李瑤虹，陳良亮，劉衛(wèi)東，傅質(zhì)馨

(1.國(guó)網(wǎng)江蘇省電力有限公司，南京市 211106；2.國(guó)電南瑞南京控制系統(tǒng)有限公司，南京市 211106；3.南瑞集團(tuán)有限公司(國(guó)網(wǎng)電力科學(xué)研究院有限公司)，南京市 211106；4.河海大學(xué)能源與電氣學(xué)院，南京市 211100)

0 引 言

隨著全球化石能源危機(jī)和環(huán)境日益惡化，汽車(chē)產(chǎn)業(yè)中的電動(dòng)汽車(chē)(electrical vehicle, EV)產(chǎn)業(yè)獲得政府和市場(chǎng)的大力支持并得到快速發(fā)展[1]。其中私家EV的發(fā)展較為迅速，其保有量在不斷增長(zhǎng)。EV的快速發(fā)展也給電網(wǎng)帶來(lái)了一系列影響：一方面，大規(guī)模EV的接入可能會(huì)引發(fā)負(fù)荷過(guò)大、電能質(zhì)量降低等問(wèn)題，給電網(wǎng)的安全運(yùn)行和優(yōu)化調(diào)度帶來(lái)不利影響[2]；另一方面，EV具有充電和放電雙重特性，使其具有可調(diào)負(fù)荷和儲(chǔ)能的特性，是潛在的優(yōu)質(zhì)儲(chǔ)能備用資源[3-4]。

區(qū)別于傳統(tǒng)的電網(wǎng)儲(chǔ)能備用資源，私家EV具有作為交通工具的固有屬性[5]，這使其在空間位置上呈現(xiàn)隨機(jī)性較大的特點(diǎn)，私家EV集群的時(shí)空分布建立在單輛EV時(shí)空分布基礎(chǔ)上，更是呈現(xiàn)隨機(jī)性強(qiáng)的特點(diǎn)。私家EV在時(shí)空分布上的這種隨機(jī)性是其參與電網(wǎng)調(diào)控需要解決的一個(gè)重要問(wèn)題。文獻(xiàn)[6]基于EV出行鏈理論，以家庭為起訖點(diǎn)，構(gòu)建包含長(zhǎng)度分別為2和3的簡(jiǎn)單鏈和復(fù)雜鏈，有效模擬了EV一日內(nèi)的行駛行為，但最大出行鏈長(zhǎng)度為3，不能滿足當(dāng)今人們豐富的用車(chē)需求情況。文獻(xiàn)[7]將城市分為不同的城市功能區(qū)域，基于出行鏈理論構(gòu)建了EV的時(shí)空分布模型，但未對(duì)工作日和非工作日的EV出行鏈差異作區(qū)分。文獻(xiàn)[8]建立EV狀態(tài)空間模型，反映EV入網(wǎng)和離網(wǎng)的狀態(tài)、需求等信息，但是對(duì)EV的空間信息描述不足，未能全面描述EV的時(shí)空信息。文獻(xiàn)[9]對(duì)出行鏈的時(shí)間和空間特征信息量進(jìn)行擬合，基于蒙特卡洛方法模擬EV出行鏈準(zhǔn)確模擬了EV用戶(hù)的出行特征，進(jìn)而確定EV的時(shí)空分布。文獻(xiàn)[10]劃分城市區(qū)域，用區(qū)域的停車(chē)生成率表示各個(gè)區(qū)域內(nèi)的EV移動(dòng)和停放行為，從集群的角度描述EV的時(shí)空分布狀態(tài)。上述研究利用不同的方法構(gòu)建EV的時(shí)空分布模型，為解決不同問(wèn)題提供了基礎(chǔ)。

