考慮儲能備用的電動汽車負荷連續追蹤棄風曲線優化模型

劉敦楠，張 悅，劉明光，董治新，王 文，加鶴萍

（1. 華北電力大學 經濟與管理學院，北京 102206；2. 國網電動汽車服務有限公司，北京 100053）

0 引言

“雙碳”目標下我國將構建以新能源為主體的新型電力系統，高比例可再生能源以及高比例電力電子設備的“雙高”特征使得新型電力系統的建設面臨諸多風險挑戰。其中，風電、光伏等新能源大規模并網使得系統的靈活調節能力相對不足，亟待從源、網、荷、儲多層面挖掘可調節資源，為電力系統的安全穩定運行提供支撐。截至2021 年底，我國電動汽車保有量已經達到640 萬輛，最大月充電總量超過9.89×108kW·h。然而，從現階段我國車網互動的實踐來看，參與各級電網互動響應的電動汽車充電負荷的占比不足1%，電動汽車負荷迄今為止仍是一種待開發的潛在沉睡資源，亟需通過有效的聚合手段調動其消納新能源的能力［1］。

根據電動汽車聚合過程中對充電負荷的建模方式，可將電動汽車負荷聚合劃分為被動聚合與主動聚合［2］。被動聚合將電動汽車視為傳統負荷或小型蓄電池，應用于微電網范圍內的分布式能源消納，通過對設備的直接物理功率控制獲得區域內資源的單一聚合模型，但控制方式相對簡單且無主動優化遴選過程；主動聚合在負荷控制優化［3-4］的基礎上考慮了多樣化目標與多重約束評估，選擇參與調度的電動汽車對象，例如文獻［5］計及了用戶的用能訴求與滿意度因素，文獻［6-7］評估了電動汽車的功率衰減因素和用戶的可調節潛力約束。目前關于主動聚合方式的研究已較為深入，能夠充分考慮用戶的用能效用及可調度潛力約束，同時提高了聚合調度中用戶的滿意度。但鑒于目前源、荷重心分布的不匹配問題，更加需要利用主動聚合的優勢來實現跨省區的遠距離新能源消納。已有文獻通過分析風電的運行特性以及消納受阻的原因［8-9］，采用聚合商充放電排序控制［10］、魯棒隨機優化控制［11］、間隔優化調度控制［12］、深度強化學習控制［13］、多分組搜索優化控制［14］等多種負荷控制方法可達到協同風電場消納棄風電量的目的，但缺少對我國電力市場建設現狀的結合以及當前交易狀態下聚合交易成本的優化。隨著我國帶曲線中長期合約交易的推進與改革，未來電動汽車負荷參與新能源交易也將體現時間特性。

目前我國多個地區已開展需求側資源參與綠色電力市場交易的示范應用，如重慶、浙江、北京開展了車聯網綠色電力交易，冀北、上海開展了虛擬電廠參與輔助服務交易，寧夏、蒙東等開展了源網荷儲互動的市場化新能源消納，為新能源曲線追蹤交易市場的建設提供了基礎與經驗。在電動汽車負荷聚合與新能源消納方式方面，相關研究已較為成熟。電動汽車的靈活可控與移動儲能能力為曲線追蹤提供了有利的條件，但連續曲線追蹤交易需求的出現對電動汽車聚合提出了新的要求。為了實現更小時間粒度與更高精度的棄電追蹤，需引入其他具有調節能力的備用資源，同時對交易中的聚合成本進行優化，相關研究鮮有報道。目前我國的新能源曲線追蹤交易市場還處于發展建設階段，當前背景下的目標為分析曲線追蹤交易的可執行性，明確用戶的負荷特性及其參與聚合的負荷特征和潛力。

本文在曲線追蹤交易市場建設的基礎上，將目標曲線追蹤功率的時間粒度精準到15 min，然后分析風電出力規律及消納受阻原因，建立電動汽車聚合負荷連續追蹤棄風曲線模型。由于連續曲線追蹤對追蹤精度具有更高的要求，且更側重于對棄電的消納利用，本文將電動汽車移動儲能作為基礎調節資源，引入集中式儲能作為協調補充資源進行聯合優化，以提高所建模型在連續曲線追蹤中的可行性與適用性，為曲線追蹤交易市場的完善與新型電力系統的建設提供借鑒。

