電動汽車V2G調(diào)度優(yōu)化策略的多指標(biāo)評估方法*

鄭 鑫，邱澤晶，郭 松，廖 暉，黃玉萍，雷 霆

電動汽車V2G調(diào)度優(yōu)化策略的多指標(biāo)評估方法*

鄭 鑫1,2，邱澤晶1,2，郭 松1,2，廖 暉3?，黃玉萍3，雷 霆4

（1. 南瑞集團公司(國網(wǎng)電力科學(xué)研究院有限公司)，南京 211106；2. 國網(wǎng)電力科學(xué)研究院武漢能效測評有限公司，武漢 430077；3. 中國科學(xué)院廣州能源研究所，廣州 510640；4. 國網(wǎng)上海市電力公司，上海 200122）

隨著車網(wǎng)互動（V2G）活動頻繁，如何評價V2G調(diào)度策略效果成為V2G運營的關(guān)鍵問題。從電網(wǎng)調(diào)度、電網(wǎng)安全與能源安全等多個角度，提出一種基于V2G調(diào)度策略運行效果的多指標(biāo)評估方法。首先，系統(tǒng)剖析V2G調(diào)度系統(tǒng)的運行方式與運行特點，建立基于V2G調(diào)度系統(tǒng)的多指標(biāo)評估框架。其次，從V2G調(diào)度策略運行效果層面，圍繞可再生能源消納比率、可調(diào)度容量、調(diào)度響應(yīng)時間、負(fù)荷平穩(wěn)度和調(diào)度運行經(jīng)濟效益共五個指標(biāo)，構(gòu)建V2G調(diào)度策略運行效果的多指標(biāo)評估模型。最后以某區(qū)域內(nèi)的電動汽車集群為案例進行分析，選取某市三個場景區(qū)域內(nèi)常規(guī)負(fù)荷，分別執(zhí)行分時電價、停車費減免、可再生能源消納三種V2G調(diào)度策略，對系統(tǒng)調(diào)度運行結(jié)果實施多指標(biāo)評估，評估結(jié)果驗證了電動汽車V2G調(diào)度優(yōu)化策略多指標(biāo)評估方法的有效性及優(yōu)越性。

電動汽車；V2G；多指標(biāo)評估；調(diào)度策略；標(biāo)準(zhǔn)化

0 引 言

在應(yīng)對氣候變化與實現(xiàn)碳達峰、碳中和目標(biāo)過程中，電動汽車（electric vehicle, EV）作為一種環(huán)境友好型交通工具，近年來在全球范圍內(nèi)得到大力推廣。EV作為一種可移動儲荷資源，有別于電力系統(tǒng)中其他常規(guī)負(fù)荷，不僅能在電力系統(tǒng)任意節(jié)點充電，還能通過車網(wǎng)互動（vehicle to grid, V2G）技術(shù)向系統(tǒng)中的節(jié)點進行反向饋電。截至2021年底，全球道路上擁有1 000萬輛EV，且EV保有量繼續(xù)呈逐年攀升趨勢。預(yù)計2025年將達到5 000萬輛，屆時EV可向電網(wǎng)提供的最大容量達到600 GW[1]。EV的大規(guī)模發(fā)展在促進減碳減排的同時，也使得電力系統(tǒng)的運行面臨著巨大挑戰(zhàn)[2]。V2G調(diào)度策略通過研究EV的時空特性，進一步挖掘EV移動儲荷資源，從而支撐電網(wǎng)進行移峰填谷，提高可再生能源消納比例。因此，合理引導(dǎo)EV在特定時空下參與V2G調(diào)度，以及開展V2G調(diào)度策略下多指標(biāo)評估分析具有重要的現(xiàn)實意義。

