軌跡數(shù)據(jù)驅(qū)動(dòng)的電動(dòng)汽車充電需求及V2G 可調(diào)控容量估計(jì)

周椿奇，向 月，童 話，饒 萍，青倚帆，劉友波

（四川大學(xué)電氣工程學(xué)院，四川省成都市 610065）

0 引言

電動(dòng)汽車（electric vehicle，EV）的規(guī)?；茝V與應(yīng)用，給“綠色”社會(huì)建設(shè)提供了可行方案，但其大規(guī)模接入電網(wǎng)所造成的電力系統(tǒng)安全問(wèn)題逐步凸顯。為緩解高滲透率下EV 充電行為對(duì)電力系統(tǒng)穩(wěn)定運(yùn)行的沖擊，電動(dòng)汽車與電網(wǎng)互動(dòng)（vehicle-to-grid，V2G）技術(shù)因其“化被動(dòng)變主動(dòng)”的特性正逐步得到社會(huì)各界的關(guān)注［1-2］。對(duì)V2G 的可用容量進(jìn)行合理調(diào)控能夠有效緩解電網(wǎng)峰谷波動(dòng)、提升電網(wǎng)投資效益，以及為電網(wǎng)側(cè)提供緊急輔助服務(wù)。但實(shí)現(xiàn)V2G需首先滿足EV 用戶的出行需求電量，因此，有必要對(duì)EV 用戶主體的充電需求進(jìn)行精準(zhǔn)預(yù)估。

關(guān)于EV 的充電負(fù)荷特性，已有較多研究從多個(gè)維度進(jìn)行了深入探討。例如，文獻(xiàn)［3］基于多代理技術(shù)推演了EV 規(guī)模演化，分析了EV 充電負(fù)荷隨時(shí)間尺度的宏觀變化路徑；文獻(xiàn)［4］基于出行鏈與馬爾可夫過(guò)程，通過(guò)對(duì)空間區(qū)域進(jìn)行劃分，研究了EV 空間移動(dòng)特性下的充電負(fù)荷需求；文獻(xiàn)［5］通過(guò)元胞機(jī)模型，模擬了EV 作為智能體參與動(dòng)態(tài)演化過(guò)程中負(fù)荷需求的時(shí)空分布特性；文獻(xiàn)［6］提出了一種基于車輛集合的整體荷電狀態(tài)概率分布特性的EV 充電負(fù)荷概率分布數(shù)值計(jì)算方法；文獻(xiàn)［7］基于EV 行駛/停放特性，提出一種考慮EV 時(shí)空分布的充電負(fù)荷預(yù)測(cè)方法；文獻(xiàn)［8］基于起訖點(diǎn)（origindestination，OD）矩陣及Floyd 算法模擬EV 最短距離出行軌跡，并考慮車速-流量關(guān)系建立了EV 充電負(fù)荷預(yù)測(cè)模型；文獻(xiàn)［9］考慮“車-路-網(wǎng)”耦合下的動(dòng)態(tài)交通流模型，基于起訖點(diǎn)分析法研究了交通系統(tǒng)與充電負(fù)荷的動(dòng)態(tài)交互關(guān)系。但上述文獻(xiàn)對(duì)EV 充電負(fù)荷的研究主要是基于理想場(chǎng)景對(duì)EV 充電行為進(jìn)行模擬，而不是以真實(shí)數(shù)據(jù)作為支撐，并且無(wú)法準(zhǔn)確獲得充電需求的空間地理位置。因此，亟須以真實(shí)大數(shù)據(jù)作為支撐對(duì)充電負(fù)荷的時(shí)空需求進(jìn)行更具精細(xì)化的預(yù)估，為后續(xù)研究V2G 可響應(yīng)容量提供實(shí)際依據(jù)。

以真實(shí)數(shù)據(jù)作為依據(jù)的EV 充電需求估計(jì)研究中，文獻(xiàn)［10］根據(jù)美國(guó)交通部門所公布的車輛出行行為調(diào)查結(jié)果（national household travel survey，NHTS），通過(guò)擬合用戶出行時(shí)間、日均里程等車輛行為概率，對(duì)充電負(fù)荷需求進(jìn)行預(yù)估；文獻(xiàn)［11］進(jìn)一步分析中國(guó)不同階段的EV 規(guī)模，將乘用車功能細(xì)化為不同EV 類型，并采用隨機(jī)抽樣方法分析EV 的負(fù)荷時(shí)空維度分布特性。上述文獻(xiàn)通過(guò)數(shù)據(jù)擬合形式進(jìn)行充電需求估計(jì)，但前者數(shù)據(jù)無(wú)法體現(xiàn)國(guó)內(nèi)行車數(shù)據(jù)的真實(shí)情況，后者數(shù)據(jù)年代較為久遠(yuǎn)，無(wú)法為現(xiàn)階段開展V2G 響應(yīng)研究提供有意義的參考。為此，本文基于開源數(shù)據(jù)平臺(tái)提供的用戶訂單出行軌跡數(shù)據(jù)，根據(jù)動(dòng)態(tài)能耗理論，預(yù)判車輛行駛過(guò)程中的實(shí)時(shí)能耗情況。該方式不僅可精準(zhǔn)定位到有充電需求EV 用戶的興趣點(diǎn)（point of interest，POI）坐標(biāo)，而且可為后文研究相關(guān)EV 用戶選擇參與V2G 響應(yīng)的決策行為提供支撐。

