洪睿潔，顧丹珍，莫阮清，蔡思楠，張超林

（1上海電力大學(xué)，上海 200090；2國(guó)網(wǎng)上海市電力公司經(jīng)濟(jì)技術(shù)研究院，上海 200030）

近年來(lái)，碳減排已成為一個(gè)重大的全球性問(wèn)題。交通運(yùn)輸作為能源消耗和溫室氣體排放的重點(diǎn)領(lǐng)域之一，2021 年將分別占中國(guó)和全球碳排放總量的10%和25%，其中公路運(yùn)輸占80%。汽車逐步電動(dòng)化已經(jīng)在全世界達(dá)成共識(shí)。在“雙碳”背景下[1]，政府部門進(jìn)一步提出推進(jìn)新能源汽車與電網(wǎng)能量互動(dòng)試點(diǎn)示范并且堅(jiān)持市場(chǎng)主導(dǎo)、政府引導(dǎo)的思路[2]，通過(guò)引導(dǎo)電動(dòng)汽車充放電行為，起到穩(wěn)定電網(wǎng)和支持大規(guī)?？稍偕茉慈刖W(wǎng)的作用。

目前V2G(vehicle-to-grid)[3]處于示范推廣階段，推廣成本高及各方參與熱情低是當(dāng)前V2G 市場(chǎng)發(fā)展緩慢的瓶頸問(wèn)題。準(zhǔn)確把握消費(fèi)者的偏好對(duì)提高用戶參與V2G 的積極性以及聚合商進(jìn)行精準(zhǔn)調(diào)度具有重要意義。文獻(xiàn)[4-7]研究結(jié)果表明，在限制和非限制城市以及不同發(fā)展階段的城市中，消費(fèi)者對(duì)電動(dòng)汽車的偏好存在顯著的異質(zhì)性。行駛里程和充電站密度是消費(fèi)者選擇電動(dòng)汽車的關(guān)鍵影響因素，不同的購(gòu)買群體有不同的偏好。較多文獻(xiàn)對(duì)V2G充放電建模進(jìn)行了研究，對(duì)于充電建模通常基于大量的行為統(tǒng)計(jì)調(diào)查，從海量數(shù)據(jù)中以概率密度函數(shù)對(duì)其行為特性進(jìn)行分析歸納[8-10]，而當(dāng)前V2G 試點(diǎn)項(xiàng)目較少，數(shù)據(jù)有限，對(duì)V2G 建模的研究一般是將電動(dòng)汽車用戶放電作為隨機(jī)行為，建模對(duì)象用車行為設(shè)定較為單一，缺少對(duì)不同偏好電動(dòng)汽車用戶參與V2G 用車行為的研究，而實(shí)際上電動(dòng)汽車用戶對(duì)汽車使用靈活性的渴望和對(duì)汽車停放時(shí)間的缺乏意識(shí)都會(huì)導(dǎo)致放電行為的不確定性[11-12]。因此無(wú)法模擬出電動(dòng)汽車用戶真實(shí)的放電行為。

目前有較多針對(duì)電動(dòng)汽車充放電策略優(yōu)化的研究，如文獻(xiàn)[13-15]圍繞了可再生能源消納比率、可調(diào)度容量、調(diào)度響應(yīng)時(shí)間、負(fù)荷平穩(wěn)度和調(diào)度運(yùn)行經(jīng)濟(jì)效益等多個(gè)指標(biāo)建立了多目標(biāo)優(yōu)化模型，對(duì)V2G 調(diào)度優(yōu)化的策略進(jìn)行評(píng)估，但缺少對(duì)V2G 調(diào)度策略優(yōu)化后社會(huì)效益的評(píng)估。文獻(xiàn)[16-17]基于電力和交通系統(tǒng)建立了以成本和碳排放為目標(biāo)的優(yōu)化模型，但只采用了無(wú)序和有序充電模型進(jìn)行分析，沒(méi)有結(jié)合V2G模型進(jìn)行分析。

