規模化電動汽車參與電力系統二次調頻研究綜述

付卓銘，胡俊杰，馬文帥，姚麗

(新能源電力系統國家重點實驗室(華北電力大學), 北京市 102206)

0 引 言

近年來，隨著化石能源儲備減少以及碳排放造成的環境問題加劇，可再生能源的開發與利用得到了快速發展。我國提出力爭在2030年前實現碳達峰，2060年前實現碳中和的“雙碳”目標，并指出要實施可再生能源替代行動，深化電力體制改革，構建以新能源為主體的新型電力系統[1]，新能源發電得到高水平快速發展。但是，由于新能源出力具有間歇性、不確定性及波動性等特點[2-4]，大規模新能源發電接入電網將影響系統的電力電量平衡[5]并加重系統調頻資源需求，同時，新能源發電代替傳統機組發電將導致系統慣量水平下降進而削弱系統調頻能力，給新能源電力系統頻率穩定控制帶來巨大挑戰[6-7]。

隨著我國電動汽車的大量普及[8-9]與車網互動技術[10]的發展，利用電動汽車的靈活性參與電力系統調頻成為一種經濟[11]、高效[12]的調頻手段。已有研究表明，通過對電動汽車充放電行為進行合理引導與管理，可以實現在滿足用戶出行需求的情況下為系統提供調頻服務[13-14]。由于充電設施分散且電動汽車單體容量較小不足以直接參與調頻，目前研究主要通過聚合商對電動汽車資源進行集中管理并作為代理參與系統調頻輔助服務[15]。近年來，我國電力市場建設不斷發展，江蘇、山西等多地先后出臺輔助服務市場交易實施細則[16-18]，允許獨立輔助服務供應商匯集需求側響應資源參與調頻市場交易，為規模化電動汽車參與調頻輔助服務市場提供了政策支撐。同時，規模化電動汽車參與調頻輔助服務可以保證電網、聚合商和用戶三方受益，對于電網而言，電動汽車的響應速度和爬坡能力優于傳統調頻機組[19]，可以進行快速響應調頻，文獻[12]通過仿真證明采取含電動汽車的調頻控制策略產生的頻率誤差遠小于僅用常規機組的調頻策略；對于聚合商而言，可以通過平衡充電成本與輔助服務收益實現收益最大化[20]；對于電動汽車用戶，已有研究表明用戶可以通過提供調頻輔助服務獲得經濟效益[21-22]，文獻[23]考慮電池損耗對電動汽車參與調頻過程進行經濟性評估，結果表明現有V2G(vehicle-to-grid)調頻監管可以保證用戶參與調頻所獲收益高于電池損耗成本。

目前，關于電動汽車參與調頻輔助服務的研究已經廣泛開展，為了推動電動汽車調頻的發展與應用，本文對近年來規模化電動汽車參與電力系統調頻輔助服務關鍵方法進行綜述，尤其是對電動汽車參與二次調頻進行總結。首先，總結電動汽車參與調頻輔助服務的系統框架，將現有電動汽車可調節容量量化方法歸納為可調節容量直接量化方法和能量可行域量化方法，并進行對比分析；然后，從日前優化調度和實時控制兩方面總結規模化電動汽車參與電力系統二次調頻的模型及研究方法；最后，展望規模化電動汽車參與電力系統二次調頻未來的研究方向和關鍵技術。

1 電動汽車參與調頻輔助服務系統框架

考慮到資源分布特性，電動汽車為系統提供調頻輔助服務主要采取分散接入、集中控制的管理模式[24]，利用通信技術實現電網調度中心、電動汽車聚合商和電動汽車用戶三個主體之間的分層管理[25]，規模化電動汽車參與調頻輔助服務系統框架如圖1所示。

圖1 電動汽車參與調頻輔助服務系統框架Fig.1 System framework of electric vehicle participation in frequency-regulation ancillary service system

在該框架中，充電樁獲取電動汽車用戶電池荷電狀態(state of charge, SOC)并上報給聚合商，聚合商根據車輛信息進行電動汽車集群可調節容量量化[26]并參與調頻輔助服務市場，電網調度中心根據系統調頻需求及聚合商的上報信息下發調頻指令。

