葉子欣，劉金朋，郭霞，姜明月，劉福炎，郝洪志

（1.華北電力大學(xué)經(jīng)濟與管理學(xué)院，北京 102206；2.國網(wǎng)浙江經(jīng)濟技術(shù)研究院，浙江杭州 310020；3.浙江鼎晟工程項目管理有限公司，浙江金華 321017）

0 引言

隨著“雙碳”目標(biāo)與汽車保有量結(jié)構(gòu)性調(diào)整不斷深化，電動汽車（Electric Vehicle，EV）憑借其低碳環(huán)保的優(yōu)點與性能、價格、外觀等方面的產(chǎn)品優(yōu)勢，使用戶數(shù)量得到進一步擴大[1-2]。截止2022 年6 月底我國EV 保有量為810.4 萬輛，并呈現(xiàn)高速增長態(tài)勢。伴隨大量EV 無序接入小區(qū)配網(wǎng)，對居民用能質(zhì)量[3-4]、電網(wǎng)運行經(jīng)濟性和可靠度[5-6]的危害日益凸顯。因此，亟需對EV 充電行為進行科學(xué)調(diào)控，降低電動汽車群在高峰接入電網(wǎng)引發(fā)的系統(tǒng)性影響。

車網(wǎng)雙向充放電（Vehicle to Grid，V2G）技術(shù)可使閑置EV 發(fā)揮儲能特性，放電補給電網(wǎng)系統(tǒng)，平穩(wěn)區(qū)域負(fù)荷曲線[7-8]。目前，電動汽車充放電調(diào)度領(lǐng)域的研究日益豐富，持續(xù)開展調(diào)度調(diào)控方面研究具有重要的現(xiàn)實意義。文獻[9-13]剖析出行鏈理論下EV 出行需求，結(jié)合價格信號引導(dǎo)EV 車主參與充放電調(diào)度服務(wù)，針對用戶的用車維度需要進行用戶綜合滿意度、電能需求度等指標(biāo)的定量化輸出。文獻[14-15]對用戶信息進行采集，提出了EV 可調(diào)度能力評估方法。文獻[9-15]考慮了EV 用戶相應(yīng)的調(diào)度屬性，但對用戶調(diào)度意愿和調(diào)度潛能的綜合挖掘程度仍有待提升。

在電力負(fù)荷研究中，用戶畫像技術(shù)依靠標(biāo)簽化的用能和用電相關(guān)指標(biāo)，可做到對電力用戶特性的精準(zhǔn)刻畫[16]。若將用戶畫像技術(shù)同電動汽車充放電優(yōu)化調(diào)度研究相結(jié)合，可實現(xiàn)EV 用戶準(zhǔn)確分類，達到滿足不同用戶群體的差異化需求的目的。為解決EV 用戶調(diào)度意愿與響應(yīng)潛力同適宜調(diào)度模式匹配問題，本文構(gòu)建用戶響應(yīng)畫像體系，提出了一種適用于居民小區(qū)場景的電動汽車充放電優(yōu)化策略。本文的創(chuàng)新之處在于將用戶畫像技術(shù)同電動汽車充放電調(diào)度研究結(jié)合，為調(diào)度優(yōu)化階段提供依照調(diào)度意愿與響應(yīng)潛力劃分的用戶群，使參與用戶更加認(rèn)可調(diào)度工作，最終得到的優(yōu)化結(jié)果也更具實際意義。

1 電動汽車用戶響應(yīng)畫像體系構(gòu)建

為使電動汽車充放電調(diào)度策略同用戶響應(yīng)潛力相匹配，本文將傳統(tǒng)電力用戶畫像研究與用戶調(diào)度參與意愿相結(jié)合，構(gòu)建考慮“深度+潛力”兩方面指標(biāo)的電動汽車用戶響應(yīng)畫像體系。深度方面指EV 用戶參與調(diào)度的意愿程度水平，潛力方面指用戶車輛與用車行為在調(diào)度響應(yīng)方面的潛力規(guī)模水平。

1.1 響應(yīng)評估指標(biāo)

