规模化电动汽车参与电力系统二次调频研究综述

付卓铭，胡俊杰，马文帅，姚丽

(新能源电力系统国家重点实验室(华北电力大学), 北京市 102206)

0 引 言

近年来，随着化石能源储备减少以及碳排放造成的环境问题加剧，可再生能源的开发与利用得到了快速发展。我国提出力争在2030年前实现碳达峰，2060年前实现碳中和的“双碳”目标，并指出要实施可再生能源替代行动，深化电力体制改革，构建以新能源为主体的新型电力系统[1]，新能源发电得到高水平快速发展。但是，由于新能源出力具有间歇性、不确定性及波动性等特点[2-4]，大规模新能源发电接入电网将影响系统的电力电量平衡[5]并加重系统调频资源需求，同时，新能源发电代替传统机组发电将导致系统惯量水平下降进而削弱系统调频能力，给新能源电力系统频率稳定控制带来巨大挑战[6-7]。

随着我国电动汽车的大量普及[8-9]与车网互动技术[10]的发展，利用电动汽车的灵活性参与电力系统调频成为一种经济[11]、高效[12]的调频手段。已有研究表明，通过对电动汽车充放电行为进行合理引导与管理，可以实现在满足用户出行需求的情况下为系统提供调频服务[13-14]。由于充电设施分散且电动汽车单体容量较小不足以直接参与调频，目前研究主要通过聚合商对电动汽车资源进行集中管理并作为代理参与系统调频辅助服务[15]。近年来，我国电力市场建设不断发展，江苏、山西等多地先后出台辅助服务市场交易实施细则[16-18]，允许独立辅助服务供应商汇集需求侧响应资源参与调频市场交易，为规模化电动汽车参与调频辅助服务市场提供了政策支撑。同时，规模化电动汽车参与调频辅助服务可以保证电网、聚合商和用户三方受益，对于电网而言，电动汽车的响应速度和爬坡能力优于传统调频机组[19]，可以进行快速响应调频，文献[12]通过仿真证明采取含电动汽车的调频控制策略产生的频率误差远小于仅用常规机组的调频策略；对于聚合商而言，可以通过平衡充电成本与辅助服务收益实现收益最大化[20]；对于电动汽车用户，已有研究表明用户可以通过提供调频辅助服务获得经济效益[21-22]，文献[23]考虑电池损耗对电动汽车参与调频过程进行经济性评估，结果表明现有V2G(vehicle-to-grid)调频监管可以保证用户参与调频所获收益高于电池损耗成本。

目前，关于电动汽车参与调频辅助服务的研究已经广泛开展，为了推动电动汽车调频的发展与应用，本文对近年来规模化电动汽车参与电力系统调频辅助服务关键方法进行综述，尤其是对电动汽车参与二次调频进行总结。首先，总结电动汽车参与调频辅助服务的系统框架，将现有电动汽车可调节容量量化方法归纳为可调节容量直接量化方法和能量可行域量化方法，并进行对比分析；然后，从日前优化调度和实时控制两方面总结规模化电动汽车参与电力系统二次调频的模型及研究方法；最后，展望规模化电动汽车参与电力系统二次调频未来的研究方向和关键技术。

1 电动汽车参与调频辅助服务系统框架

考虑到资源分布特性，电动汽车为系统提供调频辅助服务主要采取分散接入、集中控制的管理模式[24]，利用通信技术实现电网调度中心、电动汽车聚合商和电动汽车用户三个主体之间的分层管理[25]，规模化电动汽车参与调频辅助服务系统框架如图1所示。

图1 电动汽车参与调频辅助服务系统框架Fig.1 System framework of electric vehicle participation in frequency-regulation ancillary service system

在该框架中，充电桩获取电动汽车用户电池荷电状态(state of charge, SOC)并上报给聚合商，聚合商根据车辆信息进行电动汽车集群可调节容量量化[26]并参与调频辅助服务市场，电网调度中心根据系统调频需求及聚合商的上报信息下发调频指令。