在日前階段，聚合商考慮電動汽車充放電計劃等不確定量，以自身收益期望最大為目標建立聯合參與能量-調頻輔助服務市場日前優化調度模型，在日內階段，電網調度中心根據日前的出清結果與電網調頻需求給聚合商下發自動發電控制(automatic generation control, AGC)指令，聚合商接收到調頻指令后，在滿足用戶充電需求的前提下，將調頻指令分解至各電動汽車充電樁，充電樁執行AGC調頻指令完成調頻響應過程。

2 規模化電動汽車可調節容量量化

可調節容量表征電動汽車的調節潛力，為規模化電動汽車參與電力系統調頻提供依據，聚合商根據可調節容量量化方法建立日前優化調度模型并確定AGC功率實時分配策略。目前可調節容量量化方法主要分為兩類：1)直接量化電動汽車可上調節容量與可下調節容量；2)刻畫電動汽車運行的能量可行域。下面將分別對這兩種方法展開說明。

2.1 可調節容量直接量化

電動汽車可調節容量分為可上調節容量和可下調節容量。其中，可上調節容量是指當系統頻率需要上調時，電動汽車減小充電功率或者向系統反向注入功率時的功率變化量；可下調節容量與之相反，即電動汽車增大其充電功率或減小其放電功率時的功率變化量。電動汽車的基線功率、可上調節容量與可下調節容量的功率關系具體如圖2所示。

圖2 電動汽車可調節容量與基線功率關系圖Fig.2 Diagram of base power and adjustable power capacity of the electric vehicle

(1)

(2)

(3)

圖3 電動汽車可調節容量量化示意圖Fig.3 Schematic diagram of the electric vehicle adjustable capacity quantization

(4)

(5)

直接量化方法清晰直觀地給出了電動汽車單體和集群的可調節能力，在電動汽車參與系統調頻及優化調度問題中應用廣泛。文獻[29]提出了時間軸離散化的可調節容量量化方法，該方法考慮電動汽車充電功率邊界與電量邊界，分別分析了電動汽車單體與集群的可調節容量。文獻[30]通過荷電狀態裕度和響應時間裕度從能量和時序兩方面表征電動汽車單體的最大響應能力，并進一步構建了配電網節點電動汽車集群動態可調控能量裕度模型；文獻[31-32]綜合考慮用戶出行需求、電池壽命、電池電量等約束，提出了一種規模化電動汽車實時可調節容量評估方法輔助電網調頻；文獻[33]基于電動汽車狀態估計模型提出電動汽車最大可提供向上、向下靈活性的計算方法，并將車主滿意度引入電動汽車靈活性控制。以上文獻基于用戶約定充電計劃對電動汽車單體和集群的可調節容量進行評估，并進一步分析不同充電策略和應用場景對集群實時可調節容量的影響，所得評估結果充分挖掘了電動汽車的調節潛力，但不能直接作為后續參與調頻輔助服務市場時的聚合商申報量，聚合商將以自身收益最大化為目標對調節容量進行優化求解[34-36]，具體模型在第3節中詳細介紹。

此外，文獻[37-38]采用機器學習技術預測電動汽車可調節容量，其中文獻[37]不僅預測了可調節容量的時間分布，還利用卷積神經網絡二維數據預測優異表現對電動汽車可調節容量的空間分布進行預測，以滿足實時調控的需求。文獻[38]基于需求響應信號與電動汽車歷史數據，采用TCN-tansformer網絡預測了電動汽車多時間尺度的可調節容量，并分析了不同時間尺度下可調節容量的特點。

2.2 能量可行域量化

針對可調節容量直接量化方法在大規模電動汽車集群優化調度等應用中存在的優化變量及約束條件繁多問題，已有研究提出通過能量可行域方法[39-45]表征集群的調節能力，將電動汽車單體能量可行域聚合得到整合的電動汽車集群能量可行域空間，以集群的功率及能量作為后續模型中的優化變量，在降低模型維度的同時保留了變量間的關系。