目前，V2G的理論技術(shù)研究已經(jīng)有大量豐富的研究成果[3]，尤其在調(diào)度技術(shù)上對V2G的調(diào)度策略研究方面。ANTúNEZ等[4]提出一種基于混合整數(shù)線性規(guī)劃的方法來求解考慮V2G技術(shù)的非平衡配電系統(tǒng)中EV的最優(yōu)充電協(xié)調(diào)問題。SCARABAGGIO 等[5]提出兩種控制策略來實現(xiàn)EV蓄電池在頻率調(diào)節(jié)過程中的最優(yōu)控制。為彌補大規(guī)模EV接入調(diào)度產(chǎn)生的各層級信息斷層與延遲問題，采用多層級調(diào)度策略來提高EV集群的響應(yīng)速度，最大化利用EV的儲荷資源[6-8]。文獻[9-11]通過研究EV的時空活動特性，分析EV與EV集群的需求響應(yīng)潛力。文獻[12-14]以充分消納吸收可再生能源為目標(biāo)，研究V2G調(diào)度策略實現(xiàn)方法，充分利用EV的移動儲荷資源提高多方參與主體的經(jīng)濟性。文獻[15-16]研究采用動態(tài)的可再生能源電價取代現(xiàn)有的固定充放電價格模式，采用V2G策略消納更多的可再生能源，提高可再生能源利用率，增加了社會的經(jīng)濟效益。NEYESTANI等[17]建立一種基于城市EV不確定性的混合整數(shù)規(guī)劃V2G調(diào)度模型，該模型驗證在適當(dāng)?shù)亩▋r方案下可以使得多方獲得更高的利潤。以上工作聚焦在技術(shù)層面對V2G調(diào)度進行研究，通過V2G調(diào)度充分利用EV集群資源實現(xiàn)電網(wǎng)負(fù)荷的波動小、可再生能源消納多、社會經(jīng)濟效益佳等效果，然而均未對調(diào)度效果進行評估。

在可再生能源高滲透的背景下，基于時間序列方向矩陣，LIU等[18]提出二分法嵌入式粒子群優(yōu)化算法，充分利用EV儲荷特性消納盡可能多的可再生能源，該方法同時對調(diào)度效果進行評估，指導(dǎo)V2G調(diào)度策略閉環(huán)優(yōu)化，提高了區(qū)域系統(tǒng)內(nèi)能源的自給率。文獻[19-20]提出“可調(diào)度能力”概念，建立了以配電網(wǎng)總負(fù)荷峰谷差最小化為指標(biāo)的EV可調(diào)度能力分析模型。張亞朋等[21]以大規(guī)模EV構(gòu)成的虛擬電廠（electric vehicle virtual power plant, EVPP）為分析對象，提出一種多時間尺度響應(yīng)能力評估模型，該模型能評估日前響應(yīng)能力并指導(dǎo)修正調(diào)控策略。WEI等[22]提出了一種基于改進的NSGA-II算法，對V2G與綜合能源系統(tǒng)（integrated energy systems, IES）耦合作為靈活存儲的可行性的評估方法，主要評估經(jīng)濟和環(huán)境效益，評估結(jié)果準(zhǔn)確地描述V2G與IES耦合的可行性。TAN等[23]對風(fēng)?光電?水電混合動力系統(tǒng)互補運行的效益和風(fēng)險進行評估，通過量化不確定性風(fēng)險指標(biāo)來建立可靠性指數(shù)，對可靠性進行評估。以上文獻在優(yōu)化調(diào)度評估方面已有深入的研究，但是在EV V2G的可靠性和經(jīng)濟性評估方面還未形成體系，缺少從多個指標(biāo)對V2G調(diào)度策略效果進行評估，無法為調(diào)度決策者提供全面的信息。

針對V2G調(diào)度策略執(zhí)行后的效果，提出一種多指標(biāo)評估模型，從電網(wǎng)和用戶的角度，圍繞可再生能源消納比率、可調(diào)度容量、調(diào)度響應(yīng)時間、負(fù)荷平穩(wěn)度和調(diào)度運行經(jīng)濟效益共五個指標(biāo)來評估調(diào)度策略運行效果。該模型可以分析在相同的情景條件下運行不同的調(diào)度策略，直觀地展示V2G調(diào)度策略在不同指標(biāo)上的表現(xiàn)。為調(diào)度系統(tǒng)優(yōu)化、調(diào)度策略選型等提供依據(jù)和指導(dǎo)，提升調(diào)度決策全面性和可靠性，促進調(diào)度理想度水平的提升。