在日前阶段，聚合商考虑电动汽车充放电计划等不确定量，以自身收益期望最大为目标建立联合参与能量-调频辅助服务市场日前优化调度模型，在日内阶段，电网调度中心根据日前的出清结果与电网调频需求给聚合商下发自动发电控制(automatic generation control, AGC)指令，聚合商接收到调频指令后，在满足用户充电需求的前提下，将调频指令分解至各电动汽车充电桩，充电桩执行AGC调频指令完成调频响应过程。

2 规模化电动汽车可调节容量量化

可调节容量表征电动汽车的调节潜力，为规模化电动汽车参与电力系统调频提供依据，聚合商根据可调节容量量化方法建立日前优化调度模型并确定AGC功率实时分配策略。目前可调节容量量化方法主要分为两类：1)直接量化电动汽车可上调节容量与可下调节容量；2)刻画电动汽车运行的能量可行域。下面将分别对这两种方法展开说明。

2.1 可调节容量直接量化

电动汽车可调节容量分为可上调节容量和可下调节容量。其中，可上调节容量是指当系统频率需要上调时，电动汽车减小充电功率或者向系统反向注入功率时的功率变化量；可下调节容量与之相反，即电动汽车增大其充电功率或减小其放电功率时的功率变化量。电动汽车的基线功率、可上调节容量与可下调节容量的功率关系具体如图2所示。

图2 电动汽车可调节容量与基线功率关系图Fig.2 Diagram of base power and adjustable power capacity of the electric vehicle

(1)

(2)

(3)

图3 电动汽车可调节容量量化示意图Fig.3 Schematic diagram of the electric vehicle adjustable capacity quantization

(4)

(5)

直接量化方法清晰直观地给出了电动汽车单体和集群的可调节能力，在电动汽车参与系统调频及优化调度问题中应用广泛。文献[29]提出了时间轴离散化的可调节容量量化方法，该方法考虑电动汽车充电功率边界与电量边界，分别分析了电动汽车单体与集群的可调节容量。文献[30]通过荷电状态裕度和响应时间裕度从能量和时序两方面表征电动汽车单体的最大响应能力，并进一步构建了配电网节点电动汽车集群动态可调控能量裕度模型；文献[31-32]综合考虑用户出行需求、电池寿命、电池电量等约束，提出了一种规模化电动汽车实时可调节容量评估方法辅助电网调频；文献[33]基于电动汽车状态估计模型提出电动汽车最大可提供向上、向下灵活性的计算方法，并将车主满意度引入电动汽车灵活性控制。以上文献基于用户约定充电计划对电动汽车单体和集群的可调节容量进行评估，并进一步分析不同充电策略和应用场景对集群实时可调节容量的影响，所得评估结果充分挖掘了电动汽车的调节潜力，但不能直接作为后续参与调频辅助服务市场时的聚合商申报量，聚合商将以自身收益最大化为目标对调节容量进行优化求解[34-36]，具体模型在第3节中详细介绍。

此外，文献[37-38]采用机器学习技术预测电动汽车可调节容量，其中文献[37]不仅预测了可调节容量的时间分布，还利用卷积神经网络二维数据预测优异表现对电动汽车可调节容量的空间分布进行预测，以满足实时调控的需求。文献[38]基于需求响应信号与电动汽车历史数据，采用TCN-tansformer网络预测了电动汽车多时间尺度的可调节容量，并分析了不同时间尺度下可调节容量的特点。

2.2 能量可行域量化

针对可调节容量直接量化方法在大规模电动汽车集群优化调度等应用中存在的优化变量及约束条件繁多问题，已有研究提出通过能量可行域方法[39-45]表征集群的调节能力，将电动汽车单体能量可行域聚合得到整合的电动汽车集群能量可行域空间，以集群的功率及能量作为后续模型中的优化变量，在降低模型维度的同时保留了变量间的关系。

