编辑推荐：
电动汽车微电网优化研究提出V2G/G2V协同调度框架，整合可再生能源与储能系统，通过混合整数非线性规划模型实现成本最小化与可靠性保障，考虑SOC限制等实际约束，验证了98%可靠性和0%能源不可用场景。
Fuzhong Yu|Shaoping Bi|Enming Zhang
衢州职业技术学院机械与电气工程学院，中国衢州，324000
摘要
本研究提出了一个优化框架，用于利用车对网（V2G）和网对车（G2V）功能将电动汽车（EVs）整合到微电网中。该框架协调电动汽车、可再生能源和储能系统的充放电过程，以最小化运营成本，同时确保电网的可靠性。模型考虑了实际运行约束条件，如电池荷电状态（SOC）限制、充放电速率以及状态转换限制，确保V2G和G2V调度与实际情况相符。数值结果表明，在可再生能源发电量波动±20%的情况下，系统的可靠性仍能达到98%；在特定场景下，系统实现了0%的能量不可用率。虽然研究假设了低延迟的通信框架以实现电动汽车的实时协调，但实际应用需要解决通信延迟、可靠性和控制架构等问题，这些都是实时需求侧资源管理的关键因素。目前该优化框架依赖于集中式控制架构，未来的工作将探索分布式控制策略，以提高大规模部署时的系统性能。本研究为将电动汽车整合到微电网中提供了一种可扩展且稳健的方法，为未来能源系统的高效实时能源管理奠定了基础。
术语表
缩写
| EV | 电动汽车 |
| LRP | 负荷响应计划 |
| REBMG | 基于可再生能源的微电网 |
| RES | 可再生能源 |
| MG | 微电网 |
| MINLP | 混合整数非线性规划 |
| G2V | 网对车 |
| PHEV | 插电式混合动力电动汽车 |
| V2G | 车对网 |
| PSO | 粒子群优化算法 |
| TOU | 分时电价 |
| LBOA | Lyre Bird优化算法 |
| Symbols |
| 总面积 |
| P | 功率 |
| C | 成本系数 |
| Ramp | 坡度 |
| 启动成本 |
| S | 风速 |
| 需求响应计划 |
| SOC | 电池荷电状态 |
| G | 太阳辐射通量 |
| 温度 |
| H2 | 能量 |
|
目标函数
所提出模型的主要目标是降低整体可持续性成本，包括运营成本（）、与能源消耗相关的环境成本（）、确保系统韧性的可靠性成本（CReliability）以及需求响应计划的成本（CDR）。此外，模型还考虑了从电能销售、V2G服务和参与需求响应计划中获得的收入。这一目标被正式表述为...
优化算法
Lyre Bird优化算法（LBOA）采用基于种群的元启发式方法，以Lyre鸟作为种群成员[37]。该算法通过迭代过程利用其成员的搜索能力，高效解决优化问题。每只Lyre鸟作为LBOA的成员，根据其在种群中的位置来确定决策变量的值...
案例研究及结果展示
本研究通过三种不同场景，探讨了所提出的建模方法在基于可再生能源和电动汽车的微电网系统中的能量管理和运行优化效果：
- •
场景1：能源市场中基于可再生能源的集成微电网。
- •
场景2：能源市场和备用市场中基于可再生能源的电动汽车停车系统及集成微电网。
- •
场景3：结合LRP和不确定性的电动汽车停车系统及基于可再生能源的集成微电网。
结论
可再生能源的日益整合以及电动汽车（EVs）的广泛采用对能源服务的可靠性和兼容性提出了重大挑战。为应对这些挑战并迈向碳中和，将电动汽车有效整合到可再生能源系统中至关重要。本研究提出了一种创新的优化模型，旨在提升能源市场管理的可持续性以及可再生能源系统的备用整合能力...
CRediT作者贡献声明
Fuzhong Yu：可视化、方法论、调查、概念化。
Shaoping Bi：撰写——审稿与编辑、资金获取、形式分析、数据整理。
Enming Zhang：撰写——审稿与编辑、初稿撰写、验证、监督、软件开发、资源协调、项目管理、调查。
利益冲突声明
作者声明他们没有已知的可能会影响本文研究工作的财务利益或个人关系。
