“预约/随需”充放电服务模式下电动汽车聚合商服务策略

陈樱绮, 李华强，陈缨，林照航

(1.智能电网四川省重点实验室(四川大学), 成都市 610065；2.国网四川综合能源服务有限公司，成都市 610021)

0 引 言

随着电动汽车(electric vehicle，EV)的规模化发展，耗电量可观的EV负荷逐渐成为智能电网的重要组成部分[1]。作为电网与用户之间的服务媒介，电动汽车聚合商(electric vehicle aggregator，EVA)向用户提供EV充放电代理服务并通过负荷聚合控制的方式参与电力市场交易，承载充放电服务者及负荷聚合调度者的双重角色[2]。在EVA以充放电服务为手段进行精准化有序调控的过程中，用户意愿将通过服务响应渠道最终影响EV负荷引导效果。因此，多维度分析用户充电需求、设计考虑用户意愿的服务模式，是EVA服务策略研究的关键[3]。

目前已有一些EVA分层分区协调调度方法[4-6]及电力市场交易策略[7-8]相关研究，为EVA运营策略及服务模式研究打下了重要基础。已有EVA服务模式研究主要从用户服务机制设计入手，通过价格或激励引导用户有序入网。文献[9]设计了一种用户主动响应电动汽车与电网互动 (vehicle-to-grid，V2G)反向供电并自主进行供电价格竞标的充放电控制方法，通过合理设计服务模式激发用户主动调节能力；文献[10]设计了用户仅需要做出一次性选择决定的半自主在线服务模式，通过智能充电终端依据电价自动制定充放电计划，解决了用户自主调控便捷性不高的问题；文献[11]设计了兼顾备用服务需求与用户出行需求的充放电合约机制，对签约用户依据备用能力给予电价折扣。

上述服务模式研究皆基于EV用户时移灵活性，尚未从用户入网规律性角度考虑。用户时移灵活性，是指此EV用户在不影响用车便利性条件下灵活选择低电价时段入网的能力；用户入网规律性，是指此EV用户入网行为发生在某固定时段，入网行为可预测且有规律可循。目前考虑用户入网规律性的研究很少，文献[12]中综合考虑充电站内电动汽车有序充电和用户自主选择响应情况，提出了电动汽车分时预约充电方法，但研究仅侧重于充电设施及物理系统。

基于目前服务模式设计尚不成熟的现状，本文综合考虑用户时移灵活性和入网规律性两个维度，提出“预约/随需”服务模式。在加强灵活性引导的同时，通过“预约”加强用户入网规律性、减小负荷不确定性，使EVA负荷调控更加精准。此服务模式下，用户通过对“预约”、“随需”服务选择来影响EVA运营。在用户服务选择研究方面，效用理论[13]常被用来评估用户需求被满足的程度，可以综合多类影响因素描述用户消费心理；离散选择模型[14](discrete choice model, DCM)采用概率方法描述用户选择结果，常用来分析用户服务选择对运营策略的影响。本文采用基于效用理论的DCM模型模拟用户“预约/随需”服务选择情况，分析EVA引导用户服务选择的途径。

本文主要研究“预约/随需”模式下EVA服务策略。首先，分析“预约/随需”服务模式特点并梳理服务流程；其次立足用户视角，从经济影响和便利影响两方面入手构建最优购买策略下的用户效用量化方法；然后立足EVA视角，分析模拟不同价格下用户服务选择情况，进而通过主从博弈模拟优化定价，寻求用户效用与EVA收益的均衡点；最后，通过算例证明本文所提“预约/随需”服务模式下能达到用户侧潜力充分挖掘、EVA侧电力市场购买成本减少的供需两侧“双赢”效果。

1 “预约/随需”充放电服务模式

“预约/随需”充放电服务模式下，EVA提供“预约”、“随需”两种服务方式，用户依据自身充放电需求进行选择：“随需”服务适合对充电便利性要求较高的用户，一旦有充电需求即可随时入网充电；“预约”服务下用户需要提前预约充电时间，但价格相对较低，适合充电行为较为规律的用户。两种服务方式的异同点如表1所示。

表1 “随需”服务与“预约”服务的比较Table 1 Comparison of on-demand service and reservation service