单体电动汽车能量可行域如图4所示，根据电动汽车入网电量与电池容量下限之间的大小关系，将能量可行域分为图4(a)和(b)两种情况。

图4 单体电动汽车可行域示意图Fig.4 Feasible region diagram of a single electric vehicle

考虑多次充电行为的耦合性，文献[42]提出了基于区间初始状态的改进电动汽车充电和行驶行为边界模型，并进一步构建了电动汽车“充电-行驶-充电”全过程能量轨迹边界模型。在电动汽车单体能量可行域的基础上，文献[43-44]提出了基于闵可夫斯基和的电动汽车集群可调节容量量化方法，通过闵可夫斯基加法将单体的功率和能量边界求和得到集群功率及能量边界，将电动汽车集群等效为虚拟电池(virtual battery, VB)。其中，文献[44]将基于闵可夫斯基和求得的虚拟电池参数作为电动汽车集群可调度能力，将压缩后的集群数据作为训练数据输入神经网络，对日前可调度能力进行预测；文献[43]则考虑了电动汽车集群的不确定性，提出了一种具有鲁棒边界的通用虚拟电池模型。此外，文献[46-47]通过构造多面体集合表征电动汽车集群的可行域空间。

综上，可调节容量直接量化方法和能量可行域量化方法的优点与局限性对比如表1所示，其中可调节容量直接量化方法适用于聚合商向电网调度中心上报申报计划[16,48]的场景；而能量可行域量化的方法适用于聚合商参与调频辅助服务市场时运行功率的优化。

表1 可调节容量量化方法对比Table 1 Comparison of adjustable capacity quantification methods

3 日前优化调度

3.1 目标函数

在日前阶段，电动汽车聚合商联合参与现货与调频辅助服务市场[49]，将可调节容量、容量价格与里程价格[50]等信息进行上报。在建立聚合商联合参与现货与调频辅助服务市场日前优化调度模型时，通常以聚合商净收益最大作为目标函数：

maxF=F1-F2+F3-F4-G

(6)

式中：F表示聚合商净收入；F1表示聚合商向用户收取的充电费用，即售电收益；F2表示聚合商从电网购电成本；F3表示聚合商提供调频辅助服务获得收入；F4表示聚合商补贴给用户的电池损耗成本；G表示惩罚项。目标函数各项具体含义如下：

1)售电收益。

(7)

2)购电成本。

(8)

3)调频辅助服务收益。

调频辅助服务收益由调频容量收益和调频里程收益两部分组成，文献[51]对PJM、MISO和CAISO等代表性北美独立系统运营商的调频服务结算规则进行了分析对比，并总结了基本结算模式：

(9)

(10)

(11)

4)电池损耗成本。

由于电动汽车的电池容量会随放电循环次数的增加而衰减，聚合商为了激励电动汽车用户参与调频辅助服务市场，对电池损耗部分折算成本并进行补偿，文献[52]将电池总成本按比例分配到各放电深度区段，通过分配到某一段放电深度的放电功率与边际退化成本的乘积近似估计电动汽车电池的循环老化成本；文献[53]建立计及放电深度与放电区间的电池循环寿命损耗模型，根据某次放电行为折算成的等效循环次数与标准测试条件下循环寿命之比分配电池总投资，得到电池寿命损耗成本。

5)惩罚项。

已有研究通过在目标函数中加入惩罚项来规避聚合商在参与调频过程中的风险。针对聚合商为用户提供的基础充电服务，文献[34]将用户电量缺额补偿作为惩罚项加入目标函数中，降低因充电不足造成的保底电量低于承诺值的风险；针对聚合商为系统提供的调频辅助服务，需要考虑其可调节容量不确定性对调频表现造成的影响，文献[54]利用蒙特卡洛随机模拟方法得到用户实际可控容量，通过对实际与中标容量偏差值进行补偿实现损失风险量化，文献[55-56]基于条件风险价值(conditional value at risk, CVaR)理论对风险成本进行量化。对于给定置信度β，对应的风险价值成本CVaR和条件风险价值成本CCVaR分别为[57]：

(12)

