充电服务商参与电力市场的资源配置与运营策略分析

胡泽春

充电服务商参与电力市场的资源配置与运营策略分析

胡泽春

(清华大学电机工程与应用电子技术系，北京 100084)

电动汽车充电服务商聚合充电负荷资源参与电力市场，不但可以提升电力系统运行的安全性和经济性，还可以获得市场收益和补偿、降低电动汽车用户充电成本，实现多方共赢。首先对电动汽车参与电力市场的潜力和充电服务商的优势因素进行分析，提出了充电服务商参与电力市场之前，在资源配置方面应解决的主要问题。在运营阶段，提出了充电服务商参与电力市场的运营策略构架，并针对关键技术(包括充电负荷预测与调节能力评估、充电价格弹性分析与定价策略、投标策略和在线控制策略)的实施进行了分析。

电动汽车；充电服务商；优化运营；电力市场

0 引言

随着以风电和光伏为代表的可再生能源发电渗透率的提升，电力系统的安全经济运行亟需可灵活调控的资源。近年来，分布式资源通过聚合商参与电力市场或提供辅助服务是国内外发展的重要方向。电动汽车作为一种分布式灵活资源，其调控潜力大、成本低。因此，充电服务商作为聚合商参与电力市场具有很好的发展形势。

电动汽车充电作为一种新型的负荷，因为同时具有随机性和时空可控性而受到广泛关注[1-2]。在充电负荷特性分析[3]、充电负荷预测[4]、充电负荷对配电网影响评估的基础上，国内外对充电负荷的调控策略开展了大量研究。充电负荷调控可以分为多个层级，包括充电桩、充电站、配电网[5]、充电服务商和大电网层级[6]。调控的目标包括降低充电费用、削峰填谷、优化电网运行、为电力系统提供调频、备用等辅助服务。充电负荷的调控方式大体可分为价格与激励方式、集中式调控方式[7]和分布式调控方式[8-9]，集中式调控可进一步分为单层和多层调控模式。

由于单个充电负荷或充电站的功率相对较小，在充电桩或充电站层面的充电负荷调控一般只能根据充电价格对本地的功率平衡进行优化。大规模电动汽车的充电负荷需要通过充电服务商、负荷聚合商或虚拟电厂聚合后才能发挥其规模化效应。国内外已有一些对电动汽车聚合参与电力市场的研究。如文献[10]针对充电量较大的电动公交场站，提出了参与月度电力交易的策略。文献[11]提出了电动汽车聚合商参与日前电力市场的分层优化方法，考虑了电动汽车充电需求的不确定性。文献[13]对含电动汽车充电站的虚拟电厂，提出了日前优化调度策略。文献[13]提出了含电动汽车和需求响应的虚拟电厂同时参与双边合同、日前市场、日内和平衡市场的竞标策略。

考虑到目前充电服务商已具备参与电力市场的条件，本文首先探讨充电服务商参与电力市场的资源配置问题。在此基础上，提出了充电服务商参与电力市场运营策略构架和关键运营技术，并对每项技术的解决方案和难点进行了分析。

1 充电服务商参与电力市场的资源配置

1.1 充电负荷的可引导与可调控性

不同类型电动汽车的行为特性、充电需求和充电负荷的灵活性可能相差很大。以下是针对主要类型电动汽车可引导和可调控性的分析。

1) 电动公交车。电动公交车的日平均行驶里程长、充电需求高、车辆运营规律性强、充电场站集中，便于充电管理和调度。对电池容量超过150 kWh(甚至超过300 kWh)的电动公交车，在白天和晚上充电的时间和功率一般均有调度空间。对于电池容量较小、在运营时段采用大功率快速补电的电动公交车，一般仅能够在夜间非运行时段进行有序充电。

2) 私家车。私家车的平均日行驶里程短，单车的充电需求不大，但一般在白天工作时段和夜间停驶时间长，充电可调度的范围大。未来私家电动车的数量庞大，是充电调控的重要资源。

