一个全面的框架，用于通过电动汽车聚合器利用能源套利带来的收益

《Journal of Endodontics》：A comprehensive framework for harnessing energy arbitrage benefits through an electric vehicle aggregator

电动汽车聚合器通过分阶段优化实现能源套利与电网效率协同提升，第一阶段采用混合整数线性规划（MILP）最大化车主收益，第二阶段利用梯度下降-二次规划（GD-SQP）优化参与EV数量以提升系统负荷因子（LF）。基于澳大利亚昆士兰真实数据与IEEE标准电网模型验证，H-EV在9-bus系统使LF提升4.96%，HW-EV在39-bus系统提升6.2%。研究揭示过度参与导致LF下降，需平衡经济与电网目标，同时降低输电损耗达4.96%-6.08%。机器学习模型（FTA需求预测，EBTA价格预测）与电网仿真（DIgSILENT PowerFactory）结合，验证了空间行为分析与多目标优化的必要性。

　　### EV Aggregator as an Energy Arbitrage Entity: A Comprehensive Framework

随着电动汽车（EV）的普及，它们在能源管理中的潜力正在逐步被挖掘。EV作为一种移动储能装置，不仅可以用于个人交通，还可以通过V2G（Vehicle-to-Grid）技术为电网提供支持。本文提出了一种全面的框架，旨在让EV聚合商能够作为能源套利实体运行，为EV车主带来稳定的收入流，同时通过最大化系统的负载因子（LF）来缓解电网压力。该框架结合了空间行为分析、基于机器学习的电力需求和价格预测，以及一个分两阶段的优化过程。第一阶段利用混合整数线性规划（MILP）优化充电和放电计划，以最大化EV车主的收入。第二阶段采用梯度下降-序列二次规划（GD-SQP）来优化参与EV的数量，从而提高电网的LF。模型基于澳大利亚昆士兰的现实数据，包括从出行调查中获取的EV移动数据和国家电力市场（NEM）的历史5分钟分辨率数据。预测性能表明，细树算法（FTA）在电力需求预测方面最有效，而集成袋装树算法（EBTA）在价格预测方面表现最佳。在IEEE 9-bus和39-bus系统上的模拟结果验证了该框架的有效性。在9-bus系统中，H-EV最优场景下的LF提高了高达6.08%。相比之下，HW-EV场景由于收入优化调度与系统目标之间的不匹配，导致LF降低。然而，在39-bus系统中，HW-EV最优场景下的LF提高了约6.2%，突显了电网拓扑结构和空间灵活性对LF的影响。该框架还实现了高达6.08%的输电损耗减少，同时带来了其他优势，如高峰负荷转移、延迟基础设施投资和增加聚合商的收入。一个重要的发现是，较长的EV连接时间（如HW-EV）并不总是能带来更好的电网性能，因为两阶段优化中存在固有的权衡。这些结果证实了EV参与必须仔细管理，以在经济和工程技术目标之间取得平衡。总体而言，本研究展示了基于数据驱动的EV协调，通过预测和双重优化，可以为未来的智能能源系统带来显著的好处，既有助于EV车主，也支持电网的平衡和高效运行。

### 引言

电动汽车（EV）的快速增长为能源管理和电力资源优化创造了新的机遇。配备先进电池的EV通常在停放状态下花费大量时间，无论是在家、工作还是公共充电站。通过实施V2G技术，这些静止的EV可以将能量充放回电网。当谨慎管理时，这种双向的能量流动允许EV在低电价时期（通常在需求较低的非高峰时段）充电，并在高电价时期（如需求高峰时段）将储存的能量放回电网。这种战略性的时间安排被称为能源套利，可以显著降低能源成本，并为EV车主带来高利润。

尽管单个EV的电池容量相对较小，但通过聚合多个EV，可以形成一个巨大的能源资源。这种聚合资源由一个EV聚合商协调，该聚合商负责管理多个EV的集体充放电活动。通过优化充放电时间，聚合商可以最大化EV车主的利润，同时促进电网的稳定性、效率和可靠性。此外，EV聚合商的作用不仅限于简单的能源交易，还包括对电力需求和价格的预测，以及对EV移动性的战略规划，确保EV的聚合参与不会影响其作为交通工具的首要功能。随着EV的持续普及，利用V2G技术进行能源套利的潜力正在成为现代能源管理和可持续发展的变革性方法。因此，EV聚合商可以从EV车主和电网运营商那里获得收入，为电力系统带来多重利益。

