電動汽車集群可調控潛力分析與互動控制研究綜述

王明深，董曉紅，戴強晟

電動汽車集群可調控潛力分析與互動控制研究綜述

王明深1，董曉紅2，戴強晟1

(1.國網江蘇省電力有限公司電力科學研究院，江蘇 南京 211101；2.省部共建電工裝備可靠性與智能化國家重點實驗室(河北工業大學)，天津 300000)

隨著電動汽車(electric vehicle, EV)和充電設施產業的持續推廣普及，未來EV將會逐步取代燃油汽車，而EV接入電網將對電網產生不可忽視的影響。首先，總結EV接入電網的特點，分析EV車接入電網帶來的機遇與挑戰。其次，從EV集群建模分析其可調控潛力與互動控制策略的2個應用場景，進行國內外研究現狀綜述，總結現有研究不足。最后從EV集群建模和控制策略方面，對未來開展進一步研究提供一些思路與方向。

電動汽車；集群建模；可調控潛力；互動控制策略

0 引言

近年來，隨著經濟社會的快速發展，世界各國對能源的需求與日俱增。交通運輸業的能源消耗在各行業中十分突出[1]，交通領域用能向清潔化、低碳化轉變成為未來發展的必然趨勢。電動汽車(electric vehicle, EV)以其節能、減排、低碳、環保的巨大優勢，成為汽車發展的新形式。近年來，在各國政府和工業界的支持下，EV與充電設施產業得到快速發展。2019年全球電動汽車銷量已達到224萬輛，其中中國的EV銷量已占全球市場的50.5%。截止到2019年，全球EV充電樁保有量已達到736.2萬輛，而中國充電樁保有量占全球市場的39.6%[2]。

隨著汽車技術的不斷革新和動力電池技術的不斷突破，EV已經進入了高速發展階段，未來EV將會逐步取代燃油汽車，EV的市場占比將會越來越高。大量EV接入電網獲取電能，會產生新的負荷，這將會改變電網負荷的時空分布特性，繼而改變電網的潮流分布，對源荷平衡[3]、輸電網[4]、配電網[5]、電網規劃[6]、碳排放[7]等多方面產生不容忽視的影響。作為新增負荷，EV集群接入電網可帶來以下機遇：提高終端設備利用率，降低出行成本和污染排放等。

由于受車輛類型、用戶交通出行規律、EV數量、電池特性、政策法規[8]等影響，EV接入電網具有以下幾個方面的特點：單體容量小、EV數量多、乘用車?？繒r間長、EV充電時間相對短、EV接入電網具有時空分布特性、EV與電網互動需要兼顧用戶的利益、EV與電網互動的實現產生大量信息流、EV與電網互動需要用戶的廣泛參與等特點。

由于每一輛EV都有一定的電能存儲能力，理論上也就具備一定的調控能力。盡管單臺EV的調控容量很小，完全可以忽略，但數以萬計乃至百萬計的EV出現后，經過有機協調(如有序充電，甚至在理想情況下向電網反送電)，則可在用戶側形成可觀調控能力，對促進電網安全經濟運行有重要意義。通過利用EV的可調控潛力，實現EV與電網的友好互動。

作為可調節手段，EV集群接入電網可帶來以下機遇：實現電力系統削峰填谷，電力系統頻率調控，電力系統緊急控制手段，增加電力系統的備用容量，改善電力系統穩定性和可靠性，促進可再生能源的消納等。EV集群入網潛力是機遇與挑戰并存的。由于單體EV接入電網獲取電能的過程，受用戶交通出行規律、用戶用能需求、電池特征參數、電力市場價格等因素的影響，在對大規模EV群體進行建模評估其可調控潛力時，這些因素會直接增加模型構建的復雜度；此外，考慮到用戶不同的參與度，通信技術水平的不斷改善，市場政策的不斷調整，不同應用場景對EV集群建模方法、控制和競價策略的要求不同，因此EV互動控制時需要充分考慮應用場景的基礎條件、技術可行性和實現目標。

為分析大規模EV入網的影響，同時實現大規模入網EV在不同應用場景下的利用，構建合適的EV集群模型，是所有后續研究的基礎。面向不同應用場景時的控制策略或市場應用所構建的EV集群模型，在考慮EV特點的基礎上，還需滿足不同應用需求。EV集群模型構建為控制策略和市場應用的實現提供所需要的模型、參數、約束條件等。本文從EV集群建模分析其可調控潛力與互動控制的2個應用場景，進行國內外研究現狀綜述，總結現有研究不足。最后從EV集群建模和控制策略方面，對未來開展進一步研究提供一些思路與方向。

1 電動汽車集群模型的國內外研究現狀

單臺EV的能量存儲和調節能力都很小，只有大量EV(稱為EV集群)接入電網后才能具有足夠的調控容量，從而為電網提供調控能力，為此需要研究和構建EV的集群模型。EV集群的建模過程需要精細化分析EV接入電網過程，其過程受到“用戶出行相關因素”、“車輛與充電設施相關因素”的影響，EV接入電網具有時間和空間上的隨機性。