鑒于此，本工作以電動(dòng)汽車用戶的放電截止電池容量和所需的插電時(shí)間為分類標(biāo)準(zhǔn)對(duì)其進(jìn)行更加詳細(xì)的群體劃分，更加準(zhǔn)確地模擬電動(dòng)汽車用戶的放電行為，進(jìn)一步優(yōu)化電動(dòng)汽車V2G 的充放電策略。再結(jié)合案例進(jìn)行分析，旨在評(píng)估該建模方法和優(yōu)化策略的經(jīng)濟(jì)效益和社會(huì)效益。

1 電動(dòng)汽車儲(chǔ)能V2G策略優(yōu)化框架

通過(guò)用車偏好的問(wèn)卷調(diào)查結(jié)果，根據(jù)不同私家車的用車習(xí)慣將私家車用戶分為Q個(gè)群體，并對(duì)各個(gè)群體的用車行為進(jìn)行建模，得到各個(gè)用戶群體的負(fù)荷特性曲線。當(dāng)需要調(diào)度時(shí)，結(jié)合負(fù)荷特性曲線和優(yōu)化模型，可求得完成指標(biāo)所需各類群體的數(shù)量，根據(jù)該數(shù)量分布向電動(dòng)汽車用戶傳達(dá)調(diào)度信息。

圖1 優(yōu)化框架Fig.1 Optimization framework

2 電動(dòng)汽車V2G充放電模型

電動(dòng)汽車的充電行為存在不確定性，各特征參數(shù)均呈現(xiàn)分布特性，故采用蒙特卡羅抽樣法建立了電動(dòng)汽車無(wú)序充電模型。建模過(guò)程中，僅考慮充電起始SOC(state of charge，剩余電量)、結(jié)束SOC和充電起始時(shí)刻的分布特性，其中充電起始SOC和結(jié)束SOC 均采用正態(tài)分布描述，采用概率描述分布充電起始時(shí)刻。

根據(jù)各類電動(dòng)汽車習(xí)慣和充電行為特征，假設(shè)有N輛電動(dòng)汽車，第n輛電動(dòng)汽車用戶的充電起始SOCn,begin服從期望μbegin，方差的正態(tài)分布[18]，充電結(jié)束SOCn,end服從期望μend，方差的正態(tài)分布，如式(1)和式(2)所示。

其中，tn,begin為第n輛車的充電起始時(shí)刻；tn,end為第n輛車的充電結(jié)束時(shí)刻；tn,length為第n輛車的充電時(shí)長(zhǎng)；C為鋰電池充電容量；Pcharge為充電功率；ηcharge為充電效率。

分時(shí)電價(jià)通常將一天分為峰時(shí)段、平時(shí)段和谷時(shí)段，在無(wú)序充電的基礎(chǔ)上，若電動(dòng)汽車在峰時(shí)段充電，認(rèn)為該電動(dòng)汽車具有參與有序充電的潛力，在該群體中隨機(jī)抽取一定比例的電動(dòng)汽車用戶參與有序充電，將其充電起始時(shí)刻由峰時(shí)段轉(zhuǎn)移至谷時(shí)段，得到每輛汽車的充電計(jì)劃并對(duì)每輛電動(dòng)汽車的充電負(fù)荷進(jìn)行求和得到有序充電總負(fù)荷。

第n輛電動(dòng)汽車的充電負(fù)荷如下:

其中，Qn,t為各時(shí)間段每輛電動(dòng)汽車的充電功率；Pn為每輛電動(dòng)汽車的充電負(fù)荷；fcharge為充電頻次，即一周充電的次數(shù)；T為時(shí)間序列[T1,T2, …,Tj]。

