《Journal of Modern Power Systems and Clean Energy》：Bidding Method for EV Aggregators in Flexible Ramping Product Trading Market Considering Charging and Swapping Flexibility Aggregation
编辑推荐：
随着可再生能源（renewable energy sources)并网比例日益提高，其固有的间歇性与波动性对电力系统调节能力提出了更高要求。灵活爬坡产品(flexible ramping product, FRP)交易应运而生，成为应对净负荷波动的有效手段。电
随着可再生能源（renewable energy sources)并网比例日益提高，其固有的间歇性与波动性对电力系统调节能力提出了更高要求。灵活爬坡产品(flexible ramping product, FRP)交易应运而生，成为应对净负荷波动的有效手段。电动汽车(electric vehicles, EVs)通过车网互动(vehicle-to-grid, V2G)技术可作为分布式储能资源参与FRP交易市场。为有效刻画电动汽车聚合商(electric vehicle aggregators, EVAs)的时空运行特性，研究人员提出了一种充电与换电灵活性聚合模型，该模型精确模拟了插电式电动汽车(plug-in electric vehicles, PEVs)在不同充电模式下的充电需求以及换电式电动汽车(battery-swapping electric vehicles, BSEVs)的换电需求。针对FRP交易市场中EVAs与EVs之间的利益冲突，研究人员构建了一种新型双层优化模型，旨在优化激励价格与充电策略。上层优化EVAs的投标收益，下层基于充电与换电灵活性聚合模型刻画EV充电行为。鉴于大规模EVs导致的高维非凸优化问题计算复杂度极高，研究人员采用了融入斑马优化算法(zebra optimization algorithm, ZOA)的数据驱动进化算法(data-driven evolutionary algorithm, DDEA)。考虑到实际场景中可用于训练高质量代理模型的数据有限，进一步采用了基于半监督学习的tri-training算法以提升数据利用效率。算例分析验证了所提方法的有效性。
该研究发表于《Journal of Modern Power Systems and Clean Energy》，聚焦于电动汽车聚合商参与灵活爬坡产品交易市场的投标策略问题。
**一、研究背景与问题提出**
在全球推进"碳达峰、碳中和"目标的背景下，中国风光等可再生能源总装机容量预计2030年将超过1.2 TW。可再生能源固有的间歇性与波动性导致电力系统调节需求持续增加，提升电力系统灵活性成为紧迫任务。为应对净负荷波动，美国加利福尼亚独立系统运营商(California Independent System Operator, CAISO)和中部大陆独立系统运营商(Midcontinent Independent System Operator, MISO)率先设计了灵活爬坡产品(flexible ramping products, FRPs)以缓解潜在的爬坡容量短缺。2020年4月15日，中国国家电网华北分部正式将车网互动(vehicle-to-grid, V2G)充电桩资源纳入华北电力调峰辅助服务市场进行正式结算。2024年3月，《山东电力爬坡辅助服务市场交易规则（试行）》正式实施，爬坡辅助服务供应商包括独立辅助服务提供者如独立可再生能源储能站等。
储能系统是灵活爬坡市场的重要参与者。与储能系统类似，电动汽车(electric vehicles, EVs)也具备参与灵活爬坡市场的能力。EVs作为可持续交通的重要趋势，具有减少碳排放、环境效益显著及能源成本较低等优势。EV接入电网后，其电池可充放电，有效发挥分布式储能资源的作用。然而，大规模EVs参与电力市场必然需要量化其功率灵活性的方法。灵活性聚合(flexibility aggregation)表征EVs的功率调节潜力，是电动汽车聚合商(electric vehicle aggregators, EVAs)市场投标与容量申报的基础。
现有研究基于用户约定的充电计划评估个体与集群EVs的灵活性，并进一步分析不同充电策略与应用场景对集群实时功率调节能力的影响。然而，这些评估未考虑换电与充放电之间的差异。电池换电与插电充电模式下的物理意义不同：前者要求换电站在特定时刻满足特定的电池数量需求，后者要求电池在特定时刻满足特定的荷电状态(state of charge, SOC)。因此，聚合商无法直接将现有研究成果用于FRP交易市场的容量申报，亟需适用于大规模EVs的准确功率灵活性聚合方法。