用戶出行相關因素包括出行時間、出行距離、用戶出行和入網決策選擇等因素，而用戶出行和入網決策選擇涉及多個方面，包括出行路徑選擇、充電方式選擇、充電需求選擇、互動決策選擇。EV充電方式包括慢充和快充兩種方式，快充的優勢在于充電時間短，但是由于目前電池技術手段的限制，快充對電池損傷較大，一般作為應急充電方式，且由于快充要求盡快完成充電，快充的EV處于不可控狀態，不能實現與電網互動，故本文只討論EV慢充方式。

1.1 研究現狀

文獻[9-11]根據交通統計數據，獲取EV出行時間的分布規律，在此基礎上，利用抽樣算法獲取單體EV的出行參數值，從而構建了EV集群的統計學模型，用以評估EV集群充電負荷的時間分布特性。文獻[12-14]分析了不同類型車輛日出行距離的分布，假設EV采用一日一充的模式，根據日出行距離來估算EV接入電網時的電池荷電狀態值，在此基礎上構建了考慮出行距離的EV集群模型。文獻[15-17]采用Origin Destination 矩陣分析方法來刻畫EV用戶對出行路徑的選擇，獲取EV出行終點和入網接入點，從而達到交通網和電網耦合的目的，動態模擬EV出行和入網過程，通過模擬所有EV的動態入網過程，獲得EV集群模型以評估充電負荷的時空分布規律和分析EV動態接入電網的影響；文獻[18-20]充分考慮了用戶對充電需求的差異性，在保證EV用戶用能需求的基礎上，建立了EV集群模型，分析了用戶充電需求對集群模型的影響。文獻[21-23]則考慮了EV與電網的互動能力，研究了充電和放電兩種電網功率交換形式，建立了EV集群模型來獲取集群在不同時刻的可調節容量。

車輛與充電設施相關因素包括EV類型和電池特征，其中電池特征包括電池類型、電池容量、出行能耗、充放電效率等。文獻[24]介紹了最具應用前景的3種EV電池，包括鉛酸電池、鎳氫電池和鋰離子電池，并從電化學性能和經濟性角度比較了不同類型電池的發展趨勢。文獻[25]表明電池容量直接影響EV用戶接入電網充電行為，電容容量越大，電池續航里程越大，用戶對充電的焦慮程度越低，充電的頻率越低。文獻[26-28]分析了EV出行過程中的能耗問題，如受溫度、交通擁堵等影響，能耗直接影響EV接入電網時的初始狀態，在此基礎上，建立了EV集群模型，分析能耗對EV充電負荷的影響；文獻[29-30]考慮了電池類型、電池容量、充電效率的影響，根據各EV的參數信息，可以獲取單體EV的充電過程和響應能力，進而通過求和的方法獲得EV集群在不同時刻的充電負荷和響應能力。

1.2 研究不足

已有文獻在研究EV集群建模過程時，分析了來自用戶出行相關因素、車輛與充電設施相關因素的影響，建模時需要參照相關因素提取EV參數，并根據歷史統計數據獲取EV參數的分布規律，進而獲取各單體EV的參數值，模擬每輛EV接入電網的充電過程，通過求和方法獲取EV集群的充電負荷和響應能力。已有研究在EV集群建模時，未能綜合考慮用戶出行相關因素、車輛與充電設施相關因素的影響，忽略了這些因素對建模過程的交互影響。已有EV集群模型需要獲取各獨立EV的參數值，對于大規模EV集群，建模過程的計算量極大且模型實際應用時對通信設施的性能要求高，需要提出考慮現有基礎條件和實際可行性的有效建模方法以簡化集群建模的復雜度。EV集群建模方法還需要考慮具體的實現目標，以滿足具體的實際應用需求，如利用EV集群平抑控制可再生能源功率波動、調節系統頻率、參與日前市場競價等，在各自建模過程中，需重點考慮的因素會有所不同。

2 電動汽車集群平抑控制研究現狀

近年來，為應對能源危機，風力發電、光伏發電等可再生能源發電以其節能減排的巨大優勢，在世界范圍內快速發展。隨著可再生能源發電在電網中的大規模接入，可再生能源發電隨機間歇性的特點，將會給電網的安全穩定運行產生深刻影響[31-33]?？稍偕茉窗l電功率具有強波動性，而傳統發電機由于受到爬坡率的限制，難以追蹤功率的快速變化，該因素已成為制約可再生能源發電大規模入網的主要障礙[34-36]。以電池為代表的傳統儲能資源能夠有效追蹤功率波動，然而，目前大規模配置傳統儲能資源成本很高。隨著需求響應技術的不斷發展，以EV為代表的需求側資源擁有快速的功率調節能力，有取代傳統儲能資源的潛力，成為平抑可再生能源功率波動的新選擇[37-39]。

