智慧城市車-站-網一體化運行關鍵技術研究綜述及展望

王海鑫 袁佳慧 陳 哲 馬一鳴 董鶴楠,2 苑 舜,3 楊俊友

智慧城市車-站-網一體化運行關鍵技術研究綜述及展望

王海鑫1袁佳慧1陳 哲1馬一鳴1董鶴楠1,2苑 舜1,3楊俊友1

（1. 沈陽工業大學電氣工程學院 沈陽 110870 2. 國網遼寧省電力有限公司電力科學研究院 沈陽 110000 3. 國家能源局東北監管局 沈陽 110006）

隨著城市綠色化交通發展，優化調控集群電動汽車（EVs）參與配電網需求響應已成為一種趨勢，并逐漸形成了智慧城市車-站-網一體化運行架構。在該背景下，該文結合負荷需求時空分布預測、“站-網”協同布局與管理、“站-車”有序引導策略、“車-網”互動響應四個領域最新研究成果，系統評述車-站-網一體化運行現狀及進展。首先，解析EV充電需求規律，歸納充電負荷與交通負荷預測方法的優勢與局限性；其次，從“站-網”協同層面綜述充電設施網絡布局及V2G技術相關研究；再次，探討交通-電力耦合網絡模型下EV有序引導所涉及路徑規劃及定價機制問題；然后，圍繞EV可調度能力評估、配電網可靠性及經濟性等方面探討“車-網”互動響應技術，并介紹相關應用示范；最后，總結車-站-網一體化運行架構中存在的問題與挑戰，并做出展望。

車-站-網一體化 電動汽車 互動響應 交通-電力耦合網絡

0 引言

面對日益嚴重的環境問題，發展清潔能源、保障能源安全、實現“碳達峰”、“碳中和”，已成為我國能源戰略的核心目標之一。其中電動汽車（Electric Vehicles, EV）作為移動儲能單元，將電網與交通深度耦合，促進智慧城市綠色化交通。大規模EV接入，給配電網的穩定性和經濟性帶來了一定的機遇與挑戰[1]。

經國家電網公司測算，到2030年，EV整體電量需求將達到3 400億kW·h，EV保有量預計達到6 000萬輛[2]。近年，國內外學者在EV調控方面做了大量研究，主要研究思路可概括為預測負荷需求時空分布，根據預測結果優化布局充電設施網絡，進而制定交通-電力耦合網絡架構下的EV引導策略，引導未到站車輛分散前往充電站，避免部分站點擁擠現象，并基于V2G（Vehicle to Grid）技術實現EV響應電力輔助服務[3-4]。本文從“預測”、“站-網”、“站-車”、“車-網”四方面形成整體閉環，探討智慧城市車-站-網一體化運行體系相關技術。

車-站-網一體化運行體系中，EV是未來智慧城市交通-電力-信息耦合網絡的關鍵耦合元素，準確預測EV充電負荷是分析EV對配電網影響的基礎，亦是開展EV與配電網互動的必要前提[5-7]。充電站作為車-站-網一體化運行體系能量樞紐單元，根據EV負荷時空分布預測結果進行布局優化，實現“站-網”層面優化布局；考慮配電網需求進行有序充電引導，實現“站-車”層面協同管理；接收電網調度信號并下發給EV，反饋EV充電信息至配電網，利用V2G技術實現“車網”層面互動響應。車-站-網一體化運行交互特性如圖1所示。

根據車、站、網三者交互特性，本文對車-站-網一體化運行相關研究進行分析。首先解析EV充電需求規律方法，并分別綜述充電負荷及交通負荷預測中所采用方法優缺點。之后從“站-網”協同布局管理角度介紹充電設施布局優化及V2G技術相關研究。隨后以“站-車”視角闡述交通-電力耦合網絡架構下路徑引導方法及定價機制。進一步，對“車-網”互動響應技術相關研究進行分析，從EV參與響應電網可調度能力角度展開，綜述EV參與輔助服務對配電網可靠性及經濟性的影響，并介紹相關示范平臺。最后，總結現有研究方法不足，對未來智慧城市EV參與互動響應研究進行展望。

圖1 車-站-網一體化運行交互特性

1 負荷需求時空分布預測

EV負荷需求時空分布預測是充電站布局優化、EV移動儲能調度、充電價格優化的研究基礎[8-9]。針對EV負荷需求預測問題，本文考慮EV充電負荷時空分布隨機性和不確定性，從需求規律解析、充電負荷預測、交通負荷預測三個方面綜述國內外EV充電預測研究現狀，研究框架如圖2所示。

1.1 EV充電需求規律解析

針對EV充電實時需求高度不確定的特征，如何分析交通流及用戶充電特征，解析用戶充電需求規律，進行充電需求時空分布靜態均值分析以及實時需求動態預測成為一個關鍵技術問題。

1.1.1 計及EV類別的影響因素分析

不同類別EV行駛路徑及時間、停留時間、充電位置選擇相差較大，根據用戶出行鏈信息可分為私家車、出租車、公交車等[10]。配置不同影響因素權重會改變用戶充電需求規律解析結果，因此需分析各因素影響機理。根據EV充電負荷預測相關研究文獻所涉及影響因素，本文歸納為主觀、客觀因素兩個層面，各影響因素機理的比較見表1。

圖2 EV充電負荷時空預測研究框架

由表1可以看出，不同類別車輛考慮影響因素約束不同，進行充電需求規律解析時，需根據車輛類型設計影響因素權重，得到更為準確的預測結果。用戶行為特性是目前文獻中著重考慮的因素之一。現有關于用戶滿意度研究主要考慮充電成本、里程消耗、用電經濟性及便利性、排隊時間等因素，在用戶選站決策中的重要性逐漸突出，用戶對充電站的滿意度直接影響EV時空分布，進而影響配電網優化調度情況[11]。因此，未來研究中有待優化排隊時間、充電成本等影響因素，通過提高用戶滿意度促進EV參與電網互動響應。

表1 EV充電影響因素比較

Tab.1 Comparison of factors affecting EV charging

1.1.2 出行規律及用戶心理分析

針對用戶充電需求規律解析的研究主要包括用戶出行需求及用戶心理分析兩方面。由于公交車出行軌跡固定且受用戶心理影響較小，本文僅闡述私家車、出租車的出行規律及用戶心理分析。

針對EV用戶出行需求不確定性，一般采用出行鏈[12]或采集實際出行數據[13]進行分析，獲取用戶充電需求規律。出行鏈指單體EV從起點出發，按一定時間順序到達不同出行目的地，最后返回起點的活動鏈。通過提取EV用戶出行鏈特征對用戶出行行為習慣進行分類，建立交通出行鏈感知模型，推演用戶出行決策，解析用戶出行需求。EV實際出行數據包括各出行平臺采集的數據及政府統計調查數據（如美國交通部居民出行調查數據NHTS）等。利用實際出行采集數據挖掘EV用戶充電行為，所得結果精確度高于出行鏈，但當前各平臺數據并未互通，如何整合各平臺數據，消除數據噪聲是采用該方法分析用戶出行規律亟待解決的難點。

針對用戶心理不確定性的分析，主要考慮用戶后悔心理、博弈心理及有限理性。用戶后悔心理指用戶針對某一未選擇出行方案可能的較好效果引起的后悔，因此，EV用戶在諸多方案中選擇后悔值最小的方案更加符合實際出行情況[4]。博弈心理指用戶在電價優惠、響應獎勵等激勵措施下與其他用戶及充電站之間的消費心理博弈，間接影響用戶充放電行為[14]。用戶有限理性指：EV用戶選擇實際方案會受到從眾思想、選擇偏好、里程焦慮等影響，相比能夠做出最佳選擇的“完全理性”，用戶有限理性選擇會出現一定偏差[15]。

有效解析用戶充電行為規律能為充電需求時空分布的靜態均值分析以及實時需求動態預測提供技術支持。未來充電行為規律解析的研究有待結合多運營平臺監測數據，考慮用戶心理制定EV充電特性畫像提取特征體系，提出多運營平臺EV充電需求規律解析方法。

1.2 EV充電負荷預測

1.2.1 基于模型驅動的充電需求預測方法

模型驅動方法主要基于數學建模思想推演多種因素影響下的EV用電行為[16]。當前研究多數從單體模型與集群模型兩個角度探討。受不同因素影響單體EV時空分布，具有較強的隨機性及不確定性，預測時多采用馬爾可夫模型、云模型、出行鏈等方法?；趩误wEV負荷時空特性，采取統計或聚類方法對集群EV充電負荷時空分布特性進行預測。

對單體EV的模型驅動研究中，文獻[17]考慮EV用戶行駛、停放習慣等行為特征，結合行駛里程、行駛路徑等時空分布特性建立EV充電需求時空分布預測模型。在此基礎上，文獻[18]提出新型Sigmoid云模型量化EV響應行為不確定性，刻畫復雜因素影響下EV用戶收益度與響應行為之間的不確定映射關系。文獻[19]提出一種基于雙層模型預測控制的微電網能量管理方法，克服集群EV充放電的不確定性，并減小微電網與外部電網的電能交互。上述兩種方法通過優化處理用戶響應行為的不確定性，增強預測數據的客觀性。但文獻[19]在研究過程中只考慮EV用戶收益最大化，未考慮電網收益?；诖?，文獻[20]綜合考慮配電網、充電站與EV用戶三方利益，對EV充電需求時空分布模型進行優化。

雖然上述模型考慮了用戶行為特性、響應不確定性等影響因素，能在一定程度上描述充電負荷時空尺度分布特點，但忽視用戶行駛過程中易受到交通因素影響的移動隨機性[15]。為此，文獻[21]研究道路擁堵等交通路網信息對EV行駛規律影響，分析交通網和配電網耦合特性，建立符合城市路網特征的充電時空分布預測模型。文獻[22-23]在研究中引入出行鏈，刻畫車輛出行規律，建立交通網與出行鏈雙重約束下EV充電需求時空分布預測模型。

相對單體EV時空分布特性，集群EV充電負荷時空分布具有一定的穩定性，為考慮配電網潮流的充電站布局規劃及有序充電引導提供支撐。集群EV預測一般基于單體EV預測結果，采用聚類、蒙特卡洛模擬、拉丁超立方抽樣等方法，模擬得到集群EV充電負荷時空分布。

