黃啟茹，胡俊杰，單俊嘉

（新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，北京市 昌平區(qū) 102206）

0 引言

在“雙碳”目標(biāo)背景下，為應(yīng)對(duì)傳統(tǒng)能源的枯竭和環(huán)境污染的問(wèn)題，倡導(dǎo)國(guó)民采用綠色出行方式勢(shì)在必行[1-2]。電動(dòng)汽車(chē)(electric vehicle，EV)作為一種綠色出行工具，具有節(jié)能環(huán)保的特點(diǎn)[3]。而充電設(shè)施是實(shí)現(xiàn)EV電能補(bǔ)給和互動(dòng)的樞紐[4]，研究表明，分布式電源與EV和充電設(shè)施的結(jié)合具備很大優(yōu)勢(shì)[5-8]，不僅能夠促進(jìn)可再生能源就地消納，還能降低運(yùn)營(yíng)成本[9]。隨著EV數(shù)量的大規(guī)模增加，其出行帶來(lái)了新的能源分配問(wèn)題，如何設(shè)計(jì)EV充電協(xié)調(diào)機(jī)制，對(duì)結(jié)合可再生能源的EV充電站進(jìn)行能量?jī)?yōu)化管理，是當(dāng)下研究的熱點(diǎn)之一。

目前，對(duì)EV充電站能量?jī)?yōu)化管理方法的研究主要包括基于電網(wǎng)為主體的EV有序充電控制方法[10-12]、充電站功率分配方法[13-14]等。文獻(xiàn)[10]構(gòu)建了減小配電網(wǎng)電壓越限風(fēng)險(xiǎn)的優(yōu)化模型，以電價(jià)為優(yōu)化變量，引導(dǎo)EV合理選擇充電站；文獻(xiàn)[11]中調(diào)度部門(mén)采用不同電價(jià)引導(dǎo)EV充放電，實(shí)現(xiàn)削峰填谷；文獻(xiàn)[12]建立了由控制中心統(tǒng)一控制的EV有序充電架構(gòu)。但在充電站與EV較多的情況下，以上研究所采用的集中控制方式，會(huì)帶來(lái)較大的計(jì)算負(fù)擔(dān)和控制成本，且并未考慮可再生能源與充電站結(jié)合。文獻(xiàn)[13-14]提出了結(jié)合可再生能源充電站的充電功率分配方法，提高了充電站服務(wù)速率和充電樁利用率。然而，以上研究大多考慮以電網(wǎng)為主體的交易機(jī)制，而忽略了充電站本身也具有的產(chǎn)消者特性及其參與電力市場(chǎng)的潛能。

交互能源機(jī)制(transactive energy，TE)具有分布式調(diào)度與控制、賦予參與主體經(jīng)濟(jì)效益等優(yōu)點(diǎn)[15]，通過(guò)融合經(jīng)濟(jì)手段和電網(wǎng)控制手段，利用“價(jià)值”作為協(xié)調(diào)手段，對(duì)產(chǎn)消者進(jìn)行能量管理與優(yōu)化調(diào)度[15]。文獻(xiàn)[16]基于交互能源機(jī)制建立了產(chǎn)消者交易模型和能量管理策略，有效提高了分布式能源的接入比例和產(chǎn)消者主體的經(jīng)濟(jì)性；文獻(xiàn)[17]基于交互能源機(jī)制對(duì)產(chǎn)消者集群進(jìn)行優(yōu)化調(diào)度，解決了集中式調(diào)度模式下模型求解困難和隱私問(wèn)題；文獻(xiàn)[18]針對(duì)多元用戶(hù)和產(chǎn)消者集群的經(jīng)濟(jì)調(diào)度問(wèn)題，提出了基于交互能源機(jī)制的經(jīng)濟(jì)調(diào)度方法。

總結(jié)發(fā)現(xiàn)，上述研究主要聚焦于產(chǎn)消者能量管理和優(yōu)化調(diào)度方面，而較少地考慮如何通過(guò)控制機(jī)制充分發(fā)揮含光伏充電站的產(chǎn)消者特性，從而提高經(jīng)濟(jì)性。鑒于此，本文結(jié)合交互能源機(jī)制，以光伏EV充電站為研究對(duì)象，充分考慮光伏出力的不確定性，建立電能分布式交易模型。

1 分布式交易策略

1.1 光伏EV充電站結(jié)構(gòu)