1 V2G調(diào)度系統(tǒng)的多指標(biāo)評估框架

V2G調(diào)度系統(tǒng)由V2G充放電樁、電力負(fù)荷、可再生能源發(fā)電設(shè)備與傳統(tǒng)發(fā)電機組設(shè)備組成，所有系統(tǒng)組成單元均通過信息流和能量流雙向流通，實時交互。信息流包含V2G調(diào)度中心與分布式發(fā)電、充電樁運營商、電力負(fù)荷以及EV之間的雙向交流。能量流包含電網(wǎng)與充電樁、充電樁與EV之間的能量雙向流通。

所提出的多指標(biāo)評估框架是建立于V2G日前調(diào)度模型基礎(chǔ)上，對調(diào)度時段內(nèi)調(diào)度結(jié)果狀態(tài)進行評估，評估結(jié)果反映調(diào)度運行的理想度水平。結(jié)合傳統(tǒng)儲能綜合評估模型[24]，借鑒於益軍等[25]提出電力系統(tǒng)調(diào)度運行后評估方案與應(yīng)用架構(gòu)設(shè)計評估思路進行拓展，從不同參與主體構(gòu)建可量化評估指標(biāo)，形成V2G調(diào)度策略多指標(biāo)評估體系，最后生成雷達圖來展示調(diào)度策略的運行情況。區(qū)域 V2G調(diào)度系統(tǒng)的多指標(biāo)評估框架如圖1所示。

圖1 面向V2G調(diào)度系統(tǒng)的多指標(biāo)評估框架

V2G調(diào)度中心包含整個調(diào)度過程中的事前、事中及事后所有數(shù)據(jù)，其中事前對系統(tǒng)數(shù)據(jù)進行預(yù)處理，模擬策略執(zhí)行過程，得到事中數(shù)據(jù)。根據(jù)事中數(shù)據(jù)對調(diào)度策略進行反饋，最后獲得事后調(diào)度結(jié)果。對調(diào)度整個過程進行多指標(biāo)評估，與調(diào)度策略的預(yù)期目標(biāo)進行對比分析，閉環(huán)調(diào)整調(diào)度策略參數(shù)，使得模擬調(diào)度結(jié)果達到調(diào)度策略的期望。

2 V2G調(diào)度模型

2.1 目標(biāo)函數(shù)

在V2G調(diào)度系統(tǒng)中，日前、日內(nèi)的V2G調(diào)度模型重點考慮EV用戶出行距離、出行起止時間等出行需求以及電池類型、容量、單位里程能耗等車輛特性參數(shù)。V2G調(diào)度可以充分有效調(diào)度規(guī)?；疎V的移動儲荷資源進行充放電，使得系統(tǒng)達到預(yù)期的運行目標(biāo)，如平衡電網(wǎng)負(fù)荷波動、提升可再生能源消納比例和最大化調(diào)度運行經(jīng)濟效益等。基于前期研究提出的V2G經(jīng)濟調(diào)度模型及多級車網(wǎng)優(yōu)化調(diào)度方法[26]，調(diào)整不同場景下V2G調(diào)度參數(shù)與策略目標(biāo)方程，以實現(xiàn)各策略之間的擇優(yōu)。

V2G日前調(diào)度模型約束條件組包括EV服務(wù)約束、并網(wǎng)功率約束和電力系統(tǒng)平衡約束。

2.2 EV服務(wù)約束

V2G系統(tǒng)控制管理有個充放電樁，分布在個網(wǎng)絡(luò)節(jié)點，調(diào)度仿真周期為。在調(diào)度計劃時段內(nèi)，共有輛EV響應(yīng)V2G服務(wù)邀約，V2G調(diào)度系統(tǒng)的特征常量參數(shù)如表1所示，特征變量見表2。

表1 V2G系統(tǒng)特征常量參數(shù)表

表2 V2G系統(tǒng)特征變量表

圖2 V2G調(diào)度下EV服務(wù)狀態(tài)示意圖

2.3 EV并網(wǎng)功率約束

2.4 電力系統(tǒng)平衡約束

3 多指標(biāo)V2G調(diào)度策略評估方法

基于前述的V2G調(diào)度策略運行框架，EV參與V2G給電網(wǎng)與運營商帶來的收益及影響需要從多方面判斷和衡量，本文提出的V2G EV調(diào)度策略的多指標(biāo)評估方法，圍繞可調(diào)度容量、調(diào)度響應(yīng)時間、可再生能源消納比率、負(fù)荷平穩(wěn)度和調(diào)度運行經(jīng)濟效益，建立五個獨立指標(biāo)，形成V2G調(diào)度的多指標(biāo)評估模型。

