周椿奇，向 月，童 話，饒 萍，青倚帆，劉友波

（四川大學(xué)電氣工程學(xué)院，四川省成都市 610065）

0 引言

電動汽車（electric vehicle，EV）的規(guī)模化推廣與應(yīng)用，給“綠色”社會建設(shè)提供了可行方案，但其大規(guī)模接入電網(wǎng)所造成的電力系統(tǒng)安全問題逐步凸顯。為緩解高滲透率下EV 充電行為對電力系統(tǒng)穩(wěn)定運行的沖擊，電動汽車與電網(wǎng)互動（vehicle-to-grid，V2G）技術(shù)因其“化被動變主動”的特性正逐步得到社會各界的關(guān)注［1-2］。對V2G 的可用容量進(jìn)行合理調(diào)控能夠有效緩解電網(wǎng)峰谷波動、提升電網(wǎng)投資效益，以及為電網(wǎng)側(cè)提供緊急輔助服務(wù)。但實現(xiàn)V2G需首先滿足EV 用戶的出行需求電量，因此，有必要對EV 用戶主體的充電需求進(jìn)行精準(zhǔn)預(yù)估。

關(guān)于EV 的充電負(fù)荷特性，已有較多研究從多個維度進(jìn)行了深入探討。例如，文獻(xiàn)［3］基于多代理技術(shù)推演了EV 規(guī)模演化，分析了EV 充電負(fù)荷隨時間尺度的宏觀變化路徑；文獻(xiàn)［4］基于出行鏈與馬爾可夫過程，通過對空間區(qū)域進(jìn)行劃分，研究了EV 空間移動特性下的充電負(fù)荷需求；文獻(xiàn)［5］通過元胞機(jī)模型，模擬了EV 作為智能體參與動態(tài)演化過程中負(fù)荷需求的時空分布特性；文獻(xiàn)［6］提出了一種基于車輛集合的整體荷電狀態(tài)概率分布特性的EV 充電負(fù)荷概率分布數(shù)值計算方法；文獻(xiàn)［7］基于EV 行駛/停放特性，提出一種考慮EV 時空分布的充電負(fù)荷預(yù)測方法；文獻(xiàn)［8］基于起訖點（origindestination，OD）矩陣及Floyd 算法模擬EV 最短距離出行軌跡，并考慮車速-流量關(guān)系建立了EV 充電負(fù)荷預(yù)測模型；文獻(xiàn)［9］考慮“車-路-網(wǎng)”耦合下的動態(tài)交通流模型，基于起訖點分析法研究了交通系統(tǒng)與充電負(fù)荷的動態(tài)交互關(guān)系。但上述文獻(xiàn)對EV 充電負(fù)荷的研究主要是基于理想場景對EV 充電行為進(jìn)行模擬，而不是以真實數(shù)據(jù)作為支撐，并且無法準(zhǔn)確獲得充電需求的空間地理位置。因此，亟須以真實大數(shù)據(jù)作為支撐對充電負(fù)荷的時空需求進(jìn)行更具精細(xì)化的預(yù)估，為后續(xù)研究V2G 可響應(yīng)容量提供實際依據(jù)。

以真實數(shù)據(jù)作為依據(jù)的EV 充電需求估計研究中，文獻(xiàn)［10］根據(jù)美國交通部門所公布的車輛出行行為調(diào)查結(jié)果（national household travel survey，NHTS），通過擬合用戶出行時間、日均里程等車輛行為概率，對充電負(fù)荷需求進(jìn)行預(yù)估；文獻(xiàn)［11］進(jìn)一步分析中國不同階段的EV 規(guī)模，將乘用車功能細(xì)化為不同EV 類型，并采用隨機(jī)抽樣方法分析EV 的負(fù)荷時空維度分布特性。上述文獻(xiàn)通過數(shù)據(jù)擬合形式進(jìn)行充電需求估計，但前者數(shù)據(jù)無法體現(xiàn)國內(nèi)行車數(shù)據(jù)的真實情況，后者數(shù)據(jù)年代較為久遠(yuǎn)，無法為現(xiàn)階段開展V2G 響應(yīng)研究提供有意義的參考。為此，本文基于開源數(shù)據(jù)平臺提供的用戶訂單出行軌跡數(shù)據(jù)，根據(jù)動態(tài)能耗理論，預(yù)判車輛行駛過程中的實時能耗情況。該方式不僅可精準(zhǔn)定位到有充電需求EV 用戶的興趣點（point of interest，POI）坐標(biāo)，而且可為后文研究相關(guān)EV 用戶選擇參與V2G 響應(yīng)的決策行為提供支撐。

