基于虛擬電價的電動汽車充放電優化調度及其實現機制研究

楊曉東　張有兵　翁國慶　趙　波　高　翔

(1.浙江工業大學信息工程學院　杭州　310023 2.國網浙江省電力公司電力科學研究院　杭州　310014 3.國網浙江省電力公司麗水供電公司　麗水　323000)

?

基于虛擬電價的電動汽車充放電優化調度及其實現機制研究

楊曉東1張有兵1翁國慶1趙波2高翔3

(1.浙江工業大學信息工程學院杭州310023 2.國網浙江省電力公司電力科學研究院杭州310014 3.國網浙江省電力公司麗水供電公司麗水323000)

提出了基于虛擬電價理論的電動汽車(EV)充放電優化調度思想，構建了以削峰填谷為目的、兼顧配電系統負荷信息與用戶電能損失費用及電池損耗成本的EV充放電優化調度和實現機制模型。在所建的模型中，通過虛擬電價將充放電功率與系統負荷信息相關聯，并研究了根據虛擬花費最小進行EV充放電優化的功率調節方法。在此基礎上，綜合小波分析和模糊聚類確立了用于EV充放電的動態分時電價機制，以保障調度策略的可實施性。最后，以某小區充電設施集群為例對5種優化模式進行了仿真分析，算例結果說明了所述模型的基本特征。

電動汽車虛擬電價削峰填谷充放電優化功率可調實現機制

0　引言

化石燃料的儲備不足及全球氣候變暖被日益關注，環境觀念的提升使人們強烈要求在交通方面減少石油消耗。這種契機下，因具有良好的節能和低排放潛力，電動汽車(Electric Vehicle，EV)得到廣泛的發展[1-3]。

負荷峰谷差是電力系統運行的一項重要、安全、經濟指標，峰谷差的加劇，會帶來電網設備利用效率降低、供電側購電風險增加等不良后果[4]。為推進高峰負荷轉移、緩解電力供應緊張的局面，2012年國家財政部和發改委批復開展首批需求側管理試點工作[5]。

交通系統的電氣化使車輛的能量需求從化石燃料逐漸轉移至電力系統，這將對電網產生重大影響。到2025年，全球年出售的電動汽車規模滲透率將達10%[6]，大量電動汽車隨機接入電網進行無序充電，會進一步加劇系統負荷峰谷差，對配電網的運行狀態帶來負面影響[7-9]。

合理控制接入配電網的電動汽車充放電，可以降低大規模電動汽車充電對電網造成的影響。目前，國內外針對電動汽車有序充放電的研究成果已有很多。文獻[10]以削減負荷峰值為目標，對電動汽車進行有序充電控制。文獻[11]考慮電動汽車入網(Vehicle to Grid，V2G)服務，提出采用虛擬電價-動態規劃方法(virtual Time-of-Use tariffs Dynamic Programming，vTOU-DP)優化特定變壓器容量約束下的電動汽車充放電功率，具有優越的削峰填谷作用。文獻[12]建立了以降低負荷峰值和平滑負荷波動為目標的電動汽車有序充放電模型，可以有效地轉移高峰負荷，對電力系統的規劃管理及對EV用戶的激勵政策制定有一定的參考價值。文獻[13]考慮變壓器容量、負荷峰谷差和節點電壓穩定情況等配電網約束進行電動汽車的有序充電控制，可以在現有配電網條件下接入盡可能多的電動汽車。文獻[14]提出通過兩階段優化方法對電動汽車進行充放電控制，分別用于減少充放電代理商的運營費用和降低負荷波動。該類方法往往僅以實施方的角度進行直接負荷控制，旨在滿足實施方需求，缺乏對用戶的考慮，難以得到用戶的認可和實際應用。

隨著市場經濟及需求側管理[15，16]的深入發展，為吸引用戶參與充放電優化，如何協調供需兩側的利益，制定充放電策略成了新的研究熱點。文獻[17]以減小電網峰谷差為主要目標設計了基于分時電價的電動汽車充電策略，但易造成過響應現象。文獻[18]提出基于動態分時電價的有序充電策略，實現了充電負荷削峰填谷，降低了用戶充電成本。文獻[19]基于對策論提出一種針對電動汽車充電的需求響應策略，可以在降低用戶充電費用的同時實現系統優化用電。但文獻[17-19]均未考慮V2G的作用。文獻[20]引入分層分區調度理念，構建了基于雙層規劃的電動汽車兩層智能充放電模型，實現了運營商、電網和用戶三者之間利益的有機協調。文獻[21]以用電成本最小為目標建立了分散式電動汽車充放電博弈模型，提高了用電經濟性，并改善了系統負荷特性。上述研究往往以額定功率實施充電或充放電控制，缺少對充放電功率進行連續調節的考慮，在優化深度上還存在發展與完善的空間。文獻[22]以公共虛擬電價信號和充電迫切程度為依據提出單輛車充放電功率的自動調整方法，并據此側重研究了電動汽車的平抑風電出力波動以及調頻作用，其并未著眼于穩定網供功率、發揮車輛集群的削峰填谷作用。

