基于需求響應的電動汽車充放電策略對比與分析

甘季偉，姚志壘

（1.江蘇大學 電氣信息工程學院，江蘇 鎮江212013；2.鹽城工學院 汽車學院，江蘇 鹽城224051）

0 引言

隨著環境污染和能源危機的日益加劇，電動汽車（electric vehicle，EV）作為環保、節能的交通工具，在能源結構調整方面潛力巨大，具有良好的發展前景。電動汽車通過充放電參與智能電網的調控，既可以作為電網中的可控負載，接受電網提供的供電服務（grid to vehicle，G2V），又可以作為儲能單元提供汽車入網服務（vehicle to grid，V2G），實現車輛與電網之間能量和信息的雙向傳遞，從而提高電網的能源利用效率［1］。然而，電動汽車的充放電行為具有隨機性和間歇性，大規模電動汽車入網后，將會對電網負載平衡、電力質量和經濟性產生巨大影響［2］。電動汽車作為一種靈活的需求側響應資源，其充放電可通過需求響應（demand response，DR）策略進行合理有序控制，從而完善電動汽車與智能電網的雙向互動，保證電網的安全穩定運行。

為了解決電動汽車入網所帶來的一系列負面問題，同時推動電動汽車與智能電網的互聯，本文對比總結國內外近年來針對電動汽車充放電調度提出的需求響應策略，分析其發展形勢和可能面臨的問題，為后續的相關研究提供參考。

1 電動汽車充放電的需求響應策略分類

1.1 基于價格的需求響應

價格型需求響應是利用消費者對價格的敏感，通過制定隨時間變動的價格政策，引導EV用戶自愿選擇在電價較低時段進行充電，從而改變其能源使用模式，達到削峰填谷的目的。基于價格的需求響應（price-based demand response，PDR）適用于大規模電動汽車的充放電調度，包括分時電價（time of use，TOU），實時電價（real-time price，RTP）和尖峰電價（critical peak pricing，CPP）。

1.1.1 基于TOU的電動汽車充放電策略

TOU是在不同時間段有不同單位價格的費率機制。EV用戶主觀上愿意選擇電價較低的時段充電以降低充電成本，但這可能會引發新的峰值，甚至出現峰荷倒置，對電網的安全穩定運行造成負面影響［3］。而且不同的TOU浮動比例對EV用戶的充放電選擇影響也各不相同。

峰谷電價是較為典型的TOU，文獻［4］構建了以電網峰谷差率最小為目標的峰谷電價時段優化模型，但只考慮了電網側的利益，忽略了對用戶側的影響。因此需要考慮多目標優化來兼顧電網與用戶雙方的利益。如文獻［5］考慮了峰谷差率改善度和用戶用電方式滿意度2個指標。文獻［6］考慮了提高用戶和電力公司經濟性和減小負荷波形3個優化目標。文獻［7］考慮了用戶成本最低和風光發電消納最大2個指標。雖然這些定價模型同時考慮了用戶側和電網側的某些指標，但就實際應用來看還遠遠不夠。

此外，在未來電力市場改革和售電側開放的大背景下，還可以引入負荷聚合商（load aggregator，LA）的概念，對電動汽車的充放電進行分層分區調度。LA可以看作是電力公司和EV用戶之間的中介，在不同的DR策略下發揮不同的作用，其控制結構如圖1所示。

圖1 LA控制框架Fig.1 Control framework of LA

當前，TOU仍是引導EV用戶有序充放電的有力措施，也比較適合我國國情。其動態性和經濟性可以通過LA和動態TOU來優化。而在建立基于TOU的電動汽車充放電模型時，需要綜合考慮電網峰谷差、風光發電消納、用戶經濟性、滿意度等優化目標的權重，建立一個全面的多目標優化模型。

1.1.2 基于RTP的電動汽車充放電策略

RTP是在給定的極短時間（如1 h）內向用戶提供電能邊際成本的費率機制，能讓電動汽車充放電與電價聯動調整，更精確地反映發電成本變化。RTP不僅可以使電動汽車有序充放電，降低用戶的充電成本，還能大大降低電網設備的建設成本，提高用戶側和電網側的經濟性。