在EV 參與V2G 響應(yīng)的研究方面，現(xiàn)有文獻(xiàn)多側(cè)重于對EV 可響應(yīng)資源進(jìn)行量測的研究［12-16］，而忽略了以何種方式激勵EV 用戶參與V2G 響應(yīng)，以及EV 用戶自身參與V2G 響應(yīng)的主觀意愿和客觀條件。因此，文獻(xiàn)［17］基于替代彈性價格模型，給出了微網(wǎng)短期新能源出力與負(fù)荷需求關(guān)系的動態(tài)分時電價機(jī)制；文獻(xiàn)［18］提出一種基于模糊貝葉斯學(xué)習(xí)的EV 放電電價談判模型，構(gòu)建電網(wǎng)與EV 代理商在博弈模式下的放電電價的定價機(jī)制。文獻(xiàn)［17-18］分別給出了EV 放電電價的定價機(jī)制，激勵EV 用戶積極參與V2G 響應(yīng)，但與國內(nèi)EV 參與放電響應(yīng)的具體實施規(guī)則差異較大，無法提供參考。為此，本文考慮將文中的放電補(bǔ)償效益與目前國內(nèi)相關(guān)區(qū)域正實施的放電補(bǔ)償政策規(guī)定相適應(yīng)，構(gòu)建更具現(xiàn)實參考價值的V2G 響應(yīng)容量及經(jīng)濟(jì)效益的研究。最后，將V2G 響應(yīng)容量應(yīng)用于區(qū)域?qū)嶋H負(fù)荷削峰的研究中，分析了目前EV 參與V2G 響應(yīng)在該區(qū)域的潛在調(diào)節(jié)能力。

1 單個EV 用戶出行需求建模

1.1 原始數(shù)據(jù)來源及處理

本文通過“滴滴開放數(shù)據(jù)平臺”申請得到該平臺發(fā)布的中國某城市局部區(qū)域一周內(nèi)的出行訂單及訂單GPS 定位數(shù)據(jù)。該數(shù)據(jù)包括5 個以天為單位的數(shù)據(jù)包，數(shù)據(jù)鏈時間間隔為2 s，共包含約27 萬條出行訂單的GPS 軌跡數(shù)據(jù)集。其數(shù)據(jù)格式如附錄A 表A1 所示，表中給出了每份訂單的脫敏司機(jī)信息、脫敏訂單信息、脫敏行程時間戳以及實時軌跡GPS 定位數(shù)據(jù)。

1.1.1 電動私家車數(shù)據(jù)清洗

為構(gòu)建更加符合實際情景下私家車通勤時間的用戶出行鏈（考慮通勤過程中交通堵塞等因素），將5 日內(nèi)的訂單數(shù)據(jù)中時間在07：30—09：30 劃分為上班時間，時間在16：40—19：30 劃分為下班時間，并將該時間劃分作為工作日用戶出行鏈構(gòu)建的選取規(guī)則。同時，剔除行駛時間小于300 s，且同一訂單GPS 數(shù)據(jù)相鄰間隔距離過大以及平均速度大于120 km/h 等的訂單數(shù)據(jù)，以此作為后文構(gòu)建符合EV 用戶出行習(xí)慣行程鏈的依據(jù)。

1.1.2 電動運營車出行數(shù)據(jù)清洗

本文通過篩選“滴滴”出行計劃獲得的行車軌跡數(shù)據(jù)集，得到典型（單日運營時間長）司機(jī)用戶，進(jìn)而得到滴滴司機(jī)個體的行車軌跡數(shù)據(jù)集。因此，可直接在該清洗后的數(shù)據(jù)庫中進(jìn)行隨機(jī)抽取，作為電動運營車的出行數(shù)據(jù)集。

1.2 電動私家車用戶行程出行鏈構(gòu)造

通過1.1.1 節(jié)中對軌跡數(shù)據(jù)清洗后得到的通勤時段訂單信息，本節(jié)在該過濾數(shù)據(jù)的基礎(chǔ)上構(gòu)建了符合一般私家車用戶出行規(guī)律的軌跡行程鏈。電動私家車通勤日出行點相對較為固定，利用前文清洗得到的用戶軌跡數(shù)據(jù)集，對數(shù)據(jù)集早晚通勤中的起訖點坐標(biāo)尋找最優(yōu)的匹配結(jié)果，作為EV 用戶通勤出行鏈。具體步驟如下：

1）通過訂單大數(shù)據(jù)，構(gòu)建早通勤出行鏈Om(i)與晚通勤出行鏈Od(j)的匹配關(guān)系：

式中：xi，m、yi，m、ti，m分別為第m號早通勤行程鏈軌跡數(shù)據(jù)中第i條信息對應(yīng)的實時經(jīng)、緯度坐標(biāo)和對應(yīng)時間戳，其中i=0，1，…，n，n為該行程鏈總長度；xj，d、yj，d、tj，d分別為第d號晚通勤行程鏈軌跡數(shù)據(jù)中第j條信息對應(yīng)的實時經(jīng)、緯度坐標(biāo)和對應(yīng)時間戳，其中j=0，1，…，ν，ν為該行程鏈總長度。

2）對挖掘得到的早、晚通勤數(shù)據(jù)進(jìn)行空間位置上的匹配：

式中：Ω(x)和Ω(y)分別為對經(jīng)、緯度坐標(biāo)始末位置進(jìn)行匹配的出行鏈軌跡集合；αla和αlon為不同匹配過程中允許的匹配距離誤差最小值；C(z)為成功匹配得到的出行鏈軌跡數(shù)據(jù)集合集，其中z為行程鏈數(shù)據(jù)匹配成功數(shù)，z=1，2，…，n。