首先，V2G調(diào)度中心獲取區(qū)域內(nèi)的EV、充電樁等物理參數(shù)特征，對EV參與V2G的初始狀態(tài)、并離網(wǎng)要求及行駛計劃進行初始化，設(shè)定調(diào)度策略的服務(wù)價格、充放電價格等參數(shù)，V2G調(diào)度中心統(tǒng)計接受邀約的車輛狀態(tài)信息，然后確定V2G調(diào)度優(yōu)化目標(biāo)，更新車輛充放電節(jié)點、起始時間與服務(wù)時長，求解獲得車輛參與V2G調(diào)度計劃，并判定當(dāng)前調(diào)度結(jié)果是否滿足特定評估指標(biāo)。若未能滿足該指標(biāo)，則調(diào)整V2G調(diào)度策略參數(shù)，激勵改變參與V2G邀約車輛的數(shù)量、充放電容量、充放電起始時間與時長，找到滿足特定指標(biāo)的最佳V2G策略和車輛調(diào)度計劃。V2G調(diào)度策略多指標(biāo)評估流程如圖3 所示。

圖3 V2G調(diào)度策略多指標(biāo)評估流程

3.1 可再生能源消納比率評估

3.2 EV可調(diào)度容量評估

EV可調(diào)度容量表征愿意參與調(diào)度的EV集群在滿足基本出行前提下，EV集群可以參與V2G的容量。

3.3 可再生能源消納比率評估

3.4 EV調(diào)度負(fù)荷平穩(wěn)度評估

3.5 EV調(diào)度運行經(jīng)濟效益評估

EV調(diào)度運行經(jīng)濟效益表征在EV參與調(diào)度下，V2G系統(tǒng)整體經(jīng)濟效益。合理引導(dǎo)EV在時間上和空間上參與V2G調(diào)度，不僅可以降低EV無序充電對電網(wǎng)的沖擊，還能通過移峰填谷、調(diào)峰調(diào)頻，提高多方主體的經(jīng)濟效益。用戶響應(yīng)服務(wù)收益為1，環(huán)境收益為2，節(jié)點負(fù)荷不能滿足造成的補償為3，電網(wǎng)過網(wǎng)費用為4。

3.6 多指標(biāo)評估結(jié)果標(biāo)準(zhǔn)化

V2G調(diào)度策略需從多指標(biāo)中評估衡量，由于各指標(biāo)間的量綱單位不同，且結(jié)果值范圍不一致，難以判斷各自策略的優(yōu)缺點，需對評估結(jié)果進行標(biāo)準(zhǔn)化處理。

(25)

4 算例分析

4.1 算例場景及參數(shù)設(shè)置

調(diào)研分析某市三個典型場景（工業(yè)區(qū)、商業(yè)活動區(qū)、居民小區(qū)）內(nèi)的電力負(fù)荷消費數(shù)據(jù)。調(diào)研結(jié)果顯示：①工業(yè)區(qū)內(nèi)光伏發(fā)電、風(fēng)力發(fā)電等可再生能源發(fā)電量占園區(qū)總負(fù)荷30%左右[27]，火力發(fā)電機組最低負(fù)荷為額定負(fù)荷的10%；②商場的電力負(fù)荷特性為當(dāng)23:00后停止?fàn)I業(yè)至次日8:00開始營業(yè)前，其間電力負(fù)荷降至最低點，在中午時段、傍晚至夜間時段迎來用電高峰[28]；③居民區(qū)電力負(fù)荷特性[29]在工業(yè)區(qū)下班后開始逐漸爬升。三個場景典型的負(fù)荷曲線、可再生能源發(fā)電曲線及EV集群充電功率曲線如圖4所示。

圖4 負(fù)荷、可再生能源發(fā)電與EV集群充電日負(fù)荷曲線

表4 EV集群類型及特性參數(shù)