式中：ρ(ξ)表示决定风险损失的随机变量ξ的概率密度函数；h(ξ,x)表示风险损失函数，其中x为决策变量；ψ(x,α)为风险损失不大于α的概率分布函数。

条件风险价值CVaR理论在应用中的关键在于针对不同种类风险设置随机变量并表征风险损失函数，文献[55]考虑聚合商向系统提供调频备用不足和向电动汽车用户提供充电电量不足两种风险，将随机变量设置为系统调频累计电量需求、可调用电动汽车数量和有充电需求的电动汽车数量，将风险损失函数表征为对上/下调节功率偏差和用户短缺电量的补偿；针对用户充放电过程中的中断退出行为，文献[56]对该行为造成的损失容量进行补偿，实现聚合商对不同级别控制度车群的约束。

3.2 约束条件

聚合商参与电力系统调频日前优化调度模型的约束条件主要包括电动汽车充放电功率约束、电动汽车SOC约束及调频容量约束。

1)单辆电动汽车充放电功率约束：

(13)

(14)

同时充放电功率应满足互斥约束：

(15)

2)单辆电动汽车SOC约束：

(16)

(17)

3)单辆电动汽车调频容量约束：

单辆电动汽车调频容量约束为式(1)—(2)。

3.3 随机优化

随机优化(stochastic optimization, SO)以随机变量的概率分布为基础通过期望值模型和多场景模型等求解含不确定性的优化问题，在日前调度优化问题中得到了广泛应用。

针对电动汽车用户出行行为的不确定性，通常设定相关变量概率分布类型并抽样模拟。多数研究设定电动汽车入网时间、离网时间和充电初始SOC服从标准正态分布，再进行蒙特卡罗抽样模拟。文献[58]设定电动汽车起始充电和放电时间服从Poission分布特性，并基于经济学原理提出了电动汽车放电需求函数；文献[59]采用蒙特卡罗模拟抽取大量历史行车数据来预测电动汽车负荷时空分布；文献[60-61]将电动汽车出行时刻、行驶时间、行驶里程和出行目的作为特征量构成用户出行链，采用高斯混合分布(Gaussian mixture model，GMM)对特征量的概率密度函数进行拟合并通过蒙特卡罗模拟抽取样本形成完整的出行链，模拟用户出行行为。

对于日前阶段需要考虑的系统AGC调频信号不确定性，则更多地通过生成典型场景集进行刻画。文献[62]提出了一种电动汽车与机组联合调频的两阶段随机优化调度模型，通过生成调频场景集在目标函数中加入对调频需求量不确定性的考虑，在满足实时调频信号需求的情况下求解日前优化调度策略；文献[63]考虑次日风电出力预测多个场景，建立考虑弃风功率限制的聚合商日前优化调度模型。

3.4 鲁棒优化

鲁棒优化(robust optimization, RO)通过求解最恶劣场景下的目标函数最优值确保所有约束条件严格成立，对参数的不确定性进行充分考虑。鲁棒优化不同于随机优化需要随机变量的概率分布模型，只需要考虑随机变量的分布区间，在电力系统机组组合[64-65]、需求侧响应[66]与调峰调频[67]等问题中已经得到了广泛应用。

针对鲁棒优化在电动汽车参与调频日前优化调度中的应用，文献[68]考虑能量和调频辅助服务市场价格的不确定性，采用数据分析方法根据历史价格数据和负荷预测信息等对市场价格进行预测，通过求解日前能量与调频辅助服务市场协同调度的鲁棒优化模型得到日前调度策略；文献[14]通过设定最不利于电动汽车出行的调频信号建立鲁棒优化框架下的优化模型，确保能够在最大程度上满足调频需求。文献[69]采用两种数据处理方法分析调频信号和风电出力的概率分布，建立风储联合系统参与调频辅助服务的鲁棒优化模型。此外，针对鲁棒优化结果较为保守的问题，文献[70]采用数据驱动的分布鲁棒机会约束来描述电动汽车可调节能力的不确定性，在有限的历史数据样本上充分挖掘随机变量的概率分布信息。

