考虑电动汽车灵活调节能力的居民充电桩分时电价优化

王永利 ,  邢静娴 ,  郭璐

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (28) :12227-12239

PDF (9282KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (28) :12227-12239 DOI: 10.12404/j.issn.1671-1815.2600005
电工技术

考虑电动汽车灵活调节能力的居民充电桩分时电价优化

作者信息 +

Optimization of Time of Use Electricity Prices for Residential Charging Piles Considering the Flexible Adjustment Capability of Electric Vehicles

Author information +
文章历史 +

摘要

为充分挖掘居民区电动汽车的灵活调节潜力,缓解无序充电对电网运行及新能源消纳造成的压力,针对传统分时电价时段划分与定价优化的不足,改进构建电动汽车充电行为响应模型,首次建立新能源-充电负荷时空耦合度量化模型,并提出改进模糊C均值(fuzzy C-means,FCM)聚类算法与改进粒子群(particle swarm optimization,PSO)算法的多目标分时电价优化模型,研究面向居民慢充场景、兼顾电网安全、新能源消纳、用户成本与充电桩运营商收益的分时电价优化机制。结果表明:所提出的改进模糊C均值聚类方法能够实现以新能源消纳为导向的峰、平、谷时段合理划分;在此基础上形成的分时电价方案可有效引导充电负荷由电网高峰时段向新能源友好时段转移,使电网峰谷差降低28.18 MW,新能源-充电负荷整体耦合度由-0.274提升至0.457;同时,在用户充电成本增幅可控的前提下,充电桩运营商收益显著提升。可见,所提出的居民充电桩分时电价优化方法能够有效激发电动汽车灵活调节能力,实现新能源消纳、电网稳定运行与多主体经济效益的协同优化。

Abstract

In order to fully tap the flexible regulation potential of electric vehicles in residential areas and relieve the pressure caused by disorderly charging on power grid operation and new energy consumption, a response model was improved and constructed for electric vehicle charging behavior in response to the shortcomings of traditional time of use electricity pricing period division and pricing optimization. For the first time, a quantitative model for the spatiotemporal coupling degree of new energy charging load was established, and a multi-objective time of use electricity pricing optimization model with improved fuzzy C-means (FCM) clustering algorithm and improved particle swarm optimization (PSO) algorithm was proposed. The optimization mechanism of time of use electricity pricing for residents’ slow charging scenarios was studied, which took into account power grid safety, new energy consumption, user costs, and charging pile operator benefits. The results show that the improved fuzzy C-means clustering method can realize the reasonable division of peak, average and valley periods guided by new energy consumption. The time of use pricing scheme formed on this basis can effectively guide the transfer of charging load from the peak period of power grid to the new energy friendly period, reduce the peak valley difference of power grid by 28.18 MW, and improve the overall coupling degree of new energy charging load from -0.274 to 0.457. At the same time, under the premise of controllable increase in user charging costs, the revenue of charging pile operators increases significantly. It can be seen that the proposed method for optimizing the time of use electricity price of residential charging pile can effectively stimulate the flexible adjustment ability of electric vehicles, and realize the collaborative optimization of new energy consumption, stable operation of power grid and multi-agent economic benefits.

Graphical abstract

关键词

电动汽车 / 分时电价 / 灵活调节 / 新能源消纳 / 多目标优化

Key words

electric vehicles / time of use electricity price / flexible adjustment / new energy consumption / multi-objective optimization

引用本文

引用格式 ▾
王永利, 邢静娴, 郭璐. 考虑电动汽车灵活调节能力的居民充电桩分时电价优化[J]. 科学技术与工程, 2026, 26(28): 12227-12239 DOI:10.12404/j.issn.1671-1815.2600005
WANG Yong-li, XING Jing-xian, GUO Lu. Optimization of Time of Use Electricity Prices for Residential Charging Piles Considering the Flexible Adjustment Capability of Electric Vehicles[J]. Science Technology and Engineering, 2026, 26(28): 12227-12239 DOI:10.12404/j.issn.1671-1815.2600005

