用户侧电动汽车放电策略及其经济效益评估

戴 欣，袁 越，傅质馨，许庆强

（1．河海大学能源与电气学院，南京 210098；2．河海大学可再生能源发电技术教育部工程研究中心，南京 210098；3．江苏省电力公司，南京 210024）

用户侧电动汽车放电策略及其经济效益评估

戴 欣1，2，袁 越1，2，傅质馨1，2，许庆强3

（1．河海大学能源与电气学院，南京 210098；2．河海大学可再生能源发电技术教育部工程研究中心，南京 210098；3．江苏省电力公司，南京 210024）

电动汽车是一种分散式的储能装置，基于电动汽车-电网互动技术V2G（vehicle to grid），合理的调度策略可以激发其较多的潜在价值。首先具体分析每一项潜在价值，建立用户侧电动汽车经济效益评估模型；然后应用粒子群算法，以经济效益最大为目标函数，在不增加电池充放电循环次数的前提下，利用电动汽车支持用户高峰用电并提高供电的可靠性，得到电动汽车各时段的放电功率。算例结果证明了该模型和控制策略的有效性。

电动汽车；用户侧；经济效益；放电策略；粒子群算法

随着人类社会的日益发展，能源问题越来越突出，因此爆发的种种社会问题和世界危机层出不穷。在全球变暖的今天，石油产品的大量消耗引起碳排放量激增，而其中大约50%的原油又被燃油汽车消耗。电动汽车技术的发展，给世界能源结构的升级带来巨大的机遇，可以帮助人类社会更好更快地实现抑制全球变暖的目标[1]。

尽管发展电动汽车技术具有良好的前景和重要的意义，但是目前电动汽车的推广度并不高。其中最突出的问题就是其昂贵的价格——相比普通的燃油汽车，电动汽车的价格高出50%以上。事实上，电动汽车的电池作为一种移动分散式的储能装置，不仅可以从电网中吸收电能，还可以向电网反馈电能。通过这种V2G技术，电动汽车可以参与电力系统的运行与控制。对于整个系统，电动汽车的电池可以用来移峰填谷，减少备用发电容量；可以参与系统调频，减少电网频率波动。对于用户侧，合理安排电动汽车充放电可以减少用户支付电网的电费；延缓配电装置的升级改造；降低变压器运行损耗；除此之外，电动汽车还可以为用户提供可靠的备用电源，减少停电带来的损失[2～4]。总的来说，电动汽车具有较多的潜在经济价值，可以带来可观的收益，从而提高电动汽车的经济性，推动电动汽车的发展。因此，对电动汽车充放电策略及其经济效益进行研究是很有必要的。

国内外学者在有关方面做了较多的研究。文献［5～8］计算了V2G模式下，电动汽车的多种潜在经济收益，指出电动汽车可以作为移动分散式储能装置，为电网提供容量支持，解决电能无法大量储存的困境，实现削峰填谷、节能减碳、稳定可再生间歇式能源电能质量。文献［9～13］分析了系统侧和用户侧电池储能装置的各种潜在收益，提出了计算其最佳充放电控制策略和最佳安装容量的方法，通过算例的计算验证了方法的正确性。文献［14～15］综合考虑电动汽车充放电功率及可用容量等约束条件，建立了移动储能系统模型，应用粒子群优化算法对模型进行了求解。文献［16］阐述了电动汽车充放电控制策略总体思路以及实现V2G的24 h发电计划原理。文献［17～19］介绍了粒子群算法的基本思想，对粒子群算法进行了改进，提高了运行速度和寻优精度。然而，现有研究中只有文献［10］，［13］具体研究了用户侧储能装置的经济效益，并且其研究对象是大型电池储能装置，没有针对电动汽车充放电的随机性和分散性。同时，文献［14～15］的充放电控制策略以电池的寿命损耗为代价，不利于提高电动汽车参与电网调度的积极性。