2.1 研究現狀

利用EV集群的可調節潛力，已有研究提出了平抑再生能源功率波動的控制策略。文獻[40]針對配網中的EV集群提出了三層能量管理模型，分析了網側調度中心與集群運營商的職責與分工，探究了EV集群用于平抑可再生能源功率波動的可行性。文獻[41]提出了EV在多種運行模式下靈活控制策略，給出了利用EV為電網提供功率支撐的實現架構，驗證了EV平抑功率波動實際應用的可能性。文獻[42]面向風電大規模接入的背景，設計了EV集群平抑風電功率波動的雙層控制器，上層計算功率波動率并發送相應的控制信號，下層在考慮EV荷電狀態和用戶出行的基礎上提出了平抑功率波動的模糊控制器。文獻[43]在考慮非工作日和工作日負荷在不同區域分布差異性的基礎上，分析了微網中EV集群充放電和可再生能源的協同互補特性，能夠降低可再生能源接入對電網的沖擊。文獻[44]提出了用于限制光伏功率波動的EV集群有序充放電策略，根據系統凈負荷功率的波動量，按照篩選條件選擇滿足要求的EV進行充電或放電的操作，從而提高電網中光伏的滲透率。文獻[45]提出了考慮EV集群的微網聯絡線功率平滑方法，在可調節容量約束下，通過在短和長時間尺度上分別對EV集群和樓宇虛擬儲能進行優化調度，從而達到有效平抑聯絡線功率波動的目的。文獻[46]提出了EV集群參與平抑光伏功率波動的實時調度策略，在考慮用戶出行和充放電約束的基礎上，建立了利用EV集群跟蹤光伏功率的凸優化模型，通過日內實時滾動優化實現了對光伏功率的有效平抑。

2.2 研究不足

已有文獻在研究EV集群平抑控制策略時，EV集群從整體上作為一個虛擬電廠參與平抑控制時，未能充分考慮EV集群和傳統發電機的協同控制，未能充分計及EV集群在不同電網節點上響應能力的差異性。EV集群在響應平抑目標功率時，集群中EV運行狀態具有差異性，針對大規模EV集群采用優化方法會增加模型的復雜度，難以滿足實時控制的要求，需要提出有效的算法，根據各EV運行狀態的差異設計相應的控制信號，在保證用戶出行和用能需求的基礎上，達到快速控制和充分利用EV可調節潛力的目的。

3 電動汽車集群頻率控制研究現狀

在可再生能源大規模接入背景下，源荷功率不平衡造成系統頻率波動受到越來越多的關注[47-50]，現階段儲能資源的缺乏以及傳統發電機爬坡率的限制，頻率波動問題難以獲得有效支撐[51-54]。隨著需求響應技術的快速發展，以EV為代表的需求側資源能夠參與系統頻率調節[55-57]。

3.1 研究現狀

按照反應時間的不同，目前EV集群的頻率響應可以分為一次調頻和二次調頻[58-60]。一次調頻要求EV集群在頻率偏移發生后幾秒內快速響應，實際應用時要求集群控制中心能夠根據頻率偏差迅速計算得到頻率控制信號，并向集群中的EV發送相應的頻率控制信號，一次調頻的實現對集群控制中心和通信設施的要求極高，需要集群控制中心能夠迅速處理大量的數據，需要通信設施能夠實現高質量的實時通信；二次調頻要求EV集群在頻率偏移發生30秒后參與系統頻率響應，響應持續時間為5～20分鐘，實際應用允許的延時較長，該控制的實現對控制中心和通信設施的要求遠低于一次調頻，但控制中心和通信設施的質量越高，控制效果會越好[61-63]。文獻[64-69]將集中控制方式下的群體EV看作一個集群，利用EV集群的可調度潛力進行系統一次調頻，但并未介紹如何利用現有通信設施傳輸EV的控制信號，一次調頻的實現需要建立在通信設施質量高和集群控制中心運算能力強的假設條件上，很難在當前通信條件下滿足實際應用需求，目前關于EV集群的一次調頻還處于理論研究階段；文獻[70-72]利用分散控制方式下的EV進行系統一次調頻，分散式控制不需要集群控制中心，要求終端設備能夠根據系統頻率偏移情況迅速做出功率調整，對通信設施要求低，但要求終端設備能夠采集系統頻率、采集EV運行信息、實現智能算法等，目前終端設備投入的成本較高。

針對EV集群的頻率控制，系統二次調頻對通信設施和集群控制中心的要求遠低于一次調頻，在現有的技術條件下，EV集群更適用于參與系統二次調頻[73]。文獻[74]給出了EV集群二次調頻的實現框架，提出了考慮網絡約束的模型預測控制策略，利用EV集群來追蹤系統的二次調頻信號，并驗證了EV集群進行二次調頻的可行性。文獻[75]結合丹麥電網高滲透率風電的特征，利用EV集群在長時間尺度上提供的可調節容量，結合丹麥電網典型日的算例，有效評估了EV集群參與二次調頻的實際應用價值。文獻[76]考慮了EV在行駛狀態、充電狀態、受控狀態之間的相互轉換，提出了EV集群儲能能力評估模型，并探究了EV集群在二次調頻過程中與熱泵負荷集群和電池儲能系統的互補特性。文獻[77]基于EV的快速響應特性，在考慮各EV接入電網過程中實時SOC的基礎上，提出了一種功率分配方法來確定調頻過程中各EV的目標控制功率。文獻[78]以EV集群運營商作為調度中心和EV之間的中間商為出發點，闡述了EV集群參與二次調頻的實現過程，運營商需要上傳EV的特征參數和運行數據，同時需要保證EV在完成調頻任務時，滿足EV用戶對電池荷電狀態的需求。文獻[79]提出了最優模糊控制器來實現EV集群參與二次頻率調節，通過選定SOC閾值的方法，保證SOC過低的EV不會參與放電控制，同時保證SOC過高的EV盡量減少充電控制，從而保證電池的SOC穩定。文獻[80]針對EV集群參與系統頻率調節，提出了面向EV集群控制中心的不確定性控制方法，該方法不需要獲取EV的詳細充放電信息，能夠將調頻功率分配給集群中的各EV，并通過集群控制中心與各EV之間的實時修正以保證用戶出行需求。