圖1 展示了由式（1）—式（5）匹配得到的5 組EV 用戶早晚通勤出行鏈的模擬結(jié)果（僅為部分結(jié)果，依據(jù)以上公式共成功匹配約4 000 條行程鏈）。由圖1 可以看出，用戶在出行過程中為避免交通堵塞帶來的時間成本，會自動選擇最優(yōu)行駛路徑。相較于傳統(tǒng)的固定出行鏈，通過該數(shù)據(jù)挖掘方法得到的出行鏈結(jié)果能更現(xiàn)實地反映城市交通堵塞及行車狀態(tài)信息對充電需求的影響（往返行程時間及往返路程不同）。

圖1 數(shù)據(jù)挖掘下的EV 用戶出行鏈結(jié)果Fig.1 Trip chain results of EV users based on data mining

1.3 EV 行駛特性建模

1）出行時刻電池荷電狀態(tài)。實際情況中，現(xiàn)階段EV 的滿電量續(xù)航里程已基本滿足了私家車用戶的日均里程需求。根據(jù)文獻(xiàn)［19］提到的私家車日均能耗需求可知，EV 用戶每周約充電1.3 次。因此，本文設(shè)置首次出行時刻的荷電狀態(tài)服從正態(tài)分布N(0.8，0.1)［20］，如式（6）所示，且通過式（7）得到各EV 初始電池容量。

式中：u、σ為正態(tài)分布的相關(guān)參數(shù)；S為EV 電池荷電狀態(tài)的初始值；V0，k為第k類EV 對應(yīng)的出行時刻初始電池容量；Vall，k為第k類EV 的電池總?cè)萘?；Sk為第k類EV 電池的荷電狀態(tài)；k=1，2，…，10，由附錄A 表A2 給出。

2）EV 能耗模型?；谖墨I(xiàn)［21］所提的微觀動態(tài)能耗量化模型，并結(jié)合EV 能耗規(guī)律給出了EV 行駛過程的動態(tài)能耗模型。該方法相較于傳統(tǒng)的百公里固定耗電模型，能更實際地反映行駛過程的交通流堵塞所造成的EV 能耗估計偏差問題。根據(jù)滴滴數(shù)據(jù)平臺提供的車輛秒級GPS 定位，建立了EV 不同運行狀態(tài)（加速、減速、勻速、怠速）下的單位里程動態(tài)耗電模型如下：

式中：ωA、ωD、ωU、ωI分別為加速、減速、勻速、怠速4 種運行狀態(tài)下的EV 耗電量；λA、λD、λU為通過實驗得到的各運行狀態(tài)對應(yīng)的回歸系數(shù)［21］；Ec為怠速工況下的固定電能消耗量；ve為e時刻對應(yīng)的瞬時速度，由e時刻GPS 數(shù)據(jù)（Ge）定位的經(jīng)緯度坐標(biāo)值確定，由于數(shù)據(jù)集中采集樣本之間的間隔為2～3 s，故g表示GPS 數(shù)據(jù)采集過程中的時間間隔；ae為e時刻對應(yīng)的瞬時加速度。附錄B 圖B1 模擬了EV 動態(tài)行駛過程的情景。

3）充電需求判斷。式（11）給出了行程時間段的剩余電量Vt，k的計算方式。

式中：h表示EV 行駛過程中的不同運行狀態(tài)。

根據(jù)EV 剩余電量可判斷不同類型EV 的充電需求。對于電動私家車用戶，當(dāng)EV 抵達(dá)目的地后，若無法滿足下次出行的需求電量將觸發(fā)充電需求（由式（12）給出），同時該類型的車輛主要以慢充形式為主；對于電動運營車用戶，考慮到其商業(yè)運營需求，通常充電模式選擇以快充為主且設(shè)定閾值電量觸發(fā)其充電需求（由式（13）給出）。式中：γ為電動運營車用戶的心理閾值系數(shù)，服從區(qū)間為0.15～0.30 的均勻分布［22］，即充電需求一旦觸發(fā)即選擇最近的充電站進(jìn)行快充。

對于電動私家車用戶，當(dāng)用戶抵達(dá)目的地后，若無法滿足下次出行的電量則觸發(fā)式（12）所示的充電需求，同時，私家車用戶會選擇上段行程終點處就近的充電站進(jìn)行充電。本文以幾何距離最近（式（14））作為充電站的選擇依據(jù)，該充電站通過k均值聚類算法可確定該充電站所屬的對應(yīng)充電節(jié)點，以此作為充電節(jié)點的充電需求；對于電動運營車用戶，通過式（13）設(shè)置的充電閾值，同樣以式（14）確定對應(yīng)充電節(jié)點的充電需求。

式中：u表示距行程終點最近的充電站，研究區(qū)域的充電站個數(shù)及充電站對應(yīng)的POI 坐標(biāo)已由數(shù)據(jù)爬蟲技術(shù)獲?。ㄒ姼戒汣 表C1）；xu，c和yu，c分別為第u個充電站的經(jīng)、緯度坐標(biāo)；xz和yw分別表示當(dāng)電動私家車觸發(fā)式（12）或電動運營車觸發(fā)式（13）時，兩類EV 分別對應(yīng)的地理坐標(biāo)位置的經(jīng)、緯度坐標(biāo)。由此，分別確定了電動私家車與電動運營車的充電位置及充電需求結(jié)果。

4）充電時長：

式中：fsoc為充電結(jié)束時的荷電狀態(tài)值，服從N(0.85，0.3)的正態(tài)分布［23］；ηc為充電效率，取值為0.9；Px為充電樁功率，根據(jù)對現(xiàn)有市面上充電樁的調(diào)研，本文設(shè)置目的地慢充功率為7 kW，快充功率為30 kW。

