融合路網(wǎng)-電網(wǎng)信息的電動汽車充放電行為引導與調(diào)控策略

玉少華，杜兆斌，陳麗丹，陳南星，李家樂

（1.華南理工大學電力學院，廣東省 廣州市 510641；2.廣州航海學院輪機工程學院，廣東省 廣州市 510725）

0 引言

隨著物聯(lián)網(wǎng)、邊緣計算、大數(shù)據(jù)、云服務等技術的逐步成熟和應用，基于社會、安全、經(jīng)濟等整體效益最優(yōu)的智慧城市概念也得以迅速推進和發(fā)展［1-2］，電動汽車（electric vehicle，EV）作為智慧城市的重要組成部分，因其具有智能高效、低碳節(jié)能等顯著優(yōu)點得以迅速發(fā)展。截至2022 年底，中國EV 保有量為1 045 萬輛，充電基礎設施累計數(shù)量為521 萬臺［3］。然而，大量EV 無引導的出行和無序的充放電行為在時空上均呈現(xiàn)出不確定性，對電力-交通耦合網(wǎng)絡的運行狀態(tài)產(chǎn)生不利影響［4-6］。因此，有必要研究EV 行為引導與調(diào)控策略，以緩解EV 隨機行為對電力-交通耦合網(wǎng)絡的負面影響，提高系統(tǒng)運行安全性和經(jīng)濟性［7-8］。

當前，圍繞融合路網(wǎng)-電網(wǎng)信息的EV 調(diào)度策略已取得一定成果。文獻［9］將路網(wǎng)-電網(wǎng)信息作為權值賦給路網(wǎng)，通過尋求總權值最小的路徑達到優(yōu)化路網(wǎng)與電網(wǎng)運行的目的。文獻［10］基于電力-交通耦合網(wǎng)絡，建立了計及不同EV 類型的充/換電調(diào)度策略，有效緩解局部道路擁堵壓力及改善負荷峰谷差。有研究將路網(wǎng)-電網(wǎng)信息融入電價信號，并取得較好效果［11-12］。文獻［11］提出了一種電力-交通耦合網(wǎng)絡協(xié)同定價方案，使得系統(tǒng)整體的運營成本最小。文獻［12］基于逆優(yōu)化原理，提出了一種適用于電力-交通耦合網(wǎng)絡的協(xié)調(diào)定價模型，最大限度降低了用戶成本。然而，上述研究雖然融合了兩網(wǎng)信息，但融合方式難以體現(xiàn)空間區(qū)域特性及實時運行狀態(tài)的差異性，其建模精細化有待進一步探討。

關于EV 可調(diào)潛力的挖掘，主要體現(xiàn)在引導與調(diào)控兩方面。引導策略旨在引導EV 前往特定充電區(qū)域。文獻［13］基于后悔理論，提出考慮多區(qū)域下的EV 充電區(qū)域決策模型，但是決策者心理具有較強模糊性，其后悔意愿并不能得到有效反映。文獻［14］基于聯(lián)盟鏈服務機制，提出電動出租車充電引導模型，有效降低車主的充電費用成本、時間成本及距離成本，但該模型呈現(xiàn)的引導信號不夠直觀，限制了其在實際工程中的應用。調(diào)控策略針對并網(wǎng)EV進行充放電調(diào)控。文獻［15］考慮用戶充電過程中“車-站-網(wǎng)”多個主體，采用雙層博弈模型描述充電站競價過程和用戶最佳充電策略選擇過程，能夠有效平衡EV 用戶、充電站和配電網(wǎng)三者之間的經(jīng)濟利益。上述研究雖然對EV 負荷有一定的均衡作用，但是對引導環(huán)節(jié)與調(diào)控環(huán)節(jié)的相互作用缺乏考慮，并未充分發(fā)揮EV 在路徑引導與充放電調(diào)控過程中巨大的可調(diào)潛力。實際上，兩階段策略在時空框架下均涉及電網(wǎng)、用戶等主體利益，且調(diào)控策略在時序上基于EV 路徑引導結果進行。因此，在兩階段的電價信號指揮下引導與調(diào)控深度耦合可提高系統(tǒng)整體效益。

為進一步體現(xiàn)系統(tǒng)時空差異性并增強引導與調(diào)控環(huán)節(jié)的耦合作用，本文提出融合路網(wǎng)-電網(wǎng)信息的EV 充放電行為引導與調(diào)控方法，主要貢獻如下:

1）計及交通指揮中心（traffic control centre，TCC）、配電系統(tǒng)運營商（distribution system operator，DSO）、EV 集成商（EV aggregator，EVA）和EV 用戶多主體利益，提出EV 充放電行為引導與調(diào)控兩階段優(yōu)化策略。

2）在引導階段，提出基于路網(wǎng)-電網(wǎng)信息耦合網(wǎng)絡運行狀態(tài)的EV 出行決策電價，建立計及用戶時間-經(jīng)濟成本的EV 充放電出行路徑?jīng)Q策優(yōu)化模型；在調(diào)控階段，采用動態(tài)區(qū)域調(diào)度電價［16］，建立兼顧多方利益的EV 充放電調(diào)控模型；強調(diào)全過程精細化調(diào)控EV 充放電行為的優(yōu)越性和必要性。

