考慮不確定性與非完全理性用能行為的電動汽車集群可調度潛力計算方法

朱 旭，孫元章，楊博聞，楊 軍，吳賦章，李高俊杰，詹祥澎

（1. 武漢大學 電氣與自動化學院，湖北 武漢 430072；2. 國網上海市電力公司浦東供電公司，上海 200120；3. 國網福建省電力有限公司營銷服務中心，福建 福州 350011）

0 引言

截至2021 年底，我國新能源汽車保有量達到784 萬輛，占汽車總量的2.60%。其中，純電動汽車（EV）的保有量為640 萬輛，占新能源汽車總量的81.63%。近五年來，新注冊登記的新能源汽車數量從2017年的65萬輛增加到2021年的295萬輛，呈高速增長態勢［1］。大規模應用的EV 所產生的充電需求會在電力系統的負荷高峰時段進一步增加電能需求，引起設備供能不足等問題。另一方面，EV 的推廣應用促進了交通、能源兩大系統的融合，為電力系統的調節引入了靈活、優質的需求側資源。

EV 能作為優質的需求側資源參與電力系統優化調節的主要原因在于：EV 車載電池具有充電、放電功能，在停車時段經充電樁接入電力系統后可被視為廣義儲能（GES）單元［2］，可通過需求響應措施對EV 的充放電功率進行調控來實現EV 充電負荷的合理分布，進而起到電網側負荷削峰填谷、消納可再生能源、提供輔助服務的作用。但與儲能設備相比，EV 參與電力系統調節仍有一定的差別。實體儲能設備的全部儲能容量、充放能功率均可參與系統調節。而EV 則是在滿足未來行駛用能需求的基礎上貢獻車載電池的容量、充放電功率參與需求響應，被貢獻的容量、充放電功率可視為EV 的“可調度潛力”［3-4］。文獻［5］通過對慢充狀態EV 的電池容量、充放電功率進行求和，將EV集群聚合為虛擬電廠參與電力市場輔助服務交易，但在該過程中沒有區分EV 為了滿足用能需求所產生的負荷與虛擬電廠為了參與輔助服務市場而對EV充電負荷的調節量，因此難以量化EV 集群作為虛擬電廠在提供輔助服務過程中的貢獻，進而不利于輔助服務收益的公平分配。文獻［6］將EV用戶在停車時間內滿足未來行駛用能需求所產生的電力負荷定義為“自調度負荷”，稱相對應的負荷功率為“自調度功率”。在此基礎上，分別將EV 參與系統調度的電池容量、充放電功率定義為“再調度容量”、“再調度功率”，進一步明確了EV 用能行為與發揮可調度潛力參與需求響應行為之間的界限。

EV 能夠憑借其可調度潛力在電力系統中起到靈活調節的作用，文獻［7］考慮充電不確定性和用能滿意度對EV 進行建模，并將EV 作為主要的靈活資源參與電力系統的經濟調度。但在該調度架構下，電力系統調度中心需要處理海量的EV 用戶數據并進行電力系統優化調度，計算任務較為復雜、繁重?？紤]到單輛EV的電池容量較小且充放電功率較低，EV用戶的數據體量龐大，通常由EV充電服務商／聚合商或車聯網平臺集成區域內EV 集群的電池容量參與電力市場交易和系統調節［8］。電力系統調度中心負責下達總體的電量調節指令，具體的EV充放電優化調度工作則由聚合商執行。我國部分地區已經初步開展了相關案例的示范與實踐，如北京電力交際中心基于車聯網的綠電交易示范工程、京津冀EV參與調峰市場等［9］。在此背景下，開展EV 可調度潛力計算方法的研究以精準量化其再調度容量、再調度功率，對EV 參與需求響應［10］、聚合商參與電力零售市場交易［11］的決策制定具有重要的指導意義。目前，EV 可調度潛力的計算方法主要可以分為數據驅動、模型驅動2 類。數據驅動方法主要利用以神經網絡［12］、長短期記憶網絡（LSTM）［13］為代表的機器學習算法預測EV的充放電功率曲線來刻畫EV參與系統調節的行為。但預測所得功率曲線表征的是EV用戶在停車時間內整體的用能行為，無法區分用戶滿足自身行駛需求的自調度過程和參與需求響應的再調度過程；同時EV 的可調度潛力并不僅僅是1 組充放電功率曲線的預測結果，而是多種可能的再調度決策所組成的包絡空間。上述缺陷表明，目前的數據驅動方法難以對EV 的可調度潛力進行精準量化。在模型驅動方法方面，文獻［14-15］歸納了具有不同停駛特性的EV 集群，并建立了相應的EV 負荷經濟調度模型，從滿足用戶最低行駛用電需求的角度進行EV 自調度負荷計算，進而根據EV 車載電池的容量約束與充放電功率約束確定再調度容量與再調度功率的上下限。這一類方法清晰地界定了EV的自調度過程和再調度過程，可用于研究EV發揮可調度潛力參與系統調節的效果，但是在EV 建模、自調度負荷計算過程中默認用戶能夠全面地感知電價的變化，并完全理性地制定最優化的自調度用能方案，忽視了實際工程中用戶的多樣化用能規律和用能心理，容易產生先驗性錯誤。因此模型驅動方法難以用于實際電力市場交易中對EV 用戶的可調度潛力計算環節。