3.2 研究不足

已有文獻在產生頻率控制信號時，不同EV由于運行狀態的差異，各EV需要實現不同的功率調節目標，因此，需要針對每輛EV產生不同的控制信號。針對大規模EV集群，頻率控制需要產生大量的獨立控制信號，實時計算量大，會造成一定的計算延時。同時，發送獨立的控制信號需要集群控制中心與各EV建立獨立的通信通道，通信成本高，且大量獨立控制信號會造成實時通信壓力大。與此同時，獨立控制信號需要獲取用戶的實時運行信息和充電位置信息等用戶隱私，隱私暴露問題會影響用戶積極參與頻率調節。頻率控制實際上影響了用戶的充電習慣和充電需求，目前尚未提出有效的控制策略來降低這種影響。

4 工作展望

關于EV集群的研究，盡管目前已做了一些研究，但研究深度和廣度還遠遠不夠，因此未來將可在以下幾個方面進一步開展深入探究：

1) 關于EV集群建模方面：EV集群模型在一定程度上仍然依賴用戶上傳的數據，建模過程未能充分考慮用戶數據隱私保護的問題，如數據上傳過程中如何考慮不同類型數據的隱私保護，在大數據時代數據隱私保護背景下，如何建立合理有效的EV集群模型還需要進一步深入研究。

2) 關于EV集群控制策略方面：考慮EV用戶數據隱私保護需求和EV運行狀態差異性，同時考慮通信設施的技術條件，如何開發適用于大規模EV集群的概率控制信號，在降低通信成本的同時保證EV集群的控制精度。

[1] International Energy Agency. World energy balances [DB/OL]. [2020-02-11]. https://www.iea.org/statistics/.

[2] Global EV outlook 2020[R]. International Energy Agency, 2020.

[3] 馬玲玲, 楊軍, 付聰, 等. 電動汽車充放電對電網影響研究綜述[J]. 電力系統保護與控制, 2013, 41(3): 140-148.

MA Lingling, YANG Jun, FU Cong, et al. Review on impact of electric car charging and discharging on power grid[J]. Power System Protection and Control, 2013, 41(3): 140-148.

[4] WANG Mingshen, MU Yunfei, LI Fangxing, et al. State space model of aggregated electric vehicles for frequency regulation[J]. IEEE Transactions on Smart Grid, 2020, 11(2): 981-994.

[5] 楊昕然, 呂林, 向月, 等. “車-路-網”耦合下電動汽車惡劣充電場景及其對城市配電網電壓穩定性影響[J]. 電力自動化設備, 2019, 39(10): 102-108, 122.

YANG Xinran, Lü Lin, XIANG Yue, et al. Degradation charging scenarios and impacts on voltage stability of urban distribution network under “EV-road-grid” coupling[J]. Electric Power Automation Equipment, 2019, 39(10): 102-108, 122.

[6] 肖湘寧, 溫劍鋒, 陶順, 等. 電動汽車充電基礎設施規劃中若干關鍵問題的研究與建議[J]. 電工技術學報, 2014, 29(8): 1-10.

XIAO Xiangning WEN Jianfeng TAO Shun, et al. Study and recommendations of the key issues in planning of electric vehicles’ charging facilities[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 1-10.

[7] 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.

[8] 陳麗丹, 張堯, ANTONIO F. 電動汽車充放電負荷預測研究綜述[J]. 電力系統自動化, 2019, 43(10): 177-197.

CHEN Lidan, ZHANG Yao, ANTONIO F. Overview of charging and discharging load forecasting for electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(10): 177-197.

[9] 羅卓偉, 胡澤春, 宋永華, 等. 電動汽車充電負荷計算方法[J]. 電力系統自動化, 2011, 35(14): 36-42.

LUO Zhuowei, HU Zhechun, SONG Yonghua, et al. Study on plug-in electric vehicles charging load calculating[J]. Automation of Electric Power Systems, 2011, 35(14): 36-42.

[10] 田立亭, 史雙龍, 賈卓. 電動汽車充電功率需求的統計學建模方法[J]. 電網技術, 2010, 34(11): 126-130.

TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

[11] 和敬涵, 謝毓毓, 張金國. 電動汽車充電負荷時空分布及其對配電網的影響[J]. 電力建設, 2015, 36(7): 83-88.

HE Jinghan, XIE Yuyu, ZHANG Jinguo. Temporal and spatial distribution research for electric vehicle charging load and the impacts on distribution network[J]. Electric Power Construction, 2015, 36(7): 83-88.

[12] QIAN K, ZHOU C, ALLAN M, et al. Modeling of load demand due to EV battery charging in distribution systems [J]. IEEE Transactions on Power Systems, 2011, 26(2): 802-810.