單體電動汽車能量可行域如圖4所示，根據電動汽車入網電量與電池容量下限之間的大小關系，將能量可行域分為圖4(a)和(b)兩種情況。

圖4 單體電動汽車可行域示意圖Fig.4 Feasible region diagram of a single electric vehicle

考慮多次充電行為的耦合性，文獻[42]提出了基于區間初始狀態的改進電動汽車充電和行駛行為邊界模型，并進一步構建了電動汽車“充電-行駛-充電”全過程能量軌跡邊界模型。在電動汽車單體能量可行域的基礎上，文獻[43-44]提出了基于閔可夫斯基和的電動汽車集群可調節容量量化方法，通過閔可夫斯基加法將單體的功率和能量邊界求和得到集群功率及能量邊界，將電動汽車集群等效為虛擬電池(virtual battery, VB)。其中，文獻[44]將基于閔可夫斯基和求得的虛擬電池參數作為電動汽車集群可調度能力，將壓縮后的集群數據作為訓練數據輸入神經網絡，對日前可調度能力進行預測；文獻[43]則考慮了電動汽車集群的不確定性，提出了一種具有魯棒邊界的通用虛擬電池模型。此外，文獻[46-47]通過構造多面體集合表征電動汽車集群的可行域空間。

綜上，可調節容量直接量化方法和能量可行域量化方法的優點與局限性對比如表1所示，其中可調節容量直接量化方法適用于聚合商向電網調度中心上報申報計劃[16,48]的場景；而能量可行域量化的方法適用于聚合商參與調頻輔助服務市場時運行功率的優化。

表1 可調節容量量化方法對比Table 1 Comparison of adjustable capacity quantification methods

3 日前優化調度

3.1 目標函數

在日前階段，電動汽車聚合商聯合參與現貨與調頻輔助服務市場[49]，將可調節容量、容量價格與里程價格[50]等信息進行上報。在建立聚合商聯合參與現貨與調頻輔助服務市場日前優化調度模型時，通常以聚合商凈收益最大作為目標函數：

maxF=F1-F2+F3-F4-G

(6)

式中：F表示聚合商凈收入；F1表示聚合商向用戶收取的充電費用，即售電收益；F2表示聚合商從電網購電成本；F3表示聚合商提供調頻輔助服務獲得收入；F4表示聚合商補貼給用戶的電池損耗成本；G表示懲罰項。目標函數各項具體含義如下：

1)售電收益。

(7)

2)購電成本。

(8)

3)調頻輔助服務收益。

調頻輔助服務收益由調頻容量收益和調頻里程收益兩部分組成，文獻[51]對PJM、MISO和CAISO等代表性北美獨立系統運營商的調頻服務結算規則進行了分析對比，并總結了基本結算模式：

(9)

(10)

(11)

4)電池損耗成本。

由于電動汽車的電池容量會隨放電循環次數的增加而衰減，聚合商為了激勵電動汽車用戶參與調頻輔助服務市場，對電池損耗部分折算成本并進行補償，文獻[52]將電池總成本按比例分配到各放電深度區段，通過分配到某一段放電深度的放電功率與邊際退化成本的乘積近似估計電動汽車電池的循環老化成本；文獻[53]建立計及放電深度與放電區間的電池循環壽命損耗模型，根據某次放電行為折算成的等效循環次數與標準測試條件下循環壽命之比分配電池總投資，得到電池壽命損耗成本。

5)懲罰項。

已有研究通過在目標函數中加入懲罰項來規避聚合商在參與調頻過程中的風險。針對聚合商為用戶提供的基礎充電服務，文獻[34]將用戶電量缺額補償作為懲罰項加入目標函數中，降低因充電不足造成的保底電量低于承諾值的風險；針對聚合商為系統提供的調頻輔助服務，需要考慮其可調節容量不確定性對調頻表現造成的影響，文獻[54]利用蒙特卡洛隨機模擬方法得到用戶實際可控容量，通過對實際與中標容量偏差值進行補償實現損失風險量化，文獻[55-56]基于條件風險價值(conditional value at risk, CVaR)理論對風險成本進行量化。對于給定置信度β，對應的風險價值成本CVaR和條件風險價值成本CCVaR分別為[57]：

(12)