光伏EV充電站由光伏發(fā)電單元、交直流換流器、充電設(shè)施等設(shè)備組成。圖1表示光伏EV充電站的結(jié)構(gòu)。EV快充充電站由直流充電器、充電設(shè)施等設(shè)備組成，圖2表示EV快充充電站的結(jié)構(gòu)。

圖1 光伏EV充電站結(jié)構(gòu)Fig. 1 Structure of photovoltaic charging station for EV

圖2 EV快充充電站結(jié)構(gòu)Fig. 2 Structure of quick-charging station for EV

本文所提電動(dòng)汽車(chē)充電站配置交流充電樁和直流充電樁[19]，以滿(mǎn)足用戶(hù)的不同充電需求。通過(guò)所配置充電樁的類(lèi)型不同，可分為快充與慢充充電站。其中，直流充電樁用于緊急情況下的快速充電，此種充電方式采用大電流直接給電池充電，在30 min內(nèi)能充至電量的80%[20]；交流充電樁對(duì)沒(méi)有緊急充電需求的電動(dòng)汽車(chē)進(jìn)行慢充補(bǔ)電[21]，此種充電方式采用恒壓恒流的傳統(tǒng)電源對(duì)電池充電，大約需要6~8 h才能充滿(mǎn)電[22]。

1.2 充電站分布式交易框架

圖3表示EV充電站能量交易機(jī)制的框架，主要考慮電網(wǎng)、交易平臺(tái)、充電站、及EV4大主體直接進(jìn)行信息交互和電能交易。

圖3 EV充電站能量交易機(jī)制框架Fig. 3 Framework of energy trading mechanism of EV charging station

由于每個(gè)時(shí)刻充電站內(nèi)有充電需求的電動(dòng)汽車(chē)數(shù)量具有隨機(jī)性。本文采用蒙特卡洛模擬法獲得其數(shù)量。各慢充充電站充分利用自身光伏資源發(fā)電，除了滿(mǎn)足本站各個(gè)時(shí)刻電動(dòng)汽車(chē)的充電需求之外，還能將余電賣(mài)給交易平臺(tái)，而同一時(shí)刻無(wú)法滿(mǎn)足站內(nèi)EV充電需求的充電站可以從交易平臺(tái)進(jìn)行購(gòu)電。如果在某一時(shí)刻整個(gè)交易平臺(tái)電能不足以支撐所有充電站所需的電能時(shí)，充電站可直接從電網(wǎng)進(jìn)行購(gòu)電。本文所建立的電動(dòng)汽車(chē)充電站分布式交易框架，采用交互能源機(jī)制，弱化了電網(wǎng)在EV充電市場(chǎng)中的主體地位，將充電站和電網(wǎng)之間的單向交易轉(zhuǎn)換為以充電站之間交易為主的多邊交易，提升了充電站參與電力市場(chǎng)交易的靈活性，避免了遠(yuǎn)距離輸電，在提高經(jīng)濟(jì)性的同時(shí)，也促進(jìn)了分布式電源的就地消納。

2 數(shù)學(xué)模型

2.1 光伏發(fā)電模型

設(shè)EV充電站集群數(shù)為Nevcs，對(duì)于其中一個(gè)站n，其光伏模型如下

式中：Nevcs為電動(dòng)汽車(chē)充電站的數(shù)量；表 示第s個(gè)場(chǎng)景下充電站n內(nèi)光伏發(fā)電功率；表示光伏發(fā)電功率最大值。

光伏發(fā)電系統(tǒng)的發(fā)電成本函數(shù)表示如下[23]

式中：Cpv是光伏發(fā)電成本單價(jià)；C′pv是光伏設(shè)備成本；Ppv,ave為光伏設(shè)備平均年發(fā)電量；Tpv為光伏設(shè)備壽命年限。

2.2 光伏不確定性模型

考慮到光伏出力具有不可控性，本文采用多場(chǎng)景法來(lái)處理光伏出力所帶來(lái)的不確定性。研究表明，多場(chǎng)景法可以有效地處理光伏發(fā)電的不確定性[23]，場(chǎng)景生成方法可參考文獻(xiàn)[24]。本文采用蒙特卡洛模擬法生成大量光伏出力場(chǎng)景，利用同步回代削減法將相似的樣本聚類(lèi)，以減少計(jì)算量。設(shè)有初始場(chǎng)景集為Ns個(gè)，樣本Qi(t)和Qj(t)的樣本距離為，為讓削減后場(chǎng)景接近于原始場(chǎng)景，需要滿(mǎn)足概率距離Ddi=πimin。最終得到滿(mǎn)足需求的樣本數(shù)目。

