融合路网-电网信息的电动汽车充放电行为引导与调控策略

玉少华，杜兆斌，陈丽丹，陈南星，李家乐

（1.华南理工大学电力学院，广东省 广州市 510641；2.广州航海学院轮机工程学院，广东省 广州市 510725）

0 引言

随着物联网、边缘计算、大数据、云服务等技术的逐步成熟和应用，基于社会、安全、经济等整体效益最优的智慧城市概念也得以迅速推进和发展［1-2］，电动汽车（electric vehicle，EV）作为智慧城市的重要组成部分，因其具有智能高效、低碳节能等显著优点得以迅速发展。截至2022 年底，中国EV 保有量为1 045 万辆，充电基础设施累计数量为521 万台［3］。然而，大量EV 无引导的出行和无序的充放电行为在时空上均呈现出不确定性，对电力-交通耦合网络的运行状态产生不利影响［4-6］。因此，有必要研究EV 行为引导与调控策略，以缓解EV 随机行为对电力-交通耦合网络的负面影响，提高系统运行安全性和经济性［7-8］。

当前，围绕融合路网-电网信息的EV 调度策略已取得一定成果。文献［9］将路网-电网信息作为权值赋给路网，通过寻求总权值最小的路径达到优化路网与电网运行的目的。文献［10］基于电力-交通耦合网络，建立了计及不同EV 类型的充/换电调度策略，有效缓解局部道路拥堵压力及改善负荷峰谷差。有研究将路网-电网信息融入电价信号，并取得较好效果［11-12］。文献［11］提出了一种电力-交通耦合网络协同定价方案，使得系统整体的运营成本最小。文献［12］基于逆优化原理，提出了一种适用于电力-交通耦合网络的协调定价模型，最大限度降低了用户成本。然而，上述研究虽然融合了两网信息，但融合方式难以体现空间区域特性及实时运行状态的差异性，其建模精细化有待进一步探讨。

关于EV 可调潜力的挖掘，主要体现在引导与调控两方面。引导策略旨在引导EV 前往特定充电区域。文献［13］基于后悔理论，提出考虑多区域下的EV 充电区域决策模型，但是决策者心理具有较强模糊性，其后悔意愿并不能得到有效反映。文献［14］基于联盟链服务机制，提出电动出租车充电引导模型，有效降低车主的充电费用成本、时间成本及距离成本，但该模型呈现的引导信号不够直观，限制了其在实际工程中的应用。调控策略针对并网EV进行充放电调控。文献［15］考虑用户充电过程中“车-站-网”多个主体，采用双层博弈模型描述充电站竞价过程和用户最佳充电策略选择过程，能够有效平衡EV 用户、充电站和配电网三者之间的经济利益。上述研究虽然对EV 负荷有一定的均衡作用，但是对引导环节与调控环节的相互作用缺乏考虑，并未充分发挥EV 在路径引导与充放电调控过程中巨大的可调潜力。实际上，两阶段策略在时空框架下均涉及电网、用户等主体利益，且调控策略在时序上基于EV 路径引导结果进行。因此，在两阶段的电价信号指挥下引导与调控深度耦合可提高系统整体效益。

为进一步体现系统时空差异性并增强引导与调控环节的耦合作用，本文提出融合路网-电网信息的EV 充放电行为引导与调控方法，主要贡献如下:

1）计及交通指挥中心（traffic control centre，TCC）、配电系统运营商（distribution system operator，DSO）、EV 集成商（EV aggregator，EVA）和EV 用户多主体利益，提出EV 充放电行为引导与调控两阶段优化策略。

2）在引导阶段，提出基于路网-电网信息耦合网络运行状态的EV 出行决策电价，建立计及用户时间-经济成本的EV 充放电出行路径决策优化模型；在调控阶段，采用动态区域调度电价［16］，建立兼顾多方利益的EV 充放电调控模型；强调全过程精细化调控EV 充放电行为的优越性和必要性。