在上述背景下，本文以削峰填谷為目的，面向局域配電網對電動汽車充放電優化調度方法及其實現機制進行了研究?；谔摂M電價理論建立了以充放電功率為優化變量的優化調度模型；綜合小波分析和模糊聚類確定了用于電動汽車充放電的動態分時電價機制，從而提供一種吸引車主的激勵措施，保障調度策略的可實施性。以某小區充電設施集群為例的仿真結果證明了所提方法的有效性和可行性。

1　電動汽車充放電調度架構及調度流程

1.1優化調度架構

本研究面向局域配電網建立基于虛擬電價的電動汽車充放電優化調度模型(virtual Time-of-use tariffs based Optimal Scheduling considering Continuously Adjustable Power，CA-vTOS)，其調度架構如圖1所示。

圖1　優化調度架構Fig.1　Architecture of optimal scheduling method

電能公共服務平臺的功能描述：該局域配電網內，公共服務平臺收集變壓器B端的負荷信息，一方面，用于向該區域內的充放電設施發布實時負荷信息；另一方面，接收各充放電設施的計劃負荷予以整合，以便實時更新負荷信息。

1.2電動汽車充放電優化調度實現流程

以虛擬電價理論為媒介研究了關聯系統負荷水平的電動汽車充放電功率動態和連續調整方法，并配套發展了保障調度實現的動態分時電價機制，優化調度及實現流程如圖2所示。

圖2　優化調度流程圖Fig.2　Flow chart of the proposed CA-vTOS

結合圖2，當有新的電動汽車接入該配電網時，充放電設施按以下步驟進行電動汽車充放電的調度及實現。

1)獲取電動汽車充電相關信息：讀取接入時間、電池初始荷電狀態(State of Charge，SOC)。需要車主告知預期離開時間以及離開時的期望SOC。

2)制定充放電計劃并確定用戶成本：根據車輛充電相關信息，以當前負荷水平為基礎，基于虛擬電價理論制定滿足優化調度模型的車輛充放電計劃。結合充放電計劃與發展的動態分時電價機制確定用戶成本。

3)用戶自主響應充電模式：將充放電計劃及具體收益情況告知用戶，由用戶自主響應充電模式，選擇響應調度計劃或開始無序充電，充放電設施根據用戶選擇對電動汽車實施具體充放電操作。

通過以虛擬電價為理論依據的優化調度發揮電動汽車的負荷轉移潛力，能夠實現系統的優化用電，同時采用所發展的電價機制，激勵用戶參與調度，為所建模型提供一種實現機制，有利于實現電力供需和用戶經濟效益的雙向均衡。

2　虛擬電價理論與動態分時電價機制

2.1虛擬電價理論

大規模電動汽車接入電網進行無序充電是一種不合理的用電方式，為緩解高峰負荷需求壓力，分時電價理論得到了實際應用，對應地，基于分時電價的電動汽車充放電優化方法可以在有限條件下有效轉移高峰負荷[14，17]。然而，文獻[23]指出我國電力交易仍以計劃性機制為主，導致電價形成機制不完善，制約了電力資源利用效率的提高。由國務院發布的關于深化電力體制改革的意見[24]中指出，在市場化電價機制尚未完全開放的情況下，現有電價機制往往難以反映市場供需狀況。因此，以現有靜態分時電價理論為依據開展電動汽車的優化調度，可能會導致期望外的、新的負荷高峰出現，與優化初衷相悖。

針對上述問題，為充分挖掘電動汽車集群負荷的削峰填谷潛力，同時避免出現峰谷倒置等不良后果，本文借鑒靜態分時電價理論對電動汽車集群負荷的引導作用，發展了虛擬電價相關理論，以虛擬電價為手段間接反映負荷水平。

相對于靜態分時電價，虛擬電價的一個顯著特點是動態更新，能夠實時反映供需關系。除此之外，虛擬電價不受現存電力體制的限制，擺脫了我國電價體制改革步伐緩慢的約束。虛擬電價在模型中僅作為制定車輛充放電計劃的依據指標，用以確定每輛車的最佳充放電計劃，并不用于計算實際成本。

為方便起見，將連續的時間進行離散化處理，將一天均分為J個時段，每個時段時長為Δt。虛擬電價和負荷信息的關系為

(1)

(2)

(3)

由式(1)、式(2)可得

(4)

可見，總體上虛擬電價與當前負荷水平呈正相關性，是關聯電動汽車交互功率與負荷水平的媒介。其次，虛擬電價不局限于數值的大小，僅需滿足價格序關系即可便捷地設定，價格序關系指滿足前已述及的虛擬電價與負荷水平的正相關性，即較大的負荷值需相應設定較大的虛擬價格。此外，虛擬電價是針對單輛電動汽車單獨設定的，各車輛均享有其私有的虛擬電價，方便精細化實施電動汽車充放電調度。

2.2保障調度實現的動態分時電價機制

虛擬電價可以在一定程度上實時、定量地反映負荷水平，為調度車輛動力電池功率實施削峰填谷提供一種依據。但是，需要說明的是，虛擬電價和實際電價可能并不處于同一金額比例，因而不適用于用戶成本的計算。市場經濟下，電力用戶也是獨立的經濟體，為了使優化得到的調度策略被電動汽車用戶所接受，還需要一種吸引車主的激勵措施，以支撐所述模型的實際可實施性。

