基于用户偏好的电动汽车储能V2G策略优化.pdf

第 12 卷 第 8 期2023 年 8 月Vol.12 No.8Aug.2023储能科学与技术Energy Storage Science and Technology基于用户偏好的电动汽车储能V2G策略优化洪睿洁1，顾丹珍1，莫阮清2，蔡思楠2，张超林1（1上海电力大学，上海 200090；2国网上海市电力公司经济技术研究院，上海 200030）摘要：近年来我国电动汽车行业飞速发展，其中电动汽车入网技术(vehicle-to-grid，V2G)在中国新电力系统和能源互联网中是成本较低、规模较大、安全性能较好的一项新兴技术，成为未来发展的趋势。由于当前V2G技术不够成熟，试点项目较少，用户参与V2G的放电行为特征数据和V2G参与电力市场的案例分析较少。为了更加精准模拟电动汽车放电行为和评估V2G的经济效益和社会效益，以电动汽车用户的空闲时间和对放电截止容量的接受度为分类标准对电动汽车用户群进一步划分，建立了不同偏好的电动汽车用户V2G充放电负荷曲线，以聚合商收益为目标建立了优化函数模型。通过算例分析可知，不同的调度计划对不同类型电动汽车的需求不尽相同；对不同用户群进行分类调度的收益明显高于对单一群体调度的收益，并且不同车型组合优化调度比单一车型优化调度效果更优。对优化前后参与V2G的电动汽车的碳排放进行评估，评估结果显示优化后减碳率达到20%。由此可得优化后的策略在经济效益和社会效益上相比于原始模型都有所提升。关键词：电动汽车；V2G；碳排放；效益评估doi：10.19799/ki.2095-4239.2023.0173 中图分类号：TM 73 文献标志码：A 文章编号：2095-4239（2023）08-2659-09Research on optimization of EV energy storage V2G strategy based on user preferenceHONG Ruijie1,GU Danzhen1,MO Ruanqing2,CAI Sinan2,ZHANG Chaolin1(1Shanghai University of Electric Power,Shanghai 200090,China;2Electric Power Economic Research Institute of State Grid Shanghai Electric Power Company,Shanghai 200030,China)Abstract:In recent years,the electric vehicle industry in our country has developed rapidly,with emerging technologies such as vehicle-to-grid(V2G)gaining prominence in Chinas new electric power system and energy internet.V2G presents a future development trend owing to its low cost,scalability,and promising safety performance.Currently,the V2G technology is not fully developed,leading to a shortage of pilot projects,limited user engagement in V2G discharge behavior data,and insufficient analysis of V2G participation in the power market.To simulate electric vehicle discharge behavior more accurately and evaluate the economic and social benefits of V2G,electric vehicle(EV)users are further divided based on their idle time and willingness to accept discharge cutoff capacity.This allows us to establish discharge load curves for EV users with different preferences.Aiming at aggregator income,an optimization function model is established.Through the analysis of examples,we observed that different 储能技术经济性分析收稿日期：2023-03-24；修改稿日期：2023-04-11。基金项目：国家电网有限公司科技项目（09A4BF-9003001-0014）。第一作者及通讯联系人：洪睿洁（1998），女，硕士，研究方向为电动汽车，E-mail：。引用本文：洪睿洁,顾丹珍,莫阮清,等.基于用户偏好的电动汽车储能V2G策略优化J.