私家EV的調(diào)控能力評(píng)估是其參與電網(wǎng)調(diào)控需要解決的另一個(gè)重要問(wèn)題，它反映EV接入電網(wǎng)后的互動(dòng)能力水平，可為電網(wǎng)制定優(yōu)化調(diào)控運(yùn)行策略提供重要依據(jù)。文獻(xiàn)[11]以電池荷電狀態(tài)和功率約束建立單輛EV的充放電模型，從EV用戶(hù)是否參與調(diào)控、是否有充電裕度和期望充電完成的時(shí)間對(duì)EV集群詳細(xì)劃分，建立EV充放電的大規(guī)模集群實(shí)時(shí)優(yōu)化調(diào)度模型。文獻(xiàn)[12]引入電動(dòng)汽車(chē)虛擬電廠的概念，建立了單一和連續(xù)時(shí)間斷面的單輛EV響應(yīng)能力模型，并仿真分析證明了電動(dòng)汽車(chē)虛擬電廠響應(yīng)能力模型的可行性。文獻(xiàn)[13]以功率邊界和電量邊界兩個(gè)關(guān)鍵邊界約束建立EV備用能力的可行域，將時(shí)間軸離散化為若干個(gè)時(shí)段，計(jì)算各個(gè)時(shí)段內(nèi)EV的上下備用容量。文獻(xiàn)[7]在對(duì)EV參與電網(wǎng)調(diào)控能力評(píng)估時(shí)將EV的時(shí)空分布考慮在內(nèi)，但是對(duì)EV響應(yīng)能力的功率和容量有待進(jìn)一步分析，對(duì)充電響應(yīng)能力未能給出相應(yīng)的評(píng)估方法。

與現(xiàn)有方法相比，本文首先將基于EV出行鏈理論與最新發(fā)布的美國(guó)家庭出行調(diào)查數(shù)據(jù)(National Household Travel Survey, NHTS)[14]，將城市劃分為不同功能區(qū)，從工作日和非工作日兩種情況確定EV的時(shí)空分布，進(jìn)一步完善現(xiàn)有私家EV的出行鏈模擬；接著，結(jié)合單輛私家EV出行情況，用電池荷電狀態(tài)邊界和功率邊界建立每次行程結(jié)束后停車(chē)期間的調(diào)控可行域，考慮私家EV的參與意愿，仿真分析計(jì)算單輛EV和集群EV在各個(gè)城市功能區(qū)的調(diào)控能力，得到綜合EV時(shí)空分布的調(diào)控能力評(píng)估模型。

1 城市級(jí)EV時(shí)空分布特征

1.1 出行鏈的時(shí)空信息

城市級(jí)EV區(qū)別于傳統(tǒng)電網(wǎng)儲(chǔ)能的特點(diǎn)是其在時(shí)空維度上的不確定性，這也是評(píng)估城市級(jí)EV調(diào)控能力的難點(diǎn)之一，本文將基于出行鏈理論確定EV的時(shí)空狀態(tài)。出行鏈?zhǔn)侵溉藗優(yōu)橥瓿梢豁?xiàng)或多項(xiàng)活動(dòng), 以時(shí)間順序排列的出行目的所組成的往返行程，包含大量的時(shí)間、空間、方式和活動(dòng)類(lèi)型信息[15]。出行鏈可視為時(shí)間鏈和空間鏈的結(jié)合，時(shí)間鏈描述用戶(hù)出行在時(shí)間上的變化規(guī)律，空間鏈描述用戶(hù)出行在空間區(qū)域上的轉(zhuǎn)移特征。因此出行鏈包含兩種類(lèi)型的變量，即時(shí)間變量和空間變量[16]。出行鏈的長(zhǎng)度表示用戶(hù)一天內(nèi)的行程數(shù)目，用戶(hù)在一天內(nèi)的出行鏈包含多個(gè)出行目的，出行鏈的長(zhǎng)度有差異，可分為簡(jiǎn)單鏈和復(fù)雜鏈：除了起點(diǎn)外只有一個(gè)中途活動(dòng)地點(diǎn)為簡(jiǎn)單鏈，超過(guò)一個(gè)中途活動(dòng)地點(diǎn)為復(fù)雜鏈。出行鏈?zhǔn)疽鈭D如圖1所示。