[13] 徐立中, 楊光亞, 許昭, 等. 電動汽車充電負荷對丹麥配電系統的影響[J]. 電力系統自動化, 2011, 35(14): 18-23.

XU Lizhong, YANG Guangyan, XU Zhao, et al. Impacts of electric vehicle charging on distribution network in Denmark[J]. Automation of Electric Power Systems, 2011, 35(14): 18-23.

[14] 張聰. 規?；妱悠嚦鲂幸幝杉俺潆娯摵山Ｑ芯縖C] // 江蘇省電機工程學會城市供用電專業委員會, 2017: 9-15.

ZHANG Cong. Research on travel law and charging load modeling of large scale electric vehicles[C] // Urban power supply and consumption Professional Committee of Jiangsu Electrical Engineering Society, 2017: 9-15.

[15] 張晨彧, 丁明, 張晶晶. 基于交通出行矩陣的私家車充電負荷時空分布預測[J]. 電工技術學報, 2017, 32(1): 78-87.

ZHANG Chenyu, DING Ming, ZHANG Jingjing. Temporal and spatial distribution forecasting of private car charging load based on origin-destination matrix[J]. Transactions of China Electrotechnical Society, 2017, 32(1): 78-87.

[16] 黃小慶, 陳頡, 陳永新, 等. 大數據背景下的充電站負荷預測方法[J]. 電力系統自動化, 2016, 40(12): 68-74.

HUANG Xiaoqing, CHEN Jie, CHEN Yongxin, et al. Load forecasting method for electric vehicle charging station based on big data[J]. Automation of Electric Power Systems, 2016, 40(12): 68-74.

[17] 李曉輝, 李磊, 劉偉東, 等. 基于動態交通信息的電動汽車充電負荷時空分布預測[J]. 電力系統保護與控制, 2020, 48(1): 117-125.

LI Xiaohui, LI Lei, LIU Weidong, et al. Spatial-temporal distribution prediction of charging load for electric vehicles based on dynamic traffic information[J]. Power System Protection and Control, 2020, 48(1): 117-125.

[18] 張美霞, 蔡雅慧, 楊秀, 等. 考慮用戶充電差異性的家用電動汽車充電需求分布分析方法[J]. 電力自動化設備, 2020, 40(2): 154-161.

ZHANG Meixia, CAI Yahui, YANG Xiu, et al. Charging demand distribution analysis method of household electric vehicles considering users’charging difference[J]. Electric Power Automation Equipment, 2020, 40(2): 154-161.

[19] 劉洪, 張旭, 劉暢, 等. 考慮充電設施充裕性的電動私家車出行與充電需求時序交互分析[J]. 中國電機工程學報, 2018, 38(18): 5469-5478.

LIU Hong, ZHANG Xu, LIU Chang, et al. Timing interactive analysis of electric private vehicle traveling and charging demand considering the sufficiency of charging facilities[J]. Proceedings of the CSEE, 2018, 38(18): 5469-5478.

[20] SHAHIDINEJAD S, FILIZADEH S, BIBEAU E. Profile of charging load on the grid due to plug-in vehicles[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 135-141.

[21] 葛少云, 連恒輝, 劉洪, 等. 電動汽車時序響應能力模型與控制策略[J]. 電力系統自動化, 2016, 40(3): 33-38, 151.

GE Shaoyun, LIAN Henghui, LIU Hong, et al. Timing response capability model and control method of electric vehicle[J]. Automation of Electric Power Systems, 2016, 40(3): 33-38, 151.

[22] 張亞朋, 穆云飛, 賈宏杰, 等. 電動汽車虛擬電廠的多時間尺度響應能力評估模型[J]. 電力系統自動化, 2019, 43(12): 94-110.

ZHANG Yanpeng, MU Yunfei, JIA Hongjie, et al. Response capacity evaluation model with multiple time scales for electric vehicle virtual plant[J]. Automation of Electric Power Systems, 2019, 43(12): 94-110.

[23] DONADEE J, SHAW R, GARNETT O, et al. Potential benefits of vehicle-to-grid technology in California: High value for capabilities beyond one-way managed charging[J]. IEEE Electrification Magazine, 2019, 7(2): 40-45.

[24] 宋永華, 陽岳希, 胡澤春. 電動汽車電池的現狀及發展趨勢[J]. 電網技術, 2011, 35(4): 1-7.

SONG Yonghua, YANG Yuexi, HU Zechun. Present status and development trend of batteries for electric vehicles[J]. Power System Technology, 2011, 35(4): 1-7.

[25] KNUTSEN D, WILLéN O. A study of electric vehicle charging patterns and range anxiety[J]. Uppsala, Sweden: Uppsala University, 2013.

[26] 王海玲, 張美霞, 楊秀. 基于氣溫影響的電動汽車充電需求預測[J]. 電測與儀表, 2017, 54(23): 123-128.

WANG Hailing, ZHANG Meixia, YANG Xiu. Electric vehicle charging demand forecasting based on influence of weather and temperature[J]. Electrical Measurement & Instrumentation, 2017, 54(23): 123-128.

[27] 陳麗丹, 聶涌泉, 鐘慶. 基于出行鏈的電動汽車充電負荷預測模型[J]. 電工技術學報, 2015, 30(4): 216-225.

CHEN Lidan, NIE Yongquan, ZHONG Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.