為了解決目前EV 可調度潛力計算方法難以平衡實用性與準確性的問題，本文提出了一種綜合機器學習預測方法和用戶非完全理性行為因素自調度模型的EV 集群可調度潛力混合驅動計算方法。采用雙向長短期記憶網絡（Bi-LSTM）對EV 用戶的停駛數據進行預測，基于閔可夫斯基求和理論將EV集群聚合為GES設備并求取該集群的可調度潛力包絡空間邊界。同時考慮EV 用戶的經濟用能因素和非完全理性行為因素，建立EV 自調度模型，根據停駛數據求取EV 自調度負荷曲線，實現囊括再調度容量、再調度功率的EV集群可調度潛力計算。

1 EV集群可調度潛力的GES模型

1.1 EV集群可調度潛力概述

根據EV 集群可調度潛力的定義，將EV 為了滿足未來行駛用能需求所產生的充電負荷稱為自調度負荷，在此基礎上將可以參與需求響應的車載電池容量與充放電功率稱為EV的可調度潛力，并進一步對EV 集群的可調度潛力在電力系統運行過程中所能起到的調節作用進行深入敘述。

EV 集群的可調度潛力示意圖見圖1。EV 集群組成GES，通過自調度在單個時段內產生充、放電功率，進而在需求響應過程中產生再調度功率以發揮可調度潛力。將使GES起到降低系統負荷作用的再調度功率稱為上調節功率，將使GES 起到提升系統負荷作用的再調度功率稱為下調節功率。在GES的再調度過程中，自調度充電狀態通過再調度變為放電狀態、再調度降低充電功率、再調度增加放電功率這3 種情況會產生上調節功率，自調度放電狀態通過再調度變為充電狀態、再調度降低放電功率、再調度增加充電功率這3種情況會產生下調節功率。

圖1 EV集群可調度潛力示意圖Fig.1 Schematic diagram of EV cluster’s schedulable potential capacity

EV 集群的可調度潛力計算就是通過預測、計算GES 的自調度負荷及最大充／放電功率，進而明確GES 再調度功率及容量的包絡空間，為聚合商引導GES參與電力市場交易提供參考。

1.2 基于閔可夫斯基求和理論的EV集群GES建模

1.2.1 單輛EV的模型

明確單輛EV 的初始荷電狀態SOC（State Of Charge）、停車開始時刻與停車結束時刻即可建立其對應的負荷模型，如式（1）和式（2）所示。

電力系統中擁有大量的EV，若直接上報所有EV 用戶的充電數據參與系統調節，則會在調度過程中產生大量的高維變量數據，不利于調度計劃的優化求解；同時，單輛EV 的容量難以達到電力市場的準入門檻；向電力系統公開大量EV用戶的數據會產生用戶隱私安全問題。因此，應當由以EV充電服務商為代表的聚合商對EV 集群進行聚合之后再參與電力系統調度。

1.2.2 EV集群的GES模型

閔可夫斯基求和理論是一種適用于歐幾里得空間的求和理論，可用于求取多個定義域相同的變量空間的膨脹集［16］。閔可夫斯基求和示意圖如附錄A圖A1 所示。對于具有相同定義域的變量空間M與N，閔可夫斯基求和過程為：