圖1 出行鏈?zhǔn)疽鈭D

時(shí)間變量包括車(chē)輛首次出發(fā)的時(shí)刻t0,lea，到達(dá)地點(diǎn)i的時(shí)刻ti,arr，離開(kāi)地點(diǎn)i的時(shí)刻ti,lea；地點(diǎn)i到i+1的行駛時(shí)長(zhǎng)ti,i+1；在地點(diǎn)i的停留時(shí)長(zhǎng)ti；空間鏈信息包括出行目的地點(diǎn)i的類(lèi)型，地點(diǎn)i的地理位置，地點(diǎn)i到地點(diǎn)i+1的行駛距離di,i+1，行程的地點(diǎn)轉(zhuǎn)移概率矩陣PTn。i從0到n，n為出行目的總數(shù)；用T(i)表示地點(diǎn)i的類(lèi)型，本文將城市功能區(qū)劃分為3類(lèi)，即居住區(qū)H，工作區(qū)W和其他區(qū)域O。

模擬出行鏈可以確定EV的時(shí)空狀態(tài)信息，為EV參與電網(wǎng)的調(diào)控運(yùn)行提供EV的時(shí)空信息。經(jīng)過(guò)變量相關(guān)性分析，選取EV首次出行時(shí)刻、行駛時(shí)長(zhǎng)、停車(chē)時(shí)長(zhǎng)作為時(shí)間特征量，時(shí)間量ti,arr和ti,lea可由式(1)、(2)計(jì)算得到；選取行程的地點(diǎn)轉(zhuǎn)移概率矩陣PTn和地點(diǎn)i到地點(diǎn)i+1的單次行程行駛距離di,i+1作為空間特征信息量，空間量出行目的i的類(lèi)型和地點(diǎn)i的地理位置取決于城市功能區(qū)域的劃分情況。

ti,arr=ti,lea+ti-1,i

(1)

ti,lea=ti,arr+ti

(2)

1.2 出行鏈特征信息量擬合參數(shù)

工作日和非工作日的私家EV行駛行為具有較大的差異性，因此考慮分工作日和非工作日兩種情況對(duì)用戶(hù)的出行特征模擬?；谧钚掳l(fā)布的2017年的NHTS數(shù)據(jù)，工作日出行鏈平均長(zhǎng)度為3.3，非工作日出行鏈平均長(zhǎng)度為4.25。

出行鏈?zhǔn)状纬鲂袝r(shí)刻呈現(xiàn)多峰的分布特點(diǎn)，用高斯混合分布模型(Gaussian mixture model, GMM)擬合，擬合參數(shù)結(jié)果見(jiàn)附表A1和表A2；根據(jù)行程的起點(diǎn)和終點(diǎn)地點(diǎn)類(lèi)型對(duì)行駛時(shí)長(zhǎng)進(jìn)行擬合，擬合參數(shù)結(jié)果見(jiàn)附表A3和表A4；經(jīng)分析，停車(chē)時(shí)長(zhǎng)與行程的類(lèi)別相關(guān)，由于不同行程對(duì)應(yīng)的停車(chē)時(shí)長(zhǎng)分布呈現(xiàn)較大的差異性，整體上呈現(xiàn)對(duì)數(shù)正態(tài)分布和GMM分布，因此采用對(duì)數(shù)正態(tài)分布和GMM對(duì)停車(chē)時(shí)長(zhǎng)進(jìn)行擬合，工作日擬合參數(shù)結(jié)果見(jiàn)附表A5和表A6，非工作日的擬合參數(shù)結(jié)果見(jiàn)附表A7和表A8。

行程地點(diǎn)轉(zhuǎn)移概率擬合分兩步，首先確定在一日的不同時(shí)段內(nèi)出現(xiàn)地點(diǎn)轉(zhuǎn)移的概率，其次確定在特定時(shí)段內(nèi)用戶(hù)在各類(lèi)型地點(diǎn)之間的轉(zhuǎn)移概率。工作日和非工作日不同時(shí)段內(nèi)出現(xiàn)行程轉(zhuǎn)移的概率如附圖B1和圖B2所示，在各個(gè)時(shí)段內(nèi)，由統(tǒng)計(jì)數(shù)據(jù)用頻率表示各地點(diǎn)之間的行程轉(zhuǎn)移率，易得到各時(shí)段的行程地點(diǎn)轉(zhuǎn)移概率。以08:00—09:00的行程目的轉(zhuǎn)移概率為例，分別呈現(xiàn)工作日和非工作日的行程目的轉(zhuǎn)移概率，如附圖B3和圖B4所示。