3) 物流车。物流车可集中调度和安排充电，具有调控潜力，但具体的调控能力与车型、数量和运营安排密切相关。

4) 网约车。对于使用公共充电设施补电的网约车，虽然在充电时的功率一般不可调整，但何时、何地充电具有一定程度的可调控性。

1.2 充电服务商参与电力市场的优势

电动汽车充电服务商参与电力市场可以挖掘以下3方面的优势。

1) 充电负荷灵活性。如1.1节所示，电动汽车充电负荷是特殊的灵活性资源，可通过技术和经济手段挖掘其参与电力市场的潜力，在不影响电动汽车使用的情况下，使得充电服务商和车主均可获益。

2) 站址资源优势。电动汽车充电站内可以配置电池储能系统，在有条件的场站还可以安装光伏等分布式电源，从而提高充电运营商参与电力市场的竞争力。

3) 平台资源优势。充电服务商已配置了可以监控充电设施的信息化平台，在此平台上可以开发与电网调度进行信息交互的接口和参与电力市场的高级应用功能。进一步，此平台还可以接入其他灵活资源，使得充电服务商成为虚拟电厂运营商。

1.3 充电服务商参与电力市场的资源配置问题

充电服务商聚合充电负荷资源参与电力市场，主要需解决以下资源配置问题。

1) 如何确定参与电力市场的充电设施类型与规模。充电运营商可能为多种类型的电动汽车提供充电服务，包括专用、私人和公共充电设施等。不同类型电动汽车和充电设施具有的调控潜力不同，应根据车辆的运行和充电行为特性等因素，选择调控潜力大、调控代价低的充电设施/电动汽车参与电力市场。

2) 如何评估参与电力市场的成本与收益。对充电服务商而言，参与电力市场的成本包括软硬件系统改造、新增投入人力和向电动汽车车主提供补贴/激励等。本文讨论的充电服务商参与电力市场包括提供辅助服务、参与电能交易等。充电服务商的收益与具体的电力市场类型相关，一般具有一定的不确定性。

3) 如何提升充电负荷的可控性。提升充电负荷可控性主要包括充电相关信息的收集、充电负荷可控性评估、软硬件评估改造、激励车主的商业模式和制定精细化控制策略等方面工作。

4) 如何配置参与调控的软硬件平台。配置软硬件平台的目标主要包括3方面：(1) 获取更多的信息，辅助充电引导或调控；(2)与电网调度、电力市场交易部门的信息交互；(3) 实现对充电设施的调控、用户发布信息和结算。

5) 如何配置参与调控的其他资源。如果条件允许，充电服务商可在综合成本效益分析的基础上进行资源配置的优化，包括投资分布式电源、投资储能设备和纳入第三方可调控资源等。

2 充电服务商参与电力市场的运营策略

2.1 充电服务商运营决策构架与关键技术

电动汽车充电服务商参与电力市场的运营决策构架如图1所示。图中示意了充电服务商聚合充电设施、电池储能和分布式光伏资源参与电力市场，图中将充电服务商的决策系统划分为3个部分：充电服务的差异化定价决策、参与电力市场的投标决策和在线调控决策。

图1 充电服务商运营决策构架

充电服务商参与电力市场交易的目标一般是实现自身收益的最大化，在考虑市场与调控规则约束的条件下，充电服务商应解决以下关键技术。

1) 充电负荷预测与调节能力评估。与普通电力负荷的功率曲线预测不同，充电服务商若能够预测充电负荷功率和电量的上下界曲线，形成类似区间预测的结果，则可用于充电功率的优化控制。对于不能调控的充电负荷，可预测其充电功率曲线。

2) 参与电力市场投标或调控能力申报。充电服务商在向电力市场组织方/电网调度部门提交其投标或申报调节范围前，应基于充电负荷预测与调节能力评估的结果，综合考虑电网的需求、市场价格和竞争对手行为，制定最佳的投标或申报方案。