電動汽車參與V2G服務會給鋰電池帶來額外的壽命損耗成本，同時會造成更多的電能損失，固定電價無法補償用戶的損失。而用于電動汽車充放電的靜態峰谷電價，難以反映市場供需狀況，當接入電動汽車規模較大時，對于負荷曲線平滑后接入的電動汽車而言，在優化目標的作用下，可能不會在基本負荷谷時段充電、基本負荷峰時段放電，此時，用戶的收益將無法保證。

為匹配優化得到的充放電功率、給予所有參與調度的用戶一定的利益反饋，保障調度的真正實現，本文提出用于電動汽車充放電的動態分時電價機制。這里，動態分時電價指高峰、低谷電價固定，峰谷時段變化的電價機制，表示為pril(k)， 其中，高峰電價為prih， 低谷電價為pril， 動態匹配虛擬電價，與車輛l一一對應，隨車輛入網過程實時更新。期望以該機制，使用戶在電動汽車放電的階段享受高峰電價，在充電功率較大階段享受低谷電價，從而降低充放電成本。據此，依據虛擬電價理論確定車輛充放電計劃，實現系統的優化用電，而動態分時電價機制用于結算用戶成本，保障用戶利益，為調度模型提供一種實現機制。

同虛擬電價，實現機制以配電網當前負荷信息為基礎，在電動汽車接入時間內，利用小波分析和模糊聚類方法對用于電動汽車充放電的分時電價進行峰谷時段劃分：

1)預處理：用小波分析進行預處理，將負荷信息進行尺度為3的小波分解，將一、二層的高頻分量置零，重構后得到新的負荷信息，以避免負荷信息中局部突變數據對模糊聚類分析的不良影響。

2)時段劃分：針對預處理后的負荷信息，利用模糊聚類方法[25]進行動態分時電價的峰谷時段劃分。

3　基于虛擬電價的電動汽車充放電優化調度模型

3.1調度架構中主要單元建模分析

1)V2G模式的電動汽車充放電功率模型。

Xl=[Tin,l,Tout,l,S0,l,SE,l,Cs,l,Pc,l,Pd,l]

(5)

式中，Tin,l、Tout,l分別為車輛l接入電網的時間和預期離開電網的時間；S0,l、SE,l分別為車輛動力電池的起始SOC和離開電網時的期望SOC，SOC為電池剩余能量與電池容量的比值，因此有0≤S0,l≤1、 0≤SE,l≤1；Cs,l為電池容量；Pc,l、Pd,l分別為額定充、放電功率。

設車輛l接入電網的持續時間為Tpe,l=Tout,l-Tin,l， Tpe,l所包含的時段集合(各元素按時段號大小升序存放)設為Tm,l， 并設其長度為Nl。 為表示各時段對車輛電池的可操作性，引入變量

(6)

V2G模式下，任一k時段，電動汽車與配電網的功率交換用pl(k)表示，pl(k)>0表示車輛l處于充電狀態；pl(k)<0表示處于放電狀態；pl(k)=0表示處于浮充狀態。則在Tpe,l時期，車輛的實際充放電功率為

Pl(k)=pl(k)fm,l(k)

(7)

式中，Pl(k)為優化變量，具備連續可調的特性，通常還要受到動力電池或充電機的額定充、放電功率的限制，滿足約束

-Pd,l≤Pl(k)≤Pc,l

(8)

當整個研究時段的充放電狀態及對應的交換功率優化完成后，充放電計劃即制定完成，車輛l的充放電計劃由式(9)表示。

(9)

(10)

式中，Ml-1為車輛l接入電網時，充放電計劃制定已完成的車輛集合。

2)動力鋰電池模型。

優化變量Pl(k)最終轉換成能量映射到動力電池的荷電狀態上，從而有條件考量是否滿足用戶充電需求并完成能量計費等相關工作。

電動汽車的眾多動力電池種類中，鋰電池因性能優良，獲得了飛速的發展[26]。本文假設參與調度的電動汽車動力電池均為鋰電池。根據鋰電池的充放電相關特性[27，28]，為簡化起見，在單個時段內，鋰電可視為是恒功率充放電。忽略鋰電池的自放電率，其荷電狀態和對應的充放電時間近似呈線性關系

(11)

式中，Sl(k-1)、Sl(k)分別為電動汽車l在第k-1、k個時段的荷電狀態；η(Pl(k))為功率交換效率，與功率交換方向有關。

(12)

式中，ηc、ηd分別為充、放電效率。

3)V2G模式下電動汽車用戶成本分析。

V2G模式下，電動汽車用戶的成本由3個部分組成，如式(13)所示。

(13)

(14)

電動汽車因參與V2G服務而進行頻繁的充放電會影響鋰電池的使用壽命[27，29]，對鋰電池造成的壽命損耗折算成本建模為

(15)

(16)

(17)

式中，φd,l為每單位(kW·h)放電量造成的電池退化成本；cb為每單位電池容量的購置成本；cL為電池置換費用；Bcl為在某一放電深度(DepthofDischarge，DOD)下的電池循環次數；Edis,l為計算時間長度內電池的總放電量；εf為損耗成本系數。