1 電動汽車負荷連續追蹤棄風曲線的機理分析

本文的研究框架如圖1 所示，主要從交易模式、聚合建模、聯合優化、成本4 個方面對電動汽車負荷連續追蹤棄風曲線進行分析與建模求解。

圖1 研究框架Fig.1 Research framework

1.1 電動汽車消納風電的可行性分析

1.1.1 風電消納受阻原因

①由于風力資源分布空間廣，分散度大，且風力特性對自然因素的依賴程度高，風速取決于地區氣溫、地形等條件，對其控制與預測具有較大的難度，加之風力資源時間分布特點的影響，風電出力長時間尺度的波動具有反調峰性，夜間出力較大，日間出力較小，對系統的正負爬坡能力要求高；②風力資源的集中地區與負荷中心分布呈現逆時空的狀態，我國的大規模風電基地大多集中在東北、西北以及華北北部地區，而這些地區的用電負荷往往較小，電網網架薄弱，造成了本地電網的消納負擔；③風電機組對功率波動的抑制功能目前尚不成熟，且通常情況下風電出力難以達到額定容量，當大規模風電接入電網時，其功率波動有可能超出電網調節能力，風電場的整體出力出現輸電阻塞，導致被迫棄風現象。風電出力與負荷分布的逆時間關系如附錄A 圖A1所示。由圖可看出，風電出力高峰集中在00:00—06:15 時段，而負荷高峰集中在07:00—22:00 時段，這個高峰時段交叉錯過，給風電能源的消納造成了阻礙。

1.1.2 電動汽車的充電規律

電動汽車負荷曲線特性很大程度上受用戶充電規律的影響，因此，為了衡量電動汽車聚合負荷連續追蹤消納風電的可行性，需要基于風電出力規律對電動汽車的充電規律進行分析。

《2021 年中國電動汽車用戶充電行為白皮書》中分析了用戶的充電時段特征、單次充電特征、充電場所選擇特征、充電設施功率使用特征等9 項充電行為，其中用戶的日充電高峰集中在12:00—14:00、15:00—17:00、23:00 至次日01:00 時段，平均單次充電時間為49.9 min，平均單次充電電量為25.2 kW·h。充電時間分布具有重復性、周期性，上述條件為有效聚合電動汽車負荷并追蹤消納風電提高了可行性。

1.1.3 電動汽車負荷與風電出力的協調關系

基于電動汽車負荷與風電出力協調關系的分析，計算等效負荷如式（1）和式（2）所示，繪制電動汽車負荷、風電出力、等效負荷曲線，見圖2。

圖2 電動汽車負荷、風電出力、等效負荷曲線Fig.2 Curves of electric vehicle load，wind power output and equivalent load

式中：P1，eq、P2，eq分別為電動汽車負荷接入前、后的等效負荷；PG、PW、PE分別為電網負荷、風電出力、電動汽車負荷。

由圖2 可看出，風電在夜間出力大，在日間出力小，其出力反調峰特性明顯，不僅造成了風力資源的浪費，還擴大了系統的負荷峰谷差，且在電動汽車的自由無約束充電模式下，大規模無序充電負荷的簡單匯集接入加劇了該問題，給電網的安全穩定運行帶來了威脅。而電動汽車作為一種可被替代的交通工具，受到天氣、交通、溫度、用戶行為等多種因素的綜合影響，其負荷變化彈性較大，該靈活特性為協調風電出力提供了條件。通過大規模電動汽車負荷的聚合調節，在風電出力高峰時段消納過剩資源，在風電出力低谷時段降低負荷峰值，可有效抵消負荷與風電出力的不一致性，實現電動汽車與風電的協同互補利用，保障電力系統供需的實時功率平衡。由此可見，電動汽車追蹤消納風電具有一定的可行性。

1.2 連續曲線追蹤交易模式

在綠色電力市場化交易中，準入的電動汽車用戶并網與可再生能源發電企業通過協商、掛牌等市場化方式完成電量交易，這種綠電消納模式對于具有“雙高”趨勢的新型電力系統的建設以及“雙碳”目標的實現具有推動作用。綠色電力市場的結構與交易示意圖如圖3所示。

圖3 綠色電力市場的結構與交易示意圖Fig.3 Schematic diagram of green electricity market’s structure and transaction