2.3 EV模型

1） 單輛EV模型。

充電站內(nèi)EV的充電需求受并網(wǎng)時(shí)刻電池荷電狀態(tài)(state of charge, SOC)、離網(wǎng)時(shí)刻SOC以及充電時(shí)刻等因素的影響[25]。本文采用蒙特卡洛仿真方法得到單臺(tái)EV的并網(wǎng)時(shí)間、離網(wǎng)時(shí)間等信息。

2） EV集群模型。

3 交互能源機(jī)制支撐的電動(dòng)汽車(chē)充電站交易模型

3.1 交易模型

文獻(xiàn)[16]基于交互能源機(jī)制，建立了產(chǎn)消者交易模型和能量管理策略。有鑒于此，本文相應(yīng)提出了EV充電站交易模型與日前能量?jī)?yōu)化管理方法。在此交易模型下，充電站通過(guò)自身光伏發(fā)電、從交易平臺(tái)和電網(wǎng)購(gòu)電來(lái)滿(mǎn)足站內(nèi)電動(dòng)汽車(chē)充電需求，在光伏充足時(shí)，充電站也可以將剩余的光伏發(fā)電電能出售給平臺(tái)獲取利潤(rùn)。

設(shè)在t時(shí)段s場(chǎng)景下，充電站n的購(gòu)電功率為； 售電功率為。其中：

式中：為t時(shí)段，充電站n在第s個(gè)場(chǎng)景下從電網(wǎng)購(gòu)買(mǎi)的功率；為t時(shí)段，充電站n在第s個(gè)場(chǎng)景下從交易平臺(tái)上購(gòu)買(mǎi)的功率。

從電網(wǎng)購(gòu)電的電價(jià)模型為

式中：ct為平臺(tái)下發(fā)的t時(shí)刻日前初始電價(jià)；βt為功率需求對(duì)電價(jià)的敏感系數(shù)；Ptbfg為充電站在t時(shí)段從電網(wǎng)購(gòu)買(mǎi)的功率。

分布式光伏發(fā)電機(jī)組的出力受自然條件影響較大，因此本文采用基于場(chǎng)景分析技術(shù)的隨機(jī)優(yōu)化方法描述由此帶來(lái)的不確定性，在初始場(chǎng)景集合中削減生成Npv個(gè)典型場(chǎng)景。將日前24 h均分為NT個(gè)時(shí)間間隔，各EV充電站采用式(9)表示的電價(jià)模型。以所有充電站在日前市場(chǎng)的利潤(rùn)最大為目標(biāo)，建立如下能量交易模型

式(10)隨機(jī)優(yōu)化問(wèn)題中，πs為場(chǎng)景s發(fā)生的概率，T=48，表示將24h均分為48個(gè)時(shí)間間隔，Nevcs表示EV充電站數(shù)量，式中前2項(xiàng)為EV充電站從電網(wǎng)購(gòu)電的成本，第3項(xiàng)表示網(wǎng)損費(fèi)用，第4項(xiàng)為充電站給EV提供服務(wù)的收益。其中：為第s個(gè)場(chǎng)景下，充電站n在t時(shí)段內(nèi)站內(nèi)EV充電的電能；η為充電效率。第5項(xiàng)為光伏發(fā)電成本，其中g(shù)h為電能交互時(shí)的網(wǎng)損參數(shù)[16]。

式中：s表示場(chǎng)景號(hào)；為充電站n在t時(shí)段從平臺(tái)買(mǎi)電的上限；為充電站n在t時(shí)段在平臺(tái)售電的上限；為電動(dòng)汽車(chē)i的荷電狀態(tài)，應(yīng)滿(mǎn)足上下限約束；Pm為變壓器功率限制。

考慮到充電站各個(gè)時(shí)刻利用自身光伏發(fā)電、從電網(wǎng)和平臺(tái)購(gòu)電來(lái)滿(mǎn)足站內(nèi)EV充電需求及日常負(fù)荷,在光伏出力過(guò)剩時(shí)，將余電賣(mài)給交易平臺(tái)以獲取利潤(rùn)，可將充電站n的功率平衡方程寫(xiě)為