“预约/随需”充放电服务的业务流程主要分为服务需求库建立、服务策略制定、服务响应和实际执行四步，如图1所示。

图1 “预约/随需”服务模式示意图Fig.1 Schematic diagram of “reservation/on-demand” service mode

在上述服务流程中，EVA与用户之间通过服务价格及服务选择情况相互影响，如图2所示。本文通过用户侧服务效用分析及EVA价格引导分析，研究评估“预约/随需”服务模式的效果。

图2 EVA与用户的关系Fig.2 The relationship between EVA and users

2 服务购买策略及用户效用分析

从用户需求、购买策略及服务效用3个层面，描述用户充放电服务消费心理：在“预约”服务的价格目录及“随需”服务的参考价格目录下，用户希望EVA能针对其实际充放电需求，以服务效用最大化为目标为其制定最佳购买策略：

(1)

式中：Si为用户i的购买策略；Vi为用户i的充放电服务效用；Ei为用户i的实际充放电需求，包含配置参数、时间边界、电量边界及功率边界[2]、用户主观偏好等基础参数；λp(t)表示“预约”服务的价格目录；λs(t)表示“随需”服务的参考价格目录；下标p和s分别表示“预约”服务和“随需”服务。

2.1 用户效用

效用理论通常被用来描述用户对服务的满意程度，进而分析用户偏好和决策倾向，已有一些研究采用效用模型进行电力套餐选择分析[13,15-16]。考虑到充放电服务的经济性及便利性两方面都将影响用户使用感受，本文提出基于综合效用的“预约/随需”模型下用户需求满足程度量化方法。计及表述心理状态、需求观测误差的效用随机项ηi，本文构建用户i的充放电服务效用函数Vi如下：

Vi=ωiVi,1+(1-ωi)Vi,2+ηi，ωi∈[0,1]

(2)

式中：ωi为用户i的经济偏好程度系数；Vi,1、Vi,2分别表示经济性和便利性对用户i的总效用的影响，下标1、2分别表示经济性影响、便利性影响。

1)经济影响Vi,1。

考虑到“预约”服务价格较低，本文以“随需”服务的充放电成本为基准，以对比形式分析经济影响。将“随需”服务下的充电成本作为基础经济效益，“预约”服务充放电成本节约量描述了其为用户节约充放电成本的能力。用户效用的经济影响部分如下[13,17]：

(3)

2)便利影响Vi,2。

“随需”服务下用户入网时间不受限制，但“预约”服务要求提前约定入网时段，用户便利性受到影响。本文提出一种以在网概率对比来量化便利影响的方法：“随需”服务下t时段EV正在入网充放电的概率表征最便利情况下的用户充放电需求，将其与“预约”服务下用户i的在网状态对比，构建用户充放电便利影响的量化方法如下：

(4)

在“随需”服务下，用户充放电行为具有入网时段不确定性和入网时长不确定性，用户入网行为以概率分布的形式发生在其习惯性入网时段的前后。基于文献[18-19]中EV负荷预测的高斯分布模型得到每时段入网概率分布υi(·)和入网时长概率分布σi(·)，本文依据全概率定理，构建t时段用户i正在入网充放电的概率fi(t)：

(5)

式中：tin、Tin分别为入网时段、已入网时长；T为周期长度；Tin,max为最大入网时长；υi(·)及σi(·)采用文献[18]中模型。

2.2 服务购买策略

充放电成本决定用户侧的经济效用，服务方式的选择决定用户侧便利效用。以用户综合效用最大化为目标，制定用户i的服务购买策略Si：

(6)

EV优化调度研究中多以充放电方式分类[20-21]，同时EV服务购买策略也因充放电方式不同而有所差异，因此本文也遵循这一分类原则对不同用户服务策略分类说明。

1)快充类用户服务购买策略。

快充类用户入网后必须以最大功率充电才能在离网前达到用户电量要求。此类用户在某一固定时段有低灵活性、高规律性的充电需求时可通过“预约”服务降低成本。

快充类用户期望成本为两类服务中成本最小者：

(7)

(8)

2)代管类用户服务购买策略。

代管类用户入网时间相对较为充裕，在入网时段内委托EVA进行充电代理，选择低电价时段充电。用户入网时段整体在随需入网方式下价格较高时参与“预约”服务将降低充放电成本[10]。