1 融合路网-电网信息的EV 充放电行为引导与调控框架

1.1 路网-电网交互影响分析

EV 在智慧城市中将会与城市交通系统和配电系统的运行状态相互影响:一方面，城市交通系统中的道路实际通行能力、道路实时运行水平、充电站地理位置和数量等因素都将影响EV 用户的充放电出行路径决策计划，进而改变EV 充放电负荷时空分布情况，从而影响电网实时运行状态；另一方面，配电系统中区域电网负荷水平、充/放电电价水平、线路与变压器容量、需求侧激励力度等因素也将影响EV 用户的充电站选择及其出行路径决策方案，进而改变城市交通网络实时运行状态。因此，EV 行为决策过程应该同时考虑路网和电网的实时状态信息，并充分发挥TCC 和DSO 的引导和调控作用，合理制定EV 出行路径决策和充放电调控方案。

1.2 EV 充放电行为引导与调控框架

当前，世界各国均在探索“设备、服务、数据与基础设施”的深度融合，致力于推动智慧城市的发展，并且已在多个领域取得不俗成绩［2］。因此，制定并执行系统最优的城市运行方案具有可行性。在智慧城市背景下，系统信息交互的全面性与及时性将得到极大满足，各利益主体之间的海量数据实时交互能够综合系统多源数据信息，以制定EV 引导与调控策略。其中，引导策略将改变EV 路径选择，在空间上做了一定程度的资源优化聚集，再基于EV 各子集进一步影响调控策略的执行，从而改变区域负荷分布。本文所提融合路网-电网信息的EV 充放电行为引导与调控策略主要包括两个关键内容:1）计及路网-电网耦合信息的EV 出行决策电价及其出行路径决策模型；2）基于动态区域调度电价的EV 充放电优化调控策略。

本文的EV 引导与调控框架如图1 所示，具体工作流程见附录A。EV 引导与调控云服务（cloud service，CS）平台作为智慧城市背景下的政府非营利性组织机构，以实现智慧城市系统整体效益最优为目标，主要负责汇总并处理系统内DSO、TCC、EVA 和EV 用户等主体的实时和预测运行状态信息，并主导制定融合路网-电网信息的出行路径引导决策方案和并网EV 充放电调控策略等。DSO 作为利益主体之一，以最小化区域配电网有功负荷偏差为目标，主要负责保障电网安全可靠供电，为电力用户提供电能购售电服务，开展电能监控管理工作，以及向CS 提供配电变压器容量承载实时信息。TCC作为利益主体之一，以缓解路网道路通行压力为目标，主要负责监控交通网情况、汇总处理并上传交通网络实时和预测的道路运行状态信息。EVA 作为利益主体之一，以最小化运行成本为目标，主要负责汇总、处理充电站内的EV 状态信息，并根据调控方案控制并网EV 的充放电行为。EV 用户是EV 引导与调控的基础，以最小化出行成本和充电成本为目标。

图1 融合路网-电网信息的EV 引导与调控框架Fig.1 Framework of EV guidance and regulation based on fusion of road network and power grid information

2 融合路网-电网信息的EV 出行路径决策模型

本章开展第1 阶段工作，即EV 充放电出行行为引导。在此阶段，CS 平台根据区域交通网和配电网的实时运行状态动态更新EV 出行决策电价，引导EV 用户制定以出行时间-经济成本最小的出行决策方案。值得一提的是，此处的EV 出行决策电价是基于智慧城市视角所构建的虚拟电价，旨在运用当前路网-电网信息合理引导EV 行为决策，以保障智慧城市多方主体的效益最优。

2.1 交通网络路阻函数模型

基于城市路网的结构和功能特性，本文采用由以色列交通规划研究院提出的Logit 流量延误函数［17］作为路阻函数模型，具体如式（1）所示。

式中:Tk，j，t为t时刻车辆从路网节点k出发行驶到相邻节点j耗费的通行总延误时间；Hkj，t和Ij，t分别为t时刻道路kj的路段延误时间和交叉路口延误时间，其具体表达式见附录B。