如圖3（a）所示，可再生能源發電商向省級或區域級電網提交發電信息，省級或區域級電力調度交易機構根據電網的運行需求形成棄電追蹤需求并開展市場交易。負荷聚合商通過電力調度交易機構與省內或區域內的可再生能源發電商簽訂曲線追蹤合約，明確消納目標曲線、聚合容量、合約價格等。電力調度交易機構對合約進行安全校核后，負荷聚合商與代理用戶簽訂聚合調用合約，獲取用戶參與調用的意愿等，并付出訂購與激勵補償成本。最后由儲能備用優化追蹤偏差電量，縮短追蹤時間粒度，精確調節聚合負荷曲線，實現交易信息和價值的交互。

圖3（b）為曲線追蹤交易示意圖，通過量、價的信號傳導，引導用戶改變充電時間、負荷分布等，實現曲線的連續追蹤。在電動汽車負荷聚合追蹤消納風電的模式下，風力發電商發布未來的棄風曲線等信息，負荷聚合商與風力發電商簽訂雙邊電價合同，對棄電資源進行掛牌交易。電價合同中規定了用戶追蹤消納棄風的具體方案，包括消納電量、電價、時間等。負荷聚合商聚合用戶負荷，按照合約規定的內容主動連續追蹤可再生能源的棄電曲線，確保消納的量、價和時間，由此獲得可再生能源消納配額指標，并在一個周期結束后根據實際履約量向可再生能源發電商結算費用。

根據可再生能源的發電特性、發電廠與負荷中心的分布位置等設置跨?。鐓^消納和分布式能源就近消納2 種模式?？缡。鐓^消納模式利用特高壓輸電技術的優勢，將遠距離的可再生能源電力輸入省內市場，由售電主體代理電動汽車用戶以低成本購買，然后通過省內零售交易的方式分配低成本的可再生能源電力。分布式能源就近消納模式通過分布式電源將風電等可再生能源通過受端電網輸入負荷聚合商，然后通過各運行商分配給電動汽車用戶。

2 電動汽車負荷聚合模型

風電資源的損失在于已發風電未利用以及因此產生的經濟成本損耗。利用電動汽車負荷的靈活可控性，調整電動汽車負荷聚合方案，根據棄風曲線匹配更貼近的需求側負荷曲線，以此實現對棄風曲線的追蹤。電動汽車用戶的基數過大，將每個用戶作為一個控制變量進行聚合易陷入維數災害問題，因此本文將電動汽車集群［15］作為最小的控制單位，建立電動汽車負荷聚合模型，并明確模型的優化目標、約束條件及求解算法。

2.1 優化目標

以各時段負荷功率與發電側棄電功率的差值為指標衡量棄風曲線追蹤偏差，該偏差越小，發用電平衡性越大，則對風電的消納程度越高。因此以各時段負荷與棄風功率偏差絕對值之和最小為優化目標，如式（3）所示。

2.2 約束條件

2.2.1 電動汽車荷電狀態約束

電動汽車集群的荷電狀態以單輛電動汽車為基礎，荷電狀態約束為：

式中：κ為電動汽車聚合資源占需求側資源的最小比例；Q為需求側資源的電量。

2.2.3 用戶參與調用的意愿約束

在實際情況中用戶的主觀用車與充電行為習慣會直接影響負荷聚合商對電動汽車的聚合調用，因此需要評估電動汽車用戶參與聚合調用的意愿。電動汽車用戶在決策時受到車輛出行狀態、激勵價格等多方面因素的影響，因此描述用戶參與調用的意愿時需明確不同的指標變量對決策傾向的影響程度。Logit 模型可描述多元影響因素并解決離散決策問題，克服了傳統線性概率模型中發生概率可能越限的問題［16］，其計算式為：

式中：xi為電動汽車集群i的隱變量，通過Logistic 函數被轉化為概率，如式（10）和式（11）所示；Vi、Mi、S分別為影響電動汽車集群i參與調用意愿的最大容量潛力、充電移動時長、激勵價格，μ1、μ2、μ3分別為其對應的解釋變量系數；φi為電動汽車集群i的基準概率系數；σ為隨機誤差項；pi(θi=1)、pi(θi=0)分別為電動汽車集群i愿意、不愿意參與聚合調用的概率；Ki(θi=1)為電動汽車集群i參與調用意愿的刻畫系數，其值大于1 表示用戶選擇參與調用的意愿大于選擇不參與調用的意愿。通過統計分析獲得模型的系數，通過敏感性分析獲得激勵價格S，激勵價格的具體制定方法見附錄B。