本文從用戶用車、用戶充電、車輛信息3 個維度選取日行駛里程、起始充電荷電狀態(tài)（State of Charge，SOC）、車輛入網(wǎng)時間、車輛電池容量、車輛單位電耗5 項指標(biāo)建立EV 用戶信息特性集合，所得數(shù)據(jù)用于EV 用戶響應(yīng)畫像分析和匹配相應(yīng)充放電調(diào)度策略。并引入客觀有效的坎蒂雷法[17]（Criteria Importance Through Intercriteria Correlation，CRITIC）和多屬性邊界近似區(qū)域比較法[18]（Multi-Atrributive Border Approximation Area Comparison，MABAC）進行用戶響應(yīng)潛力指數(shù)評估。選取的響應(yīng)評估指標(biāo)如表1 所示，并依據(jù)表中指標(biāo)進行基于CRITICMABAC 法的用戶分級評估。

表1 中，日行駛里程為用戶用車日均行駛里程數(shù)，體現(xiàn)用戶對電量需求水平。起始充電SOC 為用戶車輛入網(wǎng)進行充電時刻的電池電量百分比，體現(xiàn)用戶充電需求水平。入網(wǎng)距峰時時間為用戶車輛入網(wǎng)進行充電時刻距用電峰時的時間間隔，體現(xiàn)調(diào)度工作的開展同用戶用車行為匹配程度的高低。車輛電池容量為用戶車輛的電池容量大小，體現(xiàn)用戶車輛可調(diào)度對象潛力規(guī)模水平。車輛單位電耗為用戶車輛每千瓦時可行駛里程數(shù)，用來體現(xiàn)用戶車輛耗電水平。

表1 響應(yīng)評估指標(biāo)Table 1 Evaluation indicators of response potential

1.2 用戶分級評估模型

CRITIC 法是一種綜合衡量內(nèi)部沖突程度與外部差異程度的客觀賦權(quán)法，容許指標(biāo)間存在一定相關(guān)性，可用于EV 用戶指標(biāo)間關(guān)聯(lián)性不可消除的情況。MABAC 法用于比較方案加權(quán)綜合值與邊界逼近區(qū)域距離的遠(yuǎn)近，根據(jù)距離的正負(fù)值確定所屬上部或下部邊界逼近區(qū)域，按數(shù)值大小確定優(yōu)劣方案。使用CRITIC-MABAC 法得出各EV 用戶響應(yīng)評估指標(biāo)的客觀權(quán)重與對應(yīng)指標(biāo)同邊界區(qū)域的距離值，構(gòu)建用戶邊界距離陣，按行加權(quán)得到EV 用戶響應(yīng)潛力指數(shù)Si并按其值進行用戶分類，具體步驟如下：

1）構(gòu)建標(biāo)準(zhǔn)正向化矩陣。設(shè)存在m個EV 用戶樣本，n個響應(yīng)評估指標(biāo)，得到初始分級指標(biāo)矩陣D，其i行j列數(shù)值vij表示第i名EV 用戶的第j個分級指標(biāo)數(shù)值。對EV 調(diào)度響應(yīng)中的指標(biāo)進行極差變化法規(guī)范處理。將標(biāo)準(zhǔn)正向化后的數(shù)值覆蓋原始數(shù)值aij，得到規(guī)范化的用戶響應(yīng)評估指標(biāo)值bij。

2）計算響應(yīng)評估指標(biāo)信息量。為體現(xiàn)指標(biāo)對響應(yīng)潛力影響重要度，計算響應(yīng)評估指標(biāo)信息量Cj為：

式中：σj為各指標(biāo)標(biāo)準(zhǔn)差，表示同一特性指標(biāo)下的各EV 用戶響應(yīng)潛力離差程度；Rj為rij構(gòu)成的相關(guān)矩陣；rij為指標(biāo)間皮爾遜相關(guān)系數(shù)，表示各響應(yīng)評估指標(biāo)間的沖突性。

3）計算指標(biāo)客觀權(quán)重。Cj越大表示第j個響應(yīng)評估指標(biāo)攜帶信息越多、重要程度越大，即第j個指標(biāo)權(quán)重Wj越大，其表達式為：

4）構(gòu)建響應(yīng)潛力邊界逼近區(qū)域矩陣。MABAC法需先構(gòu)建加權(quán)特性指標(biāo)矩陣Y，矩陣Y的第i行j列數(shù)值yij為：

式中：bij為標(biāo)準(zhǔn)正向化后指標(biāo)值。

gj為第j個指標(biāo)的邊界逼近區(qū)域（Border Approximation Area，BAA）值，所構(gòu)成的邊界逼近區(qū)域矩陣G的第j列數(shù)值gj為：

