充電服務商參與電力市場的資源配置與運營策略分析

胡澤春

充電服務商參與電力市場的資源配置與運營策略分析

胡澤春

(清華大學電機工程與應用電子技術系，北京 100084)

電動汽車充電服務商聚合充電負荷資源參與電力市場，不但可以提升電力系統(tǒng)運行的安全性和經濟性，還可以獲得市場收益和補償、降低電動汽車用戶充電成本，實現(xiàn)多方共贏。首先對電動汽車參與電力市場的潛力和充電服務商的優(yōu)勢因素進行分析，提出了充電服務商參與電力市場之前，在資源配置方面應解決的主要問題。在運營階段，提出了充電服務商參與電力市場的運營策略構架，并針對關鍵技術(包括充電負荷預測與調節(jié)能力評估、充電價格彈性分析與定價策略、投標策略和在線控制策略)的實施進行了分析。

電動汽車；充電服務商；優(yōu)化運營；電力市場

0 引言

隨著以風電和光伏為代表的可再生能源發(fā)電滲透率的提升，電力系統(tǒng)的安全經濟運行亟需可靈活調控的資源。近年來，分布式資源通過聚合商參與電力市場或提供輔助服務是國內外發(fā)展的重要方向。電動汽車作為一種分布式靈活資源，其調控潛力大、成本低。因此，充電服務商作為聚合商參與電力市場具有很好的發(fā)展形勢。

電動汽車充電作為一種新型的負荷，因為同時具有隨機性和時空可控性而受到廣泛關注[1-2]。在充電負荷特性分析[3]、充電負荷預測[4]、充電負荷對配電網影響評估的基礎上，國內外對充電負荷的調控策略開展了大量研究。充電負荷調控可以分為多個層級，包括充電樁、充電站、配電網[5]、充電服務商和大電網層級[6]。調控的目標包括降低充電費用、削峰填谷、優(yōu)化電網運行、為電力系統(tǒng)提供調頻、備用等輔助服務。充電負荷的調控方式大體可分為價格與激勵方式、集中式調控方式[7]和分布式調控方式[8-9]，集中式調控可進一步分為單層和多層調控模式。

由于單個充電負荷或充電站的功率相對較小，在充電樁或充電站層面的充電負荷調控一般只能根據充電價格對本地的功率平衡進行優(yōu)化。大規(guī)模電動汽車的充電負荷需要通過充電服務商、負荷聚合商或虛擬電廠聚合后才能發(fā)揮其規(guī)?；?。國內外已有一些對電動汽車聚合參與電力市場的研究。如文獻[10]針對充電量較大的電動公交場站，提出了參與月度電力交易的策略。文獻[11]提出了電動汽車聚合商參與日前電力市場的分層優(yōu)化方法，考慮了電動汽車充電需求的不確定性。文獻[13]對含電動汽車充電站的虛擬電廠，提出了日前優(yōu)化調度策略。文獻[13]提出了含電動汽車和需求響應的虛擬電廠同時參與雙邊合同、日前市場、日內和平衡市場的競標策略。

考慮到目前充電服務商已具備參與電力市場的條件，本文首先探討充電服務商參與電力市場的資源配置問題。在此基礎上，提出了充電服務商參與電力市場運營策略構架和關鍵運營技術，并對每項技術的解決方案和難點進行了分析。

1 充電服務商參與電力市場的資源配置

1.1 充電負荷的可引導與可調控性

不同類型電動汽車的行為特性、充電需求和充電負荷的靈活性可能相差很大。以下是針對主要類型電動汽車可引導和可調控性的分析。

1) 電動公交車。電動公交車的日平均行駛里程長、充電需求高、車輛運營規(guī)律性強、充電場站集中，便于充電管理和調度。對電池容量超過150 kWh(甚至超過300 kWh)的電動公交車，在白天和晚上充電的時間和功率一般均有調度空間。對于電池容量較小、在運營時段采用大功率快速補電的電動公交車，一般僅能夠在夜間非運行時段進行有序充電。

2) 私家車。私家車的平均日行駛里程短，單車的充電需求不大，但一般在白天工作時段和夜間停駛時間長，充電可調度的范圍大。未來私家電動車的數量龐大，是充電調控的重要資源。

