【河北工业大学（董晓红）】2024年电力交通融合下智能有序充电技术研究报告_24页_2mb

第四届能源转换与经济年度论坛总结

核心内容概述

本次汇报围绕电力交通融合下智能有序充电技术研究展开，重点探讨了在能源转型背景下，电动汽车（EV）与电网互动的潜力及挑战，提出了基于动态交通均衡的充电负荷预测方法和充电设施运营商补偿价格定价策略，以实现电力系统与交通网络的协同优化。

---

主要观点与关键信息

1. 电动汽车产业发展与电网互动

• 截至2023年，我国电动汽车保有量已达到1552万辆，预计到2030年将接近1亿辆，动力电池容量将超40亿千瓦时，最大充电负荷将占电网负荷的11%~12%。
• 电动汽车具有充电负荷时空灵活性，可作为**车网互动（V2G）**的载体，为新型电力系统提供支撑。
• 电力交通耦合系统的构建使得电动汽车成为连接交通网络与电力系统的桥梁，其出行行为与交通状况密切相关，增加了充电负荷预测的复杂性。

2. 电动汽车充电负荷预测方法

• 提出一种基于动态交通均衡的充电负荷预测方法，该方法考虑了出行链理论、交通流量模型以及用户出行路径选择。
• 出行链理论包括活动类型、地点和出发时间等要素。
• 交通流量模型基于队列传播模型，通过计算出行时间与速度，反映交通状况对电动汽车充电行为的影响。
• 用户出行路径选择受交通状况和出行时间影响，最终形成动态交通均衡状态，即用户无法通过改变路径进一步提升出行效用。

3. 充电负荷时空分布分析

• 在区域S1和区域S2中，电动汽车充电负荷的时空分布存在显著差异。
  • 区域S2中，快速充电站数量更多，且充电负荷在6:00~12:00时间段更为集中。
  • 与区域S1相比，区域S2中高峰时段持续时间更短，但充电负荷更高，这与交通高峰的分布特征有关。

4. 充电设施运营商补偿价格定价策略

• 构建了一个双层优化模型，其中上层为EVA（电动汽车聚合商）的效益最大化模型，下层为EV用户的效用函数模型。
• EVA通过设定补偿价格，引导EV用户调整充放电行为，以实现电网需求响应目标。
• EV用户根据响应意愿模型被划分为响应型和无响应型，其响应行为受到补偿价格、时间成本、电池损耗等因素影响。

5. 模型求解与场景对比

• 采用主从博弈模型，通过KKT条件将双层优化问题转化为单层带有平衡约束的模型。
• 使用YALMIP/GUROBI求解器对混合整数线性规划问题进行求解。
• 对比不同场景下的EVA收益与用户充电花费：
  • 场景1：EV无序充电，EVA收益为1556.8元，用户充电花费为3113.7元。
  • 场景2：EVA参与需求响应，提供固定补偿价格，EVA收益为2912.8元，用户充电花费为1439.9元。
  • 场景3：考虑用户响应意愿，EVA收益为-538.2元，用户充电花费为1996元。
  • 场景4：考虑用户响应意愿，EVA收益为-622.2元，用户充电花费为2009.8元。
  • 场景5：本文提出的方法，EVA收益为2357.6元，用户充电花费为968.9元，用户满意度显著提高。

---

结论与建议

• 智能有序充电技术是支撑新型电力系统发展的重要手段，尤其在大规模电动汽车接入电网的背景下。
• 动态交通均衡模型能够更准确地预测充电负荷时空分布，为充电调度提供科学依据。
• 用户响应意愿模型与补偿价格定价策略的结合，有助于实现EVA与EV用户的协同优化。
• 场景5表明，通过合理定价策略与用户行为引导，可以实现EVA收益最大化与用户满意度提升的双赢局面。

---

附录：关键公式与模型

1. 充电结束时间模型

$$
t d _ {k} ^ {q} = t d _ {k} ^ {q} + t _ {w, k} ^ {q} + t _ {c, k} ^ {q} = t d _ {c} ^ {q} + \sum_ {(i, j) \in M _ {c, k} ^ {q}} t r _ {i j} + t _ {w, k} ^ {q} + \frac {E _ {b} - E A _ {k} ^ {q}}{P _ {f c}}
$$

2. 用户响应意愿模型

$$
\varphi^ {\mathrm {c}, t} = \left{ \begin{array}{l l}
0 & W _ {\mathrm {C}, 1, t} < W _ {\mathrm {C}, 1} ^ {\mathrm {t h r}} \
\frac {W _ {\mathrm {C} , 1 , t} - W _ {\mathrm {C} , 1} ^ {\mathrm {t h r}}}{W _ {\mathrm {C} , 1} ^ {\mathrm {s a t}} - W _ {\mathrm {C} , 1} ^ {\mathrm {t h r}}} & W _ {\mathrm {C}, 1} ^ {\mathrm {t h r}} \leq W _ {\mathrm {C}, 1, t} < W _ {\mathrm {C}, 1} ^ {\mathrm {s a t}} \
1 & W _ {\mathrm {C}, 1} ^ {\mathrm {s a t}} \leq W _ {\mathrm {C}, 1, t}
\end{array} \right.
$$

$$
\varphi^ {\mathrm {d c}, t} = \left{ \begin{array}{l l}
0 & W _ {\mathrm {C}, 2, t} < W _ {\mathrm {C}, 2} ^ {\mathrm {t h r}} \
\frac {W _ {\mathrm {C}, 2 , t} - W _ {\mathrm {C}, 2} ^ {\mathrm {t h r}}}{W _ {\mathrm {C}, 2} ^ {\mathrm {s a t}} - W _ {\mathrm {C}, 2} ^ {\mathrm {t h r}}} & W _ {\mathrm {C}, 2} ^ {\mathrm {t h r}} \leq W _ {\mathrm {C}, 2, t} < W _ {\mathrm {C}, 2} ^ {\mathrm {s a t}} \
1 & W _ {\mathrm {C}, 2} ^ {\mathrm {s a t}} \leq W _ {\mathrm {C}, 2, t}
\end{array} \right.
$$

3. EV用户效用函数

$$
\min U_{i}^{\mathrm{ev}} = F_{i,\mathrm{co}} + F_{i,\mathrm{s}} + K_{i,\mathrm{b}} - F_{i,\mathrm{c}}
$$

4. EVA效益函数

$$
\max U = F_{\mathrm{A,s}} - F_{\mathrm{A,c}} + F_{\mathrm{A,dr}}
$$

---

总结

本研究通过融合动态交通均衡模型与电动汽车充电行为分析，提出了一种智能有序充电负荷预测方法，并构建了基于用户响应意愿的补偿价格定价策略。研究结果表明，该方法在提升用户满意度和EVA收益方面具有显著优势，为未来电动汽车与电网协同发展的技术路径提供了理论支持与实践参考。