综上，随机优化在应用时大部分需要设定随机变量的概率分布或者选取典型场景集，对极端样本的抗扰动能力较差；鲁棒优化仅需要知道不确定量的分布区间，其求解效率相对于随机优化有所提升，但由于鲁棒优化不包含历史场景中可利用的概率信息，往往得到过于保守的决策。除了以上两种方法，文献[71]基于动态规划法(dynamic programming, DP)提出了电动汽车聚合商参与调频辅助服务的优化调度模型，动态规划法可将日前调度优化问题这一多阶段决策问题转化为多个子问题进行求解，文献[72]采用马尔科夫链处理电动汽车充放电不确定性，为聚合商联合参与现货与调频辅助服务市场日前优化调度模型提供了新思路。

4 AGC调频实时控制

在规模化电动汽车参与AGC的实时控制策略方面，目前研究主要围绕不同调频资源间AGC调频信号分解、电动汽车间AGC实时功率分配和AGC指令跟踪三方面进行，本节将分别对其展开综述。

4.1 AGC调频信号分解

当电动汽车与传统机组、储能、风电等资源进行联合调频时，需要根据不同资源响应能力对AGC调频信号进行分解，在充分发挥电动汽车快速响应能力的同时提升调频效果，已有研究先后提出通过调频信号周期或频率分解[12,54,73-74]、按比例分解[75]和根据优先级分解[76]等方法。

通过信号的周期或频率对AGC调频信号进行分解，从调频信号中分离出适合电动汽车快速响应特性的高频分量部分。文献[54]采用经验模态分解法(empirical mode decomposition，EMD)将火电机组频率偏差信号进行分解；文献[12]通过巴特沃斯滤波器将调频信号进行分解并将高频分量分配给电动汽车承担；文献[73]采用集合经验模态分解(ensemble EMD，EEMD)方法将区域控制偏差(area control error, ACE)信号中不同时间尺度与趋势的分量进行逐级分解，产生固有模态函数(intrinsic mode function，IMF)分量，通过构造时空滤波器将原始ACE功率信号分解为两部分，阶数较低的IMF分量由储能承担；文献[74]采用分频技术，将调频信号经过低通滤波器后产生的高频偏差信号作为电动汽车集群的调频参考指令。

按比例分解方法指将AGC调频信号按照不同调频资源的调频能力进行分解，通常需要定义能够衡量不同资源调频能力的指标。根据优先级分解方法指电动汽车、储能等快速调频资源优先承担AGC调频信号，剩余部分由传统机组承担。文献[75]将储能设备“1分钟可持续充电或放电的能力”定义为动态可用AGC(dynamic available AGC, DAA)指标，并与基于比例和优先级的AGC调频信号分解方法进行结合，求取储能设备分解得到的AGC调频信号：

(18)

(19)

ugi=ui-ubi

(20)

式中：ui表示第i个控制区域的AGC调频信号；ubi和ugi分别表示储能资源和传统机组分解得到的AGC调频信号；vbi、wgi分别表示储能设备和传统机组的DAA指标。式(18)表示基于比例的AGC调频信号分解方法，根据所定义的DAA指标对AGC调频信号进行分解；式(19)和式(20)表示基于优先级的AGC调频信号分解方法。

4.2 AGC实时功率分配

在实时阶段，聚合商需要将调度中心下发的功率指令在不同电动汽车用户之间进行分配，目前研究主要采取按比例分配[12,77]、优先级排序[24,78]和求解优化模型[28,79-81]等传统的运筹学方法。

基于比例分配方法指聚合商根据单辆电动汽车荷电状态按比例分配系统调频AGC功率[12]：

(21)

(22)

式(21)表示由于频率上调时需要电动汽车在原有充电基准功率的基础上减小充电功率或放电，SOC越高的电动汽车优先级越高，分配到的调频功率越多；式(22)表示由于频率下调时需要电动汽车增大充电功率，SOC越低的电动汽车优先级越高。文献[82]在电动汽车参与二次调频控制中将频率偏差积分信号按照各电动汽车可调节容量进行分配。文献[83]在没有详细电动汽车充放电信息的情况下在控制中心实施考虑不确定性的调度方案，根据电动汽车可调节容量进行调频任务分配，并对预定的V2G功率进行实时修正。文献[84]对电动汽车调频能力进行滚动评估，并根据调频区间按比例分配调频指令。

