图1 车-站-网一体化运行交互特性
Fig.1 The interactive characteristics of vehicle-station-network integrated operation
摘要 随着城市绿色化交通发展，优化调控集群电动汽车（EVs）参与配电网需求响应已成为一种趋势，并逐渐形成了智慧城市车-站-网一体化运行架构。在该背景下，该文结合负荷需求时空分布预测、“站-网”协同布局与管理、“站-车”有序引导策略、“车-网”互动响应四个领域最新研究成果，系统评述车-站-网一体化运行现状及进展。首先，解析EV充电需求规律，归纳充电负荷与交通负荷预测方法的优势与局限性；其次，从“站-网”协同层面综述充电设施网络布局及V2G技术相关研究；再次，探讨交通-电力耦合网络模型下EV有序引导所涉及路径规划及定价机制问题；然后，围绕EV可调度能力评估、配电网可靠性及经济性等方面探讨“车-网”互动响应技术，并介绍相关应用示范；最后，总结车-站-网一体化运行架构中存在的问题与挑战，并做出展望。
关键词：车-站-网一体化 电动汽车 互动响应 交通-电力耦合网络
面对日益严重的环境问题，发展清洁能源、保障能源安全、实现“碳达峰”、“碳中和”，已成为我国能源战略的核心目标之一。其中电动汽车（Electric Vehicles, EV）作为移动储能单元，将电网与交通深度耦合，促进智慧城市绿色化交通。大规模EV接入，给配电网的稳定性和经济性带来了一定的机遇与挑战[1]。
经国家电网公司测算，到2030年，EV整体电量需求将达到3 400亿kW·h，EV保有量预计达到6 000万辆[2]。近年，国内外学者在EV调控方面做了大量研究，主要研究思路可概括为预测负荷需求时空分布，根据预测结果优化布局充电设施网络，进而制定交通-电力耦合网络架构下的EV引导策略，引导未到站车辆分散前往充电站，避免部分站点拥挤现象，并基于V2G（Vehicle to Grid）技术实现EV响应电力辅助服务[3-4]。本文从“预测”、“站-网”、“站-车”、“车-网”四方面形成整体闭环，探讨智慧城市车-站-网一体化运行体系相关技术。
车-站-网一体化运行体系中，EV是未来智慧城市交通-电力-信息耦合网络的关键耦合元素，准确预测EV充电负荷是分析EV对配电网影响的基础，亦是开展EV与配电网互动的必要前提[5-7]。充电站作为车-站-网一体化运行体系能量枢纽单元，根据EV负荷时空分布预测结果进行布局优化，实现“站-网”层面优化布局；考虑配电网需求进行有序充电引导，实现“站-车”层面协同管理；接收电网调度信号并下发给EV，反馈EV充电信息至配电网，利用V2G技术实现“车网”层面互动响应。车-站-网一体化运行交互特性如图1所示。
根据车、站、网三者交互特性，本文对车-站-网一体化运行相关研究进行分析。首先解析EV充电需求规律方法，并分别综述充电负荷及交通负荷预测中所采用方法优缺点。之后从“站-网”协同布局管理角度介绍充电设施布局优化及V2G技术相关研究。随后以“站-车”视角阐述交通-电力耦合网络架构下路径引导方法及定价机制。进一步，对“车-网”互动响应技术相关研究进行分析，从EV参与响应电网可调度能力角度展开，综述EV参与辅助服务对配电网可靠性及经济性的影响，并介绍相关示范平台。最后，总结现有研究方法不足，对未来智慧城市EV参与互动响应研究进行展望。
图1 车-站-网一体化运行交互特性
Fig.1 The interactive characteristics of vehicle-station-network integrated operation
EV负荷需求时空分布预测是充电站布局优化、EV移动储能调度、充电价格优化的研究基础[8-9]。针对EV负荷需求预测问题，本文考虑EV充电负荷时空分布随机性和不确定性，从需求规律解析、充电负荷预测、交通负荷预测三个方面综述国内外EV充电预测研究现状，研究框架如图2所示。
针对EV充电实时需求高度不确定的特征，如何分析交通流及用户充电特征，解析用户充电需求规律，进行充电需求时空分布静态均值分析以及实时需求动态预测成为一个关键技术问题。
1.1.1 计及EV类别的影响因素分析
不同类别EV行驶路径及时间、停留时间、充电位置选择相差较大，根据用户出行链信息可分为私家车、出租车、公交车等[10]。配置不同影响因素权重会改变用户充电需求规律解析结果，因此需分析各因素影响机理。根据EV充电负荷预测相关研究文献所涉及影响因素，本文归纳为主观、客观因素两个层面，各影响因素机理的比较见表1。
图2 EV充电负荷时空预测研究框架
Fig.2 Research framework of space-time prediction of EV charging load
由表1可以看出，不同类别车辆考虑影响因素约束不同，进行充电需求规律解析时，需根据车辆类型设计影响因素权重，得到更为准确的预测结果。用户行为特性是目前文献中着重考虑的因素之一。现有关于用户满意度研究主要考虑充电成本、里程消耗、用电经济性及便利性、排队时间等因素，在用户选站决策中的重要性逐渐突出，用户对充电站的满意度直接影响EV时空分布，进而影响配电网优化调度情况[11]。因此，未来研究中有待优化排队时间、充电成本等影响因素，通过提高用户满意度促进EV参与电网互动响应。
表1 EV充电影响因素比较
Tab.1 Comparison of factors affecting EV charging
类型文献主观因素客观因素 用户行为特性用户心理用户响应行为充电模式交通情况电池特性充电电价车辆数量天气温度 驾驶习惯、出行路径、充电时刻电价激励、选站偏好、满意度响应度、不确定性快充、常规充和慢充交通拥堵程度、到站用时、选站情况电池容量、电池性能价格响应弹性、激励整体负荷容量、渗透率电池活性范围 私家车[17]√－√√√－－√－ [18]√－√－－√√－－ [19]√－√－－－－√－ [20]√√－－－√√√－ [21]√－－－√－－√√ [22]√－－－√√－－－ [23]√√√－√－－√√ 出租车[4]√√－－√－√－－ [10]√√－√－√－－－ [17]√－√√√－－√－ 公交车[10]√－－√－√－－－ [17]－－√√√－－√－ [75]√－－－√－－－√
1.1.2 出行规律及用户心理分析
针对用户充电需求规律解析的研究主要包括用户出行需求及用户心理分析两方面。由于公交车出行轨迹固定且受用户心理影响较小，本文仅阐述私家车、出租车的出行规律及用户心理分析。
针对EV用户出行需求不确定性，一般采用出行链[12]或采集实际出行数据[13]进行分析，获取用户充电需求规律。出行链指单体EV从起点出发，按一定时间顺序到达不同出行目的地，最后返回起点的活动链。通过提取EV用户出行链特征对用户出行行为习惯进行分类，建立交通出行链感知模型，推演用户出行决策，解析用户出行需求。EV实际出行数据包括各出行平台采集的数据及政府统计调查数据（如美国交通部居民出行调查数据NHTS）等。利用实际出行采集数据挖掘EV用户充电行为，所得结果精确度高于出行链，但当前各平台数据并未互通，如何整合各平台数据，消除数据噪声是采用该方法分析用户出行规律亟待解决的难点。
针对用户心理不确定性的分析，主要考虑用户后悔心理、博弈心理及有限理性。用户后悔心理指用户针对某一未选择出行方案可能的较好效果引起的后悔，因此，EV用户在诸多方案中选择后悔值最小的方案更加符合实际出行情况[4]。博弈心理指用户在电价优惠、响应奖励等激励措施下与其他用户及充电站之间的消费心理博弈，间接影响用户充放电行为[14]。用户有限理性指：EV用户选择实际方案会受到从众思想、选择偏好、里程焦虑等影响，相比能够做出最佳选择的“完全理性”，用户有限理性选择会出现一定偏差[15]。
有效解析用户充电行为规律能为充电需求时空分布的静态均值分析以及实时需求动态预测提供技术支持。未来充电行为规律解析的研究有待结合多运营平台监测数据，考虑用户心理制定EV充电特性画像提取特征体系，提出多运营平台EV充电需求规律解析方法。
1.2.1 基于模型驱动的充电需求预测方法
模型驱动方法主要基于数学建模思想推演多种因素影响下的EV用电行为[16]。当前研究多数从单体模型与集群模型两个角度探讨。受不同因素影响单体EV时空分布，具有较强的随机性及不确定性，预测时多采用马尔可夫模型、云模型、出行链等方法。基于单体EV负荷时空特性，采取统计或聚类方法对集群EV充电负荷时空分布特性进行预测。
对单体EV的模型驱动研究中，文献[17]考虑EV用户行驶、停放习惯等行为特征，结合行驶里程、行驶路径等时空分布特性建立EV充电需求时空分布预测模型。在此基础上，文献[18]提出新型Sigmoid云模型量化EV响应行为不确定性，刻画复杂因素影响下EV用户收益度与响应行为之间的不确定映射关系。文献[19]提出一种基于双层模型预测控制的微电网能量管理方法，克服集群EV充放电的不确定性，并减小微电网与外部电网的电能交互。上述两种方法通过优化处理用户响应行为的不确定性，增强预测数据的客观性。但文献[19]在研究过程中只考虑EV用户收益最大化，未考虑电网收益。基于此，文献[20]综合考虑配电网、充电站与EV用户三方利益，对EV充电需求时空分布模型进行优化。
虽然上述模型考虑了用户行为特性、响应不确定性等影响因素，能在一定程度上描述充电负荷时空尺度分布特点，但忽视用户行驶过程中易受到交通因素影响的移动随机性[15]。为此，文献[21]研究道路拥堵等交通路网信息对EV行驶规律影响，分析交通网和配电网耦合特性，建立符合城市路网特征的充电时空分布预测模型。文献[22-23]在研究中引入出行链，刻画车辆出行规律，建立交通网与出行链双重约束下EV充电需求时空分布预测模型。
相对单体EV时空分布特性，集群EV充电负荷时空分布具有一定的稳定性，为考虑配电网潮流的充电站布局规划及有序充电引导提供支撑。集群EV预测一般基于单体EV预测结果，采用聚类、蒙特卡洛模拟、拉丁超立方抽样等方法，模拟得到集群EV充电负荷时空分布。
基于物理模型的预测方法具有较强的通用性和推广性，但建模中难以全面考虑复杂因素，导致数据管理困难、灵活性差等问题。如何在建模过程中计及多种因素、合理处理数据、提高模型灵活性将成为基于物理模型预测方法亟待解决的重要问题。
1.2.2 基于数据驱动的充电需求预测方法
当前EV研究存在数据多元化，不同平台数据无法共享等问题，给研究人员建模造成一定的困难。数据驱动具有自主挖掘和构建数据内在关系的优点，实际数据互联互通性日趋完善，基于数据驱动的预测方法受到更多关注[21]。
为此，文献[24]从智能电表中提取EV充电负荷数据，考虑EV聚合商之间的博弈，提出一种无监督算法。文献[25]利用深圳EV初始行驶数据提取用户出行规律，对停车需求进行量化，基于EV泊车行为预测EV充电负荷时空分布。文献[26]对每段行程的行驶里程和行驶时间构成的二维出行特征数据进行聚类分析，有效挖掘不同路况条件下道路拥堵因素对EV荷电状态的影响。文献[27]将机器学习预测结果、天气数据及分解前的充电需求时间序列数据组成特征集，基于经验模态分解-模糊熵和集成学习算法有效提高了EV充电需求预测的准确性。