2.2.4 負荷互補約束

當負荷聚合商聚合電動汽車負荷參與電網調度時，充分利用了電動汽車負荷曲線間的靈活性與差異性，能夠減少系統運行沖擊，提高運行穩定性。負荷互補約束可以有效利用同一時段不同電動汽車集群負荷曲線的差異性，從而使負荷的聚合追蹤更加靈活、可控，具體約束可表示為：

2.2.5 負荷互斥約束

在實際的聚合場景中，由于實際運行中操控管理難度以及經濟成本因素的限制，同一充電運營商的所有充電樁需同時參與聚合或同時不參與聚合，否則將產生過高的充電設施運營服務費用及聚合調度管理增量成本［17］，因此電動汽車用戶間存在參與調用聚合的互斥約束，具體如下：

式（17）表示電動汽車集群a、b、…、i必須同時參與聚合調用，式（18）表示電動汽車集群c、d、…、k不能同時參與聚合調用。

3 聚合模型的優化與評估

在對電動汽車負荷進行初步聚合后，還需進一步測算聚合負荷與追蹤棄風曲線之間的偏差，從而進行聚合優化。將電動汽車移動儲能作為基礎調節資源，而將集中式儲能作為協調補充資源。首先，從量的角度計算偏差，對比電動汽車實際聚合負荷與雙邊電價合同中規定的棄風消納電量之間的偏差量，引入儲能充放電優化以減小這部分偏差量；然后，從價的角度對聚合方案進行評估，計算負荷聚合商的聚合成本與偏差考核成本以及儲能系統使用成本等，得到最優的電動汽車負荷聚合方案。

3.1 儲能聯合優化

根據負荷聚合商追蹤棄風曲線的效果，儲能系統在充電狀態和放電狀態之間進行選擇，實現對能量的雙向調節，從而真正地實現棄風曲線的連續追蹤。聚合優化模型的整體流程圖見附錄C 圖C1。當電動汽車負荷小于棄風功率時，儲能系統進行充電；當電動汽車負荷大于棄風功率時，儲能系統進行放電。儲能系統聯合優化模型的目標函數如式（19）所示，約束條件如式（20）—（26）所示。

儲能系統的建設投資成本、運行維護成本與其容量和功率配置有緊密聯系，高容量與高功率配置必定會增加成本，所以需要通過測算求解一個同時滿足儲能使用成本低以及棄風曲線追蹤精度高的儲能配置平衡點。

3.2 聚合評估

棄風曲線連續追蹤偏差量為電動汽車聚合負荷量與合約規定的棄風消納電量之間的差值。該偏差量越大，則負荷聚合商面臨的考核成本越大，但要減小該偏差量，又會面臨著成本的增加。因此，在減小棄風曲線連續追蹤偏差量的同時還需綜合考慮總成本，總成本包括聚合成本與儲能系統使用成本。

3.2.1 聚合成本

在棄風曲線追蹤交易中，負荷聚合商承擔著跟蹤消納棄風與保障用戶充放電穩定的責任，其成本包含以下部分。

1）用戶訂購成本與激勵成本。

訂購成本為負荷聚合商在簽訂合約前就應支付的成本，是對電動汽車負荷控制權的購買，激勵成本為負荷聚合商根據容量需求對用戶給予的激勵，該成本是促成合約交易開展的核心。負荷聚合商支付的用戶訂購成本與激勵成本之和C1可以表示為：

式中：p2為用戶補償價格；Qi為電動汽車集群i參與調用改變的充電電量。不同于激勵價格對用戶決策前參與調用意愿的直接作用，補償價格僅作用于用戶充電后的效用，因此本文按照電價的固定比例設置補償價格。

3）違約賠償成本。

由于電動汽車用戶參與聚合具有較大的主觀性，且用戶的用電習慣與參與調用的意愿是相互獨立的，因此在負荷聚合商的實際聚合過程中常出現用戶不能按照規定的充電電量參與聚合調用的情況，則負荷聚合商便無法按照合約規定的電量消納可再生能源。同時，負荷聚合商自身的運營不優也會造成追蹤棄風曲線的偏差，這兩部分帶來的損失共同體現在負荷聚合商向簽訂合約的風力發電商付出的違約賠償成本中。負荷聚合商支付的違約賠償成本C3可表示為：