V2G是指電動(dòng)汽車與電網(wǎng)進(jìn)行雙向互動(dòng)，即電動(dòng)汽車既可以充電也可以放電。假設(shè)電動(dòng)汽車可在某個(gè)負(fù)荷高峰時(shí)段向電網(wǎng)放電，當(dāng)電動(dòng)汽車電量大于A時(shí)，可參與放電。放電截止容量為Soc,v2g。假設(shè)可放電時(shí)間段為Γ，首先判斷第n輛車是否滿足放電條件：當(dāng)?shù)趎輛車不在放電時(shí)段充電并且在可放電時(shí)間段內(nèi)電量大于A，即tn,end?Γ并且SOCend>A時(shí)認(rèn)為該車滿足放電條件，則滿足放電條件的第i輛電動(dòng)汽車可在Γ時(shí)間段內(nèi)進(jìn)行放電。假設(shè)電動(dòng)汽車放電功率為Punit,v2g，放電效率為ηv2g，則第i輛電動(dòng)汽車的放電時(shí)長(zhǎng)和放電結(jié)束時(shí)間如式(8)和式(9)所示：

其中，ti,v2g,length為第i輛車放電時(shí)長(zhǎng)；SOCi,end為第i輛車參與放電時(shí)的電量；ti,v2g,begin為第i輛車放電起始時(shí)刻；ti,v2g,end為第i輛車放電結(jié)束時(shí)刻。

第i輛電動(dòng)汽車Γ時(shí)段參與放電后于谷時(shí)進(jìn)行充電，使其充完電的電量與放電前電量保持一致，第i輛電動(dòng)汽車充放電模型如下：

其中，Qi,t,v2g為第i輛車各時(shí)間段的充放電功率；為放電后電動(dòng)汽車參與有序充電的充電時(shí)長(zhǎng)；為放電后電動(dòng)汽車參與有序充電的充電結(jié)束時(shí)刻；Pv2g為V2G 參與度為β時(shí)的充電負(fù)荷；P?為有序充電負(fù)荷；fv2g為電動(dòng)汽車用戶參與V2G的頻次，即一周參與V2G的次數(shù)。

3 車-網(wǎng)互動(dòng)調(diào)度優(yōu)化模型

文獻(xiàn)[19]使用來(lái)自全國(guó)偏好調(diào)查的數(shù)據(jù)，對(duì)V2G電動(dòng)汽車的潛在消費(fèi)者需求進(jìn)行了研究。并在選擇實(shí)驗(yàn)中，將“所需的插電時(shí)間”和“保證的最小行駛里程”作為偏好屬性對(duì)3029 名受訪者進(jìn)行了問(wèn)卷調(diào)查并將他們對(duì)于油車與V2G 電動(dòng)汽車的偏好進(jìn)行了比較?；诖藢?wèn)卷中電動(dòng)汽車用戶最小行駛里程的指標(biāo)換算成放電截止電池容量即電動(dòng)汽車用戶參與放電時(shí)能夠接受的最小放電截止容量，并將放電截止電池容量和所需的插電時(shí)間作為指標(biāo)對(duì)私家車用戶群進(jìn)行分類建模。假設(shè)某一私家車空閑時(shí)間為tfree，放電截止容量為Soc,v2g，放電起始容量為，放電起始時(shí)刻為tv2g,begin，放電起始時(shí)長(zhǎng)為tv2g,length，結(jié)合某電動(dòng)汽車APP 中的放電試點(diǎn)中的規(guī)定：放電上下限差值最小為30%，即參與V2G放電的用戶放電量不得小于30%。由第2章的V2G原始模型可知，該模型只對(duì)參與放電時(shí)間和參與放電時(shí)的電量進(jìn)行了約束，因此在該模型的基礎(chǔ)上增加對(duì)電動(dòng)汽車用戶空閑時(shí)間和截至放電時(shí)的電池容量的條件約束，如式(13)～(14)所示：當(dāng)電動(dòng)汽車空閑時(shí)間大于其放電至截止電池容量時(shí)所需放電的時(shí)間則按正常計(jì)劃進(jìn)行放電，當(dāng)電動(dòng)汽車空閑時(shí)間小于所需放電時(shí)間時(shí)并且在空閑時(shí)間內(nèi)放電上下限值大于30%，則僅在空閑時(shí)間放電，空閑時(shí)間結(jié)束時(shí)中止放電。