### 实现框架

EV聚合商的框架是一个精心设计的流程，旨在确保高效的优化，如图1所示。该框架基于几个关键假设和步骤，以实现能源套利系统的无缝运行。首先，假设EV聚合商作为电力零售商，能够以实时电价获得批量电力，然后将其转售给零售客户。这种电价的波动使聚合商能够利用价格差异来最大化经济收益。其次，框架假设EV充电不局限于必要的时间，这意味着即使在不使用时，EV也可以连接到电网，从而在任何停放时参与能源套利过程。

与现有主要关注经济优化且基于静态用户假设和单向充电的聚合商框架不同，本文提出的框架引入了多个创新特性。它整合了用户声明的移动偏好，从而能够更准确地预测EV的可用性。此外，它嵌入了双重优化目标，即同时优化聚合商的盈利能力与电网层面的LF改善。此外，该框架通过投标提交和单位承诺过程与市场运营商建立双向互动，从而增强操作现实性和系统响应能力。这些元素共同代表了对传统聚合商模型的重大突破，为广泛部署提供了更真实的模型和更高效的系统协调。

### 方法论

本文的方法论如图2所示，通过一系列精心设计的步骤，利用历史数据和机器学习算法进行准确的需求和电价预测。首先，收集了电力需求和电价的历史数据，以5分钟的分辨率进行分析，提供了全面的数据集用于后续的预测活动。这些数据作为预测模型的基础，有助于识别能源消耗和价格波动的模式和趋势。随后，收集了详细的车辆驾驶行为数据，包括驾驶模式、通勤路线、行程频率和典型目的地，以计算车辆在家或工作场所存在的空间概率。通过分析驾驶模式数据，可以开发概率空间模型，以估计车辆在特定时间出现在某个位置的可能性。

为了反映实际情况，本研究使用了澳大利亚能源市场运营商（AEMO）的数据，以评估电力需求和电价的预测结果。机器学习算法被部署来预测需求和电价，利用多种输入变量来捕捉需求波动的复杂性。这些变量包括月份、日期、小时和分钟，因为需求模式通常表现出季节性和时间依赖性。在电价预测中，除了时间变量外，需求数据也被考虑为输入变量。这种全面的方法考虑了电力需求和价格动态之间的复杂关系，允许对未来电价进行更精确的预测。

考虑到需要满足两个关键利益相关者——EV车主和电网运营商——将会有两个连续的优化过程。第一个优化旨在通过确定EV的最优充放电决策来最大化EV车主的收入，这些决策基于实时电价，每5分钟更新一次。这涉及分析价格趋势，通过在低电价时段充电和在高电价时段放电来最大化利润。第二个优化聚焦于最大化电网的LF。这一过程旨在平衡能源供应和需求，确保EV的充放电活动对电网的稳定性和效率做出贡献。通过优化LF，电网可以更顺畅地运行，降低过载的可能性，提高整体能源效率。这两个优化过程共同创建了一个协同系统，其中EV车主的财务利益与电网的操作需求相协调，确保双方都能从中受益。

### 解决方案

为了优化EV的充放电计划，必须考虑EV的可用性、充电时间以及电网电价。EV的充放电计划将根据实时电价进行优化，以最大化利润。在这一框架中，EV的充放电状态由整数表示（1表示充电，0表示空闲，-1表示放电），并利用MILP进行优化。虽然存在多种EV类型，每种类型具有不同的物理特性（如电池容量、动力系统效率和最大充放电速率），但本研究将这些差异抽象为两个基于行为的类别：仅在家连接的EV（H-EV）和在家及工作场所连接的EV（HW-EV）。这些类别捕捉了主要的移动模式和可用性，这些因素在能源套利优化中是最关键的。

在EV聚合商框架中，H-EV和HW-EV之间的关键差异在于它们的连接时间。H-EV通常只在家连接，通常从晚上到早上，而HW-EV则在白天工作场所连接，这导致它们的总连接时间更长，允许它们在一天中的任何时间参与套利机会。这种连接时间的差异影响了EV在充放电策略中的选择，也影响了电网的性能。H-EV由于连接时间较短，需要在夜间充电以满足第二天的行驶需求，这可能限制了它们在白天进行放电的机会。相比之下，HW-EV由于连接时间较长，可以更灵活地参与套利机会，提高它们的盈利能力。