用戶(hù)單次行程的行駛里程d為平均速度v與行駛時(shí)長(zhǎng)tx的積：

d=v·tx

(3)

通過(guò)對(duì)大量單次行程的平均速度進(jìn)行分析可知，平均速度可用對(duì)數(shù)正態(tài)分布進(jìn)行擬合。平均速度擬合的參數(shù)值為：μv=-1.34，σv= 0.65，則行駛里程d服從對(duì)數(shù)正態(tài)分布。

lnd～N(-1.34+lntx,0.652)

(4)

2 EV出行鏈的隨機(jī)模擬

將用戶(hù)出行鏈?zhǔn)状纬鲂袝r(shí)刻概率分布、行駛時(shí)長(zhǎng)概率分布、行程目的轉(zhuǎn)移概率等信息量作為蒙特卡洛模擬的輸入，則用戶(hù)的出行鏈模擬過(guò)程如下：

1)抽取出行鏈長(zhǎng)度。

2)抽取首次出行時(shí)刻。

3)抽取出行目的地。根據(jù)本次行程出發(fā)地類(lèi)型、出發(fā)時(shí)刻和出行目的轉(zhuǎn)移概率矩陣，抽取出行目的地。

4)抽取行駛時(shí)長(zhǎng)。由本次行程類(lèi)別下的行駛時(shí)長(zhǎng)概率分布確定，抽取行駛時(shí)長(zhǎng)并計(jì)算到達(dá)目的地時(shí)刻。

5)抽取行駛速度平均值。由行駛平均速度概率分布確定，并根據(jù)行駛時(shí)長(zhǎng)和平均速度計(jì)算此次行程距離。

6)若行程數(shù)達(dá)到出行鏈長(zhǎng)度，進(jìn)入步驟10)，否則進(jìn)入下一步7)。

7)抽取停留時(shí)長(zhǎng)。根據(jù)步驟3)確定的行程類(lèi)別下的停留時(shí)長(zhǎng)概率分布，抽取停車(chē)時(shí)長(zhǎng)。

8)計(jì)算下次出行時(shí)刻。

9)返回步驟3)。

10)單次出行鏈模擬結(jié)束。

本文模擬1 000輛私家EV在一日的出行情況，以各地點(diǎn)類(lèi)型的EV數(shù)量反映城市級(jí)EV的出行特征，得到各地點(diǎn)私家EV數(shù)量隨時(shí)間的變化特征。工作日和非工作日的各地點(diǎn)類(lèi)型的私家EV數(shù)量變化特征如圖2和圖3所示。

圖2 工作日私家EV數(shù)量變化特征

圖3 非工作日私家EV數(shù)量變化特征

觀察圖2和圖3可以發(fā)現(xiàn)，工作日和非工作日的EV時(shí)空分布既有相似之處，也有差異之處。相似點(diǎn)在于一日內(nèi)始終至少有30%～40%的EV是處于居住區(qū)H的，并非所有的EV都處于行駛狀態(tài)，這與現(xiàn)實(shí)狀況相符。差異較大的是工作區(qū)W的EV數(shù)量，由于工作日時(shí)居民的上下班行為，W區(qū)的EV數(shù)量從07:00左右迅速增加，于09:00至16:00數(shù)量保持相對(duì)平穩(wěn)，16:00以后EV數(shù)量開(kāi)始逐漸減少；非工作日W區(qū)的EV數(shù)量始終保持在很低的水平，最高規(guī)模不超過(guò)10%，EV數(shù)量不具有工作日的上下班變化特征，這是W區(qū)EV分布的顯著特征。而其他區(qū)域O用戶(hù)發(fā)生就餐、休閑等行為，O區(qū)的EV數(shù)量變化特征在工作日和非工作日是類(lèi)似的，與是否工作日聯(lián)系較小。

城市級(jí)私家EV在各地點(diǎn)類(lèi)型的EV分布直接影響調(diào)控能力的分布，因此EV的調(diào)控能力和地點(diǎn)類(lèi)型關(guān)系非常密切。

