V2G模式下電動汽車有序充放電調度及其應用研究

劉志強，張謙，栗堯嘉，朱熠，胡悅

V2G模式下電動汽車有序充放電調度及其應用研究

劉志強，張謙，栗堯嘉，朱熠，胡悅

(輸配電裝備及系統安全與新技術國家重點實驗室(重慶大學)，重慶 400044)

隨著電動汽車的發展，電動汽車大規模無序接入將給電網帶來負荷峰谷差增大，配電網負荷局部過載，電網部分母線電壓過低，線路損耗增大，配電網變壓器容量越限等一系列問題。應用電動汽車與電網互動控制電動汽車的充放電過程，可有效緩解上述問題，并起到削峰填谷、平抑可再生能源間歇性和波動性的作用。從電動汽車集群充電需求和放電能力的時空分布、電動汽車與電網互動的充放電電價制定策略和電動汽車與電網互動分級調度模型三方面總結了電動汽車有序充放電調度及其應用的研究現狀，并討論了下一步的研究方向。

電動汽車與電網互動；時空分布；調度；頻率調節；充放電電價

0 引言

隨著環境污染和傳統能源緊缺等問題日益凸顯，具備節能和環保優勢的電動汽車(electric vehicle, EV)是新能源汽車的主要發展方向。大力發展電動汽車是我國“節能減排”基本國策的要求之一[1]。近日，國務院辦公廳發布了新能源汽車產業發展規劃(2021-2035)，以推動電動汽車及其相關技術在中國的使用和發展。

大規模的電動汽車無序接入，將給電力系統規劃和運行帶來負荷增長、峰谷差增大、電網運行優化控制難度增加等問題，對新型配電網規劃提出新的要求。

應用電動汽車與電網互動技術(Vehicle-to-Grid, V2G)控制EV的充放電過程，可以緩解EV規?；l展對電力系統造成的負面影響，并起到削峰填谷、平抑可再生能源間歇性和波動性的作用[2]。同時，在電網發生故障時，電動汽車可以作為備用電源，為孤島運行的配電網提供電能，起到提高配網的可靠性的作用。隨著電池技術的迅速發展，電動汽車可調度容量越來越大。如何合理地調度電動汽車有序充放電以實現電網的優化運行，越來越受矚目[3]。

本文將重點圍繞V2G調度涉及的以下幾方面研究工作開展討論。

1) 電動汽車集群充電需求和放電能力的時空分布研究

電動汽車時空分布特點對V2G調度有著重要的影響。由于電動汽車具有移動特性，其可控容量不僅與時間有關系，也受到空間位置的影響，因此，需充分考慮電動汽車在路網上的隨機性，對電動汽車整體充電需求和放電能力的時空分布進行研究，以獲取電動汽車參與調度的可控容量大小。

2) 電動汽車與電網互動充放電電價制定策略

電動汽車作為一種居民日常交通工具，首先必須滿足日常行駛要求。在滿足行駛要求的前提下，經車主同意才能參與到電力系統調度當中。因此，制定合理的電價機制以激勵車主參與V2G調度，對V2G的推廣顯得尤為重要[4]。

3) 電動汽車與電網互動分級調度模型研究

V2G調度逐漸由電網直接調度向分級調度轉換，如圖1所示。一級調度中心實現Aggregator與電網(aggregator-to-grid, A2G)之間的調度，二級調度中心實現電動汽車與Aggregator(Vehicle-to- Aggregator, V2A)之間的調度[5]。

圖1 電動汽車與電網互動分層調度示意圖

大規模電動汽車的充放電調度計劃是通過每一個電動汽車個體的充放電行為聚合后形成的群體策略，在制定電動汽車整體充放電策略時，需要進一步研究如何將該群體策略向下延伸分配至每個個體，并充分考慮個體的自身條件和意愿，體現充電策略的公平性和合理性。要實現電動汽車與電網互動的最優調度，不僅需研究A2G調度問題，同時需研究V2A調度問題。就目前而言，有關如何將區域電網層面的充電策略結果分解至每輛電動汽車上的研究相對較少。

本文將從上述三方面總結目前V2G調度及其應用研究相關工作，并討論進一步的研究方向。

1 電動汽車充電需求和放電能力時空分布

隨著電動汽車滲透率不斷提升，未來大規模電動汽車接入電網，其充、放電行為給電網的穩定運行帶來了挑戰，精確預測電動汽車充電需求是研究電動汽車對電網雙向互動的基礎，對分析電動汽車接入電網的影響、電力系統規劃及穩定運行具有重要意義。