在EV 參與V2G 響應(yīng)的研究方面，現(xiàn)有文獻(xiàn)多側(cè)重于對(duì)EV 可響應(yīng)資源進(jìn)行量測(cè)的研究［12-16］，而忽略了以何種方式激勵(lì)EV 用戶參與V2G 響應(yīng)，以及EV 用戶自身參與V2G 響應(yīng)的主觀意愿和客觀條件。因此，文獻(xiàn)［17］基于替代彈性價(jià)格模型，給出了微網(wǎng)短期新能源出力與負(fù)荷需求關(guān)系的動(dòng)態(tài)分時(shí)電價(jià)機(jī)制；文獻(xiàn)［18］提出一種基于模糊貝葉斯學(xué)習(xí)的EV 放電電價(jià)談判模型，構(gòu)建電網(wǎng)與EV 代理商在博弈模式下的放電電價(jià)的定價(jià)機(jī)制。文獻(xiàn)［17-18］分別給出了EV 放電電價(jià)的定價(jià)機(jī)制，激勵(lì)EV 用戶積極參與V2G 響應(yīng)，但與國(guó)內(nèi)EV 參與放電響應(yīng)的具體實(shí)施規(guī)則差異較大，無(wú)法提供參考。為此，本文考慮將文中的放電補(bǔ)償效益與目前國(guó)內(nèi)相關(guān)區(qū)域正實(shí)施的放電補(bǔ)償政策規(guī)定相適應(yīng)，構(gòu)建更具現(xiàn)實(shí)參考價(jià)值的V2G 響應(yīng)容量及經(jīng)濟(jì)效益的研究。最后，將V2G 響應(yīng)容量應(yīng)用于區(qū)域?qū)嶋H負(fù)荷削峰的研究中，分析了目前EV 參與V2G 響應(yīng)在該區(qū)域的潛在調(diào)節(jié)能力。

1 單個(gè)EV 用戶出行需求建模

1.1 原始數(shù)據(jù)來(lái)源及處理

本文通過(guò)“滴滴開放數(shù)據(jù)平臺(tái)”申請(qǐng)得到該平臺(tái)發(fā)布的中國(guó)某城市局部區(qū)域一周內(nèi)的出行訂單及訂單GPS 定位數(shù)據(jù)。該數(shù)據(jù)包括5 個(gè)以天為單位的數(shù)據(jù)包，數(shù)據(jù)鏈時(shí)間間隔為2 s，共包含約27 萬(wàn)條出行訂單的GPS 軌跡數(shù)據(jù)集。其數(shù)據(jù)格式如附錄A 表A1 所示，表中給出了每份訂單的脫敏司機(jī)信息、脫敏訂單信息、脫敏行程時(shí)間戳以及實(shí)時(shí)軌跡GPS 定位數(shù)據(jù)。

1.1.1 電動(dòng)私家車數(shù)據(jù)清洗

為構(gòu)建更加符合實(shí)際情景下私家車通勤時(shí)間的用戶出行鏈（考慮通勤過(guò)程中交通堵塞等因素），將5 日內(nèi)的訂單數(shù)據(jù)中時(shí)間在07：30—09：30 劃分為上班時(shí)間，時(shí)間在16：40—19：30 劃分為下班時(shí)間，并將該時(shí)間劃分作為工作日用戶出行鏈構(gòu)建的選取規(guī)則。同時(shí)，剔除行駛時(shí)間小于300 s，且同一訂單GPS 數(shù)據(jù)相鄰間隔距離過(guò)大以及平均速度大于120 km/h 等的訂單數(shù)據(jù)，以此作為后文構(gòu)建符合EV 用戶出行習(xí)慣行程鏈的依據(jù)。

1.1.2 電動(dòng)運(yùn)營(yíng)車出行數(shù)據(jù)清洗

本文通過(guò)篩選“滴滴”出行計(jì)劃獲得的行車軌跡數(shù)據(jù)集，得到典型（單日運(yùn)營(yíng)時(shí)間長(zhǎng)）司機(jī)用戶，進(jìn)而得到滴滴司機(jī)個(gè)體的行車軌跡數(shù)據(jù)集。因此，可直接在該清洗后的數(shù)據(jù)庫(kù)中進(jìn)行隨機(jī)抽取，作為電動(dòng)運(yùn)營(yíng)車的出行數(shù)據(jù)集。

1.2 電動(dòng)私家車用戶行程出行鏈構(gòu)造

通過(guò)1.1.1 節(jié)中對(duì)軌跡數(shù)據(jù)清洗后得到的通勤時(shí)段訂單信息，本節(jié)在該過(guò)濾數(shù)據(jù)的基礎(chǔ)上構(gòu)建了符合一般私家車用戶出行規(guī)律的軌跡行程鏈。電動(dòng)私家車通勤日出行點(diǎn)相對(duì)較為固定，利用前文清洗得到的用戶軌跡數(shù)據(jù)集，對(duì)數(shù)據(jù)集早晚通勤中的起訖點(diǎn)坐標(biāo)尋找最優(yōu)的匹配結(jié)果，作為EV 用戶通勤出行鏈。具體步驟如下：

1）通過(guò)訂單大數(shù)據(jù)，構(gòu)建早通勤出行鏈Om(i)與晚通勤出行鏈Od(j)的匹配關(guān)系：

式中：xi，m、yi，m、ti，m分別為第m號(hào)早通勤行程鏈軌跡數(shù)據(jù)中第i條信息對(duì)應(yīng)的實(shí)時(shí)經(jīng)、緯度坐標(biāo)和對(duì)應(yīng)時(shí)間戳，其中i=0，1，…，n，n為該行程鏈總長(zhǎng)度；xj，d、yj，d、tj，d分別為第d號(hào)晚通勤行程鏈軌跡數(shù)據(jù)中第j條信息對(duì)應(yīng)的實(shí)時(shí)經(jīng)、緯度坐標(biāo)和對(duì)應(yīng)時(shí)間戳，其中j=0，1，…，ν，ν為該行程鏈總長(zhǎng)度。

2）對(duì)挖掘得到的早、晚通勤數(shù)據(jù)進(jìn)行空間位置上的匹配：

式中：Ω(x)和Ω(y)分別為對(duì)經(jīng)、緯度坐標(biāo)始末位置進(jìn)行匹配的出行鏈軌跡集合；αla和αlon為不同匹配過(guò)程中允許的匹配距離誤差最小值；C(z)為成功匹配得到的出行鏈軌跡數(shù)據(jù)集合集，其中z為行程鏈數(shù)據(jù)匹配成功數(shù)，z=1，2，…，n。