研究RTP下電動汽車的充放電優化策略，首先要能預測不同電價下用戶的充電行為，即充電概率模型。為此，文獻［8］研究了電動汽車充電負荷彈性跟蹤算法。文獻［9］提出了區域電動汽車集群響應的最優充電概率分布模型，在得到EV充電概率模型的基礎上，利用兩階段優化模型來研究EV的最優充電狀態。針對RTP下EV對可再生能源的消納問題，文獻［10］對光伏發電和風力發電的價格不確定性和預測不確定性進行建模，集成到RTP下的家庭能源管理系統中，從而最大限度地降低用戶成本。上述優化方案對EV電池的退化成本考慮較少，不僅影響用戶總成本，也影響充電方式，特別是RTP下EV的充電周期較多，對電池壽命影響較大。因此文獻［11］在考慮EV電池退化成本的基礎上，建立了RTP模型以實現用戶成本最小化。

RTP能充分發揮電動汽車充電時間彈性大、響應迅速的優勢，具有良好的經濟性，但確定電動汽車用戶在不同電價下的充放電概率模型是該策略的難點。另外，RTP動態性太強，容易導致用戶無法對價格信號做出及時響應，進而讓用戶的接受度變低。只有完善好電網與電動汽車間的實時雙向通信系統和能源管理系統等基礎設施，才能使電動汽車在RTP下的充放電調度成為可能。

1.1.3 基于CPP的電動汽車充放電策略

CPP是在TOU的基礎上疊加尖峰費率而形成的動態定價機制，雖然CPP的經濟性比不上RTP，但其實現難度大幅降低，而且CPP激勵用戶在用電峰值減少負荷或轉移負荷，經濟性高于TOU，因此，CPP是TOU和RTP的折中方案。尖峰日的尖峰費率和非尖峰日的電價折扣共同組成了CPP方案。考慮電動汽車充電的CPP實施過程如圖2所示。隨著電動汽車數量的不斷增長，CPP在降低電網峰值負荷方面也有顯著效果［12］。

圖2 考慮電動汽車充電的尖峰電價實施過程Fig.2 CPP implementation process considering EVs charging

在實行RTP時，其調度優化方案偏向于供給側，雖然總體的經濟性最優，但如果不顧及用戶滿意度和電池退化成本，反而會在得出最優調度方案后危及用戶利益。CPP是TOU和RTP的折中方案，能夠同時兼顧需求側和供給側的利益，我國也在借鑒國外經驗的基礎上進行試點。

1.2 基于激勵的需求響應

激勵型需求響應（incentive-based demand re-sponse，IDR）是基于電力公司與用戶所簽訂的合同，通過經濟補償或者電價優惠政策來激勵用戶參與電力系統所需要的各種負荷削減項目，從而轉移用電負荷［13］。激勵費率一般獨立或者疊加在PDR之上，包括電費折扣或中斷補償2種形式。IDR適用于小規模電動汽車的充放電調度，包括直接負荷控制（di-rect load control，DLC），可中斷負荷（interruptible load，IL）和需求側競價（demand side bidding，DSB）。

1.2.1 基于DLC的電動汽車充放電策略

DLC是在電網負荷高峰時，電力公司通過支付給用戶一定的電費折扣或中斷補償來遠程關閉或調整用戶用電設備的項目。參與DLC的可控負荷通常為短時間停電對其供電服務質量影響不大且具有儲能的負荷。電動汽車是典型的可控負荷，電力公司通過控制中心來控制充電樁的開關和充電功率，從而優化電動汽車充放電時段和充電速率。隨著電力公司的市場化改革，DLC也可以由LA進行控制，從而提高經濟效益和用戶滿意度。

DLC策略往往從供電側的角度出發，無法充分考慮用戶需求，難以得到用戶的支持和實際應用。因此，文獻［14］提出將用戶滿意度引入DLC，在滿足電動汽車充放電需求的同時，充分尊重用戶的消費意愿和隱私。

1.2.2 基于IL的電動汽車充放電策略

IL是指電網在高峰時段或緊急情況下可以中斷的負荷，作為一種簡單易行的需求響應策略，能夠幫助電力公司規避風險、提高收益，實現其與用戶的雙贏。補償費用會直接影響到供需雙方參與IL的積極性。補償價格過高，電力公司的積極性降低；補償價格過低，用戶參與意愿降低。因此，合理的補償價格是實施IL的關鍵。文獻［15］提出了一種以發電成本、儲能成本、負荷損失等總成本最小為目標的優化模型，并得到最終成本與IL容量及補償價格的關系曲線。當補償價格大于實際儲能成本時，IL容量增加，反之則減小。

利用電動汽車提供IL服務，增加了電力系統的調控方式，拓寬了電力公司的盈利渠道，也降低EV用戶的成本。但目前對于電動汽車提供IL服務的業務模式和技術架構仍處于探索階段，有待進一步研究。