代管类用户服务购买策略与快充类用户相似，将约束条件用式(9)替换即可[6]：

(9)

3)V2G类用户服务购买策略。

V2G类用户与代管类用户一样委托EVA代理入网，但允许向电网放电并以馈电方式降低自身充放电费用[22]。考虑到此类用户充放电调节潜力较高，本文设计了一种“预约快充+随需V2G调节”的充放电方案：用户可以预约部分时段的快速充电，以便实际执行时在其他入网时段跟随“随需”服务价格引导灵活进行电量调整和放电。

V2G用户服务策略制定时同样比较两种服务方式下的最小用户成本以确定充放电策略，如式(10)所示，式(11)为约束条件。

(10)

(11)

3 EVA价格引导方法

“预约/随需”服务模式流程中，用户服务响应发生在EVA价格公布之后，因而EVA在价格制定时就需要考虑用户选择行为的影响。现有基于主从博弈的价格引导方法研究中，用户侧仅考虑成本最小化，缺乏对用户综合效用及参与意愿的考量[4,23-24]。基于此，本文提出基于用户效用与用户选择的主从博弈模型进行定价分析。

3.1 用户选择行为

以用户效用模型构建为基础，采用基于效用最大化理论的DCM模型对用户在“预约”服务与“随需”服务之间的选择行为进行模拟。在DCM应用最广泛的MNL(multinominal logit)模型下，用户选择行为概率如式(12)所示，其推导过程如附录A所述[17,25]。

(12)

式中：κ(Ii=p)为用户i选择“预约”服务的概率；h(ιi)为随机效用ιi的密度函数，若其遵循独立Gumble分布(第一类极值分布)，则用户i选择“预约”服务(即Ii=p)的概率为：

(13)

式中：β为表示随机项因素的比例参数，其值可通过对用户需求的市场调研和回归分析确定。β表征了概率函数κ(Ii=p)分布的确定性大小，其值越大，概率函数越接近于确定性分布；反之，则越接近于均匀分布。

3.2 基于主从博弈的EVA价格引导

EVA通过充放电价格实现对用户充放电行为的有序化引导，此过程是通过用户-EVA双方追求各自利益最大化的主从博弈过程实现的，通过寻找利益均衡点确定最优定价[23]。

主从博弈中的上层引导者是EVA。用户时移灵活性引导方面，传统价格引导方法研究中，主要采用24 h周期内多时段定价的价格差异化(price difference)方法，来引导用户将自身需求平移到低电价时段[26-27]。此时上层函数中的自变量为：

Θ=[λ(t1),λ(t1),…,λ(tT)]

(14)

式中：Θ为上层函数的自变量矩阵。

本文拓展考虑用户入网规律性引导，为“预约”服务、“随需”服务用户制定不同的价格，以价格歧视(price discrimination)方法吸引用户提前确定充放电时段，规律化自身入网行为。此时上层EVA定价函数自变量表述为：

Θ=[λs;λp]=[λs(t1),λs(t2),…,λs(tT);
λp(t1),λp(t2),…,λp(tT)]

(15)

综上，统筹考虑服务参与概率以及电力市场价格，以EVA自身净收益Meva最大化为目标，制定差异化价格。净收益Meva由服务收益Muser、预估日前市场购电成本Mmarket,s及中长期购电成本Mmarket,p构成[10,27]：

maxMeva=Muser-Mmarket,s-Mmarket,p

(16)

(17)

(18)

(19)

式中：λmarket,s(t)、λmarket,p(t)分别是短期电力市场交易价格、中长期电力市场交易价格；χ是EVA为“随需”服务(Ii=s)用户负荷在中长期市场购电的比例。

下层模型中，用户作为主从博弈中的被引导者，根据价格调整购买行为并以服务总效用Vi最大化为目标确定购买策略，式(20)与式(21)等价：

maxVi

(20)

(21)

式中：Vi,p、Vi,s分别表示用户i选择“预约”服务、“随需”服务时的综合效用；H[·]表示与括号内变量相关的函数表达式。

用户入网规律性的价格引导，体现在部分EV用户会依据自身综合效益最大化的目标，选择牺牲部分便利性来获得更高的综合效用，从而强化了入网规律性。式(21)中，用户根据综合效益的大小决定是否规律入网：min(Vi,p,Vi,s)。