登录浏览全文

4963

注册一个新账户 忘记密码

随着全球能源转型与“双碳”目标的深入推进,电动汽车,尤其是私家车,已成为交通领域低碳转型的主力军。2025年初中国电动汽车保有量已成功突破2 500万辆大关,到2030年可能达到1亿辆以上,届时充电负荷将高达5×107 kW以上[1]。其规模化发展在加剧电网负荷的同时[2],也蕴含着巨大的可调度潜力。然而,当前中国多数省份的居民充电桩仍沿用传统的居民合表电价或简单套用大工业分时电价,这种粗放的电价机制无法准确反映电网实际供需状况,既难以引导用户向新能源富集时段转移充电负荷,也无法激励其参与电网互动。在此背景下,如何通过算法改进与模型创新,设计一种能够充分挖掘电动汽车灵活调节能力的居民充电桩分时电价机制,引导用户参与电网互动,实现新能源消纳、电网稳定、用户满意与运营商收益的多方共赢,已成为当前电力系统与能源经济交叉领域亟待解决w的关键科学问题。
目前,中外学者针对电动汽车用户行为以及通过分时电价引导用户行为开展了大量研究。在用户行为研究方面,可以从充电时段特征、单次充电特征、充电前后荷电状态(state of charge,SOC)情况等用户充电行为剖析电动汽车的运行特征[3]。文献[4]使用20 000多个样本分析电动汽车充电行为,深入了解充电时间、持续时间、能耗和电力负载趋势。文献[5]提到用户的充电行为会通过相关因素影响电网的稳定性,具备充电时间响应弹性高、充电电量响应弹性高和充放电响应弹性高等特征的电动汽车用户更适合参与车网互动。文献[6]通过进一步揭示电动汽车可调节功率与SOC、里程价格的关联关系,有效挖掘电动汽车的调节潜力。电价作为影响用户行为的核心因素。文献[7]通过建立价格弹性矩阵体现电能价格与用户响应之间的关系。文献[8]引入反映电动汽车用户对电价变化敏感性的函数,为后续电价机制设计奠定了基础。
为引导电动汽车有序充电,对激励车主进行充电方式调整的措施多基于电价机制,而分时电价被视为调节供需的有效手段,有利于保障电力系统安全运行。文献[9]在深度森林与集成特征选择分析下,得出实施充电电价对用户充电行为的影响程度特征评分高达0.74,验证了电价引导的有效性。文献[10]以电价为指导规划电动汽车充电时段,提出了电动汽车充电调度优化方法。文献[11]研究表明,利用分时电价对电动汽车用户需求进行引导后,可有效降低间接碳排放,提高电网运行的安全性与稳定性。文献[12]通过制定分层奖励-惩罚碳定价方案和自适应分时电价定价方法来指导聚合的电动汽车充电行为,有效促进了能源系统的发展并改善了用户的体验。在具体技术路径上,制定分时电价机制主要从时段划分和价格优化入手,已有的研究对工商业用户、居民用户的时段划分方法多使用k-means聚类算法[13-15],对电动汽车的时段划分则多依赖简单的数据移动平均方法[16]或常规聚类算法[17]。定价策略研究上,文献[18]以“削峰填谷”为主要目标建立住宅区内电动汽车充电电费定价的双层规划模型,得出快、慢充分时电价。文献[19]考虑用户行为的不确定性以峰谷差最小为目标提出了一种基于位置分时充电价格的电动汽车需求管理方法。文献[20]聚焦电动汽车聚合商综合收益最大化,建立15 min级V2G动态分时定价模型。文献[21]提到有研究结合充电需求,以改善电网峰谷差为目标设计峰谷分时电价。文献[22]从充电站经济性角度出发制定个性化价格激励。文献[23]构建光储充电站经济运行模型,将购电成本、碳排放成本、售电收益纳入目标函数,丰富了定价研究的维度。
在上述研究的基础上,通过算法改进与模型创新,提出一套系统性的居民充电桩分时电价优化方案,用于充分挖掘电动汽车灵活调节能力,实现新能源消纳、电网稳定、用户成本与运营商收益的协同优化。首次将新能源-电动汽车充电负荷的时空耦合关系引入分时电价形成机制的前端环节。通过构建新能源出力与充电负荷的时空耦合度模型,并将其作为充电时段划分与电价设计的核心依据,实现了“以消纳为导向”的分时电价机制设计。对传统模糊C均值(fuzzy C-means,FCM)聚类算法进行多维度改进,用于充电时段划分。在特征变量中融入时空耦合度、电网负荷指数与用户充电频率,并引入约束惩罚项,确保划分结果贴合新能源消纳、电网安全与用户习惯。构建多目标价差优化模型并对标准粒子群(particle swarm optimization,PSO)算法进行改进。以电网峰谷差最小化、新能源-充电负荷耦合度最大化、用户成本最小化、运营商收益最大化为目标,采用改进PSO算法求解帕累托最优解集,平衡多方利益。研究成果不仅为居民充电桩分时电价设计提供了系统的理论框架与方法支撑,也为充分挖掘电动汽车灵活调节能力、促进新能源高效消纳及保障电网安全稳定运行提供了可行的决策参考,具有重要的理论价值与现实意义。

