蔡 黎，葛棚丹，代妮娜，徐青山，王 坤，張 一，賀 超

（1.重慶三峽學院電氣工程系，重慶 404000；2.東南大學電氣工程學院，江蘇南京 210096；3.國網(wǎng)電力科學研究院有限公司，江蘇南京 210037；4.國網(wǎng)重慶市電力公司，重慶 400000）

0 引言

我國的石油、天然氣儲量缺乏，目前占總消耗量60%～70%的石油仍依賴進口，燃油車對石油的消耗超過了石油總消耗量的1/3。燃油車產(chǎn)生的CO、CO2、氮氧化物、顆粒物等污染物加劇了溫室效應和酸雨等環(huán)境問題[1]。2020 年，習近平宣布碳中和目標：中國的CO2排放力爭于2030 年前達到峰值，努力爭取在2060 年前實現(xiàn)碳中和。在資源短缺和環(huán)境保護的雙重推動下，電動汽車（Electric Vehicle，EV）因高效能、零污染、低排放等優(yōu)點逐漸受到各國政府的重視[2]。2020 年11 月，中華人民共和國國務院頒布的《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2021—2035）年》中強調(diào)了“開展智能有序充電、新能源汽車與可再生能源融合發(fā)展、加強新能源汽車與電網(wǎng)能量互動”等內(nèi)容。由此可見，電動汽車入網(wǎng)研究已經(jīng)上升為國家戰(zhàn)略[3]。

當海量EV 同時接入電網(wǎng)充電，將形成配電網(wǎng)不能接受的負荷高峰，對配電網(wǎng)的正常運行造成干擾[4]，進一步引發(fā)線路過載、電壓不穩(wěn)定、諧波污染、網(wǎng)絡損耗等電能質(zhì)量問題[5-6]。因此，針對EV 的充電負荷進行預測、分析無序充電對電網(wǎng)的影響、制定EV 與電網(wǎng)互動策略、幫助電網(wǎng)調(diào)峰調(diào)頻實現(xiàn)穩(wěn)定運行等工作更加具有長遠意義。

目前，由于研究側重點不同，對EV 負荷預測及EV 與電網(wǎng)互動策略的研究尚未形成廣泛認可的研究方案。本文旨在對近幾年國內(nèi)外EV 負荷預測與入網(wǎng)策略的理論研究成果和應用實例進行總結、歸納、分析，為EV 與電網(wǎng)互動策略的深入研究提供有益參考。

1 負荷預測

1.1 傳統(tǒng)負荷預測方法

傳統(tǒng)的EV 充電負荷預測方法有回歸分析法、小波分析法、相似日法、人工神經(jīng)網(wǎng)絡法、支持向量機法（Support Vector Machine，SVM）、蒙特卡洛模擬法等[7-9]。負荷預測需考慮充電行為和電池狀態(tài)2個方面的因素：溫度、天氣狀況、節(jié)假日、特殊日期、生活習慣、交通狀況等通過影響車主的充電行為進而影響充電負荷；充電時間、電池特性、充電功率、起始電量、等通過電池狀態(tài)影響充電負荷。

有關傳統(tǒng)負荷預測方法的研究主要集中在以下方面：DHAVAL B 等[10]用回歸分析法預測短期充電負荷，回歸分析法是一種較為基礎和簡單的負荷預測法，根據(jù)影響因素（自變量）與充電負荷（因變量）之間的關系，依據(jù)回歸方程推斷預期的充電負荷，但回歸分析法預測精度較低且對歷史數(shù)據(jù)的依賴性較大，目前很少用其預測EV 充電負荷。GHANAVATI A K 等[11]用小波分析法預測EV 充電負荷，通過對充電負荷歷史數(shù)據(jù)進行小波變換體現(xiàn)負荷序列的周期性，得到一系列分解出的子序列，再對各子序列分別進行預測，最后將全部預測值進行合并重構得到最終的預測結果，該方法預測精度較高但對歷史數(shù)據(jù)及小波基的選取依賴性較大。陳弘川等[12]用相似日法進行短期負荷預測，相似日法旨在降低人為選取樣本帶來的誤差，結合相似度評價函數(shù)對相似度進行量化，篩選出相似度值達標的樣本數(shù)據(jù)，該方法需要大量的充電站歷史數(shù)據(jù)做支撐。各候選日與預測日間的相似度θi表達式為：