M⊕N={m+n′|m∈M，n′∈N} （3）

式中：M⊕N為2 個變量空間的閔可夫斯基和，包含了更大的空間；m、n′分別為變量空間M、N中的元素。

對于單輛EV，式（1）中的布爾變量xEVn(t)將原本具有差異性的EV 并網時間延拓統一至相同的時間可行域下，使得單輛EV的模型具有了閔可夫斯基可加性。對于某聚合商管理下的EV 集群NEV而言，其聚合模型可表示為：

在聚合商層面通過閔可夫斯基求和過程實現EV 集群的聚合，進而提取GES 的變量以及參數，如式（7）所示。

通過上述松弛的閔可夫斯基求和過程以及GES參數提取過程，聚合商可將海量的EV 單體聚合為GES，并將龐大的EV 充電數據壓縮為GES 模型參數。經過上述聚合過程，聚合商在電力市場交易過程中只需要上報少量的GES 模型參數，一方面減少了數據傳輸體量，減輕了電力系統調度中心的數據處理壓力與優化調度計算壓力；另一方面限制了EV單體用能數據在電力系統中的公開范圍，增強了對用戶隱私的保護。

2 模型-數據混合驅動的EV 集群可調度潛力計算方法

快充服務下EV用戶的停駐時間短，互動條件十分有限，因此本文的計算方法主要針對為聚合商提供服務的慢充EV用戶。

2.1 模型-數據混合驅動的EV 集群可調度潛力計算框架

模型-數據混合驅動的EV集群可調度潛力計算框架見圖2，由數據驅動環節、模型驅動環節組成。

圖2 模型-數據混合驅動的EV集群可調度潛力計算框架Fig.2 Model-data hybrid-driven framework for calculating EV cluster’s schedulable potential capacity

由式（7）可知，GES 的最大充、放電功率和電量上、下限是時變參數，與各時刻接入EV 的數量有直接的關系。同時，GES的電量也與單輛EV的SOC有關。因此，在數據驅動環節，利用機器學習算法形成GES模型參數的預測方法，對EV 集群的海量停駛數據（初始SOC、停車開始時刻、停車結束時刻）進行數據規律挖掘與預測，實現對計及EV用戶實際用能規律的GES功率邊界、容量邊界的計算。

如前文所述，EV 的可調度潛力并不僅僅是1 組充放電功率曲線，而是多種可能的再調度決策所組成的包絡空間，因此僅通過數據驅動的機器學習算法進行預測難以計算EV 集群的可調度潛力。在模型驅動環節，建立EV 集群自調度模型，模擬在經濟用能心理和非完全理性行為因素影響下EV 集群的自調度負荷。

根據GES 的功率邊界和容量邊界以及EV 集群的自調度負荷，計算得到EV集群可調度潛力的預測結果，包括GES的再調度容量、再調度功率。該預測結果可為聚合商參與電力市場日前交易、制定需求側資源的出清計劃提供參考。

2.2 基于Bi-LSTM的GES模型參數預測方法

如前文所述，當掌握EV 的初始SOC、停車開始時刻、停車結束時刻時，即可明確EV 充電調度的時間區間。為了在制定優化調度策略前確定EV 集群的可調度潛力，需要基于EV用戶的歷史數據進行預測，進而計算得到GES模型的參數。需要預測的EV初始SOC、停車開始時刻、停車結束時刻均為時序性數據，但不同的數據參數具有不同的量級，且不同EV 集群的數據參數會呈現不同的變化規律，應當采取具有較強泛化性與規律挖掘能力的算法對這些數據進行預測，以便作為可調度潛力精準計算的基礎。因此，本文采用對時序數據處理能力較好的Bi-LSTM 算法形成GES 模型參數的預測方法。傳統LSTM 為代表的單向神經網絡按照時間序列從過去向未來傳播進行訓練，具體原理可參考文獻［18］。Bi-LSTM在此基礎上建立了正、反雙向循環結構［19-20］。