基于物理模型的預測方法具有較強的通用性和推廣性，但建模中難以全面考慮復雜因素，導致數據管理困難、靈活性差等問題。如何在建模過程中計及多種因素、合理處理數據、提高模型靈活性將成為基于物理模型預測方法亟待解決的重要問題。

1.2.2 基于數據驅動的充電需求預測方法

當前EV研究存在數據多元化，不同平臺數據無法共享等問題，給研究人員建模造成一定的困難。數據驅動具有自主挖掘和構建數據內在關系的優點，實際數據互聯互通性日趨完善，基于數據驅動的預測方法受到更多關注[21]。

為此，文獻[24]從智能電表中提取EV充電負荷數據，考慮EV聚合商之間的博弈，提出一種無監督算法。文獻[25]利用深圳EV初始行駛數據提取用戶出行規律，對停車需求進行量化，基于EV泊車行為預測EV充電負荷時空分布。文獻[26]對每段行程的行駛里程和行駛時間構成的二維出行特征數據進行聚類分析，有效挖掘不同路況條件下道路擁堵因素對EV荷電狀態的影響。文獻[27]將機器學習預測結果、天氣數據及分解前的充電需求時間序列數據組成特征集，基于經驗模態分解-模糊熵和集成學習算法有效提高了EV充電需求預測的準確性。

與基于物理模型的預測方法相比，依據實際數據及各自特征化數據驅動的預測架構更貼近實際充電負荷運行情況，但是基于數據驅動的充電需求預測方法存在難以處理缺陷數據、數據資源利用率低等不足，如何合理處理數據、構建高資源利用率的數據驅動架構仍是今后研究重點與難點。

1.2.3 基于信息物理融合的充電需求預測方法

不同類型車輛的停放位置、行駛路線和充電時間均有較大差異，因此，很難建立統一的充電負荷時空預測模型[4]。采用基于信息物理融合的充電預測方法能夠利用兩種建模方法各自的優勢，先對EV類別與影響因素進行物理建模，再將實際車輛出行數據利用信息模型進一步校準，充分利用大數據、物聯網等人工智能技術，提高預測精度。

文獻[28]結合居民出行調研數據，考慮充電頻率、出行鏈結構建立EV充電負荷預測模型。文獻[29]對鄭州市1 000輛EV實際行駛數據預處理，并進行時間維度預測建模。文獻[30]挖掘北京市某公交車充電站歷史充電數據時間特征，分析EV充電站負荷特性，利用交叉熵算法和新鮮度函數改進組合預測模型。

綜上所述，基于信息物理融合的充電需求預測方法能夠結合物理模型與數據驅動二者的優點，提高預測精度，相較二者獲得的預測模型更具穩定性。但是，此方法存在與數據驅動方法同樣的架構問題，同時，如何融合更多實際因素、降低計算維數也是未來重要的研究課題。

1.3 交通負荷預測

交通-電力耦合網絡中，交通流量、擁堵情況、道路負荷等交通流信息反映了交通網運行情況，預測交通負荷能夠為交通-電力耦合網絡架構下充電站布局優化提供交通流層面的先驗指導[31]。

當前交通負荷預測主要采用靜態交通和動態交通兩種方式分析城市道路平面交叉口復雜程度來預測交通流負荷。靜態交通流考慮用戶均衡及系統最優兩大原則進行負荷預測，模型建立較簡單且容易操作，能夠較客觀地評價交叉口運行狀態[32]。但靜態交通流考慮交叉口的交通組成較簡單，當交叉口交通流量增大，車流交叉、合流、分流等現象出現，造成交叉口復雜程度增加，靜態交通流預測方式將無法準確評價交叉口運行狀態[33]。動態交通流預測方法從交通沖突、交通量和交叉口幾何形狀三方面考慮交叉口復雜度對交通運行狀態的影響，彌補靜態模型難以應對交叉口交通流量增大的不足，能夠更加準確地評價城市道路平面交叉口的運行狀態[34]。

2 “站-網”協同布局與管理

EV電力需求增大將導致配電網負荷增加，影響配電網可靠經濟運行。因此，考慮充電站優化布局，對提高EV充電負荷引導效率、確保配電網穩定運行至關重要。此外，通過充電站/樁V2G技術實現EV與配電網之間的能量雙向互動，是智慧城市“站-網”協同管理層面的重要組成部分。

2.1 充電設施網絡布局優化

2020年，國家發改委將充電站建設納入“新基建”范圍，明確“換電為主、插充為輔、集中充電、統一配送”的充電設施布局方針，通過“交通網-信息網-配電網”三網融合實現對EV用戶跨區域、全覆蓋的智能充換電服務。充電站布局規劃管理已成為目前研究的重點之一，現有文獻主要從交通網、配電網、交通網-配電網耦合三個層面進行研究。

在交通網層面的規劃布局，主要可分為基于節點需求的規劃、基于用戶行駛路徑的規劃、基于交通流量的規劃三類方法。基于節點需求的規劃方法采用規劃區域上某些節點表示EV充電需求，EV前往最近充電站進行充電服務[31]。但此方法只考慮EV與充電站之間的直線距離，忽略了交通網絡的擁堵情況。基于用戶行駛路徑的規劃方法采用用戶路徑行駛實際數據，所得結果更符合實際充電需求情況，但數據獲取、整合較為困難，部分EV滲透率較低的地區可能無法獲得滿足規劃需求的數據量[35]。基于交通流量的規劃方法使用起訖點流量進行充電需求估計，假設用戶可在行駛路線上的任何站點補充電能而不考慮距離，與前兩種規劃方法相比，基于交通流量的算法具有更加優越的便利性和更大覆蓋范圍[36]。從交通網層面進行規劃布局忽略了配電網約束，布局結果可能需要根據實際電力潮流進行調整。

在配電網層面的規劃布局，需要滿足電力系統安全經濟運行約束，考慮充電站與新能源發電的協調規劃，同時最大限度地降低充電站的投資成本?；诖?，文獻[37]研究設計動態充電網絡，對充電站覆蓋區域進行建模，評估EV動態充電需求。文獻[38]考慮EV負荷及新能源發電不確定性，建立故障運行成本模型，構建了分布式電源和充電站的雙層協調規劃模型。然而，上述文獻忽略了交通網絡限制，需根據實際交通運行情況進行調整。

在交通網-配電網耦合層面的規劃布局研究，文獻[39]考慮交通網及配電網不同運行狀態，分析區域內充電需求變化，確定充電站最優布局位置和規模。文獻[40]提出“交通網-配電網”綜合規劃模型，分別刻畫交通流穩態分布及配電網穩定運行條件，通過充電站選址模型來表征二者與EV相互依賴的關系并尋求全局最優解。

基于上述三種層面的充電站布局優化方法對比見表2。

表2 充電站布局方法對比

Tab.2 Comparison of charging station layout methods

綜上所述，基于交通網-配電網耦合架構下的充電站布局能夠全面考慮交通網及配電網的運行情況，具有更強的現實意義。但當前交通網-電力網耦合架構的研究仍局限于兩者單獨建模，交通流與電能流之間的交互耦合問題有待進一步探討[31]。

2.2 V2G技術

基于充電樁的V2G技術使EV具有源、荷雙重屬性，能夠調整其充放電行為，減少對電網影響并提供功率支撐，與配電網形成“雙向通信、雙向電力流動”的運行模式，為智慧城市“車-站-網”一體化運行提供技術支撐，已經成為當下研究熱點。

作為車-網互動響應的能量接口，V2G技術融合了電力電子、通信、調度及計量等技術，通過功率變換器實現車-網電能交互。V2G雙向功率變換器按功率變換等級可分為單級式和兩級式。單級式雙向變換器僅通過一個AC-DC模塊實現電路變換，使用元器件較少，具有較高的效率及可靠性。但其輸出電壓等級較低，多應用于小功率系統[41]。兩級式雙向變換器在單級式的基礎上增加DC-DC模塊進行升降壓控制，具有更好的功率控制效果[42]。

當前V2G技術主要包括有功、無功輸出控制以及對配電網的頻率、電壓調節控制。文獻[43]在有功功率雙向傳輸基礎上，建立四象限運行V2G變換器模型，實現無功控制。進一步基于功率控制模式，通過聚合V2G參與配電網潮流優化調度，并實現頻率及電壓調節[44]。此外，相關學者提出將虛擬同步控制策略應用于V2G系統，利用T-S模糊控制使變換器自動決策虛擬同步工作的充放電模式及功率，提高V2G的功率跟蹤性能及配電網抗擾動能力[45-46]。在工程示范方面，國家電網電動汽車公司依托“V2G及云儲能示范項目”，于2021年研發設計出基于虛擬同步機與V2G融合技術的“電動汽車直流雙向充放電機”，并實現現場測試驗證[47]。

綜上所述，V2G技術是支撐智慧城市綠色化交通與智能電網的關鍵技術之一。V2G技術還未得到較廣泛的應用，一方面，V2G技術及其支撐配電網應用的理論體系仍需進一步完善；另一方面，電動汽車V2G模式下頻繁充放電對電池壽命有一定的影響，從而導致V2G失去實際應用的價值與可能性。因此，在實際應用方面，還需投入更多研究與示范。

3 “站-車”有序引導策略

大規模EV同時充電，充電站會產生排隊現象[48]。因此，大量學者對EV從“站-車”交互層面研究EV排隊機制，建立有序引導策略，減少EV無序接入配電網造成的沖擊。通過對相關文獻評述，本文將充電站有序調控引導策略歸納為建模、路徑規劃、定價機制三方面，充電站的EV有序調控引導研究框架如圖3所示。

圖3 充電站的EV有序調控引導研究框架

3.1 交通-電力耦合網絡建模

EV既是交通網的重要組成部分，也是配電網的用電終端[17]。EV出行路徑、駕駛需求等會影響交通側道路的順暢程度，交通信息影響EV充電路徑選擇；EV接入電網時電池容量及選擇充電模式等影響配電網穩定經濟運行，而電網通過電價引導等方式改變EV充電計劃及充電方式[49]。隨著EV保有量增加，EV充電站對電力和交通網絡的耦合作用越來越強，因此引導EV有序參與充電時，有必要建立交通-電力耦合網絡模型。交通-電力耦合網絡模型交互影響示意圖如圖4所示。