圖1 展示了由式（1）—式（5）匹配得到的5 組EV 用戶早晚通勤出行鏈的模擬結(jié)果（僅為部分結(jié)果，依據(jù)以上公式共成功匹配約4 000 條行程鏈）。由圖1 可以看出，用戶在出行過(guò)程中為避免交通堵塞帶來(lái)的時(shí)間成本，會(huì)自動(dòng)選擇最優(yōu)行駛路徑。相較于傳統(tǒng)的固定出行鏈，通過(guò)該數(shù)據(jù)挖掘方法得到的出行鏈結(jié)果能更現(xiàn)實(shí)地反映城市交通堵塞及行車狀態(tài)信息對(duì)充電需求的影響（往返行程時(shí)間及往返路程不同）。

圖1 數(shù)據(jù)挖掘下的EV 用戶出行鏈結(jié)果Fig.1 Trip chain results of EV users based on data mining

1.3 EV 行駛特性建模

1）出行時(shí)刻電池荷電狀態(tài)。實(shí)際情況中，現(xiàn)階段EV 的滿電量續(xù)航里程已基本滿足了私家車用戶的日均里程需求。根據(jù)文獻(xiàn)［19］提到的私家車日均能耗需求可知，EV 用戶每周約充電1.3 次。因此，本文設(shè)置首次出行時(shí)刻的荷電狀態(tài)服從正態(tài)分布N(0.8，0.1)［20］，如式（6）所示，且通過(guò)式（7）得到各EV 初始電池容量。

式中：u、σ為正態(tài)分布的相關(guān)參數(shù)；S為EV 電池荷電狀態(tài)的初始值；V0，k為第k類EV 對(duì)應(yīng)的出行時(shí)刻初始電池容量；Vall，k為第k類EV 的電池總?cè)萘?；Sk為第k類EV 電池的荷電狀態(tài)；k=1，2，…，10，由附錄A 表A2 給出。

2）EV 能耗模型。基于文獻(xiàn)［21］所提的微觀動(dòng)態(tài)能耗量化模型，并結(jié)合EV 能耗規(guī)律給出了EV 行駛過(guò)程的動(dòng)態(tài)能耗模型。該方法相較于傳統(tǒng)的百公里固定耗電模型，能更實(shí)際地反映行駛過(guò)程的交通流堵塞所造成的EV 能耗估計(jì)偏差問(wèn)題。根據(jù)滴滴數(shù)據(jù)平臺(tái)提供的車輛秒級(jí)GPS 定位，建立了EV 不同運(yùn)行狀態(tài)（加速、減速、勻速、怠速）下的單位里程動(dòng)態(tài)耗電模型如下：

式中：ωA、ωD、ωU、ωI分別為加速、減速、勻速、怠速4 種運(yùn)行狀態(tài)下的EV 耗電量；λA、λD、λU為通過(guò)實(shí)驗(yàn)得到的各運(yùn)行狀態(tài)對(duì)應(yīng)的回歸系數(shù)［21］；Ec為怠速工況下的固定電能消耗量；ve為e時(shí)刻對(duì)應(yīng)的瞬時(shí)速度，由e時(shí)刻GPS 數(shù)據(jù)（Ge）定位的經(jīng)緯度坐標(biāo)值確定，由于數(shù)據(jù)集中采集樣本之間的間隔為2～3 s，故g表示GPS 數(shù)據(jù)采集過(guò)程中的時(shí)間間隔；ae為e時(shí)刻對(duì)應(yīng)的瞬時(shí)加速度。附錄B 圖B1 模擬了EV 動(dòng)態(tài)行駛過(guò)程的情景。

3）充電需求判斷。式（11）給出了行程時(shí)間段的剩余電量Vt，k的計(jì)算方式。

式中：h表示EV 行駛過(guò)程中的不同運(yùn)行狀態(tài)。

根據(jù)EV 剩余電量可判斷不同類型EV 的充電需求。對(duì)于電動(dòng)私家車用戶，當(dāng)EV 抵達(dá)目的地后，若無(wú)法滿足下次出行的需求電量將觸發(fā)充電需求（由式（12）給出），同時(shí)該類型的車輛主要以慢充形式為主；對(duì)于電動(dòng)運(yùn)營(yíng)車用戶，考慮到其商業(yè)運(yùn)營(yíng)需求，通常充電模式選擇以快充為主且設(shè)定閾值電量觸發(fā)其充電需求（由式（13）給出）。式中：γ為電動(dòng)運(yùn)營(yíng)車用戶的心理閾值系數(shù)，服從區(qū)間為0.15～0.30 的均勻分布［22］，即充電需求一旦觸發(fā)即選擇最近的充電站進(jìn)行快充。

對(duì)于電動(dòng)私家車用戶，當(dāng)用戶抵達(dá)目的地后，若無(wú)法滿足下次出行的電量則觸發(fā)式（12）所示的充電需求，同時(shí)，私家車用戶會(huì)選擇上段行程終點(diǎn)處就近的充電站進(jìn)行充電。本文以幾何距離最近（式（14））作為充電站的選擇依據(jù)，該充電站通過(guò)k均值聚類算法可確定該充電站所屬的對(duì)應(yīng)充電節(jié)點(diǎn)，以此作為充電節(jié)點(diǎn)的充電需求；對(duì)于電動(dòng)運(yùn)營(yíng)車用戶，通過(guò)式（13）設(shè)置的充電閾值，同樣以式（14）確定對(duì)應(yīng)充電節(jié)點(diǎn)的充電需求。

式中：u表示距行程終點(diǎn)最近的充電站，研究區(qū)域的充電站個(gè)數(shù)及充電站對(duì)應(yīng)的POI 坐標(biāo)已由數(shù)據(jù)爬蟲技術(shù)獲?。ㄒ姼戒汣 表C1）；xu，c和yu，c分別為第u個(gè)充電站的經(jīng)、緯度坐標(biāo)；xz和yw分別表示當(dāng)電動(dòng)私家車觸發(fā)式（12）或電動(dòng)運(yùn)營(yíng)車觸發(fā)式（13）時(shí)，兩類EV 分別對(duì)應(yīng)的地理坐標(biāo)位置的經(jīng)、緯度坐標(biāo)。由此，分別確定了電動(dòng)私家車與電動(dòng)運(yùn)營(yíng)車的充電位置及充電需求結(jié)果。