式中：ki為第i個影響因素影響權重系數(shù)；ti為第i個日期距離待預測日的時間；n為影響因素的總個數(shù)。

EV 負荷預測中采用相似日法時一般與其他方法結合使用，且只用于前期樣本數(shù)據(jù)的選取工作，如相似日法與神經(jīng)網(wǎng)絡法相結合[13]。JHA N 等[14]采用人工神經(jīng)網(wǎng)絡法進行日前負荷預測和日內(nèi)負荷預測，同樣需要大量的充電設施歷史數(shù)據(jù)作為樣本輸入網(wǎng)絡進行訓練。使用人工神經(jīng)網(wǎng)絡法，關鍵在于隱含層節(jié)點數(shù)的確定（即隱含層神經(jīng)元數(shù)的確定），太少會降低預測精度，太多會使網(wǎng)絡復雜化，出現(xiàn)過擬合現(xiàn)象，采用人工神經(jīng)網(wǎng)絡法預測EV 充電負荷目前只停留在理論研究階段，實際應用中較難實現(xiàn)。劉敦楠等[15]采用SVM 法預測EV 充電負荷，SVM 是一種基于統(tǒng)計學的新型機器學習方法，具有速度快、精度高、使用方便等優(yōu)點，在預測EV充電負荷時比神經(jīng)網(wǎng)絡法更加實用，但其預測精度對歷史數(shù)據(jù)樣本的選取依賴性很大，需要篩選大量歷史充電數(shù)據(jù)才能得到合適的樣本。

綜上所述，回歸分析法、小波分析法、相似日法、人工神經(jīng)網(wǎng)絡法、SVM 法等都是基于充電設施歷史數(shù)據(jù)的負荷預測法。目前我國EV 普及程度有限，大部分地區(qū)充電樁的歷史數(shù)據(jù)均不能滿足實際預測需要，充電站歷史數(shù)據(jù)的缺乏促使了蒙特卡洛方法的發(fā)展。XU L 等[16]采用蒙特卡洛模擬法預測EV 充電負荷，蒙特卡洛模擬法是一種基于用戶出行規(guī)律的預測方法，其主要推斷為：當隨機事件大量不斷重復出現(xiàn)時必然呈現(xiàn)出規(guī)律性。蒙特卡洛模擬法是我國近年來應用較多的一種方法，主要通過對用戶出行數(shù)據(jù)進行大量重復隨機抽樣，模擬用戶的日常出行習慣，得出概率模型進行預測。蒙特卡洛估計量FN的表達式為：