3) 物流車。物流車可集中調度和安排充電，具有調控潛力，但具體的調控能力與車型、數量和運營安排密切相關。

4) 網約車。對于使用公共充電設施補電的網約車，雖然在充電時的功率一般不可調整，但何時、何地充電具有一定程度的可調控性。

1.2 充電服務商參與電力市場的優(yōu)勢

電動汽車充電服務商參與電力市場可以挖掘以下3方面的優(yōu)勢。

1) 充電負荷靈活性。如1.1節(jié)所示，電動汽車充電負荷是特殊的靈活性資源，可通過技術和經濟手段挖掘其參與電力市場的潛力，在不影響電動汽車使用的情況下，使得充電服務商和車主均可獲益。

2) 站址資源優(yōu)勢。電動汽車充電站內可以配置電池儲能系統(tǒng)，在有條件的場站還可以安裝光伏等分布式電源，從而提高充電運營商參與電力市場的競爭力。

3) 平臺資源優(yōu)勢。充電服務商已配置了可以監(jiān)控充電設施的信息化平臺，在此平臺上可以開發(fā)與電網調度進行信息交互的接口和參與電力市場的高級應用功能。進一步，此平臺還可以接入其他靈活資源，使得充電服務商成為虛擬電廠運營商。

1.3 充電服務商參與電力市場的資源配置問題

充電服務商聚合充電負荷資源參與電力市場，主要需解決以下資源配置問題。

1) 如何確定參與電力市場的充電設施類型與規(guī)模。充電運營商可能為多種類型的電動汽車提供充電服務，包括專用、私人和公共充電設施等。不同類型電動汽車和充電設施具有的調控潛力不同，應根據車輛的運行和充電行為特性等因素，選擇調控潛力大、調控代價低的充電設施/電動汽車參與電力市場。

2) 如何評估參與電力市場的成本與收益。對充電服務商而言，參與電力市場的成本包括軟硬件系統(tǒng)改造、新增投入人力和向電動汽車車主提供補貼/激勵等。本文討論的充電服務商參與電力市場包括提供輔助服務、參與電能交易等。充電服務商的收益與具體的電力市場類型相關，一般具有一定的不確定性。

3) 如何提升充電負荷的可控性。提升充電負荷可控性主要包括充電相關信息的收集、充電負荷可控性評估、軟硬件評估改造、激勵車主的商業(yè)模式和制定精細化控制策略等方面工作。

4) 如何配置參與調控的軟硬件平臺。配置軟硬件平臺的目標主要包括3方面：(1) 獲取更多的信息，輔助充電引導或調控；(2)與電網調度、電力市場交易部門的信息交互；(3) 實現(xiàn)對充電設施的調控、用戶發(fā)布信息和結算。

5) 如何配置參與調控的其他資源。如果條件允許，充電服務商可在綜合成本效益分析的基礎上進行資源配置的優(yōu)化，包括投資分布式電源、投資儲能設備和納入第三方可調控資源等。

2 充電服務商參與電力市場的運營策略

2.1 充電服務商運營決策構架與關鍵技術

電動汽車充電服務商參與電力市場的運營決策構架如圖1所示。圖中示意了充電服務商聚合充電設施、電池儲能和分布式光伏資源參與電力市場，圖中將充電服務商的決策系統(tǒng)劃分為3個部分：充電服務的差異化定價決策、參與電力市場的投標決策和在線調控決策。

圖1 充電服務商運營決策構架

充電服務商參與電力市場交易的目標一般是實現(xiàn)自身收益的最大化，在考慮市場與調控規(guī)則約束的條件下，充電服務商應解決以下關鍵技術。

1) 充電負荷預測與調節(jié)能力評估。與普通電力負荷的功率曲線預測不同，充電服務商若能夠預測充電負荷功率和電量的上下界曲線，形成類似區(qū)間預測的結果，則可用于充電功率的優(yōu)化控制。對于不能調控的充電負荷，可預測其充電功率曲線。

2) 參與電力市場投標或調控能力申報。充電服務商在向電力市場組織方/電網調度部門提交其投標或申報調節(jié)范圍前，應基于充電負荷預測與調節(jié)能力評估的結果，綜合考慮電網的需求、市場價格和競爭對手行為，制定最佳的投標或申報方案。