[28] 蘇舒, 林湘寧, 張宏志, 等. 電動汽車充電需求時空分布動態演化模型[J]. 中國電機工程學報, 2017, 37(16):4618-4629.

SU Shu, LIN Xiangning, ZHANG Hongzhi, et al. Spatial and temporal distribution model of electric vehicle charging demand[J]. Proceedings of the CSEE, 2017, 37(16): 4618-4629.

[29] MENG J, MU Y, JIA H, Et Al. Dynamic frequency response from electric vehicles considering travelling behavior in the Great Britain power system[J]. Applied Energy, 2016, 162: 966-979.

[30] MENG J, MU Y, WU J, et al. Dynamic frequency response from electric vehicles in the Great Britain power system[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(2): 203-211.

[31] PARSON B, MILLIGAN M, ZAVADIL B, et al. Grid impacts of wind power: a summary of recent studies in the United States[J]. Wind Energy, 2004, 7(2): 87-108.

[32] 魯宗相, 李海波, 喬穎. 含高比例可再生能源電力系統靈活性規劃及挑戰[J]. 電力系統自動化, 2016, 40(13): 147-158.

LU Zhongxiang, LI Haibo, QIAO Ying. Power system flexibility planning and challenges considering high proportion of renewable energy[J]. Automation of Electric Power Systems, 2016, 40(13): 147-158.

[33] 豐穎, 贠志皓, 周瓊, 等. 考慮風電接入的在線風險評估和預防控制[J]. 電力自動化設備, 2017, 37(2): 61-68.

FENG Ying, YUN Zhihao, ZHOU Qiong, et al. Online risk assessment and preventive control considering wind-power integration[J]. Electric Power Automation Equipment, 2017, 37(2): 61-68.

[34] 楊建, 張利, 王明強, 等. 計及出力水平影響與自相關性的風電預測誤差模擬方法[J]. 電力自動化設備, 2017, 37(9): 96-102.

YANG Jian, ZHANG Li, WANG Mingqiang, et al. Wind- power forecasting error simulation considering output level and self-correlation[J]. Electric Power Automation Equipment, 2017, 37(9): 96-102.

[35] 劉文龍. 儲能提升含高比例可再生能源電力系統頻率穩定性研究[D]. 杭州: 浙江大學, 2019.

LIU Wenlong. Improving frequency stability of large scale renewable energy integrated power system using energy storage system[D]. Hangzhou: Zhejiang University, 2019.

[36] 李本新, 韓學山, 劉國靜, 等. 風電與儲能系統互補下的火電機組組合[J]. 電力自動化設備, 2017, 37(7): 32-37, 54.

LI Benxin, HAN Xueshan, LIU Guojing, et al. Thermal unit commitment with complementary wind power and energy storage system[J]. Electric Power Automation Equipment, 2017, 37(7): 32-37, 54.

[37] 徐唐海, 魯宗相, 喬穎, 等. 源荷儲多類型靈活性資源協調的高比例可再生能源電源規劃[J]. 全球能源互聯網, 2019, 2(1): 27-34.

XU Tanghai, LU Zongxiang, QIAO Ying, et al. High penetration of renewable energy power planning considering coordination of source-load-storage multi-type flexible resources[J]. Journal of Global Energy Interconnection, 2019, 2(1): 27-34.

[38] 蔣效康. 計及需求響應的含大規模風電和電動汽車電力系統優化運行研究[D]. 武漢: 華中科技大學, 2018.

JIANG Xiaokang. Power system optimal operation with large-scale wind power and electric vehicle integrated considering demand response[D]. Wuhan: Huazhong University of Science and Technology, 2018.

[39] 于飛. 考慮風電消納的電動汽車分布式充放電調度策略研究[D]. 沈陽: 東北電力大學, 2018.

YU Fei. Research on distributed charging and discharging dispatching strategies for electric vehicles considering wind power accommodation[D]. Shenyang: Northeast Dianli University, 2018.

[40] 劉其輝, 余培, 祝培鑫. 基于新能源消納/負荷平抑的電動汽車能量管理策略[J]. 電力需求側管理, 2019, 21(5): 5-10, 16.

LIU Qihui, YU Pei, ZHU Peixin. Electric vehicle energy management strategies for renewable energy consumption/ load smoothing[J]. Power DSM, 2019, 21(5): 5-10, 16.

[41] KHEMAKHEM S, REKIK M, KRICHEN L. A flexible control strategy of plug-in electric vehicles operating in seven modes for smoothing load power curves in smart grid[J]. Energy, 2017, 118: 197-208.

[42] RAOOFAT M, SAAD M, LEFEBVRE S, et al. Wind power smoothing using demand response of electric vehicles[J]. International Journal of Electrical Power & Energy Systems, 2018, 99: 164-174.

[43] 劉祎玲. 微網中電動汽車充放電策略與可再生能源協同互補研究[D]. 濟南: 山東大學, 2019.

LIU Yiling. Charging/discharging strategies of electric vehicles and the synergistic complementary operation with renewable energy in a micro-grid[D]. Jinan: Shandong University, 2019.

[44] 謝小英, 李文軍, 宣文華, 等. 一種平抑光伏和負荷波動的電動汽車有序充放電策略[J]. 燕山大學學報, 2015, 39(4): 352-356.