1.1 電動汽車充電需求時空分布

目前對電動汽車充電負荷時空分布預測存在三個問題：第一，電動汽車空間行駛路徑常規模擬方法，如最短路徑算法、地塊劃分法與O－D反推法，都存在對駕駛者駕車隨機性考慮不足的問題，并且電動汽車按照固定路線行駛，將導致相同起始點的電動汽車總是在固定的充電站充電；第二，考慮實時變化的交通狀況以及駕駛者對路徑隨機選擇的影響，采用動態交通流的方式進行模擬，但是現有方法為了追求模擬的準確性，通常需要建立多個非線性方程，進而產生巨大的計算量；第三，對電動汽車時空分布研究中常忽略交通擁堵狀況與天氣狀況對電動汽車的能耗的影響，電動汽車在怠速與頻繁啟停和空調的開啟都將導致能耗增高。

針對上述問題，文獻[6]計及實時交通與溫度，提出了一種基于馬爾可夫決策過程隨機路徑模擬的城市電動汽車充電負荷時空分布預測方法，以計算出不同溫度、不同交通狀況下電動汽車充電負荷的時空分布。該方法能夠避免最短路徑算法中相同始終點電動汽車在固定地點充電的問題，體現電動汽車空間移動的隨機性。算例仿真計算了電動汽車充電負荷時空分布，結果表明節點充電負荷具有明顯峰谷差，并且承擔快充能力越強的節點峰谷差越明顯，交通樞紐節點負荷波動情況最嚴重；環境溫度的升高對電動汽車能耗有著顯著影響，導致節點充電負荷持續維持在高位；交通狀況的惡化一方面會導致電動汽車充電負荷峰值增高，另一方面會導致峰值持續時間增長。

傳統的蒙特卡洛方法不能及時更新每輛電動汽車的狀態，而電動汽車接入電網的狀態隨時隨地在發生改變，在電動汽車狀態不變的情況下，傳統方法可能產生大量的無效計算。為了提高算法效率，文獻[7]提出了一種高效的準動態交通流模擬方法?；陟o態交通流分布，利用出行鏈理論描述電動汽車車主的行駛習慣，同時在考慮交通擁堵對車主路徑選擇的影響下，利用改進后的蒙特卡洛法，計算了電動汽車的時空分布和實時荷電狀態。仿真結果表明，該方法提高了傳統蒙特卡洛法的計算速度；提高電動汽車的普及率、充電閾值和電池容量有利于配電網和電動汽車充電可靠性；降低放電閾值有利于提高配電網的可靠性，但不利于電動汽車充電的可靠性；當電動汽車數量較少或電池容量較低時，增加電動汽車數量和電池容量可以有效提高配電網和電動汽車充電可靠性。

文獻[8]提出了改進的LSTM神經網絡，預測精度更高、泛化能力更強。分析了天氣因素、社會因素以及路網線路特性等因素對道路行車速度的影響，構建了基于平均速度預測的電動汽車能耗模型；提出考慮樣本相似度的長短期記憶神經網絡，對電動汽車平均速度進行了預測，計算了汽車行駛能耗，結合空調能耗得出單位里程電動汽車總耗電。

文獻[9]考慮路況擁堵因素對電動汽車荷電量的影響，提出了一種基于聚類分析的電動汽車充電負荷預測方法，在分析常規充電負荷影響因素并初步建立概率分布模型的基礎上，對每段行程的行駛里程和行駛時間構成的二維出行特征數據進行聚類分析。挖掘常規統計數據無法得到的道路擁堵因素，考慮不同路況條件下道路擁堵因素對電動汽車荷電狀態的影響，并疊加該變量到負荷預測模型中，以實現電動汽車充電負荷的精確預測。

1.2 電動汽車可調度能量動態變化

在進行EV實時可控能量研究時，常簡化各類型EV的交通屬性、狀態轉換特性以及由于車輛使用的隨機性，導致各時段參加調頻的EV實時可控能量計算不準確?；诖?，文獻[10]分析了電動汽車的調度控制模式，綜合考慮各類約束，設計了一種針對電動汽車實時可調度容量的具備普適性的評估算法，然后基于此方法計算出了分別適用于一次、二次和三次調頻情景的電動汽車集群可調度容量。文獻[11]根據用戶出行需求和電池壽命約束，對電動汽車的可上調和可下調容量進行了評估，作為頻率調節的依據。文獻[12]在分析我國4種類型EV行駛規律的基礎上，結合EV接入電網的狀態轉換特性，模擬計算EV可控數量和初始儲能，其狀態轉換如圖2所示。

圖2 EV的狀態轉換

在此基礎上，文獻[12]以計及電動汽車可控容量動態變化的負荷頻率調整為目標，基于EV行駛規律計算出電動汽車的可控數量，進而計算出各類型電動汽車的實時可控能量。區域內EV實時可控能量動態模型如3所示。仿真結果表明：在相同電池總能量下，電動私家車在各類型EV中，參與系統調度的可控時段最多，實時可控能量最多。

圖3 EV實時可控能量動態模型

2 電動汽車與電網互動充放電電價制定策略

EV用戶對電動汽車充放電行為的決策通常取決于實時電價的高低、日常出行需求等因素，因此可以通過充放電電價激勵用戶合理安排充放電時間，以實現電網負荷調整。而如何制定合理的EV充放電電價對數量龐大的電動汽車進行有效引導顯得尤為重要。