储能科学与技术,2023,12(8):2659-2667.Citation：HONG Ruijie,GU Danzhen,MO Ruanqing,et al.Research on optimization of EV energy storage V2G strategy based on user preferenceJ.Energy Storage Science and Technology,2023,12(8):2659-2667.2023 年第 12 卷储能科学与技术scheduling plans have varying demands for different types of EVs.Classification scheduling for different user groups is more beneficial than single-group modeling scheduling.Additionally,the optimization effect of different combinations of EV types is better than that of a single type.The carbon emission of EVs participating in V2G was evaluated and achieved a carbon reduction rate of 20%through optimization.Consequently,the optimized strategy enhances economic and social benefits compared with the original model.Keywords:electric vehicles;V2G;carbon emission;benefit evaluation近年来，碳减排已成为一个重大的全球性问题。交通运输作为能源消耗和温室气体排放的重点领域之一，2021年将分别占中国和全球碳排放总量的10%和25%，其中公路运输占80%。汽车逐步电动化已经在全世界达成共识。在“双碳”背景下1，政府部门进一步提出推进新能源汽车与电网能量互动试点示范并且坚持市场主导、政府引导的思路2，通过引导电动汽车充放电行为，起到稳定电网和支持大规模可再生能源入网的作用。目前V2G(vehicle-to-grid)3处于示范推广阶段，推广成本高及各方参与热情低是当前V2G市场发展缓慢的瓶颈问题。准确把握消费者的偏好对提高用户参与V2G的积极性以及聚合商进行精准调度具有重要意义。文献4-7研究结果表明，在限制和非限制城市以及不同发展阶段的城市中，消费者对电动汽车的偏好存在显著的异质性。行驶里程和充电站密度是消费者选择电动汽车的关键影响因素，不同的购买群体有不同的偏好。较多文献对V2G充放电建模进行了研究，对于充电建模通常基于大量的行为统计调查，从海量数据中以概率密度函数对其行为特性进行分析归纳8-10，而当前V2G试点项目较少，数据有限，对V2G建模的研究一般是将电动汽车用户放电作为随机行为，建模对象用车行为设定较为单一，缺少对不同偏好电动汽车用户参与V2G用车行为的研究，而实际上电动汽车用户对汽车使用灵活性的渴望和对汽车停放时间的缺乏意识都会导致放电行为的不确定性11-12。因此无法模拟出电动汽车用户真实的放电行为。目前有较多针对电动汽车充放电策略优化的研究，如文献13-15围绕了可再生能源消纳比率、可调度容量、调度响应时间、负荷平稳度和调度运行经济效益等多个指标建立了多目标优化模型，对V2G调度优化的策略进行评估，但缺少对V2G调度策略优化后社会效益的评估。文献16-17基于电力和交通系统建立了以成本和碳排放为目标的优化模型，但只采用了无序和有序充电模型进行分析，没有结合V2G模型进行分析。鉴于此，本工作以电动汽车用户的放电截止电池容量和所需的插电时间为分类标准对其进行更加详细的群体划分，更加准确地模拟电动汽车用户的放电行为，进一步优化电动汽车V2G的充放电策略。再结合案例进行分析，旨在评估该建模方法和优化策略的经济效益和社会效益。1 电动汽车储能V2G策略优化框架通过用车偏好的问卷调查结果，根据不同私家车的用车习惯将私家车用户分为Q个群体，并对各个群体的用车行为进行建模，得到各个用户群体的负荷特性曲线。当需要调度时，结合负荷特性曲线和优化模型，可求得完成指标所需各类群体的数量，根据该数量分布向电动汽车用户传达调度信息。2 电动汽车V2G充放电模型电动汽车的充电行为存在不确定性，各特征参数均呈现分布特性，故采用蒙特卡罗抽样法建立了电动汽车无序充电模型。建模过程中，仅考虑充电起始SOC(state of charge，剩余电量)、结束SOC将用户群分为Q类对Q类用户群参与V2G行为进行建模得到不同用户参与调度计划的最优数量分布根据数量分布向电动汽车用户发布调度信息用户根据调度信息参与调度电力公司发布调度需求优化部分图1优化框架Fig.1Optimization framework2660第 8 期洪睿洁等：基于用户偏好的电动汽车储能V2G策略优化和充电起始时刻的分布特性，其中充电起始SOC和结束SOC均采用正态分布描述，采用概率描述分布充电起始时刻。根据各类电动汽车习惯和充电行为特征，假设有N辆电动汽车，第n辆电动汽车用户的充电起始SOCn,begin服从期望begin，方差2begin的正态分布18，充电结束SOCn,end服从期望end，方差2end的正态分布，如式(1)和式(2)所示。f(SOCbegin)=12 begine-(SOCbegin-begin)222begin(1)f(SOCend)=12 ende-(SOCend-end)222end(2)tn，length=(SOCn，end-SOCn，begin)CchargePcharge(3)tn，end=tn，begin+tn，length(4)其中，tn,begin为第n辆车的充电起始时刻；tn,end为第n辆车的充电结束时刻；tn,length为第n辆车的充电时长；C为锂电池充电容量；Pcharge为充电功率；charge为充电效率。