据统计，电动汽车一次性最大续航里程一般为100～300 km，而电动汽车一天的平均行驶里程只有30～50 km[20]，这说明电动汽车电池的容量远大于正常的日消耗能量；因此对于绝大部分电动汽车，利用休息时间将其充满电，即可满足一天的使用需求，同时还可以尽量避免在其他时间充电，从而减少电池充放电循环次数，延长使用寿命。以此为前提，基于用户侧电动汽车闲置和集中的优势，考虑大中型用户高峰负荷大、持续时间短的特点，电动汽车可以带来较多的潜在价值。这些潜在价值主要包括降低购电费用、减少基本电费、减少配电设备建设容量、降低变压器运行损耗和减少停电损失等。本文对这些潜在价值进行了具体的分析，建立了相应的经济效益评估模型；提出一种电动汽车放电控制策略，其特点是不增加电池的充放电循环次数。同时，针对某三班制企业，以一个工作日为单位，利用粒子群优化算法对电动汽车的放电做出了规划，分析了可调度容量和最大放电功率两个因素对经济收益的影响，验证了模型和控制策略的有效性。

1 用户侧电动汽车放电收益分析

1）减少购电费用

购电费用是指用户按照用电量的多少，向电网支付的一笔费用。由于大中型用户用电量大、电价高，购电费用是一笔较大的开销。电动汽车的电池容量远大于日消耗能量，如果电动汽车和用户签订协议，将处于“空闲状态”的电动汽车一部分电能用于放电调度，可以取得较大的经济收益。将一天的时间分成24个时段，相应的年收益R1可以表示为

式中：N为一年工作的天数；n为电动汽车的数量；Pij为第i辆电动汽车在第j个时段的放电功率，MW；cj为第j个时段的大工业用电电价。

2）降低基本电费

基本电费是根据大中型用户的最大用电功率来收取的一笔费用，受尖峰用电的影响比较大。尖峰用电具有功率大、持续时间短的特点，利用电动汽车响应速度快的优势合理放电，可以减少用户的尖峰用电，降低最大用电功率，从而降低基本电费。每年的收益R2可以表示为

式中：Pmax为用户的最大用电功率；Pmax′为电动汽车参与放电后用户从电网中吸收的最大功率；cd为基本电费价格。

3）减少配电设备容量建设费用

大部分情况下，配电设备不会满载运行，变压器的最大容量主要是由于用电高峰的限制。利用电动汽车合理放电，可以减少用户的尖峰用电，从而降低配电设备的建设容量，节约配电设备的建设费用，获取一定的收益[10]。每年的收益R3可以表示为

式中：fd为资产的折旧率；cb为配电设备的单位造价。

4）降低变压器运行损耗费用

用户的变压器运行损耗占用电损耗的主要部分，其中受负荷大小影响的是铜耗，它与负载率的平方成反比。电动汽车的电池容量较大，一定数量的电动汽车合理放电，可以明显降低变压器的负载率，从而降低其运行损耗。相应的年收益R4可以表示[13]为

式中：Pi为用户在第i个时段的用电功率，MW；Lk为变压器的短路损耗；SN为变压器的额定容量；cos β为变压器负荷侧功率因数。

5）减少停电损失费用

重要的用户对用电的可靠性要求很高，某些企业一旦断电，整条生产线上的产品就会报废，损失严重。总的来说，停电损失可以分成两个方面：停电期间缺电造成的经营收益损失和停电造成的产品报废损失。电动汽车作为后备电源，可以短时间超过最大功率放电，在毫秒级时间内实现供电，防止停电造成的产品报废，并且继续供电，减少经营收益损失。相应的年收益R5可以表示[13，21]为

式中：RIEA为用户缺电损失评价率；EENS为电网每次停电造成的用户电量不足期望值；λs为电动汽车接入电网时的故障停电率；λs′为电动汽车接入后配电系统的故障停电率；Wi为第i个时段电动汽车总的剩余能量；Eλ为每次停电给用户造成产品报废的经济损失期望值；Ts为用户每年的生产小时数；As为电网供电可靠性；P0为用户维持基本生产的最小供电功率；λb为电动汽车供电的故障停电率；rs和rb分别为电网和电动汽车正常供电的修复时间；hWE为Wi＜EENS的小时数；P（Wi＜EENS）为电动汽车接入后，一天中电动汽车总的剩余能量小于EENS的概率。

2 电动汽车放电控制策略及其经济效益评估模型

2.1 放电控制策略

目前国内外对电动汽车参与电网调度的研究，大部分是基于合理充放电来实现的，主要代价是电池充放电循环次数的消耗。电动汽车的可用性和经济性很大程度上决定于电池的充放电循环次数，在当前电池技术没有明显突破的情况下，这些调度策略会影响电池的使用寿命，降低电动汽车参与电网调度的积极性。本文提出的放电控制策略，正是基于这方面的考虑，只利用电动汽车中一部分“空闲”的电能进行放电调度，不增加充放电循环次数，如图1所示。