表5 EV充放電分時電價

假定每個算例場景分別執(zhí)行分時電價、停車費減免、可再生能源消納三種調(diào)度策略，三種策略的簡要特點如表6所示，三種調(diào)度策略的目標(biāo)函數(shù)如表7所示。

表6 V2G調(diào)度策略

表7 V2G調(diào)度策略的目標(biāo)函數(shù)

4.2 調(diào)度運行結(jié)果分析

依次對工業(yè)區(qū)區(qū)域分別執(zhí)行分時電價、停車費減免、可再生能源消納三種調(diào)度策略。得到不同場景下執(zhí)行不同調(diào)度策略后系統(tǒng)的峰谷負(fù)荷見表8。

表8 三種算例場景、三種調(diào)度策略充放電峰值

綜合表8可以得到，在工業(yè)區(qū)場景中，分時電價、停車費減免和可再生能源消納調(diào)度策略的EV峰值充電功率分別降低65.5%、62.2%、18.5%；商業(yè)區(qū)場景中的調(diào)度策略EV的峰值充電功率分別降低76.6%、67.2%、47.5%；居民區(qū)場景的調(diào)度策略EV的峰值充電功率分別降低71.2%、51.6%、60.9%。同時發(fā)現(xiàn)，停車費減免調(diào)度策略能顯著提升EV車主參與V2G的積極性，使峰值放電功率也相對更高,該策略尤適用于工業(yè)區(qū)和商業(yè)區(qū)。

4.3 多指標(biāo)評估結(jié)果分析

對工業(yè)區(qū)分別執(zhí)行分時電價、停車費減免、可再生能源消納三種調(diào)度策略的結(jié)果進行多指標(biāo)評估，評估結(jié)果如圖5所示。

由評估結(jié)果可以看出，在工業(yè)園區(qū)場景中，分時電價的V2G調(diào)度策略在可再生能源消納比率、可調(diào)度容量、調(diào)度響應(yīng)時間、負(fù)荷平穩(wěn)度和調(diào)度運行經(jīng)濟效益五個指標(biāo)表現(xiàn)均衡。若提高工業(yè)園區(qū)V2G系統(tǒng)的可調(diào)度容量與縮短響應(yīng)時間，則需對V2G調(diào)度模型的容量約束條件以及響應(yīng)車輛規(guī)模進行調(diào)整。通過停車費減免和可再生能源消納，V2G調(diào)度系統(tǒng)的可調(diào)度容量與響應(yīng)時間指標(biāo)均能顯著提高。由于更多的EV參與V2G并網(wǎng)，在短時間總體負(fù)荷改變較大，重點影響了電網(wǎng)運行過程中的負(fù)荷平穩(wěn)度，同時降低運行的經(jīng)濟效益。

圖5 工業(yè)區(qū)場景下運行不同的調(diào)度策略的評估結(jié)果

在商業(yè)區(qū)場景中，三種策略下新能源消納指標(biāo)無顯著差異，新能源發(fā)電高峰時段與商業(yè)區(qū)用電高峰時段無重疊，新能源發(fā)電能被日常運營消納。分時電價策略較其他兩種策略具有更高經(jīng)濟效益，但在響應(yīng)時長和調(diào)度容量方面不及停車費減免策略。而停車費減免策略更適用于商業(yè)區(qū)，確保調(diào)度過程擁有更多EV可調(diào)度容量和更長服務(wù)時長，滿足調(diào)峰調(diào)頻任務(wù)的執(zhí)行。

在居民區(qū)場景中，由于大多數(shù)車主停車都是剛性需求，通過停車費減免策略可以激發(fā)車主參與V2G的意愿，增大車輛并網(wǎng)概率，增加可調(diào)度容量。此外，峰谷時段負(fù)荷差異明顯，分時電價和停車費減免策略均能獲得較佳的經(jīng)濟效益。

5 結(jié) 論

對調(diào)度策略的閉環(huán)管控是提高調(diào)度成效的重要手段。為此，首先分析了EV V2G調(diào)度策略的目標(biāo)方程和邊界約束，提出多指標(biāo)評估方法和流程。選取某市區(qū)的工業(yè)區(qū)、商業(yè)區(qū)、居民生活區(qū)三個典型應(yīng)用場景，分別基于分時電價、停車費用減免、可再生能源消納的三種EV調(diào)度V2G優(yōu)化調(diào)度策略進行仿真對比分析，得出以下結(jié)論：