式中：p4為負荷聚合商進行棄風曲線追蹤交易所簽訂合約中規定的消納收益單價；Qi，3為電動汽車集群i超出合約規定的充電電量。

3.2.2 儲能系統使用成本

采用市場競價出清的方式決定儲能的使用定價，儲能聯合優化成本取決于容量與功率配置及其相應的容量權價格與功率權價格［18］。儲能系統使用成本CESS的計算式為：

式中：α、β分別為功率權、容量權價格系數。

上述建立的聚合模型為混合整數線性規劃模型，本文調用MATLAB的CPLEX工具箱進行求解。

4 算例分析

4.1 算例概況

以某地區電力數據為算例進行仿真分析。該地區內30 座充電站的充電功率分布見附錄D 圖D1。以15 min 為時間間隔，將1 d 劃分為96 個時段。采用如下3 種方法對電動汽車負荷進行聚合：①方法1，根據充電站的地理區域劃分對電動汽車負荷進行聚合；②方法2，采用模糊C 均值聚類方法選擇負荷曲線形態接近棄風曲線的電動汽車負荷進行聚合；③方法3 為本文所提負荷聚合方法。根據地區電網的安全約束與統計數據經驗，設置方法3 聚合模型中的系數參數，具體見附錄D 表D1。在負荷互斥約束中，假設充電站11、19、26 必須同時參與聚合調用，充電站5、17、30不能同時參與聚合調用。

4.2 優化結果分析

3 種聚合方法的追蹤偏差量及成本對比如表1所示，采用方法3 時電動汽車的調用結果如表2 所示，3 種聚合方法的聚合負荷曲線與棄風功率曲線如圖4所示，3種聚合方法的追蹤偏差量曲線見附錄D圖D2。

表1 3種聚合方法的追蹤偏差量及成本對比Table 1 Comparison of tracking deviation and cost among three aggregation methods

表2 方法3的電動汽車調用結果Table 2 Dispatching results of electric vehicles for Method 3

圖4 3種聚合方法的聚合負荷曲線與棄風功率曲線Fig.4 Aggregation load curves of three aggregation methods and wind abandon power curve

由圖4可以看出，方法1所得聚合負荷的波動性較大，負荷尖峰特性加劇，未能準確追蹤時段65—75 的棄風功率曲線低谷，負荷追蹤遲緩。由于不同的充電站所處的地理位置、交通情況以及可供充電的電動汽車類型存在差異，不同充電站的電動汽車每天的充電功率與時間也具有較大的差異，方法1依據地理位置聚合負荷的可調性較低，會加劇原電動汽車負荷曲線的特性，不能滿足電網的安全要求與風電消納靈活性需求。方法2 選擇接近棄風曲線的負荷而未充分利用負荷的互補特性，在棄風低谷時段與突變時段仍未能被準確追蹤。相較于方法1和方法2，方法3 顯著降低了追蹤偏差量，但仍有優化空間。棄風功率曲線在時段1—35之間呈現小波動的下降趨勢，此時聚合負荷曲線與之較為貼近，而在時段35—40 之間棄風功率出現突增，在時段40—96 之間風電出力體現出不可控與難預測的特點，此時棄風功率始終在5～30 MW 范圍內大幅度波動，而聚合負荷未能快速反應變化，導致該時段的追蹤偏差量增大，因此需要引入儲能系統進行聯合優化。

在引入儲能系統進行聯合優化時，需考慮其電池種類的影響，儲能設備種類多樣，不同種類的儲能電池會影響其充放電功率上下限，例如有放電功率上限大于充電功率上限的鈉硫電池以及充電功率上限與放電功率上限接近的鋰電池、超電容等新型儲能系統［19］，本文按照高效益、低成本的儲能設備配置進行測算。采用逐步搜索法分別確定儲能系統的最優功率與容量配置，電價及儲能系統參數設置見附錄D表D2。

假設負荷聚合商已與風力發電商簽訂曲線追蹤合約，且合約價格固定，因此負荷聚合商的聚合收益固定，只需比較不同儲能配置下負荷聚合商的曲線追蹤成本。不同的儲能系統容量、功率配置下的追蹤偏差量、總成本如圖5 所示，具體數據結果見附錄D表D3。

圖5 不同儲能配置下的追蹤偏差量與總成本Fig.5 Tracking deviation and total cost under different energy storage configuration