与基于物理模型的预测方法相比，依据实际数据及各自特征化数据驱动的预测架构更贴近实际充电负荷运行情况，但是基于数据驱动的充电需求预测方法存在难以处理缺陷数据、数据资源利用率低等不足，如何合理处理数据、构建高资源利用率的数据驱动架构仍是今后研究重点与难点。
1.2.3 基于信息物理融合的充电需求预测方法
不同类型车辆的停放位置、行驶路线和充电时间均有较大差异，因此，很难建立统一的充电负荷时空预测模型[4]。采用基于信息物理融合的充电预测方法能够利用两种建模方法各自的优势，先对EV类别与影响因素进行物理建模，再将实际车辆出行数据利用信息模型进一步校准，充分利用大数据、物联网等人工智能技术，提高预测精度。
文献[28]结合居民出行调研数据，考虑充电频率、出行链结构建立EV充电负荷预测模型。文献[29]对郑州市1 000辆EV实际行驶数据预处理，并进行时间维度预测建模。文献[30]挖掘北京市某公交车充电站历史充电数据时间特征，分析EV充电站负荷特性，利用交叉熵算法和新鲜度函数改进组合预测模型。
综上所述，基于信息物理融合的充电需求预测方法能够结合物理模型与数据驱动二者的优点，提高预测精度，相较二者获得的预测模型更具稳定性。但是，此方法存在与数据驱动方法同样的架构问题，同时，如何融合更多实际因素、降低计算维数也是未来重要的研究课题。
交通-电力耦合网络中，交通流量、拥堵情况、道路负荷等交通流信息反映了交通网运行情况，预测交通负荷能够为交通-电力耦合网络架构下充电站布局优化提供交通流层面的先验指导[31]。
当前交通负荷预测主要采用静态交通和动态交通两种方式分析城市道路平面交叉口复杂程度来预测交通流负荷。静态交通流考虑用户均衡及系统最优两大原则进行负荷预测，模型建立较简单且容易操作，能够较客观地评价交叉口运行状态[32]。但静态交通流考虑交叉口的交通组成较简单，当交叉口交通流量增大，车流交叉、合流、分流等现象出现，造成交叉口复杂程度增加，静态交通流预测方式将无法准确评价交叉口运行状态[33]。动态交通流预测方法从交通冲突、交通量和交叉口几何形状三方面考虑交叉口复杂度对交通运行状态的影响，弥补静态模型难以应对交叉口交通流量增大的不足，能够更加准确地评价城市道路平面交叉口的运行状态[34]。
EV电力需求增大将导致配电网负荷增加，影响配电网可靠经济运行。因此，考虑充电站优化布局，对提高EV充电负荷引导效率、确保配电网稳定运行至关重要。此外，通过充电站/桩V2G技术实现EV与配电网之间的能量双向互动，是智慧城市“站-网”协同管理层面的重要组成部分。
2020年，国家发改委将充电站建设纳入“新基建”范围，明确“换电为主、插充为辅、集中充电、统一配送”的充电设施布局方针，通过“交通网-信息网-配电网”三网融合实现对EV用户跨区域、全覆盖的智能充换电服务。充电站布局规划管理已成为目前研究的重点之一，现有文献主要从交通网、配电网、交通网-配电网耦合三个层面进行研究。
在交通网层面的规划布局，主要可分为基于节点需求的规划、基于用户行驶路径的规划、基于交通流量的规划三类方法。基于节点需求的规划方法采用规划区域上某些节点表示EV充电需求，EV前往最近充电站进行充电服务[31]。但此方法只考虑EV与充电站之间的直线距离，忽略了交通网络的拥堵情况。基于用户行驶路径的规划方法采用用户路径行驶实际数据，所得结果更符合实际充电需求情况，但数据获取、整合较为困难，部分EV渗透率较低的地区可能无法获得满足规划需求的数据量[35]。基于交通流量的规划方法使用起讫点流量进行充电需求估计，假设用户可在行驶路线上的任何站点补充电能而不考虑距离，与前两种规划方法相比，基于交通流量的算法具有更加优越的便利性和更大覆盖范围[36]。从交通网层面进行规划布局忽略了配电网约束，布局结果可能需要根据实际电力潮流进行调整。
在配电网层面的规划布局，需要满足电力系统安全经济运行约束，考虑充电站与新能源发电的协调规划，同时最大限度地降低充电站的投资成本。基于此，文献[37]研究设计动态充电网络，对充电站覆盖区域进行建模，评估EV动态充电需求。文献[38]考虑EV负荷及新能源发电不确定性，建立故障运行成本模型，构建了分布式电源和充电站的双层协调规划模型。然而，上述文献忽略了交通网络限制，需根据实际交通运行情况进行调整。
在交通网-配电网耦合层面的规划布局研究，文献[39]考虑交通网及配电网不同运行状态，分析区域内充电需求变化，确定充电站最优布局位置和规模。文献[40]提出“交通网-配电网”综合规划模型，分别刻画交通流稳态分布及配电网稳定运行条件，通过充电站选址模型来表征二者与EV相互依赖的关系并寻求全局最优解。
基于上述三种层面的充电站布局优化方法对比见表2。
表2 充电站布局方法对比
Tab.2 Comparison of charging station layout methods
方法优点缺点 交通层面布局基于节点需求的规划数据要求简单未考虑交通网络拥堵情况 基于用户行驶路径的规划结果符合实际需求数据的获取和整合较为困难 基于交通流量的规划覆盖面广、便利波动性较大，要求精度高 电网层面布局基于提高配电网可靠性的规划提供稳定的充电服务未考虑实时交通运行情况 基于提高配电网经济性的规划降低配电网运行成本未考虑实时交通运行情况 交通-电力耦合网络布局分层建模两网间约束简易两网耦合度低 综合规划建模灵活，可靠性高两网间耦合复杂度高
综上所述，基于交通网-配电网耦合架构下的充电站布局能够全面考虑交通网及配电网的运行情况，具有更强的现实意义。但当前交通网-电力网耦合架构的研究仍局限于两者单独建模，交通流与电能流之间的交互耦合问题有待进一步探讨[31]。
基于充电桩的V2G技术使EV具有源、荷双重属性，能够调整其充放电行为，减少对电网影响并提供功率支撑，与配电网形成“双向通信、双向电力流动”的运行模式，为智慧城市“车-站-网”一体化运行提供技术支撑，已经成为当下研究热点。
作为车-网互动响应的能量接口，V2G技术融合了电力电子、通信、调度及计量等技术，通过功率变换器实现车-网电能交互。V2G双向功率变换器按功率变换等级可分为单级式和两级式。单级式双向变换器仅通过一个AC-DC模块实现电路变换，使用元器件较少，具有较高的效率及可靠性。但其输出电压等级较低，多应用于小功率系统[41]。两级式双向变换器在单级式的基础上增加DC-DC模块进行升降压控制，具有更好的功率控制效果[42]。
当前V2G技术主要包括有功、无功输出控制以及对配电网的频率、电压调节控制。文献[43]在有功功率双向传输基础上，建立四象限运行V2G变换器模型，实现无功控制。进一步基于功率控制模式，通过聚合V2G参与配电网潮流优化调度，并实现频率及电压调节[44]。此外，相关学者提出将虚拟同步控制策略应用于V2G系统，利用T-S模糊控制使变换器自动决策虚拟同步工作的充放电模式及功率，提高V2G的功率跟踪性能及配电网抗扰动能力[45-46]。在工程示范方面，国家电网电动汽车公司依托“V2G及云储能示范项目”，于2021年研发设计出基于虚拟同步机与V2G融合技术的“电动汽车直流双向充放电机”，并实现现场测试验证[47]。
综上所述，V2G技术是支撑智慧城市绿色化交通与智能电网的关键技术之一。V2G技术还未得到较广泛的应用，一方面，V2G技术及其支撑配电网应用的理论体系仍需进一步完善；另一方面，电动汽车V2G模式下频繁充放电对电池寿命有一定的影响，从而导致V2G失去实际应用的价值与可能性。因此，在实际应用方面，还需投入更多研究与示范。
大规模EV同时充电，充电站会产生排队现象[48]。因此，大量学者对EV从“站-车”交互层面研究EV排队机制，建立有序引导策略，减少EV无序接入配电网造成的冲击。通过对相关文献评述，本文将充电站有序调控引导策略归纳为建模、路径规划、定价机制三方面，充电站的EV有序调控引导研究框架如图3所示。
图3 充电站的EV有序调控引导研究框架
Fig.3 Research framework of EV orderly regulation in charging station
EV既是交通网的重要组成部分，也是配电网的用电终端[17]。EV出行路径、驾驶需求等会影响交通侧道路的顺畅程度，交通信息影响EV充电路径选择；EV接入电网时电池容量及选择充电模式等影响配电网稳定经济运行，而电网通过电价引导等方式改变EV充电计划及充电方式[49]。随着EV保有量增加，EV充电站对电力和交通网络的耦合作用越来越强，因此引导EV有序参与充电时，有必要建立交通-电力耦合网络模型。交通-电力耦合网络模型交互影响示意图如图4所示。
图4 交通-电力耦合网络模型交互影响示意图
Fig.4 Diagram of interaction effects of transportation - electric coupling network model
目前交通-电力耦合网络建模方法多以静态的数据为基础，采用单一模型或模型间简单组合，其建模方式采用交通节点-配网节点一一对应的方式刻画充电负荷在配电网中的时空分布，其中充电负荷通过EV用户出行、电量、时间三方面特征进行建模。文献[50]提出了一种交通-电力耦合模式下的EV集群可调控裕度及优化运行策略，利用挖掘出的灵活性提升配电网可靠性。文献[17]分析交通-电力耦合对EV行为规律影响，提出需求响应策略有效缓解电网节点电压过低及输电线路阻塞问题。文献[51-52]提出交通-电力耦合网络整体运行机理与框架描述两网互相作用达到的动态均衡状态，提高智慧城市配电网和交通网络的协调运行。文献[53]提出基于交通-电力耦合网络的EV充电决策优化方法，合理调控充电负荷的同时改善耦合网络运行状态。
以上文献利用交通-电力耦合网络降低了因实际电网拓扑连接方式而造成的分析的难度。但电力、交通、信息等多种复杂网络系统融合越发紧密，考虑交通流与电网潮流间的交互在未来有待进一步探讨。另外，基于电力-交通-信息多源信息分析EV行为影响并提升交通-电力耦合网络建模的精确性和实时性将是下一步交通-电力耦合网络研究的重点。
EV用户行为习惯及城市规划布局导致充电高峰时段负荷集中于少数充电站，对电网运行及EV用户充电满意度造成较大影响，因此需要合理规划EV充电路径，引导EV充电行为，建立车-站-网协同模式下的充电路径引导机制。
一些学者针对此问题开展研究，文献[54]分析大数据对道路诱导测量充电效果，提出路径引导策略抑制交通拥挤蔓延，实现交通拥挤及时疏散。文献[55]基于起讫点分析充电需求分布结果，提出一种双层队列模型模拟充电站动态队列。计及交通流密度很高甚至拥堵的情况下，存在车辆换道、竞争通行等情况，因此需要考虑车辆交互影响。基于此，文献[56]考虑到EV充电选择之间的相互影响，提出一种基于虚拟服务范围的充电引导策略，避免EV用户在时空尺度上充电超载和等待时间过长。在此基础上，文献[57]计及动态路径行程时间的影响，考虑用户对充电选择多样化需求，建立城市路网动态路径选择模型，有效提高车辆寻站效率。