1 电动汽车充电行为建模

1.1 电动汽车充电行为特征分析

针对居民充电桩制定分时电价,故电动汽车只考虑私家车进行分析。电动汽车充电行为具有显著的时间和电量特征。在时间维度上,充电行为呈现出明显的早晚高峰差异。工作日期间,多数用户倾向于在18:00—23:00进行充电,以满足次日出行需求;而在节假日,12:00—16:00和19:00—22:00的充电需求更为突出[24]。电量特征方面,单次充电量受车辆剩余电量、电池容量及用户出行计划等因素影响,无需短时快充补能,慢充更符合居民“夜间充电、次日出行”的核心需求,是居民充电的主流模式。

私营充电桩是居民充电的核心基础设施,如家用充电桩,其运营主体需通过合理电价实现收益平衡,且用户对私营充电桩的电价敏感度更高,高峰时段高电价易引导用户推迟充电,低谷时段低电价可激励集中充电,更易通过电价信号激发电动汽车的灵活调节能力,故仅针对“居民慢充+私营充电桩”组合展开分析,暂不涉及公共快充、公交专用充电桩等场景。

1.2 电动汽车用户响应行为建模

电价作为经济激励信号,能够显著影响电动汽车用户的充电决策,进而激发电动汽车的灵活调节能力。当高峰时段电价较高时,用户为降低充电成本,会倾向于推迟充电时间或减少该时段的充电电量;而低谷时段电价降低,用户则更可能选择在此时段集中充电。这种用户基于电价信号的充电行为调整,使得电动汽车充电负荷从高峰时段向低谷时段转移,有效平滑电网负荷曲线,实现电动汽车对电网的灵活调节。

为定量描述电价对电动汽车灵活调节行为的影响,构建基于电价激励的调节行为模型,首先引入电量电价弹性系数量化用户对电价的响应,电量电价弹性系数包括自弹性系数和交叉弹性系数。

自弹性系数表示时刻k电价变化对该时刻的充电电量的影响程度,可表示为

${ε }_{kk}=\frac{\mathrm{\Delta }{Q}_{k}/{Q}_{0k}}{\mathrm{\Delta }{P}_{k}/{P}_{0k}}$

式(1)中:ΔQk为时刻k的充电电量增量;Q0k为时刻k在电价变动前的初始充电电量;ΔPk为时刻k的电价增量;P0k为时刻k在电价变动前的初始电价。

交叉弹性系数表示时刻m电价变化对时刻k的充电电量的影响程度,可表示为

${ε }_{km}=\frac{\mathrm{\Delta }{Q}_{k}/{Q}_{0k}}{\mathrm{\Delta }{P}_{m}/{P}_{0\mathrm{ }m}}$

式(2)中:ΔPm为时刻m的电价增量;P0m为时刻m在电价变动前的初始电价。

电量电价弹性矩阵E可表示为

$\mathrm{E}=\left\{\begin{array}{llll}{ε }_{11}& {ε }_{12}& \dots & {ε }_{1T}\\ {ε }_{21}& {ε }_{22}& \dots & {ε }_{2T}\\ \mathrm{︙}& \mathrm{︙}& \mathrm{ }& \mathrm{︙}\\ {ε }_{\mathrm{T}1}& {ε }_{T2}& \dots & {ε }_{TT}\end{array}\right\}$