（1）在相同場景下，調(diào)度策略在不同指標(biāo)下的表現(xiàn)結(jié)果不同，通過對調(diào)度策略的邊界約束進行調(diào)整，可以提升V2G調(diào)度系統(tǒng)目標(biāo)指標(biāo)的調(diào)度結(jié)果，如在工業(yè)區(qū)使用分時電價調(diào)度策略，在可調(diào)度容量與調(diào)度響應(yīng)指標(biāo)上表現(xiàn)不理想，通過停車費減免V2G調(diào)度措施，能夠增加EV的車網(wǎng)互動響應(yīng)時長，從而使V2G調(diào)度系統(tǒng)整體調(diào)度容量提高66%。

（2）同一種調(diào)度策略應(yīng)用在不同場景，其調(diào)度評估指標(biāo)結(jié)果不盡相同。如分時電價調(diào)度策略在商業(yè)區(qū)具有很好的經(jīng)濟性，可以達到96%，但是在居民區(qū)，由于居民的剛性負(fù)荷需求，其經(jīng)濟效益只有70%。因此調(diào)度策略調(diào)整需要結(jié)合應(yīng)用場景的用能特點。

算例分析結(jié)果表明，提出的V2G調(diào)度策略多指標(biāo)方法能夠?qū)崿F(xiàn)調(diào)度策略的優(yōu)化和改進，但同時也發(fā)現(xiàn)，不同主體間的利益對系統(tǒng)的運行結(jié)果影響較大，后續(xù)為了更好地應(yīng)用本評估模型，需挖掘和發(fā)現(xiàn)影響V2G調(diào)度效果的其他因子，在滿足用戶出行需求與電網(wǎng)運行平穩(wěn)的同時，最大限度提高社會效應(yīng)與多方的經(jīng)濟效益。

[1] International EnergyAgency. Global EV outlook 2021[R]. Paris: IEA, 2021.

[2] 萬佑紅, 王魯, 曹衛(wèi)濤, 等. 電動汽車有序充電的方法: 201911164278.1[P]. 2020-04-07.

[3] 陳一凡, 劉廷章, 金勇, 等. 電動汽車充電調(diào)度綜述[J]. 電氣自動化, 2017, 39(3): 26-29. DOI: 10.3969/j.issn.1000-3886.2017.03.009.

[4] ANTúNEZ C S, FRANCO J F, RIDER M J. et al. A new methodology for the optimal charging coordination of electric vehicles considering vehicle-to-grid technology[J]. IEEE transactions on sustainable energy, 2016, 7(2): 596-607. DOI: 10.1109/TSTE.2015.2505502.

[5] SCARABAGGIO P, CARLI R, CAVONE G, et al. Smart control strategies for primary frequency regulation through electric vehicles: a battery degradation perspective[J]. Energies, 2020, 13(17): 4586. DOI: 10.3390/en13174586.

[6] GAO S, WANG L Y, GUO L, et al. A two-layer model to dispatch electric vehicles and wind power[J]. MATEC web of conferences, 2020, 309: 05015. DOI: 10.1051/matecconf/202030905015.

[7] WANG X Y, SUN C, WANG R T, et al. Two-stage optimal scheduling strategy for large-scale electric vehicles[J]. IEEE access, 2020, 8: 13821-13832. DOI: 10.1109/ACCESS.2020.2966825.

[8] 潘振寧, 張孝順, 余濤, 等. 大規(guī)模電動汽車集群分層實時優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動化, 2017, 41(16): 96-104. DOI: 10.7500/AEPS20160919012.

[9] 錢甜甜, 李亞平, 郭曉蕊, 等. 基于時空活動模型的電動汽車充電功率計算和需求響應(yīng)潛力評估[J]. 電力系統(tǒng)保護與控制, 2018, 46(23): 127-134. DOI: 10.7667/ PSPC180763.

