电动汽车聚合商参与能量套利的双重优化框架：基于实时电价与负荷预测的电网协同策略

本文针对电动汽车（EV）聚合商如何平衡车主收益与电网负荷因子（LF）优化的问题，提出了一种结合机器学习预测（FTA需求预测、EBTA电价预测）与两阶段优化（MILP充电调度、GD-SQP参与规模优化）的双目标框架。基于澳大利亚昆士兰真实数据的仿真表明，家庭连接型EV（H-EV）在9总线系统中可实现6.08%的LF提升，而家庭-工作双场景连接（HW-EV）在39总线系统中LF改善达6.2%，揭示了电网拓扑与空间灵活性对V2G效益的显著影响。该研究为智能电网中EV聚合商的商业化运营提供了数据驱动的决策支持。

　　

随着全球能源转型进程加速，电动汽车（Electric Vehicle, EV）的普及率呈现爆发式增长，这些搭载大容量电池的移动储能单元正在重塑传统电力系统的运行方式。据统计，一辆私家车平均每天有超过20小时处于停放状态，这为电动汽车参与电网互动提供了宝贵的时间窗口。通过车辆到电网（Vehicle-to-Grid, V2G）技术，停放的电动汽车可以化身为分布式储能系统，在电价低谷时充电储能，在电价高峰时向电网放电，这种被称为“能量套利”的操作模式不仅能给车主带来额外收益，还能有效平滑电网负荷曲线。

然而，将分散的电动汽车资源转化为可靠的电网调节工具面临多重挑战。首先，电动汽车的移动特性导致其接入电网的时间和位置具有高度不确定性，这与传统固定式储能系统存在本质差异。其次，现有研究大多聚焦于车主经济收益最大化，缺乏对电网整体运行效率（如负荷因子Load Factor, LF）的协同优化。此外，电价和负荷预测的准确性直接影响套利策略的有效性，而多数模型仍采用简化假设，未能充分利用机器学习等先进预测技术。

为解决上述问题，Adlan Pradana等研究人员在《Journal of Environmental Economics and Management》发表最新研究，提出了一套针对电动汽车聚合商（EV Aggregator）的协同优化框架。该框架创新性地将空间行为分析、机器学习预测和两阶段优化算法相结合，首次实现了在保证车主收益的同时显著提升电网负荷因子的双重目标。

关键技术方法包括：1）基于昆士兰家庭旅行调查（Queensland Household Travel Survey, QHTS）的电动汽车空间概率建模；2）采用精细树算法（Fine Tree Algorithm, FTA）和集成装袋树算法（Ensemble Bagged Tree Algorithm, EBTA）分别进行负荷和电价预测；3）通过混合整数线性规划（Mixed-Integer Linear Programming, MILP）优化充放电序列，再结合梯度下降-序列二次规划（Gradient Descent-Sequential Quadratic Programming, GD-SQP）确定最优参与规模；4）利用IEEE 9总线和39总线测试系统进行准动态潮流仿真验证。

5.1 输入数据摘要

研究采用澳大利亚能源市场运营商（Australian Energy Market Operator, AEMO）提供的5分钟分辨率历史数据，结合28,358辆电动汽车的真实运行数据，将电动汽车划分为仅家庭充电型（Home-only EV, H-EV）和家庭-工作双场景充电型（Home-Workplace EV, HW-EV）两类，建立了考虑电池容量、充电功率和日均行驶距离的聚合模型。

5.2 需求与价格预测

预测结果显示，FTA算法在负荷预测中达到0.99的R2值，而EBTA在电价预测中最佳R2值为0.51。尽管电价预测精度相对较低，但基于积分时间平方误差（Integral Time Square Error, ITSE）指标的验证表明，其实际应用误差控制在12.27%的可接受范围内。

5.3 优化

5.3.1 充放电方案优化

通过MILP模型生成的优化方案显示，HW-EV因连接电网时间更长，日均收益可达2.35澳元，较H-EV的0.97澳元高出142%。若考虑电池更换成本（8000澳元）和聚合商5%管理费，HW-EV参与能量套利的投资回收期可缩短至8.39年，低于典型电池10年使用寿命。

5.3.2 电动汽车数量优化

GD-SQP优化表明，在等效1500户规模的系统中，H-EV和HW-EV的最优参与数量分别为129辆和103辆。此时H-EV场景负荷因子提升6.90%，峰值负荷降低6.09%；而HW-EV因收益优先策略与电网目标错位，负荷因子反而下降1.62%。研究首次发现存在“临界参与阈值”，超过该阈值后增加EV数量反而会恶化电网性能。

5.4 电气网络验证

5.4.1 IEEE 9总线系统

准动态仿真显示，H-EV最优场景使系统损耗降低4.96%，而HW-EV场景因空间调度不协调导致损耗增加1.62%。这揭示了单纯延长连接时间（HW-EV）未必能改善电网性能，关键在于充放电时序与电网需求的匹配度。

5.4.2 IEEE 39总线系统

在更复杂的39总线系统中，HW-EV最优场景表现出6.2%的负荷因子改善，说明电网拓扑结构对优化效果具有显著影响。但过优化（Over-optimum）场景仍会导致损耗增加5.88%，验证了临界参与阈值的普适性。

本研究通过严谨的多场景仿真验证，明确了电动汽车聚合商在能量套利业务中的双重角色定位。创新性地提出的两阶段优化框架，不仅解决了车主收益与电网效率的权衡问题，更揭示了“连接时长≠电网效益”这一反直觉规律。特别是关于临界参与阈值的发现，对实际运营中控制参与规模具有重要指导意义。该研究为电力市场环境下电动汽车聚合商的商业化运营提供了理论依据和技术路径，对推进交通-能源协同减排具有里程碑意义。未来研究可进一步考虑可再生能源波动性、分布式电网约束等现实因素，提升框架的工程适用性。