绝热和等温压缩空气储能系统的生命周期能量效率及二氧化碳排放强度

《Journal of Endodontics》：Life-cycle exergetic efficiency and CO 2 intensity of diabatic and adiabatic compressed air energy storage systems

本文提出了一种整合空间EV行为分析、机器学习预测与双阶段优化的电动汽车集散器框架，通过MILP最大化EV收益，GD-SQP优化电网负荷因子，并验证了在澳大利亚实际数据及IEEE标准电网模型中的有效性，实现6.08%的负荷因子提升和4.96%的传输损失减少，揭示了EV参与电网的时空灵活性与经济收益与电网目标间的权衡关系。

　　### 智能电动汽车聚合商框架与能源套利策略分析

随着电动汽车（EV）的普及，其在能源管理中的作用日益凸显。本文提出了一种全面的框架，旨在让电动汽车聚合商能够以能源套利实体的身份参与电网调度，从而为EV车主提供稳定的收入来源，同时通过最大化系统负载因子（LF）来缓解电网压力。该框架融合了空间行为分析、基于机器学习的电力需求和价格预测，以及一个两阶段优化过程。该模型基于澳大利亚昆士兰地区的实际数据，包括从交通调查中获得的EV移动性数据和国家电力市场的5分钟分辨率历史数据。预测性能表明，精细树算法（FTA）在电力需求预测方面表现最佳，而集成袋装树算法（EBTA）则在价格预测中最为有效。IEEE 9节点和39节点系统的模拟结果验证了该框架的性能，其中在H-EV最优场景下，LF提高了6.08%，而在HW-EV场景中，由于收入优化调度与系统目标之间存在偏差，导致LF下降。然而，在39节点系统中，HW-EV最优场景可以实现6.2%的LF提升，突显了电网拓扑结构和空间灵活性对结果的影响。

#### 电动汽车作为能源套利实体的潜力

传统的能源套利通常依赖静态电池，而电动汽车的移动性使其成为一种独特的资源。尽管静态电池和电动汽车在某些方面有相似之处，但电动汽车的使用模式、可用性和监管环境存在显著差异。例如，电动汽车通常在家中或工作地点停留，且其充电和放电时间受到日常活动的影响。这种动态性使得电动汽车的能源套利更加复杂，但同时也带来了更大的潜力。通过优化充电和放电策略，电动汽车可以在低电价时段充电，并在高电价时段放电，从而实现利润最大化。这种策略不仅有助于EV车主，还能通过减少电网高峰负荷和提高能源利用效率来提升电网的稳定性和可靠性。

#### 电动汽车聚合商的双重目标优化

为了实现这一目标，本文提出了一种两阶段优化模型。第一阶段采用混合整数线性规划（MILP）优化电动汽车的充电和放电时间表，以最大化EV车主的收入。第二阶段则利用梯度下降-序列二次规划（GD-SQP）来优化参与能源套利的电动汽车数量，从而最大化电网的LF。这一双阶段过程能够有效平衡个人收益与系统性能之间的权衡。此外，该框架还结合了真实世界的数据，包括电动汽车的移动性、充电行为以及电力市场中的价格波动，以确保模型的准确性和实用性。

#### 电动汽车行为的分类与优化

为了更好地理解电动汽车的行为模式，本文将电动汽车分为两类：仅在家中连接的H-EV和在家与工作地点都连接的HW-EV。H-EV通常在夜间（如6:00至7:00）进行充电，而HW-EV则在白天和夜晚都可能参与能源套利。这种分类有助于优化充电和放电策略，从而提高整体效益。例如，HW-EV由于连接时间更长，可以在更多时段进行放电，从而获得更高的收入。然而，研究也指出，即使HW-EV连接时间较长，其对电网LF的改善效果可能不如H-EV，这主要是因为收入优化调度与电网协调目标之间存在冲突。