[10] 王明深, 穆云飛, 賈宏杰, 等. 考慮用戶出行時間和補償價格的電動汽車集群響應(yīng)能力評估模型[J]. 華北電力技術(shù), 2017(3): 23-31. DOI: 10.16308/j.cnki.issn1003- 9171.2017.00.006.

[11] CHENG S, WEI Z B, SHANG D D, et al. Charging load prediction and distribution network reliability evaluation considering electric vehicles’ spatial-temporal transfer randomness[J]. IEEE access, 2020, 8: 124084-124096. DOI: 10.1109/access.2020.3006093.

[12] FATTORI F, ANGLANI N, MULIERE G. Combining photovoltaic energy with electric vehicles, smart charging and vehicle-to-Grid[J]. Solar energy, 2014, 110: 438-451. DOI: 10.1016/j.solener.2014.09.034.

[13] SHI R F, ZHANG P H, ZHANG J, et al. Multidispatch for microgrid including renewable energy and electric vehicles with robust optimization algorithm[J]. Energies, 2020, 13(11): 2813. DOI: 10.3390/en13112813.

[14] 潘軍, 吳紅斌, 許道強, 等. 光伏/電動汽車/負(fù)荷博弈的屋頂光伏容量優(yōu)化[J]. 電力系統(tǒng)自動化, 2019, 43(1): 186-193. DOI: 10.7500/AEPS20180422006.

[15] FALKONI A, PFEIFER A, KRAJA?I? G. Vehicle-to-grid in standard and fast electric vehicle charging: comparison of renewable energy source utilization and charging costs[J]. Energies, 2020, 13(6): 1510. DOI: 10.3390/en13061510.

[16] 麻秀范, 王超, 洪瀟, 等. 基于實時電價的電動汽車充放電優(yōu)化策略和經(jīng)濟調(diào)度模型[J]. 電工技術(shù)學(xué)報, 2016, 31(S1): 190-202. DOI: 10.19595/j.cnki.1000-6753. tces.2016.s1.025.

[17] NEYESTANI N, DAMAVANDI M Y, CATAL?O J P S. Pricing G2V/V2G modes through characterizing the PEVs traffic behavior[C]//Proceedings of 2017 IEEE Manchester PowerTech. Manchester: IEEE, 2017: 1-6. DOI: 10.1109/PTC.2017.7981245.

[18] LIU X O. Research on flexibility evaluation method of distribution system based on renewable energy and electric vehicles[J]. IEEE access, 2020, 8: 109249-109265. DOI: 10.1109/ACCESS.2020.3000685.

[19] 楊曉東, 任帥杰, 張有兵, 等. 電動汽車可調(diào)度能力模型與日內(nèi)優(yōu)先調(diào)度策略[J]. 電力系統(tǒng)自動化, 2017, 41(2): 84-93. DOI: 10.7500/AEPS20160323006.

[20] 王浩林. 電動汽車時空多維度負(fù)荷預(yù)測及其可調(diào)度潛力容量評估方法[D]: 華南理工大學(xué), 2020. DOI: 10.27151/d.cnki.ghnlu.2020.002226.

[21] 張亞朋, 穆云飛, 賈宏杰. 等. 電動汽車虛擬電廠的多時間尺度響應(yīng)能力評估模型[J]. 電力系統(tǒng)自動化, 2019, 43(12): 94-103. DOI: DOI: 10.7500/AEPS20180731009.

[22] WEI H Q, ZHANG Y T, WANG Y Z, et al. Planning integrated energy systems coupling V2G as a flexible storage[J]. Energy, 2022, 239: 122215. DOI: 10.1016/j. energy.2021.122215.

[23] TAN Q F, WEN X, SUN Y L, et al. Evaluation of the risk and benefit of the complementary operation of the large wind-photovoltaic-hydropower system considering forecast uncertainty[J]. Applied energy, 2021, 285: 116442. DOI: 10.1016/J.APENERGY.2021.116442.

[24] 王仁順, 趙宇, 馬福元, 等. 受端電網(wǎng)高比例可再生能源消納的運行瓶頸分析與儲能需求評估[J]. 電網(wǎng)技術(shù), 2021: 1-12. DOI: 10.13335/j.1000-3673.pst.2021.2103.