式中：m為EV 用戶數(shù)量。

5）構(gòu)建響應(yīng)潛力邊界逼近區(qū)域距離矩陣。邊界逼近區(qū)域距離矩陣Q由加權(quán)特性指標(biāo)矩陣Y與邊界逼近區(qū)域矩陣G的差值構(gòu)成，矩陣Q為：

Q中第i行第j列數(shù)值為用戶i的第j個響應(yīng)評估指標(biāo)距邊界逼近區(qū)域的距離qij。qij大于0，說明用戶i的第j個響應(yīng)評估指標(biāo)屬于上部邊界逼近區(qū)域G+，第j個指標(biāo)對應(yīng)的正理想點A+包含其中；qij小于0，說明用戶i的第j個響應(yīng)評估指標(biāo)屬于下部邊界逼近區(qū)域G-，第j個指標(biāo)對應(yīng)的負(fù)理想點A-包含其中。

6）計算用戶響應(yīng)潛力指數(shù)。Q中各用戶i的qij值越大、正數(shù)越多，該用戶在用戶群中的響應(yīng)潛力越好。計算各用戶qij之和，得到EV 用戶響應(yīng)潛力指數(shù)Si為：

1.3 響應(yīng)畫像生成

若Si為正數(shù)，將攜帶上部邊界逼近區(qū)域G+指標(biāo)較多的用戶列入高響應(yīng)潛力用戶群I；若Si為負(fù)數(shù)，將攜帶下部邊界逼近區(qū)域G-指標(biāo)較多的用戶列入低響應(yīng)潛力用戶群II。依據(jù)用戶群I、II 內(nèi)用戶各指標(biāo)平均數(shù)據(jù)，生成高、低響應(yīng)潛力EV 用戶分類示意圖如圖1 所示。

圖1 EV用戶分類示意圖Fig.1 Schematic diagram of EV user classification

由圖1 可知，本文結(jié)合響應(yīng)潛力與調(diào)度參與度將EV 用戶分為5 類：高響應(yīng)潛力深層調(diào)度參與用戶、高響應(yīng)潛力一般調(diào)度參與用戶、低響應(yīng)潛力深層調(diào)度參與用戶、低響應(yīng)潛力一般調(diào)度參與用戶、不參與調(diào)度用戶。并將分用戶群數(shù)據(jù)信息輸入電動汽車充放電優(yōu)化調(diào)度模型進行后續(xù)調(diào)度工作。

2 電動汽車充放電優(yōu)化調(diào)度模型

結(jié)合電動汽車用戶響應(yīng)畫像體系，電動汽車充放電優(yōu)化調(diào)度模型將對不同用戶群體實施差異化調(diào)度工作，本文所提電動汽車調(diào)度策略框架如圖2 所示。

圖2 電動汽車調(diào)度策略框架Fig.2 Framework of scheduling strategy for electric vehicle

由圖2 可知，考慮用戶在調(diào)度響應(yīng)潛力層面的差異與調(diào)度參與深度層面的意愿，通過EV 用戶響應(yīng)畫像體系輸出得到分用戶群體的個體數(shù)據(jù)信息、高低響應(yīng)潛力的用戶畫像數(shù)據(jù)，再將數(shù)據(jù)輸入至電動汽車充放電優(yōu)化調(diào)度模型進行運算求解，得到各用戶充放電的優(yōu)化結(jié)果。其中，畫像體系輸出的信息將在調(diào)度模型的目標(biāo)函數(shù)、約束條件部分的構(gòu)建中發(fā)揮作用。

2.1 目標(biāo)函數(shù)

從保障區(qū)域電網(wǎng)安全穩(wěn)定運行的角度出發(fā)，要求在EV 充放電過程中減少疊加區(qū)域常規(guī)負(fù)荷后的負(fù)荷波動，建立區(qū)域負(fù)荷曲線波動方差函數(shù)為：

式中：f1為區(qū)域負(fù)荷曲線波動方差；PZt為t時刻區(qū)域配電網(wǎng)總負(fù)荷功率，由常規(guī)負(fù)荷與EV 負(fù)荷2 部分組成；Z為區(qū)域配電網(wǎng)日內(nèi)平均負(fù)荷功率；T為調(diào)度時間段數(shù)量；PLt為t時刻區(qū)域配電網(wǎng)常規(guī)負(fù)荷功率；PEi為用戶i的EV 充放電功率；Kti為t時刻用戶i的EV 充放電狀態(tài)。