3) 對充電負荷實施在線控制。充電服務商根據已被市場出清/電網確認的功率曲線，對充電負荷實施在線控制，最大化自身收益或最小化偏差損失。

2.2 充電負荷預測

電動汽車充電需求受天氣條件、日期類型等多種因素的影響，具有一定的不確定性。但隨著電動汽車數量規(guī)模的增長，電動汽車群體的充電負荷也可以較為準確的預測。圖2為某市2014年一天的實際充電負荷曲線和預測結果。當時的充電功率較小，但采用小波神經網絡進行預測，預測精度可超過80%。

2.3 電動汽車充放電調控能力分析

充放電可調控能力的評估是充電服務商參與電力市場投標和實施充電功率控制的基礎。為不失一般性，這里考慮電動汽車可以放電的情況。對于一定規(guī)模的電動汽車，其總的可調控能力可采用集合模型來表示。

圖2 充電負荷曲線與日前預測結果

圖3 電動汽車充(放)電過程的邊界示意圖

1) 電動汽車接入充電設施充電時，用戶一般不上報離開時間和期望的SOC水平；

2) 對交流充電設施而言，國內目前采用的充電接口標準無法獲知電動汽車電池的SOC狀態(tài)；

3) 對沒有在充電服務商平臺準確建立檔案的電動汽車，無法獲知其動力電池的額定電量。

為解決以上問題，充電服務商可加強與電動汽車用戶的信息交互，最大限度地通過多個途徑獲取車輛信息和充電需求。

2.4 充電負荷的價格彈性分析方法與定價策略

充電功率可調控的充電需求具有時間上的價格彈性[16]。充電需求在空間上的可移動性是電動汽車的一大特點。通過價格引導或激勵機制，甚至可以調動部分電動汽車到指定的地點進行充電或放電。因此，對于在公共充電站滿足的充電需求，具有一定的時間和空間彈性。

電動汽車充電需求的價格彈性難以采用理論方法計算。當具備一定的數據積累時，可采取基于實際數據的人工智能方法進行評估。以獲得的充電彈性為基礎，可進一步制定充電服務的定價策略，以最大化充電服務商的收益，如圖4所示。

圖4 基于數據驅動的充電價格彈性評估與優(yōu)化定價

圖5 條件隨機場模型示意圖

為考慮充電負荷的時空彈性，則需要對以上條件隨機場模型進行擴展。我國很多地區(qū)采用峰谷平分時電價，則考慮充電負荷時空彈性的框架如圖6所示。圖中沒有顯示隱式隨機變量對應的價格。

圖6 考慮充電負荷時空彈性的框架

在獲取價格彈性之后，可以建立以充電服務商收益最大為目標的優(yōu)化問題進行求解，獲取每個充電站最佳的定價方案。

由于充電行為的復雜性和充電服務市場的競爭性，充電需求價格彈性分析和充電服務定價存在以下困難。

1) 同一個地區(qū)一般有多個充電服務商，單個充電服務商難以準確掌握競爭對手的充電負荷，因而對充電價格彈性評估的準確性會造成影響。

2) 充電價格定期調整可以更好地反映供需關系，但合理的調價周期難以確定。

2.5 參與市場交易的投標與控制策略

2.5.1投標策略

充電服務商的投標策略與參與市場的類型相關。文獻[10]提出了電動公交車充電站代理商的月度交易模型以及對應的日運行優(yōu)化策略。這里以電動汽車充電服務商參與日前調峰輔助服務市場為例，給出其日前投標的基本優(yōu)化模型。

目標函數如式(1)所示。

約束條件如式(2)—式(6)所示。

2.5.2 控制策略

文獻[7]對電動汽車與電網互動的控制策略進行較為詳細的分析。在實時運行階段，充電服務商的調控要求具體到每一輛電動汽車(即每一個充電樁)，因而需要快速的控制決策方法[17-18]。在有條件的充電站，服務商可下發(fā)充電站的整體調節(jié)指令，而站內每個充電樁的充電功率由站級管理系統(tǒng)進行決策。

在實時運行階段，充電服務商對充電功率進行控制，以盡可能與市場出清結果或電網調度指令一致，目標函數如式(7)所示。

需要說明的是，以上優(yōu)化模型沒有考慮充電機的啟停情況(啟動的充電機一般有最小充電功率限制)。充電服務商的分層優(yōu)化控制方法和實施流程，可參考文獻[7]。