4）充電時(shí)長(zhǎng)：

式中：fsoc為充電結(jié)束時(shí)的荷電狀態(tài)值，服從N(0.85，0.3)的正態(tài)分布［23］；ηc為充電效率，取值為0.9；Px為充電樁功率，根據(jù)對(duì)現(xiàn)有市面上充電樁的調(diào)研，本文設(shè)置目的地慢充功率為7 kW，快充功率為30 kW。

5）充電需求負(fù)荷。每個(gè)充電節(jié)點(diǎn)的需求負(fù)荷Pc，t為：

式中：Pc，t為t時(shí)刻充電節(jié)點(diǎn)c的充電電量；Z為充電節(jié)點(diǎn)c包含的充電樁數(shù)量；Nt，k為t時(shí)刻在充電站k的EV 數(shù)量；βs，b，t為t時(shí)刻在區(qū)域s（s由4.1 節(jié)所求得的充電節(jié)點(diǎn)及區(qū)域劃分）第b輛車的充電狀態(tài)，充電時(shí)為1，否則為0。

2 V2G 需求響應(yīng)決策模型

目前，國(guó)內(nèi)的EV 發(fā)展正處于加速上升期，“十四五”提出的能源電氣化轉(zhuǎn)型進(jìn)一步推動(dòng)了V2G 技術(shù)的發(fā)展。本文認(rèn)為，實(shí)現(xiàn)EV 參與需求響應(yīng)的發(fā)展初期的主要參與對(duì)象應(yīng)為電動(dòng)私家車用戶，其主要原因如下：

1）電動(dòng)私家車規(guī)模占EV 規(guī)模的絕大部分；

2）電動(dòng)私家車日均在線及與電網(wǎng)可互動(dòng)日均時(shí)間占比達(dá)到80%以上，能夠更有效地接受電網(wǎng)側(cè)需求響應(yīng)的調(diào)控。

2.1 用戶參與V2G 需求響應(yīng)的影響因素分析

影響用戶參與V2G 需求響應(yīng)的因素較為復(fù)雜，本節(jié)分別從個(gè)體用戶屬性、政策屬性、電池產(chǎn)品屬性及社會(huì)影響等方面進(jìn)行分類梳理：

1）個(gè)體用戶屬性：指關(guān)于用戶選擇參與V2G 需求響應(yīng)的本質(zhì)屬性，如里程焦慮、用戶EV 購(gòu)買價(jià)格以及V2G 響應(yīng)所獲收益等。個(gè)體用戶屬性是影響EV 用戶選擇參與V2G 需求響應(yīng)決策的關(guān)鍵評(píng)估因素。

2）政策屬性：指關(guān)于V2G 作為需求響應(yīng)的相關(guān)規(guī)則。本文參照《廣州市虛擬電廠實(shí)施細(xì)則》（后文簡(jiǎn)稱《細(xì)則》）［24］中，關(guān)于實(shí)時(shí)響應(yīng)電價(jià)補(bǔ)償標(biāo)準(zhǔn)以及需求響應(yīng)參與時(shí)間及容量的規(guī)則作為EV 用戶通過(guò)V2G 技術(shù)參與需求響應(yīng)的環(huán)境政策屬性。

3）電池產(chǎn)品屬性：指EV 電池容量裕度、電池成本及其可循環(huán)充放電次數(shù)等因素。受限于EV 產(chǎn)品屬性的直接影響，本文基于互聯(lián)網(wǎng)信息挖掘出研究區(qū)域現(xiàn)有的EV 產(chǎn)品特征屬性，具體結(jié)果詳見附錄A 表A2。

4）社會(huì)影響：指影響EV 用戶參與決策的社會(huì)因素，包括區(qū)域EV 規(guī)模、電網(wǎng)需求量及EV 低碳運(yùn)行帶來(lái)的環(huán)保效益等因素。由于V2G 的推廣范圍較小，需要通過(guò)社會(huì)對(duì)其環(huán)保減碳效益以及經(jīng)濟(jì)效益進(jìn)行宣傳，以提高用戶對(duì)V2G 需求響應(yīng)的參與度。

2.2 用戶參與V2G 需求響應(yīng)的行為模型

2.2.1 V2G 滲透率閾值模型

在新興事物的發(fā)展初期，EV 用戶的接受程度傾向于采取觀望的態(tài)度，直到該事物的滲透情況達(dá)到個(gè)體心理閾值［25］，即行為學(xué)中的“市場(chǎng)慣性”。由于EV 用戶具有不同的社會(huì)屬性，對(duì)新興事物的傾向程度呈現(xiàn)顯著差異。根據(jù)文獻(xiàn)［3］中提出的創(chuàng)新擴(kuò)散理論，將用戶的社會(huì)屬性分為創(chuàng)新者、早期使用者、早期/晚期大眾以及產(chǎn)品滯后者，各類型用戶所占的比例取其典型值。本文主要討論V2G 參與需求響應(yīng)發(fā)展初期用戶的參與度問(wèn)題。各類型用戶的心理閾值如表1 所示。

表1 EV 用戶行為分類信息Table 1 Behavior classification information of EV users

2.2.2 EV 用戶效用評(píng)估模型

用戶在參與V2G 需求響應(yīng)前，會(huì)評(píng)估當(dāng)日的參與必要性。為評(píng)估EV 參與V2G 需求響應(yīng)的效用情況，本文建立考慮用戶的行程需求、經(jīng)濟(jì)性、社會(huì)性及環(huán)保性的綜合效用模型。綜合效用值U的計(jì)算方式如式（17）所示。