根據(jù)EV 用戶參與調(diào)度深度執(zhí)行相應(yīng)的電價標(biāo)準(zhǔn)，對參與V2G 的深層調(diào)度用戶執(zhí)行優(yōu)惠電價，放電過程按相應(yīng)電價標(biāo)準(zhǔn)返還放電收益，產(chǎn)生的額外充電時長計入總充電時長合并計費。從保證用戶充電成本最低原則出發(fā)，建立用戶充電成本函數(shù)f2為：

式中：EPti為t時刻用戶i執(zhí)行的電價標(biāo)準(zhǔn)。

為消除量綱影響，無量綱化處理雙目標(biāo)函數(shù)為：

式中：F1，F(xiàn)2為雙目標(biāo)函數(shù)；f1-ini，f2-ini為調(diào)度前無序充電狀態(tài)函數(shù)值；minF為加權(quán)組合單目標(biāo)函數(shù)；λ1，λ2為偏重權(quán)值。

2.2 約束條件

1）充放電功率約束。將充放電過程視作恒定功率工作，除充放電時段外的PEi值為0。EV 充放電功率約束為：

式中：η為實際充放電折減系數(shù)；為用戶i的EV最大充放電功率。

2）電池電量約束。SOC 的量符號為Soc，電池電量約束為：

式中：Socend，i為用戶i的EV 結(jié)束充電SOC；Socsta，i為用戶i的EV 起始充電SOC；BCi為用戶i的EV 電池容量；Socexp，i為用戶i的EV 預(yù)期充電SOC。

3）充電時間約束。為保證用戶次日用車需求，設(shè)置充電時間滿足所有車輛在次日7:00 前完成充電。鑒于凌晨入網(wǎng)車輛存在無法于7:00 前達到期望電量的情況，設(shè)置此類用戶車輛入網(wǎng)立即充電至7:00。充電時間約束為：

式中：dci為用戶i的EV 充電時長；dai為用戶i的EV入網(wǎng)至次日7:00 的在網(wǎng)時長；tin，i為用戶i的EV 入網(wǎng)時刻。

4）放電時間約束。由充電時間約束可知，深層調(diào)度參與用戶車輛參與V2G 調(diào)度時，需保證次日7:00 前達到期望的SOC。由于本文設(shè)定充放電功率一致，參與V2G 調(diào)度放出電量需消耗相同時長充電補足，故用戶i的EV 最大放電時長doi受到在網(wǎng)閑置時長限制。放電時間約束為：

式中：doi為用戶i的EV 最大放電時長。

2.3 求解方法

遺傳算法（Genetic Algorithm，GA）屬于啟發(fā)式算法，其根據(jù)生物進化“物競天擇、適者生存”的規(guī)律，模擬遺傳、變異、自然選擇的過程[19-22]，可有效實現(xiàn)對電動汽車充放電調(diào)度問題的求解[23]。Kti可涵蓋充放電過程中的3 類狀態(tài)，省去了遺傳算法繁瑣的編碼、解碼過程。Kti為1 時，用戶i的EV在t時刻處于充電狀態(tài)；Kti為0 時，用戶i的EV在t時刻處于閑置狀態(tài)；Kti為-1 時，用戶i的EV在t時刻處于放電狀態(tài)。當(dāng)達到最大迭代次數(shù)后，終止算法進程，輸出最優(yōu)種群的決策變量矩陣，作為充放電調(diào)度安排依據(jù)。

本文使用的精英遺傳算法是一種采取子代精英保留策略的改進遺傳算法，在樣本多樣性層面保證了優(yōu)良子代不因交叉、變異運算遭到破壞，提高了算法整體搜索強度[14，24]。算法步驟參照圖2 內(nèi)電動汽車充放電調(diào)度優(yōu)化模型的遺傳算法流程。

3 實證分析

3.1 場景及參數(shù)設(shè)置

3.1.1 用戶規(guī)模及用車情況

設(shè)定某居民小區(qū)有300 名EV 用戶，用戶結(jié)束當(dāng)日用車后立即接入小區(qū)充電樁至次日用車時。根據(jù)車輛出行數(shù)據(jù)擬合結(jié)果，進行日行駛里程、入網(wǎng)時間的蒙特卡洛模擬。擬合后的日行駛里程指標(biāo)符合對數(shù)正態(tài)分布，日行駛里程的概率密度函數(shù)fm（x）為：