基于Bi-LSTM 的模型參數預測結構見附錄A圖A2。在數據驅動環節，將初始SOC／停車開始時刻／停車結束時刻的歷史數據劃分為訓練組、測試組。先利用訓練組的歷史數據進行數據內在聯系發掘。圖A2 中的數據流F（初始SOC／停車開始時刻／停車結束時刻訓練組歷史數據）為由過去流向未來的正向傳播序列。Bi-LSTM 增加了由未來至過去的數據流向，即增加了與數據流F相對應的反向傳播序列E。模型結構中用于過去的隱藏層與用于未來的隱藏層之間沒有聯系。Bi-LSTM 可以更加深入地發掘當前數據與過去及未來時刻數據之間的聯系，從而提升數據的利用率以及預測精度，具體可參考文獻［19］，此處不再贅述。

然后采用測試組數據驗證訓練效果。用均方根誤差RRMSE和平均百分數誤差MMAPE這2 個指標對訓練效果進行量化評估，計算公式為：

式中：Ndata為測試組歷史數據的數據量，與預測結果的數據量相等；ytest，g、ypre，g分別為測試組中的第g個歷史數據及其對應的預測結果數據。

通過訓練效果驗證的Bi-LSTM 可用于GES 模型參數預測，具體步驟為：利用歷史數據預測交易日當天的EV 集群停駛數據，然后根據式（7）求取GES各時刻的容量邊界與功率邊界，其中初始SOC 的預測結果將用于自調度負荷計算。

2.3 考慮非完全理性行為因素的EV集群自調度模型

EV 用戶在自調度過程中主要以在滿足用電需求的同時保證用能經濟性為目標，但是在充電過程中用戶可能無法全面衡量電價變化從而得到最為經濟的充電計劃，且用戶還會受到越早完成充電越早用車、電量焦慮等非理性心理影響。這表明EV用戶在充電過程中并不是具有“上帝視角”的完全理性人［21］，而是會受非理性心理、經濟用能目標等多種因素共同影響的非完全理性人。因此，本文考慮非完全理性因素建立EV集群的自調度模型。首先，基于決策過程的參照點依賴特性［22］，建立用戶的非理性參照點，如式（9）所示。

最終形成考慮非完全理性行為因素的EV 集群自調度模型，其目標函數如式（10）所示，約束條件如式（1）和式（2）所示。該模型模擬了EV 用戶在非完全理性行為因素的影響下，根據分時電價信號制定自調度充放電計劃的過程，最終得到EV集群的自調度負荷。且所建模型為混合整數線性規劃（MILP）模型，便于求解。

2.4 EV集群的可調度潛力計算

在預測GES 模型容量邊界、功率邊界并計算得到EV集群的自調度負荷的基礎上，進一步計算得到GES 的再調度功率與再調度容量，實現對GES 再調度潛力的量化。

3 仿真分析

基于我國南方某省1 000 輛EV 18 個月的初始SOC、停車開始時刻、停車結束時刻數據，對本文所提EV 集群可調度潛力計算方法進行仿真分析。作為數據來源的EV 類型為特斯拉Model 3 和東風風神E70，車載電池容量均為50 kW·h。

3.1 GES模型參數預測效果分析

在數據驅動階段，精準預測EV集群的停駛數據是計算GES再調度潛力的重要基礎。為了驗證本文所提基于Bi-LSTM 的GES 模型參數預測方法（下文簡稱為“Bi-LSTM 模型”）的效果，將其與常用于數據預測的BP 神經網絡模型、LSTM 模型進行對比。本文研究在Keras 運行環境下建立Bi-LSTM 模型，神經網絡包含1 個網絡層，神經元個數為100，最大迭代次數為650。采用CPU 為Intel Core i7-12700H、內存為16 GB 的筆記本電腦進行仿真。并使用2 輛具有不同行車規律的EV 數據（18 個月）進行預測：一輛為通常上午充電的公務車（車類1），另一輛為通常夜間至凌晨充電的網約車（車類2）。將前17個月的數據作為訓練集，最后1 個月的數據作為測試集。以車類1為例，其預測結果如附錄B圖B1所示。

BP 神經網絡模型將時間序列作為非線性映射進行擬合來實現數據預測，LSTM模型則是通過發掘時間序列的變化規律來推斷未來數據。由圖B1 可直觀地看出：相較于BP神經網絡模型，LSTM 模型能夠得到更為精準的預測結果；與單向挖掘序列規律的LSTM 模型相比，Bi-LSTM 模型能夠進行雙向數據規律挖掘，從而進一步提升數據預測的準確性。