基于优先级排序的AGC功率实时分配方法指根据电动汽车的荷电状态、充电需求等对集群进行划分，进而制定不同的调频参与方式。文献[85]提出计及电动汽车集群响应的调频策略，依据电动汽车荷电状态划分3种调频模式，不同模式采取不同的调频系数。文献[78]根据电动汽车所需充电时间及参与调频辅助服务的时间对集群进行分类并设定不同的调频参与计划。

通过建立优化模型进行AGC实时功率分配，可以在保证调频指令响应效果的同时兼顾用户用能需求、聚合商收益等因素，如表2所示。

表2 采用优化模型方法文献对比Table 2 Comparison of literature on optimization model method

考虑到模型中的非凸部分，已有研究[28,79-80]通过对模型中的非凸部分进行处理，将原问题转化为凸优化问题进行求解。文献[79]将电动汽车充放电互斥约束这一非凸约束放宽，并在目标函数中加入关于充放电功率变量的惩罚项，使原问题转化为凸优化问题；文献[28]在求解过程中对含凹函数的约束条件进行处理，利用凹凸过程算法[86]将原问题转化为凸优化问题。此外，也有研究通过启发式算法进行求解，文献[54]考虑充电行为的不确定性建立含电动汽车的虚拟电厂参与AGC调频决策模型，通过改进遗传算法求解调度策略。针对优化模型求解速度慢难以满足实时调频需求的问题，文献[34,81]为满足用户需求提出电量实时裕度参数，以下一时刻所有电动汽车裕度中的最小裕度最大化为优化目标建立线性模型进行实时功率分配。

4.3 AGC指令跟踪

为提高AGC实时控制中指令跟踪的准确度，已有研究提出通过模型预测控制(model predictive control, MPC)等控制算法对电动汽车充电行为进行滚动优化，实现AGC指令最优响应。

模型预测控制主要包括预测模型、滚动优化和反馈校正3个模块[87]，常用于解决含不确定性的控制问题[88]。MPC利用系统状态方程构建预测模型，对系统未来动态进行预测，通过滚动优化确定最优控制策略，并利用实际输出结果对预测结果进行修正，其基本思想如图5所示。

图5 模型预测控制基本思想示意图Fig.5 Schematic diagram of the basic idea of model predictive control

文献[89]提出了基于MPC的规模化电动汽车参与调频多模式控制策略，根据电动汽车集群实时可调负荷功率分段结果对AGC指令所属控制模式进行判断，并通过MPC对相应控制模式下的充电计划进行寻优求解，仿真结果表明该控制策略能够实现对AGC调频信号的准确快速追踪。为了提高控制信号的有效性，文献[90]提出一种基于Tube模型的鲁棒模型预测控制 (robust model predictive control, RMPC)方法，在常规MPC输出预测的基础上通过附加MPC利用系统提供的不确定输出信号和干扰观测器信号来产生控制策略，提高电动汽车集群的响应能力。文献[91]则利用MPC对含电动汽车集群的多区域互联电网负荷频率进行分散预测控制。

鲁棒控制方法由于具有良好抗干扰性也被应用于AGC中[92]，文献[77]提出一种基于线性矩阵不等式的电动汽车网络化鲁棒控制方法，将H∞鲁棒控制理论与PID控制相结合，通过设计H∞-PID混合控制器保证系统的鲁棒性并消除稳态误差。文献[74]在难以对含电动汽车的新能源电力系统精确建模的情况下，基于无模型自适应控制设计了滑模负荷频率控制器。文献[93]将一种基于社会学习自适应细菌觅食算法的AGC系统PID控制器参数优化设计方法应用于电动汽车调频，并通过模糊逻辑控制(fuzzy logic control, FLC)对控制器参数进行在线更新。