分时电价通常将一天分为峰时段、平时段和谷时段，在无序充电的基础上，若电动汽车在峰时段充电，认为该电动汽车具有参与有序充电的潜力，在该群体中随机抽取一定比例的电动汽车用户参与有序充电，将其充电起始时刻由峰时段转移至谷时段，得到每辆汽车的充电计划并对每辆电动汽车的充电负荷进行求和得到有序充电总负荷。第n辆电动汽车的充电负荷如下:Qn，t=0，t tn，begin，tn，endPcharge，t tn，begin，tn，end(5)Pn=t TQn，t fcharge/7，t T(6)其中，Qn,t为各时间段每辆电动汽车的充电功率；Pn为每辆电动汽车的充电负荷；fcharge为充电频次，即一周充电的次数；T为时间序列T1,T2,Tj。V2G是指电动汽车与电网进行双向互动，即电动汽车既可以充电也可以放电。假设电动汽车可在某个负荷高峰时段向电网放电，当电动汽车电量大于A时，可参与放电。放电截止容量为Soc,v2g。假设可放电时间段为，首先判断第 n 辆车是否满足放电条件：当第n辆车不在放电时段充电并且在可放电时间段内电量大于 A，即tn,end 并且SOCend A时认为该车满足放电条件，则满足放电条件的第i辆电动汽车可在时间段内进行放电。假设电动汽车放电功率为Punit,v2g，放电效率为v2g，则第 i 辆电动汽车的放电时长和放电结束时间如式(8)和式(9)所示：ti，v2g，length=(SOCi，end-Soc，v2g)C v2gPunit，v2g(7)ti，v2g，end=ti，v2g，begin+ti，v2g，length(8)其中，ti,v2g,length为第i辆车放电时长；SOCi,end为第i辆车参与放电时的电量；ti,v2g,begin为第i辆车放电起始时刻；ti,v2g,end为第i辆车放电结束时刻。第i辆电动汽车时段参与放电后于谷时进行充电，使其充完电的电量与放电前电量保持一致，第i辆电动汽车充放电模型如下：ti，length=(SOCi，end-Soc，v2g)CchargePcharge(9)ti，end=ti，begin+ti，length(10)Qi，t，v2g -Punit，v2g，t ti，v2g，begin，ti，v2g，end0，其他Pcharge，t ti，begin，ti，end(11)Pv2g=P+i=1 NQi，t，v2g fv2g/7(12)其中，Qi,t,v2g为第i辆车各时间段的充放电功率；ti,length为放电后电动汽车参与有序充电的充电时长；ti,end为放电后电动汽车参与有序充电的充电结束时刻；Pv2g为V2G参与度为时的充电负荷；P为有序充电负荷；fv2g为电动汽车用户参与V2G的频次，即一周参与V2G的次数。3 车-网互动调度优化模型文献19使用来自全国偏好调查的数据，对V2G电动汽车的潜在消费者需求进行了研究。并在选择实验中，将“所需的插电时间”和“保证的最小行驶里程”作为偏好属性对3029名受访者进行了问卷调查并将他们对于油车与V2G电动汽车的偏好进行了比较。基于此将问卷中电动汽车用户最小行驶里程的指标换算成放电截止电池容量即电动汽车用户参与放电时能够接受的最小放电截止容量，并将放电截止电池容量和所需的插电时间作为指标对私家车用户群进行分类建模。假设某一私家车空闲时间为tfree，放电截止容量为Soc,v2g，放电起始容量为Sendoc，放电起始时刻为tv2g,begin，放电起始时长为tv2g,length，结合某电动汽车APP中的放电试点中的规定：放电上下限差值最小为30%，即参与26612023 年第 12 卷储能科学与技术V2G放电的用户放电量不得小于30%。由第2章的V2G原始模型可知，该模型只对参与放电时间和参与放电时的电量进行了约束，因此在该模型的基础上增加对电动汽车用户空闲时间和截至放电时的电池容量的条件约束，如式(13)(14)所示：当电动汽车空闲时间大于其放电至截止电池容量时所需放电的时间则按正常计划进行放电，当电动汽车空闲时间小于所需放电时间时并且在空闲时间内放电上下限值大于30%，则仅在空闲时间放电，空闲时间结束时中止放电。基于文献20中所述的电动汽车聚合商参与电动汽车调度策略可知，汽车聚合商的收益的主要来源是电力公司根据电动汽车聚合商对当日调度计划的执行情况进行的报酬与结算。为了达到目标负荷的削峰效果并且同时降低电力公司的负荷调度成本，当电动汽车聚合商的出力大于调度目标时则按照调度计划结算，若聚合商出力小于调度目标时则按照实际削减量结算，但若调度的偏差超过电力公司所允许的最大值max时，电力公司可以对电动汽车聚合商进行罚款，假设超出部分的罚款为，则电动汽车聚合商的收入为：minF=t=1Tpr PV2G，t-Fpunish-t=1Tq PV2G，t(13)PV2G，t=min(PV2G，t，Pneed，t)(14)Fpunish=t=1T|PV2G，t-Pneed，t|，|PV2G，t-Pneed，t|max0，|PV2G，t-Pneed，t|max(15)s.t.F 0(16)tv2g，length=min tfree，(Sendoc-Soc，v2g)Cv2g(17)tv2g，length Punit，v2g v2gC 30%(18)其中，PV2G,t为t时刻电动汽车参与V2G的总负荷，Fpunish为聚合商调度偏差超过电力公司允许最大值时需缴纳的罚款，q为聚合商给予用户的放电损耗，Pneed,t为当日t时刻的调度计划。