2.2 EV 用户出行需求模型

根据2019 年英国国家交通出行调查（national travel survey，NTS）数据库统计数据［18］，车主用户出行目的多样复杂，主要包括工作通勤、商务、购物、娱乐、运动等。本文根据系统区域范围内地块功能性质的差异，将系统区域划分成办公区（office，O）、商业区（business，B）和住宅区（home，H），单辆EV 根据自身出行需求在各功能区之间行驶，并且由于用户出行目的不同，在办公区、商业区和住宅区等功能区均有所分布，这使得用户在地理空间维度上呈现较为随机的分布。因此，考虑到用户出行行为的不确定性，采用起讫点（origin-destination，OD）矩阵和蒙特卡洛马尔可夫链（Monte Carlo Markov chain，MCMC）方法［19-20］建立EV 用户每日的出行需求模型，进而描述用户出行的时空分布情况，并以此为基础获取EV 用户充电需求时空分布特性。

2.3 EV 充放电出行路径决策模型

EV 出行路径优化决策模型以EV 用户出行时间和经济成本作为目标函数，并将充电站编号和充电出行路径作为决策变量。其中，优化目标函数包括EV 行驶时间成本与充放电经济成本，如式（2）所示。

式中:f1为EV 充放电出行决策的综合时间-经济成本；f11和f12分别为EV 行驶时间成本和EV 充放电经济成本；ψ(·)表示综合时间-经济成本与EV 行驶时间成本、充放电经济成本的函数关系。

2.3.1 EV 行驶时间成本

当EV 在城市交通系统中运行而电池荷电状态（state of charge，SOC）下降至充电阈值Stv时，EV 用户将产生充电需求。此时，以EV 产生充电需求地点作为出发点，EV 用户通过智能交通系统和智慧充放电系统获取当前系统内的路网和电网实时运行状态、可用充电桩等信息，则EV 出发点到充电站的行驶时间即为相应时间成本f11，n:

2.3.2 EV 充放电经济成本

EV 充放电经济成本f12，n受到路网运行状态和电网运行状态影响，体现在一定评估时间内融合路网-电网信息的EV 充放电电价水平，具体如式（4）所示。

2.3.3 EV 充放电出行路径综合决策目标

本文分别对EV 行驶时间成本和充放电经济成本目标进行归一化处理，进而基于实际应用场景下EV 用户对时间和经济成本的偏好，通过权重系数法得到EV 充放电出行路径综合目标函数。其中，min-max 归一化过程如式（5）所示，模型综合决策目标函数如式（6）所示。

2.3.4 EV 充放电出行路径决策约束条件

EV 充放电出行路径决策涉及EV 最大容忍行驶时间、电池剩余可用电量和电网容量等约束条件。

1）EV 行驶时间约束

EV 用户对于行驶时间有一定容忍限度，EV 用户对充放电出行路径所耗费时间成本拥有上限约束如下:

2）EV 行驶电量约束

充电站及其行驶路径的选择应在EV 剩余基础电量允许范围内，避免电池电量出现过低情况，如式（8）所示。

式中:w为EV 能耗系数，受天气、路况、用户驾车习惯等因素影响；Dn，s为第n辆EV 前往充电站s的行驶距离；和分别为第n辆EV 电池SOC 的充电阈值和基础下限；E为单辆EV 电池额定容量。

3）配电变压器容量约束

EV 选择前往的充电站应保证其在所处配电变压器容量承载范围内，如式（9）所示。

2.4 EV 出行决策电价动态更新策略

本节在电网峰谷分时电价的基础上，提出EV出行决策电价动态更新策略，包括EV 放电激励决策电价和充电服务费决策电价动态更新策略。

2.4.1 EV 放电激励决策电价动态更新策略

EV 放电激励决策电价由路网和电网运行状态共同决定，以合理引导EV 充放电负荷的时空分布，如式（11）所示。

1）路网角度

从路网角度出发，EV 放电激励决策电价是CS平台根据TCC 调峰需求制定，以引导EV 用户出行行为，其更新策略为:

式中:vbcomp为车辆并网（vehicle to grid，V2G）基础放电激励电价，本文取0.35 元/（kW·h）；为t时刻充电站s的路网放电激励系数，其随着路网通行压力的增加而减少，当路网无调峰压力，即路段和交叉路口饱和度均不处于拥堵状态时，其为正值，反之为0，具体如式（13）所示。

2）电网角度

从电网角度出发，EV 放电激励决策电价综合考虑区域电网运行特性，由CS 平台根据区域DSO削峰填谷需求更新制定，以引导EV 用户出行行为，具体更新策略为:

3）综合放电激励决策电价

融合路网-电网信息的综合放电激励决策电价如式（17）所示。

2.4.2 EV 充电服务费决策电价动态更新策略

EV 充电服务费制定和更新策略由路网和电网运行状态共同决定，以合理引导EV 充放电负荷的时空分布，如式（18）所示。

1）路网角度

从路网角度出发，EV 充电服务费由CS 基于TCC 调峰管控需求制定和更新，以引导EV 用户出行行为，其更新策略为:

式中:vbserv为基础充电服务费，本文取0.6元/（kW·h）；为t时刻充电站s的路网充电服务费调整系数，其随着路网充电站s附近道路路段和交叉路口饱和度的增加而增大，且当局部路网水平处于严重拥堵状态时达到最大，具体如式（20）所示。

2）电网角度

从电网角度出发，EV 充电服务费由CS 平台根据区域电网运行情况制定并更新，以引导EV 用户出行行为，具体更新策略为:

3）综合充电服务费决策电价

融合路网-电网信息的综合充电服务费决策电价如式（23）所示。

2.4.3 EV 出行决策电价约束条件

EV 充放电出行决策电价应满足相应边界约束，如式（24）所示。

3 考虑多利益主体的EV 充放电调控模型

EV 出行引导阶段完成后，应开展并网EV 充放电行为调控阶段工作。在此阶段，本文构建动态区域调度电价，建立EV 充放电优化调控模型。其中，动态区域调度电价属于真实电价，是EV 用户进行充放电行为时所接受电价。此外，EV 优化调控模型以综合考虑DSO、EVA 和EV 用户主体利益的系统全局利益为综合优化目标函数，并以单辆EV 的充、放电功率作为决策变量。

3.1 EV 充放电优化调控模型

3.1.1 EV 充放电优化调控模型综合优化目标函数

本文的EV 充放电模式为快充快放型，该模式可在保障用户充电需求的前提下，减少充电总成本，兼顾用户的时间-经济效益。基于此模式，本节提出EV 充放电优化调控模型。所提模型兼顾DSO、EVA、EV 用户三方的利益，属于多目标优化问题。为充分体现各目标函数的重要性以及便于模型求解，将各利益主体目标归一化处理后，采用加权系数法线性加权得到本文模型综合优化目标函数，如式（25）所示。

式中:ω1、ω2、ω3分别为DSO、EVA 和EV 用户优化目标的权重系数，由CS 平台根据优化目标的重要性与优先级灵活确定；为区域i的平均有功负荷；T为调控周期；I为功能区域数量；分别为区域i的EVA 购电成本、激励成本、备用收益；γs为区域EVA 给予EV 用户参与V2G 和备用服务的激励力度；和分别为t时刻区域i充电站s内第n辆EV 的充电电价和充电功率；Δt为调控时间间隔；Ln，s为充电站s内第n辆EV 的电池循环寿命；CB为电池购置资金成本。式（25）等号右边的第1 部分为DSO 最小化负荷偏差目标；第2 部分为EVA 最小化运行成本目标；第3 部分为EV 用户最小化充放电成本目标（包括充电费用和电池退化损耗成本［22］）。

更为具体的表达式如下:

3.1.2 EV 充放电优化调控模型约束条件

EV 充放电优化调控模型包含EV 充放电需求约束、EV 充放电约束、EV 上/下备用能力约束与配电变压器容量约束等。

1）EV 充放电需求约束

式中:Sn，s，t为充电站s在t时刻第n辆EV 电池的SOC；ηch、ηdisc分别为EV 充、放电效率；为充电站s第n辆EV 离网最小期望SOC；分别为充电站s在t时刻第n辆EV 电池SOC 上、下限；Tn，in、Tn，out分别为第n辆EV 并网、离网时刻；λn为SOC 保底下限增长系数。

2）EV 充放电约束

3）EV 上、下备用能力约束

4）配电变压器容量约束

3.2 动态区域调度电价更新策略

本文采用动态区域调度电价策略调控并网EV的充放电行为，具体方式详见文献［16］和附录C。其核心是:在电网峰谷分时电价的基础上，基于区域电网实际运行状态及EV 并网情况，制定EV 与电网互动（以下简称“车网互动”）（V2G）放电激励调度电价和充电服务费调度电价动态更新策略。

4 算例分析

4.1 参数设置

本文所提路网-电网耦合仿真算例系统如图2所示，电网模型为经适应性调整的IEEE 33 节点系统，路网模型为29 节点区域交通网络系统。耦合仿真系统包含4 个功能区:办公区、商业区、住宅区1 和住宅区2，共有4 个EV 充电站，即对应4 个EVA。配电系统总基础有功负荷和各区域基础有功负荷见附录D 图D1。交通路网模型道路路段和交叉路口参数见表D1 和表D2，交通路段车流量状态信息见图D2。考虑到在智慧城市背景下EV 充电基础设施已经得到了极大发展和合理配置，假设EV 充电站均拥有足够数量的快速充电桩。同时，基于路网-电网耦合仿真系统容量规模和EV 渗透率水平，假设系统内共有200 辆EV，单辆EV 仿真参数见表D3。同时，为了在一定程度上反映用户充电需求的不确定性，假设EV 用户拥有不同的离网期望SOC，即服从N（0.85，0.02）的正态分布。为了充分发挥EV 的可调节潜力以及满足用户充电需求，假定EV到达目的地后立即接入电网接受调控。EV 提供旋转备用服务的电价为0.022 元/（kW·h）［23］，相关电价参数见表D4，峰谷分时电价见表D5。同时，本文兼顾各方利益诉求并基于归一化处理方法，ω1、ω2、ω3分别取7×10-8、4.5×10-4、5×10-4。

图2 路网-电网耦合系统拓扑模型Fig.2 Topology model of road network-power grid coupling system

本文仿真周期T设置为前一日05:00 至当日05:00，仿真时间间隔取Δt=15 min，即调控周期为24 h，包含96 个调控时段。运用MATLAB 软件的YALMIP 工具包编程建模，并调用CPLEX 求解器求解优化模型。其中，求解单辆EV 充放电出行路径优化决策模型平均耗时0.025 s，该速度可极大满足在线决策需求。求解EV 充放电优化调控问题平均耗时1.35 min，考虑到所研究场景为一个24 h（包括96 个调控时段）的EV 优化调控问题，该计算时间亦能接受。

4.2 EV 充放电出行路径决策结果

4.2.1 融合路网-电网信息的出行决策电价计算结果

本文所提EV 充放电出行决策电价由CS 平台根据TCC、DSO 和EVA 的交互信息计算并更新，结果如图3 所示。图中:放电激励和充电服务费的单位为元/（kW·h）。

图3 EV 充放电出行决策电价结果Fig.3 Results of electricity price for EV charging and discharging traveling decision