以上文献均能为EV提供多种充电路径选择方案，但仅考虑车辆交互影响存在一定局限性。考虑“交通-电力-信息”耦合网络架构下的主动充电路径规划，减少排队时间更具实际意义。另外，5G通信时代到来，有待进一步研究利用实时信息数据实现车辆路径导航。
为激励用户参与配电网需求响应，充电站通过合理定制充电电价引导EV有序充电，参与电网互动响应。关于定价机制的研究，主要可概括为：考虑定价主体利益诉求、用户响应特性刻画、构建定价模型三个方面。
1）考虑定价主体的EV定价机制可分为电网利益优先、充电站利益优先、用户利益优先。电网利益优先的电价策略，考虑提高系统运行安全性，通过电价调控车辆入网行为，平滑电网负荷曲线[58]。充电站收益优先的定价策略，根据站内充电站利用率调节电价吸引车辆充电，达到运营效益最大化[59-60]。用户利益优先的定价策略，考虑EV用户对电价波动的敏感度，降低充电成本，实现用户利益最大化[29,55]。随着电力市场逐步完善，EV用户、运营商及电网间耦合关系越发紧密。因此，未来定价机制需综合分析三者耦合特性及相互作用机理。
2）用户响应特性的刻画方法可分为基于优化算法及经济学原理两种方法。
基于优化算法的刻画需构建用户响应模型，以表征用户在补偿机制下参与配电网互动响应的意愿。研究不同电价下用户的响应度是构建响应模型的关键步骤，根据文献[61]建立需求响应Pk,ev与电价
的关系（见式（1）），在确定电价与响应特性的关系后，优化建模还需分析EV用户行为习惯特点，计及环境温度、日期类型等因素与用户响应特性的相关性，设定影响权重，通过参数辨识建立更准确的响应特性模型。
（1）式中，
与
为k响应方式下的价格关系系数；
、
分别为k响应方式下EV有功出力的上、下限。
根据经济学原理，电价补贴越高，用户响应越积极，可提供响应量越多。当充电电价低于EV用户预期电价时，用户根据电价刺激程度产生不同程度响应[62]。可引入价格敏感度概念反映EV对电价的响应特性，即
（2）式中，S为EV在充电站内平均充电量；Cmax为单体EV最大可充电电量；
为站内EV平均荷电状态，且
；p为充电电价；β为EV用户对价格的敏感度。需要说明的是，EV用户对价格的敏感度
尚未进行实证测量，考虑用户不同的消费水平，EV用户对电价刺激的响应程度不同，进行电价设计时，可考虑用户消费过程中的完全理性或有限理性特征，划分不同价格敏感度区域或按照比例设置车辆集群价格敏感度[63]。
3）定价模型主要可分为博弈模型、集中式优化、分布式优化和分层定价等。文献[57]考虑EV用户行为及充电站间行为，利用多主体主从博弈方法，制定充电站动态服务费，通过挖掘充电负荷空间转移能力，提升充电站间设备利用均衡度。文献[62]提出了分时充电价格集中式优化策略，以引导后充电负荷与目标负荷偏差最小为目标，运用粒子群算法寻优得到分时充电价格的最优解。文献[64]以充电站为定价主体，考虑用户用电需求、充电时间、变压器容量等约束，制定分散式动态定价优化策略，提高收益及计算效率。文献[65]建立双层鲁棒定价优化模型，上层制定充电站定价方案，下层反映EV用户的充电决策，将得到的双层鲁棒优化模型转换为等价的单层优化问题。上述文献各研究对比见表3。
表3 定价机制建模方法对比
Tab.3 Comparison of Pricing Mechanism Modeling Methods
研究层面研究目标/建模方式优点优化方向/缺点 定价主体电网[58]考虑提高系统运行安全性，通过电价改善车辆入网行为，平滑负荷曲线，减轻电网负荷压力各方经济性有所欠缺，考虑改善日负荷目标，提高各方收益 充电站[59-60]充电站运营效益最大化未考虑电网负荷压力及用户充电满意度。需计及电压质量、网络损耗等多目标进行改善 用户[29,55]考虑EV用户对电价波动的敏感度；用户利益最大化根据配电网负荷设计多类型电价服务，提高用户参与度 用户响应度基于优化策略[61]以电价刺激为主要考虑因素，并考虑环境温度、日期类型等因素对响应特性的影响需分析用户行为习惯特点，设定各因素权重 基于经济学原理[62-63]优化用户对电价的敏感度未考虑其他因素对EV响应特性的影响 建模方式博弈模型[57]计及行为者之间相互作用未考虑用户有限理性心理 集中式优化[62]策略易实现计算量较大时存在局限性 分布式优化[64]减少计算负担与计算时间缺乏系统全局信息，优化结果可能仅为局部最优 分层定价[65]考虑全局信息，计算速度较快需满足多个约束，并合理安排决策顺序
制定合理定价机制是激励EV参与有序充放电的有效措施，当前国内外对于定价机制的研究已具有一定深度。考虑EV用户选站偏好对调度结果的影响及电力市场环境下V2G参与市场定价将是下一步的研究方向。
从车-网交互层面，EV参与电力辅助服务市场，实现与电网双向互动。考虑配电网供电可靠性及经济优化运行，需探讨“交通-电力-信息”耦合网络架构下车-网交互问题，研究大规模EV接入电网的互动响应技术。本文将现有的响应技术研究内容归纳为四部分：可调度能力评估与响应、考虑配电网可靠性的调度、考虑配电网经济性的调度、示范工程及应用。车-网互动响应技术框架如图5所示。
图5 车-网互动响应技术框架
Fig.5 Vehicle-network interactive response technology framework
EV用户出行随机性影响聚合商响应服务可靠性。因此，充分利用聚合商响应资源，有必要对其可调度能力进行评估与优化[66]。EV集群主要通过换电站和充电站两种方式接入电网，使EV集群在电网侧具有不同的两种运行特性。因此，本文分为充电站与换电站两种角度对EV可调度能力评估技术进行分析，并综述可调度能力优化相关技术。
4.1.1 充电站可调度能力评估
充电站的可调度能力评估首先需要评估单体EV的可调度能力，从而构建充电站内集群EV的可调度能力聚合模型。单体EV可调度能力评估多采用用户满意度来反映用户响应调度的程度，用户一般综合考虑排队时间、电池损耗成本、充电诉求及参与响应获益程度等参与调度的满意度指标，选择是否参与响应。当前研究主要考虑从满足用户出行需求[67]和提高用户调度收益[68]两方面提高用户参与调度满意度，从而提升EV互动能力，有效消纳可再生能源出力，降低配电网运行成本。
针对单体EV可调度能力的建模，需量化电池损耗程度及车辆供电能力，结合用户出行行为确定可调度能力最优阈值，建立EV可调度能力分析模型[69]。基于单体EV可调度能力模型，进一步评估充电站可调度能力，将充电站作为广义储能设备，进行日前及日内两阶段可调度能力分析。在日前阶段分析集群EV历史数据，进行可调度能力预测；日内阶段分析监测数据实时滚动计算充电站可调度能力[16,70]。另外，考虑站内排队时间[71]及集群EV出行链[72]也是充电站可调度能力评估的重要研究方向。
4.1.2 换电站可调度能力评估
换电站采用车电分离的运行方式，车辆在站内快速更换动力电池，被更换电池在站内完成充电。因其便捷快速、利于配电网优化运行的优点，换电模式成为EV重要电能供给模式之一。换电站可调度能力评估主要考虑换电需求及备用电池容量两方面。换电需求方面，文献[73]假设EV电量即将耗尽时会前往换电站更换电池，但未考虑用户里程焦虑、出行需求等实际因素。因此，文献[74]根据EV日行驶距离耗电量及出行规律，假设EV日换电需求满足正态分布。文献[75]基于电动出租车历史换电数据预测实时换电需求，相比前两种充电需求设定方法更符合实际。备用电池容量方面，文献[74]考虑备用电池在单日内循环利用及不同场景运行规律，以电池存在性和周期性为约束条件，得到多场景下换电站所需最小备用电池容量。文献[70]建立备用电池组需求匹配模型，实时滚动修正备用电池组充电策略，得出实时最优备用电池容量，相较于文献[74]对换电站实际运行工况适用性更强。
4.1.3 EV可调度能力优化
除快速计算EV可调度能力，仍需进一步优化EV响应服务能力，为运营商在上层竞价中创造更有利条件[76]。文献[77]将EV充电需求裕度评估作为核心参数，在日前阶段降低充电/调频双重变量的复杂性，在日内阶段联合优化充电电量和可调度容量。文献[76]提出基于双重激励的EV响应服务策略，提高EV集群响应服务能力。文献[78]考虑多时间尺度下用户响应度与价格激励关系，对EV可调度能力进行优化。
EV可调度能力是其参与互动响应的基础，但以上文献针对可调度能力评估与优化的研究，往往是将车辆集群响应假设为具有时变特性的全部或固定比例响应，忽略了EV负荷移动性，未来研究中有待提出一种针对不同环境下考虑用户时空响应程度及激励机制的评估方案。另外，还需考虑充/换电站与电力系统共享储能，建立“交通网-信息网-配电网”三网融合下更稳定的储能模式。
可再生能源及EV渗透率的提高，使城市配电网结构由传统单电源网络发展为多电源网络，导致电压质量、频率及潮流面临严峻挑战[79]。计及EV联合可再生能源、储能设备能够为配电网提供电力支持，在现有配电网保护与控制研究基础上分析EV参与互动响应对其可靠运行的作用，建立新型智慧城市电网保护与控制策略具有重要现实意义。
4.2.1 电压调节
针对规模化EV关于电压质量问题的研究主要集中在电压下降、谐波污染等方面。研究过程需分析电压故障概率分布情况[79]及配电网可靠性指标[80-81]，并协调EV与储能设备、可再生能源等柔性负荷调整系统运行模式，缓解过载[82-84]。
电压故障方面，文献[79]提出含分布式电源和EV的城市电网半不变量故障分析方法，求得电压故障概率分布。配电网可靠性指标方面，文献[80]考虑EV不确定性，采用两状态马尔可夫链建立发电机组运行/故障过程模型，量化配电网可靠性指标。文献[81]利用配电系统拓扑信息和配电系统元件可靠性参数评估配电系统各项可靠性指标。缓解过载研究中，集群EV调控策略按结构可分为集中式和分层式。文献[82]提出协调主动需求与EV的多智能体系统，通过将负荷需求调控至空闲时段保证电压质量。采用集中式策略经济成本较低，但需进行大量数据交换。分层式策略仅需测量局部电压，并实施局部调节，从而提高整体电压质量。文献[83]采用基于下垂控制器的局部智能充电算法，分析EV缓解线路电压跌落及不平衡的能力。文献[84]采用分层决策方法建立EV充电控制系统，在改善电压质量的同时提高EV充电经济性。
利用EV充放电缓解配电网电压质量问题，为智慧城市电网可靠性提升提供重要支持。目前，城市电网逐渐向交互式分散电网过渡，未来研究有待结合电力电子、通信、调度、需求侧管理等技术优化“车-网”互动响应运行方式。
4.2.2 配电网频率调节
EV大范围入网后，其储能特性为电力系统一、二次调频控制提供更多可行性。利用EV储能弥补新能源电力系统调频资源的不足，已成为当下研究热点。