由于本工作聚合商收益模型的求解是非线性规划问题，因此采用粒子群算法对目标函数进行求解。首先导入已建立好的基本电动汽车充放电模型，再基于提前设定的分类标准对导入的用户数据进行筛选和分类，并初始化粒子信息和参数，分别求出每个粒子的适应度和个体最优，通过对比个体最优和全局最优来更新全局最优同时更新粒子的速度和位置，直至满足进化的最大次数，优化模型求解流程如图2所示。4 V2G节能减排效益评估模型本工作使用的电动汽车电耗折算方法采用GB/T373402019电动汽车耗能折算方法中的CO2排放折算法，此方法通过与传统燃油车燃料燃烧产生的CO2进行换算，将电动汽车消耗的电量转化为发电阶段产生的CO2排放量。具体换算方法如下：FCCO2=E FCO2(19)式中，FCCO2为当量燃油消耗量，L/100 km；E为车辆的电能消耗量，kWh/100 km；FCO2为CO2折算因子，L/kWh，由式(20)计算得到。FCO2=TE TC TF tM ich(1-itr)(20)式中，TE为火电供电标准煤耗，kg/kWh，本工作取值为0.306；TC为燃料煤的CO2排放因子，即单位煤燃烧所产生的CO2排放量，kg/kg，取值为2.53；为火力发电比例，取值为70.19；TF为根据群体分类标准进行数据清洗和分类初始化参数：设定粒子初始速度、加速系数和惯性参数求出整个群体的全局最优值求出每个粒子的适应值导入电动汽车充放电数据初始化粒子信息：对聚合商收入进行约束求出每个粒子的个体最优进化粒子的速度和位置gen5 hC30%35 hD30%5 hE40%35 hF40%5 h(a)A类私人乘务车放电负荷曲线0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-1.0-0.8-0.6-0.4-0.20放电功率/kW时间段(b)B类私人乘务车放电负荷曲线(c)C类私人乘务车放电负荷曲线(d)D类私人乘务车放电负荷曲线(e)E类私人乘务车放电负荷曲线(f)F类私人乘务车放电负荷曲线0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.8-0.6-0.4-0.20放电功率/kW时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.8-0.6-0.4-0.20放电功率/kW时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.6-0.5-0.3-0.10放电功率/kW-0.2-0.4时间段时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.6-0.5-0.3-0.10放电功率/kW-0.2-0.4时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.6-0.5-0.3-0.10放电功率/kW-0.2-0.4图3各类私人乘用车负荷特性曲线Fig.3Load characteristic curves of all types of private passenger vehicles26632023 年第 12 卷储能科学与技术5.2不同偏好电动汽车群体放电负荷特性结合第2部分V2G放电模型和第3部分优化模型对AF类电动私人乘用车群体和公务乘用车进行建模并用正态分布函数进行拟合，得到单台私人乘用车的放电负荷特性曲线如图3所示，单台公务乘用车的放电负荷特性曲线如图4所示。由AF类电动汽车用户群负荷特性曲线拟合可知A、C、E类放电时间较集中，并且最大放电功率较一致而其余类型用户的负荷特性曲线较分散，相较于私人乘用车，公务乘用车负荷特性曲线较集中，并且私人乘用车和公务乘用车的F类负荷特性曲线相差较大，前者放电高峰位于15 00，后者位于17 00。5.3调度优化结果基于文献21-22中多个聚合商的调度信息，设置六组调度目标如表2所示，根据上节负荷特性曲线和函数模型可得到不同调度目标下各类电动汽车用户群最优数量分布如图5所示。根据图5的用户群最优数量分布可知，不同的调度目标下，对于各类用户的需求不同，如在第一组调度目标下，对E类私人乘用车需求较大，调度时聚合商可将调度信息优先发布给E类用户，根据E类用户的响应情况进行后续调度，如果E类用户响应不足，则再将对D类用户进行调度，由此类推，根据最优数量分布进行分层调度。根据上图的最优数量分布可求得优化前后聚合商收入进行对比，如图6所示。由图6可知，不论是私人乘用车参与调度还是公务乘用车参与调度，优化后聚合商的收益均有明显提高，根据图中收益增加率曲线可知，私人乘用车参与优化后聚合商收益率平均增加98%，公务乘用车参与优化后聚合商收益率平均增加89%。为了进一步研究两种车型同时参与V2G调度优化效果，求取私人乘用车和公务乘用车同时参与V2G调度(a)A类公务乘用车放电负荷曲线(b)B类公务乘用车放电负荷曲线(c)C类公务乘用车放电负荷曲线(d)D类公务乘用车放电负荷曲线(e)E类公务乘用车放电负荷曲线(f)F类公务乘用车放电负荷曲线0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-1.0-0.8-0.6-0.4-0.20放电功率/kW时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.8-0.6-0.4-0.20放电功率/kW时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.8-0