1 融合路網(wǎng)-電網(wǎng)信息的EV 充放電行為引導與調(diào)控框架

1.1 路網(wǎng)-電網(wǎng)交互影響分析

EV 在智慧城市中將會與城市交通系統(tǒng)和配電系統(tǒng)的運行狀態(tài)相互影響:一方面，城市交通系統(tǒng)中的道路實際通行能力、道路實時運行水平、充電站地理位置和數(shù)量等因素都將影響EV 用戶的充放電出行路徑?jīng)Q策計劃，進而改變EV 充放電負荷時空分布情況，從而影響電網(wǎng)實時運行狀態(tài)；另一方面，配電系統(tǒng)中區(qū)域電網(wǎng)負荷水平、充/放電電價水平、線路與變壓器容量、需求側(cè)激勵力度等因素也將影響EV 用戶的充電站選擇及其出行路徑?jīng)Q策方案，進而改變城市交通網(wǎng)絡實時運行狀態(tài)。因此，EV 行為決策過程應該同時考慮路網(wǎng)和電網(wǎng)的實時狀態(tài)信息，并充分發(fā)揮TCC 和DSO 的引導和調(diào)控作用，合理制定EV 出行路徑?jīng)Q策和充放電調(diào)控方案。

1.2 EV 充放電行為引導與調(diào)控框架

當前，世界各國均在探索“設備、服務、數(shù)據(jù)與基礎設施”的深度融合，致力于推動智慧城市的發(fā)展，并且已在多個領域取得不俗成績［2］。因此，制定并執(zhí)行系統(tǒng)最優(yōu)的城市運行方案具有可行性。在智慧城市背景下，系統(tǒng)信息交互的全面性與及時性將得到極大滿足，各利益主體之間的海量數(shù)據(jù)實時交互能夠綜合系統(tǒng)多源數(shù)據(jù)信息，以制定EV 引導與調(diào)控策略。其中，引導策略將改變EV 路徑選擇，在空間上做了一定程度的資源優(yōu)化聚集，再基于EV 各子集進一步影響調(diào)控策略的執(zhí)行，從而改變區(qū)域負荷分布。本文所提融合路網(wǎng)-電網(wǎng)信息的EV 充放電行為引導與調(diào)控策略主要包括兩個關鍵內(nèi)容:1）計及路網(wǎng)-電網(wǎng)耦合信息的EV 出行決策電價及其出行路徑?jīng)Q策模型；2）基于動態(tài)區(qū)域調(diào)度電價的EV 充放電優(yōu)化調(diào)控策略。

本文的EV 引導與調(diào)控框架如圖1 所示，具體工作流程見附錄A。EV 引導與調(diào)控云服務（cloud service，CS）平臺作為智慧城市背景下的政府非營利性組織機構，以實現(xiàn)智慧城市系統(tǒng)整體效益最優(yōu)為目標，主要負責匯總并處理系統(tǒng)內(nèi)DSO、TCC、EVA 和EV 用戶等主體的實時和預測運行狀態(tài)信息，并主導制定融合路網(wǎng)-電網(wǎng)信息的出行路徑引導決策方案和并網(wǎng)EV 充放電調(diào)控策略等。DSO 作為利益主體之一，以最小化區(qū)域配電網(wǎng)有功負荷偏差為目標，主要負責保障電網(wǎng)安全可靠供電，為電力用戶提供電能購售電服務，開展電能監(jiān)控管理工作，以及向CS 提供配電變壓器容量承載實時信息。TCC作為利益主體之一，以緩解路網(wǎng)道路通行壓力為目標，主要負責監(jiān)控交通網(wǎng)情況、匯總處理并上傳交通網(wǎng)絡實時和預測的道路運行狀態(tài)信息。EVA 作為利益主體之一，以最小化運行成本為目標，主要負責匯總、處理充電站內(nèi)的EV 狀態(tài)信息，并根據(jù)調(diào)控方案控制并網(wǎng)EV 的充放電行為。EV 用戶是EV 引導與調(diào)控的基礎，以最小化出行成本和充電成本為目標。

圖1 融合路網(wǎng)-電網(wǎng)信息的EV 引導與調(diào)控框架Fig.1 Framework of EV guidance and regulation based on fusion of road network and power grid information

2 融合路網(wǎng)-電網(wǎng)信息的EV 出行路徑?jīng)Q策模型

本章開展第1 階段工作，即EV 充放電出行行為引導。在此階段，CS 平臺根據(jù)區(qū)域交通網(wǎng)和配電網(wǎng)的實時運行狀態(tài)動態(tài)更新EV 出行決策電價，引導EV 用戶制定以出行時間-經(jīng)濟成本最小的出行決策方案。值得一提的是，此處的EV 出行決策電價是基于智慧城市視角所構建的虛擬電價，旨在運用當前路網(wǎng)-電網(wǎng)信息合理引導EV 行為決策，以保障智慧城市多方主體的效益最優(yōu)。

2.1 交通網(wǎng)絡路阻函數(shù)模型

基于城市路網(wǎng)的結構和功能特性，本文采用由以色列交通規(guī)劃研究院提出的Logit 流量延誤函數(shù)［17］作為路阻函數(shù)模型，具體如式（1）所示。