3 城市級(jí)私家EV調(diào)控潛力評(píng)估模型

私家EV的屬性參數(shù)包括電池的荷電狀態(tài)(state of charge，SOC)、電池的健康程度(state of health，SOH)、電池的額定容量以及本文著重考慮的EV用戶(hù)參與調(diào)控的意愿，這些因素會(huì)影響私家EV參與電網(wǎng)調(diào)控的能力水平。

3.1 情形1下的EV調(diào)控能力

圖4 情形1調(diào)控能力示意圖

(5)

(6)

曲線A-a-b-c-d-D為EV的調(diào)控示例，由點(diǎn)S1到點(diǎn)A表示EV以最大充電功率Pcha,max進(jìn)行強(qiáng)制充電；點(diǎn)A到點(diǎn)a為EV以功率PAa進(jìn)行充電；點(diǎn)a到點(diǎn)b表示EV處于空閑狀態(tài)，既不充電也不放電；點(diǎn)b到點(diǎn)c表示EV以功率Pbc進(jìn)行充電；點(diǎn)c到點(diǎn)d表示EV以功率Pcd進(jìn)行反向放電；點(diǎn)d到點(diǎn)D表示EV以功率PdD充電至Si,exp。在EV可調(diào)控區(qū)域內(nèi)且在充放電最大功率約束范圍內(nèi)，可根據(jù)電網(wǎng)調(diào)控目的對(duì)EV進(jìn)行相應(yīng)的調(diào)控。

對(duì)編號(hào)為j的單輛EV而言，EV在地點(diǎn)i時(shí)刻t的SOC如式(7)所示，在t時(shí)刻的充放電功率如式(8)所示，在t時(shí)刻可調(diào)控的充電和放電容量分別如式(9)和式(10)所示。

(7)

(8)

(9)

(10)

滿足的約束條件如下：

Pdis,max≤Pj(t)≤Pcha,max

(11)

(12)

(13)

3.2 情形2下的EV調(diào)控能力

圖5 情形2調(diào)控能力示意圖

(14)

(15)

對(duì)編號(hào)為j的單輛EV而言，EV在地點(diǎn)i時(shí)刻t的SOC如式(16)所示，在t時(shí)刻的充放電功率如式(17)所示，在t時(shí)刻可調(diào)控的充電和放電容量分別如式(18)和式(19)所示。

(16)

(17)

(18)

(19)

滿足的約束條件如下：

Pdis,max≤Pj(t)≤Pcha,max

(20)

(21)

(22)

情形1中的EV到達(dá)地點(diǎn)i時(shí)沒(méi)有調(diào)控能力，處于強(qiáng)制充電狀態(tài)，至少經(jīng)過(guò)ti,f-ti,arr時(shí)長(zhǎng)才能具備調(diào)控能力；而情形2中的EV到達(dá)地點(diǎn)i就具有調(diào)控能力，可進(jìn)行充電、放電和空閑這3種操作。

3.3 EV用戶(hù)的參與意愿模型

相比于部分研究只是簡(jiǎn)單地假設(shè)EV用戶(hù)參與調(diào)控的意愿比例[17]，本文考慮用戶(hù)參與的意愿度受各方面因素的影響[18-19]，這些因素的影響程度難以量化，影響關(guān)系是模糊的，因此采用模糊推理模型對(duì)用戶(hù)的意愿程度進(jìn)行估計(jì)。模糊推理原理如圖6所示。

圖6 模糊推理原理圖

SOH對(duì)應(yīng)的模糊集為{差(S)，中等(M)，良好(B)}，停車(chē)時(shí)長(zhǎng)對(duì)應(yīng)的模糊集為{短(S)，中等(M)，長(zhǎng)(B)}，SOC、充放電電價(jià)、用戶(hù)參與充電和放電意愿的模糊集為{低(S)，中(M)，高(B)}。歸一化處理矩陣H、S、Cch、Cdis、R，采用兩邊型高斯隸屬函數(shù)，調(diào)整控制器輸入和輸出。圖7和圖8分別為SOH和充電意愿的隸屬度函數(shù)圖，其余輸入量和輸出量的隸屬度函數(shù)圖見(jiàn)附圖C1—C5。

圖7 SOH隸屬度函數(shù)

圖8 充電意愿隸屬度函數(shù)