采用不同模型進行參數預測的耗時如表1 所示，預測誤差如表2所示。

由表1 可知，BP 神經網絡模型、LSTM 模型、Bi-LSTM 模型均可在60 s 內完成參數預測任務，可滿足聚合商在電力市場日前交易環節的需求。在此基礎上，進一步對不同模型的預測精度、預測性能的魯棒性進行對比分析。由表2 可知：對于具有不同行駛規律的EV 集群及具有不同量級的EV 數據而言，相較于BP神經網絡模型，LSTM 模型具有更高的預測精度；對于不同來源、不同量級的EV數據而言，Bi-LSTM 模型均取得了比LSTM 模型更高的預測精度?？梢?，本文所提基于Bi-LSTM 的GES 模型參數預測方法能對EV歷史數據的規律進行深入發掘，實現具有較高精度的預測，且預測性能具有較強的魯棒性。

表1 不同模型的參數預測耗時對比Table 1 Comparison of parameter prediction time-consuming among different models

表2 不同模型的預測誤差Table 2 Prediction errors of different models

EV 數據的預測結果會對GES模型的功率、容量邊界產生影響，以作為預測對象的2 輛EV 為例，根據某一天的預測結果所得GES 模型參數如圖3 所示，單臺充電樁的充放電功率上限設為15 kW。由圖可知：對停車開始時刻與停車結束時刻的預測誤差會在GES模型參數的閔可夫斯基求和計算過程中引起GES 充放電功率邊界、電量邊界在數值與時間分布上的偏差；初始SOC預測數據用于EV集群自調度模型，其預測誤差會進一步引起再調度功率、再調度容量的計算偏差，嚴重影響計算結果的可靠性。

圖3 預測結果對GES模型參數的影響分析Fig.3 Influence analysis of predicted results on GES model parameters

Bi-LSTM 模型對時間序列能夠取得高精度的預測效果，且效果具有魯棒性。上述特性保證了在數據驅動階段GES 模型參數預測方法能夠準確刻畫GES 的功率邊界和容量邊界，為進一步準確計算GES的再調度潛力提供基礎。

3.2 EV集群可調度潛力計算方法的應用效果分析

1）EV集群的可調度潛力計算分析。

在精準預測單輛EV 停駛數據并計算GES 功率邊界和容量邊界的基礎上，計算EV集群的自調度負荷和GES 的再調度潛力。為了驗證本文所提考慮EV 用戶經濟用能因素和非完全理性行為因素的自調度模型的應用效果，設置如下4 個仿真算例對1 000 輛EV 的自調度進行仿真，其中1 000 輛EV 包括650輛電動網約車和350輛電動公務車，單位時間間隔設為15 min。分時電價能體現電能作為商品在不同時段的稀缺性，因此算例統一采用分時電價作為EV 充放電調度的電能交易電價。EV 電池的單位電量放電損耗系數參考文獻［23］。①算例1：EV 以其電池SOC 達到85%為最低行駛用電需求，以最短時間達到該需求為目標進行自調度，且不參與放電。②算例2：EV 以其電池SOC 達到85%為最低行駛用電需求，以用能經濟性最優為目標進行自調度，且默認EV 用戶為完全理性人，μT、μC均設為0。③算例3：EV不設置最低行駛用電需求，以用能經濟性最優為目標進行自調度，且默認EV 用戶為完全理性人，μT、μC均設為0。④算例4：EV 不設置最低行駛用電需求，以本文所提考慮EV用戶經濟用能因素和非完全理性行為因素的模型進行自調度，其中350輛電動公務車的停車時長較短且對充電時間的關注度較高，將電動公務車群體目標函數中的μT、μC分別設為100、50，650 輛電動網約車的停車時長較長且對充電時間的關注度相對低，將電動公務車群體目標函數中的μT、μC分別設為60、50。