式中：f(Xi)為隨機變量Xi的概率分布函數(shù)；p(Xi)為隨機變量Xi的概率密度函數(shù)；N為模擬次數(shù)。

1.2 現(xiàn)代負荷預測方法

在傳統(tǒng)負荷預測的基礎上，各種現(xiàn)代新型的方法不斷被提出，傳統(tǒng)方法與現(xiàn)代方法的結合進一步提高了負荷預測的精度。袁小溪等[17]提出一種基于網(wǎng)格劃分的貝葉斯正則化反向傳播（Backpropagation，BP）神經(jīng)網(wǎng)絡預測法，將待預測區(qū)劃分為大小相同的網(wǎng)格以減少神經(jīng)元數(shù)量，結合粒子群優(yōu)化算法解決神經(jīng)網(wǎng)絡易陷入局部最優(yōu)解的缺點，結果表明真實值和預測值間的平均絕對百分比誤差為3.2%，可用于指導充電設施的建址和定容，其缺點在于交通流量數(shù)據(jù)統(tǒng)計時選用3 類日期數(shù)據(jù)的加權平均值進行計算，準確性相對不足，未來若引入實時交通流量數(shù)據(jù)進行計算則預測精度將進一步提高。張永[18]在商用區(qū)充電負荷預測中采用反向預測法，結合圖論和最短路徑算法并考慮全局的最佳路線得到待充電車輛數(shù)，再用待充電車輛數(shù)乘以充電功率得到充電負荷，該方法以實時路況為基礎，并充分考慮交通堵塞情況，可以引導需要緊急充電的車輛去最佳充電點進行充電，但研究假設和計算過于簡單，導致誤差過大，需加以改善進一步提高超短期負荷預測精度。BUZNA L 等[19]提出一種基于分層預測的EV 充電負荷預測法，采用梯度增強回歸樹、分位樹回歸林、分位數(shù)回歸神經(jīng)網(wǎng)絡3種標準概率模型預測低負荷區(qū)域的子問題，通過分位數(shù)回歸法得出分層透視圖，預測出高負荷地區(qū)的總負荷，該方法在荷蘭某地區(qū)驗證顯示在高負荷地區(qū)的日前預測和小時前預測均表現(xiàn)良好，但僅適合用于充電設施普及程度較高的地區(qū)。ZHU J 等[20]提出一種基于長短時記憶法（Long Short-Term Memory，LSTM）的超短期EV 充電負荷預測法，收集深圳某大型充電站2017 年6 月初至2018 年7 月初的充電數(shù)據(jù)，分別采用人工神經(jīng)網(wǎng)絡法、循環(huán)神經(jīng)網(wǎng)絡法、長短時記憶法等多種深度學習方法進行預測，結果表明長短時記憶法表現(xiàn)最好，預測誤差比傳統(tǒng)人工神經(jīng)網(wǎng)絡法降低30%以上。龍雪梅等[21]提出一種基于后悔理論和考慮“路網(wǎng)—電網(wǎng)”信息交互的充電負荷預測方法，對電動私家車和電動出租車進行預測，用蒙特卡洛法模擬用戶的充電行為，對北京三環(huán)某交通路網(wǎng)模型進行仿真，對比結果顯示負荷預測必須考慮路網(wǎng)和電網(wǎng)的影響。黃漢遠等[22]提出一種遠期EV 和太陽能發(fā)電裝置同時接入電網(wǎng)的負荷預測模型，鑒于EV 電池具有良好的儲能性質(zhì)，可以接納過剩的新能源，預計可為新能源的發(fā)展帶來巨大的潛力。

1.3 負荷預測分析

傳統(tǒng)負荷預測方法過于依賴歷史數(shù)據(jù)或規(guī)律，當模型失配后會導致預測精度降低。為提高負荷預測的精確性，在考慮常見影響因素和傳統(tǒng)方法的基礎上，引入新型建模及分類方法：如網(wǎng)格化方法、分區(qū)分類預測法、LSTM 法、考慮用戶心理因素的方法、考慮新能源接入的方法等，通過與傳統(tǒng)方法相結合使得預測精度不斷提高。傳統(tǒng)與現(xiàn)代EV 充電負荷預測方法對比如圖1 所示。

圖1 傳統(tǒng)與現(xiàn)代EV充電負荷預測方法對比Fig.1 Comparison of traditional and modern EV charging load forecasting methods

歐美國家的EV 保有量較大、標準較統(tǒng)一、充電站歷史負荷數(shù)據(jù)較完善，大多采用基于充電站歷史數(shù)據(jù)的負荷預測法，在實際應用中取得了良好的預測精度。我國EV 數(shù)量大、標準不統(tǒng)一，目前EV 充電站還處于建立發(fā)展階段，在實際工程中采用基于歷史數(shù)據(jù)的負荷預測法難度較大，因此多采用基于用戶行為的蒙特卡洛模擬法。目前國內(nèi)外研究大多針對單一車型（私家車）、或單一類型充電區(qū)域（居民充電區(qū)）。由于不同車型充電行為特征不同，不同類型充電區(qū)域負荷特征不同，對不同車型、不同類型充電區(qū)域根據(jù)其特征分別采用不同的方法進行預測，可提高預測精度。此外，應充分考慮車主意愿、車主心理以及城市交通對車主充電行為造成的影響。由于EV 電池具有良好的儲能性和接納過剩新能源的潛力，未來基于新能源、EV 與電網(wǎng)的大數(shù)據(jù)交互預測方法將是負荷預測的重要方向。

2 EV與電網(wǎng)互動

2.1 有序充電

有序充電是電網(wǎng)能量向EV 的單向流通，指在EV、EV 用戶、EV 充電站和電網(wǎng)間建立信息互動平臺，感知負荷變化趨勢、預測負荷信息。通過分時劃價、分區(qū)劃價或其他策略動態(tài)引導、控制用戶的充電行為。采用負荷高峰時提高電價、低谷時降低電價，達到優(yōu)化電網(wǎng)負荷運行曲線、保障電網(wǎng)穩(wěn)定運行、提高充電設施利用率的目標，為用戶提供更加便捷、高效、優(yōu)惠的充電服務。