5 关键技术与研究方向展望

目前，规模化电动汽车参与电力系统二次调频研究已经取得了很大进展，但在实际推广过程中还面临调频效用不明晰、用户意愿随机和指令执行精度有限等问题。据此，对规模化电动汽车参与电力系统二次调频未来的研究方向以及关键技术作出如下展望：

1)规模化电动汽车参与调频效用评估。现阶段，规模化电动汽车参与电力系统调频的研究主要集中在优化调度方法上，少有研究对电动汽车产生的系统调频效用进行评估，电动汽车参与调频对系统频率稳定的贡献未知。因此，未来需对规模化电动汽车参与调频效用评估展开研究，量化电动汽车参与调频导致电力系统调频容量需求的变化。可以将模型驱动和数据驱动方法相结合量化系统调频容量需求，并建立规模化电动汽车参与调频效用评价指标体系，衡量电动汽车参与调频对系统调频容量需求的影响。

2)考虑用户意愿的可调节容量概率建模。用户是否愿意接受聚合商调控将直接影响可调节容量的量化，考虑到现有研究较少考虑用户意愿或未对用户意愿充分表征，未来可将电动汽车用户行为刻画与意愿不确定性建模作为电动汽车参与调频的研究方向之一。在已有用户意愿研究的基础上，采用问卷采集和满意度函数拟合等方法对电动汽车用户意愿进行建模，并进一步分析用户意愿不确定性对可调节容量量化的影响。

3)权衡收益与风险的日前优化调度方法研究。在日前调度方面，聚合商联合参与现货与调频辅助服务市场的优化调度面临实时调频响应能力与复杂市场环境带来的不确定性，需考虑实际调频时聚合商调频容量紧缺带来的风险，相关研究较为有限，未来可以更多地引入风险评估方法进行权衡收益与风险的日前优化调度方法研究。此外，考虑到随机优化以及鲁棒优化的局限性，可引入新的决策模型，如分布式鲁棒优化技术，在保持鲁棒性的同时学习到历史数据中的概率信息，有效克服两种方法的局限性。

4)考虑控制精度要求的电动汽车实时控制方法研究。在实时阶段，聚合商响应调频需求进行功率分配的过程应尽可能考虑控制精度的要求，但是相关研究对控制精度要求关注较少，未来可以进一步展开研究。在关键技术层面，除了已有的鲁棒控制、模型预测控制等方法，可以在聚合商参与系统调频AGC功率实时控制过程中引入深度强化学习等智能控制算法，在满足系统实时调频指令需求的同时，提高实时控制策略求解速度。同时，考虑在电动汽车实时控制方法中加入不同型号电动汽车电池差异、充电桩的执行精度等现实情况，进一步提高控制精度。

6 结 语

在高比例新能源并入电网的背景下，规模化电动汽车参与电力系统二次调频对提升电力系统频率稳定支撑能力、优化系统资源配置具有重要意义。本文首先总结了以聚合商为主体的规模化电动汽车参与调频系统框架，归纳了电动汽车可调节容量量化的两种方法并进行了对比分析。然后，对规模化电动汽车参与调频日前优化调度方法、实时控制策略方法与其中涉及到的关键技术进行了全面的综述，在对规模化电动汽车参与二次调频研究进行总结的同时为其他分散式需求侧资源的应用提供了参考。最后，基于现有研究对未来关键技术与研究方向进行了展望。

在规模化电动汽车参与调频效用评估方面，未来可以采取模型驱动和数据驱动相结合的方法量化系统调频容量需求，并建立规模化电动汽车参与系统调频效用评价指标体系；在电动汽车用户意愿建模方面，进一步对用户行为刻画与意愿不确定性建模展开研究，基于问卷采集和满意度函数拟合等方法建立用户意愿模型；在日前优化调度方面，通过风险评估方法权衡收益与风险，利用分布式鲁棒优化等新技术建立决策模型；在实时控制方面，考虑充电桩执行精度等现实情况，对聚合商响应调频需求过程中的随机因素进一步展开研究，并引入深度强化学习等智能控制算法提高控制策略求解速度。