由于充、放電效率的存在，電動汽車與電網進行功率交互時，會造成一定的電能損失。電能損失各組成部分的物理含義及關系示意如圖3所示。圖中Smax、Smin為保障電池的壽命而設定，分別表示允許的動力電池荷電狀態的最大值和最小值。

圖3　電能損失的物理含義示意Fig.3　The meaning schematic of energy loss

對于?l∈N， 設Einj,l表示其在計算時間長度內注入電網的總電量，Eabso,l表示從電網吸收的總電量，Eexp,l表示車主的總充電量需求。根據式(12)所示的車輛功率交換效率，向電網注入Einj,l的電量，需要動力電池放出Einj,l/ηd的電量，即Edis,l=Einj,l/ηd； 結合車主的充電量需求，優化期間車輛l動力電池需充入的總電量為Eexp,l+Edis,l， 同樣地，計及功率交換效率后有：Eabso,l=(Eexp,l+Edis,l)/ηc； 進一步，電網端實際供給的電量Eadd,l=Eabso,l-Einj,l。

電網端實際供給的電量與車主的需求電量(即車輛離開時電池增加的電量)之差為電能損失，綜合圖3及上述分析，電能損失量Eloss,l具體表示為

Eloss,l=Eabso,l-Einj,l-Eexp,l

(18)

從各時段能量流動角度分析，可進一步將電能損失分為充電損失量和放電損失量。結合圖3，任意時段，能量流動方向僅為①→②、③→④和無流動中一種，于是，Eloss,l又可表示為

(19)

展開式(19)，結果與式(18)一致。對應于能量流動狀態，對于?k∈Tm,l， 其電能損失量eloss,l(k)僅為充電損失量和放電損失量中的一種，并且可通過該時段功率計算得到。因此，電能損失費用為

(20)

3.2優化調度模型

根據車輛的相關參數，期望通過所發展的優化調度模型在滿足用戶充電需求及變壓器限制的條件下，實現電動汽車負荷的削峰填谷。以最小化虛擬充放電成本為目標來優化電動汽車的充放電功率，構建模型為

(21)

s.t.Smin≤Sl(k)≤Smax

(22)

(23)

(24)

Tpe,l>Tc,l，l=1,2,…,n

(25)

式中，Vl為車輛l的虛擬充放電成本；κT為變壓器效率；AT為變壓器的額定容量；Tc,l為充電至期望電量水平所需的最短時間。

(26)

過充電和過放電都會嚴重縮短鋰電池的壽命，因此，式(22)將受控車輛k時段的荷電狀態Sl(k)限定在一定范圍內。式(23)表示充電需求約束，車輛如約離開時，其電池的荷電狀態需滿足期望。式(24)表示變壓器最大負載約束，即全天各個時段的總負荷不大于變壓器的最大負載，以確保配電系統的安全可靠運行。式(25)為時間關系約束，表示只有當車輛接入電網的持續時間大于充電至期望電量水平所需的最短時間時，車輛才能參與到充放電調度中。

電能具有商品屬性，其在被車輛集群消費的過程中，接受優化模型的能量調度，除了要實現削峰填谷作用，還要響應國家能源高效利用的號召，減少電能損失；同時，需保障用戶收益，確保調度模型的實現。因此，本文以V2G模式下電動汽車用戶成本、電能損失量作為指標評價調度結果的相關性能。

4　算例分析

4.1算例參數

以一處于居民區的充電設施集群為例驗證本文所提電動汽車充放電優化調度及實現機制的有效性。接入變壓器容量為750kV·A，效率為0.95。該變壓器下帶有基本負荷和電動汽車集群負荷，最高基線負荷占配電變壓器最大負載的80%。根據該居民區基本負荷信息的特征，為了盡可能使虛擬電價與居民區峰谷電價處于同一金額比例，設φ0為-0.21；priR,1、 priR,2分別取低谷電價和高峰電價；φR,1取低谷負荷均值405.1019、φR,2取高峰、低谷負荷均值之差75.7441。

實際上，目標區域內電動汽車集群的充電行為特征具有一定的概率特性。根據北京市交通出行實地調研結果[18，30]，設電動汽車用戶早上離開住所時間點服從正態分布(期望值為7∶45，標準差為1h)；下午回到住所的時間點服從正態分布(期望值為19∶00，標準差為1.5h)；回到住所時，車輛動力電池荷電狀態服從正態分布(期望值為0.6，標準差為0.1)，并設電動汽車的充放電起止時間、起始SOC等參數相互獨立。

4.2比較項設置

為了更好地說明基于虛擬電價的充放電優化調度方法的控制效果，本文同時仿真計算以下4種控制模式，與所提調度方法作對比：

1)無序充電模式，充電設施為接入的電動汽車提供持續的恒功率充電服務，直到用戶離開為止，如果在此之前電動汽車電池已經充滿，則停止充電。

2)OC-TOU(Optimal Control based on the TOU)，固定分時電價下，以最小化用戶成本為目標、功率連續可調的充放電優化模式。采用前文所述模糊聚類方法對基本負荷進行時段劃分，所得結果為0∶00～8∶00為電價低谷時段，8∶00～0∶00為電價高峰時段。