馬英姿等[23]提出一種基于博弈論、粒子群優(yōu)化算法的有序充電策略，充分考慮電網(wǎng)側收益和運行穩(wěn)定性，仿真證明博弈均衡法比普通分時電價法的負荷方差降低約10%、電網(wǎng)額外增益提高約5.8 倍，驗證了博弈均衡法的優(yōu)勢，但未考慮用戶側需求和收益。XU X 等[24]提出一種考慮用戶充電意愿的有序充電策略，該策略充分考慮用戶駕駛習慣、意愿指數(shù)及充電需求，將用戶有序參與充電的意愿量化為意愿指數(shù)，結果表明：該策略可在傳統(tǒng)有序充電的基礎上進一步降低用戶充電費用，使電網(wǎng)峰谷差降低，但未考慮電網(wǎng)公司的盈利情況。宋曉通等[25]提出一種考慮綜合能源系統(tǒng)和EV 交互影響的動態(tài)分時電價充電策略，以短期負荷水平為依據(jù)，以1 h為周期滾動更新充電費用，結果顯示：動態(tài)分時電價引導下用戶充電費用降低約20%、綜合能源系統(tǒng)運行成本降低約10%，對電網(wǎng)負荷穩(wěn)定性的優(yōu)化效果顯著。WANG W 等[26]在確保電網(wǎng)最大效益的同時重點提高EV 車主滿意度，構造廣義主從博弈模型并證明了廣義主從平衡點存在的唯一性，通過求解平衡點生成最優(yōu)充電策略。張良等[27]提出一種基于粒子群優(yōu)化算法的兩階段有序充電優(yōu)化策略，彌補了傳統(tǒng)實時電價法和分時電價法在負荷低谷時產(chǎn)生新負荷高峰的缺陷。WANG L 等[28]提出一種基于遺傳算法的EV 多目標有序充電交互網(wǎng)絡模型，考慮變壓器約束和用戶需求約束，以用戶花費最低、電網(wǎng)負荷方差最小、電網(wǎng)成本最低來制定收費標準，通過仿真驗證了該策略的有效性。QIAN B 等[29]基于電力市場運營模式，充分考慮在電力市場激勵條件下參與需求響應的車輛數(shù)，對價格補償?shù)某杀炯靶б孢M行分析，提出價格補償機制和兩層優(yōu)化充電模型，并通過實例仿真驗證了該優(yōu)化方法的有效性。

目前，參與我國充電樁建設的企業(yè)主要是國家電網(wǎng)有限公司和EV 生產(chǎn)廠家。在有序充電相關研究中，國網(wǎng)公司重點考慮電網(wǎng)側的利益，以電網(wǎng)公司收益和電網(wǎng)穩(wěn)定運行為主要目標建立有序充電策略。EV 生產(chǎn)廠家為了提高EV 銷量會重點考慮用戶端利益，以用戶享受更優(yōu)惠的充電費用和便捷的充電服務為主要目標建立相關策略?？沙掷m(xù)發(fā)展的、穩(wěn)定的有序充電策略應使電網(wǎng)、用戶、發(fā)電廠3 方共同受益[30-31]。

2.2 V2G

車輛到電網(wǎng)（Vehicle-to-Grid，V2G）是有序充電基礎上的進一步擴展，車主不使用EV 時，可將EV中儲存的電能售賣給電網(wǎng)公司，V2G 旨在實現(xiàn)電網(wǎng)與EV 間電能的相互流通，在有序充電作用的基礎上還可幫助電網(wǎng)“削峰填谷”，幫助消納新能源發(fā)電產(chǎn)生的過剩電能。