充电站3、充电站13、充电站1 和充电站22 分别属于办公区、商业区、住宅区1 和住宅区2 的电网与路网的服务范围。结合图2、附录D 图D1 和图D2可知，办公区、商业区、住宅区1 和住宅区2 的区域配电网和交通网的运行特性具有显著时空差异，故EV 充放电出行决策电价同样变化明显，并且变化趋势截然不同。相应地，融合路网-电网信息的EV放电激励决策电价和EV 充电服务费也随之动态更新，充分反映了路网-电网耦合系统的实时运行状态，进而发挥电价信号的引导作用。

由图3（a）可知，当充电站所处区域电网存在较大的削峰需求并且所处路网节点及其附近交通情况较为畅通时，EV 放电激励决策调度电价处于较高水平；而当电网不存在削峰需求或者路网处于严重拥堵状态时，放电激励决策调度电价为0；其他情况下，放电激励决策调度电价处于一般水平。同理，由图3（b）可知，当充电站所处区域电网存在较大的调峰需求并且所处路网节点及其附近交通情况较为拥堵时，EV 充电服务决策调度电价处于较高水平，且随着区域电网-路网耦合系统调峰需求的增加而增加；而当电网负荷处于低谷水平且路网道路通行状态良好时，充电服务决策调度电价显著降低；其他情况下，EV 充电服务决策调度电价处于一般水平。因此，本文所提EV 充放电出行路径决策调度电价策略能够根据区域电网-路网局部实时运行状态动态更新调整，以合理引导EV 用户的充放电出行路径决策行为，促进EV 充放电负荷的时空合理均衡分布。

4.2.2 EV 充放电出行路径优化决策方案对比

在EV 充放电出行路径优化决策过程中，EV 用户不同决策目标将直接影响最终的充电站选择及其出行路径决策方案，并分别对路网和电网产生双向影响。为体现本文所提融合路网-电网信息决策调度电价信号的EV 出行决策模型的有效性和优越性，将本文所提策略与其他2 种经典的出行路径决策目标的计算结果进行对比。

决策目标1（DO1）:EV 出行最短行驶时间。

决策目标2（DO2）:EV 出行最短出行距离。

决策目标3（DO3）:本文决策模型。

求解基于上述决策目标的EV 充放电站选择及其出行路径优化决策模型，不同决策目标下的充电站选择计算结果如图4 和表1 所示。图4 中，颜色越深代表EV 数量越多。

表1 不同决策目标下接入各充电站的总EV 数量Table 1 Total numbers of EVs connected to each charging station with differents decision objectives

图4 不同EV 用户决策目标下的充电站决策结果Fig.4 Charging station decision results with different EV user decision objectives

由图4（a）可知，在决策目标1 研究场景下，EV用户将基于当前路网交通状态选择兼顾行驶距离和交通畅通程度的出行方案，以实现自身时间满意度最大化。例如，由于充电站13 地处城市中心城区繁华商业圈，其所在道路大部分时间较其他道路处于较大的通行压力运行状态，并且在交通出行早高峰和晚高峰时路段4-13、13-16、13-17、13-23 进入严重拥堵状态。因此，在充电站13 附近节点16 和25 的EV 用户在产生充电需求时往往分别选择前往充电站22 和1。然而，决策目标1 方案仅考虑了路网实时运行状态，这虽然缓解了交通网的通行压力，但是未能考虑区域电网实时运行状态，聚集的充放电负荷容易导致区域电网出现峰上加峰等情况，不利于区域电网安全、经济运行。

同理，由图4（b）可知，在决策目标2 研究场景下，当EV 用户产生充放电需求时，即便所处地点交通道路恶劣并且配电网处于负荷高峰，出行时间成本和充放电费用高昂，EV 用户依然会前往就近的充电站。例如，即便是道路出行早高峰时期，充电站13 附近路段4-13、13-16、13-17、13-23 处于严重拥堵状态，并且所处商业区负荷曲线已出现极大的调峰需求，路网节点4、16、17、23 的EV 用户依然选择前往充电站13。决策目标2 方案虽然满足了EV 用户最小的行驶距离需求，但是未考虑区域路网和电网实时运行状态，可能会加剧局部路网和电网的调峰压力，不利于促进路网和电网的协调优化。

