻等應用場景進行了研究，分別以新能源利用率最高[13]、負荷平滑度[14]、電網發電成本最低[15]、CO2排放量最低[16]、電動汽車主收益最高[13]為優化目標進行了研究。endprint

由于集中式V2G的調度往往涉及到多個參與方的利益博弈，因此V2G的優化調度往往需要處理多目標優化的問題。文獻[17]中提出了分層的優化思路，分調度中心和各代理機構兩層進行優化，分別考慮電網與車主的利益。文獻[13]則提出了分步的優化思路，首先考慮新能源的消納和負荷方差得到電動汽車的初步調度結果，再考慮發電成本進行進一步優化。而文獻[15]則采用多目標遺傳算法和加權法相結合的思路同時對多個目標進行優化。

3.2 電動汽車的建模

電動汽車是V2G的主體，因此對電動汽車的合理建模是優化調度的重要內容，只有準確的建模才能正確模擬出電網中電動車的可用時間和電池的可用容量。電動汽車的建模主要包括兩個內容，一個是電動汽車的駕駛特性，即電動汽車的出行時間特性和行駛距離的分布特性，另一個是電動汽車對V2G的參與程度。

對于電動汽車的駕駛特性的建模，目前已經有較多的研究。文獻[18]根據美國私家汽車出行規律調研的數據得到了汽車的出行時間和行駛里程的正態分布模型，再根據蒙特卡洛模擬的方法得到仿真用的調度數據。文獻[19]則根據電動汽車每日的行程數對電動汽車進行分類，先統計各類行程出現的概率，再對每類日行程的各個行程的時空特性、駕駛距離等進行統計建模。文獻[20]則根據電動汽車的用途，將電動汽車分為了Home-Based-Work、Home-Based-Other和Non-Home-Based三種類型，分別統計這三類汽車的比例以及出行時間和駕駛距離的分布概率，該文獻還進一步根據電動汽車的類型討論了電動汽車電池容量的概率分布情況以及每公里行駛耗能的概率分布情況，從而更精確的對電動汽車的駕駛特性進行了描述。

電動汽車對V2G激勵政策的響應程度關系到電動汽車主的經濟行為習慣、電動汽車的成本以及激勵政策的力度，是一個比較復雜的問題。文獻[21]中采用了三段線性函數來描述電動汽車主參加V2G的比例隨充放電價格差變化的關系；文獻[20]則對該模型進行了改進，采用凹函數描述電動汽車的參與度與電價的關系，并且考慮放電帶來的額外電池損耗，對在充電和反放電采用不同的特性曲線。文獻[13]則采用價格系數彈性矩陣來描述電動汽車對電價的響應情況，該方法的優勢在于可以同時考慮當前電價以及其他時刻電價的變化對電動汽車主的影響。這類方法都試圖將電動汽車主的響應程度與電價直接關聯起來，但是車主往往難以根據電價估算自身獲益，而且還有一些其他非利益因素需要考慮，因此難以準確地描述電動汽車的參與度。文獻[22]則采用了條件風險價值（CVaR）來衡量電動汽車主在參與V2G過程中的風險與價值，讓電動汽車住根據一定置信水平下的收益來做出決定，該方法的優點在于能夠充分考慮電動汽車主的心理因素以及收益上的不確定性。

3.3 優化方法

由于集中式V2G最優調度方案的求解往往需要處理復雜的約束條件、多個待優化量，所以選擇合適的求解方法十分重要。目前，主要使用的是智能算法，其在處理這類非線性問題上具有計算效率高、約束條件寬松等優勢，遺傳算法[23]、離散細菌群體趨藥性算法[16]等智能算法都得到了應用。然而智能算法在處理復雜的非線性問題時往往有早熟問題，容易陷入局部最優，求解結果不精確，文獻[24]則在粒子群算法的基礎上引入了選擇機制和交叉機制，改進其搜索能力。文獻[25]則使用了粒子群-退火混合算法 ，從而同時發揮這兩種算法的優勢。

還有一些文獻則使用了其他方法，文獻[26]采用了拉格朗日松弛法來求解電動汽車的最優調度方案，利用對偶因子將約束條件解耦，從而將待優化量分解，有效的減少了計算時間。文獻[18]則使用優先順序法，將多時段的優化問題分解到各時段分別求解，計算過程更為簡單，效率更高。

4 總結與展望

目前，電動汽車集中式V2G技術的經濟性和改善電網特性的能力已經得到了較多的理論驗證，一些機構也正著手開展實體項目來論證其可行性。相信隨著電動汽車規模的發展、動力電池性能的提升，集中式V2G的可靠性會進一步提升、電動汽車參與V2G的成本會進一步降低，集中式V2G技術會逐步走向商業化的道路。

參考文獻：

[1]胡澤春，宋永華，徐智威等.電動汽車接入電網的影響與利用[J]. 中國電機工程學報，2012，32（04）：1-10.