式中:Tk，j，t為t時刻車輛從路網(wǎng)節(jié)點k出發(fā)行駛到相鄰節(jié)點j耗費的通行總延誤時間；Hkj，t和Ij，t分別為t時刻道路kj的路段延誤時間和交叉路口延誤時間，其具體表達式見附錄B。

2.2 EV 用戶出行需求模型

根據(jù)2019 年英國國家交通出行調(diào)查（national travel survey，NTS）數(shù)據(jù)庫統(tǒng)計數(shù)據(jù)［18］，車主用戶出行目的多樣復雜，主要包括工作通勤、商務、購物、娛樂、運動等。本文根據(jù)系統(tǒng)區(qū)域范圍內(nèi)地塊功能性質(zhì)的差異，將系統(tǒng)區(qū)域劃分成辦公區(qū)（office，O）、商業(yè)區(qū)（business，B）和住宅區(qū)（home，H），單輛EV 根據(jù)自身出行需求在各功能區(qū)之間行駛，并且由于用戶出行目的不同，在辦公區(qū)、商業(yè)區(qū)和住宅區(qū)等功能區(qū)均有所分布，這使得用戶在地理空間維度上呈現(xiàn)較為隨機的分布。因此，考慮到用戶出行行為的不確定性，采用起訖點（origin-destination，OD）矩陣和蒙特卡洛馬爾可夫鏈（Monte Carlo Markov chain，MCMC）方法［19-20］建立EV 用戶每日的出行需求模型，進而描述用戶出行的時空分布情況，并以此為基礎獲取EV 用戶充電需求時空分布特性。

2.3 EV 充放電出行路徑?jīng)Q策模型

EV 出行路徑優(yōu)化決策模型以EV 用戶出行時間和經(jīng)濟成本作為目標函數(shù)，并將充電站編號和充電出行路徑作為決策變量。其中，優(yōu)化目標函數(shù)包括EV 行駛時間成本與充放電經(jīng)濟成本，如式（2）所示。

式中:f1為EV 充放電出行決策的綜合時間-經(jīng)濟成本；f11和f12分別為EV 行駛時間成本和EV 充放電經(jīng)濟成本；ψ(·)表示綜合時間-經(jīng)濟成本與EV 行駛時間成本、充放電經(jīng)濟成本的函數(shù)關系。

2.3.1 EV 行駛時間成本

當EV 在城市交通系統(tǒng)中運行而電池荷電狀態(tài)（state of charge，SOC）下降至充電閾值Stv時，EV 用戶將產(chǎn)生充電需求。此時，以EV 產(chǎn)生充電需求地點作為出發(fā)點，EV 用戶通過智能交通系統(tǒng)和智慧充放電系統(tǒng)獲取當前系統(tǒng)內(nèi)的路網(wǎng)和電網(wǎng)實時運行狀態(tài)、可用充電樁等信息，則EV 出發(fā)點到充電站的行駛時間即為相應時間成本f11，n:

2.3.2 EV 充放電經(jīng)濟成本

EV 充放電經(jīng)濟成本f12，n受到路網(wǎng)運行狀態(tài)和電網(wǎng)運行狀態(tài)影響，體現(xiàn)在一定評估時間內(nèi)融合路網(wǎng)-電網(wǎng)信息的EV 充放電電價水平，具體如式（4）所示。

2.3.3 EV 充放電出行路徑綜合決策目標

本文分別對EV 行駛時間成本和充放電經(jīng)濟成本目標進行歸一化處理，進而基于實際應用場景下EV 用戶對時間和經(jīng)濟成本的偏好，通過權重系數(shù)法得到EV 充放電出行路徑綜合目標函數(shù)。其中，min-max 歸一化過程如式（5）所示，模型綜合決策目標函數(shù)如式（6）所示。

2.3.4 EV 充放電出行路徑?jīng)Q策約束條件

EV 充放電出行路徑?jīng)Q策涉及EV 最大容忍行駛時間、電池剩余可用電量和電網(wǎng)容量等約束條件。

1）EV 行駛時間約束

EV 用戶對于行駛時間有一定容忍限度，EV 用戶對充放電出行路徑所耗費時間成本擁有上限約束如下:

2）EV 行駛電量約束

充電站及其行駛路徑的選擇應在EV 剩余基礎電量允許范圍內(nèi)，避免電池電量出現(xiàn)過低情況，如式（8）所示。

式中:w為EV 能耗系數(shù)，受天氣、路況、用戶駕車習慣等因素影響；Dn，s為第n輛EV 前往充電站s的行駛距離；和分別為第n輛EV 電池SOC 的充電閾值和基礎下限；E為單輛EV 電池額定容量。

3）配電變壓器容量約束

EV 選擇前往的充電站應保證其在所處配電變壓器容量承載范圍內(nèi)，如式（9）所示。

2.4 EV 出行決策電價動態(tài)更新策略

本節(jié)在電網(wǎng)峰谷分時電價的基礎上，提出EV出行決策電價動態(tài)更新策略，包括EV 放電激勵決策電價和充電服務費決策電價動態(tài)更新策略。