图1 电动汽车一个工作日的充放电过程Fig.1 Charge and discharge process of electric vehicle in workday

前提条件为：用户侧电动汽车初始电量较高。在到达用户侧之前，利用休息时间，通过居民用电将电池基本充满。

控制策略如下。

（1）电动汽车在用户侧不进行充电。这主要是基于电动汽车电池的容量远大于正常的日消耗能量。

（2）电动汽车只参与放电调度，不增加充放电循环次数。这是基于电池的使用寿命考虑的。

（3）只利用电动汽车中较少的电能参与放电调度（电池容量的10%～40%）。这是为了保证电动汽车的正常使用需求。

2.2 放电成本及目标函数

由于电动汽车只参与放电调度，不增加电池的充放电循环次数，因此放电的成本仅仅是电动汽车上缴电网的与放电容量相对应的电费C，可以表示为

式中：cr为居民用电电价；η为汽车电池放电效率。

综上所述，主要目标函数f1为电动汽车的放电收益，可以表示为

这里需要指出的是，式（10）的实质是进行多目标优化，但与现有文献不同，本文中这些目标的量纲都是经济收益。基于相同的量纲，在本文考虑经济效益最大化的前提下，对这些不同的目标之间没有考虑权重。事实上，权重的考虑与否对优化结果是有一定影响的。在不考虑权重的情况下，放电策略优先选择降低高峰负荷；如果增加R3、R4和R5的权重，放电策略则会兼顾考虑用户的可靠性和负荷率。

次要目标函数f2为负荷曲线的均方差，可以表示为

基于主要目标函数A得到最优解集后，考虑负荷的波动最小化，根据次要目标函数B得出最优解。

2.3 约束条件

1）考虑电动汽车的放电功率约束

式中，Pimax为第i辆电动汽车的最大放电功率，一般由电动汽车的类型决定。

2）考虑电动汽车放电容量约束

式中，Pimax为第i辆电动汽车的最大放电容量，可由电动汽车所有者根据需求自主设定。

最后需要指出的是，目标A是以年为单位，而目标B及约束条件是以天为单位。但是本文的放电控制策略是以一天24 h为单位，因此将它们放在同一个模型中进行优化，并不存在时间上的协调问题。

3 基于粒子群算法的电动汽车放电控制流程

电动汽车的数量众多，其放电控制策略的求解是一个高维数的优化问题。在众多算法中，典型规划算法被广泛应用于此类问题，其方法简单、结果可靠，但也存在着计算时间长、收敛精度不高等问题。文献［17］将改进的粒子群算法与典型规划算法比较，结果证明前者的计算时间更短，收敛精度更高。因此本文选用粒子群优化算法。

3.1 粒子群算法的改进

粒子群算法来源于对鸟类捕食行为的研究。粒子的特征用位置、速度和适应度值来表示。粒子的位置代表问题的潜在解，粒子的速度决定了粒子移动的方向和距离，适应度值由适应度函数决定，其值的好坏表示粒子的优劣。

粒子群算法经过多年的发展，出现了众多的改进方法。本文采用文献［17］的方法，其粒子的更新公式为

式中：ω为惯性权重；k为当前迭代次数；vid为粒子的速度；Yid为粒子的位置；Pid为个体适应度值最优位置；Pgd为群体适应度值最优位置；Igd为每次迭代过程中群体适应度值最优位置；a1、a2、a3为加速因子；b1、b2、b3为[0，1]区间的随机数。

3.2 算法流程

将粒子群算法应用到电动汽车放电控制策略及其经济效益评估中，通过优化电动汽车在各个时段的放电功率，使目标函数最优。本文问题中粒子的维度为24n，其中n是电动汽车的数量。粒子的位置可以表示为

粒子群算法的具体流程如下。

（1）确定基本参数，初始化粒子的位置和速度。

（2）根据电动汽车放电约束条件修改粒子的位置和速度。

（3）根据目标函数A计算粒子适应度值，记录个体极值和群体极值。

（4）更新粒子的位置和速度。

（5）根据放电约束条件修改粒子的位置和速度。

（6）计算粒子适应度值，记录最优粒子位置，个体极值和群体极值。

（7）判断是否达到最大迭代次数，是则停止；否则转到（4）。

（8）在最优粒子集中，根据目标函数B计算适应度值，记录最优解。

4 算例分析

4.1 算例结果

以某地区三班制企业为例（晚班为0∶00—8∶00，早班为8∶00—16∶00，中班为16∶00—24∶00），其日负荷曲线如图2所示。大工业用电电价依据时段分为3个价格区间，高峰电价为0.098万元/（MW·h）（8∶00—12∶00，17∶00—21∶00），平段电价为0.058 8万元/（MW·h）（12∶00—17∶00，21∶00—24∶00），低谷电价为0.027 6万元/（MW·h）（0 ∶00—8∶00）。