本文設(shè)定模糊推理的基本原則為：車(chē)輛的SOC越低、充電價(jià)格越低、停車(chē)時(shí)長(zhǎng)越長(zhǎng)，則充電意愿越高；車(chē)輛的SOH越良好、SOC越高、放電價(jià)格越高、停車(chē)時(shí)長(zhǎng)越長(zhǎng)，則放電意愿越高。由此建立模糊推理規(guī)則，最后采用模糊推理獲得用戶(hù)參與調(diào)控的意愿程度。

表1是充電意愿模糊規(guī)則表的部分內(nèi)容，第一條規(guī)則表示只要EV的停車(chē)時(shí)長(zhǎng)短，則不論其SOC和充電價(jià)格如何，用戶(hù)的充電意愿都會(huì)表現(xiàn)為低；第二條規(guī)則表示當(dāng)SOC為低、充電價(jià)格為低而停車(chē)時(shí)長(zhǎng)中等時(shí)，用戶(hù)的充電意愿表現(xiàn)為高；模糊規(guī)則表中其余規(guī)則的含義分析方法與此相同。用戶(hù)參與充電和放電意愿的模糊規(guī)則見(jiàn)附表C1和C2。為提高算法精度，未來(lái)可通過(guò)統(tǒng)計(jì)調(diào)查結(jié)果改進(jìn)隸屬度關(guān)系和模糊規(guī)則。

表1 充電意愿模糊規(guī)則(部分)

考慮用戶(hù)的參與意愿，地點(diǎn)類(lèi)型為i的充放電容量和功率如式(23)—(26)所示。

(23)

(24)

(25)

(26)

4 不同調(diào)控方式下的城市級(jí)私家EV調(diào)控能力

選取調(diào)控能力中的充電容量和充電功率為例，首先對(duì)單輛EV的調(diào)控能力進(jìn)行仿真分析，進(jìn)而擴(kuò)展到EV集群的調(diào)控能力。私家車(chē)參與調(diào)控的方式會(huì)隨著研究的深入而增多[20]，本文考慮強(qiáng)制調(diào)控和計(jì)及用戶(hù)意愿兩種方式下私家EV集群的調(diào)控能力。利用前述EV調(diào)控能力評(píng)估模型可以對(duì)EV的充放電調(diào)控能力予以評(píng)估，本節(jié)選取EV的充電調(diào)控能力評(píng)估結(jié)果圖進(jìn)行展示和分析，放電調(diào)控能力評(píng)估分析方法與此類(lèi)似。

4.1 單輛EV的調(diào)控能力評(píng)估

基于蒙特卡洛方法模擬私家EV的出行鏈，抽取其中一輛EV，對(duì)其調(diào)控能力進(jìn)行分析。將一日以15 min為間隔劃分成96個(gè)基本時(shí)段，以每個(gè)時(shí)間段為單位對(duì)EV的調(diào)控能力進(jìn)行評(píng)估。

仿真模擬1 000輛私家EV的出行行為，設(shè)置EV的充放電功率最大值均為6 kW，EV的額定容量為30 kW·h，單位耗電量為15 kW·h/(100 km)。EV的SOH設(shè)定為以均值為0.8、標(biāo)準(zhǔn)差為0.2的正態(tài)分布，且SOH處于0.7～1之間；EV的初始SOC按正態(tài)分布進(jìn)行抽取，均值為0.5、標(biāo)準(zhǔn)差為0.1，且初始SOC處于0.6～1之間。假設(shè)每個(gè)功能區(qū)都有足夠的充放電設(shè)備，可以保證私家EV在需要時(shí)與電網(wǎng)進(jìn)行互動(dòng)。

仿真各抽取工作日和非工作日期間的一個(gè)EV出行鏈，前者由2個(gè)行程構(gòu)成，為H-W-H；后者由4個(gè)行程構(gòu)成，為H-O-H-O-H。計(jì)算可得單輛EV的調(diào)控能力，工作日結(jié)果如圖9和圖10所示，非工作日結(jié)果如圖11和圖12所示。