由图4（c）可知，相比于上述2 个决策目标，本文所提策略明显改变了EV 充电站决策分布情况，进而影响EV 充放电负荷时空分布特性。此外，结合图3 的EV 充放电出行决策电价可知，当融合路网-电网信息的EV 充电服务费与放电激励决策调度电价差值较大时，对应EV 充电站被用户选择的概率大大降低。例如，随着路网早高峰的到来以及商业区负荷的快速增长，充电站13 和3 在时段8～19 和8～17 的充放电价格差处于较高水平，使得该时段内几乎没有EV 选择前往并接入充电站13 和3。反之，当EV 充电服务费与放电激励决策电价差值较小时，用户充放电经济性提高，对应EV 充电站就受到EV 用户的关注。例如，由于充电站1 和22 分别属于住宅区1 和住宅区2 服务范围内，其区域电网和路网大多数时间处于良好运行状态，具有较高的接纳EV 接入和运行能力，此时充放电成本较低，有效引导充电站1 和22 附近甚至相隔一定距离的EV用户前往，并满足EV 用户的出行时间要求。可见，本文所提策略综合考虑路网和电网状态信息，兼顾EV 用户的出行时间和充放电经济成本目标，实现了系统协调运行和多方共赢。

由表1 可知，在不同决策目标下，接入各个充电站的EV 总数量也发生明显变化。结合附录D 可知，考虑到充电站3 和13 在时段16～60 内路网通行压力和电网运行压力较大，相比于决策目标1 和2，本文所提策略（决策目标3）分别减少了40 和25 辆EV 接入充电站3，减少了8 和15 辆EV 接入充电站13，显著缓解了办公区和商业区的路网和电网运行压力。相反地，充电站1 和22 在白天的路网和电网运行状态良好，故相比于决策目标1 和2，本文所提策略分别引导增加了24 和12 辆EV 接入充电站1，增加了24 和28 辆EV 接入充电站22，极大改善了区域路网和电网的EV 负荷时空分配情况，促进了路网交通均衡，并实现了EV 充放电负荷在区域电网间的合理分配。

4.3 EV 充放电调控结果

4.3.1 EV 充放电调控优化方案对比

基于上述过程，EV 用户完成了融合路网-电网信息的出行路径决策过程，这在一定程度上实现了EV 在交通网和配电网的均衡分配。然而，若大量并网EV 充放电负荷采用无序充电方式将严重威胁区域电网的安全、经济运行。因此，有必要对EV 充放电行为进行调控，以减少EV 充放电负荷对电网的不利影响。为此，本节基于决策目标3 的引导结果，并以无序充电方式作为参考基准，进一步说明本文所提调控策略的有效性和优越性。

方案1（CS1）:调控前，无序充电方式。

方案2（CS2）:调控后，本文调控策略。

分别求解上述EV 充放电调控模型，区域调度电价策略更新结果如附录E 图E1 所示，系统及其区域各充电站的总EV 充放电负荷分别如图E2 和图5所示。

图5 各充电站总充放电负荷曲线Fig.5 Total charging and discharging load curves of each charging station

由图5 可知，在方案1 下，经过EV 出行决策电价的引导后，大量EV 用户将选择综合时间-经济最优的充电站并以无序充电方式接入，导致各充电站内出现多个充放电负荷尖峰，极大加剧了充电站所处区域电网的调峰压力。例如，EV 无序充放电行为在充电站3、13、1、22 分别导致出现了2、3、1、6 个大于300 kW 的充电负荷高峰，对办公区、商业区和住宅区的区域电网运行造成不利影响。而本文所提策略（方案2）在满足EV 用户充电需求的前提下，采用区域调度电价信号调控EV 充放电行为，调控后EV 总充电功率峰值大大下降，并且充放电负荷呈现平缓变化和均衡分配的趋势。其中，充电站3、13、1、22 的EV 总充放电负荷峰值分别由调控前的367.19、381.34、320.00、617.99 kW 降低至调控后的293.01、177.12、178.34 和379.29 kW，下降幅度分别高达20.20%、53.55%、44.27% 和38.63%。可见，本文所提调控策略能够有效缓解EV 无序充电行为给区域电网带来的调峰压力，实现区域电网的安全可靠运行。