式中：ρ(ξ)表示決定風險損失的隨機變量ξ的概率密度函數；h(ξ,x)表示風險損失函數，其中x為決策變量；ψ(x,α)為風險損失不大于α的概率分布函數。

條件風險價值CVaR理論在應用中的關鍵在于針對不同種類風險設置隨機變量并表征風險損失函數，文獻[55]考慮聚合商向系統提供調頻備用不足和向電動汽車用戶提供充電電量不足兩種風險，將隨機變量設置為系統調頻累計電量需求、可調用電動汽車數量和有充電需求的電動汽車數量，將風險損失函數表征為對上/下調節功率偏差和用戶短缺電量的補償；針對用戶充放電過程中的中斷退出行為，文獻[56]對該行為造成的損失容量進行補償，實現聚合商對不同級別控制度車群的約束。

3.2 約束條件

聚合商參與電力系統調頻日前優化調度模型的約束條件主要包括電動汽車充放電功率約束、電動汽車SOC約束及調頻容量約束。

1)單輛電動汽車充放電功率約束：

(13)

(14)

同時充放電功率應滿足互斥約束：

(15)

2)單輛電動汽車SOC約束：

(16)

(17)

3)單輛電動汽車調頻容量約束：

單輛電動汽車調頻容量約束為式(1)—(2)。

3.3 隨機優化

隨機優化(stochastic optimization, SO)以隨機變量的概率分布為基礎通過期望值模型和多場景模型等求解含不確定性的優化問題，在日前調度優化問題中得到了廣泛應用。

針對電動汽車用戶出行行為的不確定性，通常設定相關變量概率分布類型并抽樣模擬。多數研究設定電動汽車入網時間、離網時間和充電初始SOC服從標準正態分布，再進行蒙特卡羅抽樣模擬。文獻[58]設定電動汽車起始充電和放電時間服從Poission分布特性，并基于經濟學原理提出了電動汽車放電需求函數；文獻[59]采用蒙特卡羅模擬抽取大量歷史行車數據來預測電動汽車負荷時空分布；文獻[60-61]將電動汽車出行時刻、行駛時間、行駛里程和出行目的作為特征量構成用戶出行鏈，采用高斯混合分布(Gaussian mixture model，GMM)對特征量的概率密度函數進行擬合并通過蒙特卡羅模擬抽取樣本形成完整的出行鏈，模擬用戶出行行為。

對于日前階段需要考慮的系統AGC調頻信號不確定性，則更多地通過生成典型場景集進行刻畫。文獻[62]提出了一種電動汽車與機組聯合調頻的兩階段隨機優化調度模型，通過生成調頻場景集在目標函數中加入對調頻需求量不確定性的考慮，在滿足實時調頻信號需求的情況下求解日前優化調度策略；文獻[63]考慮次日風電出力預測多個場景，建立考慮棄風功率限制的聚合商日前優化調度模型。

3.4 魯棒優化

魯棒優化(robust optimization, RO)通過求解最惡劣場景下的目標函數最優值確保所有約束條件嚴格成立，對參數的不確定性進行充分考慮。魯棒優化不同于隨機優化需要隨機變量的概率分布模型，只需要考慮隨機變量的分布區間，在電力系統機組組合[64-65]、需求側響應[66]與調峰調頻[67]等問題中已經得到了廣泛應用。

針對魯棒優化在電動汽車參與調頻日前優化調度中的應用，文獻[68]考慮能量和調頻輔助服務市場價格的不確定性，采用數據分析方法根據歷史價格數據和負荷預測信息等對市場價格進行預測，通過求解日前能量與調頻輔助服務市場協同調度的魯棒優化模型得到日前調度策略；文獻[14]通過設定最不利于電動汽車出行的調頻信號建立魯棒優化框架下的優化模型，確保能夠在最大程度上滿足調頻需求。文獻[69]采用兩種數據處理方法分析調頻信號和風電出力的概率分布，建立風儲聯合系統參與調頻輔助服務的魯棒優化模型。此外，針對魯棒優化結果較為保守的問題，文獻[70]采用數據驅動的分布魯棒機會約束來描述電動汽車可調節能力的不確定性，在有限的歷史數據樣本上充分挖掘隨機變量的概率分布信息。