3) 对充电负荷实施在线控制。充电服务商根据已被市场出清/电网确认的功率曲线，对充电负荷实施在线控制，最大化自身收益或最小化偏差损失。

2.2 充电负荷预测

电动汽车充电需求受天气条件、日期类型等多种因素的影响，具有一定的不确定性。但随着电动汽车数量规模的增长，电动汽车群体的充电负荷也可以较为准确的预测。图2为某市2014年一天的实际充电负荷曲线和预测结果。当时的充电功率较小，但采用小波神经网络进行预测，预测精度可超过80%。

2.3 电动汽车充放电调控能力分析

充放电可调控能力的评估是充电服务商参与电力市场投标和实施充电功率控制的基础。为不失一般性，这里考虑电动汽车可以放电的情况。对于一定规模的电动汽车，其总的可调控能力可采用集合模型来表示。

图2 充电负荷曲线与日前预测结果

图3 电动汽车充(放)电过程的边界示意图

1) 电动汽车接入充电设施充电时，用户一般不上报离开时间和期望的SOC水平；

2) 对交流充电设施而言，国内目前采用的充电接口标准无法获知电动汽车电池的SOC状态；

3) 对没有在充电服务商平台准确建立档案的电动汽车，无法获知其动力电池的额定电量。

为解决以上问题，充电服务商可加强与电动汽车用户的信息交互，最大限度地通过多个途径获取车辆信息和充电需求。

2.4 充电负荷的价格弹性分析方法与定价策略

充电功率可调控的充电需求具有时间上的价格弹性[16]。充电需求在空间上的可移动性是电动汽车的一大特点。通过价格引导或激励机制，甚至可以调动部分电动汽车到指定的地点进行充电或放电。因此，对于在公共充电站满足的充电需求，具有一定的时间和空间弹性。

电动汽车充电需求的价格弹性难以采用理论方法计算。当具备一定的数据积累时，可采取基于实际数据的人工智能方法进行评估。以获得的充电弹性为基础，可进一步制定充电服务的定价策略，以最大化充电服务商的收益，如图4所示。

图4 基于数据驱动的充电价格弹性评估与优化定价

图5 条件随机场模型示意图

为考虑充电负荷的时空弹性，则需要对以上条件随机场模型进行扩展。我国很多地区采用峰谷平分时电价，则考虑充电负荷时空弹性的框架如图6所示。图中没有显示隐式随机变量对应的价格。

图6 考虑充电负荷时空弹性的框架

在获取价格弹性之后，可以建立以充电服务商收益最大为目标的优化问题进行求解，获取每个充电站最佳的定价方案。

由于充电行为的复杂性和充电服务市场的竞争性，充电需求价格弹性分析和充电服务定价存在以下困难。

1) 同一个地区一般有多个充电服务商，单个充电服务商难以准确掌握竞争对手的充电负荷，因而对充电价格弹性评估的准确性会造成影响。

2) 充电价格定期调整可以更好地反映供需关系，但合理的调价周期难以确定。

2.5 参与市场交易的投标与控制策略

2.5.1投标策略

充电服务商的投标策略与参与市场的类型相关。文献[10]提出了电动公交车充电站代理商的月度交易模型以及对应的日运行优化策略。这里以电动汽车充电服务商参与日前调峰辅助服务市场为例，给出其日前投标的基本优化模型。

目标函数如式(1)所示。

约束条件如式(2)—式(6)所示。

2.5.2 控制策略

文献[7]对电动汽车与电网互动的控制策略进行较为详细的分析。在实时运行阶段，充电服务商的调控要求具体到每一辆电动汽车(即每一个充电桩)，因而需要快速的控制决策方法[17-18]。在有条件的充电站，服务商可下发充电站的整体调节指令，而站内每个充电桩的充电功率由站级管理系统进行决策。