#### 电动汽车与电网的协同优化

本文的研究表明，电动汽车的参与必须在经济和技术目标之间进行权衡。例如，虽然HW-EV场景下的电动汽车连接时间更长，但这种策略可能导致电网LF下降，甚至增加传输损失。这表明，单纯的增加电动汽车参与数量并不总是有利于电网的稳定性。相反，H-EV场景下的优化策略能够更好地平衡电网的负载，提高LF并减少传输损失。因此，为了实现双赢，必须在EV聚合商的调度策略中考虑电网的运营需求。

#### 电网性能的提升与验证

通过使用IEEE 9节点和39节点系统进行验证，本文展示了该框架在不同规模电网中的适用性。在9节点系统中，H-EV最优场景下LF提升了4.96%，而H-EV过度优化场景下进一步提升至6.08%。相比之下，HW-EV场景下的LF提升效果较差，甚至在某些情况下出现下降。39节点系统的模拟结果则表明，HW-EV最优场景下LF提高了6.2%，这一结果优于9节点系统中的表现。这说明，电网拓扑结构和空间灵活性对电动汽车参与电网优化的效果有重要影响。

#### 机器学习在电力需求和价格预测中的应用

为了提高预测的准确性，本文采用了多种机器学习算法，包括FTA和EBTA。FTA在电力需求预测中表现出色，能够提供接近完美的预测结果。而EBTA在价格预测中也表现出色，但其准确性略逊于FTA。通过使用这些算法，EV聚合商可以更准确地预测未来的电力需求和价格波动，从而制定更加合理的充电和放电策略。此外，本文还指出，价格预测的准确性对收入优化至关重要，因为错误的价格预测可能导致EV车主在高电价时段充电或在低电价时段放电，从而影响整体收益。

#### 电动汽车聚合商的经济与技术双重效益

本文的研究还揭示了电动汽车聚合商在经济和技术方面的双重效益。从经济角度看，通过优化充电和放电策略，EV车主可以获得更高的收入。从技术角度看，电动汽车的参与可以显著提高电网的LF，并减少传输损失。例如，在H-EV最优场景下，LF提高了6.08%，而传输损失减少了6.08%。此外，电动汽车的参与还能实现高峰负荷转移，延迟基础设施投资，并提升电网的灵活性。这些结果表明，电动汽车作为能源套利工具，能够为电网带来显著的经济和技术效益。

#### 未来研究方向

尽管本文提出了一个全面的框架，但仍存在一些研究空白。例如，现有的研究大多关注EV车主的经济收益，而忽略了电网的运营需求。因此，未来的研究可以探索如何在优化EV车主收益的同时，确保电网的稳定性。此外，还可以研究如何在不同市场条件下，如动态定价和不确定性环境，优化EV聚合商的参与策略。同时，还需要进一步分析电动汽车的移动性、充电行为和电网拓扑结构对能源套利效果的影响。这些研究方向将有助于推动电动汽车在能源管理中的应用，实现更高效的电网运营和更可持续的能源系统。

#### 电动汽车聚合商框架的实际应用

为了确保该框架的实用性，本文采用了真实世界的数据进行验证，并通过DIgSILENT PowerFactory软件进行了准动态负荷流仿真。这种仿真方法能够验证优化后的调度是否符合电网的实际运行条件，如线路损耗、电压水平和功率流动限制。此外，本文还讨论了如何通过硬件在环（HIL）仿真或现场试点测试来进一步验证该框架的实际可行性。这些方法可以暴露控制逻辑和预测模型在真实环境中的表现，从而提高模型的鲁棒性和适应性。

#### 结论

本文提出的电动汽车聚合商框架展示了如何通过数据驱动的协调策略，优化电动汽车的充电和放电行为，从而提升电网的效率和稳定性。该框架结合了空间行为分析、机器学习预测和双阶段优化，为电动汽车的能源套利提供了新的思路。研究结果表明，电动汽车的参与可以显著提高LF并减少传输损失，但必须在经济和技术目标之间进行权衡。未来的研究可以进一步探索如何在不同市场条件下优化电动汽车的参与策略，并结合更多的实际数据和仿真方法，以提高模型的实用性和适应性。这些研究将有助于推动电动汽车在智能能源系统中的应用，实现更高效的能源管理和更可持续的电力系统。