约束方面，除了2.2节中所述的功率约束外还有附录B所述的保有电量约束及充放电深度约束。

4 算例分析

4.1 参数设计及场景设置

本文以500个EV用户为例，在Matlab中采用YALMIP工具箱调用CPLEX，在T=24 h、Δt=15min条件下，进行“预约/随需”充放电服务模式仿真分析，参数详见附录C。在电力市场交易方面，由于本文重点关注EVA在用户侧的服务方式，暂未深入考虑其在上层电力市场侧与其他参与者之间的竞价策略，因此假设EVA作为价格接受者参与电力市场[7,28]；根据“预约”服务合约要求，用户需要提前确定入网行为并严格遵守，因此“预约”服务用户负荷电量可全部从中长期市场购买；遵循大宗电量交易尽量以合约形式提前确定的原则，本文暂设“随需”服务用户以其提交需求的90%负荷量从中长期市场购买，同时考虑到用户入网行为的不确定性，剩余10%从日前市场购买[29-30]。中长期市场分时电价及预测日前市场24 h电价如图3所示[31]。

本文设置对比场景对“预约/随需”服务模式效果进行分析，各场景设置如下：

场景1：服务模式为“即插即用、充满即停”，用户充放电价格采用分时电价。为了方便对比，设置分时电价均价与场景2相同。

场景2：为用户提供快充服务、代管服务和V2G服务，但不提供“预约”服务，采用主从博弈方法制定统一服务价格。

场景3：在场景2的基础上，提供“预约/随需”服务，并为“预约”服务、“随需”服务差异化定价。

为了对比分析本文“预约/随需”服务模式价格引导方法的效果，采用蒙特卡洛方法对不同服务响应情况下的用户随机入网时段模拟4 000次，并在EVA净收益中计入电力市场购电成本变化及服务收益变化。

4.2 用户侧服务效用及选择行为分析

通过主从博弈模拟得到各场景下用户充放电成本情况，如图3所示，各场景下的服务价格情况如图4所示。

图3中，相对于场景1和场景2，场景3下用户总费用最低；场景3在降低用户总成本的同时，进一步减少了EVA购电成本、增加了EVA净收益，提升了用户-EVA的整体收益。这说明“预约/随需”服务模式能在减少用户充放电成本的同时，通过加强用户引导而提高EVA净收益。

另外，图3中具有预约潜力的用户在场景3下充放电成本大幅减小，同时图4(a)中场景3“预约/随需”最小价格曲线整体低于其他场景，这说明场景3下“预约”服务用户的成本降幅较大，并且随着更多用户逐步向“预约”服务转移，用户总费用也将进一步降低。

图3 不同场景下的用户成本与EVA收益Fig.3 The cost of users and the benefit of EVA in different scenarios

图4 各场景下定价结果Fig.4 Pricing results in various scenarios

图4(b)为场景3价格曲线，07:00—09:00、11:00—13:00、16:00—18:00时段内“预约”服务价格高于“随需”服务，因为这些时段内电力市场中长期合约价格与预测日前价格相差不大，EVA设定较高的“预约”服务价格将引导用户尽量依据日前价格调节充放电，保证负荷调节的灵活性。

在上述定价结果下对“预约/随需”服务模式下的用户效用进行分析，存在“预约”服务增值效益的用户分为两类，如图5(a)、图5(b)所示。

图5(a)所示，500个EV用户中“预约”服务总效用较高(Vi>1)的用户有285个，超半数用户有“预约”服务参与意向，说明“预约/随需”服务模式用户接受程度较高。这部分用户参与“预约”服务时充放电平均成本为17.32元/次，相较于“随需”服务下20元/次的平均成本有较大降幅，说明“预约”服务因其价格优势对用户有较大吸引力，可引导用户逐步向“预约”服务转变。

图5 “预约”服务用户的效用量化结果Fig.5 Quantitative results of the utility of the users of the reservation service