2.4.1 EV 放電激勵決策電價動態(tài)更新策略

EV 放電激勵決策電價由路網(wǎng)和電網(wǎng)運行狀態(tài)共同決定，以合理引導EV 充放電負荷的時空分布，如式（11）所示。

1）路網(wǎng)角度

從路網(wǎng)角度出發(fā)，EV 放電激勵決策電價是CS平臺根據(jù)TCC 調(diào)峰需求制定，以引導EV 用戶出行行為，其更新策略為:

式中:vbcomp為車輛并網(wǎng)（vehicle to grid，V2G）基礎放電激勵電價，本文取0.35 元/（kW·h）；為t時刻充電站s的路網(wǎng)放電激勵系數(shù)，其隨著路網(wǎng)通行壓力的增加而減少，當路網(wǎng)無調(diào)峰壓力，即路段和交叉路口飽和度均不處于擁堵狀態(tài)時，其為正值，反之為0，具體如式（13）所示。

2）電網(wǎng)角度

從電網(wǎng)角度出發(fā)，EV 放電激勵決策電價綜合考慮區(qū)域電網(wǎng)運行特性，由CS 平臺根據(jù)區(qū)域DSO削峰填谷需求更新制定，以引導EV 用戶出行行為，具體更新策略為:

3）綜合放電激勵決策電價

融合路網(wǎng)-電網(wǎng)信息的綜合放電激勵決策電價如式（17）所示。

2.4.2 EV 充電服務費決策電價動態(tài)更新策略

EV 充電服務費制定和更新策略由路網(wǎng)和電網(wǎng)運行狀態(tài)共同決定，以合理引導EV 充放電負荷的時空分布，如式（18）所示。

1）路網(wǎng)角度

從路網(wǎng)角度出發(fā)，EV 充電服務費由CS 基于TCC 調(diào)峰管控需求制定和更新，以引導EV 用戶出行行為，其更新策略為:

式中:vbserv為基礎充電服務費，本文取0.6元/（kW·h）；為t時刻充電站s的路網(wǎng)充電服務費調(diào)整系數(shù)，其隨著路網(wǎng)充電站s附近道路路段和交叉路口飽和度的增加而增大，且當局部路網(wǎng)水平處于嚴重擁堵狀態(tài)時達到最大，具體如式（20）所示。

2）電網(wǎng)角度

從電網(wǎng)角度出發(fā)，EV 充電服務費由CS 平臺根據(jù)區(qū)域電網(wǎng)運行情況制定并更新，以引導EV 用戶出行行為，具體更新策略為:

3）綜合充電服務費決策電價

融合路網(wǎng)-電網(wǎng)信息的綜合充電服務費決策電價如式（23）所示。

2.4.3 EV 出行決策電價約束條件

EV 充放電出行決策電價應滿足相應邊界約束，如式（24）所示。

3 考慮多利益主體的EV 充放電調(diào)控模型

EV 出行引導階段完成后，應開展并網(wǎng)EV 充放電行為調(diào)控階段工作。在此階段，本文構建動態(tài)區(qū)域調(diào)度電價，建立EV 充放電優(yōu)化調(diào)控模型。其中，動態(tài)區(qū)域調(diào)度電價屬于真實電價，是EV 用戶進行充放電行為時所接受電價。此外，EV 優(yōu)化調(diào)控模型以綜合考慮DSO、EVA 和EV 用戶主體利益的系統(tǒng)全局利益為綜合優(yōu)化目標函數(shù)，并以單輛EV 的充、放電功率作為決策變量。

3.1 EV 充放電優(yōu)化調(diào)控模型

3.1.1 EV 充放電優(yōu)化調(diào)控模型綜合優(yōu)化目標函數(shù)

本文的EV 充放電模式為快充快放型，該模式可在保障用戶充電需求的前提下，減少充電總成本，兼顧用戶的時間-經(jīng)濟效益?；诖四Ｊ?，本節(jié)提出EV 充放電優(yōu)化調(diào)控模型。所提模型兼顧DSO、EVA、EV 用戶三方的利益，屬于多目標優(yōu)化問題。為充分體現(xiàn)各目標函數(shù)的重要性以及便于模型求解，將各利益主體目標歸一化處理后，采用加權系數(shù)法線性加權得到本文模型綜合優(yōu)化目標函數(shù)，如式（25）所示。

式中:ω1、ω2、ω3分別為DSO、EVA 和EV 用戶優(yōu)化目標的權重系數(shù)，由CS 平臺根據(jù)優(yōu)化目標的重要性與優(yōu)先級靈活確定；為區(qū)域i的平均有功負荷；T為調(diào)控周期；I為功能區(qū)域數(shù)量；分別為區(qū)域i的EVA 購電成本、激勵成本、備用收益；γs為區(qū)域EVA 給予EV 用戶參與V2G 和備用服務的激勵力度；和分別為t時刻區(qū)域i充電站s內(nèi)第n輛EV 的充電電價和充電功率；Δt為調(diào)控時間間隔；Ln，s為充電站s內(nèi)第n輛EV 的電池循環(huán)壽命；CB為電池購置資金成本。式（25）等號右邊的第1 部分為DSO 最小化負荷偏差目標；第2 部分為EVA 最小化運行成本目標；第3 部分為EV 用戶最小化充放電成本目標（包括充電費用和電池退化損耗成本［22］）。

更為具體的表達式如下:

3.1.2 EV 充放電優(yōu)化調(diào)控模型約束條件

EV 充放電優(yōu)化調(diào)控模型包含EV 充放電需求約束、EV 充放電約束、EV 上/下備用能力約束與配電變壓器容量約束等。

1）EV 充放電需求約束

式中:Sn，s，t為充電站s在t時刻第n輛EV 電池的SOC；ηch、ηdisc分別為EV 充、放電效率；為充電站s第n輛EV 離網(wǎng)最小期望SOC；分別為充電站s在t時刻第n輛EV 電池SOC 上、下限；Tn，in、Tn，out分別為第n輛EV 并網(wǎng)、離網(wǎng)時刻；λn為SOC 保底下限增長系數(shù)。

2）EV 充放電約束

3）EV 上、下備用能力約束

4）配電變壓器容量約束

3.2 動態(tài)區(qū)域調(diào)度電價更新策略

本文采用動態(tài)區(qū)域調(diào)度電價策略調(diào)控并網(wǎng)EV的充放電行為，具體方式詳見文獻［16］和附錄C。其核心是:在電網(wǎng)峰谷分時電價的基礎上，基于區(qū)域電網(wǎng)實際運行狀態(tài)及EV 并網(wǎng)情況，制定EV 與電網(wǎng)互動（以下簡稱“車網(wǎng)互動”）（V2G）放電激勵調(diào)度電價和充電服務費調(diào)度電價動態(tài)更新策略。

4 算例分析

4.1 參數(shù)設置

本文所提路網(wǎng)-電網(wǎng)耦合仿真算例系統(tǒng)如圖2所示，電網(wǎng)模型為經(jīng)適應性調(diào)整的IEEE 33 節(jié)點系統(tǒng)，路網(wǎng)模型為29 節(jié)點區(qū)域交通網(wǎng)絡系統(tǒng)。耦合仿真系統(tǒng)包含4 個功能區(qū):辦公區(qū)、商業(yè)區(qū)、住宅區(qū)1 和住宅區(qū)2，共有4 個EV 充電站，即對應4 個EVA。配電系統(tǒng)總基礎有功負荷和各區(qū)域基礎有功負荷見附錄D 圖D1。交通路網(wǎng)模型道路路段和交叉路口參數(shù)見表D1 和表D2，交通路段車流量狀態(tài)信息見圖D2?？紤]到在智慧城市背景下EV 充電基礎設施已經(jīng)得到了極大發(fā)展和合理配置，假設EV 充電站均擁有足夠數(shù)量的快速充電樁。同時，基于路網(wǎng)-電網(wǎng)耦合仿真系統(tǒng)容量規(guī)模和EV 滲透率水平，假設系統(tǒng)內(nèi)共有200 輛EV，單輛EV 仿真參數(shù)見表D3。同時，為了在一定程度上反映用戶充電需求的不確定性，假設EV 用戶擁有不同的離網(wǎng)期望SOC，即服從N（0.85，0.02）的正態(tài)分布。為了充分發(fā)揮EV 的可調(diào)節(jié)潛力以及滿足用戶充電需求，假定EV到達目的地后立即接入電網(wǎng)接受調(diào)控。EV 提供旋轉(zhuǎn)備用服務的電價為0.022 元/（kW·h）［23］，相關電價參數(shù)見表D4，峰谷分時電價見表D5。同時，本文兼顧各方利益訴求并基于歸一化處理方法，ω1、ω2、ω3分別取7×10-8、4.5×10-4、5×10-4。

圖2 路網(wǎng)-電網(wǎng)耦合系統(tǒng)拓撲模型Fig.2 Topology model of road network-power grid coupling system

本文仿真周期T設置為前一日05:00 至當日05:00，仿真時間間隔取Δt=15 min，即調(diào)控周期為24 h，包含96 個調(diào)控時段。運用MATLAB 軟件的YALMIP 工具包編程建模，并調(diào)用CPLEX 求解器求解優(yōu)化模型。其中，求解單輛EV 充放電出行路徑優(yōu)化決策模型平均耗時0.025 s，該速度可極大滿足在線決策需求。求解EV 充放電優(yōu)化調(diào)控問題平均耗時1.35 min，考慮到所研究場景為一個24 h（包括96 個調(diào)控時段）的EV 優(yōu)化調(diào)控問題，該計算時間亦能接受。

4.2 EV 充放電出行路徑?jīng)Q策結果

4.2.1 融合路網(wǎng)-電網(wǎng)信息的出行決策電價計算結果

本文所提EV 充放電出行決策電價由CS 平臺根據(jù)TCC、DSO 和EVA 的交互信息計算并更新，結果如圖3 所示。圖中:放電激勵和充電服務費的單位為元/（kW·h）。

圖3 EV 充放電出行決策電價結果Fig.3 Results of electricity price for EV charging and discharging traveling decision

充電站3、充電站13、充電站1 和充電站22 分別屬于辦公區(qū)、商業(yè)區(qū)、住宅區(qū)1 和住宅區(qū)2 的電網(wǎng)與路網(wǎng)的服務范圍。結合圖2、附錄D 圖D1 和圖D2可知，辦公區(qū)、商業(yè)區(qū)、住宅區(qū)1 和住宅區(qū)2 的區(qū)域配電網(wǎng)和交通網(wǎng)的運行特性具有顯著時空差異，故EV 充放電出行決策電價同樣變化明顯，并且變化趨勢截然不同。相應地，融合路網(wǎng)-電網(wǎng)信息的EV放電激勵決策電價和EV 充電服務費也隨之動態(tài)更新，充分反映了路網(wǎng)-電網(wǎng)耦合系統(tǒng)的實時運行狀態(tài)，進而發(fā)揮電價信號的引導作用。