對(duì)應(yīng)公共約束為

引入拉格朗日乘子ηt可以將式(10)寫(xiě)為

根據(jù)拉格朗日對(duì)偶分解原理，將目標(biāo)函數(shù)解耦得到

通過(guò)求解多個(gè)參與的充電站的子問(wèn)題來(lái)得到最優(yōu)解，各個(gè)子問(wèn)題求解過(guò)程中均需滿(mǎn)足式（12）中各項(xiàng)約束條件。本文結(jié)合次梯度法[18]求解式(15)。利用式(16)對(duì)拉格朗日乘子ηt進(jìn)行更新。

式中:μ為拉格朗日乘子的迭代次數(shù);σh為恒定步長(zhǎng)系數(shù)。收斂判據(jù)如式(17)

式中εh為迭代收斂判據(jù)。

3.2 EV充電站電能交易流程

圖4表示EV充電站電能交易流程圖。在本文所描述的基于交互能源機(jī)制的EV充電站分布式交易，是通過(guò)多次信息交互方式，即多次交換功率和價(jià)格的方式實(shí)現(xiàn)整個(gè)交易系統(tǒng)平衡的。具體流程如下表述。

圖4 EV充電站電能交易流程圖Fig. 4 Flowchart of electric energy transaction of EV charging station

1）數(shù)據(jù)初始化，通過(guò)對(duì)以往數(shù)據(jù)進(jìn)行分析，交易平臺(tái)下發(fā)初始交易價(jià)格，各充電站進(jìn)行初始充電資源的配置。各時(shí)段內(nèi)EV充電功率視為充電站負(fù)荷。各站根據(jù)初始交易價(jià)格求解功率計(jì)劃，求解完畢后向交易平臺(tái)上報(bào)本站購(gòu)售電情況，由于充電站僅需向平臺(tái)上傳購(gòu)售電計(jì)劃，無(wú)需上傳發(fā)用電計(jì)劃，很好地保護(hù)了充電站及車(chē)主隱私。

2）以滿(mǎn)足式(11)—(13)中各項(xiàng)約束為前提，交易平臺(tái)向充電站下發(fā)更新后的價(jià)格，充電站各自?xún)?yōu)化求解得到新的功率計(jì)劃和新的交易價(jià)格。

3）交易平臺(tái)檢驗(yàn)是否實(shí)現(xiàn)功率平衡。如果實(shí)現(xiàn)平衡，交易結(jié)束；如果未能實(shí)現(xiàn)平衡，則更新充電站購(gòu)售電電價(jià)，再次生成功率計(jì)劃，直至滿(mǎn)足功率平衡。

本文所建立的基于交互能源機(jī)制下的充電站分布式交易機(jī)制與傳統(tǒng)交易模式在本質(zhì)上都是在保證區(qū)域總變壓器不過(guò)載的情況下，滿(mǎn)足EV充電需求。

從調(diào)度角度來(lái)看，傳統(tǒng)調(diào)度一般采用雙層充放電調(diào)度模型和有序充電策略等，實(shí)現(xiàn)對(duì)電網(wǎng)的削峰填谷。但隨著EV數(shù)目急劇增加，集中式充放電協(xié)調(diào)難度加大。而本文所提的充電站交易機(jī)制，一方面，提供了快充、慢充2種充電形式，為有不同充電需求的用戶(hù)提供了不同的選擇，慢充站可以合理利用分布式資源，在不影響滿(mǎn)足用戶(hù)充電需求的前提下改變各時(shí)刻充電電能，將更多的電能出售以獲得利潤(rùn)；另一方面，通過(guò)充電站之間的電能交易，降低了充電站運(yùn)行成本，實(shí)現(xiàn)了分布式資源的就地消納。本文所應(yīng)用的充電站交易模型主要具有以下優(yōu)勢(shì)：

1）通過(guò)價(jià)格引導(dǎo)的手段對(duì)充電站參與市場(chǎng)的行為進(jìn)行引導(dǎo)，有利于充分發(fā)揮充電站資源的靈活性，提高光伏等可再生能源的就地消納。

2）含光伏充電站的分布式調(diào)度框架給予充電站充分的自主管理權(quán)，使充電站參與電力市場(chǎng)節(jié)省了大量的控制成本與計(jì)算成本。