不同的算例中充放電EV 數量分布結果如圖4所示。由圖可看出：在算例1 中，EV 均在停車開始之后以最短的時間充電以達到最低行駛用電需求，完全不考慮電價的變化，明顯不符合分時電價信號引導下EV集群的用電行為，因此在該算例下求取的可調度潛力可信度較低；在其他3 個算例中，EV 呈現出大致相近的用能規律，將電價較高的時段作為放電時段，將電價較低的時段作為充電時段，但在充放電負荷的具體分布上存在差異。

圖4 充放電EV數量分布Fig.4 Quantity distribution of charging and discharging EVs

根據4 個算例的充放電EV 數量分布結果，求取EV 集群的自調度負荷以及GES 的再調度容量與再調度功率進行進一步分析，結果如圖5所示。

圖5 GES的可調度潛力結果Fig.5 Schedulable potential capacity results of GES

初步分析圖5（a）中的自調度負荷可知：算例1的自調度充電負荷變化完全不考慮電價的變化，可信度較低；算例2、3 中的EV 在停車時間內呈現出相同的充放電規律，這是因為這2 個算例中的EV 均以用能經濟性最優為自調度優化目標，不考慮非完全理性行為因素，而2 個算例自調度模型的唯一不同點在于算例2 中EV 集群充電只需使得車載電池的SOC 達到85%，因此在00:00—05:00 的低電價時段算例2 中EV 集群的充電功率低于算例3 中EV 集群的充電功率，而在11:00—15:00的高電價時段，由于需要滿足的充電需求較小，算例2 中EV 集群以更大的功率放電以獲利?？梢?，為EV集群設置最低行駛用電需求與經濟性最優自調度過程中所反映出的EV 用戶逐利特性是相悖的，導致EV 集群難以最大限度地滿足充電經濟性需求，于是通過進一步放電來獲利。

相較于算例1、2，同時考慮經濟用能因素和非完全理性行為因素的算例4 在充放電時段的功率分布差異較大，在00:00—10:00 這一較長的低電價時段內，算例1、2 的EV 放電功率分布均勻且平緩，而算例4 的EV 充電功率則出現了劇增的峰值。這是因為用能經濟性最優的自調度模型默認EV 集群具有完全理性且可以全面地感知電價的變化，在這種“全知視角”下EV 充電負荷得以均勻分布在低電價時段。而在現實生活中，EV 集群雖然能夠做出在低電價時段內充電的決策，但是受到非完全理性因素的影響，用戶傾向于在低價時段盡快將電池電量充滿，于是在低電價時段內出現了多個充電高峰。同樣地，算例2、3 中的完全理性EV 集群能精準地在電價最高的時段（11:00—15:00、17:00—21:00）進行集中且最大限度地放電以獲利。而算例4 中EV 用戶的實際自調度時長偏離參照點的罰函數與EV 用戶實際自調度費用偏離非理性參照點的罰函數可以反映EV 集群在追求經濟用能的同時對電池電量所存在的顧慮，難以在電價最高的時段做出高功率放電的決策，因此在電價最高的時段，算例4 的EV 放電功率低于算例2、3 的EV 放電功率。且在21:00—23:00 這種電價處于中等水平的時段內，算例4 中的EV 集群也會受非完全理性行為因素的影響進行放電以賺取少量的利潤。

基于圖5（b）所示結果進一步分析GES 的可調度潛力可知，EV 集群充電時段的GES具有較高的上調節功率以及較低的下調節功率，EV 集群放電時段的GES具有較高的下調節功率以及較低的上調節功率。在充電時段，隨著EV 集群SOC 的升高，GES 的上調節容量不斷升高；在放電時段，隨著EV 集群SOC 的降低，GES 的下調節容量不斷升高。同時GES 的可調度潛力是根據EV 集群的自調度負荷進行計算的，在算例1 中EV 集群的自調度以盡快達到所設定最低行駛用電需求為目標，完全不考慮分時電價信號，其計算結果的可信度較低。算例2、3 默認用戶完全理性且能夠全面地感知電價的變化，會引起GES可調度潛力的計算結果過于理想化。算例4 在考慮EV 用能經濟因素的同時，進一步考慮了充電時段EV 盡快滿足用能需求的心理和放電時段對電池電量的顧慮，將非完全理性因素引入自調度過程，使得GES可調度潛力的計算結果更貼近實際。