XIE Xiaoying, LI Wenjun, XUAN Wenhua, et al. A method of smoothing PV and load fluctuation by organized charging/discharging for electric vehicles[J]. Journal of Yanshan University, 2015, 39(4): 352-356.

[45] 杜麗佳, 靳小龍, 何偉, 等. 考慮電動汽車和虛擬儲能系統優化調度的樓宇微網聯絡線功率平滑控制方法[J]. 電力建設, 2019, 40(8): 26-33.

DU Lijia, JIN Xiaolong, HE Wei, et al. A tie-line power smoothing control method for an office building microgrid by scheduling thermal mass of the building and plug-in electric vehicles[J]. Electric Power Construction, 2019, 40(8): 26-33.

[46] 胡俊杰, 周華嫣然, 李陽. 集群電動汽車平抑光伏波動實時調度策略[J]. 電網技術, 2019, 43(7): 2552-2560.

HU Junjie, ZHOU Huayanran, LI Yang. Real-time dispatching strategy for aggregated electric vehicles to smooth power fluctuation of photovoltaics[J]. Power System Technology, 2019, 43(7): 2552-2560.

[47] NGUYEN N, MITRA J. An analysis of the effects and dependency of wind power penetration on system frequency regulation[J]. IEEE Transactions on Sustainable Energy, 2016, 7(1): 354-363.

[48] PRADHAN C, BHENDE C N, SRIVASTAVA A K. Frequency sensitivity analysis of dynamic demand response in wind farm integrated power system[J]. IET Renewable Power Generation, 2019, 13(6): 905-919.

[49] EL-HAMEED M A, ELKHOLY M M, EL-FERGANY A A. Efficient frequency regulation in highly penetrated power systems by renewable energy sources using stochastic fractal optimiser[J]. IET Renewable Power Generation, 2019, 13(12): 2174-2183.

[50] HUANG Y, XU Q S, ABEDI S, et al. Stochastic security assessment for power systems with high renewable energy penetration considering frequency regulation[J]. IEEE Access, 2019, 7: 6450-6460.

[51] TURK A, SANDELIC M, NOTO G, et al. Primary frequency regulation supported by battery storage systems in power system dominated by renewable energy sources[J]. Journal of Engineering-Joe, 2019, 1: 4986-4990.

[52] HENNINGER S, SCHROEDER M, JAEGER J. Combining frequency containment reserves and renewable power leveling in energy storage systems[J]. Energy Procedia, 2016, 99: 147-156.

[53] FERNáNDEZ-GUILLAMóN A, GóMEZ-LáZARO E, MULJADI E, et al. Power systems with high renewable energy sources: a review of inertia and frequency control strategies over time[J]. Renewable & Sustainable Energy Reviews, 2019, 115.

[54] BEVRANI H, GHOSH A, LEDWICH G. Renewable energy sources and frequency regulation: survey and new perspectives[J]. IET Renewable Power Generation, 2010, 4(5): 438-457.

[55] WU Y K, TANG K T. Frequency support by demand response—review and analysis[J]. Energy Procedia, 2019, 156: 327-331.

[56] MUHSSIN M T, CIPCIGAN L M, SAMI S S, et al. Potential of demand side response aggregation for the stabilization of the grids frequency[J]. Applied Energy, 2018, 220: 643-656.

[57] BABAHAJIANI P, SHAFIEE Q, BEVRANI H. Intelligent demand response contribution in frequency control of multi-area power systems[J]. IEEE Transactions on Smart Grid, 2018, 9(2): 1282-1291.

[58] SHI Q, LI F, HU Q, et al. Dynamic demand control for system frequency regulation: concept review, algorithm comparison, and future vision[J]. Electric Power Systems Research, 2018, 154: 75-87.

[59] XIAO G X, LI C B, YU Z C, et al. Review of the impact of electric vehicles participating in frequency regulation on power grid[C] // Chinese Automation Congress, 2013, Changsha, China.

[60] PENG C, ZOU J X, LIAN L. Dispatching strategies of electric vehicles participating in frequency regulation on power grid: a review[J]. Renewable & Sustainable Energy Reviews, 2017, 68(1): 147-152.

[61] HUI H, DING Y, SONG Y, et al. Modeling and control of flexible loads for frequency regulation services considering compensation of communication latency and detection error[J]. Applied Energy, 2019, 250: 161-174.

[62] LEDVA G S, VRETTOS E, MASTELLONE S, et al. Managing communication delays and model error in demand response for frequency regulation[J]. IEEE Transactions on Power Systems, 2018, 33(2): 1299-1308.

[63] QI J J, KIM Y, CHEN C, et al. Demand response and smart buildings: a survey of control, communication, and cyber-physical security[J]. ACM Transactions on Cyber- Physical Systems, 2018, 1(4): 18.

[64] 李承霖, 周宇, 胥崢, 等. 基于電動汽車能效電廠的系統頻率控制策略[J]. 電力系統及其自動化學報, 2019, 31(11): 68-74.

LI Chenglin, ZHOU Yu, XU Zheng, et al. System frequency control strategy based on efficient power plant of electric vehicles[J]. Proceedings of the CSU-EPSA, 2019, 31(11): 68-74.