綜上，隨機優化在應用時大部分需要設定隨機變量的概率分布或者選取典型場景集，對極端樣本的抗擾動能力較差；魯棒優化僅需要知道不確定量的分布區間，其求解效率相對于隨機優化有所提升，但由于魯棒優化不包含歷史場景中可利用的概率信息，往往得到過于保守的決策。除了以上兩種方法，文獻[71]基于動態規劃法(dynamic programming, DP)提出了電動汽車聚合商參與調頻輔助服務的優化調度模型，動態規劃法可將日前調度優化問題這一多階段決策問題轉化為多個子問題進行求解，文獻[72]采用馬爾科夫鏈處理電動汽車充放電不確定性，為聚合商聯合參與現貨與調頻輔助服務市場日前優化調度模型提供了新思路。

4 AGC調頻實時控制

在規模化電動汽車參與AGC的實時控制策略方面，目前研究主要圍繞不同調頻資源間AGC調頻信號分解、電動汽車間AGC實時功率分配和AGC指令跟蹤三方面進行，本節將分別對其展開綜述。

4.1 AGC調頻信號分解

當電動汽車與傳統機組、儲能、風電等資源進行聯合調頻時，需要根據不同資源響應能力對AGC調頻信號進行分解，在充分發揮電動汽車快速響應能力的同時提升調頻效果，已有研究先后提出通過調頻信號周期或頻率分解[12,54,73-74]、按比例分解[75]和根據優先級分解[76]等方法。

通過信號的周期或頻率對AGC調頻信號進行分解，從調頻信號中分離出適合電動汽車快速響應特性的高頻分量部分。文獻[54]采用經驗模態分解法(empirical mode decomposition，EMD)將火電機組頻率偏差信號進行分解；文獻[12]通過巴特沃斯濾波器將調頻信號進行分解并將高頻分量分配給電動汽車承擔；文獻[73]采用集合經驗模態分解(ensemble EMD，EEMD)方法將區域控制偏差(area control error, ACE)信號中不同時間尺度與趨勢的分量進行逐級分解，產生固有模態函數(intrinsic mode function，IMF)分量，通過構造時空濾波器將原始ACE功率信號分解為兩部分，階數較低的IMF分量由儲能承擔；文獻[74]采用分頻技術，將調頻信號經過低通濾波器后產生的高頻偏差信號作為電動汽車集群的調頻參考指令。

按比例分解方法指將AGC調頻信號按照不同調頻資源的調頻能力進行分解，通常需要定義能夠衡量不同資源調頻能力的指標。根據優先級分解方法指電動汽車、儲能等快速調頻資源優先承擔AGC調頻信號，剩余部分由傳統機組承擔。文獻[75]將儲能設備“1分鐘可持續充電或放電的能力”定義為動態可用AGC(dynamic available AGC, DAA)指標，并與基于比例和優先級的AGC調頻信號分解方法進行結合，求取儲能設備分解得到的AGC調頻信號：

(18)

(19)

ugi=ui-ubi

(20)

式中：ui表示第i個控制區域的AGC調頻信號；ubi和ugi分別表示儲能資源和傳統機組分解得到的AGC調頻信號；vbi、wgi分別表示儲能設備和傳統機組的DAA指標。式(18)表示基于比例的AGC調頻信號分解方法，根據所定義的DAA指標對AGC調頻信號進行分解；式(19)和式(20)表示基于優先級的AGC調頻信號分解方法。

4.2 AGC實時功率分配

在實時階段，聚合商需要將調度中心下發的功率指令在不同電動汽車用戶之間進行分配，目前研究主要采取按比例分配[12,77]、優先級排序[24,78]和求解優化模型[28,79-81]等傳統的運籌學方法。

基于比例分配方法指聚合商根據單輛電動汽車荷電狀態按比例分配系統調頻AGC功率[12]：

(21)

(22)

式(21)表示由于頻率上調時需要電動汽車在原有充電基準功率的基礎上減小充電功率或放電，SOC越高的電動汽車優先級越高，分配到的調頻功率越多；式(22)表示由于頻率下調時需要電動汽車增大充電功率，SOC越低的電動汽車優先級越高。文獻[82]在電動汽車參與二次調頻控制中將頻率偏差積分信號按照各電動汽車可調節容量進行分配。文獻[83]在沒有詳細電動汽車充放電信息的情況下在控制中心實施考慮不確定性的調度方案，根據電動汽車可調節容量進行調頻任務分配，并對預定的V2G功率進行實時修正。文獻[84]對電動汽車調頻能力進行滾動評估，并根據調頻區間按比例分配調頻指令。