式中：Ueco、Uso、Ueir分別為用戶經(jīng)濟(jì)效用、社會(huì)效用以及環(huán)境效用；α1、α2、α3分別為用戶經(jīng)濟(jì)效用、社會(huì)效用及環(huán)境效用的權(quán)重系數(shù)，且α1+α2+α3=1。

1）用戶經(jīng)濟(jì)效用。經(jīng)濟(jì)效益是激勵(lì)EV 用戶利用V2G 參與需求響應(yīng)的重要因素，本文通過(guò)用戶放電收益BV2G與電量成本TV2G的差值來(lái)衡量。

電量成本由固定成本與可變成本組成，如式（18）所示［26］。

式中：μ為電池成本占整車單價(jià)的比例，取值為45%［27］；PEV，k為第k類EV 的單價(jià)，由附錄A 表A2給出；τ為EV 電池充放電可循環(huán)次數(shù)；Pch為用于放電的電能充電電價(jià)；ηd為放電效率；Edis為參與需求響應(yīng)的電量；υ為EV 用戶的機(jī)會(huì)成本系數(shù)，υE2dis表示參與需求響應(yīng)而失去的出行便利可變成本。

EV 用戶參與需求響應(yīng)的放電收益可依據(jù)《細(xì)則》中需求響應(yīng)電價(jià)補(bǔ)償標(biāo)準(zhǔn)計(jì)算，如式（19）所示。

式中：Cpri為補(bǔ)償標(biāo)準(zhǔn)單價(jià)；ε為響應(yīng)系數(shù)。

本文將用戶的經(jīng)濟(jì)效益定義為：

式中：GOD為EV 用戶日出行所需的總電量，通過(guò)2.2節(jié)基于軌跡數(shù)據(jù)的充電需求估計(jì)得到。

2）社會(huì)效用。根據(jù)社會(huì)學(xué)原理，用戶的決策行為不僅受自身經(jīng)濟(jì)情況的影響，還受到與之具有相同經(jīng)濟(jì)水平的社會(huì)成員的行為影響，即用戶的“同群效應(yīng)”。本文根據(jù)車型售價(jià)差異區(qū)分出不同EV 用戶的經(jīng)濟(jì)水平，此外，參考文獻(xiàn)［3］隨機(jī)生成小世界網(wǎng)絡(luò)用以描述相同經(jīng)濟(jì)水平用戶之間的連接關(guān)系。將社會(huì)效用定義如下：

式中：Kp為社會(huì)網(wǎng)絡(luò)中與EV 用戶p具有相似經(jīng)濟(jì)水平的用戶總量；Αpq為EV 用戶之間的連接矩陣元素，若p與q相連，則Αpq為1，否則為0；xq為EV 用戶q參與需求響應(yīng)的標(biāo)志，若參與則為1，否則為0；Pad為EV 的日均使用成本，其值取決于相應(yīng)用戶的EV購(gòu)買單價(jià)；β1、β2分別為表示社會(huì)集群影響在主觀及客觀中社會(huì)影響的權(quán)重系數(shù)；N為具備相同綜合特性EV 用戶已參與V2G 響應(yīng)的總數(shù)。

3）環(huán)保效用。EV 作為需求響應(yīng)資源，能夠?yàn)閷?shí)現(xiàn)“碳達(dá)峰、碳中和”的目標(biāo)作出貢獻(xiàn)。由于EV作為實(shí)時(shí)響應(yīng)資源能夠滿足需求響應(yīng)的及時(shí)性，其環(huán)保特性能夠緩解傳統(tǒng)放電需求響應(yīng)依靠大量火電機(jī)組造成的大規(guī)模排碳問(wèn)題。本文基于V2G 響應(yīng)可減少的碳排放量來(lái)定義EV 用戶的環(huán)保效用：式中：Rper為區(qū)域內(nèi)清潔能源發(fā)電占比；ωc為燃煤排碳因子。

2.2.3 EV 用戶參與需求響應(yīng)選擇概率模型

電量滿足度效用r是用戶是否參與V2G 響應(yīng)的決定性因素。本文假設(shè)若用戶當(dāng)日在停靠時(shí)間段內(nèi)進(jìn)行了充電行為，則該時(shí)間段不參與放電需求響應(yīng)。因此，該指標(biāo)取決于參與需求響應(yīng)的放電電量、EV 剩余電量以及返程所需耗電量等因素。

式中：edo為EV 用戶返程途中所需能耗。

最后，通過(guò)改進(jìn)離散選擇Logit 模型，綜合考慮EV 用戶各方面效用值，得到EV 用戶選擇參與V2G需求響應(yīng)的概率行為模型為：

EV 用戶參與需求響應(yīng)選擇模型的仿真流程圖及流程說(shuō)明如附錄D 所示。

3 V2G 需求響應(yīng)削峰調(diào)度模型

第2 章確定了EV 用戶參與需求響應(yīng)的意愿，本章將針對(duì)EV 的可響應(yīng)容量資源進(jìn)行優(yōu)化調(diào)度。由于參與需求響應(yīng)的EV 用戶可參與調(diào)度時(shí)間遠(yuǎn)小于其日常?？繒r(shí)間，本文假設(shè)響應(yīng)容量受EV 代理商（electric vehicle aggregation，EVA）統(tǒng)一調(diào)控管理。作為中間機(jī)構(gòu)，EVA 將有意愿參與需求響應(yīng)的EV資源納入削減容量的范圍，以便最大限度地發(fā)揮EV 集群的最優(yōu)化削峰調(diào)節(jié)效果。全文結(jié)構(gòu)框架如附錄E 圖E1 所示。

3.1 單個(gè)EV 用戶的響應(yīng)容量及響應(yīng)時(shí)間

依據(jù)《細(xì)則》中的規(guī)則確定EV 用戶參與需求響應(yīng)的容量及時(shí)間。規(guī)則中提到，單個(gè)電力用戶實(shí)時(shí)需求響應(yīng)原則上每月不超過(guò)4 次，且每次不超過(guò)2 h。因此，將用戶日均參與需求響應(yīng)的時(shí)間以期望的形式表示，即E=0.4 h（僅考慮工作日時(shí)間）。此外，根據(jù)電動(dòng)汽車傳導(dǎo)式充電接口的充電設(shè)施標(biāo)準(zhǔn)，本文所涉及的放電需求響應(yīng)均在慢充樁上進(jìn)行，以保證放電過(guò)程的安全問(wèn)題。用戶日均放電量為：