聚合商利用模型-數據混合驅動的EV集群可調度潛力計算方法計算并上報的GES的可調度潛力量化結果，如圖6 所示。由圖可知，聚合商根據EV 集群的充放電自調度情況、GES 等效功率曲線、GES 等效電量曲線計算得到日前可調度潛力量化參數集合{GES 上調節功率，GES 下調節功率，GES 上調節容量，GES 下調節容量}，并將其上報給電力系統調度中心。一方面，可以通過更少的信息交互參與輔助服務交易，降低了調度過程中的計算壓力；另一方面，避免公開EV 用戶的用能細節數據，滿足了用戶隱私保護的需求。

圖6 GES的可調度潛力量化結果Fig.6 Quantization results of GES schedulable potential capacity

2）不同類型單輛EV的可調度潛力計算分析。

對EV 集群中具有不同行車規律的單輛電動網約車、電動公務車進行可調度潛力分析，其自調度負荷曲線分別如附錄B圖B2和圖B3所示。由圖B2可知，電動網約車的主要停車時間為深夜至清晨時段，停車時間較長，且在21:00—23:00 電價相對較高的時段放電，以引入較高的下調節功率與下調節容量，在其他時段充電以引入上調節容量。由圖B3可知，電動公務車的主要停車時間為中午至下午時段，停車時間較短，且在11:00—15:00 電價較高的時段放電以引入下調節功率與下調節容量。

綜合分析圖B2 與圖B3 可知，不同類型EV 的可調度潛力存在差異，這主要是因為不同類型的EV具有不同的停車時長且停車時間處于不同的時段，所以在電力系統的調節過程中可以起到不同的作用。在本文研究中，電動網約車的停車時段內電價普遍較低，其可調度潛力可用于優化夜間與清晨的負荷形態并協助消納新能源；電動公務車的停車時段內電價較高，其可調度潛力可用于在用電高峰時段進行峰值負荷削減。

綜上所述，EV 的可調度潛力可以在電力系統中發揮多樣化的調節作用，本文所提方法可以實現EV集群可調度潛力的量化與計算。而結合電力系統的需求發揮GES 可調度潛力的作用，則需要聚合商進一步利用交易手段以及控制信號來實現。

4 結論

在EV 大規模應用為電力系統引入調節資源的背景下，本文提出了一種EV集群可調度潛力計算方法，通過算例仿真進行驗證，可得到如下結論。

1）建立了模型-數據混合驅動的EV集群可調度潛力計算架構，將EV 集群集成為GES 參與系統調節，基于閔可夫斯基求和理論構建GES 模型。通過數據驅動實現對考慮用戶用能規律的GES模型容量邊界和功率邊界的預測；通過模型驅動考慮用戶的用能心理計算EV集群的自調度負荷，進而計算得到GES 的再調度功率與再調度容量。在系統調度層面，該混合驅動架構可量化EV 集群的可調度潛力，為聚合商進行電力市場交易提供參考依據。在信息層面，將EV 集群的海量調度數據整合為少量的GES模型參數，實現了調度數據降維和用戶隱私保護。

2）提出了基于Bi-LSTM 的GES 模型參數預測方法，充分發揮了Bi-LSTM 雙向發掘時間序列規律的優勢，所提GES模型參數預測方法能夠對不同量級、不同變化規律的EV 參數進行準確預測。與已有機器學習模型相比，所提方法具有更高的預測精度，且預測性能具有較強的魯棒性。應用所提模型參數預測方法可以在數據驅動環節實現對GES模型功率邊界以及電量邊界的精準預測。

3）建立了考慮非完全理性行為因素的EV 集群自調度負荷計算模型，通過在EV集群自調度模型中設置非理性參照點，以實現用戶非完全理性行為因素影響下無法全面衡量電價變化的自調度過程。仿真結果表明，該模型能夠模擬用戶追求經濟用能的同時希望盡快充滿電以消除電量焦慮的充電過程。與傳統自調度模型默認用戶具有完全理性可實現負荷合理分配的自調度結果相比，該模型所得預測結果更符合EV 用戶的實際用能行為?；谠撃Ｐ驮谀Ｐ万寗迎h節所得自調度負荷計算得到的GES再調度功率與再調度容量可在電力市場交易過程中為聚合商提供更為可靠的參考依據。

附錄見本刊網絡版（http：//www.epae.cn）。