李怡然等[32]提出一種綜合考慮用戶和電網(wǎng)供需兩側利益及用戶響應度的V2G 策略，通過兩個階段對調(diào)度策略進行優(yōu)化：第一階段考慮電池充放電動態(tài)損耗成本和用戶最低充電費用，制定出放電次數(shù)和深度優(yōu)化的策略；第二階段在第一階段的基礎上，考慮電網(wǎng)端削峰填谷的需求，并確保電網(wǎng)端平穩(wěn)運行。仿真結果顯示：與只考慮用戶端最低充電費用的有序充電策略對比，平均放電功率下降約30%，用戶充電成本較低且電池損耗得到改善，隨著用戶響應度的提升，電網(wǎng)負荷峰谷差明顯得到改善。該策略考慮用戶響應度、電池損耗、電網(wǎng)穩(wěn)定運行、用戶收益等，相較其他V2G 策略較為全面，若加上對電網(wǎng)側收益的考慮將更加完善。LI X 等[33]分析了比亞迪、特斯拉、尼桑、榮威4 大汽車品牌的EV 車主、電網(wǎng)、發(fā)電廠3 方參與V2G 調(diào)峰的成本和收益，在車主的收益分析中充分考慮汽車成本和電池循環(huán)使用壽命，對比結果顯示：發(fā)電廠的凈利潤總是最大的；當電網(wǎng)峰值電價是谷值電價3 倍以上時車主可獲得收益，且電池成本越低車主參與V2G調(diào)峰獲得的收益越高；當負荷峰谷電價相差過大時，電網(wǎng)公司盈利為負；V2G 策略長久穩(wěn)定的發(fā)展，必須制定公平合理的利潤分配機制。LI S 等[34]提出一種增加電池使用壽命的雙向V2G 調(diào)度方法，采用雨流循環(huán)技術對電池老化指數(shù)進行量化，建立使電池老化指數(shù)最小和電網(wǎng)負荷波動最小的V2G 充放電策略，仿真結果顯示：該模型有效抑制了電池老化現(xiàn)象，但車主充電信息、電池狀態(tài)的預測誤差過大會影響模型的有效性，提高基礎預測工作的準確性才能得到有效的電池抗老化V2G 策略。

V2G 的實施過程中需要電池反復向電網(wǎng)充放電，對電池壽命造成很大影響[35]，導致用戶放電所得收益不及電池老化帶來的損失[36]。不僅如此，電網(wǎng)公司需花費大量資金建立智能化基礎設施，加大了建設成本。目前各種延緩電池老化的V2G 策略以及對V2G 電池老化帶來的損失和收益的綜合評估研究不斷提出，一致得出結論：在適當?shù)恼{(diào)控策略下，參與V2G 帶來的收益大于反復充放電造成電池老化帶來的損失[37-38]。但V2G 實施中的電池老化、投資成本過大、各方收益機制公平與否仍是目前重點需要解決的問題。未來，電池技術的進步和電池成本的降低可減緩電池老化帶來的損失，可進一步提升參與V2G 用戶的收益，促進V2G 的推廣和普及。

2.3 有序充電與V2G對比

有序充電為能量單向流通，在滿足EV 充電需求的同時，利用峰谷電價差、分時電價等措施引導EV 車主調(diào)整充電時間，幫助電網(wǎng)削峰填谷。V2G為能量雙向流通，當電網(wǎng)負荷過低時通過向車主支付電費引導車主把EV 中儲存的電能反向傳輸給電網(wǎng)，當電網(wǎng)負荷過高時通過降低電價引導用戶充電，最終幫助電網(wǎng)實現(xiàn)調(diào)峰、調(diào)頻、促進新能源消納的目的。

長期來看，V2G 相比有序充電具有更大的電量調(diào)節(jié)規(guī)模，可加入更加多元的電力市場商業(yè)模式中，車主和充電樁運營商的盈利也要更大。但由于電池成本高、充放電對電池損耗大等因素，目前V2G 大規(guī)模推廣的可行性不如有序充電。