圖9 工作日各地點(diǎn)的充電容量

圖10 工作日各地點(diǎn)的充電功率

圖11 非工作日各地點(diǎn)的充電容量

圖12 非工作日各地點(diǎn)的充電功率

由單輛EV的調(diào)控能力仿真結(jié)果圖9至圖12可以看出，單輛EV的調(diào)控能力與EV的空間狀態(tài)密切相關(guān)。顯然，當(dāng)EV處于行駛狀態(tài)時(shí)，其處于不可控狀態(tài)；只有在EV到達(dá)某地后的停車(chē)期間，各地點(diǎn)類(lèi)型才可能具有相應(yīng)的可調(diào)控的時(shí)段。工作日出行鏈平均長(zhǎng)度小于非工作日的平均長(zhǎng)度，各地點(diǎn)調(diào)控時(shí)段相對(duì)集中，每個(gè)時(shí)段的可調(diào)控時(shí)長(zhǎng)較長(zhǎng)；非工作日的各地點(diǎn)調(diào)控時(shí)段較相對(duì)分散，每個(gè)時(shí)段的可調(diào)控時(shí)長(zhǎng)較短。以該車(chē)輛的SOC-t邊界和功率邊界為約束，由EV調(diào)控能力模型對(duì)EV的調(diào)控能力進(jìn)行評(píng)估計(jì)算，本評(píng)估結(jié)果呈現(xiàn)的是EV的充電調(diào)控能力極限水平。

4.2 集群EV的調(diào)控能力

單輛EV的調(diào)控能力只是某個(gè)地點(diǎn)的EV集群調(diào)控能力的一個(gè)組成單元，處于某一地點(diǎn)的EV數(shù)量是較多的。對(duì)EV集群的調(diào)控能力進(jìn)行評(píng)估，得到各個(gè)時(shí)段EV集群能夠提供的充放電容量、與電網(wǎng)互動(dòng)的功率水平，為制定電網(wǎng)與EV集群的雙向互動(dòng)策略提供依據(jù)。

由前述的單輛EV的調(diào)控容量和功率評(píng)估模型，得到EV集群的充電調(diào)控能力評(píng)估公式。在時(shí)間軸上，考慮到電網(wǎng)的功率約束水平，將各輛EV的調(diào)控能力進(jìn)行疊加，則地點(diǎn)類(lèi)型為i的區(qū)域的充電容量和充電功率如式(27)和式(28)所示。

(27)

(28)

式中：NEV,i為處于地點(diǎn)i的EV數(shù)量。

以某次模擬的1 000輛私家EV一日內(nèi)的出行鏈確定EV集群的時(shí)空分布狀態(tài)，計(jì)算EV集群的調(diào)控能力，工作日的可調(diào)控容量和調(diào)控功率水平如圖13和圖14所示。

圖13 工作日各地點(diǎn)的EV集群充電容量

圖14 工作日各地點(diǎn)的EV集群充電功率

由圖13和圖14分析可知，各地點(diǎn)類(lèi)型的充電容量水平變化特征以EV集群的時(shí)空分布為主導(dǎo)；在工作日的上午07:00至09:00，由于大量的私家EV向工作區(qū)W和其他地區(qū)O轉(zhuǎn)移，居民區(qū)的充電調(diào)控能力迅速減小，相應(yīng)的工作區(qū)和其他地區(qū)的調(diào)控能力呈增加趨勢(shì)；09:00至18:00，工作區(qū)和其他區(qū)域會(huì)存在相對(duì)穩(wěn)定的調(diào)控能力水平；18:00左右私家EV從工作區(qū)和其他區(qū)域返回居民區(qū)，對(duì)應(yīng)居民區(qū)的調(diào)控水平提高，工作區(qū)的調(diào)控水平迅速降低，而部分EV向其他地區(qū)轉(zhuǎn)移導(dǎo)致其他區(qū)域的調(diào)控水平降低較為緩慢；18:00至20:00左右用戶(hù)處于其他區(qū)域就餐、休閑等行為，會(huì)導(dǎo)致其他區(qū)域的調(diào)控能力水平快速下降趨勢(shì)較工作區(qū)延后2 h。