2.1 電動汽車與電網互動的充電電價策略

目前制定的EV充電電價主要有靜態峰谷電價[13-14]和動態分時電價[15-18]兩類。文獻[13]分析了電動汽車用戶對電價變化的需求響應模型，提出能夠影響電動汽車充放電行為的最優峰谷分時電價定價方案。2016年，深圳市率先出臺電動汽車充電峰谷電價政策以引導用戶在夜間低谷進行充電，其分時電價的費率不隨電力系統實際運行情況動態調整[15]。然而靜態峰谷電價僅能反映地區基礎負荷情況，無法針對負荷激增或驟降等情景對充電電價進行適當調控，這可能導致系統負荷出現另一個高峰，從而影響配網安全運行。

針對靜態峰谷電價可能給電網帶來新的問題，國內外學者逐步開展電動汽車動態分時電價研究。文獻[15]設計了一種EV充放電負荷與實時電價聯動優化模型，以用戶成本最小為目標實現電網經濟調度。文獻[16]提出基于動態分時電價的電動汽車有序充電控制方法，用戶通過響應動態分時電價激勵可顯著降低充電站的運營成本和電動汽車用戶的充電成本。文獻[17]以EV充放電收益最大為目標，并在此基礎上決策電動汽車充放電行為，仿真結果顯示該模型能夠體現用戶對電價的響應能力，進一步說明對實時電價進行動態調整將更好地平滑網內負荷曲線。

但以上研究大多假設電動汽車嚴格遵守電網的調度命令，而忽略了電動汽車用戶偏好與個人選擇對整個系統調度結果的影響。為有效引導電動汽車進行有序充電行為，文獻[18]充分考慮了電動汽車用戶的個體行駛特性和自主選擇性，建立了電動汽車并網場景和可控容量預測模型，設計了用于表征EV綜合滿意度的分項評價指標，并進一步提出計及用戶滿意度的電動汽車動態分時充電電價制定策略。仿真結果表明，所制定的動態分時充電電價能夠引導EV用戶轉移充電負荷，在實現削峰填谷的同時，抑制負荷波動并提高了可再生能源的利用率。

2.2 電動汽車與電網互動的放電電價制定策略

目前關于EV參與備用電能市場交易的放電電價研究主要分為以下兩種。

一是以電網運行效果或EV用戶收益為目標優化EV充放電行為。文獻[19]結合EV用戶日常行駛需求、電池容量及充放電功率建立了EV參與電網調峰的模型，結果表明放電電價能夠有效引導EV的放電行為。文獻[20]兼顧EV成本和電網公司利益求解EV充放電電價的4個限值，以峰谷差最小及用戶參與V2G成本最低為目標獲得最優峰谷時段。文獻[21]建立了計及多方利益的電動汽車有序充放電定價模型，并驗證了不同電價下的滿意度將影響EV用戶的日常充放電習慣。

二是采用博弈的思想制定EV放電電價。文獻[22]提出采用博弈論方法建立用戶對期望電價與實際電價之間的差異滿意度模型和雙方效用函數，并使用反向歸納法獲得納什均衡解。文獻[23]利用博弈論尋求電網和EV用戶的納什均衡，即合理的充放電電價，算例表明此電價能夠有效激勵EV參與V2G以降低峰荷。

文獻[24]提出了一種基于模糊貝葉斯學習的電動汽車代理商與電力公司談判報價模型，著重研究了電網與EV運營商的放電電價談判過程，采用模糊貝葉斯學習以更新并修正估計值，通過談判得到雙方都可接受的放電電價。仿真結果表明，該策略為參與者增加了顯著的經濟效益，降低了電動汽車使用成本和電網運行成本。文獻[25]基于合作博弈的思想，以電動汽車代理商與電動汽車用戶的合作聯盟收益最大為目標，建立了電動汽車的動態分時優化充放電模型，結果表明所提策略能有效減小峰谷差，同時提高了代理商和電動汽車用戶的收益。

圖4 一對多兩階段放電電價談判流程圖

針對一對一放電電價談判模型未考慮多家電動汽車代理商參與談判，競爭不足導致所得放電電價不合理的問題，文獻[26-27]提出了在多代理情況下電動汽車參與優化調度的談判策略，圖4顯示了一對多兩階段放電電價的具體談判流程。仿真結果表明，使用一對多談判模型得到的成交價格較為合理，也不會增加談判輪數，同時增大了成交概率，因此，所制定的放電電價可激勵電動汽車參與電力系統調度，達到緩解電網供電壓力的目的。