4.3.2 EV 引导与调控两阶段策略优化方案对比

进一步，分析本文引导与调控两阶段策略的优越性。其中，考虑到EV 用户通常更倾向于耗时最短的出行路线［24］，本节以最短行驶时间引导作为对比基准之一，分别设置以下4 种方案进行对比。

方案A1:最短行驶时间引导+无序充电方式。

方案A2:最短行驶时间引导+本文调控策略。

方案A3:本文引导策略+无序充电方式。

方案A4:本文引导策略+本文调控策略。

由表2 可知，本文方案（方案A4）在DSO 负荷偏差、EVA 运行成本、用户充电成本和综合目标函数方面表现均明显优于其余未引导或未调控的方案。相较于方案A1，方案A4 在DSO 负荷偏差成本方面降低了22.53%，显著改善了区域电网负荷特性；在EVA 运行成本方面下降了3 141.76 元，降幅高达63.66%，极大提高了EVA 的经济性，促进EVA 获取更大效益。同时，在EV 用户充电成本方面，用户平均充电成本由36.560 7 元降低至调控后的23.644 8 元，降低幅度达到35.33%，大大减少了用户充电费用。此外，在综合目标值上（越小越优），方案A4 结果最优，方案A1 结果最次，而仅进行调控的方案A2 与仅进行引导的方案A3 结果介于方案A4、A1 之间。可见，方案A2 与A3 能在一定程度上提高系统综合利益，但其针对EV 调度潜力的挖掘不及本文所提方案。

表2 不同对比方案下的各利益主体目标计算结果Table 2 Objective calculation results of each interest subject under different comparison schemes

此外，结合4.2.2 节与4.3.1 节分析可知，本文的第1 阶段策略能改善路网拥堵及EV 空间分布情况，引导结果将作为第2 阶段的调控基础；第2 阶段策略可以极大缓解区域电网带来的调峰压力。因此，本文所提引导与调控两阶段策略能够实现TCC、DSO、EVA 和EV 用户的多方互利共赢，激励各主体积极参与EV 引导和调控过程，实现智慧城市系统整体高水平长久运行。

5 结语

本文兼顾DSO、TCC、EVA 和EV 用户的利益，提出融合路网-电网信息的EV 引导与调控策略，主要包括2 个部分:计及路网-电网耦合信息的EV 出行决策电价及充放电出行路径决策模型、基于动态区域调度电价的EV 充放电调控策略。最后，以某区域交通网和配电网耦合系统进行仿真算例分析，结果表明:

1）融合路网-电网信息的EV 出行决策电价动态更新，能充分反映路网-电网耦合系统的实时运行状态，进而发挥电价信号的引导作用。

2）本文所提策略能够综合考虑路网和电网实时运行状态，兼顾EV 用户的出行时间和充放电经济成本目标，实现系统协调运行和多方共赢。

3）本文所提策略相比于无序充电策略，能够有效缓解EV 无序充电行为给区域电网带来的调峰压力。此外，所提调控策略能够实现DSO、EVA、EV用户和CS 的多方互利共赢，激励各主体积极参与EV 引导和调控过程，实现智慧城市系统整体高水平长久运行。

本文所提融合路网和电网实时运行状态信息的EV 充放电行为引导和调控策略，将路网实时运行状态作为EV 充放电出行路径决策方案的重要影响因素，并取得较好的效果，但在EV 出行决策引导过程尚未考虑充电桩不足而导致EV 用户排队的情况。在工程实践中，充电桩数量将对EV 出行行为产生一定影响，能够在一定程度上改变路网拥堵情况。因此，考虑充电桩数量限制将作为后续研究工作之一。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。