圖4 交通-電力耦合網絡模型交互影響示意圖

目前交通-電力耦合網絡建模方法多以靜態的數據為基礎，采用單一模型或模型間簡單組合，其建模方式采用交通節點-配網節點一一對應的方式刻畫充電負荷在配電網中的時空分布，其中充電負荷通過EV用戶出行、電量、時間三方面特征進行建模。文獻[50]提出了一種交通-電力耦合模式下的EV集群可調控裕度及優化運行策略，利用挖掘出的靈活性提升配電網可靠性。文獻[17]分析交通-電力耦合對EV行為規律影響，提出需求響應策略有效緩解電網節點電壓過低及輸電線路阻塞問題。文獻[51-52]提出交通-電力耦合網絡整體運行機理與框架描述兩網互相作用達到的動態均衡狀態，提高智慧城市配電網和交通網絡的協調運行。文獻[53]提出基于交通-電力耦合網絡的EV充電決策優化方法，合理調控充電負荷的同時改善耦合網絡運行狀態。

以上文獻利用交通-電力耦合網絡降低了因實際電網拓撲連接方式而造成的分析的難度。但電力、交通、信息等多種復雜網絡系統融合越發緊密，考慮交通流與電網潮流間的交互在未來有待進一步探討。另外，基于電力-交通-信息多源信息分析EV行為影響并提升交通-電力耦合網絡建模的精確性和實時性將是下一步交通-電力耦合網絡研究的重點。

3.2 基于主動路徑規劃引導EV參與調控

EV用戶行為習慣及城市規劃布局導致充電高峰時段負荷集中于少數充電站，對電網運行及EV用戶充電滿意度造成較大影響，因此需要合理規劃EV充電路徑，引導EV充電行為，建立車-站-網協同模式下的充電路徑引導機制。

一些學者針對此問題開展研究，文獻[54]分析大數據對道路誘導測量充電效果，提出路徑引導策略抑制交通擁擠蔓延，實現交通擁擠及時疏散。文獻[55]基于起訖點分析充電需求分布結果，提出一種雙層隊列模型模擬充電站動態隊列。計及交通流密度很高甚至擁堵的情況下，存在車輛換道、競爭通行等情況，因此需要考慮車輛交互影響?；诖?，文獻[56]考慮到EV充電選擇之間的相互影響，提出一種基于虛擬服務范圍的充電引導策略，避免EV用戶在時空尺度上充電超載和等待時間過長。在此基礎上，文獻[57]計及動態路徑行程時間的影響，考慮用戶對充電選擇多樣化需求，建立城市路網動態路徑選擇模型，有效提高車輛尋站效率。

以上文獻均能為EV提供多種充電路徑選擇方案，但僅考慮車輛交互影響存在一定局限性。考慮“交通-電力-信息”耦合網絡架構下的主動充電路徑規劃，減少排隊時間更具實際意義。另外，5G通信時代到來，有待進一步研究利用實時信息數據實現車輛路徑導航。

3.3 基于定價機制激勵EV參與調控

為激勵用戶參與配電網需求響應，充電站通過合理定制充電電價引導EV有序充電，參與電網互動響應。關于定價機制的研究，主要可概括為：考慮定價主體利益訴求、用戶響應特性刻畫、構建定價模型三個方面。

1）考慮定價主體的EV定價機制可分為電網利益優先、充電站利益優先、用戶利益優先。電網利益優先的電價策略，考慮提高系統運行安全性，通過電價調控車輛入網行為，平滑電網負荷曲線[58]。充電站收益優先的定價策略，根據站內充電站利用率調節電價吸引車輛充電，達到運營效益最大化[59-60]。用戶利益優先的定價策略，考慮EV用戶對電價波動的敏感度，降低充電成本，實現用戶利益最大化[29,55]。隨著電力市場逐步完善，EV用戶、運營商及電網間耦合關系越發緊密。因此，未來定價機制需綜合分析三者耦合特性及相互作用機理。

2）用戶響應特性的刻畫方法可分為基于優化算法及經濟學原理兩種方法。

根據經濟學原理，電價補貼越高，用戶響應越積極，可提供響應量越多。當充電電價低于EV用戶預期電價時，用戶根據電價刺激程度產生不同程度響應[62]?？梢雰r格敏感度概念反映EV對電價的響應特性，即

3）定價模型主要可分為博弈模型、集中式優化、分布式優化和分層定價等。文獻[57]考慮EV用戶行為及充電站間行為，利用多主體主從博弈方法，制定充電站動態服務費，通過挖掘充電負荷空間轉移能力，提升充電站間設備利用均衡度。文獻[62]提出了分時充電價格集中式優化策略，以引導后充電負荷與目標負荷偏差最小為目標，運用粒子群算法尋優得到分時充電價格的最優解。文獻[64]以充電站為定價主體，考慮用戶用電需求、充電時間、變壓器容量等約束，制定分散式動態定價優化策略，提高收益及計算效率。文獻[65]建立雙層魯棒定價優化模型，上層制定充電站定價方案，下層反映EV用戶的充電決策，將得到的雙層魯棒優化模型轉換為等價的單層優化問題。上述文獻各研究對比見表3。

表3 定價機制建模方法對比

Tab.3 Comparison of Pricing Mechanism Modeling Methods

制定合理定價機制是激勵EV參與有序充放電的有效措施，當前國內外對于定價機制的研究已具有一定深度?？紤]EV用戶選站偏好對調度結果的影響及電力市場環境下V2G參與市場定價將是下一步的研究方向。

4 “車-網”互動響應技術

從車-網交互層面，EV參與電力輔助服務市場，實現與電網雙向互動。考慮配電網供電可靠性及經濟優化運行，需探討“交通-電力-信息”耦合網絡架構下車-網交互問題，研究大規模EV接入電網的互動響應技術。本文將現有的響應技術研究內容歸納為四部分：可調度能力評估與響應、考慮配電網可靠性的調度、考慮配電網經濟性的調度、示范工程及應用。車-網互動響應技術框架如圖5所示。

圖5 車-網互動響應技術框架

4.1 EV可調度能力評估與優化

EV用戶出行隨機性影響聚合商響應服務可靠性。因此，充分利用聚合商響應資源，有必要對其可調度能力進行評估與優化[66]。EV集群主要通過換電站和充電站兩種方式接入電網，使EV集群在電網側具有不同的兩種運行特性。因此，本文分為充電站與換電站兩種角度對EV可調度能力評估技術進行分析，并綜述可調度能力優化相關技術。

4.1.1 充電站可調度能力評估

充電站的可調度能力評估首先需要評估單體EV的可調度能力，從而構建充電站內集群EV的可調度能力聚合模型。單體EV可調度能力評估多采用用戶滿意度來反映用戶響應調度的程度，用戶一般綜合考慮排隊時間、電池損耗成本、充電訴求及參與響應獲益程度等參與調度的滿意度指標，選擇是否參與響應。當前研究主要考慮從滿足用戶出行需求[67]和提高用戶調度收益[68]兩方面提高用戶參與調度滿意度，從而提升EV互動能力，有效消納可再生能源出力，降低配電網運行成本。

針對單體EV可調度能力的建模，需量化電池損耗程度及車輛供電能力，結合用戶出行行為確定可調度能力最優閾值，建立EV可調度能力分析模型[69]?；趩误wEV可調度能力模型，進一步評估充電站可調度能力，將充電站作為廣義儲能設備，進行日前及日內兩階段可調度能力分析。在日前階段分析集群EV歷史數據，進行可調度能力預測；日內階段分析監測數據實時滾動計算充電站可調度能力[16,70]。另外，考慮站內排隊時間[71]及集群EV出行鏈[72]也是充電站可調度能力評估的重要研究方向。

4.1.2 換電站可調度能力評估

換電站采用車電分離的運行方式，車輛在站內快速更換動力電池，被更換電池在站內完成充電。因其便捷快速、利于配電網優化運行的優點，換電模式成為EV重要電能供給模式之一。換電站可調度能力評估主要考慮換電需求及備用電池容量兩方面。換電需求方面，文獻[73]假設EV電量即將耗盡時會前往換電站更換電池，但未考慮用戶里程焦慮、出行需求等實際因素。因此，文獻[74]根據EV日行駛距離耗電量及出行規律，假設EV日換電需求滿足正態分布。文獻[75]基于電動出租車歷史換電數據預測實時換電需求，相比前兩種充電需求設定方法更符合實際。備用電池容量方面，文獻[74]考慮備用電池在單日內循環利用及不同場景運行規律，以電池存在性和周期性為約束條件，得到多場景下換電站所需最小備用電池容量。文獻[70]建立備用電池組需求匹配模型，實時滾動修正備用電池組充電策略，得出實時最優備用電池容量，相較于文獻[74]對換電站實際運行工況適用性更強。

4.1.3 EV可調度能力優化

除快速計算EV可調度能力，仍需進一步優化EV響應服務能力，為運營商在上層競價中創造更有利條件[76]。文獻[77]將EV充電需求裕度評估作為核心參數，在日前階段降低充電/調頻雙重變量的復雜性，在日內階段聯合優化充電電量和可調度容量。文獻[76]提出基于雙重激勵的EV響應服務策略，提高EV集群響應服務能力。文獻[78]考慮多時間尺度下用戶響應度與價格激勵關系，對EV可調度能力進行優化。

EV可調度能力是其參與互動響應的基礎，但以上文獻針對可調度能力評估與優化的研究，往往是將車輛集群響應假設為具有時變特性的全部或固定比例響應，忽略了EV負荷移動性，未來研究中有待提出一種針對不同環境下考慮用戶時空響應程度及激勵機制的評估方案。另外，還需考慮充/換電站與電力系統共享儲能，建立“交通網-信息網-配電網”三網融合下更穩定的儲能模式。

4.2 考慮配電網可靠性的互動響應技術

可再生能源及EV滲透率的提高，使城市配電網結構由傳統單電源網絡發展為多電源網絡，導致電壓質量、頻率及潮流面臨嚴峻挑戰[79]。計及EV聯合可再生能源、儲能設備能夠為配電網提供電力支持，在現有配電網保護與控制研究基礎上分析EV參與互動響應對其可靠運行的作用，建立新型智慧城市電網保護與控制策略具有重要現實意義。

4.2.1 電壓調節

針對規?；疎V關于電壓質量問題的研究主要集中在電壓下降、諧波污染等方面。研究過程需分析電壓故障概率分布情況[79]及配電網可靠性指標[80-81]，并協調EV與儲能設備、可再生能源等柔性負荷調整系統運行模式，緩解過載[82-84]。