[65] IZADKHAST S, GARCIA-GONZALEZ P, FRíAS P. An aggregate model of plug-in electric vehicles for primary frequency control[J]. IEEE Transactions on Power Systems, 2015, 30(3): 1475-1482.

[66] MU Y, WU J, EKANAYAKE J, et al. Primary frequencyresponse from electric vehicles in the Great Britain power system[J]. IEEE Transactions on Smart Grid, 2013, 4(2): 1142-1150.

[67] KARIMINEJAD N, TAHER S A, SHAHIDEHPOUR M, et al. A hierarchical governor/turbine and electric vehicles optimal control framework for primary frequency support in power systems [J]. IEEE Transactions on Smart Grid, 2018, 9(6): 6702-6712.

[68] MARINELLI M, MARTINENAS S, KNEZOVIC K, et al. Validating a centralized approach to primary frequency control with series-produced electric vehicles[J]. Journal of Energy Storage, 2016, 7: 63-73.

[69] IZADKHAST S, GARCIA-GONZALEZ P, FRíAS P, et al. Design of plug-in electric vehicle’s frequency-droop controller for primary frequency control and performance assessment[J]. IEEE Transactions on Power Systems, 2017, 32(6): 4241-4254.

[70] LIU H, HU Z, SONG Y, et al. Decentralized vehicle-to-grid control for primary frequency regulation considering charging demands[J]. IEEE Transactions on Power Systems, 2013, 28(3): 3480-3489.

[71] XU X, ZHANG C, GU L. Decentralized primary frequency regulation control strategy for vehicle-to- grid[C] // International Conference on Systems and Informatics (ICSAI), 2016, Shanghai, China.

[72] MOLINA-GARCIA A, BOUFFARD F, KIRSCHEN D S. Decentralized demand-side contribution to primary frequency control[J]. IEEE Transactions on Power Systems, 2011, 26(1): 411-419.

[73] 何麗娜. 電動汽車充電負荷頻率響應控制策略研究[D]. 長沙: 湖南大學, 2014.

HE Lina. Research on the control strategy for electric vehicles charging load to participate in system frequency response[D]. Changsha: Hunan University, 2014.

[74] GALUS M D, KOCH S, ANDERSSON G. Provision of load frequency control by PHEVs, controllable loads, a cogeneration unit[J]. IEEE Transactions on Industrial Electronics, 2011, 58(10): 4568-4582.

[75] PILLAI J R, BAK-JENSEN B. Integration of vehicle-to- grid in The Western Danish Power System[J]. IEEE Transactions on Sustainable Energy, 2011, 2(1): 12-19.

[76] MASUTA T, YOKOYAMA A. Supplementary load frequency control by use of a number of both electric vehicles and heat pump water heaters[J]. IEEE Transactions on Smart Grid, 2012, 3(3): 1253-1262.

[77] LI J, AI X, HU J. Supplementary frequency regulation strategy considering electric vehicles[C] // IEEE Conference on Energy Internet and Energy System Integration, 2018, Beijing, China.

[78] 付文波. 電動汽車參與電網二次頻率調節控制策略研究[D]. 南京: 江蘇大學, 2016.

FU Wenbo. Vehicle-to-grid control for the supplement frequency regulation of a power grid[D]. Nanjing: Jiangshu University, 2016.

[79] FALAHATI S, TAHER S A, SHAHIDEHPOUR M. Grid secondary frequency control by optimized fuzzy control of electric vehicles[J]. IEEE Transactions on Smart Grid, 2018, 9(6): 5613-5621.

[80] 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.

Overview of regulatory potential and interactive control of electric vehicle aggregator

WANG Mingshen1, DONG Xiaohong2, DAI Qiangsheng1

(1. Electric Power Research Institute, State Grid Jiangsu Electric Power Co., Ltd., Nanjing 211101, China; 2. State Key Laboratory of Reliability and Intelligence of Electrical Equipment, Hebei University of Technology, Tianjin 300000, China)

With the continuous popularization of electric vehicles (EV) and charging facilities industry, EV will gradually replace fuel vehicles in the future, and EV access to the power grid will have a significant impact on the power grid. First, the characteristic of EV access to the power grid is summarized, and the opportunities and challenges brought by EV access to the power grid are analyzed. Next, the research status from the EV aggregator modeling and two application scenarios of interactive control strategies is summarized, and the existing research deficiencies are analyzed. Finally, some ideas and directions for further research from the aspects of EV aggregator modeling and control strategy are provided.

electric vehicle; EV aggregator modeling; regulatory potential; interactive control strategies

基于電動汽車“交通流-信息流-能量流”協同仿真的城市區域充電設施與配電網協同規劃研究項目資助(E202020131)

2022-06-03；

2022-08-07

王明深(1990—)，男，博士，工程師，研究方向為群體電動汽車充電規劃、優化調控與運營機制；E-mail: wmshtju@outlook.com

董曉紅(1989—)，女，通信作者，博士，講師，研究方向為電動汽車充電設施與配電網系統規劃，需求側響應；E-mail: dxh@hebut.edu.cn

戴強晟(1989—), 男 ,博士, 工程師，研究方向為智能配電網、電力系統規劃與運行控制。E-mail: day_qs@ 163.com