当前针对EV参与调频响应服务的研究主要包含：时滞问题分析与调频策略两方面。①调频响应中的时滞问题主要考虑EV与调控中心通信道路的信息延时，文献[85]考虑EV负荷集群对应的时滞稳定裕度，分析时滞问题对负荷频率控制的影响。文献[86]利用时域法分析EV参与调频的响应时滞问题，但时域法分析时滞问题时存在一定保守性。为此，文献[87]假设每个EV集群内所有的EV拥有相同的数据传输时滞，采用频域法分析时滞稳定性，解决时域法保守性问题，实现高效准确评估时滞系统。②当前调频策略研究主要有：一次调频[88]、二次调频[89]及自动调频控制[90]三方面。文献[88]利用椭圆函数构建电池荷电状态与充放电下垂之间的函数关系，利用EV辅助传统机组一次调频抑制电网频率波动。文献[89]考虑EV二次调频有效出力范围及传统机组特性，以时间乘以误差绝对值积分为目标函数，建立EV与传统机组二次调频的联合优化模型。文献[90]提出基于EV聚合商的智能电网分层自适应频率控制策略，通过EV控制器实现频率调节。
集群EV储能特性能够为配电网频率稳定性提供有力支撑，提高配电网运行弹性与灵活性。但系统调频时滞较大时容易导致离散化维数增大，进而造成维数灾难问题，如何对系统进行降维，提高计算效率，已成为调频控制策略研究亟待解决的问题。
4.2.3 配电网潮流优化
概率潮流计及配电网多种不确定性因素，分析电网潮流概率特性，评估定位潮流潜在隐患，对提高配电网安全可靠性具有重要意义[91]。合理调控EV集群充放电能够优化配电网潮流，研究内容可分为考虑电网潮流的EV充放电行为优化和考虑交通-电力耦合网络的潮流优化。前者需在分析配电网不确定变量概率分布特征及其相关性的基础上，建立相关潮流模型对相应场景进行分析，优化EV充电行为[91-93]。后者需在分析EV充放电行为及不确定性变量概率分布的基础上，分析交通流的时空演变，建立交通-电力耦合作用下的动态均衡潮流优化模型[94-96]。上述文献的详细对比见表4。
表4 配电网潮流优化研究文献比较
Tab.4 Literature comparison on power flow optimization of distribution network
文献优化目标模型/算法考虑负荷/层面 [91]计算配电网模糊概率潮流模糊化Nataf变换的三点估计法风光出力、EV负荷、常规负荷 [92]计算三相不平衡概率潮流基于高斯积分的概率潮流点估计法风光出力、EV负荷、常规负荷 [93]最优潮流快速计算基于乘数交替方向法的分布式算法EV负荷
（续）
文献优化目标模型/算法考虑负荷/层面 [94]获得最佳充电/驱动决策序列充电-导航组合模型交通网、配电网 [95]描述配电网、交通网互相作用达到的动态均衡状态基于二阶锥松弛的交流最优潮流模型时-空耦合的电力-交通网络 [96]多周期的最佳交通和电力流量计算半动态流量分配模型电力-交通耦合网络
风光出力、EV充放电不确定性为配电网经济调度带来挑战，因此，需充分挖掘EV需求响应技术，为配电网经济优化调度提供有效调节手段[97]。
4.3.1 削峰填谷
利用经济激励、政策倾斜等手段，对大规模EV充放电行为进行调控，控制EV在负荷低谷时段充电、高峰时段放电，能够实现负荷曲线的削峰填谷，提高配电网供电稳定性[53]。
下面从EV集群负荷特性、优化控制等方面进行其参与电网调峰的研究。
1）负荷特性：文献[17]基于交通-电力耦合网络模型，考虑快慢充对负荷特性的影响，提出EV需求响应策略。文献[98]考虑EV特性及充电负荷波动，建立计及光伏出力相关性和EV需求响应的双层调控模型。文献[99]考虑电池损耗成本，建立了包含潮流约束和斜坡速率限制等约束的负荷模型。
2）优化控制：文献[100]建立考虑EV随机特性的充电负荷模型，提出一种分时电价策略引导EV参与需求响应，利用多目标优化算法快速地引导集群EV响应配电系统，有效减小负荷峰谷差。文献[101]提出基于两层进化策略粒子群优化算法的EV调峰策略。文献[102]考虑用户心理及条件风险价值，提出供需两侧协同优化的EV充放电自动需求响应方法，有效平抑供电侧负荷波动及削减负荷峰值。
以上策略均能调度EV参与调峰响应，但当前集群EV负荷特性的研究缺少考虑集群内部复杂耦合特性，未来研究中可结合多元化数据分析集群EV内部耦合特性，使调峰结果更符合实际情况。
4.3.2 促进新能源消纳
新能源发电渗透率不断提高，如何适应新能源出力不确定性提升新能源消纳，实现电网优化运行，成为当下研究的热点。合理地利用EV可调度属性，通过调度EV充放电行为可与新能源实现互补协调。
目前关于EV参与新能源消纳研究，主要可分为计及碳排放的新能源-EV协调与计及消纳新能源出力不确定性调度研究。
1）计及碳排放的新能源-EV协调研究：文献[103]提出以消纳新能源为目标的主动配电网两阶段协调优化调度策略，减少系统碳排放量；文献[104]基于EV可控负荷和移动储能特性，提出面向综合能源楼宇EV辅助服务方案。
2）计及消纳新能源出力不确定性的调度研究：文献[105]对不同荷电状态下车辆实施不同时段的充放电规划；文献[106]构造EV集群的非合作充放电博弈模型，通过优化调控EV提升光伏发电利用率；文献[107]提出基于区块链的EV激励系统，引导EV用户在期望时间内最大限度地消纳新能源。
综上所述，以上文献均能通过合理调控EV促进可再生能源消纳。但鲜有文献综合考虑系统需求与用户响应度情况，实现供需两侧协同优化。同时，合理设置EV补偿价格或其他激励措施将是未来EV消纳新能源出力的研究重点。
针对车-网互动响应，国内外开展了示范工程应用研究，实现EV数据共享、监控车辆运行状态、电网削峰填谷和新能源消纳等。已开展的部分EV管控示范平台如下。
国际方面：2015年，英国“智能运输、加热和控制代理”项目通过交通、频率响应、能量存储和区域供热解决方案之间的合作，建立V2G概念，最大程度地提高热电联合产能；2016年，丹麦Parker工程验证了EV消纳新能源的可行性，并重点示范其调频服务；2018年，日本中部电力公司与丰田通商合作V2G项目，通过EV助力实现低碳社会和稳定电力供应。
国内方面：2019年，“中国新能源汽车和可再生能源综合应用商业化推广——上海示范项目”投运，成为我国电网首次对充电站和EV制造商开放的需求响应试点；2020年，广州建立车-网互动示范项目，建立EV与虚拟电厂互动模式，为电网提供辅助服务；2021年，“中国新能源汽车与可再生能源综合应用商业化推广示范项目”（GEF6）V2G商业运营示范项目——保定长城工业园区车网互动示范试点项目正式投运，分析V2G放电价格对车主放电意愿影响，开展动力电池参与V2G循环寿命等合作课题研究，为争取放电政策的出台提供支撑。
当前，国内外EV调度管理平台建设仍处于发展初期，亟需建立相应的公共统一数据库，并在数据分析的基础上开发动态充电价格优化、车-网互动响应等关键技术。
EV用户行为画像是指用户在驾驶中留下的行为数据被大数据及互联网收集之后加工成一系列的标签，其本质是简化的标签数据。目前大部分文献主要是对EV群体驾驶、停放特性的研究，并未深入探究EV用户个体驾驶习惯、路径选择习惯、临时更改路径比率等特性。大数据与云计算等技术进一步发展，有必要深入探究用户行为画像在EV充电预测中的应用。
我国存在充电设施结构性不足、充电桩总体利用率低、热点区域充电排队时间长等问题。充电设施选址既要满足充电需求，同时需考虑电网负荷限制，以适应城市内最优电网潮流限制与充电需求的突出矛盾。突破多目标多阶段多场景设施选址与配置优化技术，实现交通与电力耦合网络协同最优下的设施网络布局是一个亟待解决的科学问题。
不确定性新能源、EV在配电网占比增加，使系统稳定性面临挑战。然而，EV充放电行为的多时间尺度优化调控将导致配电网安全稳定裕度发生变化，现有配电网可靠性评估方法，尚缺乏统一的安全、稳定判别标准。
“交通网-信息网-电力网”三网融合架构下EV参与配电网需求响应服务，需从经济性、稳定性、用户满意度的角度对其进行综合评估。①经济性方面：分析充电站运营成本、新能源利用率等因素间耦合关系，建立层次化经济性评价指标体系。②稳定性方面：研究充电桩容量、用户充电需求、电压质量指标之间的影响规律，构建刻画系统安全域的稳定性指标。③用户满意度方面：分析EV分布规律与用户充电排队等待时间、充电价格之间的影响关系，构建适用于多场景的用户充电满意度评估指标与方法。
5G通信、大数据、区块链等技术不断发展，在车-网互动响应中引入边缘计算思想，能够突破边缘节点数据存储、计算的能力瓶颈，解决云计算模式占有大量计算资源，无法满足电力物联网高效协同要求的难题，实现智能化分析管控、边缘设备实时控制、调度任务智能管理、数据统计查询、各方利益协调等功能，提高配电网供电可靠性。将传统集中式云端架构转型为边缘导向式云边协同优化架构技术将迎来更多的理论研究和工程应用。边缘导向式云边协同优化架构示意图如图6所示。
图6 边缘导向式云边协同优化架构
Fig.6 Edge-oriented cloud edge collaborative optimization architecture
边缘导向式云边协同优化架构中，充电桩作为信息感知层边缘计算单元，聚合商为边缘服务层，交通-电力-信息耦合网络为平台层。EV用户与聚合商签订响应合作协议参与配电网互动响应仅负责在协议规定时间内接入充电桩，充放电调控交由聚合商自主进行。在此架构下，信息感知层收集用户行为规律信息，并计算实时可调度容量上报边缘服务层。同时，实时接收边缘服务层调控指令，在满足EV用户需求的背景下实现实时智能控制的互动响应服务。边缘服务层与信息感知层之间实现可调度能力与实时控制的信息交互，与平台层之间进行信息反馈及指令传输。平台层进行各类信息收集、储存、计算，并实时下发指令。
现阶段，大量学者针对EV参与配电网互动响应开展研究，并逐渐形成智慧城市车-站-网一体化运行架构新趋势。本文深入探讨车-站-网一体化运行架构的研究现状及相关技术，并沿EV充电需求时空分布预测、“站-网”协同布局与优化、“站-车”有序引导、车-网互动响应技术这一主线综述车-站-网一体化运行架构的最新研究成果，展望其未来研究方向。EV充电预测方面，通过解析EV充电需求预测方法优缺点，考虑动态交通下基于信息物理融合的充电负荷预测方式是未来的重点研究课题；充电设施布局方面，未来研究中需考虑交通-电力耦合网络架构下的充电设施布局方法；充电站有序引导EV方面，以交通-电力耦合网络建模作为有序引导基础，建立路网耦合架构下定价与路径规划的融合体系是必要且可行的；“车-网”互动响应方面，从配电网可靠性及经济性的角度论述了EV参与辅助服务市场的可行性与有效性，提出电力系统储能共享、集群调控数据降维、EV响应激励等多方面建议，从而提升配电网可靠性、经济性及用户满意度。
另外，基于交通-电力-信息耦合网络架构下EV数据剧增，充电需求预测方面需重点研究基于多元大数据的用户画像分析。考虑电网最优潮流约束下多类型充电设施网络布局优化、配电网多时间尺度稳定性、充电服务综合评估与信息物理系统边缘计算等问题值得深入研究。
参考文献
[1] 孔顺飞, 胡志坚, 谢仕炜, 等. 含电动汽车充电站的主动配电网二阶段鲁棒规划模型及其求解方法[J]. 电工技术学报, 2020, 35(5): 1093-1105.
Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Two-stage robust planning model and its solution algorithm of active distribution network containing electric vehicle charging stations[J]. Transactions of China Electrotechnical Society, 2020, 35(5): 1093-1105.
[2] 王锡凡, 邵成成, 王秀丽, 等. 电动汽车充电负荷与调度控制策略综述[J]. 中国电机工程学报, 2013, 33(1): 1-10.
Wang Xifan, Shao Chengcheng, Wang Xiuli, et al. Survey of electric vehicle charging load and dispatch control strategies[J]. Proceedings of the CSEE, 2013, 33(1): 1-10．
[3] 吕金炳, 宋辉, 刘云, 等. 电动汽车充电对配电网电压质量的影响研究[J]. 电测与仪表, 2018, 55(22): 33-40.
Lü Jinbing, Song Hui, Liu Yun, et al. Study on the impact of electric vehicle charging on voltage quality of distribution network[J]. Electrical Measurement & Instrumentation, 2018, 55(22): 33-40.
[4] 陈丽丹, 聂涌泉, 钟庆. 基于出行链的电动汽车充电负荷预测模型[J]. 电工技术学报, 2015, 30(4): 216-225.
Chen Lidan, Nie Yongquan, Zhong Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.
[5] 龙雪梅, 杨军, 吴赋章, 等. 考虑路网-电网交互和用户心理的电动汽车充电负荷预测[J]. 电力系统自动化, 2020, 44(14): 86-93.
Long Xuemei, Yang Jun, Wu Fuzhang, et al. Prediction of electric vehicle charging load considering interaction between road network and power grid and user's psychology[J]. Automation of Electric Power Systems, 2020, 44(14): 86-93.
[6] Shuai Wenjing, Maillé Patrick, Alexander Pelov. Charging electric vehicles in the smart city: a survey of economy-driven approaches[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(8): 2089-2106.
[7] 许刚, 张丙旭, 张广超. 电动汽车集群并网的分布式鲁棒优化调度模型[J]. 电工技术学报, 2021, 36(3): 565-578.
Xu Gang, Zhang Bingxu, Zhang Guangchao. Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 565-578.
[8] 刘顺桂, 胡寰宇, 艾欣, 等. 集群电动汽车参与电网调峰技术综述[J]. 华北电力大学学报(自然科学版), 2019, 46(2): 34-44.
Liu Shungui, Hu Huanyu, Ai Xin, et al. Review of electric vehicle clusters participating in network peak-load leveling technique[J]. Journal of North China Electric Power University (Natural Science Edition), 2019, 46(2): 34-44.
[9] Li Xuecheng, Xiang Yue, Lu Lin, et al. Price incentive-based charging navigation strategy for electric vehicles[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 5762-5774.
[10] 王浩林, 张勇军, 毛海鹏. 基于时刻充电概率的电动汽车充电负荷预测方法[J]. 电力自动化设备, 2019, 39(3): 207-213.
Wang Haolin, Zhang Yongjun, Mao Haipeng. Charging load forecasting method based on instantaneous charging probability for Electric vehicle[J]. Electric Power Automation Equipment, 2019, 39(3): 207-213.
[11] 张美霞, 孙铨杰, 杨秀. 考虑多源信息实时交互和用户后悔心理的电动汽车充电负荷预测[J/OL].电网技术: 1-15[2021-09-15]. https://doi.org/10.13335/j. 1000- 3673.pst.2021.0273.
Zhang Meixia, Sun Quanjie, Yang Xiu. Electric vehicle charging load prediction considering multi-source information real-time interaction and user regret psychology[J/OL]. Power System Technology: 1-15[2021-09-15]. https://doi.org/10.13335/j.1000-3673.pst.2021.0273.
[12] 赵书强, 周靖仁, 李志伟, 等. 基于出行链理论的电动汽车充电需求分析方法[J]. 电力自动化设备, 2017, 37(8): 105-112.
Zhao Shuqiang, Zhou Jingren, Li Zhiwei, et al. EV charging demand analysis based on trip chain theory[J]. Electric Power Automation Equipment, 2017, 37(8): 105-112.
[13] Florian Morlock, Bernhard Rolle, Michel Bauer, et al. Forecasts of electric vehicle energy consumption based on characteristic speed profiles and real-time traffic data[J]. IEEE Transactions on Vehicular Technology, 2020, 69(2): 1404-1418.
[14] 刘晓峰, 高丙团, 李扬. 博弈论在电力需求侧的应用研究综述[J]. 电网技术, 2018, 42(8): 2704-2711.
Liu Xiaofeng, Gao Bingtuan, Li Yang. Review on application of game theory in power demand side[J]. Power System Technology, 2018, 42(8): 2704-2711.
[15] 肖白, 崔涵淇, 姜卓, 等. 基于有限理性用户选择行为的定制化电价套餐设计[J]. 电网技术, 2021, 45(3): 1050-1058.
Xiao Bai, Cui Hanqi, Jiang Zhuo, et al. Customized electricity price package design based on limited rational user selection behavior[J]. Power System Technology, 2021, 45(3): 1050-1058.
[16] 詹祥澎, 杨军, 韩思宁, 等. 考虑电动汽车可调度潜力的充电站两阶段市场投标策略[J]. 电力系统自动化, 2021, 45(10): 86-96.
Zhan Xiangpeng, Yang Jun, Han Sining, et al. Two-stage market bidding strategy for charging stations considering the schedulable potential of electric vehicles[J]. Automation of Electric Power Systems, 2021, 45(10): 86-96.
[17] 袁泉, 汤奕. 基于路-电耦合网络的电动汽车需求响应技术[J]. 中国电机工程学报, 2021, 41(5): 1627-1637.
Yuan Quan, Tang Yi. Electric vehicle demand response technology based on traffic-grid coupling networks[J]. Proceedings of the CSEE, 2021, 41(5): 1627-1637.
[18] 葛晓琳, 史亮, 刘亚, 等. 考虑需求响应不确定性的电动汽车负荷Sigmoid云模型预测[J]. 中国电机工程学报, 2020, 40(21): 6913-6925.
Ge Xiaolin, Shi Liang, Liu Ya, et al. Load forecasting of electric vehicles based on sigmoid cloud model considering the uncertainty of demand response[J]. Proceedings of the CSEE, 2020, 40(21): 6913-6925.
[19] Wu Chuanshen, Gao Shan, Liu Yu, et al. A model predictive control approach in microgrid considering multi-uncertainty of electric vehicles[J]. Renewable Energy, 2021, 163: 1385-1396.