3 電動汽車與電網互動分級調度模型

國內外對V2G調度問題的研究，通常是針對一級調度，且主要集中在以下兩方面：計及V2G的機組組合研究和計及V2G的調頻輔助服務研究。

3.1 計及V2G的機組組合

文獻[28]構建了計及電動汽車充放電行為的機組組合模型，以實現系統的運行成本和碳排放成本最小，并進一步研究了風電、太陽能發電等新能源發電對調度的影響[29-30]。文獻[31]將電動汽車換電站引入傳統機組組合問題中，計及了換電站的充放電效率、電量平衡和滿足日換電需求的最小儲能等約束，提出換電站與電網互動的機組組合模型。

但上述研究僅給出電動汽車總體的充放電安排，尚未將控制分解到每輛電動汽車[32]。此外，目前的研究通常主觀假定調度模型中V2G的可用容量為固定值，并能夠滿足調度需求[33]。且大多是以對電動汽車的直接調度為基本假設，認為調度人員在電動汽車申報可調度時段內可完全控制其充放電過程，未考慮電動汽車的隨機性。

圖5 電動汽車優先權調度方案

基于此，在文獻[34]建立的一級調度模型基礎上，計及電動汽車用戶用車便利性，文獻[35-36]建立了基于優先權的電動汽車集群充放電優化模型。通過分析電動汽車各項申報信息對代理商制定策略的影響，建立電動汽車評價指標體系，以電動汽車申報容量和時段、誠信度及電池損耗為評價指標，基于熵權法確定電動汽車調度優先權，從而得到電動汽車代理商所轄區域電動汽車集群充放電優化控制策略。電動汽車優先權調度方案如圖5所示。

3.2 計及V2G的調頻輔助服務

單輛電動汽車的電池容量及輸出功率有限，故往往采取由聚合商統一管理電動汽車集群，再以電動汽車聚合商為單元提供調頻服務的模式。文獻[37]基于電動汽車的充放電靜態頻率特性模型，在電力系統負荷擾動發生時，實現了對電動汽車充放電的協調控制。但文中電動汽車與傳統單元的調頻需求功率分配比例固定，電動汽車的儲能資源無法得到充分利用，調頻效果不佳。文獻[38]提出了基于電動汽車集群容量實時預測的負荷頻率控制策略。該策略能夠實時調整電動汽車集群的功率分配，既滿足了電動汽車用戶的行駛需求，又通過源荷互動提高了電網的頻率穩定性，避免了由于調頻功率分配不合理導致的調頻效果不佳或資源浪費問題。

隨著風力在電力系統中滲透率的增加，要求風力發電機具有控制有功輸出的能力。為了彌補雙饋感應發電機因風力發電的不確定性和波動性而在調頻方面的不足，采用電動汽車作為輔助存儲裝置，輔助風力發電機參與系統的調頻。文獻[39]提出了一種雙饋感應發電機和電動汽車集群的協同控制策略。在合理劃分風速區域和選擇槳距角運行點的基礎上，提出了連續變化風速下雙饋感應發電機備用容量的預測模型?？紤]電動汽車車主需求，通過系統實時分配基于調頻容量的調頻任務，提出了雙饋感應發電機與電動汽車集群的二次調頻協調控制策略。

圖6 系統調頻控制模型

針對風電機組、光伏陣列和電動汽車集群微電網，文獻[40]提出了一種基于虛擬同步發電機(VSG)的自適應二次調頻策略。將改進的虛擬同步發電機控制方法應用于可再生能源發電機組和電動汽車集群，通過將比例積分控制引入虛擬同步發電機的頻率控制器，實現無誤差頻率調節，結合風電機組、光伏陣列和電動汽車的實時調頻備用容量，建立了虛擬同步發電機二次調頻參數自適應調整策略。其系統調頻控制模型如圖6所示。

目前電動汽車調頻研究一般考慮了滿足車主的行駛需求或者最大化車主經濟收益，但往往忽略了電動汽車在接受以調頻為目的的調度之后，其需求充電負荷曲線因參與調頻而發生改變，從而產生對電網側造成不利影響的可能。

文獻[41]提出了計及車主行駛需求的電動汽車集群調頻控制策略，設定電動汽車均在臨近出發時退出調頻，然后充電至需求電量后立刻開始行駛。文獻[42]中的自主調頻控制方案也設定在接近車主預設的離網時刻時切換至智能充電模式，為滿足出行計劃而進行充電。然而，由于同類型車輛的行駛規律相似，會出現大量電動汽車聚集在相近時段進行充電的情況，從而造成電網峰谷差加大。在文獻[43]的研究中，進行單輛電動汽車的調頻調用時，實時調整預定的V2G功率以補償由不確定性調度導致的電池電量變化，以保證離網時達到車主預期的荷電狀態。但是這種方法僅對充電功率進行調整，并未對充電時段進行安排設計，因此無法避免出現集中性的充電負荷高峰。文獻[44]提出了電動汽車參與調頻的多目標優化控制策略，可以實現最小化電網頻率偏差，按容量比例分配調頻信號，最大程度支持雙向V2G，以及避免頻繁充放電造成電池退化，但并未將抑制充電負荷對電網的負面影響納入優化目標。