4 算例分析

4.1 參數(shù)設(shè)置

本文假設(shè)30min為一個(gè)交易周期，對(duì)今日00:00到今日24:00進(jìn)行優(yōu)化調(diào)度，即將24 h分為48個(gè)時(shí)段進(jìn)行日前交易，以5個(gè)同區(qū)域內(nèi)公共充電站為例進(jìn)行算例分析，在Windows10環(huán)境下運(yùn)用Matlab cplex求解器求取目標(biāo)函數(shù)。本文在考慮了分布式光伏發(fā)電不確定性的情況下，分別對(duì)3個(gè)快充站和2個(gè)慢充站進(jìn)行仿真，其中快充充電站不具有光伏發(fā)電能力。圖5表示同一天內(nèi)各光伏出力場(chǎng)景發(fā)生的概率，概率之和為1。場(chǎng)景削減后的各場(chǎng)景光伏出力情況如圖6所示，由圖可知，光伏出力日特性明顯與光照強(qiáng)度變化呈一致性，12：00左右光伏出力最大。各光伏場(chǎng)景描述如表1所示。模型各參數(shù)設(shè)置如表2所示。固定負(fù)荷、EV的相關(guān)數(shù)據(jù)參考文獻(xiàn)[19]。

表2 模型參數(shù)設(shè)置Table 2 Setting of model parameters

圖5 同一天各光伏出力場(chǎng)景概率函數(shù)分布Fig. 5 Probability function distribution of output scene of each PV station on the same date

圖6 各場(chǎng)景下光伏出力Fig. 6 PV station output of each scenarios

表1 各光伏場(chǎng)景描述Table 1 Description of each PV scene

4.2 交易情況

圖7表示了在場(chǎng)景1的各個(gè)時(shí)刻下，EV充電站電力市場(chǎng)交易模式下的各個(gè)充電站功率情況。將3個(gè)慢充站編號(hào)為1、2、3，快充站編號(hào)為4和5。由圖可知，快充站4、5不具有光伏發(fā)電系統(tǒng)。由于快充充電站車(chē)流量相對(duì)于慢充充電站更大，從交易平臺(tái)和電網(wǎng)購(gòu)電功率相較于慢充充電站也更多。充電站為了使自身利益最大化，慢充充電站1、2、3充分利用自身光伏發(fā)電。當(dāng)光伏出力無(wú)法支撐站內(nèi)EV充電需求時(shí)，在初步保證配網(wǎng)安全性的前提下，充電站需要從交易平臺(tái)甚至從電網(wǎng)購(gòu)電。當(dāng)光伏出力過(guò)剩時(shí)，以滿(mǎn)足站內(nèi)EV充電需求為前提，充電站可將余電出售給交易平臺(tái)，同一時(shí)刻有需求的充電站向平臺(tái)購(gòu)電。充電站1由于具有較高比例的光伏，在光伏出力較大的時(shí)段，作為主要能源支撐，當(dāng)光伏充裕時(shí)，將余電售給平臺(tái)，充電站2、3同樣具有光伏發(fā)電系統(tǒng)，其光伏出力行為與充電站1較為類(lèi)似；而充電站4、5由于不具有光伏資源，從平臺(tái)和電網(wǎng)購(gòu)電用于滿(mǎn)足站內(nèi)EV充電需求，維持系統(tǒng)平衡。

圖7 充電站功率情況Fig. 7 Power situation of each EV charging station

不難得出，本文提出的充電站交易模型能夠充分激發(fā)充電站對(duì)自身所含分布式光伏的利用，促進(jìn)了分布式光伏的就地消納，且由于電能僅在同一區(qū)域內(nèi)的充電站與平臺(tái)、充電站與電網(wǎng)之間進(jìn)行交易，大大降低了由電網(wǎng)控制中心總體協(xié)調(diào)控制所帶來(lái)的運(yùn)行成本及控制難度，避免了電能的遠(yuǎn)距離傳輸，同時(shí)減少了傳輸過(guò)程中電能損耗。電動(dòng)汽車(chē)充電站在發(fā)揮市場(chǎng)作用的同時(shí)也起到系統(tǒng)層面的控制作用，調(diào)動(dòng)電能實(shí)現(xiàn)了系統(tǒng)的能量平衡。