基于文獻(xiàn)[20]中所述的電動(dòng)汽車聚合商參與電動(dòng)汽車調(diào)度策略可知，汽車聚合商的收益的主要來(lái)源是電力公司根據(jù)電動(dòng)汽車聚合商對(duì)當(dāng)日調(diào)度計(jì)劃的執(zhí)行情況進(jìn)行的報(bào)酬與結(jié)算。為了達(dá)到目標(biāo)負(fù)荷的削峰效果并且同時(shí)降低電力公司的負(fù)荷調(diào)度成本，當(dāng)電動(dòng)汽車聚合商的出力大于調(diào)度目標(biāo)時(shí)則按照調(diào)度計(jì)劃結(jié)算，若聚合商出力小于調(diào)度目標(biāo)時(shí)則按照實(shí)際削減量結(jié)算，但若調(diào)度的偏差超過(guò)電力公司所允許的最大值λmax時(shí)，電力公司可以對(duì)電動(dòng)汽車聚合商進(jìn)行罰款，假設(shè)超出部分的罰款為λ，則電動(dòng)汽車聚合商的收入為：

其中，PV2G,t為t時(shí)刻電動(dòng)汽車參與V2G的總負(fù)荷，F(xiàn)punish為聚合商調(diào)度偏差超過(guò)電力公司允許最大值時(shí)需繳納的罰款，q為聚合商給予用戶的放電損耗，Pneed,t為當(dāng)日t時(shí)刻的調(diào)度計(jì)劃。

由于本工作聚合商收益模型的求解是非線性規(guī)劃問(wèn)題，因此采用粒子群算法對(duì)目標(biāo)函數(shù)進(jìn)行求解。首先導(dǎo)入已建立好的基本電動(dòng)汽車充放電模型，再基于提前設(shè)定的分類標(biāo)準(zhǔn)對(duì)導(dǎo)入的用戶數(shù)據(jù)進(jìn)行篩選和分類，并初始化粒子信息和參數(shù)，分別求出每個(gè)粒子的適應(yīng)度和個(gè)體最優(yōu)，通過(guò)對(duì)比個(gè)體最優(yōu)和全局最優(yōu)來(lái)更新全局最優(yōu)同時(shí)更新粒子的速度和位置，直至滿足進(jìn)化的最大次數(shù)，優(yōu)化模型求解流程如圖2所示。

圖2 粒子群優(yōu)化模型求解流程圖Fig.2 Flow chart of particle swarm optimization model solution

4 V2G節(jié)能減排效益評(píng)估模型

本工作使用的電動(dòng)汽車電耗折算方法采用GB/T37340—2019《電動(dòng)汽車耗能折算方法》中的CO2排放折算法，此方法通過(guò)與傳統(tǒng)燃油車燃料燃燒產(chǎn)生的CO2進(jìn)行換算，將電動(dòng)汽車消耗的電量轉(zhuǎn)化為發(fā)電階段產(chǎn)生的CO2排放量。具體換算方法如下：

式中，F(xiàn)CCO2為當(dāng)量燃油消耗量，L/100 km；E為車輛的電能消耗量，kWh/100 km；FCO2為CO2折算因子，L/kWh，由式(20)計(jì)算得到。

式中，TЕ為火電供電標(biāo)準(zhǔn)煤耗，kg/kWh，本工作取值為0.306；TC為燃料煤的CO2排放因子，即單位煤燃燒所產(chǎn)生的CO2排放量，kg/kg，取值為2.53；φ為火力發(fā)電比例，取值為70.19；TF為燃料的CO2排放因子，即單位燃料燃燒所產(chǎn)生的CO2排放量，汽油為2.38 kg/L；tM為燃料煤與標(biāo)準(zhǔn)煤的折標(biāo)系數(shù)，取值0.91；ich為充電效率，取值為90%；itr為線損率，即輸送和分配電能過(guò)程中損失的電量占供電量的百分比，取值為5.62%。將已知參數(shù)代入式(20)得到CO2折算因子為0.3。

5 算例分析

5.1 算例數(shù)據(jù)