電壓故障方面，文獻[79]提出含分布式電源和EV的城市電網半不變量故障分析方法，求得電壓故障概率分布。配電網可靠性指標方面，文獻[80]考慮EV不確定性，采用兩狀態馬爾可夫鏈建立發電機組運行/故障過程模型，量化配電網可靠性指標。文獻[81]利用配電系統拓撲信息和配電系統元件可靠性參數評估配電系統各項可靠性指標。緩解過載研究中，集群EV調控策略按結構可分為集中式和分層式。文獻[82]提出協調主動需求與EV的多智能體系統，通過將負荷需求調控至空閑時段保證電壓質量。采用集中式策略經濟成本較低，但需進行大量數據交換。分層式策略僅需測量局部電壓，并實施局部調節，從而提高整體電壓質量。文獻[83]采用基于下垂控制器的局部智能充電算法，分析EV緩解線路電壓跌落及不平衡的能力。文獻[84]采用分層決策方法建立EV充電控制系統，在改善電壓質量的同時提高EV充電經濟性。

利用EV充放電緩解配電網電壓質量問題，為智慧城市電網可靠性提升提供重要支持。目前，城市電網逐漸向交互式分散電網過渡，未來研究有待結合電力電子、通信、調度、需求側管理等技術優化“車-網”互動響應運行方式。

4.2.2 配電網頻率調節

EV大范圍入網后，其儲能特性為電力系統一、二次調頻控制提供更多可行性。利用EV儲能彌補新能源電力系統調頻資源的不足，已成為當下研究熱點。

當前針對EV參與調頻響應服務的研究主要包含：時滯問題分析與調頻策略兩方面。①調頻響應中的時滯問題主要考慮EV與調控中心通信道路的信息延時，文獻[85]考慮EV負荷集群對應的時滯穩定裕度，分析時滯問題對負荷頻率控制的影響。文獻[86]利用時域法分析EV參與調頻的響應時滯問題，但時域法分析時滯問題時存在一定保守性。為此，文獻[87]假設每個EV集群內所有的EV擁有相同的數據傳輸時滯，采用頻域法分析時滯穩定性，解決時域法保守性問題，實現高效準確評估時滯系統。②當前調頻策略研究主要有：一次調頻[88]、二次調頻[89]及自動調頻控制[90]三方面。文獻[88]利用橢圓函數構建電池荷電狀態與充放電下垂之間的函數關系，利用EV輔助傳統機組一次調頻抑制電網頻率波動。文獻[89]考慮EV二次調頻有效出力范圍及傳統機組特性，以時間乘以誤差絕對值積分為目標函數，建立EV與傳統機組二次調頻的聯合優化模型。文獻[90]提出基于EV聚合商的智能電網分層自適應頻率控制策略，通過EV控制器實現頻率調節。

集群EV儲能特性能夠為配電網頻率穩定性提供有力支撐，提高配電網運行彈性與靈活性。但系統調頻時滯較大時容易導致離散化維數增大，進而造成維數災難問題，如何對系統進行降維，提高計算效率，已成為調頻控制策略研究亟待解決的問題。

4.2.3 配電網潮流優化

概率潮流計及配電網多種不確定性因素，分析電網潮流概率特性，評估定位潮流潛在隱患，對提高配電網安全可靠性具有重要意義[91]。合理調控EV集群充放電能夠優化配電網潮流，研究內容可分為考慮電網潮流的EV充放電行為優化和考慮交通-電力耦合網絡的潮流優化。前者需在分析配電網不確定變量概率分布特征及其相關性的基礎上，建立相關潮流模型對相應場景進行分析，優化EV充電行為[91-93]。后者需在分析EV充放電行為及不確定性變量概率分布的基礎上，分析交通流的時空演變，建立交通-電力耦合作用下的動態均衡潮流優化模型[94-96]。上述文獻的詳細對比見表4。

表4 配電網潮流優化研究文獻比較

Tab.4 Literature comparison on power flow optimization of distribution network

（續）

4.3 配電網經濟優化調度

風光出力、EV充放電不確定性為配電網經濟調度帶來挑戰，因此，需充分挖掘EV需求響應技術，為配電網經濟優化調度提供有效調節手段[97]。

4.3.1 削峰填谷

利用經濟激勵、政策傾斜等手段，對大規模EV充放電行為進行調控，控制EV在負荷低谷時段充電、高峰時段放電，能夠實現負荷曲線的削峰填谷，提高配電網供電穩定性[53]。

下面從EV集群負荷特性、優化控制等方面進行其參與電網調峰的研究。

1）負荷特性：文獻[17]基于交通-電力耦合網絡模型，考慮快慢充對負荷特性的影響，提出EV需求響應策略。文獻[98]考慮EV特性及充電負荷波動，建立計及光伏出力相關性和EV需求響應的雙層調控模型。文獻[99]考慮電池損耗成本，建立了包含潮流約束和斜坡速率限制等約束的負荷模型。

2）優化控制：文獻[100]建立考慮EV隨機特性的充電負荷模型，提出一種分時電價策略引導EV參與需求響應，利用多目標優化算法快速地引導集群EV響應配電系統，有效減小負荷峰谷差。文獻[101]提出基于兩層進化策略粒子群優化算法的EV調峰策略。文獻[102]考慮用戶心理及條件風險價值，提出供需兩側協同優化的EV充放電自動需求響應方法，有效平抑供電側負荷波動及削減負荷峰值。

以上策略均能調度EV參與調峰響應，但當前集群EV負荷特性的研究缺少考慮集群內部復雜耦合特性，未來研究中可結合多元化數據分析集群EV內部耦合特性，使調峰結果更符合實際情況。

4.3.2 促進新能源消納

新能源發電滲透率不斷提高，如何適應新能源出力不確定性提升新能源消納，實現電網優化運行，成為當下研究的熱點。合理地利用EV可調度屬性，通過調度EV充放電行為可與新能源實現互補協調。

目前關于EV參與新能源消納研究，主要可分為計及碳排放的新能源-EV協調與計及消納新能源出力不確定性調度研究。

1）計及碳排放的新能源-EV協調研究：文獻[103]提出以消納新能源為目標的主動配電網兩階段協調優化調度策略，減少系統碳排放量；文獻[104]基于EV可控負荷和移動儲能特性，提出面向綜合能源樓宇EV輔助服務方案。

2）計及消納新能源出力不確定性的調度研究：文獻[105]對不同荷電狀態下車輛實施不同時段的充放電規劃；文獻[106]構造EV集群的非合作充放電博弈模型，通過優化調控EV提升光伏發電利用率；文獻[107]提出基于區塊鏈的EV激勵系統，引導EV用戶在期望時間內最大限度地消納新能源。

綜上所述，以上文獻均能通過合理調控EV促進可再生能源消納。但鮮有文獻綜合考慮系統需求與用戶響應度情況，實現供需兩側協同優化。同時，合理設置EV補償價格或其他激勵措施將是未來EV消納新能源出力的研究重點。

4.4 “車-網”互動平臺示范與應用

針對車-網互動響應，國內外開展了示范工程應用研究，實現EV數據共享、監控車輛運行狀態、電網削峰填谷和新能源消納等。已開展的部分EV管控示范平臺如下。

國際方面：2015年，英國“智能運輸、加熱和控制代理”項目通過交通、頻率響應、能量存儲和區域供熱解決方案之間的合作，建立V2G概念，最大程度地提高熱電聯合產能；2016年，丹麥Parker工程驗證了EV消納新能源的可行性，并重點示范其調頻服務；2018年，日本中部電力公司與豐田通商合作V2G項目，通過EV助力實現低碳社會和穩定電力供應。

國內方面：2019年，“中國新能源汽車和可再生能源綜合應用商業化推廣——上海示范項目”投運，成為我國電網首次對充電站和EV制造商開放的需求響應試點；2020年，廣州建立車-網互動示范項目，建立EV與虛擬電廠互動模式，為電網提供輔助服務；2021年，“中國新能源汽車與可再生能源綜合應用商業化推廣示范項目”（GEF6）V2G商業運營示范項目——保定長城工業園區車網互動示范試點項目正式投運，分析V2G放電價格對車主放電意愿影響，開展動力電池參與V2G循環壽命等合作課題研究，為爭取放電政策的出臺提供支撐。

當前，國內外EV調度管理平臺建設仍處于發展初期，亟需建立相應的公共統一數據庫，并在數據分析的基礎上開發動態充電價格優化、車-網互動響應等關鍵技術。

5 展望

5.1 用戶行為畫像在EV充電預測中的應用

EV用戶行為畫像是指用戶在駕駛中留下的行為數據被大數據及互聯網收集之后加工成一系列的標簽，其本質是簡化的標簽數據。目前大部分文獻主要是對EV群體駕駛、停放特性的研究，并未深入探究EV用戶個體駕駛習慣、路徑選擇習慣、臨時更改路徑比率等特性。大數據與云計算等技術進一步發展，有必要深入探究用戶行為畫像在EV充電預測中的應用。

5.2 電網最優潮流約束下多類型充電設施網絡布局優化

我國存在充電設施結構性不足、充電樁總體利用率低、熱點區域充電排隊時間長等問題。充電設施選址既要滿足充電需求，同時需考慮電網負荷限制，以適應城市內最優電網潮流限制與充電需求的突出矛盾。突破多目標多階段多場景設施選址與配置優化技術，實現交通與電力耦合網絡協同最優下的設施網絡布局是一個亟待解決的科學問題。

5.3 多網融合下配電網多時間尺度穩定性評估方法

不確定性新能源、EV在配電網占比增加，使系統穩定性面臨挑戰。然而，EV充放電行為的多時間尺度優化調控將導致配電網安全穩定裕度發生變化，現有配電網可靠性評估方法，尚缺乏統一的安全、穩定判別標準。

5.4 多網融合充電服務綜合評估

“交通網-信息網-電力網”三網融合架構下EV參與配電網需求響應服務，需從經濟性、穩定性、用戶滿意度的角度對其進行綜合評估。①經濟性方面：分析充電站運營成本、新能源利用率等因素間耦合關系，建立層次化經濟性評價指標體系。②穩定性方面：研究充電樁容量、用戶充電需求、電壓質量指標之間的影響規律，構建刻畫系統安全域的穩定性指標。③用戶滿意度方面：分析EV分布規律與用戶充電排隊等待時間、充電價格之間的影響關系，構建適用于多場景的用戶充電滿意度評估指標與方法。