3)CP-vTOS(virtual Time-of-use tariffs based Optimal Scheduling considering Constant Power)，動態分時電價下，恒功率有序充放電優化模式(僅額定功率)，即Pl(k)∈[-Pd,l,0,Pc,l]。

4)僅充電優化調度模式，動態分時電價下，不考慮V2G，僅進行功率連續可調的有序充電優化，此時，有0≤Pl(k)≤Pc,l。

4.3仿真結果及分析

基于蒙特卡洛仿真方法模擬電動汽車的充電行為，根據前文所述的電動汽車日充電需求數據分布情況，隨機抽取車輛初始SOC、充電起止時間，根據本文提出的優化模型，用Matlab和lingo進行建模、求解，并就以上5種優化模式下的用戶充電經濟性和負荷曲線進行計算和比較。采用蒙特卡洛仿真方法的模擬結果表明，600次后車輛集群負荷平均值基本保持不變，為平衡計算時間和計算精度，確定仿真次數為600次。疊加基本負荷和電動汽車集群負荷得到日總負荷曲線，如圖4所示。進一步的統計信息見表1。

圖4　無序和有序優化模式下的負荷曲線Fig.4　Load curves under uncoordinated and coordinated optimization methods表1　無序與有序優化效果統計信息Tab.1　Results of uncoordinated and coordinated optimization methods

模式峰谷差/kW負荷波動標準差/kW是否越限車均充放電成本/(元/車次)基本負荷228.7872.50否—無序446.66134.17是29.61OC-TOU472.47145.25否-2.49CP-vTOS50.5013.59否28.05CA-vTOS35.0811.17否12.59僅充電110.2028.76否9.78

無序充電模式下，大量電動汽車集中在負荷晚高峰時段充電，進一步加劇了系統峰谷差，最大負荷超過變壓器容量限制的10.55%，影響到配電網的安全可靠運行。在OC-TOU優化模式中，車輛僅單純地傾向于在電價高峰時放電，低谷時充電，對系統負荷起到良好的轉移作用，但是，從圖4中可以看出，該模式已導致配電網負荷出現“峰谷顛倒”現象，新產生的負荷峰值已經高于基本負荷的峰荷，且負荷波動標準差也超過基本負荷。在CP-vTOS、CA-vTOS充放電優化模式中，車輛在虛擬電價高峰時放電，低谷時充電，對系統負荷起到削峰填谷作用，相比于無序充電，峰谷差、負荷波動率均有所降低。由于CA-vTOS充放電優化模式可以靈活地調節充放電功率，因此在改善負荷波動方面具有更大的優勢。僅充電優化模式中，因為不考慮V2G服務，電動汽車集群負荷無法削峰，但具有較好的填谷能力。

為觀察具體單用戶的收益情況，隨機模擬一次電動汽車集群的充電行為，無序與CA-vTOS充放電優化模式下的各電動汽車用戶總成本對比如圖5所示。

圖5　無序與CA-vTOS優化模式下的用戶總成本對比Fig.5　Comparison of customer cost under uncoordinated and CA-vTOS methods

仿真結果表明，經CA-vTOS優化后的各用戶總成本均低于無序充電，確保了所有用戶均有收益。此外，仿真過程中發現，在第20輛車以后，負荷曲線已明顯平滑，且電網側付諸的激勵費用會相應降低，這符合電網側期望。

從表1中的車均充放電成本情況來看，相較于無序充電，其余4種優化模式對用戶側的車均充放電成本也均有所改善。進一步，5種控制模式下，電動汽車集群的電能損失量以及電能損失費用、電池損耗折算成本等的對比如圖6所示。

圖6　5種控制模式的電能損失、電池損耗折算成本對比Fig.6　Comparison of energy loss cost and battery degradation cost under five control methods

結合圖4、圖6和表1，OC-TOU模式的收益最優，但其造成的電能損失量較大，違背了節能的消費理念，且其優化后的負荷曲線各參數均不理想，不利于配電網的安全、可靠運行。CP-vTOS、CA-vTOS兩種模式下，負荷曲線相近，但CP-vTOS造成的電能損失量較大，對電池的損耗較大，難以得到用戶的認可。僅充電模式在電能損失量及電池損耗方面均優于CA-vTOS充放電模式，在用戶側車均充放電成本方面較CA-vTOS模式降低了22.32%，但經過僅充電模式優化后的負荷峰谷差和波動標準差仍較大。

綜上，CA-vTOS模式雖然有優越的削峰填谷效果，但用戶成本并非最優，因此，用戶需要根據激勵水平及自身消費心理考慮是否參與V2G服務；另一方面，配電網需要根據削峰填谷的迫切程度、用戶響應度對利益反饋力度進行不同強度的管控。

4.4靈敏度分析

1)電動汽車集群規模對優化結果的影響。

圖7為不同電動汽車集群規模下，無序和CA-vTOS模式優化后的負荷曲線對比。表2列出了不同規模下，CA-vTOS模式的負荷曲線統計信息。

圖7　不同電動汽車規模下的負荷曲線對比Fig.7　Load curves with different scales of EVs表2　不同規模下CA-vTOS模式的統計信息Tab.2　Results of CA-vTOS method with different scales of EVs