.6-0.4-0.20放电功率/kW时间段时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.6-0.5-0.3-0.10放电功率/kW-0.2-0.4时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.6-0.5-0.3-0.10放电功率/kW-0.2-0.4时间段0:001:002:003:004:005:006:007:008:009:0010:0011:0012:0013:0014:0015:0016:0017:0018:0019:0020:0021:0022:0023:0024:00-0.6-0.5-0.3-0.10放电功率/kW-0.2-0.4图4各类公务乘用车负荷特性曲线Fig.4Load characteristic curves of various official passenger vehicles2664第 8 期洪睿洁等：基于用户偏好的电动汽车储能V2G策略优化优化的用户群最优数量分布，并求取优化后的聚合商收益，将其与私人乘用车和公务乘用车单独参与调度优化的收益进行对比如图7所示。由图7可知，私人乘用车和公务乘用车同时参与优化调度时聚合商收益最高，比私人乘用车和公务乘用车单独参与优化收益平均提高了11%，由此可得组合优化后的聚合商收益最高，即经济效益最好。5.4V2G节能减排效果评估结合前一节各类电动汽车用户群最优数量分布数据和第 4 部分中电动汽车耗电量数据并根据式(19)、(20)对比计算优化前后电动汽车的日碳排放量，得到图8所示减排潜力预测。由预测结果可知，优化后，私人乘用车平均节能减排率均为20%，公务乘用车平均节能减排率均为22%，组合00.51.0A1041.5B2.02.5第六组C第五组D第四组组别E第三组F第二组第一组01.02.0最优数量分布/辆(a)私人乘用车用户群最优数量分布(b)公务乘用车用户群最优数量分布最优数量分布/辆0.51041.5AB第六组C第五组D第四组E第三组F第二组第一组私人乘用车用户群类别公务乘用车用户群类别组别图5不同车型用户群最优数量分布Fig.5Optimal quantity distribution of user groups of different vehicle types表 2六组调度目标(单位：MW)Table 2Six scheduling objectives(unit:MW)时间段1234567891011121314151617181920212223242526272829303132第一组7.58.59999999.59.51010101010105556666644.5555555第二组9.59.51010101010107.58.59999995556666644.5555555第三组9.59.51010101010105556666644.55555557.58.5999999第四组7.58.59999995556666644.55555559.59.5101010101010第五组44.55555557.58.5999999555666669.59.5101010101010第六组44.5555555555666669.59.51010101010107.58.599999901.02.03.0050100150200250300350收益增加率/%优化前优化后收益增长率(a)私人乘用车参与优化调度聚合商收益0.51041.52.53.5聚合商收益/元第一组第二组第三组第四组第五组第六组组别26652023 年第 12 卷储能科学与技术优化后平均节能减排率达到27%，由此可见，组合优化后的社会效益最好。6 结 论本工作基于电动汽车用户的不同偏好建立了V2G充放电模型，并以聚合商收入为目标优化了调度策略，并以私人乘用车和公务乘用车为案例计算了优化后的经济效益和社会效益，得到如下结论：首先，本工作提出的基于用户放电行为特征建立电动汽车储能V2G模型的方法可以进一步提高电动汽车放电建模的精确性，可以用于不同偏好的电动汽车用户参与V2G时的放电行为特征建模。其次，本工作通过对比不同车型的优化效果得到不同车型之间的组合优化比单一车型优化效果更好，可为V2G参与电力市场以及车网互动方案的制定提供参考。最后，通过对优化后聚合商收入的计算和节能减排效果评估，得到优化后策略的经济效益和社会效益都有所提高，表明了本工作所提的优化策略的有效性并且对聚合商参与V2G市场具有促进作用。未来的研究方向将围绕多维度分析电动汽车充放电行为，通过调研获取车辆侧和充电设施侧数据，提取各类电动汽车放电行为特征，准确建立各类电动汽车放电负荷模型并与当前模型进行误差分析。参 考 文 献1 禤宗衡,荆朝霞,叶文圣,等.考虑储能灵活能量状态的新型电能量市场机制J.电网技术,2022,46(10):3810-3823.XUAN Z H,JING Z X,YE W S,et al.New energy market mechanism considering flexible state of energy in energy storageJ.Power System Technology,2022,46(10):3810-3823.2 中华人民共和国国家发展和改革委员会,国家能源局.