5）充電需求負(fù)荷。每個充電節(jié)點的需求負(fù)荷Pc，t為：

式中：Pc，t為t時刻充電節(jié)點c的充電電量；Z為充電節(jié)點c包含的充電樁數(shù)量；Nt，k為t時刻在充電站k的EV 數(shù)量；βs，b，t為t時刻在區(qū)域s（s由4.1 節(jié)所求得的充電節(jié)點及區(qū)域劃分）第b輛車的充電狀態(tài)，充電時為1，否則為0。

2 V2G 需求響應(yīng)決策模型

目前，國內(nèi)的EV 發(fā)展正處于加速上升期，“十四五”提出的能源電氣化轉(zhuǎn)型進(jìn)一步推動了V2G 技術(shù)的發(fā)展。本文認(rèn)為，實現(xiàn)EV 參與需求響應(yīng)的發(fā)展初期的主要參與對象應(yīng)為電動私家車用戶，其主要原因如下：

1）電動私家車規(guī)模占EV 規(guī)模的絕大部分；

2）電動私家車日均在線及與電網(wǎng)可互動日均時間占比達(dá)到80%以上，能夠更有效地接受電網(wǎng)側(cè)需求響應(yīng)的調(diào)控。

2.1 用戶參與V2G 需求響應(yīng)的影響因素分析

影響用戶參與V2G 需求響應(yīng)的因素較為復(fù)雜，本節(jié)分別從個體用戶屬性、政策屬性、電池產(chǎn)品屬性及社會影響等方面進(jìn)行分類梳理：

1）個體用戶屬性：指關(guān)于用戶選擇參與V2G 需求響應(yīng)的本質(zhì)屬性，如里程焦慮、用戶EV 購買價格以及V2G 響應(yīng)所獲收益等。個體用戶屬性是影響EV 用戶選擇參與V2G 需求響應(yīng)決策的關(guān)鍵評估因素。

2）政策屬性：指關(guān)于V2G 作為需求響應(yīng)的相關(guān)規(guī)則。本文參照《廣州市虛擬電廠實施細(xì)則》（后文簡稱《細(xì)則》）［24］中，關(guān)于實時響應(yīng)電價補(bǔ)償標(biāo)準(zhǔn)以及需求響應(yīng)參與時間及容量的規(guī)則作為EV 用戶通過V2G 技術(shù)參與需求響應(yīng)的環(huán)境政策屬性。

3）電池產(chǎn)品屬性：指EV 電池容量裕度、電池成本及其可循環(huán)充放電次數(shù)等因素。受限于EV 產(chǎn)品屬性的直接影響，本文基于互聯(lián)網(wǎng)信息挖掘出研究區(qū)域現(xiàn)有的EV 產(chǎn)品特征屬性，具體結(jié)果詳見附錄A 表A2。

4）社會影響：指影響EV 用戶參與決策的社會因素，包括區(qū)域EV 規(guī)模、電網(wǎng)需求量及EV 低碳運行帶來的環(huán)保效益等因素。由于V2G 的推廣范圍較小，需要通過社會對其環(huán)保減碳效益以及經(jīng)濟(jì)效益進(jìn)行宣傳，以提高用戶對V2G 需求響應(yīng)的參與度。

2.2 用戶參與V2G 需求響應(yīng)的行為模型

2.2.1 V2G 滲透率閾值模型

在新興事物的發(fā)展初期，EV 用戶的接受程度傾向于采取觀望的態(tài)度，直到該事物的滲透情況達(dá)到個體心理閾值［25］，即行為學(xué)中的“市場慣性”。由于EV 用戶具有不同的社會屬性，對新興事物的傾向程度呈現(xiàn)顯著差異。根據(jù)文獻(xiàn)［3］中提出的創(chuàng)新擴(kuò)散理論，將用戶的社會屬性分為創(chuàng)新者、早期使用者、早期/晚期大眾以及產(chǎn)品滯后者，各類型用戶所占的比例取其典型值。本文主要討論V2G 參與需求響應(yīng)發(fā)展初期用戶的參與度問題。各類型用戶的心理閾值如表1 所示。

表1 EV 用戶行為分類信息Table 1 Behavior classification information of EV users

2.2.2 EV 用戶效用評估模型

用戶在參與V2G 需求響應(yīng)前，會評估當(dāng)日的參與必要性。為評估EV 參與V2G 需求響應(yīng)的效用情況，本文建立考慮用戶的行程需求、經(jīng)濟(jì)性、社會性及環(huán)保性的綜合效用模型。綜合效用值U的計算方式如式（17）所示。

式中：Ueco、Uso、Ueir分別為用戶經(jīng)濟(jì)效用、社會效用以及環(huán)境效用；α1、α2、α3分別為用戶經(jīng)濟(jì)效用、社會效用及環(huán)境效用的權(quán)重系數(shù)，且α1+α2+α3=1。

1）用戶經(jīng)濟(jì)效用。經(jīng)濟(jì)效益是激勵EV 用戶利用V2G 參與需求響應(yīng)的重要因素，本文通過用戶放電收益BV2G與電量成本TV2G的差值來衡量。