同時，針對電動汽車集群參與調頻時的調度管理大多采用傳統的集中式控制結構。文獻[45]設計了基于自適應動態規劃的電動汽車聚合商調頻控制器，在穩定智能電網頻率方面表現出優越的性能，其中聚合商以集中式控制方式對單輛電動汽車進行調度。文獻[46]建立了包含多個電動汽車聚合商的考慮時變時延的負荷頻率控制模型，其中控制中心對各聚合商、聚合商對所管理的電動汽車均采用集中式控制。然而，對于包含大量車輛的電動汽車集群而言，集中式控制結構處理調頻相關信息時的計算量過大，對中心控制節點的要求極高，并且可靠性較低，一旦出現通信故障將嚴重影響調頻性能。因此，文獻[47]提出了考慮實際限制的風電機組和電動汽車協同調頻策略，并對比了集中式和分布式控制結構對調頻的影響，證明分布式控制可以減小時間延遲，且不需要在通信網絡上耗費過高成本。

更進一步地，文獻[48]建立了電動汽車分層分布式控制框架并引入負荷需求優化，大幅度減輕了電動汽車退出調頻后的無序充電現象。仿真結果表明，所提出的計及需求充電負荷優化的電動汽車集群分層分布式調頻策略，不僅能自適應調整以保證預期的調頻效果，還能降低電網側的供電壓力，實現電動汽車集群高效可靠的調度。

4 結論

本文主要從電動汽車的時空分布、充放電價策略和電動汽車與電網互動的分級調度模型等方面，總結了目前V2G調度及其應用研究相關工作，隨著電動汽車有序充放電調度的推廣應用，擬從以下兩方面開展進一步研究：

1) “車-路-網”耦合下，充分考慮電動汽車移動特性，結合電動汽車準確時空分布和充電站對用戶吸引度，開展電動汽車充電站選址定容研究。

2) 基于區塊鏈技術，開展電動汽車能源交易策略與模型、充電運營商之間的利潤博弈策略及電動汽車充電引導優化研究。

[1] 陳凱炎, 牛玉剛. 基于V2G技術的電動汽車實時調度策略[J]. 電力系統保護與控制, 2019, 47(14): 1-9.

CHEN Kaiyan, NIU Yugang. Real-time scheduling strategy of electric vehicle based on vehicle-to-grid application[ J]. Power System Protection and Control, 2019, 47(14): 1-9.

[2] 彭晶, 黃虹, 劉福潮, 等. 基于V2G技術的電動汽車有序充放電策略研究[J]. 電氣自動化, 2020, 42(5): 12-15.

PENG Jing, HUANG Hong, LIU Fuchao, et al. Research on PHEV orderly charge/discharge strategy based on V2G technology[J]. Electrical Automation, 2020, 42(5): 12-15.

[3] 于會群, 尹申, 張浩, 等. 考慮電動汽車用戶滿意度的微網分層優化調度策略[J]. 中國電力, 2020, 53(12): 83-91.

YU Huiqun, YIN Shen, ZHANG Hao, et al. Optimization strategy of microgrid hierarchical scheduling considering electric vehicles user satisfaction degree[J]. Electric Power, 2020, 53(12): 83-91.

[4] 譚維玉, 雷雨, 李軍, 等. 計及動態分時電價的電動汽車參與電網調度研究[J]. 可再生能源, 2020, 38(11): 1515-1522.

TAN Weiyu, LEI Yu, LI Jun, et al. Research on the participation of electric vehicles in power system dispatching considering dynamic time-of-use price[J]. Renewable Energy Resources, 2020, 38(11): 1515-1522.

[5] 盧少平, 應黎明, 王霞, 等. 基于用戶出行模擬的電動汽車快充站負荷預測及其優化調度[J]. 電力建設, 2020, 41(11): 38-48.

LU Shaoping, YING Liming, WANG Xia, et al. Charging load prediction and optimized scheduling of electric vehicle quick charging station according to user travel simulation[J]. Electric Power Construction, 2020, 41(11): 38-48.

[6] 張謙, 王眾, 譚維玉, 等. 基于MDP隨機路徑模擬的電動汽車充電負荷時空分布預測[J]. 電力系統自動化, 2018, 42(20): 59-66.

ZHANG Qian, WANG Zhong, SU Yaojia, et al. Spatial- temporal distribution prediction of charging load for electric vehicle based on MDP random path simulation[J]. Automation of Electric Power Systems, 2018, 42(20): 59-66.

[7] ZHANG Qian, ZHU Yi, WANG Zhong, et al. Reliability assessment of distribution network and electric vehicle considering quasi-dynamic traffic flow and vehicle-to- grid[J]. IEEE Access, 2019, 7: 131201-131213.