非工作日的可調(diào)控容量和調(diào)控功率水平如圖15和圖16所示。

圖15 非工作日各地點(diǎn)的EV集群充電容量

圖16 非工作日各地點(diǎn)的EV集群充電功率

由圖15和圖16分析可知，各地點(diǎn)類(lèi)型的充電容量水平變化特征以EV集群的時(shí)空分布為主導(dǎo)；非工作日的EV用戶(hù)出行行為沒(méi)有工作日上班時(shí)間和下班時(shí)間的限制，在非工作日的09:00左右會(huì)有少量的EV向工作區(qū)和其他地區(qū)轉(zhuǎn)移，EV集群在居住區(qū)的調(diào)控能力水平下降，工作區(qū)和其他區(qū)域的調(diào)控能力水平提高；由于周末更多的EV向其他地區(qū)轉(zhuǎn)移，其他地區(qū)的調(diào)控能力要比工作區(qū)高出幾倍的水平；20:00以后EV快速向居民區(qū)轉(zhuǎn)移，對(duì)應(yīng)的居住區(qū)調(diào)控水平提高而其他區(qū)域調(diào)控水平降低，工作區(qū)調(diào)控能力始終處于較低水平。

4.3 計(jì)及用戶(hù)參與意愿的集群EV調(diào)控能力

考慮用戶(hù)的參與度，對(duì)EV的調(diào)控能力進(jìn)行評(píng)估。為比較計(jì)及用戶(hù)意愿度和不計(jì)及用戶(hù)參與度的充電調(diào)控能力，將兩種情況下的EV集群調(diào)控能力結(jié)果繪制在同一圖中。工作日的調(diào)控能力對(duì)比如圖17和圖18所示，非工作日的調(diào)控能力對(duì)比如圖19和圖20所示。

圖17 工作日各地點(diǎn)類(lèi)型充電容量比較圖

圖18 工作日各地點(diǎn)類(lèi)型充電功率比較圖

圖19 非工作日各地點(diǎn)類(lèi)型充電容量比較圖

圖20 非工作日各地點(diǎn)類(lèi)型充電功率比較圖

考慮EV用戶(hù)的參與意愿后，集群EV的調(diào)控能力水平在各個(gè)地點(diǎn)均呈現(xiàn)降低的趨勢(shì)；由于用戶(hù)的參與意愿受多方面因素的影響，考慮用戶(hù)意愿后的調(diào)控能力水平低于強(qiáng)制調(diào)控方式下的能力水平；計(jì)及用戶(hù)參與意愿后各地點(diǎn)的調(diào)控能力水平變化趨勢(shì)和強(qiáng)制調(diào)控下的趨勢(shì)相同，在本文建立的用戶(hù)參與意愿模糊推理模型下，用戶(hù)的參與意愿會(huì)隨著時(shí)段的變化發(fā)生相應(yīng)的變化，充電的參與意愿平均值約為0.40，放電的參與意愿平均值約為0.35。

5 結(jié) 論

本文基于EV出行鏈的隨機(jī)模擬方法，模擬一定數(shù)量的EV出行鏈，并在此基礎(chǔ)上建立單輛和集群EV的調(diào)控能力模型，進(jìn)而將EV用戶(hù)的意愿度考量在EV的調(diào)控能力評(píng)估模型中。通過(guò)仿真分析，可得出以下結(jié)論。

1)私家EV集群的調(diào)控能力的變化趨勢(shì)與EV的時(shí)空分布變化是一致的，EV的空間分布直接決定對(duì)應(yīng)的調(diào)控能力水平，因此在對(duì)城市級(jí)EV調(diào)控能力評(píng)估時(shí)需著重考慮EV的時(shí)空分布特征。

2)工作日和非工作日的EV時(shí)空分布差異較大，其調(diào)控能力也呈現(xiàn)較大差異，EV集群的調(diào)控能力需從工作日和非工作日兩方面進(jìn)行評(píng)估。

3)EV用戶(hù)的參與意愿是私家EV的顯著特點(diǎn)，是城市級(jí)EV調(diào)控能力評(píng)估的重要因素，對(duì)提高調(diào)控能力評(píng)估的準(zhǔn)確性起重要作用，能夠?yàn)楹罄m(xù)的EV參與電網(wǎng)調(diào)控提供較好的基礎(chǔ)。