基于優先級排序的AGC功率實時分配方法指根據電動汽車的荷電狀態、充電需求等對集群進行劃分，進而制定不同的調頻參與方式。文獻[85]提出計及電動汽車集群響應的調頻策略，依據電動汽車荷電狀態劃分3種調頻模式，不同模式采取不同的調頻系數。文獻[78]根據電動汽車所需充電時間及參與調頻輔助服務的時間對集群進行分類并設定不同的調頻參與計劃。

通過建立優化模型進行AGC實時功率分配，可以在保證調頻指令響應效果的同時兼顧用戶用能需求、聚合商收益等因素，如表2所示。

表2 采用優化模型方法文獻對比Table 2 Comparison of literature on optimization model method

考慮到模型中的非凸部分，已有研究[28,79-80]通過對模型中的非凸部分進行處理，將原問題轉化為凸優化問題進行求解。文獻[79]將電動汽車充放電互斥約束這一非凸約束放寬，并在目標函數中加入關于充放電功率變量的懲罰項，使原問題轉化為凸優化問題；文獻[28]在求解過程中對含凹函數的約束條件進行處理，利用凹凸過程算法[86]將原問題轉化為凸優化問題。此外，也有研究通過啟發式算法進行求解，文獻[54]考慮充電行為的不確定性建立含電動汽車的虛擬電廠參與AGC調頻決策模型，通過改進遺傳算法求解調度策略。針對優化模型求解速度慢難以滿足實時調頻需求的問題，文獻[34,81]為滿足用戶需求提出電量實時裕度參數，以下一時刻所有電動汽車裕度中的最小裕度最大化為優化目標建立線性模型進行實時功率分配。

4.3 AGC指令跟蹤

為提高AGC實時控制中指令跟蹤的準確度，已有研究提出通過模型預測控制(model predictive control, MPC)等控制算法對電動汽車充電行為進行滾動優化，實現AGC指令最優響應。

模型預測控制主要包括預測模型、滾動優化和反饋校正3個模塊[87]，常用于解決含不確定性的控制問題[88]。MPC利用系統狀態方程構建預測模型，對系統未來動態進行預測，通過滾動優化確定最優控制策略，并利用實際輸出結果對預測結果進行修正，其基本思想如圖5所示。

圖5 模型預測控制基本思想示意圖Fig.5 Schematic diagram of the basic idea of model predictive control

文獻[89]提出了基于MPC的規模化電動汽車參與調頻多模式控制策略，根據電動汽車集群實時可調負荷功率分段結果對AGC指令所屬控制模式進行判斷，并通過MPC對相應控制模式下的充電計劃進行尋優求解，仿真結果表明該控制策略能夠實現對AGC調頻信號的準確快速追蹤。為了提高控制信號的有效性，文獻[90]提出一種基于Tube模型的魯棒模型預測控制 (robust model predictive control, RMPC)方法，在常規MPC輸出預測的基礎上通過附加MPC利用系統提供的不確定輸出信號和干擾觀測器信號來產生控制策略，提高電動汽車集群的響應能力。文獻[91]則利用MPC對含電動汽車集群的多區域互聯電網負荷頻率進行分散預測控制。

魯棒控制方法由于具有良好抗干擾性也被應用于AGC中[92]，文獻[77]提出一種基于線性矩陣不等式的電動汽車網絡化魯棒控制方法，將H∞魯棒控制理論與PID控制相結合，通過設計H∞-PID混合控制器保證系統的魯棒性并消除穩態誤差。文獻[74]在難以對含電動汽車的新能源電力系統精確建模的情況下，基于無模型自適應控制設計了滑模負荷頻率控制器。文獻[93]將一種基于社會學習自適應細菌覓食算法的AGC系統PID控制器參數優化設計方法應用于電動汽車調頻，并通過模糊邏輯控制(fuzzy logic control, FLC)對控制器參數進行在線更新。