为了优化参与能源套利计划的EV数量，以最大化电网的LF，需要采用一种聚合方法。这种方法涉及确定整个EV群体的充放电计划，而不是单独的车辆。通过这种方式，可以更有效地协调电网操作，提高系统的整体性能。这种聚合方法允许EV聚合商在不考虑单个车辆的充放电时间的情况下，优化整个群体的充放电计划，从而提高LF和减少输电损耗。

### 实验结果

在IEEE 9-bus和39-bus系统上的模拟结果验证了该框架的有效性。在9-bus系统中，H-EV最优场景下的LF提高了4.96%，而H-EV过优化场景下的LF提高了6.08%。相比之下，HW-EV最优和过优化场景下的LF分别降低了1.62%和7.41%。在39-bus系统中，H-EV最优场景下的LF提高了约4.4%，而H-EV过优化场景下的LF提高了约5.8%。HW-EV最优场景下的LF提高了约6.2%，在该更大的系统中表现更好，因为其空间灵活性和多样化的需求模式。这些结果表明，EV的参与必须仔细管理，以在经济和工程技术目标之间取得平衡。此外，这些结果也突显了电网拓扑结构和规模对模拟结果的敏感性，强调了在现实条件下进行验证的重要性。

### 结论与未来工作

本文提出了一种全面的框架，使EV聚合商能够作为能源套利实体运行，为EV车主带来稳定的收入流，同时通过最大化LF来缓解电网压力。该框架结合了空间行为分析、基于机器学习的电力需求和价格预测，以及一个分两阶段的优化过程。第一阶段利用MILP优化充电和放电计划，以最大化EV车主的收入。第二阶段使用GD-SQP优化参与EV的数量，以最大化系统的LF。基于澳大利亚昆士兰的现实数据，包括EV的移动模式、电力需求和价格输入，模型能够有效预测和优化EV的充放电计划。

在IEEE 9-bus系统中，H-EV最优场景下的LF提高了4.96%，而H-EV过优化场景下的LF提高了6.08%。相比之下，HW-EV最优和过优化场景下的LF分别降低了1.62%和7.41%。在IEEE 39-bus系统中，H-EV最优场景下的LF提高了约4.4%，而H-EV过优化场景下的LF提高了约5.8%。HW-EV最优场景下的LF提高了约6.2%，在该更大的系统中表现更好，因为其空间灵活性和多样化的需求模式。这些结果表明，EV的参与必须仔细管理，以在经济和工程技术目标之间取得平衡。此外，这些结果也突显了电网拓扑结构和规模对模拟结果的敏感性，强调了在现实条件下进行验证的重要性。

### 未来工作

本研究的结果为进一步的研究提供了方向，以增强所提出EV聚合商框架的稳健性、可扩展性和实际实施能力。虽然本研究集中在使用次日预测进行计划性能源套利，但未来的工作可以探索实时自适应控制机制，以应对EV可用性、负荷需求和电价的短期偏差。这将提高聚合商在操作不确定性下的响应能力和韧性。尽管本研究考虑了线路损耗，但未来模拟可以进一步整合更详细的功率流约束，如电压限制、支路容量和无功功率支持。这将使优化能够考虑配电网络的限制，确保套利决策不会无意中违反电网的操作限制。当前的两阶段方法将经济和技术目标分开。未来的工作可以探索开发统一的多目标优化模型，同时考虑车主收入、LF、损耗、电压曲线和其他电网稳定性指标。这将提高协调能力，并减少不同目标之间的权衡风险。此外，可以进一步研究EV套利与间歇性可再生能源（如光伏和风能）之间的相互作用。例如，将EV放电与太阳能输出低的时段对齐，可以增强系统的平衡。与可再生能源预测相结合的联合调度可以创建协同的调度策略。未来的研究可以探索分布式框架，其中多个EV聚合商在一个类似市场的环境中互动，或者探索本地化的点对点（P2P）模型进行交易。这与新兴的分布式能源模式相一致，并可能通过将优化任务卸载到边缘来减少计算负担。为了确保实际可行性，未来的工作应旨在通过硬件在环（HIL）模拟或试点现场测试来验证所提出的框架。这将使控制逻辑和预测模型暴露于实时动态、通信延迟和硬件限制。虽然本研究使用了现实的统计EV使用数据，但未来的工作可以增强对EV车主行为的基于代理的建模，考虑诸如偏好异质性、价格弹性及激励反应等因素。这将细化参与建模并提高模拟的准确性。该框架可以扩展以评估不同的定价机制、激励计划和监管政策对EV聚合商性能和参与的影响。这将为政策制定者设计有效的市场结构提供见解。