電量成本由固定成本與可變成本組成，如式（18）所示［26］。

式中：μ為電池成本占整車單價的比例，取值為45%［27］；PEV，k為第k類EV 的單價，由附錄A 表A2給出；τ為EV 電池充放電可循環(huán)次數(shù)；Pch為用于放電的電能充電電價；ηd為放電效率；Edis為參與需求響應(yīng)的電量；υ為EV 用戶的機(jī)會成本系數(shù)，υE2dis表示參與需求響應(yīng)而失去的出行便利可變成本。

EV 用戶參與需求響應(yīng)的放電收益可依據(jù)《細(xì)則》中需求響應(yīng)電價補(bǔ)償標(biāo)準(zhǔn)計算，如式（19）所示。

式中：Cpri為補(bǔ)償標(biāo)準(zhǔn)單價；ε為響應(yīng)系數(shù)。

本文將用戶的經(jīng)濟(jì)效益定義為：

式中：GOD為EV 用戶日出行所需的總電量，通過2.2節(jié)基于軌跡數(shù)據(jù)的充電需求估計得到。

2）社會效用。根據(jù)社會學(xué)原理，用戶的決策行為不僅受自身經(jīng)濟(jì)情況的影響，還受到與之具有相同經(jīng)濟(jì)水平的社會成員的行為影響，即用戶的“同群效應(yīng)”。本文根據(jù)車型售價差異區(qū)分出不同EV 用戶的經(jīng)濟(jì)水平，此外，參考文獻(xiàn)［3］隨機(jī)生成小世界網(wǎng)絡(luò)用以描述相同經(jīng)濟(jì)水平用戶之間的連接關(guān)系。將社會效用定義如下：

式中：Kp為社會網(wǎng)絡(luò)中與EV 用戶p具有相似經(jīng)濟(jì)水平的用戶總量；Αpq為EV 用戶之間的連接矩陣元素，若p與q相連，則Αpq為1，否則為0；xq為EV 用戶q參與需求響應(yīng)的標(biāo)志，若參與則為1，否則為0；Pad為EV 的日均使用成本，其值取決于相應(yīng)用戶的EV購買單價；β1、β2分別為表示社會集群影響在主觀及客觀中社會影響的權(quán)重系數(shù)；N為具備相同綜合特性EV 用戶已參與V2G 響應(yīng)的總數(shù)。

3）環(huán)保效用。EV 作為需求響應(yīng)資源，能夠為實現(xiàn)“碳達(dá)峰、碳中和”的目標(biāo)作出貢獻(xiàn)。由于EV作為實時響應(yīng)資源能夠滿足需求響應(yīng)的及時性，其環(huán)保特性能夠緩解傳統(tǒng)放電需求響應(yīng)依靠大量火電機(jī)組造成的大規(guī)模排碳問題。本文基于V2G 響應(yīng)可減少的碳排放量來定義EV 用戶的環(huán)保效用：式中：Rper為區(qū)域內(nèi)清潔能源發(fā)電占比；ωc為燃煤排碳因子。

2.2.3 EV 用戶參與需求響應(yīng)選擇概率模型

電量滿足度效用r是用戶是否參與V2G 響應(yīng)的決定性因素。本文假設(shè)若用戶當(dāng)日在停靠時間段內(nèi)進(jìn)行了充電行為，則該時間段不參與放電需求響應(yīng)。因此，該指標(biāo)取決于參與需求響應(yīng)的放電電量、EV 剩余電量以及返程所需耗電量等因素。

式中：edo為EV 用戶返程途中所需能耗。

最后，通過改進(jìn)離散選擇Logit 模型，綜合考慮EV 用戶各方面效用值，得到EV 用戶選擇參與V2G需求響應(yīng)的概率行為模型為：

EV 用戶參與需求響應(yīng)選擇模型的仿真流程圖及流程說明如附錄D 所示。

3 V2G 需求響應(yīng)削峰調(diào)度模型

第2 章確定了EV 用戶參與需求響應(yīng)的意愿，本章將針對EV 的可響應(yīng)容量資源進(jìn)行優(yōu)化調(diào)度。由于參與需求響應(yīng)的EV 用戶可參與調(diào)度時間遠(yuǎn)小于其日常?？繒r間，本文假設(shè)響應(yīng)容量受EV 代理商（electric vehicle aggregation，EVA）統(tǒng)一調(diào)控管理。作為中間機(jī)構(gòu)，EVA 將有意愿參與需求響應(yīng)的EV資源納入削減容量的范圍，以便最大限度地發(fā)揮EV 集群的最優(yōu)化削峰調(diào)節(jié)效果。全文結(jié)構(gòu)框架如附錄E 圖E1 所示。

3.1 單個EV 用戶的響應(yīng)容量及響應(yīng)時間

依據(jù)《細(xì)則》中的規(guī)則確定EV 用戶參與需求響應(yīng)的容量及時間。規(guī)則中提到，單個電力用戶實時需求響應(yīng)原則上每月不超過4 次，且每次不超過2 h。因此，將用戶日均參與需求響應(yīng)的時間以期望的形式表示，即E=0.4 h（僅考慮工作日時間）。此外，根據(jù)電動汽車傳導(dǎo)式充電接口的充電設(shè)施標(biāo)準(zhǔn)，本文所涉及的放電需求響應(yīng)均在慢充樁上進(jìn)行，以保證放電過程的安全問題。用戶日均放電量為：