图2 某企业典型工作日负荷曲线Fig.2 Typical workday load curve of an enterprise

考虑到用户侧的电动汽车具有随机性小（工作时段电动汽车基本处于“空闲”状态）和车辆类型比较固定的特点（主要是中小型轿车和商务车），因此可以对求解问题进行简化。

（1）参与调度的电动汽车与企业签订合同，赋予企业放电调度的权力。在工作时段内，参与调度的电动汽车不离开企业。

（2）参与调度的电动汽车初始电量满足正态分布，平均初始电量较高。

（3）3个班次之间没有调度联系，企业分别利用3个班次的可调度电动汽车进行放电调度。

（4）每个班次参与调度的电动汽车分成A、B、 C 3类。每一类电动汽车的数量，最大放电功率及电池容量如表1所示。

（5）电动汽车最大可调度容量为电池容量的40%。

表1 3种类型电动汽车的基本参数Tab.1 Parameters of three types of electric vehicles

经济效益模型中的相关数据见表2。算法中设粒子数目为120；最大迭代次数Tmax=200；粒子速度vmax=0.02，vmin=-0.02；加速因子a1=1.24，a2=1.24，a3=0.124；惯性权重系数ω计算式为

表2算例数据Tab.2 Example date

式中：ωmax=0.9，ωmin=0.4；t为当前迭代次数。

粒子群算法的迭代收敛过程如图3所示。

图3 粒子群算法的优化过程Fig.3 Optimization procedure of particle swarm optimization algorithm

求解得到电动汽车各时刻总放电功率如图4所示（其中，1∶00—8∶00为晚班电动汽车放电功率，9∶00—16∶00为早班放电功率，17∶00—24∶00为中班放电功率）。

图4 电动汽车各时刻总放电功率Fig.4 Total discharge power of electric vehicles each time

该企业电动汽车放电的年收益为95.94万元，其中R1=72.27万元，R2=28.7万元，R3=1.89万元，R4=0.65万元，R5=28.17万元，C=35.74万元。

对图4进一步分析，可以发现：

（1）晚班时段内，由于企业用电电价低于居民用电电价，电动汽车进行放电调度的经济性不高，只适合作为企业的可靠备用电源来获取一定的经济收益。

（2）早班和中班时段内，企业用电电价较高，电动汽车放电参与度很高，经济收益较大。

企业与电动汽车所有者平分经济收益，则企业每年可获利47.97万元，每辆电动汽车每年可获利0.16万元。显然，电动汽车通过参与用户侧放电调度提高了自身的经济性，这对进一步提高电动汽车的推广度有较大的帮助。

4.2 灵敏度分析

图5所示为经济收益随电动汽车可调度容量增大的变化趋势。

图5 经济收益随电动汽车可调度容量增大的变化趋势Fig.5 Trend of economic benefits with scheduling capacity increases

由图5可知，随着可调度容量的增加，总收益和减少购电费用收益近似线性增加；减少配电设备容量建设费用收益和降低基本电费收益增加到一定程度后维持不变；而减少停电损失费用收益则一直保持不变。分析原因，可以概括为3点。

（1）相比于该企业用电容量，电动汽车的放电容量不大且主要集中在高峰电价时段内放电。

（2）电动汽车最大放电功率的限制和平段电价时段内最高负荷的存在，导致继续降低用户最大负荷的经济性不大。

（3）电动汽车的剩余电量较大，一直高于企业所需的备用容量。

图6以算例中设定的最大放电功率为基准值，描述了可调度容量为40%的前提下，该企业电动汽车的经济收益随其最大放电功率增大的变化趋势。

图6 经济收益随电动汽车最大放电功率增大的变化趋势（以算例中设定的最大放电功率为基准值）Fig.6 Trend of economic benefits with maximum discharge power increases（the maximum discharge power in the example was set as the reference value）