1.2.3 基于DSB的電動汽車充放電策略

DSB是指在需求高峰或系統意外情況下，用戶以特定的投標價格限制部分用電量。DSB主要面向大用戶（1 MW以上），針對EV用戶則需要通過LA整合EV資源，代表其對用電量和電價進行投標，從而參與需求側競價。電動汽車的充電電價仍然依據電力公司發布的電價，其電費由電力公司收取，LA不參與電力的買賣，其作用只是整合閑置的電動汽車儲能資源，為電力公司提供需求響應資源，獲得相應報酬，并給予EV用戶部分補償。

競價策略是一個雙層問題。上層問題是LA充電成本的最小化，也就是EV用戶充電成本的最小化，下層問題是市場結算。文獻［16］將其用混合整數線性規劃表現出來，并引入虛擬電池來估計電動汽車的使用需求，適用于不確定性日前電力市場。文獻［17］基于市場價格和投標價格之間的聯系，以LA成本最小化為目標，提出了最優投標模型。在條件風險值的約束下，將模型構造為一個凸規劃問題，顯示了投標價格，預期采購成本與中標概率之間的關系。

未來對于DSB的研究將集中在EV行為特性的預測模型和LA的投標決策模型，從而更方便地指導LA參與需求側競價。

2 不同電動汽車充放電的需求響應策略對比

利用DR策略調度電動汽車的充放電主要是為了削峰填谷，保證電網的穩定性以及降低用戶和電力公司的成本。表1對不同DR策略進行了對比。

表1 不同需求響應策略對比Table 1 Comparison of different DR strategies

由于電價主要由電力公司進行調控，能深刻地影響電動汽車用戶的充放電行為，因此，PDR適用于大規模電動汽車的充放電調度，IDR適用于小規模電動汽車的充放電調度，可與PDR形成互補。在3種PDR策略中，TOU的經濟性和動態性弱，但是用戶接受度較高；PTP的經濟性和動態性都是理論上最優的，但對通信和能源管理系統的要求較高；CPP則是折中選擇。DLC和IL都能應用于負荷高峰，其中，IL還可用于系統緊急情況下中斷負荷以維護電網穩定。在實行DR策略時，需要同時考慮電力公司與用戶的利益。在PDR中，電力公司的收益主要來源于削峰填谷所節約的成本，而用戶的充電成本也大幅降低，其中CPP會對非尖峰日給予電費折扣。在IDR中，電力公司除了削峰和穩定電網運行所帶來的收益外，DSB還能整合閑置的EV資源來降低成本，提高經濟性。在IDR的實施過程中用戶都有電費折扣，而實施DLC和IL時用戶會額外收到中斷補償。

通過制定合理的需求響應策略，能引導電動汽車用戶參與入網調度，消納更多可再生能源發電。TOU對可再生能源的消納能力取決于其峰谷電價的浮動幅度，RTP能夠最大限度地促使電動汽車用戶消納可再生能源，CPP次之。IDR的3項策略在這方面較弱。

除此之外，在IDR中，DLC、IL策略多關注于電網和LA的收益，用戶參與的積極性不高。而DSB以及3種PDR策略都充分考慮到了用戶的利益，能促使用戶主動參與到DR調度中。

3 結束語

本文介紹了將DR應用于電動汽車充放電調度的研究現狀，針對PDR和IDR的相關技術及應用都分別進行了分析，對不同DR策略進行了對比。由于我國PDR所需要的各項歷史數據來源較少，因此，可采用試點地區或者試點項目的形式，在小范圍內試驗各項PDR策略并收集用戶信息，為將來推廣至智能電網做準備。同時也需要從政策方面給LA公司一定的支持，從而加快DR在我國的推進速度。

當前對于電動汽車參與DR的研究，一般考慮了降低用戶成本、增加電力公司收益、減小負荷峰谷差、提高系統穩定性、保證電池壽命、提高用戶滿意度、提高可再生能源消納率這幾方面，但通常只考慮其中某一兩個方面，缺少對各個因素的優先級定位和系統的統一建模。為了兼顧用戶側與電網側的利益，應將電網峰谷差率改善度和用戶滿意度列于第一優先級，其他目標次之。隨著電動汽車的普及、智能電網的發展以及考慮到PDR和IDR各自的局限性，建立以需求側為主體，供需兩側協調優化，綜合利用PDR和IDR的電動汽車充放電策略將是未來的發展趨勢。