式(3)中:εij为矩阵E中的第i行第j列的元素,当i=j时,为自弹性系数;当i=j时,为交叉弹性系数,i=1,2,…,T;j=1,2,…,T。

实施分时电价后电动汽车充电量可表示为

$\left[\begin{array}{l}Q\mathrm{\text{'}}{\mathrm{ }}_{1}\\ Q\mathrm{\text{'}}{\mathrm{ }}_{2}\\ \mathrm{︙}\\ Q\mathrm{\text{'}}{\mathrm{ }}_{T}\end{array}\right]=\left[\begin{array}{llll}{Q}_{1}& 0& \dots & 0\\ 0& {Q}_{2}& \dots & 0\\ \mathrm{︙}& \mathrm{︙}& \mathrm{ }& 0\\ 0& 0& \dots & {Q}_{T}\end{array}\right]\mathrm{E}\left[\begin{array}{l}\mathrm{\Delta }{P}_{1}/{P}_{1}\\ \mathrm{\Delta }{P}_{2}/{P}_{2}\\ \mathrm{︙}\\ \mathrm{\Delta }{P}_{T}/{P}_{T}\end{array}\right]+\left[\begin{array}{l}{P}_{1}\\ {P}_{2}\\ \mathrm{︙}\\ {P}_{T}\end{array}\right]$

式(4)中:[Q'1,Q'2,…,Q'T]T为实施分时电价后,第1,2,…,T时段的最终电动汽车充电量;Qi为第i时段的初始充电电量;ΔPT为实施分时电价后,T时段的电价变化量;PT为实施分时电价后,T时段的实际电价。

1.3 新能源出力与电动汽车的时空耦合模型

新能源(光伏、风电)发电的间歇性与电动汽车充电需求的时空分布特性,共同决定二者耦合调节的可能性与复杂性。光伏发电受光照强度与时间影响,其出力曲线在日间呈现“驼峰状”,11:00—14:00达到峰值;风电出力依赖风速变化,具有随机性和昼夜不均衡性。而电动汽车充电行为在时间上与用户出行习惯紧密相关,如上文所述,二者在时空上存在协同潜力与调节矛盾。日间光伏大发时段,若能引导部分电动汽车提前充电,可促进光伏消纳;但在夜间风电高峰与电动汽车充电高峰重叠时,会加剧电网负荷压力。因此,首次建立考虑时间维度的新能源出力与电动汽车充电需求的时空耦合量化模型,精准描述二者的耦合关系,为后续时段划分与电价设计提供核心依据。

将一天分为T个时段,设${P}_{t}^{\mathrm{s}\mathrm{o}\mathrm{l}\mathrm{a}\mathrm{r}}$为t时段光伏发电功率,${P}_{t}^{\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}$为t时段风电发电功率,新能源发电功率可表示为

${P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}={P}_{t}^{\mathrm{s}\mathrm{o}\mathrm{l}\mathrm{a}\mathrm{r}}+{P}_{t}^{\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}$
$0\le {P}_{t}^{\mathrm{s}\mathrm{o}\mathrm{l}\mathrm{a}\mathrm{r}}\le {P}_{\mathrm{s}\mathrm{o}\mathrm{l}\mathrm{a}\mathrm{r}}$
$0\le {P}_{t}^{\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}\le {P}_{\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}$

式中:${P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}$为第t时段的新能源总发电功率(即光伏与风电出力之和);Psolar为光伏电站的装机容量(理论上限);Pwind为风电场的总装机容量(理论上限),光伏、风电的出力受其容量Psolar、Pwind限制。

在引入时间耦合度函数前需将新能源发电功率和电动汽车充电负荷归一化,即

$\overline{{P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}}=\frac{{P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}-{P}_{t,\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{n}\mathrm{e}\mathrm{w}}}{{P}_{t,\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{n}\mathrm{e}\mathrm{w}}-{P}_{t,\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{n}\mathrm{e}\mathrm{w}}}$
$\overline{{Q}_{t}}=\frac{{Q}_{t}-{Q}_{t,\mathrm{m}\mathrm{i}\mathrm{n}}}{{Q}_{t,\mathrm{m}\mathrm{a}\mathrm{x}}-{Q}_{t,\mathrm{m}\mathrm{i}\mathrm{n}}}$

式中:${P}_{t,\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{n}\mathrm{e}\mathrm{w}}$为新能源出力在第t时段(或全周期)的最小可能值(通常为 0);${P}_{t,\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{n}\mathrm{e}\mathrm{w}}$为新能源出力在第t时段(或全周期)的最大可能值(通常为装机容量);Qt为第t时段的实际电动汽车充电负荷(或充电电量);Qt,max为充电负荷在第t时段(或全周期)的最大预测值;Qt,min为充电负荷在第t时段(或全周期)的最小预测值(通常为 0)。