4.3 可拓展性分析

本節(jié)隨機(jī)選擇其中一個(gè)充電站模型進(jìn)行復(fù)制，在任一場(chǎng)景中將充電站的數(shù)量從5個(gè)增加到30個(gè)。圖8表示迭代次數(shù)隨充電站數(shù)量變化的關(guān)系圖。由圖可知，隨著充電站數(shù)量的增加，收斂迭代次數(shù)也在增加。對(duì)于30個(gè)充電站進(jìn)行日前能量?jī)?yōu)化管理，仍能收斂，因此本文所提算法仍具有有效性。

圖8 迭代次數(shù)與充電站數(shù)量關(guān)系Fig. 8 Relationship between the iteration times and the number of charging stations

4.4 電能交易價(jià)格分析

圖9、圖10例舉了在13:00和17:00時(shí)刻，各個(gè)光伏場(chǎng)景下，充電站之間電能交易價(jià)格與迭代次數(shù)的關(guān)系。由圖可以得出，在本文選用的8個(gè)典型光伏場(chǎng)景下，交易價(jià)格均能收斂，系統(tǒng)能量達(dá)到平衡。由于13:00為光伏發(fā)電能力最優(yōu)時(shí)刻，電價(jià)較低，為0.446元/kW·h。此時(shí)，各站光伏出力優(yōu)先滿(mǎn)足站內(nèi)電動(dòng)汽車(chē)充電需求，故充電站向平臺(tái)購(gòu)電的需求較小，交易價(jià)格較低。17:00為光伏發(fā)電能力較弱時(shí)刻，電價(jià)較高，為0.987元/kW·h。充電站向平臺(tái)購(gòu)電需求大，交易價(jià)格較高。算例所展示的2時(shí)刻的電價(jià)均符合市場(chǎng)規(guī)律。針對(duì)同一時(shí)段的不同場(chǎng)景進(jìn)行分析，在光伏發(fā)電能力較弱的場(chǎng)景，其交易價(jià)格越高；在光伏發(fā)電能力較強(qiáng)的場(chǎng)景，其交易價(jià)格越低。

圖9 各場(chǎng)景下電動(dòng)汽車(chē)充電站2于13:00上報(bào)的價(jià)格Fig. 9 The upward reported price of EV charging station No. 2 at 13:00 under each scenario

圖10 各場(chǎng)景下電動(dòng)汽車(chē)充電站2于17:00上報(bào)的價(jià)格Fig. 10 The upward reported price of EV charging station No. 2 at 17:00 under each scenario

表3為本文所提充電站交易模式與傳統(tǒng)模式下的收益對(duì)比。由表可得，本文所提充電站交易模式下，充電站收益明顯提高。充電站充分利用了自身分布式光伏,促進(jìn)了可再生資源就地消納，同時(shí)也促進(jìn)了電力市場(chǎng)交易，提高了經(jīng)濟(jì)性。

表3 各充電站收益對(duì)比Table 3 Comparison of revenues of each charging station

在傳統(tǒng)交易模式下，充電站通過(guò)自身光伏發(fā)電、從電網(wǎng)購(gòu)電來(lái)滿(mǎn)足站內(nèi)EV充電需求，而在光伏出力過(guò)剩時(shí)，可能會(huì)造成棄光。與分布式交易模型類(lèi)似，將日前24 h均分為48個(gè)時(shí)間間隔，各EV充電站以采用式(9)的電價(jià)模型，以所有EV充電站在日前市場(chǎng)的利潤(rùn)最大為目標(biāo)，建立EV充電站能量交易模型。

5 結(jié)論

1) 利用多場(chǎng)景法解決光伏不確定性問(wèn)題，相較于文獻(xiàn)[20]單一地將光伏發(fā)電量考慮為定值，制定的日前計(jì)劃更具有準(zhǔn)確性。

2)本文所提的交易機(jī)制有利于光伏等分布式發(fā)電資源的就地消納，符合可再生能源結(jié)合EV充電站的建設(shè)和發(fā)展新趨勢(shì)。

3)本文基于交互能源機(jī)制，充分利用EV充電站的“分布式”特點(diǎn)，構(gòu)建電網(wǎng)、交易平臺(tái)、EV充電站之間的電能分布式交易模型，提高了充電站參與市場(chǎng)的積極性與靈活性，相較于傳統(tǒng)模式下降低了充電站成本，提高了經(jīng)濟(jì)性。