由图6可知，随着最大放电功率的增长，经济收益逐渐增加，当最大放电功率达到1.00后，经济收益不再跟随最大放电功率增长。研究发现，由于可调度容量和平段电价时段内最高负荷的限制，过大的放电功率不能带来更多的经济收益，同时还可能会降低电池的使用寿命，故应该给用户侧的电动汽车设置一个合理的最大放电功率。显然，本算例中设定的最大放电功率就是一个较优的值。

5 结语

本文比较全面地考虑了用户侧电动汽车多方面的经济效益，建立了评估模型。基于电动汽车电池容量远大于日消耗能量的特点，提出一种放电控制策略，其优点是不增加电池的充放电循环次数。通过算例计算，分析了电动汽车可调度容量和最大放电功率两个因素对经济收益的影响，验证了模型和控制策略的有效性。从系统侧看，电动汽车在用电高峰时刻放电还可以节省电源和电网的容量建设成本和运行成本，带来相应的社会效益，但是目前电动汽车的价格仍然较高，经济性欠佳，消费者购买的积极性不高。这还需要相应的政策支持，以推动其应用和成本的进一步降低。

[1]Boulanger A G，Chu A C，Maxx S，et al.Vehicle electrification：status and issues[J].Proceedings of the IEEE，2011，99（6）：1116-1138.

[2]高赐威，张亮（Gao Ciwei，Zhang Liang）.电动汽车充电对电网影响的综述（A survey of influence of electrics vehicle charging on power grid）[J].电网技术（Power System Technology），2011，35（2）：127-131.

[3]Dickermanan L，Harrison J.A new car，a new grid[J].IEEE Power and Energy Magazine，2010，8（2）：55-61.

[4]Tu Yiyun，Li Can，Cheng Lin，et al.Research on vehicleto-grid technology[C]//International Conference on Computer Distributed Control and Intelligent Environmental Monitoring.Changsha，China：2011.

[5]钱科军，周承科，袁越（Qian Kejun，Zhou Chengke，Yuan Yue）.纯电动汽车与电网相互关系的研究现状（A review of research on the interaction between fully electric vehicles and power systems）[J].电网与清洁能源（Power System and Clean Energy），2010，26（11）：1-7.

[6]孙波，廖强强，谢品杰，等（Sun Bo，Liao Qiangqiang，Xie Pinjie，et al）.车电互联削峰填谷的经济成本效益分析（A cost-benefit analysis model of vehicle-to-grid for peak shaving）[J].电网技术（Power System Technology），2012，36（10）：30-34.

[7]杨黎晖，许昭，ØSTERGAARD J，等（Yang Lihui，Xu Zhao，ØSTERGAARD J，et al）.电动汽车在含大规模风电的丹麦电力系统中的应用（Electric vehicles in Danish power system with large penetration of wind power）[J].电力系统自动化（Automation of Electric Power Systems），2011，35（14）：43-47.

[8]于大洋，黄海丽，雷鸣，等（Yu Dayang，Huang Haili，Lei Ming，et al）.电动汽车充电与风电协同调度的碳减排效益分析（CO2reduction benefit by coordinated dispatch of electric vehicle charging and wind power）[J].电力系统自动化（Automation of Electric Power Systems），2012，36 （10）：14-18.

[9]Chacra F A，Bastard P，Fleury G，et al.Impact of energy storage costs on economical performance in a distribution substation[J].IEEE Trans on Power Systems，2005，20 （2）：684-691.

[10]Lee Tsung-Ying，Chen Nanming.Determination of optimal contract capacities and optimal sizes of battery energy storage systems for time-of-use rates industrial customers[J]．IEEE Trans on Energy Conversion，1995，10（3）：562-568．

[11]Lo C H，Anderson M D．Economic dispatch and optimal sizing of battery energy storage systems in utility load-leveling operations[J].IEEE Trans on Energy Conversion，1999，14（3）：824-829．

[12]Hu Weihao，Chen Zhe，Bak-Jensen B．Optimal operation strategy of battery energy storage system to real-time electricity price in Denmark[C]//IEEE Power and Energy Society General Meeting.Minneapolis，USA：2010．

[13]颜志敏，王承民，连鸿波，等（Yan Zhimin，Wang Chengmin，Lian Hongbo，et al）．计及缺电成本的用户侧蓄电池储能系统容量规划（Capacity plan of battery energy storage system in user side considering power outage cost）[J]．电力系统自动化（Automation of Electric Power Systems），2012，36（11）：50-54．