電動汽車規模/輛充電能量滲透率(%)負荷波動標準差/kW負荷峰值/kW優化降低的負荷峰值比例(%)305.975.43501.3329.30508.9111.24511.8835.017011.6318.22532.0338.47

隨著充電能量滲透率的增大，負荷波動標準差會增大，說明接入的電動汽車規模較大，已超過該配電網的最佳接入規模，但在車輛的主要停放時段(16∶00～次日8∶00)，優化后的負荷曲線依然很平滑，并不會出現“峰谷顛倒”現象，突出了所提優化方法的優越性。

2)魯棒性(基本負荷預測誤差對結果的影響)。

目前，尚沒有出現一種方法能準確地預測未來一段時間的基本負荷值，實際負荷總與預測負荷有一定的不確定出入。因此，該部分討論基本負荷的預測誤差對優化結果的影響。不同預測誤差下的配電網總負荷曲線如圖8所示。圖8中，基本負荷由預測所得，具體預測方法不在本文研究范圍內，本文假設基本負荷值可通過歷史負荷數據和天氣狀況預測得到，并設相對預測誤差服從[-δ, δ]的均勻分布，則3種特定預測誤差下的實際基本負荷可由基本負荷預測值疊加對應預測誤差負荷得到。

圖8　不同基本負荷預測誤差下的負荷曲線Fig.8　Load curves with different levels of base load prediction errors

仿真結果表明，即使在預測誤差為7%的情況下，削峰填谷效果也非?？捎^。進一步，3條總負荷曲線的波動標準差分別為11.60、14.18和17.82，對比基本負荷的波動標準差72.50，可以得到結論：基本負荷的預測誤差對CA-vTOS模式的優化結果影響不明顯。

3)用戶響應優化調度的概率對結果的影響。

用戶選擇響應何種充電模式，還受到用戶行為習慣及消費心理的影響，本節采用隨機的方式描述用戶的響應行為，討論用戶響應調度概率對結果的影響，仿真結果如圖9所示。

圖9　用戶響應優化調度的概率對車均充放電成本 和負荷波動標準差的影響Fig.9　Effects of customer response probability in CA-vTOS on average cost per EV and standard deviation

圖9顯示，用戶響應調度的概率越大，用戶的車均充放電成本越低，同時削峰填谷效果越顯著，實現用戶與配電系統的共贏，其主要原因是響應資源的增多，可以使更多的峰時段負荷被消減，并移動至夜間負荷低谷時段，從而進一步降低車均充電成本、平抑系統負荷波動。因此，調度模型的執行效果需要更多地關注用戶的響應能力和響應意愿的不確定性。

4)峰谷電價對結果的影響。

在高峰電價確定的前提下，針對CA-vTOS優化模式就不同峰谷電價比例對仿真結果的影響進行研究，結果如圖10所示。

圖10　峰谷電價比例對結果的影響Fig.10　Effects of peak/valley price ratio on simulation results

從結果可以看出，峰谷電價比例不會影響負荷波動率，但隨著峰谷電價比例的增加，車均成本降低，用戶將更有意愿響應充放電調度，另一方面，也意味著供電側的激勵成本將增加。此外，峰谷電價比例的增加會使電池損耗等隱性成本占總成本的比例上升，更加凸顯電動汽車集群削峰潛力的挖掘需求與電池技術水平的矛盾。實際操作中，需要綜合考慮用戶的響應度及電力缺口情況確定合理的電價比例。

5　結論

本文面向局域配電網中常規充電的電動汽車，構建了以削峰填谷為目的、兼顧配電系統負荷信息與用戶電能損失費用及電池損耗成本的電動汽車充放電優化調度和實現機制模型。通過仿真分析，得出結論如下。

1)采用所提優化方法，能夠在滿足用戶充電需求及配電變壓器容量限制的基礎上，實現電動汽車集群負荷的削峰填谷，并降低用戶的充放電成本，易于被電動汽車用戶接受。

2)采用所提優化方法，在電動汽車集群規模較大時仍可在連接電網時段平滑負荷曲線，避免出現峰谷奇異現象，且此時電網側付諸的激勵費用會相應降低，符合電網側期望。

3)文中針對5種模式對用戶各部分成本進行了詳細分析，相比于所列的對比優化模式，功率連續可調的充放電優化模式具有優越的削峰填谷能力，總體性能較好，且具有良好的魯棒性。但是，在目前動力電池技術水平尚未取得關鍵突破的情況下，電動汽車參與V2G服務的放電成本在總成本中仍占據較大份額，V2G效用的發揮亟需電池技術的發展。

4)在具體實施動態分時電價機制的過程中，需要綜合考慮用戶的消費心理、外界因素在執行過程中對用戶響應意愿性的影響及實時電力缺口情況來動態調整峰谷電價，提高用戶與供電側的共贏程度。

[1]Cheng Lin，Chang Yao，Wu Qiang，et al.Evaluating charging service reliability for plug-in EVs from the distribution network aspect[J].IEEE Transactions on Sustainable Energy，2014，5(4)：1287-1296.