[25] 於益軍, 馮樹海, 俞智鵬, 等. 調(diào)度運行后評估方案與應(yīng)用架構(gòu)設(shè)計[J]. 電力系統(tǒng)自動化, 2019, 43(22): 194-200. DOI: 10.7500/AEPS20190428006.

[26] GUO S, QIU Z J, XIAO C P, et al. A multi-level vehicle-to-grid optimal scheduling approach with EV economic dispatching model[J]. Energy reports, 2021, 7: 22-37. DOI: 10.1016/j.egyr.2021.10.058.

[27] LIAO H, HUANG Y P, ZHAO D Q. An optimal strategic portfolio of biomass-based integrated energy system[C]// Proceedings of 2019 IEEE PES Asia-Pacific Power and Energy Engineering Conference. Macao, China: IEEE, 2019: 1-6. DOI: 10.1109/APPEEC45492.2019.8994364.

[28] 梁哲誠, 陳穎, 肖小清, 等. 廣州市3棟商業(yè)建筑冷、熱、電負(fù)荷特性分析[J]. 建筑科學(xué), 2012, 28(8): 13-20. DOI: 10.3969/j.issn.1002-8528.2012.08.004.

[29] 高蓉, 徐迅, 周江昕, 等. 上海市安居小區(qū)電力負(fù)荷特性分析[J]. 華東電力, 2012, 40(6): 1064-1066.

[30] 楊蘋, 許志榮, 袁昊哲, 等. 考慮峰谷電價的串聯(lián)結(jié)構(gòu)光儲型多微網(wǎng)經(jīng)濟運行[J]. 電力系統(tǒng)及其自動化學(xué)報, 2018, 30(1): 8-14. DOI: 10.3969/j.issn.1003-8930.2018. 01.002.

[31] 朱明成. 基于改進分布式潮流計算的主動配電網(wǎng)經(jīng)濟性綜合評估[D]. 廈門: 廈門大學(xué), 2018.

Multi-Index Evaluation Method Considering V2G Scheduling Optimization Strategy of EV Charging and Discharging

ZHENG Xin1,2, QIU Ze-jing1,2, GUO Song1,2, LIAO Hui3, HUANG Yu-ping3, LEI Ting4

(1. Nari Group Corporation/State Grid Electric Power Research Institute, Nanjing 211106, China; 2. State Grid Electric Power Research Institute Wuhan Efficiency Evaluation Co. Ltd., Wuhan 430077, China; 3. Guangzhou Institute of Energy Conversion, Chinese Academy of Science, Guangzhou 510640, China; 4. State Grid Shanghai Electric Power Company, Shanghai 200122, China)

With the frequent activities of vehicle network interaction (V2G), how to evaluate the effect of the V2G scheduling strategy has become a key problem of V2G operation. From the perspective of power grid dispatching, power grid security and energy security, a multi-index evaluation method based on V2G dispatching strategy was proposed. Firstly, the operation mode and characteristics of the V2G scheduling system were analyzed systematically, and a multi-index evaluation framework based on the V2G scheduling system was established. Secondly, from the perspective of the implementation effect of the V2G scheduling strategy, around the five dimensions of schedulability, scheduling response, renewable energy consumption, load stability and scheduling economy, a multi-index evaluation method for the implementation effect of the V2G scheduling strategy was constructed, and the evaluation results were normalized. Finally, the conventional load in three scene regions of a city was selected to compare three V2G scheduling strategies of time-of-use price, parking fee reduction, renewable energy consumption. The multi-index evaluation of the system operation results verified the effectiveness of the multi-index evaluation method considering the V2G scheduling optimization strategy of electric vehicles.

EV; V2G; multi-index evaluation; scheduling strategy; normalization

2095-560X（2022）05-0485-09

TK-9

A

10.3969/j.issn.2095-560X.2022.05.012

2022-04-10

2022-06-07

國家電網(wǎng)公司總部科技項目（5418-201917162A-0-0-00）

廖 暉，E-mail：liaohui@ms.giec.ac.cn

鄭 鑫（1986-），男，碩士，高級工程師，主要從事電氣工程及其自動化研究。

廖 暉（1987-），男，博士研究生，主要從事電動汽車V2G調(diào)度優(yōu)化研究。