5.5 信息物理系統中云邊協同架構的研究應用

5G通信、大數據、區塊鏈等技術不斷發展，在車-網互動響應中引入邊緣計算思想，能夠突破邊緣節點數據存儲、計算的能力瓶頸，解決云計算模式占有大量計算資源，無法滿足電力物聯網高效協同要求的難題，實現智能化分析管控、邊緣設備實時控制、調度任務智能管理、數據統計查詢、各方利益協調等功能，提高配電網供電可靠性。將傳統集中式云端架構轉型為邊緣導向式云邊協同優化架構技術將迎來更多的理論研究和工程應用。邊緣導向式云邊協同優化架構示意圖如圖6所示。

圖6 邊緣導向式云邊協同優化架構

邊緣導向式云邊協同優化架構中，充電樁作為信息感知層邊緣計算單元，聚合商為邊緣服務層，交通-電力-信息耦合網絡為平臺層。EV用戶與聚合商簽訂響應合作協議參與配電網互動響應僅負責在協議規定時間內接入充電樁，充放電調控交由聚合商自主進行。在此架構下，信息感知層收集用戶行為規律信息，并計算實時可調度容量上報邊緣服務層。同時，實時接收邊緣服務層調控指令，在滿足EV用戶需求的背景下實現實時智能控制的互動響應服務。邊緣服務層與信息感知層之間實現可調度能力與實時控制的信息交互，與平臺層之間進行信息反饋及指令傳輸。平臺層進行各類信息收集、儲存、計算，并實時下發指令。

6 結論

現階段，大量學者針對EV參與配電網互動響應開展研究，并逐漸形成智慧城市車-站-網一體化運行架構新趨勢。本文深入探討車-站-網一體化運行架構的研究現狀及相關技術，并沿EV充電需求時空分布預測、“站-網”協同布局與優化、“站-車”有序引導、車-網互動響應技術這一主線綜述車-站-網一體化運行架構的最新研究成果，展望其未來研究方向。EV充電預測方面，通過解析EV充電需求預測方法優缺點，考慮動態交通下基于信息物理融合的充電負荷預測方式是未來的重點研究課題；充電設施布局方面，未來研究中需考慮交通-電力耦合網絡架構下的充電設施布局方法；充電站有序引導EV方面，以交通-電力耦合網絡建模作為有序引導基礎，建立路網耦合架構下定價與路徑規劃的融合體系是必要且可行的；“車-網”互動響應方面，從配電網可靠性及經濟性的角度論述了EV參與輔助服務市場的可行性與有效性，提出電力系統儲能共享、集群調控數據降維、EV響應激勵等多方面建議，從而提升配電網可靠性、經濟性及用戶滿意度。

另外，基于交通-電力-信息耦合網絡架構下EV數據劇增，充電需求預測方面需重點研究基于多元大數據的用戶畫像分析?？紤]電網最優潮流約束下多類型充電設施網絡布局優化、配電網多時間尺度穩定性、充電服務綜合評估與信息物理系統邊緣計算等問題值得深入研究。

[1] 孔順飛, 胡志堅, 謝仕煒, 等. 含電動汽車充電站的主動配電網二階段魯棒規劃模型及其求解方法[J]. 電工技術學報, 2020, 35(5): 1093-1105.

Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Two-stage robust planning model and its solution algorithm of active distribution network containing electric vehicle charging stations[J]. Transactions of China Electrotechnical Society, 2020, 35(5): 1093-1105.

[2] 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．

[3] 呂金炳, 宋輝, 劉云, 等. 電動汽車充電對配電網電壓質量的影響研究[J]. 電測與儀表, 2018, 55(22): 33-40.

Lü Jinbing, Song Hui, Liu Yun, et al. Study on the impact of electric vehicle charging on voltage quality of distribution network[J]. Electrical Measurement & Instrumentation, 2018, 55(22): 33-40.

[4] 陳麗丹, 聶涌泉, 鐘慶. 基于出行鏈的電動汽車充電負荷預測模型[J]. 電工技術學報, 2015, 30(4): 216-225.

Chen Lidan, Nie Yongquan, Zhong Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.

[5] 龍雪梅, 楊軍, 吳賦章, 等. 考慮路網-電網交互和用戶心理的電動汽車充電負荷預測[J]. 電力系統自動化, 2020, 44(14): 86-93.

Long Xuemei, Yang Jun, Wu Fuzhang, et al. Prediction of electric vehicle charging load considering interaction between road network and power grid and user's psychology[J]. Automation of Electric Power Systems, 2020, 44(14): 86-93.

[6] Shuai Wenjing, Maillé Patrick, Alexander Pelov. Charging electric vehicles in the smart city: a survey of economy-driven approaches[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(8): 2089-2106.

[7] 許剛, 張丙旭, 張廣超. 電動汽車集群并網的分布式魯棒優化調度模型[J]. 電工技術學報, 2021, 36(3): 565-578.

Xu Gang, Zhang Bingxu, Zhang Guangchao. Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 565-578.

[8] 劉順桂, 胡寰宇, 艾欣, 等. 集群電動汽車參與電網調峰技術綜述[J]. 華北電力大學學報(自然科學版), 2019, 46(2): 34-44.

Liu Shungui, Hu Huanyu, Ai Xin, et al. Review of electric vehicle clusters participating in network peak-load leveling technique[J]. Journal of North China Electric Power University (Natural Science Edition), 2019, 46(2): 34-44.

[9] Li Xuecheng, Xiang Yue, Lu Lin, et al. Price incentive-based charging navigation strategy for electric vehicles[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 5762-5774.

[10] 王浩林, 張勇軍, 毛海鵬. 基于時刻充電概率的電動汽車充電負荷預測方法[J]. 電力自動化設備, 2019, 39(3): 207-213.

Wang Haolin, Zhang Yongjun, Mao Haipeng. Charging load forecasting method based on instantaneous charging probability for Electric vehicle[J]. Electric Power Automation Equipment, 2019, 39(3): 207-213.

[11] 張美霞, 孫銓杰, 楊秀. 考慮多源信息實時交互和用戶后悔心理的電動汽車充電負荷預測[J/OL].電網技術: 1-15[2021-09-15]. https://doi.org/10.13335/j. 1000- 3673.pst.2021.0273.

Zhang Meixia, Sun Quanjie, Yang Xiu. Electric vehicle charging load prediction considering multi-source information real-time interaction and user regret psychology[J/OL]. Power System Technology: 1-15[2021-09-15]. https://doi.org/10.13335/j.1000-3673.pst.2021.0273.

[12] 趙書強, 周靖仁, 李志偉, 等. 基于出行鏈理論的電動汽車充電需求分析方法[J]. 電力自動化設備, 2017, 37(8): 105-112.

Zhao Shuqiang, Zhou Jingren, Li Zhiwei, et al. EV charging demand analysis based on trip chain theory[J]. Electric Power Automation Equipment, 2017, 37(8): 105-112.

[13] Florian Morlock, Bernhard Rolle, Michel Bauer, et al. Forecasts of electric vehicle energy consumption based on characteristic speed profiles and real-time traffic data[J]. IEEE Transactions on Vehicular Technology, 2020, 69(2): 1404-1418.

[14] 劉曉峰, 高丙團, 李揚. 博弈論在電力需求側的應用研究綜述[J]. 電網技術, 2018, 42(8): 2704-2711.

Liu Xiaofeng, Gao Bingtuan, Li Yang. Review on application of game theory in power demand side[J]. Power System Technology, 2018, 42(8): 2704-2711.

[15] 肖白, 崔涵淇, 姜卓, 等. 基于有限理性用戶選擇行為的定制化電價套餐設計[J]. 電網技術, 2021, 45(3): 1050-1058.

Xiao Bai, Cui Hanqi, Jiang Zhuo, et al. Customized electricity price package design based on limited rational user selection behavior[J]. Power System Technology, 2021, 45(3): 1050-1058.

[16] 詹祥澎, 楊軍, 韓思寧, 等. 考慮電動汽車可調度潛力的充電站兩階段市場投標策略[J]. 電力系統自動化, 2021, 45(10): 86-96.

Zhan Xiangpeng, Yang Jun, Han Sining, et al. Two-stage market bidding strategy for charging stations considering the schedulable potential of electric vehicles[J]. Automation of Electric Power Systems, 2021, 45(10): 86-96.

[17] 袁泉, 湯奕. 基于路-電耦合網絡的電動汽車需求響應技術[J]. 中國電機工程學報, 2021, 41(5): 1627-1637.

Yuan Quan, Tang Yi. Electric vehicle demand response technology based on traffic-grid coupling networks[J]. Proceedings of the CSEE, 2021, 41(5): 1627-1637.

[18] 葛曉琳, 史亮, 劉亞, 等. 考慮需求響應不確定性的電動汽車負荷Sigmoid云模型預測[J]. 中國電機工程學報, 2020, 40(21): 6913-6925.

Ge Xiaolin, Shi Liang, Liu Ya, et al. Load forecasting of electric vehicles based on sigmoid cloud model considering the uncertainty of demand response[J]. Proceedings of the CSEE, 2020, 40(21): 6913-6925.

[19] Wu Chuanshen, Gao Shan, Liu Yu, et al. A model predictive control approach in microgrid considering multi-uncertainty of electric vehicles[J]. Renewable Energy, 2021, 163: 1385-1396.

[20] 潘振寧, 余濤, 王克英. 考慮多方主體利益的大規模電動汽車分布式實時協同優化[J]. 中國電機工程學報, 2019, 39(12): 3528-3541.

Pan Zhenning, Yu Tao, Wang Keying. Decentralized coordinated dispatch for real-time optimization of massive electric vehicles considering various interests[J]. Proceedings of the CSEE, 2019, 39(12): 3528-3541.

[21] Stefan Scheubner, Adam Thor Thorgeirsson, Moritz Vaillant, et al. A stochastic range estimation algorithm for electric vehicles using traffic phase classification[J]. IEEE Transactions on Vehicular Technology, 2019, 68(7): 6414-6428.

[22] Wang Houlian, Zhou Gongbo, Xue Rui, et al. A driving-behavior-based SOC prediction method for light urban vehicles powered by supercapacitors[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(5): 2090-2099.