[8] 程江洲, 余子容, 程杉, 等. 城市路網中考慮多方影響的電動汽車能耗預測[J]. 電測與儀表, 2020, 57(20): 90-97.

CHENG Jiangzhou, YU Zirong, CHENG Shan, et al. Energy consumption prediction of electric vehicle considering multiple influences in urban road network[J]. Electrical Measurement & Instrumentation, 2020, 57(20): 90-97.

[9] 王睿, 高欣, 李軍良, 等. 基于聚類分析的電動汽車充電負荷預測方法[J]. 電力系統保護與控制, 2020, 48(16): 37-44.

WANG Rui, GAO Xin, LI Junliang, et al. Electric vehicle charging demand forecasting method based on clustering analysis[J]. Power System Protection and Control, 2020, 48(16): 37-44.

[10]張聰, 張祥文, 夏俊榮, 等. 電動汽車實時可調度容量評估方法研究[J]. 電力系統保護與控制, 2015, 43(22): 99-106.

ZHANG Cong, ZHANG Xiangwen, XIA Junrong, et al. Research on estimation of electric vehicles real-time schedulable capacity[J]. Power System Protection and Control, 2015, 43(22): 99-106.

[11]何晨穎, 耿天翔, 許曉慧, 等. 利用電動汽車可調度容量輔助電網調頻研究[J]. 電力系統保護與控制, 2015, 43(22): 134-140.

HE Chenying, GENG Tianxiang, XU Xiaohui, et al. Research on grid frequency regulation using schedulable capacity of electric vehicles[J]. Power System Protection and Control, 2015, 43(22): 134-140.

[12]張謙, 李晨, 周林, 等. 計及電動汽車實時可控能量動態變化的負荷頻率控制[J]. 電力自動化設備, 2017, 37(8): 234-241.

ZHANG Qian, LI Chen, ZHOU Lin, et al. Load frequency control considering dynamic change of real-time controllable EV energy[J]. Electric Power Automation Equipment, 2017, 37(8): 234-241.

[13] 高亞靜, 王辰, 呂孟擴, 等. 計及車主滿意度的電動汽車最優峰谷分時電價模型[J]. 電力自動化設備, 2014, 34(2): 8-13.

GAO Yajing, WANG Chen, Lü Mengkuo, et al. Optimal time-of-use price model considering satisfaction degree of electric vehicle owners[J]. Electric Power Automation Equipment, 2014, 34(2): 8-13.

[14]深圳市發展和改革委員會關于明晰電動汽車充電設施居民合表用戶電價政策的通知[EB/OL]. [2016-12-23]. http://www.szpb.gov.cn/fgzl/jgzc/jggl3/201707/t20170720_7909230.htm.

[15]麻秀范, 王超, 洪瀟, 等. 基于實時電價的電動汽車充放電優化策略和經濟調度模型[J]. 電工技術學報, 2016, 31(1): 190-202.

MA Xiufan, WANG Chao, HONG Xiao, et al. Optimal scheduling of charging and discharging of electric vehicle based on real time price and economic dispatch model[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 190-202.

[16]徐智威, 胡澤春, 宋永華, 等. 基于動態分時電價的電動汽車充電站有序充電策略[J]. 中國電機工程學報, 2014, 34(22): 3638-3646.

XU Zhiwei, HU Zechun, SONG Yonghua, et al. Coordinated charging strategy for PEV charging stations based on dynamic time-of-use tariffs[J]. Proceedings of the CSEE, 2014, 34(22): 3638-3646.

[17] 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, 39(15): 75-81.

LI Mingyang, ZOU Bin. Charging and discharging decision-making model of electric vehicles and influence analysis of electricity price[J]. Automation of Electric Power Systems, 2015, 39(15): 75-81.

[18] ZHANG Qian, HU Yue, TAN Weiyu, et al. Dynamic time-of-use pricing strategy for electric vehicle charging considering user satisfaction degree[J]. Applied Sciences- basel, 2020, 10(9): 3247.

[19]吳浩. 電動汽車與電網互動技術的研究[D]. 天津: 天津理工大學, 2014.

WU Hao. Research on electric vehicle to interact with the grid technology[D]. Tianjin: Tianjin University of Technology, 2014.

[20]閆志杰, 張蕊萍, 董海鷹, 等. 基于需求響應的電動汽車充放電電價與時段研究[J]. 電力系統保護與控制, 2018, 46(15): 16-22.

YAN Zhijie, ZHANG Ruiping, DONG Haiying, et al. Price and period research of electric vehicles charging and discharging based on demand response[J]. Power System Protection and Control, 2018, 46(15): 16-22.

[21]崔金棟, 羅文達, 周念成. 基于多視角的電動汽車有序充放電定價模型與策略研究[J]. 中國電機工程學報, 2018, 38(15): 4438-4450.

CUI Jindong, LUO Wenda, ZHOU Niancheng. Research on pricing model and strategy of electric vehicle charging and discharging based on multi view[J]. Proceedings of the CSEE, 2018, 38(15): 4438-4450.

