面向多场景辅助服务的大规模电动汽车聚合可调度容量建模.pdfVIP

面向多场景辅助服务的大规模电动汽车聚合可调度容量建模

摘要：大规模电动汽车聚合可调度容量是含电动汽车的虚拟电厂参与多层级多场景电力平衡辅助

服务的重要技术指标之一。然而,现有电动汽车聚合可调度容量模型难以适应大规模电动汽车与

省级电力调度中心互动场景。为此，文中从面向电力系统调峰、调频和调压多级多场景调控新视

角，提出了数据驱动和机器学习相结合的双层聚类电动汽车聚合可调度容量建模方法。该方法通

过构建电动汽车-充电桩广义储能单元的个体可调度容量模型，结合基于密度空间的聚类算法和改

进的自组织映射深度聚类算法，有效地融合了电动汽车电量的时间分布和充电桩的空间分布特性，

构建了面向调峰、调频和调压多场景调控的聚合可调度容量模型。采用了某省实际充电记录数据

对提出的方法进行了验证，获得了“早间型“”中午型“”晚间型”等多种充电画像类型，实现了时空分

布各异的电动汽车广义储能系统的自主聚合和省市级规模电动汽车参与电网不同辅助服务潜能的

评估，并为聚合可调度容量的预测奠定了数据基础。

关键词：电动汽车；辅助服务；数据驱动；广义储能系统；电动汽车与电网互动；可调度容量；

聚合模型；双层聚类

0引言要技术指标。其内涵是指在不影响EV用户正常使

用条件下，EVF作为能量可以双向流动的特殊负荷

在中国“双碳”目标背景下，电动汽车（electric

［4-5］

与电网进行双向交换能量或功率的上下限。

vehicle，EV）得到快速发展。据预测，2030年全国

EV保有量将近亿辆，储存电能约4TW·h［1］。EV现有研究中，ASC建模方法主要分为两类：一

巨量电能需求的随机性与可再生能源的波动性耦合是针对EVF整体将自然分布于某一区域的EVF视

［6-8］

将加剧电力系统供求时空不匹配性，从而带来电压为整体进行直接建模的方法；二是基于EV用户

［9-12］

［2］个体行为的聚合建模。

越限、频率波动等问题。但是，采用EV与电网互

动（以下简称“车网互动”）（vehicletogrid，V2G）技第1类方法不关心个体可调度容量（individual

术以及与人工智能技术相结合的现代控制技术，可schedulablecapacity，ISC）。它仅将分属于充电站或

以将大规模分布式EV储能聚合成虚拟电厂（virtual配电网内所有的EV自动视为具有某些相似属性的

［6］

powerplant，VPP），使其成为电力系统的可调度灵不同EV聚合体（EVaggregator，EVA）。这类方

活资源，参与调峰、调频和调压等多层级电力平衡辅法以EVA整体为对象，假设EV进入充电站的数量

［3］和停留时间均服从一定的概率分布，从而估计充电

助服务，从而实现电力系统整体高效运行。

自然分布的EV集群（EVfleet，EVF）的聚合可站不同时刻的EV数目和电能，进而获得聚合体的

调度容量（aggregationschedulablecapacity，ASC）是ASC。这类方法的模型和参数均建立在