5 關鍵技術與研究方向展望

目前，規模化電動汽車參與電力系統二次調頻研究已經取得了很大進展，但在實際推廣過程中還面臨調頻效用不明晰、用戶意愿隨機和指令執行精度有限等問題。據此，對規模化電動汽車參與電力系統二次調頻未來的研究方向以及關鍵技術作出如下展望：

1)規模化電動汽車參與調頻效用評估。現階段，規模化電動汽車參與電力系統調頻的研究主要集中在優化調度方法上，少有研究對電動汽車產生的系統調頻效用進行評估，電動汽車參與調頻對系統頻率穩定的貢獻未知。因此，未來需對規模化電動汽車參與調頻效用評估展開研究，量化電動汽車參與調頻導致電力系統調頻容量需求的變化。可以將模型驅動和數據驅動方法相結合量化系統調頻容量需求，并建立規模化電動汽車參與調頻效用評價指標體系，衡量電動汽車參與調頻對系統調頻容量需求的影響。

2)考慮用戶意愿的可調節容量概率建模。用戶是否愿意接受聚合商調控將直接影響可調節容量的量化，考慮到現有研究較少考慮用戶意愿或未對用戶意愿充分表征，未來可將電動汽車用戶行為刻畫與意愿不確定性建模作為電動汽車參與調頻的研究方向之一。在已有用戶意愿研究的基礎上，采用問卷采集和滿意度函數擬合等方法對電動汽車用戶意愿進行建模，并進一步分析用戶意愿不確定性對可調節容量量化的影響。

3)權衡收益與風險的日前優化調度方法研究。在日前調度方面，聚合商聯合參與現貨與調頻輔助服務市場的優化調度面臨實時調頻響應能力與復雜市場環境帶來的不確定性，需考慮實際調頻時聚合商調頻容量緊缺帶來的風險，相關研究較為有限，未來可以更多地引入風險評估方法進行權衡收益與風險的日前優化調度方法研究。此外，考慮到隨機優化以及魯棒優化的局限性，可引入新的決策模型，如分布式魯棒優化技術，在保持魯棒性的同時學習到歷史數據中的概率信息，有效克服兩種方法的局限性。

4)考慮控制精度要求的電動汽車實時控制方法研究。在實時階段，聚合商響應調頻需求進行功率分配的過程應盡可能考慮控制精度的要求，但是相關研究對控制精度要求關注較少，未來可以進一步展開研究。在關鍵技術層面，除了已有的魯棒控制、模型預測控制等方法，可以在聚合商參與系統調頻AGC功率實時控制過程中引入深度強化學習等智能控制算法，在滿足系統實時調頻指令需求的同時，提高實時控制策略求解速度。同時，考慮在電動汽車實時控制方法中加入不同型號電動汽車電池差異、充電樁的執行精度等現實情況，進一步提高控制精度。

6 結 語

在高比例新能源并入電網的背景下，規模化電動汽車參與電力系統二次調頻對提升電力系統頻率穩定支撐能力、優化系統資源配置具有重要意義。本文首先總結了以聚合商為主體的規模化電動汽車參與調頻系統框架，歸納了電動汽車可調節容量量化的兩種方法并進行了對比分析。然后，對規模化電動汽車參與調頻日前優化調度方法、實時控制策略方法與其中涉及到的關鍵技術進行了全面的綜述，在對規模化電動汽車參與二次調頻研究進行總結的同時為其他分散式需求側資源的應用提供了參考。最后，基于現有研究對未來關鍵技術與研究方向進行了展望。

在規模化電動汽車參與調頻效用評估方面，未來可以采取模型驅動和數據驅動相結合的方法量化系統調頻容量需求，并建立規模化電動汽車參與系統調頻效用評價指標體系；在電動汽車用戶意愿建模方面，進一步對用戶行為刻畫與意愿不確定性建模展開研究，基于問卷采集和滿意度函數擬合等方法建立用戶意愿模型；在日前優化調度方面，通過風險評估方法權衡收益與風險，利用分布式魯棒優化等新技術建立決策模型；在實時控制方面，考慮充電樁執行精度等現實情況，對聚合商響應調頻需求過程中的隨機因素進一步展開研究，并引入深度強化學習等智能控制算法提高控制策略求解速度。