式中：x為蒙特卡洛抽取得到的隨機變量；μm為日行駛里程指標(biāo)自然對數(shù)的數(shù)學(xué)期望，取值為3.7；σm為日行駛里程指標(biāo)自然對數(shù)的標(biāo)準(zhǔn)差，取值為0.92。

擬合后的入網(wǎng)時間指標(biāo)符合正態(tài)分布，入網(wǎng)時間的概率密度函數(shù)fin（x）為：

式中：μin為入網(wǎng)時間指標(biāo)的數(shù)學(xué)期望，取值為17.5；σin為入網(wǎng)時間指標(biāo)的標(biāo)準(zhǔn)差，取值為3.5。

參考文獻[9]針對EV 初始SOC 的設(shè)定，進行初始SOC 蒙特卡洛模擬。擬合后的初始SOC 指標(biāo)符合正態(tài)分布，EV 初始SOC 的概率密度函數(shù)fso（cx）為：

式中：μsoc為初始SOC 指標(biāo)的數(shù)學(xué)期望，取值為0.4；σsoc為初始SOC 指標(biāo)的標(biāo)準(zhǔn)差，取值為0.152。

假設(shè)小區(qū)不存在充電樁短缺現(xiàn)象，各充電樁充放電功率均為7 kW，實際充電功率折減系數(shù)為0.95，調(diào)度時間步距為1 h。綜合考慮各型號EV 銷量與保有量數(shù)據(jù)，選取電池容量與單位電耗具有梯級差異的5 款EV，按一定比例抽取用戶車輛與調(diào)度參與用戶數(shù)，通過蒙特卡洛模擬得到82 名不參與調(diào)度用戶、142 名一般調(diào)度用戶、76 名深層調(diào)度用戶及以上3 類用戶的對應(yīng)車型。視82 名不參與調(diào)度用戶車輛負(fù)荷為小區(qū)常規(guī)負(fù)荷的一部分，不參與調(diào)度用戶車輛期望SOC 為85%，將產(chǎn)生的負(fù)荷功率疊加至小區(qū)負(fù)荷，得到疊加前后常規(guī)負(fù)荷曲線如圖3 所示。

圖3 疊加前后常規(guī)負(fù)荷曲線Fig.3 Conventional load curves before and after load superposition

由圖3 可知，疊加不參與調(diào)度用戶車輛負(fù)荷后，常規(guī)負(fù)荷曲線的波動性增加，若不對其余用戶充電行為進行調(diào)控，小區(qū)負(fù)荷曲線的波動性會進一步擴大。

3.1.2 充電費用標(biāo)準(zhǔn)

小區(qū)電動汽車充電費用由分時電價和充電服務(wù)費2 部分構(gòu)成。執(zhí)行某地電動汽車公共充電設(shè)施分時電價時，除電價費用外，收取充電服務(wù)費0.8 元/kWh，對深層調(diào)度參與用戶予以各時段充電服務(wù)費75 折優(yōu)惠，分時充電費用如表2 所示。

表2 分時充電費用Table 2 Time-of-use charge price 元/kWh

3.1.3 算法參數(shù)

目標(biāo)函數(shù)的偏重權(quán)值λ1，λ2均取0.5，考慮調(diào)度前后車輛充電時段存在顯著差異，本文所設(shè)遺傳算法參數(shù)相對其他求解問題的參數(shù)較大，以達到更快求解收斂的目的。設(shè)置算法主要參數(shù)如下：種群數(shù)為300 個，迭代次數(shù)為200 次，交叉概率為0.8，變異概率為0.4。

3.2 用戶響應(yīng)畫像分析

根據(jù)蒙特卡洛模擬得到的指標(biāo)參數(shù)，依照1.2 節(jié)中用戶分級評估模型中相應(yīng)步驟，對EV 用戶進行基于CRITIC-MABAC 法的響應(yīng)潛力評估與畫像分析。

3.2.1 指標(biāo)權(quán)重

通過CRITIC 法對響應(yīng)評估指標(biāo)進行分析，指標(biāo)間相關(guān)系數(shù)和指標(biāo)的σj，Cj，Wj值分別如表3 和表4 所示。