本部分將電動(dòng)汽車用戶最小行駛里程的指標(biāo)換算成放電截止電池容量，得到20%、30%、40%三個(gè)偏好，對(duì)應(yīng)的放電截止電池容量需求分別是低、中、高，并將每天所需插電時(shí)間分為小于等于5 h和大于5 h，由此計(jì)算可得參與放電最小時(shí)間為3 h，即空閑時(shí)間較少的用戶參與放電時(shí)間為3～5 h，由此得到如表1所示的六類用戶群。

表1 用戶群偏好分類Table 1 User group preference classification

A 類電動(dòng)汽車用戶對(duì)放電截止容量需求較低，并且空閑時(shí)間較少，即當(dāng)其參與放電時(shí)，放電時(shí)長(zhǎng)超過(guò)3 h，便隨時(shí)可能中止放電，或者電量到達(dá)20%左右中止放電。B類電動(dòng)汽車用戶的空閑時(shí)間較多，對(duì)于放電時(shí)長(zhǎng)沒(méi)有要求，因此開(kāi)始放電后電量到達(dá)20%左右中止放電。由此類推，C、D、Е、F 類用戶相較于A 和B 類用戶對(duì)于放電截止容量需求更高。

5.2 不同偏好電動(dòng)汽車群體放電負(fù)荷特性

結(jié)合第2部分V2G放電模型和第3部分優(yōu)化模型對(duì)A～F 類電動(dòng)私人乘用車群體和公務(wù)乘用車進(jìn)行建模并用正態(tài)分布函數(shù)進(jìn)行擬合，得到單臺(tái)私人乘用車的放電負(fù)荷特性曲線如圖3所示，單臺(tái)公務(wù)乘用車的放電負(fù)荷特性曲線如圖4所示。

圖3 各類私人乘用車負(fù)荷特性曲線Fig.3 Load characteristic curves of all types of private passenger vehicles

圖4 各類公務(wù)乘用車負(fù)荷特性曲線Fig.4 Load characteristic curves of various official passenger vehicles

由A～F 類電動(dòng)汽車用戶群負(fù)荷特性曲線擬合可知A、C、Е 類放電時(shí)間較集中，并且最大放電功率較一致而其余類型用戶的負(fù)荷特性曲線較分散，相較于私人乘用車，公務(wù)乘用車負(fù)荷特性曲線較集中，并且私人乘用車和公務(wù)乘用車的F類負(fù)荷特性曲線相差較大，前者放電高峰位于15∶00，后者位于17∶00。

5.3 調(diào)度優(yōu)化結(jié)果

基于文獻(xiàn)[21-22]中多個(gè)聚合商的調(diào)度信息，設(shè)置六組調(diào)度目標(biāo)如表2所示，根據(jù)上節(jié)負(fù)荷特性曲線和函數(shù)模型可得到不同調(diào)度目標(biāo)下各類電動(dòng)汽車用戶群最優(yōu)數(shù)量分布如圖5所示。

表2 六組調(diào)度目標(biāo) (單位：MW)Table 2 Six scheduling objectives (unit: MW)

圖5 不同車型用戶群最優(yōu)數(shù)量分布Fig.5 Optimal quantity distribution of user groups of different vehicle types

根據(jù)圖5的用戶群最優(yōu)數(shù)量分布可知，不同的調(diào)度目標(biāo)下，對(duì)于各類用戶的需求不同，如在第一組調(diào)度目標(biāo)下，對(duì)Е類私人乘用車需求較大，調(diào)度時(shí)聚合商可將調(diào)度信息優(yōu)先發(fā)布給Е類用戶，根據(jù)Е類用戶的響應(yīng)情況進(jìn)行后續(xù)調(diào)度，如果Е類用戶響應(yīng)不足，則再將對(duì)D 類用戶進(jìn)行調(diào)度，由此類推，根據(jù)最優(yōu)數(shù)量分布進(jìn)行分層調(diào)度。

根據(jù)上圖的最優(yōu)數(shù)量分布可求得優(yōu)化前后聚合商收入進(jìn)行對(duì)比，如圖6所示。

圖6 優(yōu)化前后聚合商收入對(duì)比Fig.6 Comparison of aggregator revenue before and after optimization