3.2 調(diào)度目標(biāo)函數(shù)及約束條件

EV 用戶參與削峰需求響應(yīng)的V2G 控制策略主要以削減系統(tǒng)負(fù)荷峰值、平抑負(fù)荷波動(dòng)為目標(biāo)。為此，本文引入日負(fù)荷曲線均方差表征系統(tǒng)負(fù)荷的波動(dòng)性。優(yōu)化調(diào)度的目標(biāo)為最小化負(fù)荷曲線均方差，優(yōu)化變量為調(diào)度時(shí)段Δt內(nèi)EV 的調(diào)度功率Dg，T。

式中：Fe為系統(tǒng)負(fù)荷均方差，用于表征電網(wǎng)系統(tǒng)負(fù)荷的波動(dòng)情況，均方差越大則負(fù)荷波動(dòng)越明顯；PL，T為除EV 負(fù)荷外電網(wǎng)的功率；Pa，T為T時(shí)段EV 的充電功率；Dg，T為T時(shí)段EVA 的放電功率；Pavr為區(qū)域的日平均負(fù)荷；文中設(shè)置的調(diào)度周期為一天，分為96 個(gè)調(diào)度時(shí)段。

根據(jù)《細(xì)則》中單體EV 用戶當(dāng)日僅允許參加1 次響應(yīng)的規(guī)定，可通過(guò)式（26）—式（28）控制EVA的放電功率。

式中：Nw，T為T時(shí)段未參與需求響應(yīng)的EV 數(shù)量。

4 算例分析

4.1 充電站節(jié)點(diǎn)的區(qū)域劃分

為了更好地模擬不同地理位置的充電需求電量，利用高德開放平臺(tái)（https：//jiaotong.amap.com）提供的應(yīng)用程序接口（application programming interface，API）爬取所研究城市的充電樁地理POI數(shù)據(jù)，數(shù)據(jù)集包含充電站經(jīng)緯度坐標(biāo)、充電站街道詳細(xì)地址以及所屬城市區(qū)域。同時(shí)，將POI 數(shù)據(jù)進(jìn)行清洗，篩選出研究區(qū)域范圍內(nèi)的充電站POI 信息，得到研究區(qū)域現(xiàn)存的56 個(gè)POI 地理數(shù)據(jù)（見附錄C 表C1），其充電站POI 信息可視化數(shù)據(jù)如圖C1 所示。為便于后續(xù)關(guān)于充電需求區(qū)域的時(shí)空劃分，需將離散充電樁POI 數(shù)據(jù)信息歸為不同類別。

進(jìn)一步，采用k均值聚類算法對(duì)所研究區(qū)域充電站經(jīng)緯度坐標(biāo)進(jìn)行聚類分析，并利用Python 的scikit-learn 機(jī)器學(xué)習(xí)算法包中的網(wǎng)格搜索法，基于輪廓系數(shù)模型（具體公式見附錄C 式（C1）），確定出聚類效果最優(yōu)的聚類數(shù)k=8，區(qū)域劃分結(jié)果如附錄C 圖C2 所示，以此作為確定充電需求在不同地理空間充電量的劃分依據(jù)。

附錄C 圖C2 中不同顏色的空心點(diǎn)表示研究區(qū)域的POI 數(shù)據(jù)結(jié)果；聚類算法得到的充電節(jié)點(diǎn)由圖中不同顏色的實(shí)心點(diǎn)給出。通過(guò)聚類算法分別得到8 個(gè)不同區(qū)域的充電節(jié)點(diǎn)，其中充電節(jié)點(diǎn)所包含的最大充電站數(shù)量為11 個(gè)，即圖C2 中充電節(jié)點(diǎn)5 的區(qū)域；最小充電站數(shù)量為3 個(gè)，即圖C2 中充電節(jié)點(diǎn)1 的區(qū)域。

4.2 動(dòng)態(tài)軌跡能耗與固定里程能耗比較

傳統(tǒng)能耗估計(jì)方法主要由行駛里程與單位里程固定能耗所求得，與本文所提的能耗方法具有一定偏差。因此，本文抽取由動(dòng)態(tài)能耗模型得到的電動(dòng)私家車用戶用能結(jié)果，并通過(guò)GPS 數(shù)據(jù)計(jì)算得到EV 用戶行駛里程，對(duì)比動(dòng)態(tài)能耗模型與固定能耗模型的能耗結(jié)果，如附錄F 圖F1 所示。由附錄F 圖F1 可知，相較于固定能耗模型的單位里程耗電量均值，動(dòng)態(tài)能耗模型所求得的單位里程耗電量均值高出35%，其原因主要如下：

1）EV 行駛過(guò)程因受交通流影響頻繁切換行駛狀態(tài)，導(dǎo)致EV 能耗變化波動(dòng)大；

2）動(dòng)態(tài)能耗模型的怠速狀態(tài)在城市EV 行駛過(guò)程中經(jīng)常出現(xiàn)，增加了固定能耗模型所忽略的停車狀態(tài)耗電量；

3）本文數(shù)據(jù)采集的時(shí)間及區(qū)域范圍環(huán)境溫度約為18 ℃，屬于初冬季節(jié)，EV 能耗進(jìn)一步擴(kuò)大。

4.3 區(qū)域充電負(fù)荷需求估計(jì)

以0.5 h 為時(shí)間間隔，基于所提的軌跡數(shù)據(jù)驅(qū)動(dòng)方法，可分別得到電動(dòng)私家車用戶與電動(dòng)運(yùn)營(yíng)車用戶的充電負(fù)荷需求，如圖2 所示。