表3 指標(biāo)間相關(guān)系數(shù)Table 3 Correlation coefficient between indicators

表4 指標(biāo)的σj，Cj，Wj值Table 4 Value of indicators including σj，Cj and Wj

由表3 和表4 可知，除車輛電池容量指標(biāo)與車輛單位電耗指標(biāo)的相關(guān)系數(shù)為0.854 外，其余各指標(biāo)間相關(guān)系數(shù)較低，且存在相關(guān)系數(shù)負(fù)值的非正相關(guān)關(guān)系，表明車輛電池容量指標(biāo)與車輛單位電耗指標(biāo)間相關(guān)性較大、沖突性較低，但由于這2 個指標(biāo)的標(biāo)準(zhǔn)差σj較大，綜合計算得到的指標(biāo)信息量仍相對較大，對平衡整體權(quán)重水平起到了積極作用。

3.2.2 用戶分群

使用MABAC 法對小區(qū)EV 用戶進行響應(yīng)潛力評估，計算各用戶qij之和得到響應(yīng)潛力指數(shù)Si，按Si值的正負(fù)情況進行用戶分群，用戶響應(yīng)潛力指數(shù)散點如圖4 所示。

圖4 用戶響應(yīng)潛力指數(shù)散點Fig.4 Scatter plot of user response potential index

由圖4 可知，Si處于（-0.404，0.380）區(qū)間內(nèi)，其中202 名用戶Si值為正，98 名用戶Si值為負(fù)。在較高、較低響應(yīng)潛力分類上均呈現(xiàn)相同車輛型號用戶的響應(yīng)潛力指數(shù)Si聚集規(guī)律，說明車輛電池容量與車輛單位電耗對Si值造成了影響。其余指標(biāo)則引起不同車輛型號EV 用戶Si值在（0.2，0.3）區(qū)間內(nèi)波動。

結(jié)合調(diào)度意愿，在全體300 名用戶中除去82 名不參與調(diào)度用戶。當(dāng)Si為正值，參與調(diào)度且具有較高響應(yīng)潛力的用戶群I 有158 人，參與深層調(diào)度用戶有57 人；當(dāng)Si為負(fù)值，參與調(diào)度且具有較低響應(yīng)潛力用戶群II 有60 人，參與深層調(diào)度用戶有19 人。

3.2.3 用戶群畫像生成

2 類用戶群畫像指標(biāo)值如表5 所示。

表5 2類用戶群畫像指標(biāo)值Table 5 Index value for portrait of two user groups

由表5 可知，2 類用戶群起始充電SOC 差值為5.4%，視2 類用戶群起始充電SOC 差值為2 類用戶在結(jié)束充電時電量期望上的差值，故在不參與調(diào)度用戶85%充電期望基礎(chǔ)上，設(shè)置用戶群I、用戶群II電池充電期望分別為82.3%和87.7%。

3.3 充放電調(diào)度優(yōu)化仿真分析

利用Matlab 軟件結(jié)合電動汽車調(diào)度策略框架圖中遺傳算法流程，按調(diào)度參與深度對兩類用戶群內(nèi)用戶實行不含V2G 一般調(diào)度與含V2G 深層調(diào)度2 種調(diào)度方法。通過充放電調(diào)度優(yōu)化仿真，對負(fù)荷波動與充電成本的優(yōu)化效果對比分析。

3.3.1 充放電時段分布比較

對調(diào)度前無序充電模式充電時段分布及分用戶群調(diào)度充放電模式充放電時段分布進行分析，得到2種調(diào)度模式充放電時段分布如圖5 所示。

圖5 2種調(diào)度模式充放電時段分布Fig.5 Distribution of charging and discharging periods in two scheduling modes

圖5 中青色色塊代表充電狀態(tài)，品紅色色塊代表放電狀態(tài)。由圖5 可知，大量無序充電模式下處于晚間用電峰時的充電行為，在分用戶群充放電調(diào)度模式下轉(zhuǎn)移至22:00—次日7:00 前的谷時段進行，其中深層調(diào)度用戶的放電時段集中在18:00—21:00 的常規(guī)負(fù)荷高峰期，通過V2G 更有效地完成了削峰填谷工作。

3.3.2 負(fù)荷曲線分析

采取調(diào)度措施后，對2 類用戶群及總用戶EV負(fù)荷曲線進行分析，得到用戶EV 負(fù)荷曲線如圖6所示。

圖6 用戶EV負(fù)荷曲線Fig.6 Load curves of EV user

由圖6 可知，2 類用戶的放電時段較為一致，均在負(fù)荷高峰期放電，補給了電網(wǎng)峰時的供電需求。由于用戶群I 用戶數(shù)更多，且群畫像顯示用戶群I車輛電池容量比用戶群II 大，故各時段下用戶群I負(fù)荷均較用戶群II 負(fù)荷高。