3 應用實例

近年來國內(nèi)外有關EV 與電網(wǎng)互動的項目開展較多，本文挑選具有代表意義的幾個應用實例予以介紹。

3.1 V2G和換電站試點項目

2017 年以來，我國開始陸續(xù)進行V2G 的試點應用。2019 年，上海市進行了3 次V2G 試點項目，各項指標均按國家標準實施[39]。國網(wǎng)上海市電力公司、國網(wǎng)電動汽車服務有限公司、星星充電、蔚來集團等多家企業(yè)均參與其中。項目設立了參與“削峰填谷”響應的補償激勵措施，試點結果顯示：私人充電樁、專用充電樁以及換電站3 類的響應效果存在較大差異：（1）私人充電樁在價格激勵下日負荷明顯升高，響應率為5.3%，價格激勵制度效果明顯，假設每年參與響應頻次為3～10 次，則單樁年收益為42～140 元之間。假設每年5 次響應全部用于新能源消納且每次3 h，則單樁每年消納新能源達1.05×106kWh；（2）專用充電樁響應補償和響應率較高，響應率為75%，假設每年參與響應頻次為3～10 次，則年補償收益為70～235 元之間，據(jù)上海目前專用充電樁數(shù)量和響應率預測，1 年專用樁總削峰容量達2.1×105kW；（3）換電站響應率為81.2%，是3 者中最高的，且電價補償遠高于前2 種，假設每年參與響應頻次為3～10 次，單站年均收益為2 300～5 000 元之間[40]。3 類充電設施參與V2G 響應效益對比如表1 所示。

由表1 可知，在V2G 策略調(diào)控下，3 類充電設施均有收益，能夠滿足日內(nèi)調(diào)峰需求，實現(xiàn)“削峰填谷”保證電網(wǎng)的穩(wěn)定運行。私人充電樁數(shù)量多、響應潛力大，缺點是本次響應率最低，需推動個人用戶積極參與響應；專用樁響應率較高，具有綜合集中協(xié)調(diào)的優(yōu)勢，缺點是響應潛力有限；換電站響應率最高，缺點是電池數(shù)量有限、響應潛力小，需提高協(xié)調(diào)能力可提升其響應能力。

表1 3類充電設施參與V2G響應效益對比Table 1 Benefit comparison of three types of charging facilities participating in V2G response

上海的試點項目規(guī)模較小，更偏向于關注充電樁運營商本身的效益。但是該項目中沒有規(guī)定EV和充電設施的參與條件及響應時長，不論其響應時間長短，只要有響應量就歸入?yún)⑴c響應類，所統(tǒng)計的響應率精度有待商榷。后續(xù)可通過設定響應時長門檻（如接入充放電時長達半小時以上才算參與響應）進一步提高響應率精度。不同電價補償機制對用戶的參與積極性影響不同，該項目中的電價補償只取了對應補償機制的最大值，并沒有體現(xiàn)出不同電價補償對V2G 的影響。

3.2 分時租賃項目

由于EV 續(xù)航公里不足和充電樁較少的問題尚未解決，導致消費者對購買EV 積極性較低。在EV推廣前期，公交車、出租車等公共交通和基于分時租賃的共享汽車將成為EV 消納和推廣的重要方式[41]。重慶是典型的山地城市，近年來汽車以及共享汽車產(chǎn)業(yè)較發(fā)達。目前共享汽車均使用EV，共享汽車的有序充電通過分時租賃實現(xiàn)，根據(jù)不同用戶租車時間段的不同，提前有序分配EV 進行充電。分時租賃模式本質(zhì)是有序充在商業(yè)模式上的表達，旨在達到用戶使用便捷、電網(wǎng)負荷平穩(wěn)、出租時間最大化、充電樁利用率最大化、充電樁建設投資最小化、租賃公司利潤最大化的目的。

2015 年12 月，重慶市啟動“山地城市電動汽車分時租賃模式及支撐技術研究與示范應用”項目。2016 年10 月，基于該項目的“E+租車”手機APP 開始上線運營，該平臺綜合各EV 租賃公司的車輛數(shù)、位置、充電情況等信息，實現(xiàn)實時路況顯示、附近車輛位置顯示、實時導航、租車、還車、扣款等服務。驗收結果顯示：截止2018 年7 月，該項目在重慶市建成49 個充電站、5 478 個充電樁、1 260 個分租點、接入4 939 輛EV[42]。

在該項目中，國網(wǎng)重慶市電力公司、盼達出行、長安出行等18 家企業(yè)共同成立了EV 分時租賃聯(lián)盟，旨在解決單個公司充電樁和覆蓋范圍有限等問題。該項目中，電網(wǎng)公司不僅是充電設施建設者，還是分時租賃平臺的運營者，在充電樁有限的情況下，通過合理分配充電實現(xiàn)充電樁利用的最大化，為充電樁運營商節(jié)約了投資成本，為用戶提供便捷的一站式租車服務。項目運營至今尚存在惡意損傷租賃汽車、充電用戶身份認證困難、盜取車內(nèi)設施或證件、亂停車、車輛檢修不及時等問題，未來將在后續(xù)運營中著手解決。