[20] 潘振宁, 余涛, 王克英. 考虑多方主体利益的大规模电动汽车分布式实时协同优化[J]. 中国电机工程学报, 2019, 39(12): 3528-3541.
Pan Zhenning, Yu Tao, Wang Keying. Decentralized coordinated dispatch for real-time optimization of massive electric vehicles considering various interests[J]. Proceedings of the CSEE, 2019, 39(12): 3528-3541.
[21] Stefan Scheubner, Adam Thor Thorgeirsson, Moritz Vaillant, et al. A stochastic range estimation algorithm for electric vehicles using traffic phase classification[J]. IEEE Transactions on Vehicular Technology, 2019, 68(7): 6414-6428.
[22] Wang Houlian, Zhou Gongbo, Xue Rui, et al. A driving-behavior-based SOC prediction method for light urban vehicles powered by supercapacitors[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(5): 2090-2099.
[23] 吴赋章, 杨军, 林洋佳, 等. 考虑用户有限理性的电动汽车时空行为特性[J]. 电工技术学报, 2020, 35(7): 1563-1574.
Wu Fuzhang, Yang Jun, Lin Yangjia, et al. Research on spatiotemporal behavior of electric vehicles considering the users’ bounded rationality[J]. Transactions of China Electrotechnical Society, 2020, 35(7): 1563-1574.
[24] Munshi Amr A, Mohamed Yasser Abdel-Rady I. Unsupervised nonintrusive extraction of electrical vehicle charging load patterns[J]. IEEE Transactions on Industrial Informatics, 2019, 15(1): 266-279.
[25] Florian Morlock, Bernhard Rolle, Michel Bauer, et al. Forecasts of electric vehicle energy consumption based on characteristic speed profiles and real-time traffic data[J]. IEEE Transactions on Vehicular Technology, 2019, 69(2): 1404-1418.
[26] 王睿, 高欣, 李军良, 等. 基于聚类分析的电动汽车充电负荷预测方法[J]. 电力系统保护与控制, 2020, 48(16): 37-44.
Wang Rui, Gao Xin, Li Junliang, et al. Electric vehicle charging demand forecasting method based on clustering analysis[J]. Power System Protection and Control, 2020, 48(16): 37-44.
[27] 王毅, 谷亿, 丁壮, 等. 基于模糊熵和集成学习的电动汽车充电需求预测[J]. 电力系统自动化, 2020, 44(3): 114-121.
Wang Yi, Gu Yi, Ding Zhuang, et al. Charging demand forecasting of electric vehicle based on empirical mode decomposition-fuzzy entropy and ensemble learning[J]. Automation of Electric Power Systems, 2020, 44(3): 114-121.
[28] 陈丽丹, 张尧, Antonio Figueiredo. 电动汽车充放电负荷预测研究综述[J]. 电力系统自动化, 2019, 43(10): 177-191.
Chen Lidan, Zhang Yao, Antonio Figueiredo. Overview of charging and discharging load forcasting for electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(10): 177-191.
[29] Tao Ye, Huang Miaohua, Chen Yupu, et al. Orderly charging strategy of battery electric vehicle driven by real-world driving data[J]. Energy, 2020, 193: 116806.
[30] 刘文霞, 龙日尚, 徐晓波, 等. 考虑数据新鲜度和交叉熵的电动汽车短期充电负荷预测模型[J]. 电力系统自动化, 2016, 40(12): 45-52.
Liu Wenxia, Long Rishang, Xu Xiaobo, et al. Forecasting model of short-term EV charging load based on data freshness and cross entropy[J]. Automation of Electric Power Systems, 2016, 40(12): 45-52.
[31] 郭戈, 徐涛, 韩英华, 等. 电动汽车时代的电网-交通网协同优化综述[J]. 控制与决策, 2021, 36(9): 2049-2062.
Guo Ge, Xu Tao, Han Yinghua, et al. A survey of cooperative optimization of traffic-grid networks in the era ofelectric vehicles[J]. Control and Decision, 2021, 36(9): 2049-2062.
[32] 何胜学. 基于两阶段行程时间的交通流分配理论[J]. 交通运输系统工程与信息, 2018, 18(1): 139-144.
He Shengxue. Traffic assignment theory based on two-stage travel time[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(1): 139-144.
[33] Suprabeet Datta, Siddhartha Rokade, Sarvesh P. S. Rajput. User-satisfaction based operational evaluation for uncontrolled intersections under mixed traffic[J]. Alexandria Engineering Journal, 2021, 60(1): 1085-1103.
[34] Ramin Niroumand, Mehrdad Tajalli, Leila Hajibabai, et al. Joint optimization of vehicle-group trajectory and signal timing: introducing the white phase for mixed-autonomy traffic stream[J]. Transportation Research Part C: Emerging Technologies, 2020, 116: 102659
[35] 曹昉, 李赛, 张姚. 考虑充电站吸引力的EV充电负荷时空分布模拟[J]. 电网技术, 2021, 45(1): 75-87.
Cao Fang, Li Sai, Zhang Yao. Temporal and spatial distribution simulation of EV charging load considering charging station attractiveness[J]. Power System Technology, 2021, 45(1): 75-87.
[36] Zhang Hongcai, Hu Zechun, Xu Zhiwei, et al. An integrated planning framework for different types of PEV charging facilities in urban area[J]. IEEE Transactions on Smart Grid, 2016, 7(5): 2273-2284.
[37] Zhang Yongmin, Chen Jiayi, Cai Lin, et al. Expanding EV charging networks considering transportation pattern and power supply limit[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6332-6342.
[38] 马丽叶, 王海锋, 卢志刚. 计及故障率影响含电动汽车的分布式电源选址定容双层协调规划[J]. 电网技术, 2021, 45(12): 4749-4760.
Ma Liye, Wang Haifeng, Lu Zhigang. Considering the influence of failure rate on the location, capacity and double-layer coordinated planning of distributed power supply with electric vehicles[J]. Power System Technology, 2021, 45(12): 4749-4760.
[39] Seyed Nasrollah Hashemian, Mohammad Amin Latify, G Reza Yousefi. PEV fast-charging station sizing and placement in coupled transportation-distribution networks considering power line conditioning capability[J]. IEEE Transactions on Smart Grid, 2020, 11(6): 4773-4783.
[40] Xu Wang, Mohammad Shahidehpour, Jiang Chuanwen, et al. Coordinated planning strategy for electric vehicle charging stations and coupled traffic-electric networks[J]. IEEE Transactions on Power Systems, 2019, 34(1): 268-279.
[41] 贾益行, 吴红飞, 韩蒙, 等. 准单级功率变换的高效单相三端口功率因数校正变换器[J]. 电力系统自动化, 2018, 42(18): 136-141.
Jia Yixing, Wu Hongfei, Han Meng, et al. Efficient single-phase three-port power factor correction converter with quasi-single-stage power conversion[J]. Automation of Electric Power Systems, 2018, 42(18): 136-141.
[42] 孙玉巍, 李永刚, 刘教民, 等. 级联式电力电子变压器协调控制策略[J]. 中国电机工程学报, 2018, 38(5): 1290-1300.
Sun Yuwei, Li Yonggang, Liu Jiaomin, et al. Coordinated control strategy for cascaded power electronic transformers[J]. Proceedings of the CSEE, 2018, 38(5): 1290-1300.
[43] Mauricio Restrepo, Jordan Morris, Mehrdad Kazeran, et al. Modeling and testing of a bidirectional smart charger for distribution system EV integration[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 152-162.
[44] Liu Hui, Hu Zechun, Song Yonghua, et al. Vehicle-to-grid control for supplementary frequency regulation considering charging demands[J]. IEEE Transactions on Power Systems, 2015, 30(6): 3110-3119.
[45] 刘东奇, 钟庆昌, 王耀南, 等.基于同步逆变器的电动汽车V2G智能充放电控制技术[J]. 中国电机工程学报, 2017, 37(2): 544-557.
Liu Dongqi, Zhong Qingchang, Wang Yaonan, et al. A synchronverter-based V2G smart charging and discharging control strategy for electric vehicles[J]. Proceedings of the CSEE, 2017, 37(2): 544-557.
[46] Jon Are Suul, Salvatore D'Arco, Giuseppe Guidi. Virtual synchronous machine-based control of a single-phase bi-directional battery charger for providing vehicle-to-grid services[J]. IEEE Transactions on Industry Applications, 2016, 52(4): 3234-3244.
[47] 陈天锦, 牛高远, 甘江华, 等. 基于虚拟同步策略的电动汽车V2G充放电系统研究及样机实现[J]. 电力系统保护与控制, 2021, 49(3): 131-141.
Chen Tianjin, Niu Gaoyuan, Gan Jianghua, et al. Research and prototype manufacture on electric vehicle V2G systems based on virtual synchronous control strategy[J]. Power System Protection and Control, 2021, 49(3): 131-141.
[48] Tan Xiaoqi, Qu Guannan, Sun Bo, et al. Optimal scheduling of battery charging station serving electric vehicles based on battery swapping[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1372-1384.
[49] 邢强, 陈中, 冷钊莹, 等. 基于实时交通信息的电动汽车路径规划和充电导航策略[J]. 中国电机工程学报, 2020, 40(2): 534-550.
Xing Qiang, Chen Zhong, Leng Zhaoying, et al. Route planning and charging navigation strategy for electric vehicles based on real-time traffic information[J]. Proceedings of the CSEE, 2020, 40(2): 534-550.
[50] 邓润琦, 向月, 黄媛, 等. 交通–配电网耦合下电动汽车集群可调控裕度及优化运行策略[J]. 电网技术, 2021, 45(11): 4328-4337.
Deng Runqi, Xiang Yue, Huang Yuan, et al. Dispatchable margin and optimal operation strategy of electric vehicle clusters in coupled transportation-distribution network[J/OL]. Power System Technology, 2021, 45(11): 4328-4337.
[51] Qian Tao, Shao Chengcheng, Li Xuliang, et al. Enhanced coordinated operations of electric power and transportation networks via EV charging services[J]. IEEE Transactions on Smart Grid, 2020, 11(4): 3019-3030.
[52] 谢仕炜, 胡志坚, 王珏莹. 考虑时-空耦合的城市电力-交通网络动态流量均衡[J/OL]. 中国电机工程学报: 1-17 [2021-08-14]. http://kns.cnki.net/kcms/ detail/11.2107.TM.20210226.1121.005.html.