时空耦合模型可表示为

${C}_{t}=\frac{\mathrm{m}\mathrm{i}\mathrm{n}(\overline{{P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}},\overline{{Q}_{t}})}{\mathrm{m}\mathrm{a}\mathrm{x}(\overline{{P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}},\overline{{Q}_{t}})}$

式(10)中:耦合度Ct取值范围为[0,1],值越接近1,表明新能源出力与电动汽车充电需求在该时段匹配度越高。

依据时间耦合度Ct制定分时电价策略,当Ct较低,即新能源出力大于充电需求时,降低电价,激励用户提前或增加充电量,促进新能源消纳;当Ct接近1或新能源出力不足时,提高电价,引导用户错峰充电。

此外,新能源-充电负荷时空耦合度并非简单的统计相关性指标,而是用于刻画电动汽车充电需求在时间维度上对新能源出力的适配程度。当某一时段内新能源出力较高而充电负荷较低时,耦合度较低,意味着存在潜在的新能源消纳空间;反之,当充电负荷集中于新能源出力不足时段,则会加剧电网调峰压力并可能引发新能源弃电问题。因此,本文所定义的时空耦合度为新能源消纳友好性的综合表征指标,其数值提升通常伴随着新能源出力覆盖下的充电负荷占比提高。

2 基于多维特征聚类的充电时段划分

2.1 时段划分原则

为实现电动汽车充电负荷与新能源出力的精准匹配,提升消纳率,同时兼顾电网安全与用户接受度,时段划分需遵循以下原则。

(1)新能源出力-充电负荷耦合最大化原则。核心目标是使电动汽车充电高峰时段与新能源(光伏、风电)出力高峰时段高度重合。具体表现为光伏出力核心时段应优先划分为平段或谷段,鼓励充电消纳;风电出力核心时段应主要划分为谷段,引导夜间充电;新能源出力低谷时段可适当划分为峰段,抑制非必要充电。

(2)电网安全约束原则。避免充电负荷加剧电网峰谷差,需满足峰段需覆盖居民用电尖峰,减少充电负荷叠加;谷段电网负载率需≤80%,平段负载率≤90%,确保供电稳定。

(3)用户可接受性原则。平衡充电成本与便利性,约束条件包括谷段需覆盖居民常规充电时段的至少50%,降低用户充电成本;各时段连续时长≤3 h,避免碎片化划分导致用户困惑。

(4)时段连续性原则。峰、平、谷各时段需为连续区间,且总时长分配合理。

2.2 改进FCM聚类算法

为精准实现以新能源消纳为导向的电动汽车时段划分,对传统FCM聚类算法进行改进,在算法核心流程的各个环节融入新能源消纳目标、电网特性及用户行为约束,确保聚类结果贴合实际需求。

2.2.1 特征变量选取

构建多维度特征向量,为聚类提供全面信息支撑,确保聚类围绕新能源消纳目标展开。输入特征向量为

${x}_{t}=[{x}_{t1},{x}_{t2},{x}_{t3}]$

式(11)中:xt1为电动汽车充电负荷与新能源的时空耦合度Ct,引导算法将耦合度低的时段与利于消纳的充电时段聚类;xt2为电网负荷指数,对电网实际负荷${P}_{t}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}$(不含电动汽车充电负荷)进行标准化处理所得,标准化公式为${x}_{t2}=\frac{{P}_{t}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}-{P}_{t,\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}}{{P}_{t,\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}-{P}_{t,\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}}$,其中${P}_{t,\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}$为电网基础负荷在全天(或全周期)内的最大值,${P}_{t,\mathrm{m}\mathrm{i}\mathrm{n}}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}$为电网基础负荷在全天(或全周期)内的最小值,以此体现电网负荷在全天中的相对位置,辅助算法区分电网峰谷时段,避免充电负荷加剧电网峰谷差;xt3为用户充电频率,即时段t的历史充电次数占总充电次数的比例。

该特征反映用户充电行为习惯,帮助算法在聚类时保障用户常规充电需求,提升方案可行性与用户接受度。

2.2.2 目标函数构建

在传统FCM目标函数基础上,创新性引入多维度约束惩罚项,修正后的目标函数表达式为

$\mathrm{J}=\sum _{t=1}^{24}\sum _{k=1}^{3}{u}_{kt}^{m}{d}_{kt}^{2}+\lambda \sum _{t=1}^{24}\sum _{k=1}^{3}{u}_{kt}^{m}{R}_{kt}$