由圖3（a）可知，當充電站所處區(qū)域電網(wǎng)存在較大的削峰需求并且所處路網(wǎng)節(jié)點及其附近交通情況較為暢通時，EV 放電激勵決策調(diào)度電價處于較高水平；而當電網(wǎng)不存在削峰需求或者路網(wǎng)處于嚴重擁堵狀態(tài)時，放電激勵決策調(diào)度電價為0；其他情況下，放電激勵決策調(diào)度電價處于一般水平。同理，由圖3（b）可知，當充電站所處區(qū)域電網(wǎng)存在較大的調(diào)峰需求并且所處路網(wǎng)節(jié)點及其附近交通情況較為擁堵時，EV 充電服務決策調(diào)度電價處于較高水平，且隨著區(qū)域電網(wǎng)-路網(wǎng)耦合系統(tǒng)調(diào)峰需求的增加而增加；而當電網(wǎng)負荷處于低谷水平且路網(wǎng)道路通行狀態(tài)良好時，充電服務決策調(diào)度電價顯著降低；其他情況下，EV 充電服務決策調(diào)度電價處于一般水平。因此，本文所提EV 充放電出行路徑?jīng)Q策調(diào)度電價策略能夠根據(jù)區(qū)域電網(wǎng)-路網(wǎng)局部實時運行狀態(tài)動態(tài)更新調(diào)整，以合理引導EV 用戶的充放電出行路徑?jīng)Q策行為，促進EV 充放電負荷的時空合理均衡分布。

4.2.2 EV 充放電出行路徑優(yōu)化決策方案對比

在EV 充放電出行路徑優(yōu)化決策過程中，EV 用戶不同決策目標將直接影響最終的充電站選擇及其出行路徑?jīng)Q策方案，并分別對路網(wǎng)和電網(wǎng)產(chǎn)生雙向影響。為體現(xiàn)本文所提融合路網(wǎng)-電網(wǎng)信息決策調(diào)度電價信號的EV 出行決策模型的有效性和優(yōu)越性，將本文所提策略與其他2 種經(jīng)典的出行路徑?jīng)Q策目標的計算結果進行對比。

決策目標1（DO1）:EV 出行最短行駛時間。

決策目標2（DO2）:EV 出行最短出行距離。

決策目標3（DO3）:本文決策模型。

求解基于上述決策目標的EV 充放電站選擇及其出行路徑優(yōu)化決策模型，不同決策目標下的充電站選擇計算結果如圖4 和表1 所示。圖4 中，顏色越深代表EV 數(shù)量越多。

表1 不同決策目標下接入各充電站的總EV 數(shù)量Table 1 Total numbers of EVs connected to each charging station with differents decision objectives

圖4 不同EV 用戶決策目標下的充電站決策結果Fig.4 Charging station decision results with different EV user decision objectives

由圖4（a）可知，在決策目標1 研究場景下，EV用戶將基于當前路網(wǎng)交通狀態(tài)選擇兼顧行駛距離和交通暢通程度的出行方案，以實現(xiàn)自身時間滿意度最大化。例如，由于充電站13 地處城市中心城區(qū)繁華商業(yè)圈，其所在道路大部分時間較其他道路處于較大的通行壓力運行狀態(tài)，并且在交通出行早高峰和晚高峰時路段4-13、13-16、13-17、13-23 進入嚴重擁堵狀態(tài)。因此，在充電站13 附近節(jié)點16 和25 的EV 用戶在產(chǎn)生充電需求時往往分別選擇前往充電站22 和1。然而，決策目標1 方案僅考慮了路網(wǎng)實時運行狀態(tài)，這雖然緩解了交通網(wǎng)的通行壓力，但是未能考慮區(qū)域電網(wǎng)實時運行狀態(tài)，聚集的充放電負荷容易導致區(qū)域電網(wǎng)出現(xiàn)峰上加峰等情況，不利于區(qū)域電網(wǎng)安全、經(jīng)濟運行。

同理，由圖4（b）可知，在決策目標2 研究場景下，當EV 用戶產(chǎn)生充放電需求時，即便所處地點交通道路惡劣并且配電網(wǎng)處于負荷高峰，出行時間成本和充放電費用高昂，EV 用戶依然會前往就近的充電站。例如，即便是道路出行早高峰時期，充電站13 附近路段4-13、13-16、13-17、13-23 處于嚴重擁堵狀態(tài)，并且所處商業(yè)區(qū)負荷曲線已出現(xiàn)極大的調(diào)峰需求，路網(wǎng)節(jié)點4、16、17、23 的EV 用戶依然選擇前往充電站13。決策目標2 方案雖然滿足了EV 用戶最小的行駛距離需求，但是未考慮區(qū)域路網(wǎng)和電網(wǎng)實時運行狀態(tài)，可能會加劇局部路網(wǎng)和電網(wǎng)的調(diào)峰壓力，不利于促進路網(wǎng)和電網(wǎng)的協(xié)調(diào)優(yōu)化。