[23] 吳賦章, 楊軍, 林洋佳, 等. 考慮用戶有限理性的電動汽車時空行為特性[J]. 電工技術學報, 2020, 35(7): 1563-1574.

Wu Fuzhang, Yang Jun, Lin Yangjia, et al. Research on spatiotemporal behavior of electric vehicles considering the users’ bounded rationality[J]. Transactions of China Electrotechnical Society, 2020, 35(7): 1563-1574.

[24] Munshi Amr A, Mohamed Yasser Abdel-Rady I. Unsupervised nonintrusive extraction of electrical vehicle charging load patterns[J]. IEEE Transactions on Industrial Informatics, 2019, 15(1): 266-279.

[25] Florian Morlock, Bernhard Rolle, Michel Bauer, et al. Forecasts of electric vehicle energy consumption based on characteristic speed profiles and real-time traffic data[J]. IEEE Transactions on Vehicular Technology, 2019, 69(2): 1404-1418.

[26] 王睿, 高欣, 李軍良, 等. 基于聚類分析的電動汽車充電負荷預測方法[J]. 電力系統保護與控制, 2020, 48(16): 37-44.

Wang Rui, Gao Xin, Li Junliang, et al. Electric vehicle charging demand forecasting method based on clustering analysis[J]. Power System Protection and Control, 2020, 48(16): 37-44.

[27] 王毅, 谷億, 丁壯, 等. 基于模糊熵和集成學習的電動汽車充電需求預測[J]. 電力系統自動化, 2020, 44(3): 114-121.

Wang Yi, Gu Yi, Ding Zhuang, et al. Charging demand forecasting of electric vehicle based on empirical mode decomposition-fuzzy entropy and ensemble learning[J]. Automation of Electric Power Systems, 2020, 44(3): 114-121.

[28] 陳麗丹, 張堯, Antonio Figueiredo. 電動汽車充放電負荷預測研究綜述[J]. 電力系統自動化, 2019, 43(10): 177-191.

Chen Lidan, Zhang Yao, Antonio Figueiredo. Overview of charging and discharging load forcasting for electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(10): 177-191.

[29] Tao Ye, Huang Miaohua, Chen Yupu, et al. Orderly charging strategy of battery electric vehicle driven by real-world driving data[J]. Energy, 2020, 193: 116806.

[30] 劉文霞, 龍日尚, 徐曉波, 等. 考慮數據新鮮度和交叉熵的電動汽車短期充電負荷預測模型[J]. 電力系統自動化, 2016, 40(12): 45-52.

Liu Wenxia, Long Rishang, Xu Xiaobo, et al. Forecasting model of short-term EV charging load based on data freshness and cross entropy[J]. Automation of Electric Power Systems, 2016, 40(12): 45-52.

[31] 郭戈, 徐濤, 韓英華, 等. 電動汽車時代的電網-交通網協同優化綜述[J]. 控制與決策, 2021, 36(9): 2049-2062.

Guo Ge, Xu Tao, Han Yinghua, et al. A survey of cooperative optimization of tra?c-grid networks in the era ofelectric vehicles[J]. Control and Decision, 2021, 36(9): 2049-2062.

[32] 何勝學. 基于兩階段行程時間的交通流分配理論[J]. 交通運輸系統工程與信息, 2018, 18(1): 139-144.

He Shengxue. Traffic assignment theory based on two-stage travel time[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(1): 139-144.

[33] Suprabeet Datta, Siddhartha Rokade, Sarvesh P. S. Rajput. User-satisfaction based operational evaluation for uncontrolled intersections under mixed traffic[J]. Alexandria Engineering Journal, 2021, 60(1): 1085-1103.

[34] Ramin Niroumand, Mehrdad Tajalli, Leila Hajibabai, et al. Joint optimization of vehicle-group trajectory and signal timing: introducing the white phase for mixed-autonomy traffic stream[J]. Transportation Research Part C: Emerging Technologies, 2020, 116: 102659

[35] 曹昉, 李賽, 張姚. 考慮充電站吸引力的EV充電負荷時空分布模擬[J]. 電網技術, 2021, 45(1): 75-87.

Cao Fang, Li Sai, Zhang Yao. Temporal and spatial distribution simulation of EV charging load considering charging station attractiveness[J]. Power System Technology, 2021, 45(1): 75-87.

[36] Zhang Hongcai, Hu Zechun, Xu Zhiwei, et al. An integrated planning framework for different types of PEV charging facilities in urban area[J]. IEEE Transactions on Smart Grid, 2016, 7(5): 2273-2284.

[37] Zhang Yongmin, Chen Jiayi, Cai Lin, et al. Expanding EV charging networks considering transportation pattern and power supply limit[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6332-6342.

[38] 馬麗葉, 王海鋒, 盧志剛. 計及故障率影響含電動汽車的分布式電源選址定容雙層協調規劃[J]. 電網技術, 2021, 45(12): 4749-4760.

Ma Liye, Wang Haifeng, Lu Zhigang. Considering the influence of failure rate on the location, capacity and double-layer coordinated planning of distributed power supply with electric vehicles[J]. Power System Technology, 2021, 45(12): 4749-4760.

[39] Seyed Nasrollah Hashemian, Mohammad Amin Latify, G Reza Yousefi. PEV fast-charging station sizing and placement in coupled transportation-distribution networks considering power line conditioning capability[J]. IEEE Transactions on Smart Grid, 2020, 11(6): 4773-4783.

[40] Xu Wang, Mohammad Shahidehpour, Jiang Chuanwen, et al. Coordinated planning strategy for electric vehicle charging stations and coupled traffic-electric networks[J]. IEEE Transactions on Power Systems, 2019, 34(1): 268-279.

[41] 賈益行, 吳紅飛, 韓蒙, 等. 準單級功率變換的高效單相三端口功率因數校正變換器[J]. 電力系統自動化, 2018, 42(18): 136-141.

Jia Yixing, Wu Hongfei, Han Meng, et al. Efficient single-phase three-port power factor correction converter with quasi-single-stage power conversion[J]. Automation of Electric Power Systems, 2018, 42(18): 136-141.

[42] 孫玉巍, 李永剛, 劉教民, 等. 級聯式電力電子變壓器協調控制策略[J]. 中國電機工程學報, 2018, 38(5): 1290-1300.

Sun Yuwei, Li Yonggang, Liu Jiaomin, et al. Coordinated control strategy for cascaded power electronic transformers[J]. Proceedings of the CSEE, 2018, 38(5): 1290-1300.

[43] Mauricio Restrepo, Jordan Morris, Mehrdad Kazeran, et al. Modeling and testing of a bidirectional smart charger for distribution system EV integration[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 152-162.

[44] Liu Hui, Hu Zechun, Song Yonghua, et al. Vehicle-to-grid control for supplementary frequency regulation considering charging demands[J]. IEEE Transactions on Power Systems, 2015, 30(6): 3110-3119.

[45] 劉東奇, 鐘慶昌, 王耀南, 等.基于同步逆變器的電動汽車V2G智能充放電控制技術[J]. 中國電機工程學報, 2017, 37(2): 544-557.

Liu Dongqi, Zhong Qingchang, Wang Yaonan, et al. A synchronverter-based V2G smart charging and discharging control strategy for electric vehicles[J]. Proceedings of the CSEE, 2017, 37(2): 544-557.

[46] Jon Are Suul, Salvatore D'Arco, Giuseppe Guidi. Virtual synchronous machine-based control of a single-phase bi-directional battery charger for providing vehicle-to-grid services[J]. IEEE Transactions on Industry Applications, 2016, 52(4): 3234-3244.

[47] 陳天錦, 牛高遠, 甘江華, 等. 基于虛擬同步策略的電動汽車V2G充放電系統研究及樣機實現[J]. 電力系統保護與控制, 2021, 49(3): 131-141.

Chen Tianjin, Niu Gaoyuan, Gan Jianghua, et al. Research and prototype manufacture on electric vehicle V2G systems based on virtual synchronous control strategy[J]. Power System Protection and Control, 2021, 49(3): 131-141.

[48] Tan Xiaoqi, Qu Guannan, Sun Bo, et al. Optimal scheduling of battery charging station serving electric vehicles based on battery swapping[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1372-1384.

[49] 邢強, 陳中, 冷釗瑩, 等. 基于實時交通信息的電動汽車路徑規劃和充電導航策略[J]. 中國電機工程學報, 2020, 40(2): 534-550.

Xing Qiang, Chen Zhong, Leng Zhaoying, et al. Route planning and charging navigation strategy for electric vehicles based on real-time traffic information[J]. Proceedings of the CSEE, 2020, 40(2): 534-550.

[50] 鄧潤琦, 向月, 黃媛, 等. 交通–配電網耦合下電動汽車集群可調控裕度及優化運行策略[J]. 電網技術, 2021, 45(11): 4328-4337.

Deng Runqi, Xiang Yue, Huang Yuan, et al. Dispatchable margin and optimal operation strategy of electric vehicle clusters in coupled transportation-distribution network[J/OL]. Power System Technology, 2021, 45(11): 4328-4337.

[51] Qian Tao, Shao Chengcheng, Li Xuliang, et al. Enhanced coordinated operations of electric power and transportation networks via EV charging services[J]. IEEE Transactions on Smart Grid, 2020, 11(4): 3019-3030.

[52] 謝仕煒, 胡志堅, 王玨瑩. 考慮時-空耦合的城市電力-交通網絡動態流量均衡[J/OL]. 中國電機工程學報: 1-17 [2021-08-14]. http://kns.cnki.net/kcms/ detail/11.2107.TM.20210226.1121.005.html.

Xie Shiwei, Hu Zhijian, Wang Jueying. Dynamic flow equilibrium of urban power and transportation networks considering the coupling in time and space[J/OL]. Proceedings of the CSEE: 1-17 [2021-08-14].http://kns.cnki.net/kcms/detail/11.2107.TM. 20210226.1121.005.html.

[53] 周毅, 袁泉, 湯奕, 等. 基于路-電耦合網絡的電動汽車充電決策優化方法[J]. 電網技術, 2021, 45(9): 3563-3572.

Zhou Yi, Yuan Quan, Tang Yi, et al. Charging decision optimization method for electric vehicles based on traffic-grid coupling networks[J]. Power System Technology, 2021, 45(9): 3563-3572.