圖2 不同車輛類型的充電需求負(fù)荷Fig.2 Charging demand load of different vehicle types

由圖2（a）可知，由于電動(dòng)私家車用戶的日均充電次數(shù)小于等于1，其充電時(shí)段主要集中在19：00—次日03：00，且充電需求高峰出現(xiàn)在23：00，此時(shí)私家車的充電總需求將達(dá)到3 789 kW。此外，通過(guò)對(duì)比不同區(qū)域的充電負(fù)荷可知，研究區(qū)域中的充電節(jié)點(diǎn)4 的功率普遍大于其他充電節(jié)點(diǎn)，此現(xiàn)象的主要原因是充電節(jié)點(diǎn)4 所處區(qū)域具有較高的人口密度，從而引發(fā)了較高的充電需求。

對(duì)于一般運(yùn)營(yíng)車的充電需求估計(jì)，由于大多數(shù)運(yùn)營(yíng)車具有日均充電次數(shù)大于等于1 的充電特性，其日均充電需求相較于私家車用戶具有更大的隨機(jī)性及需求量，如圖2（b）所示。由圖可知，除去充電區(qū)域1、2 屬于城市外環(huán)的邊緣區(qū)域，其余各個(gè)節(jié)點(diǎn)的充電需求在11：00—次日03：00 均保持著較高的充電需求量。同時(shí)，各個(gè)節(jié)點(diǎn)的充電需求相對(duì)變化不大，也進(jìn)一步驗(yàn)證了運(yùn)營(yíng)車充電時(shí)間及空間隨機(jī)性較大的特點(diǎn)。通過(guò)計(jì)算運(yùn)營(yíng)車不同時(shí)間斷面的充電需求可知，充電需求峰值出現(xiàn)在17：00，其充電負(fù)荷約為4 968 kW。

通過(guò)對(duì)不同類型EV 用戶的充電功率進(jìn)行疊加，可得到如圖2（c）所示的EV 總充電需求負(fù)荷。通過(guò)比較圖2（c）中不同時(shí)間斷面及不同區(qū)域的充電需求可知，研究區(qū)域的總充電需求負(fù)荷在23：00達(dá)到最大值；此外，研究區(qū)域中充電節(jié)點(diǎn)4 的充電需求總功率相較其他充電節(jié)點(diǎn)功率更大。

4.4 充電需求空間位置定位

通過(guò)GPS 定位數(shù)據(jù)及微觀能耗模型，不僅能夠求得不同時(shí)間序列的EV 充電需求負(fù)荷，而且能夠進(jìn)一步精準(zhǔn)定位EV 充電需求在所研究區(qū)域的POI數(shù)據(jù)，如附錄G 圖G1 所示。

由附錄G 圖G1 可知，不同時(shí)間序列充電需求點(diǎn)空間位置具有明顯差異。10：00—12：00 的充電需求點(diǎn)主要集中在研究區(qū)域中的三環(huán)附近地區(qū)（見圖G1（a））。此時(shí)，充電需求車輛主要為日常通勤出行的電動(dòng)私家車用戶，由于該類EV 用戶車輛?？繒r(shí)間較長(zhǎng)，往往會(huì)選取低功率充電樁進(jìn)行充電，故可在該區(qū)域增加低功率充電樁的覆蓋比例。此外，圖G1（b）給出了14：00—16：00 的充電需求點(diǎn)POI 結(jié)果。此時(shí)段的EV 充電用戶主要為電動(dòng)運(yùn)營(yíng)車，由于運(yùn)營(yíng)需求的不確定性導(dǎo)致其充電需求POI 坐標(biāo)具有較大的隨機(jī)性。但從圖中也可以發(fā)現(xiàn)，研究區(qū)域中內(nèi)環(huán)范圍（充電節(jié)點(diǎn)4、5、7）的充電需求點(diǎn)密度高于其他區(qū)域，此現(xiàn)象主要是由該范圍商業(yè)區(qū)及住宅區(qū)密度大而造成的。此外，由于該類型EV 的運(yùn)營(yíng)特性，EV 車主往往會(huì)選擇高功率快充樁進(jìn)行充電，可在該區(qū)域增加快充樁的覆蓋比例。

4.5 電動(dòng)私家車用戶參與V2G 決策及經(jīng)濟(jì)性分析

前文已探討電動(dòng)私家車的充電需求時(shí)空分布特性，本節(jié)進(jìn)一步探究工作時(shí)段閑置且未充電的電動(dòng)私家車用戶參與V2G 需求響應(yīng)的容量。通過(guò)本文第1 章的軌跡數(shù)據(jù)驅(qū)動(dòng)方法得到單體私家車的剩余荷電狀態(tài)電量，并將此結(jié)果代入第2 章所闡述的參與V2G 需求響應(yīng)決策模型中，得到不同類型私家車的參與數(shù)量分布情況，如圖3 所示。

圖3 不同類型EV 用戶參與V2G 需求響應(yīng)的數(shù)量比較Fig.3 Comparison of number of different types of EV users participating in V2G demand response

從圖中可以看出，不同類型EV 參與V2G 需求響應(yīng)的情況具有明顯差異。其中，V2G 需求響應(yīng)參與度最大的類型為EV 數(shù)量占比最大的類型1 群體。通過(guò)分析該類型EV 群體的不同效用值結(jié)果可知，該類型EV 群體因其相對(duì)較大的EV 容量及偏低的EV 價(jià)格（價(jià)格位于低檔），導(dǎo)致該類型EV 用戶對(duì)需求響應(yīng)的參與度比例達(dá)到約81%。同時(shí)，對(duì)于具有相似容量及價(jià)格屬性的EV 類型5 及類型9，分別具有80%及79%的高參與度比例。此外，圖3 中V2G參與度比例相對(duì)較低的類型為EV 類型4、8 和10，其V2G 參與度比例分別為13.9%、14.3%和9.6%。通過(guò)分析該3 類EV 用戶可知，其參與度比例較低的主要原因是這3 類EV 的電池容量均小于等于20 kW·h（其中EV 類型4 及類型8 均為混合動(dòng)力EV），參與V2G 放電將導(dǎo)致明顯的里程焦慮問(wèn)題。由此可知，EV 電池容量將制約不同類型EV 參與V2G 需求響應(yīng)的積極度。此外，進(jìn)一步比較該3 類EV 的參與度比例發(fā)現(xiàn)，盡管類型10 屬于在3 類EV中相對(duì)大容量的純EV，但參與度也小于EV 類型4及類型8 的混合雙動(dòng)力EV。通過(guò)分析可知，造成此現(xiàn)象的原因是混合動(dòng)力EV 參與V2G 的成本相對(duì)于純電動(dòng)EV 參與V2G 的成本偏高。本文分別比較了各類型EV 參與V2G 的經(jīng)濟(jì)效益，如圖4 所示。