由圖4（c）可知，相比于上述2 個決策目標，本文所提策略明顯改變了EV 充電站決策分布情況，進而影響EV 充放電負荷時空分布特性。此外，結合圖3 的EV 充放電出行決策電價可知，當融合路網(wǎng)-電網(wǎng)信息的EV 充電服務費與放電激勵決策調(diào)度電價差值較大時，對應EV 充電站被用戶選擇的概率大大降低。例如，隨著路網(wǎng)早高峰的到來以及商業(yè)區(qū)負荷的快速增長，充電站13 和3 在時段8～19 和8～17 的充放電價格差處于較高水平，使得該時段內(nèi)幾乎沒有EV 選擇前往并接入充電站13 和3。反之，當EV 充電服務費與放電激勵決策電價差值較小時，用戶充放電經(jīng)濟性提高，對應EV 充電站就受到EV 用戶的關注。例如，由于充電站1 和22 分別屬于住宅區(qū)1 和住宅區(qū)2 服務范圍內(nèi)，其區(qū)域電網(wǎng)和路網(wǎng)大多數(shù)時間處于良好運行狀態(tài)，具有較高的接納EV 接入和運行能力，此時充放電成本較低，有效引導充電站1 和22 附近甚至相隔一定距離的EV用戶前往，并滿足EV 用戶的出行時間要求?？梢?，本文所提策略綜合考慮路網(wǎng)和電網(wǎng)狀態(tài)信息，兼顧EV 用戶的出行時間和充放電經(jīng)濟成本目標，實現(xiàn)了系統(tǒng)協(xié)調(diào)運行和多方共贏。

由表1 可知，在不同決策目標下，接入各個充電站的EV 總數(shù)量也發(fā)生明顯變化。結合附錄D 可知，考慮到充電站3 和13 在時段16～60 內(nèi)路網(wǎng)通行壓力和電網(wǎng)運行壓力較大，相比于決策目標1 和2，本文所提策略（決策目標3）分別減少了40 和25 輛EV 接入充電站3，減少了8 和15 輛EV 接入充電站13，顯著緩解了辦公區(qū)和商業(yè)區(qū)的路網(wǎng)和電網(wǎng)運行壓力。相反地，充電站1 和22 在白天的路網(wǎng)和電網(wǎng)運行狀態(tài)良好，故相比于決策目標1 和2，本文所提策略分別引導增加了24 和12 輛EV 接入充電站1，增加了24 和28 輛EV 接入充電站22，極大改善了區(qū)域路網(wǎng)和電網(wǎng)的EV 負荷時空分配情況，促進了路網(wǎng)交通均衡，并實現(xiàn)了EV 充放電負荷在區(qū)域電網(wǎng)間的合理分配。

4.3 EV 充放電調(diào)控結果

4.3.1 EV 充放電調(diào)控優(yōu)化方案對比

基于上述過程，EV 用戶完成了融合路網(wǎng)-電網(wǎng)信息的出行路徑?jīng)Q策過程，這在一定程度上實現(xiàn)了EV 在交通網(wǎng)和配電網(wǎng)的均衡分配。然而，若大量并網(wǎng)EV 充放電負荷采用無序充電方式將嚴重威脅區(qū)域電網(wǎng)的安全、經(jīng)濟運行。因此，有必要對EV 充放電行為進行調(diào)控，以減少EV 充放電負荷對電網(wǎng)的不利影響。為此，本節(jié)基于決策目標3 的引導結果，并以無序充電方式作為參考基準，進一步說明本文所提調(diào)控策略的有效性和優(yōu)越性。

方案1（CS1）:調(diào)控前，無序充電方式。

方案2（CS2）:調(diào)控后，本文調(diào)控策略。

分別求解上述EV 充放電調(diào)控模型，區(qū)域調(diào)度電價策略更新結果如附錄E 圖E1 所示，系統(tǒng)及其區(qū)域各充電站的總EV 充放電負荷分別如圖E2 和圖5所示。

圖5 各充電站總充放電負荷曲線Fig.5 Total charging and discharging load curves of each charging station

由圖5 可知，在方案1 下，經(jīng)過EV 出行決策電價的引導后，大量EV 用戶將選擇綜合時間-經(jīng)濟最優(yōu)的充電站并以無序充電方式接入，導致各充電站內(nèi)出現(xiàn)多個充放電負荷尖峰，極大加劇了充電站所處區(qū)域電網(wǎng)的調(diào)峰壓力。例如，EV 無序充放電行為在充電站3、13、1、22 分別導致出現(xiàn)了2、3、1、6 個大于300 kW 的充電負荷高峰，對辦公區(qū)、商業(yè)區(qū)和住宅區(qū)的區(qū)域電網(wǎng)運行造成不利影響。而本文所提策略（方案2）在滿足EV 用戶充電需求的前提下，采用區(qū)域調(diào)度電價信號調(diào)控EV 充放電行為，調(diào)控后EV 總充電功率峰值大大下降，并且充放電負荷呈現(xiàn)平緩變化和均衡分配的趨勢。其中，充電站3、13、1、22 的EV 總充放電負荷峰值分別由調(diào)控前的367.19、381.34、320.00、617.99 kW 降低至調(diào)控后的293.01、177.12、178.34 和379.29 kW，下降幅度分別高達20.20%、53.55%、44.27% 和38.63%?？梢?，本文所提調(diào)控策略能夠有效緩解EV 無序充電行為給區(qū)域電網(wǎng)帶來的調(diào)峰壓力，實現(xiàn)區(qū)域電網(wǎng)的安全可靠運行。