3.2 調(diào)度目標(biāo)函數(shù)及約束條件

EV 用戶參與削峰需求響應(yīng)的V2G 控制策略主要以削減系統(tǒng)負(fù)荷峰值、平抑負(fù)荷波動為目標(biāo)。為此，本文引入日負(fù)荷曲線均方差表征系統(tǒng)負(fù)荷的波動性。優(yōu)化調(diào)度的目標(biāo)為最小化負(fù)荷曲線均方差，優(yōu)化變量為調(diào)度時段Δt內(nèi)EV 的調(diào)度功率Dg，T。

式中：Fe為系統(tǒng)負(fù)荷均方差，用于表征電網(wǎng)系統(tǒng)負(fù)荷的波動情況，均方差越大則負(fù)荷波動越明顯；PL，T為除EV 負(fù)荷外電網(wǎng)的功率；Pa，T為T時段EV 的充電功率；Dg，T為T時段EVA 的放電功率；Pavr為區(qū)域的日平均負(fù)荷；文中設(shè)置的調(diào)度周期為一天，分為96 個調(diào)度時段。

根據(jù)《細(xì)則》中單體EV 用戶當(dāng)日僅允許參加1 次響應(yīng)的規(guī)定，可通過式（26）—式（28）控制EVA的放電功率。

式中：Nw，T為T時段未參與需求響應(yīng)的EV 數(shù)量。

4 算例分析

4.1 充電站節(jié)點的區(qū)域劃分

為了更好地模擬不同地理位置的充電需求電量，利用高德開放平臺（https：//jiaotong.amap.com）提供的應(yīng)用程序接口（application programming interface，API）爬取所研究城市的充電樁地理POI數(shù)據(jù)，數(shù)據(jù)集包含充電站經(jīng)緯度坐標(biāo)、充電站街道詳細(xì)地址以及所屬城市區(qū)域。同時，將POI 數(shù)據(jù)進(jìn)行清洗，篩選出研究區(qū)域范圍內(nèi)的充電站POI 信息，得到研究區(qū)域現(xiàn)存的56 個POI 地理數(shù)據(jù)（見附錄C 表C1），其充電站POI 信息可視化數(shù)據(jù)如圖C1 所示。為便于后續(xù)關(guān)于充電需求區(qū)域的時空劃分，需將離散充電樁POI 數(shù)據(jù)信息歸為不同類別。

進(jìn)一步，采用k均值聚類算法對所研究區(qū)域充電站經(jīng)緯度坐標(biāo)進(jìn)行聚類分析，并利用Python 的scikit-learn 機(jī)器學(xué)習(xí)算法包中的網(wǎng)格搜索法，基于輪廓系數(shù)模型（具體公式見附錄C 式（C1）），確定出聚類效果最優(yōu)的聚類數(shù)k=8，區(qū)域劃分結(jié)果如附錄C 圖C2 所示，以此作為確定充電需求在不同地理空間充電量的劃分依據(jù)。

附錄C 圖C2 中不同顏色的空心點表示研究區(qū)域的POI 數(shù)據(jù)結(jié)果；聚類算法得到的充電節(jié)點由圖中不同顏色的實心點給出。通過聚類算法分別得到8 個不同區(qū)域的充電節(jié)點，其中充電節(jié)點所包含的最大充電站數(shù)量為11 個，即圖C2 中充電節(jié)點5 的區(qū)域；最小充電站數(shù)量為3 個，即圖C2 中充電節(jié)點1 的區(qū)域。

4.2 動態(tài)軌跡能耗與固定里程能耗比較

傳統(tǒng)能耗估計方法主要由行駛里程與單位里程固定能耗所求得，與本文所提的能耗方法具有一定偏差。因此，本文抽取由動態(tài)能耗模型得到的電動私家車用戶用能結(jié)果，并通過GPS 數(shù)據(jù)計算得到EV 用戶行駛里程，對比動態(tài)能耗模型與固定能耗模型的能耗結(jié)果，如附錄F 圖F1 所示。由附錄F 圖F1 可知，相較于固定能耗模型的單位里程耗電量均值，動態(tài)能耗模型所求得的單位里程耗電量均值高出35%，其原因主要如下：

1）EV 行駛過程因受交通流影響頻繁切換行駛狀態(tài)，導(dǎo)致EV 能耗變化波動大；

2）動態(tài)能耗模型的怠速狀態(tài)在城市EV 行駛過程中經(jīng)常出現(xiàn)，增加了固定能耗模型所忽略的停車狀態(tài)耗電量；

3）本文數(shù)據(jù)采集的時間及區(qū)域范圍環(huán)境溫度約為18 ℃，屬于初冬季節(jié)，EV 能耗進(jìn)一步擴(kuò)大。

4.3 區(qū)域充電負(fù)荷需求估計

以0.5 h 為時間間隔，基于所提的軌跡數(shù)據(jù)驅(qū)動方法，可分別得到電動私家車用戶與電動運營車用戶的充電負(fù)荷需求，如圖2 所示。

圖2 不同車輛類型的充電需求負(fù)荷Fig.2 Charging demand load of different vehicle types

由圖2（a）可知，由于電動私家車用戶的日均充電次數(shù)小于等于1，其充電時段主要集中在19：00—次日03：00，且充電需求高峰出現(xiàn)在23：00，此時私家車的充電總需求將達(dá)到3 789 kW。此外，通過對比不同區(qū)域的充電負(fù)荷可知，研究區(qū)域中的充電節(jié)點4 的功率普遍大于其他充電節(jié)點，此現(xiàn)象的主要原因是充電節(jié)點4 所處區(qū)域具有較高的人口密度，從而引發(fā)了較高的充電需求。