[54] Lü Zhihan, Qiao Liang, Cai Ken, et al. Big data analysis technology for electric vehicle networks in smart cities[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(3): 1807-1816.

[55] 邵尹池, 穆云飛, 林佳穎, 等. “車-站-網”多元需求下的電動汽車快速充電引導策略[J]. 電力系統自動化, 2019, 43(18): 60-61.

Shao Yinchi, Mu Yunfei, Lin Jiaying, et al. Fast charging guidance strategy for multiple demands of electric vehicle, fast charging station and distribution network[J]. Automation of Electric Power Systems, 2019, 43(18): 60-61.

[56] Dhaou Said, Hussein T. Mouftah. A novel electric vehicles charging/discharging management protocol based on queuing model[J]. IEEE Transactions on Intelligent Vehicles, 2020, 5(1): 100-111.

[57] 崔金棟, 羅文達, 周念成. 基于多視角的電動汽車有序充放電定價模型與策略研究[J]. 中國電機工程學報, 2018, 38(15): 4438-4450.

Cui Jindong, Luo Wenda, Zhou Niancheng. Research on pricing model and strategy of electric vehicle charging and discharging based on multi view[J]. Proceedings of the CSEE, 2018, 38(15): 4438-4450.

[58] Wang Shuoyao, Bi Suzhi, Zhang Ying-Jun Angela, et al. Electrical vehicle charging station profit maximization: admission, pricing, and online scheduling[J]. IEEE Transactions on Sustainable Energy, 2018, 9(4): 1722-1731.

[59] Masoumeh Seyedyazdi, Mohammad Mohammadi, Ebrahim Farjah. A combined driver-station interactive algorithm for a maximum mutual interest in charging market[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(6): 2534-2544.

[60] 李東東, 鄒思源, 劉洋, 等. 共享模式下的充電樁引導與充電價格研究[J]. 電網技術, 2017, 41(12): 3971-3979.

Li Dongdong, Zou Siyuan, Liu Yang, et al. Research on charger selection and charging price under shared mode[J]. Power System Technology, 2017, 41(12): 3971-3979.

[61] 常方宇, 黃梅, 張維戈. 分時充電價格下電動汽車有序充電引導策略[J]. 電網技術, 2016, 40(9): 2609-2615.

Chang Fangyu, Huang Mei, Zhang Weige. Research on coordinated charging of electric vehicles based on tou charging price[J]. Power System Technology, 2016, 40(9): 2609-2615.

[62] Woongsup Lee, Robert Schober, Vincent W S Wong. An analysis of price competition in heterogeneous electric vehicle charging stations[J]. IEEE Transactions on Smart Grid, 2019, 10(4): 3990-4002.

[63] 程杉, 王賢寧, 馮毅煁. 電動汽車充電站有序充電調度的分散式優化[J]. 電力系統自動化, 2018, 42(1): 39-46.

Cheng Shan, Wang Xianning, Feng Yichen. Distributed optimization for orderly charging scheduling of electric vehicle charging stations[J]. Automation of Electric Power Systems, 2018, 42(1): 39-46.

[64] Zeng Bo, Dong Houqi, Ramteen Sioshansi, et al. Bilevel robust optimization of electric vehicle charging stations with distributed energy resources[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 5836-5847.

[65] 吳巨愛, 薛禹勝, 謝東亮. 電動汽車聚合商對備用服務能力的優化[J]. 電力系統自動化, 2019, 43(9): 75-81.

Wu Juai, Xue Yusheng, Xie Dongliang. Optimization of reserve service capability made by electric vehicle aggregator[J]. Automation of Electric Power Systems, 2019, 43(9): 75-81.

[66] 楊曉東, 任帥杰, 張有兵, 等. 電動汽車可調度能力模型與日內優先調度策略[J]. 電力系統自動化, 2017, 41(2): 84-93.

Yang Xiaodong, Ren Shuaijie, Zhang Youbing, et al. Schedulable ability model and priority-based intraday scheduling strategy for electric vehicle[J]. Automation of Electric Power Systems, 2017, 41(2): 84-93.

[67] 竇迅, 王俊, 楊志宏, 等. 含交直流混合配網綜合能源系統的電動汽車分群調控策略[J]. 中國電機工程學報, 2021, 41(14): 4829-4844.

Dou Xun, Wang Jun, Yang Zhihong, et al. Cluster-based control strategies of electric vehicles for integrated energy system with AC-DC hybrid distribution network[J]. Proceedings of the CSEE, 2021, 41(14): 4829-4844.

[68] 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 intelligent charging and discharging strategy for electric vehicles considering wind power and user satisfaction[J]. Transactions of China Electrotechnical Society, 2015, 30(5): 85-97.

[69] Xu Xiangchu, Li Kangping, Wang Fei, et al. Evaluating multitimescale response capability of EV aggregator considering users’ willingness[J]. IEEE Transactions on Industry Applications, 2021, 57(4): 3366-3376.

[70] 楊健維, 楊鶴, 張夏霖, 等. 基于換電規則優化與車輛–電池組匹配的電動公交車充換電站充電優化策略[J]. 中國電機工程學報, 2019, 39(8): 2337-2347.

Yang Jianwei, Yang He, Zhang Xialin, et al. A charging optimization strategy on charging and swapping station for electric buses based on optimization of switching rules and matching of buses and batteries[J]. Proceedings of the CSEE, 2019, 39(8): 2337-2347.

[71] Farshid Varshosaz, Majid Moazzami, Bahador Fani, et al. Day-ahead capacity estimation and power management of a charging station based on queuing theory[J]. IEEE Transactions on Industrial Informatics, 2019, 15(10): 5561-5574.

[72] 崔巖, 胡澤春, 段小宇. 考慮充電需求空間靈活性的電動汽車運行優化研究綜述[J/OL]. 電網技術: 1-16[2021-09-25].https://doi.org/10.13335/j.1000-3673. pst. 2021.0514.

Cui Yan, Hu Zechun, Duan Xiaoyu. Review on the electric vehicles operation optimization considering the spatial flexibility of electric vehicles charging demands[J/OL]. Power System Technology: 1-16 [2021-09-25].https://doi.org/10.13335/j.1000-3673. pst.2021.0514.

[73] Tan Xiaoqi, Qu Guannan, Sun Bo, et al. Optimal scheduling of battery charging station serving electric vehicles based on battery swapping[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1372-1384.

[74] 田園園, 廖清芬, 徐雨田, 等. 基于有序充電策略的換電站及分布式電源多場景協調規劃方法[J]. 電力自動化設備, 2017, 37(9): 62-69.

Tian Yuanyuan, Liao Qingfen, Xu Yutian, et al. Multi-scenario coordinated planning method for substation and distributed power generation based on orderly charging strategy[J]. Electric Power Automation Equipment, 2017, 37(9): 62-69.

[75] Wang Yang, Ding Wenjian, Huang Liusheng, et al. Toward urban electric taxi systems in smart cities: the battery swapping challenge[J]. IEEE Transactions on Vehicular Technology, 2018. 67(3): 1946-1960.

[76] 吳洲洋, 艾欣, 胡俊杰. 電動汽車聚合商參與調頻備用的調度方法與收益分成機制[J]. 電網技術, 2021, 45(3): 1041-1050.

Wu Zhouyang, Ai Xin, Hu Junjie. Dispatching and income distributing of electric vehicle aggregators’ participation in frequency regulation[J]. Power System Technology, 2021, 45(3): 1041-1050.

[77] 王俊杰, 賈雨龍, 米增強, 等. 基于雙重激勵機制的電動汽車備用服務策略[J]. 電力系統自動化, 2020, 44(10): 68-76.

Wang Junjie, Jia Yulong, Mi Zengqiang, et al. Reserve service strategy of electric vehicles based on double-incentive mechanism[J]. Automation of Electric Power Systems, 2020, 44(10): 68-76.

[78] Xu Xiangchu, Li Kangping, Wang Fei, et al. Evaluating multitimescale response capability of EV aggregator considering users’ willingness[J]. IEEE Transactions on Industry Applications, 2021, 57(4): 3366-3376.

[79] 孫惠, 翟海保, 吳鑫. 源網荷儲多元協調控制系統的研究及應用[J]. 電工技術學報, 2021, 36(15): 3264-3271.

Sun Hui, Zhai Haibao, Wu Xin. Research and application of multi-energy coordinated control of generation，network，load and storage[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3264-3271.

[80] Hou Kai, Xu Xiandong, Jia Hongjie, et al. A reliability assessment approach for integrated transportation and electrical power systems incorporating electric vehicles[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 88-100.

[81] 葛少云, 李吉峰, 李騰, 等. 配電網和城市路網關聯網絡的綜合可靠性分析[J]. 中國電機工程學報, 2016, 36(6): 1568-1577.

Ge Shaoyun, Li Jifeng, Li Teng, et al. Integrated analysis on reliability of power distribution network and urban road network[J]. Proceedings of the CSEE, 2016, 36(6): 1568-1577.

[82] Susanna Mocci, Nicola Natale, Fabrizio Pilo, et al. Demand side integration in LV smart grids with multi-agent control system[J]. Electric Power Systems Research, 2015, 125: 23-33.

[83] Sergejus Martinenas, Katarina Knezovi?, Mattia Marinelli. Management of power quality issues in low voltage networks using electric vehicles: experimental validation[J]. IEEE Transactions on Power Delivery, 2017, 32(2): 971-979.

[84] Arian Zahedmanesh, Kashem M. Muttaqi, Danny Sutanto. Coordinated charging control of electric vehicles while improving power quality in power grids using a hierarchical decision-making approach[J]. IEEE Transactions on Vehicular Technology, 2020, 69(11): 12585-12596.

[85] 李曉萌, 賈宏杰, 穆云飛, 等. 時滯環境下基于電動汽車與電熱泵的協調頻率控制[J]. 電力自動化設備, 2020, 40(4): 88-95.

Li Xiaomeng, Jia Hongjie, Mu Yunfei, et al. Coordinated frequency control based on electric vehicles and heat pumps considering time-delay[J]. Electric Power Automation Equipment, 2020, 40(4): 88-95.

[86] Dong Chaoyu, Xiao Qian, Mingshen Wang, et al. Distorted stability space and instability triggering mechanism of ev aggregation delays in the secondary frequency regulation of electrical grid-electric vehicle system[J]. IEEE Transactions on Smart Grid, 2020,11(6): 5084-5098.