[2]Yao Weifeng，Zhao Junhua，Wen Fushuan，et al.A hierarchical decomposition approach for coordinated dispatch of plug-in electric vehicles[J].IEEE Transactions on Power Systems，2013，28(3)：2768-2778.

[3]Sexauer J M，Mcbee K D，Bloch K A.Applications of probability model to analyze the effects of electric vehicle chargers on distribution transformers[J].IEEE Transactions on Power Systems，2013，28(2)：847-854.

[4]王錫凡，邵成成，王秀麗，等.電動汽車充電負荷與調度控制策略綜述[J].中國電機工程學報，2013，33(1)：1-10.

Wang Xifan，Shao Chengcheng，Wang Xiuli，et al.Survey of electric vehicle charging load and dispatch control strategies[J].Proceedings of the CSEE，2013，33(1)：1-10.

[5]財政部.關于公布電力需求側管理城市綜合試點工作首批試點城市名單的通知[EB/OL].[2012-11-01].http：//jjs.mof.gov.cn/zhengwuxinxi/tongzhigon ggao/201211/t20121101_691456.html.

[6]Raslavicius L，Azzopardi B，Kersys A，et al.Electric vehicles challenges and opportunities：Lithuanian review[J].Renewable and Sustainable Energy Reviews.2015，42：786-800.

[7]Qi Wei，Xu Zhiwei，Shen Z J M，et al.Hierarchical coordinated control of plug-in electric vehicles charging in multifamily dwellings[J].IEEE Transactions on Smart Grid，2014，5(3)：1465-1474.

[8]Leou R C，Su C L，Lu C N.Stochastic analyses of electric vehicle charging impacts on distribution network[J].IEEE Transactions on Power Systems，2014，29(3)：1055-1063.

[9]譚小波，趙海，彭海霞，等.電動汽車準實時協同充放電策略[J].電工技術學報，2015，30(13)：70-76.

Tan Xiaobo，Zhao Hai，Peng Haixia，et al.Quasi-real-time coordinated charging/discharging policy for electric vehicles[J].Transactions of China Electrotechnical Society，2015，30(13)：70-76.

[10]Leemput N，Geth F，Claessens B，et al.A case study of coordinated electric vehicle charging for peak shaving on a low voltage grid[C]//3rd IEEE PES Innovative Smart Grid Technologies Europe，Berlin，Germany，2012：1-7.

[11]Geng B，Mills J K，Sun D.Coordinated charging control of plug-in electric vehicles at a distribution transformer level using the vTOU-DP approach[C]//IEEE Vehicle Power and Propulsion Conference，Seoul，Korea，2012：1469-1474.

[12]Luo Zhuowei，Hu Zechun，Song Yonghua，et al.Optimal coordination of plug-In electric vehicles in power grids with cost-benefit analysis，part Ⅰ：enabling techniques[J].IEEE Transactions on Power Systems，2013，28(4)：3546-3555.

[13]Hoog J D，Alpcan T，Brazil M，et al.Optimal charging of electric vehicles taking distribution network constraints into account[J].IEEE Transactions on Power Systems，2015，30(1)：365-375.

[14]王岱，管曉宏，吳江，等.基于車輛行駛行為特性建模的電動汽車充放電策略與分析[J].電網技術，2014，38(9)：2322-2327.

Wang Dai，Guan Xiaohong，Wu Jiang，et al.Vehicle driving pattern based modeling and analysis of centralized charging/discharging strategy for plug-in electric vehicles[J].Power System Technology，2014，38(9)：2322-2327.

[15]王蓓蓓.面向智能電網的用戶需求響應特性和能力研究綜述[J].中國電機工程學報，2014，34(22)：3654-3663.

Wang Beibei.Research on consumers’ response characterics and ability under smart grid：a literatures survey[J].Proceedings of the CSEE，2014，34(22)：3654-3663.

[16]孫近文，萬云飛，鄭培文，等.基于需求側管理的電動汽車有序充放電策略[J].電工技術學報，2014，29(8)：64-69.

Sun Jinwen，Wan Yunfei，Zheng Peiwen，et al.Coordinated charging and discharging strategy for electric vehicles based on demand side management[J].Transactions of China Electrotechnical Society，2014，29(8)：64-69.

[17]孫曉明，王瑋，蘇粟，等.基于分時電價的電動汽車有序充電控制策略設計[J].電力系統自動化，2013，37(1)：191-195.

Sun Xiaoming，Wang Wei，Su Su，et al.Coordinated charging strategy for electric vehicles based on time-of- use Price[J].Automation of Electric Power Systems，2013，37(1)：191-195.

[18]徐智威，胡澤春，宋永華，等.基于動態分時電價的電動汽車充電站有序充電策略[J].中國電機工程學報，2014，34(22)：3638-3646.

Xu Zhiwei，Hu Zechun，Song Yonghua，et al.Coordinated charging strategy for PEV charging stations based on dynamic time-of-use tariffs[J].Proceedings of the CSEE，2014，34(22)：3638-3646.