Xie Shiwei, Hu Zhijian, Wang Jueying. Dynamic flow equilibrium of urban power and transportation networks considering the coupling in time and space[J/OL]. Proceedings of the CSEE: 1-17 [2021-08-14].http://kns.cnki.net/kcms/detail/11.2107.TM. 20210226.1121.005.html.
[53] 周毅, 袁泉, 汤奕, 等. 基于路-电耦合网络的电动汽车充电决策优化方法[J]. 电网技术, 2021, 45(9): 3563-3572.
Zhou Yi, Yuan Quan, Tang Yi, et al. Charging decision optimization method for electric vehicles based on traffic-grid coupling networks[J]. Power System Technology, 2021, 45(9): 3563-3572.
[54] Lü Zhihan, Qiao Liang, Cai Ken, et al. Big data analysis technology for electric vehicle networks in smart cities[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(3): 1807-1816.
[55] 邵尹池, 穆云飞, 林佳颖, 等. “车-站-网”多元需求下的电动汽车快速充电引导策略[J]. 电力系统自动化, 2019, 43(18): 60-61.
Shao Yinchi, Mu Yunfei, Lin Jiaying, et al. Fast charging guidance strategy for multiple demands of electric vehicle, fast charging station and distribution network[J]. Automation of Electric Power Systems, 2019, 43(18): 60-61.
[56] Dhaou Said, Hussein T. Mouftah. A novel electric vehicles charging/discharging management protocol based on queuing model[J]. IEEE Transactions on Intelligent Vehicles, 2020, 5(1): 100-111.
[57] 崔金栋, 罗文达, 周念成. 基于多视角的电动汽车有序充放电定价模型与策略研究[J]. 中国电机工程学报, 2018, 38(15): 4438-4450.
Cui Jindong, Luo Wenda, Zhou Niancheng. Research on pricing model and strategy of electric vehicle charging and discharging based on multi view[J]. Proceedings of the CSEE, 2018, 38(15): 4438-4450.
[58] Wang Shuoyao, Bi Suzhi, Zhang Ying-Jun Angela, et al. Electrical vehicle charging station profit maximization: admission, pricing, and online scheduling[J]. IEEE Transactions on Sustainable Energy, 2018, 9(4): 1722-1731.
[59] Masoumeh Seyedyazdi, Mohammad Mohammadi, Ebrahim Farjah. A combined driver-station interactive algorithm for a maximum mutual interest in charging market[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(6): 2534-2544.
[60] 李东东, 邹思源, 刘洋, 等. 共享模式下的充电桩引导与充电价格研究[J]. 电网技术, 2017, 41(12): 3971-3979.
Li Dongdong, Zou Siyuan, Liu Yang, et al. Research on charger selection and charging price under shared mode[J]. Power System Technology, 2017, 41(12): 3971-3979.
[61] 常方宇, 黄梅, 张维戈. 分时充电价格下电动汽车有序充电引导策略[J]. 电网技术, 2016, 40(9): 2609-2615.
Chang Fangyu, Huang Mei, Zhang Weige. Research on coordinated charging of electric vehicles based on tou charging price[J]. Power System Technology, 2016, 40(9): 2609-2615.
[62] Woongsup Lee, Robert Schober, Vincent W S Wong. An analysis of price competition in heterogeneous electric vehicle charging stations[J]. IEEE Transactions on Smart Grid, 2019, 10(4): 3990-4002.
[63] 程杉, 王贤宁, 冯毅煁. 电动汽车充电站有序充电调度的分散式优化[J]. 电力系统自动化, 2018, 42(1): 39-46.
Cheng Shan, Wang Xianning, Feng Yichen. Distributed optimization for orderly charging scheduling of electric vehicle charging stations[J]. Automation of Electric Power Systems, 2018, 42(1): 39-46.
[64] Zeng Bo, Dong Houqi, Ramteen Sioshansi, et al. Bilevel robust optimization of electric vehicle charging stations with distributed energy resources[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 5836-5847.
[65] 吴巨爱, 薛禹胜, 谢东亮. 电动汽车聚合商对备用服务能力的优化[J]. 电力系统自动化, 2019, 43(9): 75-81.
Wu Juai, Xue Yusheng, Xie Dongliang. Optimization of reserve service capability made by electric vehicle aggregator[J]. Automation of Electric Power Systems, 2019, 43(9): 75-81.
[66] 杨晓东, 任帅杰, 张有兵, 等. 电动汽车可调度能力模型与日内优先调度策略[J]. 电力系统自动化, 2017, 41(2): 84-93.
Yang Xiaodong, Ren Shuaijie, Zhang Youbing, et al. Schedulable ability model and priority-based intraday scheduling strategy for electric vehicle[J]. Automation of Electric Power Systems, 2017, 41(2): 84-93.
[67] 窦迅, 王俊, 杨志宏, 等. 含交直流混合配网综合能源系统的电动汽车分群调控策略[J]. 中国电机工程学报, 2021, 41(14): 4829-4844.
Dou Xun, Wang Jun, Yang Zhihong, et al. Cluster-based control strategies of electric vehicles for integrated energy system with AC-DC hybrid distribution network[J]. Proceedings of the CSEE, 2021, 41(14): 4829-4844.
[68] 黄贵鸿, 雷霞, 杨毅, 等. 考虑风电与用户满意度的电动汽车两层智能充放电策略[J]. 电工技术学报, 2015, 30(5): 85-97.
Huang Guihong, Lei Xia, Yang Yi, et al. Two - layer intelligent charging and discharging strategy for electric vehicles considering wind power and user satisfaction[J]. Transactions of China Electrotechnical Society, 2015, 30(5): 85-97.
[69] Xu Xiangchu, Li Kangping, Wang Fei, et al. Evaluating multitimescale response capability of EV aggregator considering users’ willingness[J]. IEEE Transactions on Industry Applications, 2021, 57(4): 3366-3376.
[70] 杨健维, 杨鹤, 张夏霖, 等. 基于换电规则优化与车辆–电池组匹配的电动公交车充换电站充电优化策略[J]. 中国电机工程学报, 2019, 39(8): 2337-2347.
Yang Jianwei, Yang He, Zhang Xialin, et al. A charging optimization strategy on charging and swapping station for electric buses based on optimization of switching rules and matching of buses and batteries[J]. Proceedings of the CSEE, 2019, 39(8): 2337-2347.
[71] Farshid Varshosaz, Majid Moazzami, Bahador Fani, et al. Day-ahead capacity estimation and power management of a charging station based on queuing theory[J]. IEEE Transactions on Industrial Informatics, 2019, 15(10): 5561-5574.
[72] 崔岩, 胡泽春, 段小宇. 考虑充电需求空间灵活性的电动汽车运行优化研究综述[J/OL]. 电网技术: 1-16[2021-09-25].https://doi.org/10.13335/j.1000-3673. pst. 2021.0514.
Cui Yan, Hu Zechun, Duan Xiaoyu. Review on the electric vehicles operation optimization considering the spatial flexibility of electric vehicles charging demands[J/OL]. Power System Technology: 1-16 [2021-09-25].https://doi.org/10.13335/j.1000-3673. pst.2021.0514.
[73] Tan Xiaoqi, Qu Guannan, Sun Bo, et al. Optimal scheduling of battery charging station serving electric vehicles based on battery swapping[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1372-1384.
[74] 田园园, 廖清芬, 徐雨田, 等. 基于有序充电策略的换电站及分布式电源多场景协调规划方法[J]. 电力自动化设备, 2017, 37(9): 62-69.
Tian Yuanyuan, Liao Qingfen, Xu Yutian, et al. Multi-scenario coordinated planning method for substation and distributed power generation based on orderly charging strategy[J]. Electric Power Automation Equipment, 2017, 37(9): 62-69.
[75] Wang Yang, Ding Wenjian, Huang Liusheng, et al. Toward urban electric taxi systems in smart cities: the battery swapping challenge[J]. IEEE Transactions on Vehicular Technology, 2018. 67(3): 1946-1960.
[76] 吴洲洋, 艾欣, 胡俊杰. 电动汽车聚合商参与调频备用的调度方法与收益分成机制[J]. 电网技术, 2021, 45(3): 1041-1050.
Wu Zhouyang, Ai Xin, Hu Junjie. Dispatching and income distributing of electric vehicle aggregators’ participation in frequency regulation[J]. Power System Technology, 2021, 45(3): 1041-1050.
[77] 王俊杰, 贾雨龙, 米增强, 等. 基于双重激励机制的电动汽车备用服务策略[J]. 电力系统自动化, 2020, 44(10): 68-76.
Wang Junjie, Jia Yulong, Mi Zengqiang, et al. Reserve service strategy of electric vehicles based on double-incentive mechanism[J]. Automation of Electric Power Systems, 2020, 44(10): 68-76.
[78] Xu Xiangchu, Li Kangping, Wang Fei, et al. Evaluating multitimescale response capability of EV aggregator considering users’ willingness[J]. IEEE Transactions on Industry Applications, 2021, 57(4): 3366-3376.
[79] 孙惠, 翟海保, 吴鑫. 源网荷储多元协调控制系统的研究及应用[J]. 电工技术学报, 2021, 36(15): 3264-3271.
Sun Hui, Zhai Haibao, Wu Xin. Research and application of multi-energy coordinated control of generation，network，load and storage[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3264-3271.
[80] Hou Kai, Xu Xiandong, Jia Hongjie, et al. A reliability assessment approach for integrated transportation and electrical power systems incorporating electric vehicles[J]. IEEE Transactions on Smart Grid, 2018, 9(1): 88-100.
[81] 葛少云, 李吉峰, 李腾, 等. 配电网和城市路网关联网络的综合可靠性分析[J]. 中国电机工程学报, 2016, 36(6): 1568-1577.
Ge Shaoyun, Li Jifeng, Li Teng, et al. Integrated analysis on reliability of power distribution network and urban road network[J]. Proceedings of the CSEE, 2016, 36(6): 1568-1577.
[82] Susanna Mocci, Nicola Natale, Fabrizio Pilo, et al. Demand side integration in LV smart grids with multi-agent control system[J]. Electric Power Systems Research, 2015, 125: 23-33.
[83] Sergejus Martinenas, Katarina Knezović, Mattia Marinelli. Management of power quality issues in low voltage networks using electric vehicles: experimental validation[J]. IEEE Transactions on Power Delivery, 2017, 32(2): 971-979.
[84] Arian Zahedmanesh, Kashem M. Muttaqi, Danny Sutanto. Coordinated charging control of electric vehicles while improving power quality in power grids using a hierarchical decision-making approach[J]. IEEE Transactions on Vehicular Technology, 2020, 69(11): 12585-12596.