調(diào)度前后負(fù)荷曲線如圖7 所示。

圖7 調(diào)度前后負(fù)荷曲線Fig.7 Load curves before and after scheduling

由圖7 可知，調(diào)度后負(fù)荷曲線于次日7:00—8:00時段內(nèi)產(chǎn)生新的負(fù)荷低谷，屬于可預(yù)知的正常情況，是為滿足用戶次日7:00 后可能的用車需要而產(chǎn)生的負(fù)荷降低現(xiàn)象。本文方法對無序充電下形成的22:00—次日7:00 負(fù)荷低谷與18:00—21:00 的負(fù)荷高峰起到了明顯的削峰填谷效果，調(diào)度后峰谷差異小、負(fù)荷曲線較為平坦，初步說明了調(diào)度方法的有效性。

3.3.3 優(yōu)化目標(biāo)對比

為驗證優(yōu)化的效果與支撐作用，重點選取3 種不同充電模式場景進行優(yōu)化結(jié)果對比分析，進一步突出含V2G 及進行響應(yīng)潛力評估后的優(yōu)化效果。不同充電模式下充電費用對比如圖8 所示。

圖8 不同充電模式下充電費用對比Fig.8 Comparison of charging cost under different charging modes

由圖8 可知，各模式下用戶群I 的人均充電費用均高于用戶群II，這是由于用戶群I 內(nèi)EV 電池容量和單次充電電量較大。通過圖8（b）和（c）中2種有序調(diào)度充電模式，可將高峰充電時段轉(zhuǎn)移至低谷與平時充電時段，降低用戶電費單價，得到較無序充電更低的人均充電費用。圖8（c）中，參與V2G用戶得到了更優(yōu)惠的電價指標(biāo)，全體用戶人均充電成本最低為31.74 元。

不同充電模式下小區(qū)負(fù)荷指標(biāo)對比如表6 所示。

表6 不同充電模式下小區(qū)負(fù)荷指標(biāo)對比Table 6 Comparison of residential community load index under different charging modes

由表6 可知，2 種有序調(diào)度充電模式較調(diào)度前無序充電模式均呈現(xiàn)突出的平抑負(fù)荷波動效果。含V2G 分用戶群調(diào)度充放電模式下負(fù)荷波動方差為7.29×105kW2，波動最小；不含V2G 分用戶群調(diào)度充電模式下負(fù)荷平穩(wěn)性次之。含V2G 分用戶群調(diào)度充放電模式下峰谷差為602 kW，峰值平均功率比為1.12，表明此模式下削峰填谷效果最為明顯。綜上，從充電成本與負(fù)荷波動的雙目標(biāo)函數(shù)角度的結(jié)果對比，說明了本文含V2G 分用戶群調(diào)度充放電策略的有效性。

4 結(jié)論

本文提出基于用戶響應(yīng)畫像的居民小區(qū)電動汽車充放電優(yōu)化策略，輸出用戶個體、群體畫像至電動汽車充放電模型，應(yīng)用精英遺傳算法對算例進行了求解，實證結(jié)果說明所提優(yōu)化策略的有效性，結(jié)論如下：

1）依據(jù)用戶響應(yīng)畫像體系劃分得到5 類用戶群體及高、低響應(yīng)潛力用戶群畫像特征，以此為基礎(chǔ)實現(xiàn)調(diào)度模型中用戶的差異化設(shè)置。

2）由調(diào)度前后的充放電時段分布與負(fù)荷曲線可知，將調(diào)度前密集分布在峰時段的充電行為通過調(diào)度轉(zhuǎn)移至谷時段進行，使參與V2G 調(diào)度的用戶EV 在峰時段進行放電來補給電網(wǎng)系統(tǒng)，起到平穩(wěn)區(qū)域負(fù)荷的作用，初步驗證了本文策略削峰填谷的可靠性。

3）在滿足用戶意愿、客觀衡量用戶響應(yīng)潛力的基礎(chǔ)上，含V2G 分用戶群調(diào)度充放電模式的充電成本、負(fù)荷波動方差較調(diào)度前無序充電分別降低24.86%與90.58%，說明本文所提電動汽車充放電優(yōu)化策略可有效實現(xiàn)平抑負(fù)荷與降低用戶充電成本。