关于完善能源绿色低碳转型体制机制和政策措施的意见EB/OL.2022-02-10.https:/ ZIAD C,RAJAMANI H S,MANIKAS I.Game-theoretic approach to fleet management for vehicle to grid servicesC/2019 IEEE International Symposium on Signal Processing and Information Technology(ISSPIT).December 10-12,2019,Ajman,United Arab Emirates.IEEE,2020:1-5.4 KUBLI M.EV drivers willingness to accept smart charging:Measuring preferences of potential adoptersJ.Transportation Research Part D:Transport and Environment,2022,109:103396.5 LI Y T,SU H,CHEN X X,et al.A V2G scheduling strategy based on electric vehicle users willingness modelC/2021 IEEE 5th Conference on Energy Internet and Energy System Integration(EI2).October 22-24,2021,Taiyuan,China.IEEE,2022:237-243.6 DARAMOLA A S,AHMADI S E,MARZBANDV M,et al.A cost-第一组第二组第三组第四组第五组第六组组别051015202530354045减碳率/%私家乘用车公务乘用车组合优化图8电动汽车节能减排结果分析Fig.8Analysis of energy saving and emission reduction results of electric vehicles组别00.51.01.52.02.53.03.54.046810121416182022私家乘用车公务乘用车组合优化组合优化平均收益增加率组合优化后收益增加率/%聚合商收益/元104第一组第二组第三组第四组第五组第六组图7组合优化收益Fig.7Combinatorial optimization income第一组第二组第三组第四组第五组第六组组别4.0050100150200250300(b)公务乘用车参与优化调度聚合商收益01.02.03.00.51.52.53.5聚合商收益/元收益增加率/%104图6优化前后聚合商收入对比Fig.6Comparison of aggregator revenue before and after optimization2666第 8 期洪睿洁等：基于用户偏好的电动汽车储能V2G策略优化effective and ecological stochastic optimization for integration of distributed energy resources in energy networks considering vehicle-to-grid and combined heat and power technologiesJ.Journal of Energy Storage,2023,57:106203.7 XIONG S Q,YUAN Y,YAO J A,et al.Exploring consumer preferences for electric vehicles based on the random coefficient logit modelJ.Energy,2023,263:125504.8 陈丽丹,欧阳慧林.考虑用车紧急度的电动汽车充放电模糊逻辑控制策略J.电力自动化设备,2020,40(5):62-74.CHEN L D,OUYANG H L.Fuzzy logical control strategy of EV charging/discharging considering perceived urgencyJ.Electric Power Automation Equipment,2020,40(5):62-74.9 潘樟惠,高赐威.基于需求响应的电动汽车经济调度J.电力建设,2015,36(7):139-145.PAN Z H,GAO C W.Economic dispatch of electric vehicles based on demand responseJ.Electric Power Construction,2015,36(7):139-145.10 ALIZADEH M,JAFARI-NOKANDI M,SHAHABI M.Resiliency improvement of distribution network considering the charge/discharge management of electric vehicles in parking lots through a bilevel optimization approachJ.International Transactions on Electrical Energy Systems,2022:1-20.11 XIONG S Q,YUAN Y,YAO J,et al.Exploring consumer preferences for electric vehicles based on the random coefficient logit modelJ.Energy,2023,263:12550