[85] 李晓萌, 贾宏杰, 穆云飞, 等. 时滞环境下基于电动汽车与电热泵的协调频率控制[J]. 电力自动化设备, 2020, 40(4): 88-95.
Li Xiaomeng, Jia Hongjie, Mu Yunfei, et al. Coordinated frequency control based on electric vehicles and heat pumps considering time-delay[J]. Electric Power Automation Equipment, 2020, 40(4): 88-95.
[86] Dong Chaoyu, Xiao Qian, Mingshen Wang, et al. Distorted stability space and instability triggering mechanism of ev aggregation delays in the secondary frequency regulation of electrical grid-electric vehicle system[J]. IEEE Transactions on Smart Grid, 2020,11(6): 5084-5098.
[87] 张一媚, 董朝宇, 董晓红, 等. 含电动汽车集群调频的信息能源系统谱特征和稳定性评估[J]. 电力系统自动化, 2021, 45(2): 12-20.
Zhang Yimei, Dong Chaoyu, Dong Xiaohong et al. Spectral characteristics and stability evaluation of information energy system with frequency modulation of electric vehicle cluster[J]. Automation of Electric Power Systems, 2021, 45(2): 12-20.
[88] 刘辉, 魏岩岩, 汪旎, 等. 电动汽车入网一次调频控制策略研究[J]. 电力系统保护与控制, 2015, 43(23): 90-95.
Liu Hui, Wei Yanyan, Wang Ni, et al. V2G control for EVs participating in primary frequency regulation[J]. Power System Protection and Control, 2015, 43(23): 90-95.
[89] 杨健维, 董鸿志, 廖凯, 等. 计及电动汽车辅助调频的负荷频率控制联合优化[J]. 电力自动化设备, 2019, 39(3): 200-206.
Yang Jianwei, Dong Hongzhi, Liao Kai, et al. Joint optimization of load frequency control considering auxiliary frequency regulation of electric vehicles[J]. Electric Power Automation Equipment, 2019, 39(3): 200-206.
[90] Mu Chaoxu, Liu Weiqiang, Wei Xu. Hierarchically adaptive frequency control for an EV-integrated smart grid with renewable energy[J]. IEEE Transactions on Industrial Informatics, 2018, 14(9): 4254-4263.
[91] 徐双蝶, 张焰, 苏运. 考虑不确定性变量模糊相关性的智能配电网概率潮流计算[J]. 电网技术, 2020, 44(4): 1488-1500.
Xu Shuangdie, Zhang Yan, Su Yun. Probabilistic power flow calculation in smart distribution networks considering fuzzy correlation between uncertainty variables[J]. Power System Technology, 2020, 44(4): 1488-1500.
[92] 李钰洋, 王增平. 基于高斯求积的智能配电网三相概率潮流点估计法[J/OL]. 电网技术: 1-9 [2021-09-16].https://doi.org/10.13335/j.1000-3673.pst.2021. 0615.
Li Yuyang, Wang Zengping. Three-phase probabilistic load flow for smart distribution network based on gauss-quadrature-based point estimate method[J]. Power System Technology: 1-9 [2021-09-16]. https://doi.org/10.13335/j.1000-3673.pst.2021.0615.
[93] Fan Hua, Duan Chao, Zhang Chuan-Ke, et al. ADMM-Based multiperiod optimal power flow considering plug-in electric vehicles charging[J]. IEEE Transactions on Power Systems, 2018, 33(4): 3886-3897.
[94] Lü Si, Wei Zhinong, Sun Guoqiang, et al. Power and traffic nexus: from perspective of power transmission network and electrified highway network[J]. IEEE Transactions on Transportation Electrification, 2021, 7(2): 566-577.
[95] 谢仕炜, 胡志坚, 王珏莹. 考虑时-空耦合的城市电力-交通网络动态流量均衡[J/OL]. 中国电机工程学报: 1-17 [2021-09-16]. http://kns.cnki.net/kcms/detail/ 11.2107.TM.20210226.1121.005.html.
Xie Shiwei, Hu Zhijian, Wang Jueying. Dynamic flow equilibrium of urban power and transportation networks considering the coupling in time and space[J/OL]. Proceedings of the CSEE: 1-17[2021-09-16].http://kns.cnki.net/kcms/detail/11.2107.TM.20210226.1121.005.html.
[96] Lü Si, Wei Zhinong, Sun Guoqiang, et al. Optimal power and semi-dynamic traffic flow in urban electrified transportation networks[J]. IEEE Transactions on Smart Grid, 2020, 11(3): 1854-1865.
[97] 石文超, 吕林, 高红均, 等. 考虑需求响应和电动汽车参与的主动配电网经济调度[J]. 电力系统自动化, 2020, 44(11): 41-51.
Shi Wenchao, Lü Lin, Gao Hongjun, et al. Economic dispatch of active distribution network with participation of demand response and electric vehicle[J]. Automation of Electric Power Systems, 2020, 44(11): 41-51.
[98] 刘晋源, 吕林, 高红均, 等. 计及分布式电源和电动汽车特性的主动配电网规划[J]. 电力系统自动化, 2020, 44(12): 41-48.
Liu Jinyuan, Lü Lin, Gao Hongjun, et al. Planning of active distribution network considering characteristics of distributed generator and electric vehicle[J]. Automation of Electric Power Systems, 2020, 44(12): 41-48.
[99] Liang Huijun, Liu Yungang, Li Fengzhong, et al. Dynamic economic/emission dispatch including PEVs for peak shaving and valley filling[J]. IEEE Transactions on Industrial Electronics, 2019, 66(4): 2880-2890.
[100] 史亮, 葛晓琳, 顾闻, 等. 考虑需求响应的电动汽车充电负荷研究[J/OL]. 电测与仪表: 1-6 [2021-08-14]. http://kns.cnki.net/kcms/detail/23.1202.TH.20201019.1708.002.html.
Shi Liang, Ge Xiaolin, Gu Wen, et al. Research on charging loads of electric vehicles considering demand response[J/OL]. Electrical Measurement & Instrumentation:1-6 [2021-08-14]. http://kns.cnki.net/ kcms/detail/23.1202.TH.20201019. 1708.002.html.
[101] Tan Jun, Wang Lingfeng. Integration of plug-in hybrid electric vehicles into residential distribution grid based on two-layer intelligent optimization[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 1774-1784.
[102] 杨晓东, 张有兵, 赵波, 等. 供需两侧协同优化的电动汽车充放电自动需求响应方法[J]. 中国电机工程学报, 2017, 37(1): 120-130.
Yang Xiaodong, Zhang Youbing, Zhao Bo, et al. Automated demand response method for electric vehicles charging and discharging to achieve supply-demand coordinated optimization[J]. Proceedings of the CSEE, 2017, 37(1): 120-130.
[103] 赵德仁, 丁雷, 徐立华, 等. 面向新能源消纳的主动配电网电动汽车充放电功率和网络重构协调优化调度[J]. 电力系统及其自动化学报, 2019, 31(8): 94-101.
Zhao Deren, Ding Lei, Xu Lihua, et al. Coordinated optimal dispatching of EV charging/discharging power and network reconfiguration in active distribution network for renewable energy accommodation[J]. Proceedings of the CSU-EPSA, 2019, 31(8): 94-101.
[104] 杨铮, 彭思成, 廖清芬, 等. 面向综合能源楼宇的电动汽车辅助服务方案[J]. 电网技术, 2017, 41(9): 2831-2843.
Yang Zheng, Peng Sicheng, Liao Qingfen, et al. Ancillary services provided by electric vehicles for building integrated energy system[J]. Power System Technology, 2017, 41(9): 2831-2843.
[105] Mosaddek Hossain Kamal Tushar, Adel W. Zeineddine, Chadi Assi. Demand-side management by regulating charging and discharging of the EV, ESS, and utilizing renewable energy[J]. IEEE Transactions on Industrial Informatics, 2018, 14(1): 117-126.
[106] 杨晓东, 张有兵, 任帅杰, 等. 含高渗透率光伏发电并网型微网中的电动汽车优化调度方法[J]. 电力系统自动化, 2016, 40(18): 15-23.
Yang Xiaodong, Zhang Youbing, Ren Shuaijie, et al. Optimal scheduling scheme of electric vehicles in grid-connected microgrid with high penetration photovoltaic power[J]. Automation of Electric Power Systems, 2016, 40(18): 15-23.
[107] Chen Xi, Zhang Tianyang, Ye Wenxing, et al. Blockchain-based electric vehicle incentive system for renewable energy consumption[J]. IEEE Transactions on Circuits and Systems II: Express Briefs, 2021, 68(1): 396-400.
Review and Prospect of Key Techniques for Vehicle-Station-Network Integrated Operation in Smart City
Abstract With the development of urban green transportation, optimizing and regulating electric vehicle (EV) clusters to participate in the demand response of the distribution network has become a trend, and a vehicle-station-network integrated operation structure of the smart city has been gradually formed. Under this background, this paper systematically reviews the current situation and progress of vehicle-station-network integrated operation, combining with the latest research results in the four fields: spatial and temporal distribution prediction of load demand, “station-network” collaborative deployment and management, “station-vehicle” orderly guidance strategy and “vehicle-network” interactive response. Firstly, the law of charging demand is analyzed, and the advantages and limitations of charging load and traffic load forecasting methods are summarized. Secondly, the research on the network layout of charging facilities and the vehicles to grid (V2G) technique is reviewed from the “station-network” coordination level. Thirdly, the path planning and pricing mechanism issues involved in the orderly guidance of EVs under the transportation-electricity coupling network model are explored. Thereafter, the “vehicle-grid” interactive response technology is discussed from the aspects of the schedulable capability evaluation of EV, reliability and economy of distribution network, and relevant application demonstrations are described. Finally, the existing problems and challenges in the vehicle-station-network integrated operation architecture are summarized, and prospects are made.
keywords: Vehicle-station-network integration, electric vehicles, interactive response, transportation-electric coupling network
DOI:10.19595/j.cnki.1000-6753.tces.211285
中国博士后科学基金项目（2019M651144）、辽宁省教育厅科学研究经费项目（LQGD2019005）和辽宁省自然科学基金博士启动项目（2020-BS-141）资助。
中图分类号：TM73; U469.72
王海鑫 男，1989年生，博士，副教授，研究方向为综合能源系统优化运行。E-mail：haixinwang@sut.edu.cn
杨俊友 男，1963年生，二级教授，博士生导师，研究方向为新能源消纳及智能电网优化调度。E-mail：junyouyang@sut.edu.cn（通信作者）
收稿日期 2021-08-15
改稿日期 2021-09-03
（编辑 郭丽军）