對于一般運營車的充電需求估計，由于大多數(shù)運營車具有日均充電次數(shù)大于等于1 的充電特性，其日均充電需求相較于私家車用戶具有更大的隨機(jī)性及需求量，如圖2（b）所示。由圖可知，除去充電區(qū)域1、2 屬于城市外環(huán)的邊緣區(qū)域，其余各個節(jié)點的充電需求在11：00—次日03：00 均保持著較高的充電需求量。同時，各個節(jié)點的充電需求相對變化不大，也進(jìn)一步驗證了運營車充電時間及空間隨機(jī)性較大的特點。通過計算運營車不同時間斷面的充電需求可知，充電需求峰值出現(xiàn)在17：00，其充電負(fù)荷約為4 968 kW。

通過對不同類型EV 用戶的充電功率進(jìn)行疊加，可得到如圖2（c）所示的EV 總充電需求負(fù)荷。通過比較圖2（c）中不同時間斷面及不同區(qū)域的充電需求可知，研究區(qū)域的總充電需求負(fù)荷在23：00達(dá)到最大值；此外，研究區(qū)域中充電節(jié)點4 的充電需求總功率相較其他充電節(jié)點功率更大。

4.4 充電需求空間位置定位

通過GPS 定位數(shù)據(jù)及微觀能耗模型，不僅能夠求得不同時間序列的EV 充電需求負(fù)荷，而且能夠進(jìn)一步精準(zhǔn)定位EV 充電需求在所研究區(qū)域的POI數(shù)據(jù)，如附錄G 圖G1 所示。

由附錄G 圖G1 可知，不同時間序列充電需求點空間位置具有明顯差異。10：00—12：00 的充電需求點主要集中在研究區(qū)域中的三環(huán)附近地區(qū)（見圖G1（a））。此時，充電需求車輛主要為日常通勤出行的電動私家車用戶，由于該類EV 用戶車輛?？繒r間較長，往往會選取低功率充電樁進(jìn)行充電，故可在該區(qū)域增加低功率充電樁的覆蓋比例。此外，圖G1（b）給出了14：00—16：00 的充電需求點POI 結(jié)果。此時段的EV 充電用戶主要為電動運營車，由于運營需求的不確定性導(dǎo)致其充電需求POI 坐標(biāo)具有較大的隨機(jī)性。但從圖中也可以發(fā)現(xiàn)，研究區(qū)域中內(nèi)環(huán)范圍（充電節(jié)點4、5、7）的充電需求點密度高于其他區(qū)域，此現(xiàn)象主要是由該范圍商業(yè)區(qū)及住宅區(qū)密度大而造成的。此外，由于該類型EV 的運營特性，EV 車主往往會選擇高功率快充樁進(jìn)行充電，可在該區(qū)域增加快充樁的覆蓋比例。

4.5 電動私家車用戶參與V2G 決策及經(jīng)濟(jì)性分析

前文已探討電動私家車的充電需求時空分布特性，本節(jié)進(jìn)一步探究工作時段閑置且未充電的電動私家車用戶參與V2G 需求響應(yīng)的容量。通過本文第1 章的軌跡數(shù)據(jù)驅(qū)動方法得到單體私家車的剩余荷電狀態(tài)電量，并將此結(jié)果代入第2 章所闡述的參與V2G 需求響應(yīng)決策模型中，得到不同類型私家車的參與數(shù)量分布情況，如圖3 所示。

圖3 不同類型EV 用戶參與V2G 需求響應(yīng)的數(shù)量比較Fig.3 Comparison of number of different types of EV users participating in V2G demand response

從圖中可以看出，不同類型EV 參與V2G 需求響應(yīng)的情況具有明顯差異。其中，V2G 需求響應(yīng)參與度最大的類型為EV 數(shù)量占比最大的類型1 群體。通過分析該類型EV 群體的不同效用值結(jié)果可知，該類型EV 群體因其相對較大的EV 容量及偏低的EV 價格（價格位于低檔），導(dǎo)致該類型EV 用戶對需求響應(yīng)的參與度比例達(dá)到約81%。同時，對于具有相似容量及價格屬性的EV 類型5 及類型9，分別具有80%及79%的高參與度比例。此外，圖3 中V2G參與度比例相對較低的類型為EV 類型4、8 和10，其V2G 參與度比例分別為13.9%、14.3%和9.6%。通過分析該3 類EV 用戶可知，其參與度比例較低的主要原因是這3 類EV 的電池容量均小于等于20 kW·h（其中EV 類型4 及類型8 均為混合動力EV），參與V2G 放電將導(dǎo)致明顯的里程焦慮問題。由此可知，EV 電池容量將制約不同類型EV 參與V2G 需求響應(yīng)的積極度。此外，進(jìn)一步比較該3 類EV 的參與度比例發(fā)現(xiàn)，盡管類型10 屬于在3 類EV中相對大容量的純EV，但參與度也小于EV 類型4及類型8 的混合雙動力EV。通過分析可知，造成此現(xiàn)象的原因是混合動力EV 參與V2G 的成本相對于純電動EV 參與V2G 的成本偏高。本文分別比較了各類型EV 參與V2G 的經(jīng)濟(jì)效益，如圖4 所示。