由圖6可知，不論是私人乘用車參與調(diào)度還是公務(wù)乘用車參與調(diào)度，優(yōu)化后聚合商的收益均有明顯提高，根據(jù)圖中收益增加率曲線可知，私人乘用車參與優(yōu)化后聚合商收益率平均增加98%，公務(wù)乘用車參與優(yōu)化后聚合商收益率平均增加89%。為了進(jìn)一步研究?jī)煞N車型同時(shí)參與V2G調(diào)度優(yōu)化效果，求取私人乘用車和公務(wù)乘用車同時(shí)參與V2G 調(diào)度優(yōu)化的用戶群最優(yōu)數(shù)量分布，并求取優(yōu)化后的聚合商收益，將其與私人乘用車和公務(wù)乘用車單獨(dú)參與調(diào)度優(yōu)化的收益進(jìn)行對(duì)比如圖7所示。

圖7 組合優(yōu)化收益Fig.7 Combinatorial optimization income

由圖7可知，私人乘用車和公務(wù)乘用車同時(shí)參與優(yōu)化調(diào)度時(shí)聚合商收益最高，比私人乘用車和公務(wù)乘用車單獨(dú)參與優(yōu)化收益平均提高了11%，由此可得組合優(yōu)化后的聚合商收益最高，即經(jīng)濟(jì)效益最好。

5.4 V2G節(jié)能減排效果評(píng)估

結(jié)合前一節(jié)各類電動(dòng)汽車用戶群最優(yōu)數(shù)量分布數(shù)據(jù)和第4 部分中電動(dòng)汽車耗電量數(shù)據(jù)并根據(jù)式(19)、(20)對(duì)比計(jì)算優(yōu)化前后電動(dòng)汽車的日碳排放量，得到圖8所示減排潛力預(yù)測(cè)。由預(yù)測(cè)結(jié)果可知，優(yōu)化后，私人乘用車平均節(jié)能減排率均為20%，公務(wù)乘用車平均節(jié)能減排率均為22%，組合優(yōu)化后平均節(jié)能減排率達(dá)到27%，由此可見(jiàn)，組合優(yōu)化后的社會(huì)效益最好。

圖8 電動(dòng)汽車節(jié)能減排結(jié)果分析Fig.8 Analysis of energy saving and emission reduction results of electric vehicles

6 結(jié) 論

本工作基于電動(dòng)汽車用戶的不同偏好建立了V2G充放電模型，并以聚合商收入為目標(biāo)優(yōu)化了調(diào)度策略，并以私人乘用車和公務(wù)乘用車為案例計(jì)算了優(yōu)化后的經(jīng)濟(jì)效益和社會(huì)效益，得到如下結(jié)論：

首先，本工作提出的基于用戶放電行為特征建立電動(dòng)汽車儲(chǔ)能V2G 模型的方法可以進(jìn)一步提高電動(dòng)汽車放電建模的精確性，可以用于不同偏好的電動(dòng)汽車用戶參與V2G時(shí)的放電行為特征建模。

其次，本工作通過(guò)對(duì)比不同車型的優(yōu)化效果得到不同車型之間的組合優(yōu)化比單一車型優(yōu)化效果更好，可為V2G 參與電力市場(chǎng)以及車網(wǎng)互動(dòng)方案的制定提供參考。

最后，通過(guò)對(duì)優(yōu)化后聚合商收入的計(jì)算和節(jié)能減排效果評(píng)估，得到優(yōu)化后策略的經(jīng)濟(jì)效益和社會(huì)效益都有所提高，表明了本工作所提的優(yōu)化策略的有效性并且對(duì)聚合商參與V2G市場(chǎng)具有促進(jìn)作用。

未來(lái)的研究方向?qū)@多維度分析電動(dòng)汽車充放電行為，通過(guò)調(diào)研獲取車輛側(cè)和充電設(shè)施側(cè)數(shù)據(jù)，提取各類電動(dòng)汽車放電行為特征，準(zhǔn)確建立各類電動(dòng)汽車放電負(fù)荷模型并與當(dāng)前模型進(jìn)行誤差分析。