4.3.2 EV 引導與調(diào)控兩階段策略優(yōu)化方案對比

進一步，分析本文引導與調(diào)控兩階段策略的優(yōu)越性。其中，考慮到EV 用戶通常更傾向于耗時最短的出行路線［24］，本節(jié)以最短行駛時間引導作為對比基準之一，分別設置以下4 種方案進行對比。

方案A1:最短行駛時間引導+無序充電方式。

方案A2:最短行駛時間引導+本文調(diào)控策略。

方案A3:本文引導策略+無序充電方式。

方案A4:本文引導策略+本文調(diào)控策略。

由表2 可知，本文方案（方案A4）在DSO 負荷偏差、EVA 運行成本、用戶充電成本和綜合目標函數(shù)方面表現(xiàn)均明顯優(yōu)于其余未引導或未調(diào)控的方案。相較于方案A1，方案A4 在DSO 負荷偏差成本方面降低了22.53%，顯著改善了區(qū)域電網(wǎng)負荷特性；在EVA 運行成本方面下降了3 141.76 元，降幅高達63.66%，極大提高了EVA 的經(jīng)濟性，促進EVA 獲取更大效益。同時，在EV 用戶充電成本方面，用戶平均充電成本由36.560 7 元降低至調(diào)控后的23.644 8 元，降低幅度達到35.33%，大大減少了用戶充電費用。此外，在綜合目標值上（越小越優(yōu)），方案A4 結果最優(yōu)，方案A1 結果最次，而僅進行調(diào)控的方案A2 與僅進行引導的方案A3 結果介于方案A4、A1 之間。可見，方案A2 與A3 能在一定程度上提高系統(tǒng)綜合利益，但其針對EV 調(diào)度潛力的挖掘不及本文所提方案。

表2 不同對比方案下的各利益主體目標計算結果Table 2 Objective calculation results of each interest subject under different comparison schemes

此外，結合4.2.2 節(jié)與4.3.1 節(jié)分析可知，本文的第1 階段策略能改善路網(wǎng)擁堵及EV 空間分布情況，引導結果將作為第2 階段的調(diào)控基礎；第2 階段策略可以極大緩解區(qū)域電網(wǎng)帶來的調(diào)峰壓力。因此，本文所提引導與調(diào)控兩階段策略能夠?qū)崿F(xiàn)TCC、DSO、EVA 和EV 用戶的多方互利共贏，激勵各主體積極參與EV 引導和調(diào)控過程，實現(xiàn)智慧城市系統(tǒng)整體高水平長久運行。

5 結語

本文兼顧DSO、TCC、EVA 和EV 用戶的利益，提出融合路網(wǎng)-電網(wǎng)信息的EV 引導與調(diào)控策略，主要包括2 個部分:計及路網(wǎng)-電網(wǎng)耦合信息的EV 出行決策電價及充放電出行路徑?jīng)Q策模型、基于動態(tài)區(qū)域調(diào)度電價的EV 充放電調(diào)控策略。最后，以某區(qū)域交通網(wǎng)和配電網(wǎng)耦合系統(tǒng)進行仿真算例分析，結果表明:

1）融合路網(wǎng)-電網(wǎng)信息的EV 出行決策電價動態(tài)更新，能充分反映路網(wǎng)-電網(wǎng)耦合系統(tǒng)的實時運行狀態(tài)，進而發(fā)揮電價信號的引導作用。

2）本文所提策略能夠綜合考慮路網(wǎng)和電網(wǎng)實時運行狀態(tài)，兼顧EV 用戶的出行時間和充放電經(jīng)濟成本目標，實現(xiàn)系統(tǒng)協(xié)調(diào)運行和多方共贏。

3）本文所提策略相比于無序充電策略，能夠有效緩解EV 無序充電行為給區(qū)域電網(wǎng)帶來的調(diào)峰壓力。此外，所提調(diào)控策略能夠?qū)崿F(xiàn)DSO、EVA、EV用戶和CS 的多方互利共贏，激勵各主體積極參與EV 引導和調(diào)控過程，實現(xiàn)智慧城市系統(tǒng)整體高水平長久運行。

本文所提融合路網(wǎng)和電網(wǎng)實時運行狀態(tài)信息的EV 充放電行為引導和調(diào)控策略，將路網(wǎng)實時運行狀態(tài)作為EV 充放電出行路徑?jīng)Q策方案的重要影響因素，并取得較好的效果，但在EV 出行決策引導過程尚未考慮充電樁不足而導致EV 用戶排隊的情況。在工程實踐中，充電樁數(shù)量將對EV 出行行為產(chǎn)生一定影響，能夠在一定程度上改變路網(wǎng)擁堵情況。因此，考慮充電樁數(shù)量限制將作為后續(xù)研究工作之一。

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