[22] YANG P, TANG G, NEHORAI A. A game-theoretic approach for optimal time-of-use electricity pricing[J]. IEEE Transactions on Power Systems, 2013, 28(2): 884-892.

[23] ZHENG S, XIANG Y, SHI L, et al. A cooperative game-based negotiation strategy of electric vehicle discharging price[C] // 2019 IEEE Sustainable Power and Energy Conference (iSPEC), November 21-23, 2019, Beijing, China: 2437-2442.

[24]張謙, 蔡家佳, 李春燕, 等. 基于模糊貝葉斯學習的電動汽車放電電價談判策略[J]. 中國電機工程學報, 2018, 38(1): 61-71.

ZHANG Qian, CAI Jiajia, LI Chunyan, et al. The negotiation strategy of discharging price of electric vehicle based on fuzzy bayesian learning[J]. Proceedings of the CSEE, 2018, 38(1): 61-71.

[25]程杉, 陳梓銘, 徐康儀, 等. 基于合作博弈與動態分時電價的電動汽車有序充放電方法[J]. 電力系統保護與控制, 2020, 48(21): 15-21.

CHENG Shan, CHEN Ziming, XU Kangyi, et al. An orderly charging and discharging method for electric vehicles based on a cooperative game and dynamic time-of-use price[J]. Power System Protection and Control, 2020, 48(21): 15-21.

[26] 張謙, 丁鑄瑋, 譚維玉, 等. 計及多代理的電動汽車放電電價兩階段談判策略[J]. 電工技術學報, 2018, 33(增刊2): 616-628

ZHANG Qian, DING Zhuwei, TAN Weiyu, et al. A two-stage negotiation strategy of discharging price for electric vehicle considering multi-agent[J]. Transactions of China Electrotechnical Society, 2018, 33(S2): 616-628.

[27] ZHANG Qian, DING Zhuwei, TAN Weiyu, et al. Negotiation strategy of discharging price between power grid and electric vehicles considering multi-agent[J]. IET Generation, Transmission & Distribution, 2020, 14(5): 833-844.

[28] SABER A Y, VENAYAGAMOORTHY G K. Intelligent unit commitment with vehicle-to-grid—a cost emission optimization[J]. Journal of Power Sources, 2010, 195(3): 898-911.

[29] SABER A Y, VENAYAGAMOORTHY G K. Plug-in vehicles and renewable energy sources for cost and emission reductions[J]. IEEE Transactions on Industrial Electronics, 2011, 58(4): 1229-1238.

[30] SABER A Y, VENAYAGAMOORTHY G K. Resource scheduling under uncertainty in a smart grid with renewables and plug-in vehicles[J]. IEEE Systems Journal, 2012, 6(1): 103-109.

[31] 張舒, 胡澤春, 宋永華, 等. 考慮電動汽車換電站與電網互動的機組組合問題研究[J]. 中國電機工程學報, 2012, 32(10): 49-55.

ZHANG Shu, HU Zechun, SONG Yonghua, et al. Research on unit commitment considering interaction between battery swapping station and power grid[J]. Proceedings of the CSEE, 2012, 32(10): 49-55.

[32] 王錫凡, 邵成成, 王秀麗, 等. 電動汽車充電負荷與調度控制策略綜述[J]. 中國電機工程學報, 2013, 33(1): 1-10.

WANG Xifan, SHAO Chengcheng, WANG Xiuli, et al. Survey of electric vehicle charging load and dispatch control strategies[J]. Proceedings of the CSEE, 2013, 33(1): 1-10.

[33]劉文霞, 趙天陽, 邱威, 等. 規?；疎V充電與風力/火電發電系統協調運行[J]. 電工技術學報, 2013, 28(5): 49-57.

LIU Wenxia, ZHAO Tianyang, QIU Wei, et al. Coordinated operation of large scale electric vehicles charging with wind-thermal power system[J]. Transactions of China Electrotechnical Society, 2013, 28(5): 49-57.

[34]張謙, 劉超, 周林, 等. 計及可入網電動汽車最優時空分布的雙層經濟調度模型[J]. 電力系統自動化, 2014, 38(20): 40-45.

ZHANG Qian, LIU Chao, ZHOU Lin, et al. A bi-level economy dispatch model considering temporal and spatial optimal distribution of electric vehicles[J]. Automation of Electric Power Systems, 2014, 38(20): 40-45.

[35]張謙, 蔡家佳, 劉超, 等. 基于優先權的電動汽車集群充放電優化控制策略[J]. 電工技術學報, 2015, 30(17): 117-125.

ZHANG Qian, CAI Jiajia, LIU Chao, et al. Optimal control strategy based on the priority of cluster charging and discharging of electric vehicles[J]. Transactions of China Electrotechnical Society, 2015, 30(17): 117-125

[36] ZHANG Qian, LIU Huazhen, LI Chen. A hierarchical dispatch model for optimizing real-time charging and discharging strategy of electric vehicles[J]. IEEJ Transactions on Electrical and Electronic Engineering. 2018, 13(4): 537-548.