[19]Bahrami S，Parniani M.Game theoretic based charging strategy for plug-in hybrid electric vehicles[J].IEEE Transactions on Smart Grid，2014，5(5)：2368-2375.

[20]黃貴鴻，雷霞，楊毅，等.考慮風電與用戶滿意度的電動汽車兩層智能充放電策略[J].電工技術學報，2015，30(5)：85-97.

Huang Guihong，Lei Xia，Yang Yi，et al.Two-layer smart charge-discharge strategies for electric vehicles considering wind generation and users’ satisfaction[J].Transactions of China Electrotechnical Society，2015，30(5)：85-97.

[21]戴詩容，雷霞，程道衛，等.分散式電動汽車入網策略研究[J].電工技術學報，2014，29(8)：57-63.

Dai Shirong，Lei Xia，Cheng Daowei，et al.Study on V2G strategy of distributed electric vehicles[J].Transactions of China Electrotechnical Society，2014，29(8)：57-63.

[22]Luo Xiao，Xia Shiwei，Chan K W.A decentralized charging control strategy for plug-in electric vehicles to mitigate wind farm intermittency and enhance frequency regulation[J].Journal of Power Sources，2014，248 (7)：604-614.

[23]白楊，謝樂，夏清，等.中國推進售電側市場化的制度設計與建議[J].電力系統自動化，2015，39(14)：1-7.

Bai Yang，Xie Le，Xia Qing，et al.Institutional design of Chinese retail electricity market reform and related suggestions[J].Automation of Electric Power Systems，2015，39(14)：1-7.

[24]中共中央國務院.中共中央國務院關于進一步深化電力體制改革的若干意見[EB/OL].[2015-03-15].http：//www.chinapower.com.cn/newsarticle/1231/new

1231828.asp.

[25]趙洪山，王瑩瑩，陳松.需求響應對配電網供電可靠性的影響[J].電力系統自動化，2015，39(17)：49-55.

Zhao Hongshan，Wang Yingying，Chen Song.Impact of demand response on distribution system reliability[J].Automation of Electric Power Systems，2015，39(17)：49-55.

[26]Qian Kejun，Zhou Chengke，Allan M，et al.Modeling of load demand due to EV battery charging in distribution systems[J].IEEE Transactions on Power Systems，2011，26(2)：802-810.

[27]Geng B，Mills J K，Sun D.Two-stage charging strategy for plug-in electric vehicles at the residential transformer level[J].IEEE Transactions on Smart Grid，2013，4(3)：1442-1452.

[28]翁國慶，張有兵，戚軍，等.多類型電動汽車電池集群參與微網儲能的V2G可用容量評估[J].電工技術學報，2014，29(8)：36-45.

Weng Guoqing，Zhang Youbing，Qi Jun，et al.Evaluation for V2G available capacity of battery groups of electric vehicles as energy storage elements in microgrid[J].Transactions of China Electrotechnical Society，2014，29(8)：36-45.

[29]He Yifeng，Venkatesh B，Guan Ling.Optimal scheduling for charging and discharging of electric vehicles[J].IEEE Transactions on Smart Grid，2012，3(3)：1095-1105.

[30]北京交通研究中心.2011年北京交通發展年度報告[EB/OL].[2013-05-06].http：//www.bjtrc.org.cn/.

Virtual Time-of-Use Tariffs Based Optimal Scheduling and Implementation Mechanism of Electric Vehicles Charging and Discharging

Yang Xiaodong1Zhang Youbing1Weng Guoqing1Zhao Bo2Gao Xiang3

(1.College of Information EngineeringZhejiang University of TechnologyHangzhou310023China 2.State Grid Zhejiang Electric Power Research InstituteHangzhou310014China 3.State Grid Lishui Municipal Electric Power CompanyLishui323000China)

The optimal scheduling of electric vehicles’ (EVs) charging and discharging based on virtual time-of-use (vTOU) tariffs is put forward.By taken the load information of the distribution system，the power loss cost，and the battery consumption cost of customers into consideration，the models of the charging and discharging optimal scheduling and the implementation mechanism are developed for the purpose of peak shaving.In the proposed models，the charging and discharging power is associated with the load information by vTOU tariffs.Then the power adjustment of the EVs is researched based on minimizing the virtual cost.Accordingly，a dynamic time-of-use tariff for EVs’ charging and discharging is established based on the wavelet analysis and the fuzzy cluster to ensure the implementation of the scheduling strategy.Finally，five optimization modes are simulated by charging piles in a residential district.The results illustrate the basic characteristics of the proposed models.

Electric vehicle (EV)，virtual time-of-use tariff，peak shaving，charging and discharging optimization，adjustable power，implementation mechanism

2015-05-31改稿日期2015-12-07

TM 73；U469.72

楊曉東男，1990年生，博士研究生，研究方向為電力系統通信、電動汽車入網、智能用電等。

E-mail：yang_xd90@163.com

張有兵男，1971年生，博士，教授，研究方向為智能電網、分布式發電及新能源優化控制、電動汽車入網、電力系統通信、電能質量監控等。

E-mail：youbingzhang@zjut.edu.cn(通信作者)

國家自然科學基金(51207139，51207140)和浙江省自然科學基金(LY16E070005)資助項目。