3 結論

隨著有序充電、電動汽車與電網互動技術的推廣應用，通過虛擬電廠或充電服務商聚合電動汽車參與電力市場可以釋放出大規(guī)模電動汽車充放電的調節(jié)潛力。本文首先對充電服務商參與電力市場的優(yōu)勢和需要解決的資源配置問題進行分析，然后論述了充電服務商參與電力市場的運營策略構架和關鍵技術。綜合而言，提高充電負荷的預測和充放電調控能力評估精度是充電服務商的核心競爭力，投標和運行控制策略是充電服務商提升收益的關鍵。此外，充電運營商的收益依賴于市場規(guī)則和提供輔助服務補償的力度，具有一定的不確定性。

[1] 胡澤春, 宋永華, 徐智威, 等. 電動汽車接入電網的影響與利用[J]. 中國電機工程學報, 2012, 32(4): 1-10, 25.

HU Zechun, SONG Yonghua, XU Zhiwei, et al. Impacts and utilization of electric vehicles integration into power systems[J]. Proceedings of the CSEE, 2012, 32(4): 1-10, 25.

[2] 胡海濤, 鄭政, 何正友, 等. 交通能源互聯(lián)網體系架構及關鍵技術[J]. 中國電機工程學報, 2018, 38(1): 12-24, 339.

HU Haitao, ZHENG Zheng, HE Zhengyou, et al. The framework and key technologies of traffic energy internet[J]. Proceedings of the CSEE, 2018, 38(1): 12-24, 339.

[3] 胡宇航, 皮一晨, 崔靜安, 等. 電動汽車充電站負荷建模研究[J]. 電力系統(tǒng)保護與控制, 2017, 45(8): 107-112.

HU Yuhang, PI Yichen, CUI Jing’an, SUN Jianjun. Research on electric vehicle charging station modeling[J]. Power System Protection and Control, 2017, 45(8): 107-112.

[4] 彭曙蓉, 黃士峻, 李彬, 等. 基于深度學習分位數回歸模型的充電樁負荷預測[J]. 電力系統(tǒng)保護與控制, 2020, 48(2): 44-50.

PENG Shurong, HUANG Shijun, LI Bin, et al. Charging pile load prediction based on deep learning quantile regression model. Power System Protection and Control, 2020, 48(2): 44-50.

[5] 占愷嶠, 胡澤春, 宋永華, 等. 考慮三相負荷平衡的電動汽車有序充電策略[J]. 電力系統(tǒng)自動化, 2015, 39(17): 201-207.

ZHAN Kaiqiao, HU Zechun, SONG Yonghua, et al. A coordinated charging strategy for electric vehicle three-phase load balance[J]. Automation of Electric Power Systems, 2015, 39(17): 201-207.

[6] 姚偉鋒, 趙俊華, 文福拴, 等. 集中充電模式下的電動汽車調頻策略[J]. 電力系統(tǒng)自動化, 2014, 38(9): 69-76.

YAO Weifeng, ZHAO Junhua, WEN Fushuan, et al. Frequency regulation strategy for electric vehicles with centralized charging[J]. Automation of Electric Power Systems, 2014, 38(9): 69-76.

[7] 胡澤春, 宋永華, 劉輝. 電動汽車與電網互動的調控策略[M]. 北京: 科學出版社, 2019.

[8] NIMALSIRI N I, MEDIWATHTHE C P, RATNAM E L, et al. A survey of algorithms for distributed charging control of electric vehicles in smart grid[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(11): 4497-4515.

[9] MALHOTRA A, BINETTI G, DAVOUDI A, et al. Distributed power profile tracking for heterogeneous charging of electric vehicles[J]. IEEE Transactions on Smart Grid, 2017, 8(5): 2090-2099.

[10] 李睿雪, 胡澤春, 段小宇. 電動公交車充電站代理商的月度交易模型與日運行優(yōu)化策略[J]. 電力建設, 2019, 40(1): 27-34.

LI Ruixue, HU Zechun, DUAN Xiaoyu. Monthly Bilateral electricity transaction model and daily optimal operation strategy for the agent of electric bus charging stations[J]. Electric Power Construction, 2019, 40(1): 27-34.