**二、主要技术方法概述**
研究人员采用的技术方法主要包括：（1）基于半监督学习tri-training算法的数据驱动进化算法框架，其中代理模型采用径向基函数网络(radial basis function network, RBFN)；（2）斑马优化算法(zabra optimization algorithm, ZOA)用于上层优化；（3）基于拉丁超立方采样(Latin hypercube sampling)的样本生成策略；（4）蒙特卡洛模拟方法用于生成EV运行数据；（5）Beta分布与正态分布拟合用于刻画EV入网与离网时间的统计特性。研究数据来源于美国宾夕法尼亚-新泽西-马里兰州(Pennsylvania-New Jersey-Maryland, PJM)电力市场的市场出清价格与灵活爬坡市场价格，以及中国呼和浩特某充电站的周充电数据。
**三、研究结果**
**3.1 充电与换电灵活性聚合模型**
该部分建立了EVAs的充电与换电灵活性聚合模型。EVA由若干电池充换电站(battery swapping and charging stations, BSCSs)组成。对于PEVs，根据不同充电模式建立了充电灵活性聚合模型。将充电模式划分为三类：模式I仅允许延迟充电时间、不可改变充电功率；模式II允许调节充电功率但保持并网锁定状态；模式III允许充放电双向调节且具有最强响应能力。三种模式对应不同的激励价格水平，以反映电池退化差异。通过最小化充电成本计算PEVs的充放电负荷曲线，进而评估其功率灵活性上下边界。
对于BSEVs，建立了电池换电模型。将电池SOC划分为M个区间，通过追踪各区间电池数量变化，确保换电站连续正常运营。换电站功率灵活性评估关注满足换电服务需求前提下的充放电功率上下边界。通过求解最小备用充电负荷优化问题，获得延迟充电策略下的最小充电曲线；通过充分利用充电设备与未充电备用电池，确定最大充电曲线，从而构建换电站的可行功率灵活区域。
**3.2 电动汽车聚合商投标方法**
构建了EVAs参与FRP交易市场的双层优化模型。上层优化以EVA收益最大化为目标，决策变量为BSCSs向EV用户提供的激励价格，涵盖电能市场购售电与FRP服务提供。下层优化以EV用户充电成本最小化为目标，刻画EV用户的充电行为响应。模型综合考虑了PEVs与BSEVs的功率灵活区域约束，以及向上/向下灵活爬坡产品申报量的计算。该双层模型协调了EVAs的商业行为（向EV供电、激励其参与FRP市场）与EV用户的利益，提升了EV车主参与市场的意愿。
**3.3 基于斑马优化算法的数据驱动进化算法**
针对双层优化模型的高计算复杂度，提出了融入ZOA的DDEA，并采用基于半监督学习的tri-training算法提升数据利用效率。将离线数据集划分为三个子集训练三个RBFN代理模型，输入为激励价格，输出为EVA利润。在迭代过程中，利用三个模型的预测差异筛选高置信度样本，通过伪标签扩充训练数据，重新训练代理模型。ZOA包括觅食阶段与防御策略阶段：觅食阶段种群个体根据领头斑马位置更新；防御策略阶段分别以概率P选择逃逸策略或集体防御策略，以平衡全局探索与局部开发能力。与遗传算法(genetic algorithm, GA)、差分进化(differential evolution, DE)算法和粒子群优化(particle swarm optimization, PSO)算法相比，ZOA展现出更优的收敛速度与最终解质量。
**3.4 算例分析**
基于PJM市场数据与呼和浩特充电站实测数据开展算例分析。结果表明：随着模式II或模式III激励价格提高，选择对应充电模式的PEVs数量增加；模式I和II的PEVs无法放电，故其上弯灵活爬坡可调度范围小于模式III。所提tri-training算法在数据集规模为100时集成模型平均相对误差低于1.6%，规模500时降至0.7%，数据规模1000时趋于稳定，验证了有限数据条件下的有效性。优化所得最优激励价格为[0.045, 0.061, 0.110]，对应EVA利润达2154美元，相比无激励机制的2046美元额外收益108美元。
**四、讨论与结论**
该研究构建的充电与换电灵活性聚合模型能够为PEVs和BSEVs在不同场景下的充电与换电需求提供统一表征框架。双层优化模型中引入激励价格可有效提升EVAs的功率灵活性。所提算法通过数据驱动方法与半监督学习的融合，解决了高计算成本与数据有限性问题，数值测试表明半监督学习tri-training算法提升了代理模型精度，同时凸显了ZOA的优越性。
**研究结论**概括如下：该研究研究了EVAs利用融入ZOA的DDEA并基于半监督学习tri-training算法参与FRP交易市场的投标方法。研究分为三部分：一是聚合充电与换电灵活性的模型，以捕捉EVAs的时空运行特性；二是EVAs投标的双层优化模型，协调激励定价与充电策略以平衡FRP交易中EVAs与EVs的利益，从而提升EVAs整体灵活性；三是融入ZOA的DDEA并基于半监督学习tri-training算法。算例研究得出以下结论：聚合充电与换电灵活性的模型能够为PEVs和BSEVs在不同场景下的充电与换电需求提供统一表征框架；数值测试证明在双层优化模型中引入激励价格可有效提升EVAs的功率灵活性；所提算法可利用数据驱动方法与半监督学习的融合来解决高计算成本和有限数据可用性的问题，数值测试表明半监督学习tri-training算法的应用提升了代理模型精度，同时凸显了ZOA的优越性。