在实时运行阶段，充电服务商对充电功率进行控制，以尽可能与市场出清结果或电网调度指令一致，目标函数如式(7)所示。

需要说明的是，以上优化模型没有考虑充电机的启停情况(启动的充电机一般有最小充电功率限制)。充电服务商的分层优化控制方法和实施流程，可参考文献[7]。

3 结论

随着有序充电、电动汽车与电网互动技术的推广应用，通过虚拟电厂或充电服务商聚合电动汽车参与电力市场可以释放出大规模电动汽车充放电的调节潜力。本文首先对充电服务商参与电力市场的优势和需要解决的资源配置问题进行分析，然后论述了充电服务商参与电力市场的运营策略构架和关键技术。综合而言，提高充电负荷的预测和充放电调控能力评估精度是充电服务商的核心竞争力，投标和运行控制策略是充电服务商提升收益的关键。此外，充电运营商的收益依赖于市场规则和提供辅助服务补偿的力度，具有一定的不确定性。

[1] 胡泽春, 宋永华, 徐智威, 等. 电动汽车接入电网的影响与利用[J]. 中国电机工程学报, 2012, 32(4): 1-10, 25.

HU Zechun, SONG Yonghua, XU Zhiwei, et al. Impacts and utilization of electric vehicles integration into power systems[J]. Proceedings of the CSEE, 2012, 32(4): 1-10, 25.

[2] 胡海涛, 郑政, 何正友, 等. 交通能源互联网体系架构及关键技术[J]. 中国电机工程学报, 2018, 38(1): 12-24, 339.

HU Haitao, ZHENG Zheng, HE Zhengyou, et al. The framework and key technologies of traffic energy internet[J]. Proceedings of the CSEE, 2018, 38(1): 12-24, 339.

[3] 胡宇航, 皮一晨, 崔静安, 等. 电动汽车充电站负荷建模研究[J]. 电力系统保护与控制, 2017, 45(8): 107-112.

HU Yuhang, PI Yichen, CUI Jing’an, SUN Jianjun. Research on electric vehicle charging station modeling[J]. Power System Protection and Control, 2017, 45(8): 107-112.

[4] 彭曙蓉, 黄士峻, 李彬, 等. 基于深度学习分位数回归模型的充电桩负荷预测[J]. 电力系统保护与控制, 2020, 48(2): 44-50.

PENG Shurong, HUANG Shijun, LI Bin, et al. Charging pile load prediction based on deep learning quantile regression model. Power System Protection and Control, 2020, 48(2): 44-50.

[5] 占恺峤, 胡泽春, 宋永华, 等. 考虑三相负荷平衡的电动汽车有序充电策略[J]. 电力系统自动化, 2015, 39(17): 201-207.

ZHAN Kaiqiao, HU Zechun, SONG Yonghua, et al. A coordinated charging strategy for electric vehicle three-phase load balance[J]. Automation of Electric Power Systems, 2015, 39(17): 201-207.

[6] 姚伟锋, 赵俊华, 文福拴, 等. 集中充电模式下的电动汽车调频策略[J]. 电力系统自动化, 2014, 38(9): 69-76.

YAO Weifeng, ZHAO Junhua, WEN Fushuan, et al. Frequency regulation strategy for electric vehicles with centralized charging[J]. Automation of Electric Power Systems, 2014, 38(9): 69-76.

[7] 胡泽春, 宋永华, 刘辉. 电动汽车与电网互动的调控策略[M]. 北京: 科学出版社, 2019.

[8] NIMALSIRI N I, MEDIWATHTHE C P, RATNAM E L, et al. A survey of algorithms for distributed charging control of electric vehicles in smart grid[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(11): 4497-4515.

[9] MALHOTRA A, BINETTI G, DAVOUDI A, et al. Distributed power profile tracking for heterogeneous charging of electric vehicles[J]. IEEE Transactions on Smart Grid, 2017, 8(5): 2090-2099.

[10] 李睿雪, 胡泽春, 段小宇. 电动公交车充电站代理商的月度交易模型与日运行优化策略[J]. 电力建设, 2019, 40(1): 27-34.

LI Ruixue, HU Zechun, DUAN Xiaoyu. Monthly Bilateral electricity transaction model and daily optimal operation strategy for the agent of electric bus charging stations[J]. Electric Power Construction, 2019, 40(1): 27-34.