图5(b)中的用户虽能通过“预约”服务降低部分充放电成本，但其仍倾向选择“随需”服务(即总效用Vi<1)。这是因为此类用户更为重视充电便利性，并且节约充放电成本带来的经济效用不足以使其放弃便利性要求。

由此可见，本文所提服务模式，不仅能通过“预约”服务满足经济偏好类用户的需求，同时也为便利偏好类用户提供“随需”服务的选择，满足了用户多样化需求。

4.3 EVA价格引导结果分析

4.3.1 用户时移灵活性引导效果

EVA通过多时段定价的价格差异化方法进行用户时移灵活性引导，其效果主要表现在：吸引更多EV负荷移出高电价时段、移入低电价时段。

对用户入网随机性蒙特卡洛模拟结果加权综合，得到3种场景下充放电负荷情况如图6所示，可见3种场景下负荷量都与电价成负相关关系。但由于场景1使用分时电价，并且仅提供快充服务，因此其电价引导效果(即负荷量与电价的负相关程度)远不如场景2和场景3。这说明更短的价格变化周期、更多样灵活的充放电服务方式，都能进一步加强用户时移灵活性的引导效果。

另外，相较于场景2，“预约/随需”服务模式下的场景3中高电价时段放电量更大。这说明此模式更能充分挖掘用户侧馈电潜力，从馈电角度出发进一步加强了负荷引导效果。

图6 各场景下用户充放电情况Fig.6 Charging and discharging of users’ EVs in different scenarios

4.3.2 用户入网规律性引导效果

EVA通过“预约”服务、“随需”服务定价不同的价格歧视方法进行用户入网规律性引导，其效果主要表现在：通过服务选择区分不同规律性潜力的用户，利用价格优势吸引大量规律性潜力高的用户提前转变为确定性负荷。

如图6(c)所示，场景3模拟结果中，通过“预约”服务提前锁定的负荷量占总负荷量的1/3，说明用户对“预约”服务接受程度较高，完成了较大比例的用户入网规律性引导。同时由于场景3中通过“预约”服务提前确定了部分用户充放电行为，电量平衡成本也更小，如附录D所示，进一步展现了用户入网规律性引导的效果。

另外，在不同种类用户的入网特征方面，如图7所示，代管类用户和V2G类用户的预约电量占比高，规律性引导作用更好。同时结合用户入网灵活性进行分析，“预约”服务下的充电负荷集中在23：00到次日07:00时段，因为此时段价格在“预约”服务价格周期内相对较低，并且低于“随需”服务；此时段内入网规律性强的代管类、V2G类负荷占比大，说明具有电价低、价格降幅大特点的时段尤其适合规律性负荷。

图7 “预约”服务负荷引导结果Fig.7 Load guidance result of reservation service

4.3.3 EVA购电成本分析

EVA购电成本如表2、表3所示，由于场景1未能合理引导充放电而使得其总成本远高于其他场景；相对于场景2，场景3下中长期市场购电成本较高，但由于较好把握了用户需求而大幅降低了日前市场购电成本，同时合理利用用户侧放电潜力，获得了较高的售电收益，所以场景3下总购电成本最低。

表2 各场景下EVA购电成本对比(日前市场)Table 2 Comparison of purchase costs of EVA (day-ahead market) 元

表3 各场景下EVA购电总成本对比Table 3 Comparison of total purchase cost of EVA in different scenarios 元

5 结 论

本文基于EV用户入网规律性、时移灵活性两个维度的引导潜力，提出EVA“预约/随需”充放电服务模式。通过不同服务模式下用户-EVA效益的对比得到以下结论：

1)“预约/随需”服务模式不仅能以不同时段价格引导的方式，鼓励灵活性较高的EV用户进行负荷时移，同时也能以较低的预约价格鼓励用户提前确定需求，在时移灵活性和入网规律性两方面都有较好的引导效果，用户接受程度高。

2)EVA在“预约/随需”服务模式下，通过减少EV入网随机性的方式提高其负荷预测精度，进而减少上层电力市场的购电成本，提升服务收益。

由此可见，本文所提出的“预约/随需”充放电服务模式将进一步发挥用户调节潜力。在未来的研究中，可深入考虑上层电力市场价格波动对定价策略的影响，并对用户实时入网行为下的滚动电价深入研究。