[37]張謙, 周林, 周雒維, 等. 計及電動汽車充放電靜態頻率特性的負荷頻率控制[J]. 電力系統自動化, 2014, 38(16): 74-80.

ZHANG Qian, ZHOU Lin, ZHOU Luowei, et al. Load frequency control considering charging and discharging static frequency characteristics of electric vehicles[J]. Automation of Electric Power Systems, 2014, 38(16): 74-80.

[38] ZHANG Qian, LI Yan, LI Chen, et al. Real-time adjustment of load frequency control based on controllable energy of electric vehicles[J]. Transactions of the Institute of Measurement and Control, 2020, 42(1): 42-54.

[39] ZHANG Qian, LI Yan, LI Chen, et al. Coordinated secondary frequency regulation strategy of doubly-fed induction generator and electric vehicle[J]. Applied Sciences-basel, 2019, 9(14): 2815

[40] ZHANG Qian, LI Yan, DING Zhuwei, et al. Self-adaptive secondary frequency regulation strategy of micro-grid with multiple virtual synchronous generators[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 6007-6018.

[41] ZHANG Qian, LI Yan, LI Cheng, et al. Grid frequency regulation strategy considering individual driving demand of electric vehicle[J]. Electric Power Systems Research, 2018, 163: 38-48.

[42] OTA Y, TANIGUCHI H, BABA J, et al. Implementation of autonomous distributed V2G to electric vehicle and DC charging system[J]. Electric Power Systems Research, 2015, 120: 177-183.

[43] LIU H, QI J, WANG J, et al. EV dispatch control for supplementary frequency regulation considering the expectation of EV owners[J]. IEEE Transactions on Smart Grid, 2018, 9(4): 3763-3772.

[44] KAUR K, SINGH M, KUMAR N. Multiobjective optimization for frequency support using electric vehicles: an aggregator-based hierarchical control mechanism[J]. IEEE Systems Journal, 2019, 13(1): 771-782.

[45] MU C, LIU W, XU W. Hierarchically adaptive frequency control for an EV-integrated smart grid with renewable energy[J]. IEEE Transactions on Industrial Informatics, 2018, 14(9): 4254-4263.

[46] KO K S, SUNG D K. The effect of ev aggregators with time-varying delays on the stability of a load frequency control system[J]. IEEE Transactions on Power Systems, 2018, 33(1): 669-680.

[47] ARANI M F M, MOHAMED Y A I. Cooperative control of wind power generator and electric vehicles for microgrid primary frequency regulation[J]. IEEE Transactions on Smart Grid, 2018, 9(6): 5677-5686.

[48] DENG Xiaosong, ZHANG Qian, LI Yan, et al. Hierarchical distributed frequency regulation strategy of electric vehicle cluster considering demand charging load optimization[C] // 2020 IEEE Student Conference on Electric Machines and Systems (SCEMS), December 4-6, 2020, Jinan, China.

Research on orderly charging and discharging scheduling and application of electric vehicle based on vehicle-to-grid

LIU Zhiqiang, ZHANG Qian, SU Yaojia, ZHU Yi, HU Yue

(State Key Laboratory of Power Transmission Equipment & System Security and New Technology (Chongqing University), Chongqing 400044, China)

With the development of electric vehicles, large-scale disordered access of electric vehicles will bring a series of problems to the grid, such as the further increase of peak-valley difference of load, local overload of load in power network, low bus voltage in some parts of the power network, increasing of line loss and the out of limit capacity of transformer in the distribution network. The application of vehicle-to-grid technology to control the charging and discharging process of electric vehicles can effectively alleviate the above problems. What’s more, it can reduce the peak, fill the valley and suppress the intermittency and volatility of renewable energy. This paper summarizes the research condition of electric vehicles orderly charging and discharging scheduling and application from three aspects: the spatial-temporal distribution of electric vehicles’ cluster charging demand and discharge capacity; the charging and discharging price strategy of electric vehicles interacting with the grid; the hierarchical scheduling model of electric vehicles interacting with the grid. In the end, this paper discusses the future research direction.

vehicle-to-grid; spatial-temporal distribution; scheduling; frequency regulation; charging and discharging price

2022-08-11；

2022-10-15

劉志強(1998—)，男，碩士研究生，研究方向為電動汽車與電網互動技術、電力系統頻率調節；E-mail: 1119597419@qq.com

張 謙(1980—)，女，通信作者，博士，副教授，研究方向為電動汽車與電網互動、電力市場、新能源消納；E-mail: zhangqian@cqu.edu.cn

栗堯嘉(1996—)，男，碩士研究生，研究方向為電動汽車與電網互動技術。E-mail: 1306765948@qq.com