[87] 張一媚, 董朝宇, 董曉紅, 等. 含電動汽車集群調頻的信息能源系統譜特征和穩定性評估[J]. 電力系統自動化, 2021, 45(2): 12-20.

Zhang Yimei, Dong Chaoyu, Dong Xiaohong et al. Spectral characteristics and stability evaluation of information energy system with frequency modulation of electric vehicle cluster[J]. Automation of Electric Power Systems, 2021, 45(2): 12-20.

[88] 劉輝, 魏巖巖, 汪旎, 等. 電動汽車入網一次調頻控制策略研究[J]. 電力系統保護與控制, 2015, 43(23): 90-95.

Liu Hui, Wei Yanyan, Wang Ni, et al. V2G control for EVs participating in primary frequency regulation[J]. Power System Protection and Control, 2015, 43(23): 90-95.

[89] 楊健維, 董鴻志, 廖凱, 等. 計及電動汽車輔助調頻的負荷頻率控制聯合優化[J]. 電力自動化設備, 2019, 39(3): 200-206.

Yang Jianwei, Dong Hongzhi, Liao Kai, et al. Joint optimization of load frequency control considering auxiliary frequency regulation of electric vehicles[J]. Electric Power Automation Equipment, 2019, 39(3): 200-206.

[90] Mu Chaoxu, Liu Weiqiang, Wei Xu. Hierarchically adaptive frequency control for an EV-integrated smart grid with renewable energy[J]. IEEE Transactions on Industrial Informatics, 2018, 14(9): 4254-4263.

[91] 徐雙蝶, 張焰, 蘇運. 考慮不確定性變量模糊相關性的智能配電網概率潮流計算[J]. 電網技術, 2020, 44(4): 1488-1500.

Xu Shuangdie, Zhang Yan, Su Yun. Probabilistic power flow calculation in smart distribution networks considering fuzzy correlation between uncertainty variables[J]. Power System Technology, 2020, 44(4): 1488-1500.

[92] 李鈺洋, 王增平. 基于高斯求積的智能配電網三相概率潮流點估計法[J/OL]. 電網技術: 1-9 [2021-09-16].https://doi.org/10.13335/j.1000-3673.pst.2021. 0615.

Li Yuyang, Wang Zengping. Three-phase probabilistic load flow for smart distribution network based on gauss-quadrature-based point estimate method[J]. Power System Technology: 1-9 [2021-09-16]. https://doi.org/10.13335/j.1000-3673.pst.2021.0615.

[93] Fan Hua, Duan Chao, Zhang Chuan-Ke, et al. ADMM-Based multiperiod optimal power flow considering plug-in electric vehicles charging[J]. IEEE Transactions on Power Systems, 2018, 33(4): 3886-3897.

[94] Lü Si, Wei Zhinong, Sun Guoqiang, et al. Power and traffic nexus: from perspective of power transmission network and electrified highway network[J]. IEEE Transactions on Transportation Electrification, 2021, 7(2): 566-577.

[95] 謝仕煒, 胡志堅, 王玨瑩. 考慮時-空耦合的城市電力-交通網絡動態流量均衡[J/OL]. 中國電機工程學報: 1-17 [2021-09-16]. http://kns.cnki.net/kcms/detail/ 11.2107.TM.20210226.1121.005.html.

Xie Shiwei, Hu Zhijian, Wang Jueying. Dynamic flow equilibrium of urban power and transportation networks considering the coupling in time and space[J/OL]. Proceedings of the CSEE: 1-17[2021-09-16].http://kns.cnki.net/kcms/detail/11.2107.TM.20210226.1121.005.html.

[96] Lü Si, Wei Zhinong, Sun Guoqiang, et al. Optimal power and semi-dynamic traffic flow in urban electrified transportation networks[J]. IEEE Transactions on Smart Grid, 2020, 11(3): 1854-1865.

[97] 石文超, 呂林, 高紅均, 等. 考慮需求響應和電動汽車參與的主動配電網經濟調度[J]. 電力系統自動化, 2020, 44(11): 41-51.

Shi Wenchao, Lü Lin, Gao Hongjun, et al. Economic dispatch of active distribution network with participation of demand response and electric vehicle[J]. Automation of Electric Power Systems, 2020, 44(11): 41-51.

[98] 劉晉源, 呂林, 高紅均, 等. 計及分布式電源和電動汽車特性的主動配電網規劃[J]. 電力系統自動化, 2020, 44(12): 41-48.

Liu Jinyuan, Lü Lin, Gao Hongjun, et al. Planning of active distribution network considering characteristics of distributed generator and electric vehicle[J]. Automation of Electric Power Systems, 2020, 44(12): 41-48.

[99] Liang Huijun, Liu Yungang, Li Fengzhong, et al. Dynamic economic/emission dispatch including PEVs for peak shaving and valley filling[J]. IEEE Transactions on Industrial Electronics, 2019, 66(4): 2880-2890.

[100] 史亮, 葛曉琳, 顧聞, 等. 考慮需求響應的電動汽車充電負荷研究[J/OL]. 電測與儀表: 1-6 [2021-08-14]. http://kns.cnki.net/kcms/detail/23.1202.TH.20201019.1708.002.html.

Shi Liang, Ge Xiaolin, Gu Wen, et al. Research on charging loads of electric vehicles considering demand response[J/OL]. Electrical Measurement & Instrumentation:1-6 [2021-08-14]. http://kns.cnki.net/ kcms/detail/23.1202.TH.20201019. 1708.002.html.

[101] Tan Jun, Wang Lingfeng. Integration of plug-in hybrid electric vehicles into residential distribution grid based on two-layer intelligent optimization[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 1774-1784.

[102] 楊曉東, 張有兵, 趙波, 等. 供需兩側協同優化的電動汽車充放電自動需求響應方法[J]. 中國電機工程學報, 2017, 37(1): 120-130.

Yang Xiaodong, Zhang Youbing, Zhao Bo, et al. Automated demand response method for electric vehicles charging and discharging to achieve supply-demand coordinated optimization[J]. Proceedings of the CSEE, 2017, 37(1): 120-130.

[103] 趙德仁, 丁雷, 徐立華, 等. 面向新能源消納的主動配電網電動汽車充放電功率和網絡重構協調優化調度[J]. 電力系統及其自動化學報, 2019, 31(8): 94-101.

Zhao Deren, Ding Lei, Xu Lihua, et al. Coordinated optimal dispatching of EV charging/discharging power and network reconfiguration in active distribution network for renewable energy accommodation[J]. Proceedings of the CSU-EPSA, 2019, 31(8): 94-101.

[104] 楊錚, 彭思成, 廖清芬, 等. 面向綜合能源樓宇的電動汽車輔助服務方案[J]. 電網技術, 2017, 41(9): 2831-2843.

Yang Zheng, Peng Sicheng, Liao Qingfen, et al. Ancillary services provided by electric vehicles for building integrated energy system[J]. Power System Technology, 2017, 41(9): 2831-2843.

[105] Mosaddek Hossain Kamal Tushar, Adel W. Zeineddine, Chadi Assi. Demand-side management by regulating charging and discharging of the EV, ESS, and utilizing renewable energy[J]. IEEE Transactions on Industrial Informatics, 2018, 14(1): 117-126.

[106] 楊曉東, 張有兵, 任帥杰, 等. 含高滲透率光伏發電并網型微網中的電動汽車優化調度方法[J]. 電力系統自動化, 2016, 40(18): 15-23.

Yang Xiaodong, Zhang Youbing, Ren Shuaijie, et al. Optimal scheduling scheme of electric vehicles in grid-connected microgrid with high penetration photovoltaic power[J]. Automation of Electric Power Systems, 2016, 40(18): 15-23.

[107] Chen Xi, Zhang Tianyang, Ye Wenxing, et al. Blockchain-based electric vehicle incentive system for renewable energy consumption[J]. IEEE Transactions on Circuits and Systems II: Express Briefs, 2021, 68(1): 396-400.

Review and Prospect of Key Techniques for Vehicle-Station-Network Integrated Operation in Smart City

Wang Haixin1Yuan Jiahui1Chen Zhe1Ma Yiming1Dong Henan1,2Yuan Shun1,3Yang Junyou1

（1. School of Electrical Engineering Shenyang University of Technology Shenyang 110870 China 2. State Grid Electric Power Co. Ltd Electric Power Research Institute Shenyang 110000 China 3. Northeast China Energy Regulatory Bureau of National Energy Administration Shenyang 110006 China）

With the development of urban green transportation, optimizing and regulating electric vehicle (EV) clusters to participate in the demand response of the distribution network has become a trend, and a vehicle-station-network integrated operation structure of the smart city has been gradually formed. Under this background, this paper systematically reviews the current situation and progress of vehicle-station-network integrated operation, combining with the latest research results in the four fields: spatial and temporal distribution prediction of load demand, “station-network” collaborative deployment and management, “station-vehicle” orderly guidance strategy and “vehicle-network” interactive response. Firstly, the law of charging demand is analyzed, and the advantages and limitations of charging load and traffic load forecasting methods are summarized. Secondly, the research on the network layout of charging facilities and the vehicles to grid (V2G) technique is reviewed from the “station-network” coordination level. Thirdly, the path planning and pricing mechanism issues involved in the orderly guidance of EVs under the transportation-electricity coupling network model are explored. Thereafter, the “vehicle-grid” interactive response technology is discussed from the aspects of the schedulable capability evaluation of EV, reliability and economy of distribution network, and relevant application demonstrations are described. Finally, the existing problems and challenges in the vehicle-station-network integrated operation architecture are summarized, and prospects are made.

Vehicle-station-network integration, electric vehicles, interactive response, transportation-electric coupling network

10.19595/j.cnki.1000-6753.tces.211285

中國博士后科學基金項目（2019M651144）、遼寧省教育廳科學研究經費項目（LQGD2019005）和遼寧省自然科學基金博士啟動項目（2020-BS-141）資助。

TM73; U469.72

王海鑫 男，1989年生，博士，副教授，研究方向為綜合能源系統優化運行。E-mail：haixinwang@sut.edu.cn

楊俊友 男，1963年生，二級教授，博士生導師，研究方向為新能源消納及智能電網優化調度。E-mail：junyouyang@sut.edu.cn（通信作者）

2021-08-15

2021-09-03

（編輯 郭麗軍）