圖4 不同類型EV 用戶參與V2G 需求響應(yīng)的性價(jià)比和經(jīng)濟(jì)效益Fig.4 Cost-performance ratio and economic benefits of different types of EV users participating in V2G demand responses

圖4 中的左側(cè)縱坐標(biāo)表示不同類型EV 參與V2G 需求響應(yīng)的性價(jià)比，其數(shù)值取決于響應(yīng)補(bǔ)償單價(jià)與各EV 類型參與響應(yīng)的單位次數(shù)電池成本之比，右側(cè)縱坐標(biāo)表示不同類型EV 參與響應(yīng)后所獲得的經(jīng)濟(jì)效益補(bǔ)償值。從圖中可知，除了受EV 容量限制的類型4、8、10 以外，其余各類型EV 均可獲得明顯的經(jīng)濟(jì)補(bǔ)償效益。

4.6 電動(dòng)私家車用戶參與V2G 需求響應(yīng)評(píng)估

通過(guò)本文第3 章中所提的優(yōu)化調(diào)度模型，得到了研究區(qū)域中EV 參與該區(qū)域需求響應(yīng)的調(diào)節(jié)效果，調(diào)節(jié)步長(zhǎng)取15 min，結(jié)果如圖5 所示。

圖5 區(qū)域EV 用戶參與V2G 需求響應(yīng)的調(diào)節(jié)效果Fig.5 Regulation effect of regional EV users participating in V2G demand response

從圖5 中可知，目前該區(qū)域開展EV 用戶參與V2G 需求響應(yīng)的實(shí)際效果并不明顯。通過(guò)計(jì)算求得EV 用戶參與調(diào)峰響應(yīng)的時(shí)段為11：00—12：00，且該時(shí)段響應(yīng)總量?jī)H為8.14 MW·h。同時(shí)經(jīng)分析可知，調(diào)節(jié)效果欠優(yōu)主要受限于如下因素：

1）本文引用的響應(yīng)補(bǔ)償規(guī)則限制了EV 用戶參與需求響應(yīng)的時(shí)間及每日次數(shù)，導(dǎo)致EV 用戶參與V2G 的總響應(yīng)量偏低；

2）考慮到充電安全及慢充樁白天閑置數(shù)量較多等因素，本文假設(shè)EV 用戶參與V2G 放電過(guò)程中均采用慢充樁，導(dǎo)致EV 用戶參與響應(yīng)過(guò)程中放電功率偏低；

3）研究區(qū)域較低的EV 規(guī)模滲透率，導(dǎo)致EV 充電需求量占該城市負(fù)荷需求的比例偏低，進(jìn)而導(dǎo)致可參與需求響應(yīng)的EV 數(shù)量偏少。

5 結(jié)語(yǔ)

首先，本文提出一種基于行車軌跡大數(shù)據(jù)驅(qū)動(dòng)的EV 充電需求的時(shí)空估計(jì)方法；其次，基于社會(huì)行為學(xué)理論，構(gòu)建了電動(dòng)私家車用戶參與需求響應(yīng)的概率選擇模型；進(jìn)而，得到可參與需求響應(yīng)的V2G可調(diào)度容量；最后，分析了該區(qū)域現(xiàn)有V2G 可調(diào)度資源對(duì)區(qū)域電網(wǎng)的調(diào)峰效果。得到主要結(jié)論如下：

1）軌跡動(dòng)態(tài)信息數(shù)據(jù)求得的EV 充電需求相較傳統(tǒng)充電需求估計(jì)方法［28］，不僅提高了不同時(shí)段充電需求估計(jì)的準(zhǔn)確度，而且可獲得EV 充電需求空間分布點(diǎn)，為城市充電基礎(chǔ)設(shè)施規(guī)劃提供了參考。

2）EV 用戶利用V2G 技術(shù)參與需求響應(yīng)的積極程度受到EV 電池容量及EV 購(gòu)買價(jià)格的影響。此外，本文得到了研究區(qū)域EV 用戶愿意參與V2G 響應(yīng)的用戶比例約為43%（該數(shù)據(jù)考慮了未滿足放電約束用戶），一定程度上反映了社會(huì)初期開展V2G試點(diǎn)的社會(huì)反響情況。

3）當(dāng)前，本文研究區(qū)域的V2G 資源調(diào)節(jié)能力對(duì)該區(qū)域負(fù)荷調(diào)峰效率略低。此外，EV 參與需求響應(yīng)的調(diào)節(jié)潛力受到需求響應(yīng)規(guī)則、放電功率大小及EV 規(guī)模滲透率等多方面的影響，可為該區(qū)域的相關(guān)部門提供政策導(dǎo)向。

本文在利用數(shù)據(jù)挖掘方式構(gòu)建出行鏈過(guò)程中，受限于開源數(shù)據(jù)維度及規(guī)模的局限性，海量的開源數(shù)據(jù)信息仍有待探尋。此外，由于V2G 需求響應(yīng)的開展仍處于試驗(yàn)階段，本文決策結(jié)果難以借鑒歷史數(shù)據(jù)進(jìn)行擬合及修正。未來(lái)，可考慮在相關(guān)實(shí)際數(shù)據(jù)支撐下利用機(jī)器學(xué)習(xí)分類算法或強(qiáng)化學(xué)習(xí)方法構(gòu)建更為精準(zhǔn)的EV 用戶決策模型。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。