[14]韩海英，和敬涵，王小君，等（Han Haiying，He Jinghan，Wang Xiaojun，et al）．基于改进粒子群算法的电动车参与负荷平抑策略（An improved particle swarm optimization-based load response strategy with participation of vehicle to grid）[J]．电网技术（Power System Technology），2011，35（10）：165-169．

[15]鲍谚，姜久春，张维戈，等（Bao Yan，Jiang Jiuchun，Zhang Weige，et al）．电动汽车移动储能系统模型及控制策略（Model and control strategy of the electric vehicle mobile energy storage system）[J]．电力系统自动化（Automation of Electric Power Systems），2012，36（22）：36-43．

[16]张丽，王媚，杜成钢，等（Zhang Li，Wang Mei，Du Chenggang，et al）．一种V2G充放电控制策略算法应用（Application of an algorithm of control strategy for charging& discharging system based on V2G）[J]．华东电力（East China Electric Power），2010，38（11）：1675-1677．

[17]Lee Tsung-Ying．Operating schedule of battery energy storage system in a time-of-use rate industrial user with wind turbine generators：a multipass iteration particle swarm optimization approach[J]．IEEE Trans on Energy Conversion，2007，22（3）：774-782．

[18]Gaing Zwe-Lee．Particle swarm optimization to solving the economic dispatch considering the generator constraints [J]．IEEE Trans on Power Systems，2003，18（3）：1187-1195．

[19]蒙文川，邱家驹（Meng Wenchuan，Qiu Jiaju）．电力系统经济负荷分配的混沌粒子群优化算法（Chaotic particle swarm optimization algorithm for economic load dispatch of power system）[J]．电力系统及其自动化学报（Proceedings of the CSU-EPSA），2007，19（2）：114-119．

[20]廖强强，周国定，葛红花，等（Liao Qiangqiang，Zhou Guoding，Ge Honghua，et al）．车网互联（V2G）支持高峰电力的技术经济分析（Technical and economic analysis on V2G peak power support mode）[J]．中国电力（Electric Power），2012，45（4）：92-95．

[21]张焰（Zhang Yan）．电网规划中的可靠性成本-效益分析研究（Research on cost-benefit analysis of electric power network reliability planning）[J]．电力系统自动化（Automation of Electric Power Systems），1999，23（15）：33-36．

[22]王钢，丁茂生，李晓华，等（Wang Gang，Ding Maosheng，Li Xiaohua，et al）．UPS供电系统可靠性与经济性综合研究（Comprehensive study of uninterrupted power supply system’s reliability and economy）[J]．中国电机工程学报（Proceedings of the CSEE），2005，25（12）：73-77．

Discharge Strategy and Economic Benefits Evaluation of Electric Vehicles in User Side

DAI Xin1，2，YUAN Yue1，2，FU Zhi-xin1，2，XU Qing-qiang3
（1.College of Energy and Electrical Engineering，Hohai University，Nanjing 210098，China；2.Research Center for Renewable Energy Generation Engineering of Ministry of Education，Hohai University，Nanjing 210098，China；3.Jiangsu Electric Power Company，Nanjing 210024，China）

Electric vehicles were distributed energy storage devices，some potential value can stimulated through reasonable scheduling strategy based on the electric vehicle-grid interactive technologies（vehicle to grid，V2G）．Firstly，potential values were specifically analyzed，economic benefit assessment model of electric vehicles in user side was established．Then，discharge power of electric vehicles was calculated by particle swarm optimization algorithm which was used to support peak demand and improve power reliability without increasing the number of charge and discharge cycle．The validity of the model and control strategy was proved by the results of calculation example.

electric vehicle；user side；economic benefits；discharge strategy；particle swarm optimization algorithm

TM910.6；TP273+.5；F416.471；U469.72

A

1003-8930（2013）06-0055-07

戴 欣（1990—），男，硕士研究生，研究方向为电动汽车充放电策略及其经济效益研究。Email：hhdaixin@yahoo.com.cn

袁 越（1966—），男，博士，教授，研究方向为可再生能源发电技术、分布式发电与供电技术、微型电网、智能电网等。

Email：yyuan@hhu.edu.cn

傅质馨（1983—），女，博士，讲师，研究方向为可再生能源发电技术。Email：zhixinfu@yahoo.com.cn

2013-05-02；

2013-06-07

国家电网公司科技项目：电动乘用车充换电技术研究与示范