在不引入儲能聯合優化時，電動汽車聚合負荷追蹤棄風曲線的偏差量為26.40 MW·h，聚合成本為43 459.67 元（此處儲能系統使用成本為0，即總成本為43 459.67 元）。由圖5（a）可知，引入儲能聯合優化后，在4 種容量配置下，追蹤偏差量均有不同程度的下降，即儲能系統的加入可以顯著減小電動汽車聚合負荷追蹤棄風功率的偏差，從而減少其偏差考核成本和違約賠償成本，但增加了儲能系統使用成本，因此還需進一步比較總成本的變化。由圖5（b）可知，在4 種儲能容量配置下，總成本均隨著儲能功率配置的增大呈現先減小后增大的總體趨勢。但當儲能容量配置為6 MW·h 時，在儲能功率配置由6 MW增加至18 MW 的過程中，總成本緩慢增大，功率超過18 MW 后總成本呈減小趨勢并在功率配置增大至20 MW 時取得最小值，22 MW 之后總成本又不斷增大，這是因為儲能容量配置較小，增加功率配置對違約補償成本的減少作用較小。當儲能容量配置為8、10、12 MW·h時，總成本的最小值分別為41640.34、41 820.38、42 150.38 元?？傻帽疚乃憷袃δ芟到y的最優容量配置為8 MW·h，最優功率配置為18 MW，追蹤偏差量為4.68 MW·h，相較于無儲能配置時減小了21.72 MW·h，聚合成本為35 640.34 元，儲能系統使用成本為6 000 元，總成本為41 640.34 元，相較于無儲能配置時節省了1 819.33 元。圖6 對比了無儲能聯合優化與引入最優儲能配置進行聯合優化時的電動汽車聚合負荷曲線與棄風功率曲線。

圖6 儲能聯合優化前、后電動汽車聚合負荷曲線和棄風功率曲線Fig.6 Aggregation load curves of electric vehicles before and after joint optimization of energy storage and wind abandon power curve

由圖6 可知，儲能聯合優化后的聚合負荷曲線明顯更貼近棄風功率曲線，在時段1—10、45—50、60—65、90—96 內，優化后的聚合負荷幾乎完全消納了棄風功率，而在其他時段，優化后的聚合負荷大多大于棄風功率，完成了棄風消納的任務。優化后的聚合負荷多于棄風功率的部分會產生負荷聚合商的機會成本，但若繼續精準調節儲能配置以提高棄風曲線追蹤精度，則會加大儲能使用成本。在考慮物理與經濟兩方面時，本文所建聚合模型能夠實現棄風電量的高程度消納以及經濟成本的最優。

5 結論

本文構建了電動汽車負荷連續追蹤棄風曲線的混合整數線性規劃模型，調用MATLAB 的CPLEX 工具箱求解得到電動汽車負荷的聚合方案，在考慮聚合成本的同時引入儲能系統對曲線追蹤的聚合方案進行聯合優化，并采用逐步搜索法尋找儲能系統的最優配置方案?；谒憷治隹傻玫饺缦陆Y論。

1）風電出力具有較強的隨機性與波動性，且同時呈現出反調峰與逆時空的特性，這為風電的消納帶來了挑戰。電動汽車負荷作為靈活性需求側資源，可通過綠色電力交易中的曲線追蹤交易，與風力發電商簽訂追蹤合約以實現風電曲線的連續追蹤，有助于減小棄風電量。

2）聚合優化模型以最小化電動汽車聚合負荷與棄風功率偏差為目標，考慮電動汽車荷電狀態、聚合規模、用戶參與調用的意愿、負荷互補與負荷互斥約束條件，并調用儲能資源參與市場交易，與受用戶主觀行為影響大、調控難、可控性小的電動汽車進行聯合優化，在減小追蹤偏差量的同時節省了聚合追蹤的成本，有效地實現了不同需求側資源的優勢互補。

3）在曲線追蹤交易市場構建的初期，需要綜合考慮提高棄風曲線追蹤精度與降低聚合成本兩方面，過高程度的棄風消納會增加負荷聚合商的機會成本，但追求更精確的曲線追蹤又會增加儲能使用成本?，F階段通過逐步搜索法尋找滿足追蹤精度與成本的平衡點，為了完善市場機制的運作，還需通過設置調用補貼成本以鼓勵電動汽車積極地參與曲線追蹤交易。

待曲線追蹤交易市場規則建立完善后，下一步的研究方向主要是探究靈活調節的市場引導價格，引導用戶積極參與并改變充電功率和時間，更精準地計算用戶的可調容量區間，實現更靈活、可靠的棄風曲線連續追蹤。

附錄見本刊網絡版（http：//www.epae.cn）。