[11] PORRAS Á, FERNÁNDEZ-BLANCO R, MORALES J M, et al. An efficient robust approach to the day-ahead operation of an aggregator of electric vehicles[J]. IEEE Transactions on Smart Grid, 2020, 11(6): 4960-4970.

[12] 应飞祥, 徐天奇, 李琰, 等. 含电动汽车充电站商业型虚拟电厂的日前调度优化策略研究[J]. 电力系统保护与控制, 2020, 48(21): 92-100.

YING Feixiang, XU Tianqi, LI Yan, et al. Research on day-to-day scheduling optimization strategy of a commercial virtual power plant with an electric vehicle charging station[J]. Power System Protection and Control, 2020, 48(21): 92-100.

[13] 周亦洲, 孙国强, 黄文进, 等. 计及电动汽车和需求响应的多类电力市场下虚拟电厂竞标模型[J]. 电网技术, 2017, 41(6): 1759-1767.

ZHOU Yizhou, SUN Guoqiang, HUANG Wenjin, et al. Strategic bidding model for virtual power plant in different electricity markets considering electric vehicles and demand response[J]. Power System Technology, 2017, 41(6): 1759-1767.

[14] ZHANG H, HU Z, XU Z and SONG Y. Evaluation of achievable vehicle-to-grid capacity using aggregate PEV model[J]. IEEE Transactions on Power Systems, 2016, 32(1): 784-794.

[15] 段小宇, 胡泽春, 崔岩, 等. 长时间尺度下的电动汽车有序充放电调度[J]. 电网技术, 2018, 42(12): 4037-4044.

DUAN Xiaoyu, HU Zechun, CUI Yan, et al. Optimal charging and discharging strategy for electric vehicles in large timescales[J]. Power System Technology, 2018, 42(12): 4037-4044.

[16] 陈静鹏, 艾芊, 肖斐. 基于集群响应的规模化电动汽车充电优化调度[J]. 电力系统自动化, 2016, 40(22): 43-48.

CHEN Jingpeng, AI Qian, XIAO Fei. Optimal charging scheduling for massive electric vehicles based on cluster response[J]. Automation of Electric Power Systems, 2016, 40(22): 43-48.

[17] VAGROPOULOS S I, KYRIAZIDIS D K, BAKIRTZIS A G. Real-time charging management framework for electric vehicle aggregators in a market environment[J]. IEEE Transactions on Smart Grid, 2016, 7(2): 948-957.

[18] 陈凯炎, 牛玉刚. 基于V2G技术的电动汽车实时调度策略[J]. 电力系统保护与控制, 2019, 47(14): 1-9.

CHEN Kaiyan, NIU Yugang. Real-time scheduling strategy of electric vehicle based on vehicle-to-grid application[J]. Power System Protection and Control, 2019, 47(14): 1-9.

Analysis of resource allocation and operation strategy for charging service providers to participate electricity markets

HU Zechun

(Department of Electrical Engineering, Tsinghua University, Beijing 100084, China)

Electric vehicle charging service providers aggregate charging load resources to participate in electricity markets, which can not only improve the safety and economy of power system operation, but also obtain market benefits or compensation, reduce the charging cost of electric vehicle users, and achieve a win-win situation for all parties. This paper first analyzes the potential of electric vehicles to participate in electricity markets and the advantages of charging service providers, and puts forward the main problems that charging service providers should solve in terms of resource allocation before participating in the markets. In the operation stage, this paper proposes the operational strategy framework for charging service providers to participate in electricity markets, and analyzes the implementations of the related key technologies, including charging load forecasting and regulation capability evaluation, charging price elasticity analysis and pricing strategies, bidding strategies and online control strategies.

electric vehicle; charging service provider; optimal operation; electricity market

国家自然科学基金项目资助(U1766205)

This work is supported by the National Natural Science Foundation of China (No. U1766205).

2022-07-20；

2022-09-25

胡泽春(1979—)，男，博士，副教授，研究方向为电动汽车、能源与交通系统融合、电力系统优化运行、电力系统规划。E-mail: zechhu@tsinghua.edu.cn