圖4 不同類型EV 用戶參與V2G 需求響應(yīng)的性價比和經(jīng)濟(jì)效益Fig.4 Cost-performance ratio and economic benefits of different types of EV users participating in V2G demand responses

圖4 中的左側(cè)縱坐標(biāo)表示不同類型EV 參與V2G 需求響應(yīng)的性價比，其數(shù)值取決于響應(yīng)補(bǔ)償單價與各EV 類型參與響應(yīng)的單位次數(shù)電池成本之比，右側(cè)縱坐標(biāo)表示不同類型EV 參與響應(yīng)后所獲得的經(jīng)濟(jì)效益補(bǔ)償值。從圖中可知，除了受EV 容量限制的類型4、8、10 以外，其余各類型EV 均可獲得明顯的經(jīng)濟(jì)補(bǔ)償效益。

4.6 電動私家車用戶參與V2G 需求響應(yīng)評估

通過本文第3 章中所提的優(yōu)化調(diào)度模型，得到了研究區(qū)域中EV 參與該區(qū)域需求響應(yīng)的調(diào)節(jié)效果，調(diào)節(jié)步長取15 min，結(jié)果如圖5 所示。

圖5 區(qū)域EV 用戶參與V2G 需求響應(yīng)的調(diào)節(jié)效果Fig.5 Regulation effect of regional EV users participating in V2G demand response

從圖5 中可知，目前該區(qū)域開展EV 用戶參與V2G 需求響應(yīng)的實際效果并不明顯。通過計算求得EV 用戶參與調(diào)峰響應(yīng)的時段為11：00—12：00，且該時段響應(yīng)總量僅為8.14 MW·h。同時經(jīng)分析可知，調(diào)節(jié)效果欠優(yōu)主要受限于如下因素：

1）本文引用的響應(yīng)補(bǔ)償規(guī)則限制了EV 用戶參與需求響應(yīng)的時間及每日次數(shù)，導(dǎo)致EV 用戶參與V2G 的總響應(yīng)量偏低；

2）考慮到充電安全及慢充樁白天閑置數(shù)量較多等因素，本文假設(shè)EV 用戶參與V2G 放電過程中均采用慢充樁，導(dǎo)致EV 用戶參與響應(yīng)過程中放電功率偏低；

3）研究區(qū)域較低的EV 規(guī)模滲透率，導(dǎo)致EV 充電需求量占該城市負(fù)荷需求的比例偏低，進(jìn)而導(dǎo)致可參與需求響應(yīng)的EV 數(shù)量偏少。

5 結(jié)語

首先，本文提出一種基于行車軌跡大數(shù)據(jù)驅(qū)動的EV 充電需求的時空估計方法；其次，基于社會行為學(xué)理論，構(gòu)建了電動私家車用戶參與需求響應(yīng)的概率選擇模型；進(jìn)而，得到可參與需求響應(yīng)的V2G可調(diào)度容量；最后，分析了該區(qū)域現(xiàn)有V2G 可調(diào)度資源對區(qū)域電網(wǎng)的調(diào)峰效果。得到主要結(jié)論如下：

1）軌跡動態(tài)信息數(shù)據(jù)求得的EV 充電需求相較傳統(tǒng)充電需求估計方法［28］，不僅提高了不同時段充電需求估計的準(zhǔn)確度，而且可獲得EV 充電需求空間分布點，為城市充電基礎(chǔ)設(shè)施規(guī)劃提供了參考。

2）EV 用戶利用V2G 技術(shù)參與需求響應(yīng)的積極程度受到EV 電池容量及EV 購買價格的影響。此外，本文得到了研究區(qū)域EV 用戶愿意參與V2G 響應(yīng)的用戶比例約為43%（該數(shù)據(jù)考慮了未滿足放電約束用戶），一定程度上反映了社會初期開展V2G試點的社會反響情況。

3）當(dāng)前，本文研究區(qū)域的V2G 資源調(diào)節(jié)能力對該區(qū)域負(fù)荷調(diào)峰效率略低。此外，EV 參與需求響應(yīng)的調(diào)節(jié)潛力受到需求響應(yīng)規(guī)則、放電功率大小及EV 規(guī)模滲透率等多方面的影響，可為該區(qū)域的相關(guān)部門提供政策導(dǎo)向。

本文在利用數(shù)據(jù)挖掘方式構(gòu)建出行鏈過程中，受限于開源數(shù)據(jù)維度及規(guī)模的局限性，海量的開源數(shù)據(jù)信息仍有待探尋。此外，由于V2G 需求響應(yīng)的開展仍處于試驗階段，本文決策結(jié)果難以借鑒歷史數(shù)據(jù)進(jìn)行擬合及修正。未來，可考慮在相關(guān)實際數(shù)據(jù)支撐下利用機(jī)器學(xué)習(xí)分類算法或強(qiáng)化學(xué)習(xí)方法構(gòu)建更為精準(zhǔn)的EV 用戶決策模型。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。