[2]劉曉飛，張千帆，崔淑梅.電動汽車V2G技術綜述[J].電工技術學報，2012，27（02）：121-127.

[3]Hadley S W，Tsvetkova A A.Potential Impacts of Plug-in Hybrid Electric Vehicles on Regional Power Generation[J]. Electricity Journal，2009，22（10）：56-68.

[4]Kempton W，Kubo T.Electric-drive vehicles for peak power in Japan[J].Energy Policy，2000，28（01）：9-18.

[5]Kempton W，Tomi? J.Vehicle-to-grid power fundamentals： Calculating capacity and net revenue[J].Journal of Power Sources，2005，144（01）：268-279.

[6]Shafiq S，Al-Awami A T.Reliability and economic assessment of renewable micro-grid with V2G electric vehicles coordination[C].Applied Electrical Engineering and Computing Technologies.IEEE，2015.endprint

[7]杜志彬，莊恒國.美國電動汽車激勵政策簡析[J].汽車工程師， 2016（10）：14-16.

[8]Ota Y，Taniguchi H，Nakajima T，et al.An autonomous distributed vehicle-to-grid control of grid-connected electric vehicle[C].International Conference on Industrial and Information Systems，2009：414-418.

[9]吳翠玉，張美霞，陳海燕等.國內外電動汽車扶持政策比較與分析[J].上海電力學院學報，2016，32（02）：188-192.

[10]夏德建.電動汽車研究綜述[J].能源技術經濟，2010，22（07）：49-55.

[11]蔡仲旺，王廣鳳.我國電動汽車產業現狀與發展策略研究[J]. 現代經濟信息，2016（01）：351-352.

[12]楊玉青，蘇粟，姜久春等.改善配電網負荷特性的充電站有序充電優化策略[J].電力系統保護與控制，2014，42（07）：60-66.

[13]孫波，孫佳佳，董浩.基于分時充電電價的電動汽車消納風電的機組調度優化模型[J].可再生能源，2017（01）：110-118.

[14]侯建朝，胡群豐，譚忠富.計及需求響應的風電-電動汽車協同調度多目標優化模型[J].電力自動化設備，2016，36（07）：22-27.

[15]劉東奇，王耀南，袁小芳.電動汽車充放電與風力/火力發電系統的協同優化運行[J].電工技術學報，2017，32（03）：18-26.

[16]盧志剛，姜春光，李學平等.清潔能源與電動汽車充電站協調投資的低碳效益分析[J].電工技術學報，2016，31（19）：163-171.

[17]姚偉鋒，趙俊華，文福拴等.基于雙層優化的電動汽車充放電調度策略[J].電力系統自動化，2012，36（11）：30-37.

[18]吳紅斌，侯小凡，趙波等.計及可入網電動汽車的微網系統經濟調度[J].電力系統自動化，2014，38（09）：77-84.

[19]李明洋，鄒斌.電動汽車充放電決策模型及電價的影響分析[J]. 電力系統自動化，2015（15）：75-81.

[20]王明深，穆云飛，賈宏杰等.考慮用戶出行時間和補償價格的電動汽車集群響應能力評估模型[J].華北電力技術，2017（03）：23-31.

[21]佟晶晶，溫俊強，王丹等.基于分時電價的電動汽車多目標優化充電策略[J].電力系統保護與控制，2016，44（01）：17-23.

[22]楊曉東，張有兵，趙波等.供需兩側協同優化的電動汽車充放電自動需求響應方法[J].中國電機工程學報，2017，37（01）：120-129.

[23]潘樟惠，高賜威.基于需求響應的電動汽車經濟調度[J].電力建設，2015，36（07）：139-145.

[24]魏大鈞，張承慧，孫波等.基于分時電價的電動汽車充放電多目標優化調度[J].電網技術，2014，38（11）：2972-2977.

[25]李博彤，唐鍇.計及電動汽車儲能特性的微電網規劃模型與算法[J].電力建設，2017，38（02）：60-65.

[26]邵成成，王錫凡，王秀麗.發電成本最小化的電動汽車分布式充放電控制[J].電力自動化設備，2014，34（11）：22-26.

作者簡介：王伊琳（1990-），女，碩士，助理實驗師，研究方向：電動汽車、儲能技術。endprint