[11] PORRAS á, FERNáNDEZ-BLANCO R, MORALES J M, et al. An efficient robust approach to the day-ahead operation of an aggregator of electric vehicles[J]. IEEE Transactions on Smart Grid, 2020, 11(6): 4960-4970.

[12] 應飛祥, 徐天奇, 李琰, 等. 含電動汽車充電站商業(yè)型虛擬電廠的日前調度優(yōu)化策略研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(21): 92-100.

YING Feixiang, XU Tianqi, LI Yan, et al. Research on day-to-day scheduling optimization strategy of a commercial virtual power plant with an electric vehicle charging station[J]. Power System Protection and Control, 2020, 48(21): 92-100.

[13] 周亦洲, 孫國強, 黃文進, 等. 計及電動汽車和需求響應的多類電力市場下虛擬電廠競標模型[J]. 電網技術, 2017, 41(6): 1759-1767.

ZHOU Yizhou, SUN Guoqiang, HUANG Wenjin, et al. Strategic bidding model for virtual power plant in different electricity markets considering electric vehicles and demand response[J]. Power System Technology, 2017, 41(6): 1759-1767.

[14] ZHANG H, HU Z, XU Z and SONG Y. Evaluation of achievable vehicle-to-grid capacity using aggregate PEV model[J]. IEEE Transactions on Power Systems, 2016, 32(1): 784-794.

[15] 段小宇, 胡澤春, 崔巖, 等. 長時間尺度下的電動汽車有序充放電調度[J]. 電網技術, 2018, 42(12): 4037-4044.

DUAN Xiaoyu, HU Zechun, CUI Yan, et al. Optimal charging and discharging strategy for electric vehicles in large timescales[J]. Power System Technology, 2018, 42(12): 4037-4044.

[16] 陳靜鵬, 艾芊, 肖斐. 基于集群響應的規(guī)?；妱悠嚦潆妰?yōu)化調度[J]. 電力系統(tǒng)自動化, 2016, 40(22): 43-48.

CHEN Jingpeng, AI Qian, XIAO Fei. Optimal charging scheduling for massive electric vehicles based on cluster response[J]. Automation of Electric Power Systems, 2016, 40(22): 43-48.

[17] VAGROPOULOS S I, KYRIAZIDIS D K, BAKIRTZIS A G. Real-time charging management framework for electric vehicle aggregators in a market environment[J]. IEEE Transactions on Smart Grid, 2016, 7(2): 948-957.

[18] 陳凱炎, 牛玉剛. 基于V2G技術的電動汽車實時調度策略[J]. 電力系統(tǒng)保護與控制, 2019, 47(14): 1-9.

CHEN Kaiyan, NIU Yugang. Real-time scheduling strategy of electric vehicle based on vehicle-to-grid application[J]. Power System Protection and Control, 2019, 47(14): 1-9.

Analysis of resource allocation and operation strategy for charging service providers to participate electricity markets

HU Zechun

(Department of Electrical Engineering, Tsinghua University, Beijing 100084, China)

Electric vehicle charging service providers aggregate charging load resources to participate in electricity markets, which can not only improve the safety and economy of power system operation, but also obtain market benefits or compensation, reduce the charging cost of electric vehicle users, and achieve a win-win situation for all parties. This paper first analyzes the potential of electric vehicles to participate in electricity markets and the advantages of charging service providers, and puts forward the main problems that charging service providers should solve in terms of resource allocation before participating in the markets. In the operation stage, this paper proposes the operational strategy framework for charging service providers to participate in electricity markets, and analyzes the implementations of the related key technologies, including charging load forecasting and regulation capability evaluation, charging price elasticity analysis and pricing strategies, bidding strategies and online control strategies.

electric vehicle; charging service provider; optimal operation; electricity market

國家自然科學基金項目資助(U1766205)

This work is supported by the National Natural Science Foundation of China (No. U1766205).

2022-07-20；

2022-09-25

胡澤春(1979—)，男，博士，副教授，研究方向為電動汽車、能源與交通系統(tǒng)融合、電力系統(tǒng)優(yōu)化運行、電力系統(tǒng)規(guī)劃。E-mail: zechhu@tsinghua.edu.cn