3.3 促進過剩風能消納項目

2017 年，NISSAN 汽車生產(chǎn)公司與Tennet 電力系統(tǒng)運營商、The Mobility House 公司聯(lián)合在德國的奧芬巴赫工廠進行了大規(guī)模的EV 與電網(wǎng)互動試點項目，旨在利用EV 電池的存儲能力最大程度上消納可再生能源風能[43]。

德國北部的新能源發(fā)電主要為可再生能源風力發(fā)電，2019 年風力發(fā)電約占總發(fā)電量的46%，南部主要采用常規(guī)化石燃料發(fā)電。由于電網(wǎng)間能源存在運輸障礙，當可再生能源發(fā)電分散地接入電網(wǎng)，就會存在能源過剩的情況。該項目將北部風力發(fā)電供給EV 充電、南部充滿電的EV 能源回收至電網(wǎng)，通過取代部分南部發(fā)電量使得風力發(fā)電能源利用率提高。項目中充電樁采用最新的雙向充電技術，單樁可承受高達150 kW 的能量，可同時為4輛EV 提供充電服務。數(shù)據(jù)顯示，2017—2018 年間共減少C02碳排放約8×106t，每年幫助消納過剩風能大于5 Th[44]，此項目對節(jié)能減排和促進德國能源由不可再生向可再生轉(zhuǎn)型具有重大意義。

目前德國由于天然氣、石油等化石能源的短缺，導致節(jié)能減排壓力巨大，對新能源的發(fā)展和利用需求迫切。EV 和V2G 作為促進可再生能源發(fā)展、實現(xiàn)節(jié)能減排的重要舉措，發(fā)展迅速且取得了可觀的成果，市場體系目前已較為完善。為了推動包含“能效優(yōu)先、可再生能源開發(fā)利用、跨領域耦合”3 大要素的能源結構轉(zhuǎn)型，涵蓋EV 充放電體系、新能源發(fā)電系統(tǒng)及其它分布式電源的“能源互聯(lián)網(wǎng)”將成為德國下一步發(fā)展的著力點。

4 總結與展望

近年來我國開展有序充電應用的實例較多，而V2G 剛起步，具備放電功能的EV 以及支持V2G 的充電樁數(shù)量較少，試點項目有限且大多依賴政府開展，尚未形成明確的商業(yè)模式。目前，國內(nèi)實施有序充電的可行性高于V2G，隨著電池技術的突破和電池成本的降低，V2G 策略的優(yōu)勢將逐步顯現(xiàn)。未來重點需要解決的問題和研究方向主要有以下幾個方面：

1）未來有序充電策略方面應考慮在電網(wǎng)、車主、充電站運營商3 者之間建立合理的利益分配機制，并解決用戶隱私保護問題，如匿名身份識別、支付保護、位置隱私保護等。

2）解決V2G 電池老化、電池成本高、智能充電樁建設成本高等問題。調(diào)動消費者參與V2G 的積極性，為V2G 的推行培育良好的發(fā)展環(huán)境。

3）在碳達峰、碳中和的背景下，EV 普及程度會越來越高，EV 入網(wǎng)策略的研究和應用意義重大。EV 與電網(wǎng)間高度智能化、自動化的綜合能源管理系統(tǒng)的加入將是EV 入網(wǎng)策略未來發(fā)展的方向。

4）目前我國充電樁保有量還相對不足，一些新型的輔助充電模式應運而生，如“移動補電車”模式、“自動充電機器人”模式等。以上新型充電模式暫未實現(xiàn)規(guī)?；瘧?，但隨著EV 發(fā)展規(guī)模壯大，類似輔助充電模式將不斷進入市場，為用戶提供更加全面、智能的充電服務。

5）EV 發(fā)展革命和新能源的利用都需要電網(wǎng)的參與。未來“微電網(wǎng)儲能系統(tǒng)電動汽車充放電站”可將新能源發(fā)電技術與EV 充電結合起來，如以光伏系統(tǒng)為主的“光儲充放一體化微電網(wǎng)系統(tǒng)”，可實現(xiàn)EV 與新能源發(fā)電的互助協(xié)調(diào)發(fā)展，促進能源結構的轉(zhuǎn)型，未來有很大的發(fā)展空間。