式(12)中:ukt为时段t属于类别k(k=1代表峰段,k=2代表平段,k=3代表谷段)的隶属度,满足$\sum _{k=1}^{3}{u}_{kt}=1$;m>1为模糊系数,一般取m=2,其作用是调节隶属度的模糊程度,m值越大,隶属度差异越不明显,聚类结果越模糊;反之,聚类结果越接近硬聚类;dkt=‖xt-vk‖为xt与聚类中心vk的欧氏距离,衡量时段特征向量与各时段类中心的相似度,距离越小,相似度越高;Rkt为约束惩罚项,用于将新能源消纳、电网安全及用户行为等约束融入聚类过程。

2.2.3 算法步骤

(1)初始化。明确聚类数c=3(对应峰、平、谷3个时段类别),随机生成隶属度矩阵U=(ukt)m×n,确保每行元素之和为1,即$\sum _{k=1}^{3}{u}_{kt}=1,t=\mathrm{1,2},\dots,24,$此时隶属度矩阵反映初始状态下各时段对不同类别(峰、平、谷)的随机归属程度。

(2)计算聚类中心。依据当前隶属度矩阵,计算各时段类别的聚类中心vk,计算公式为${v}_{k}=\frac{\sum _{t=1}^{24}{u}_{kt}^{m}{x}_{t}}{\sum _{t=1}^{24}{u}_{kt}^{m}}\mathrm{。}$聚类中心代表每类时段的特征均值,其更新依赖于各时段特征向量及对应的隶属度,随迭代过程不断调整,逐渐趋近于能合理划分时段的最优中心位置。

(3)更新隶属度。利用更新后的聚类中心,重新计算各时段对不同类别的隶属度ukt,其表达式为

${u}_{kt}=\frac{1}{\sum _{j=1}^{3}\left[\right({d}_{kt}+\theta {R}_{kt}\left)\right({d}_{jt}+\theta {R}_{jt}{)}^{-1}{]}^{2/(m-1)}}$

式(13)中:θ为约束系数,取值0.1。

式(13)在传统FCM隶属度更新公式基础上,加入约束惩罚项的影响,使隶属度计算兼顾时段与聚类中心的距离以及是否满足约束条件,距离越近、违背约束程度越低,隶属度越高。

(4)收敛判断。设定收敛阈值ε=10-5,计算相邻两次迭代所得隶属度矩阵的差值范数‖U(l+1)-U(l)‖,若该范数小于收敛阈值,表明算法已收敛,停止迭代;否则,返回(2),继续更新聚类中心与隶属度,直至满足收敛条件。

(5)结果解析。迭代收敛后,依据最大隶属度原则确定各时段的最终归属类别。即对于时段t,若ukt=max(u1t,u2t,u3t),则判定时段t属于类别k(峰段、平段或谷段),从而完成对全天24个时段的划分。

2.2.4 结果校验与修正

聚类结果初步生成后,进行严格的三维校验,确保划分结果符合实际应用需求。

(1)新能源覆盖度。计算谷段与平段覆盖新能源高峰的时长占比,要求该占比不低于80%。若未达标,说明新能源消纳潜力未充分挖掘,需对聚类结果进行调整,如将部分平段或峰段调整为谷段,延长谷段覆盖新能源高峰的时长。

(2)电网负荷匹配度。统计峰段与电网负荷高峰的重叠率,应保证重叠率不低于70%。若重叠率过低,意味着充电峰段未与电网高峰有效协同,可能加剧电网峰谷差,需调整峰段边界,使其与电网高峰时段更好重合。

(3)用户兼容性。统计居民常规充电时段中平段与谷段的占比,该占比需不低于50%。若占比不足,表明方案对用户充电习惯考虑不足,可能导致用户充电成本过高或不便,可通过调整时段划分,增加该时段内平段或谷段的时长。

3 基于灵活调节能力的充电桩价差优化模型

3.1 目标函数

为充分发挥电动汽车灵活调节能力,实现电网、用户与充电桩运营商的多方共赢,构建多目标优化体系。

(1)最小化电网负荷峰谷差。电动汽车充电时间具有一定的可调节性,利用分时电价引导电动汽车充电负荷转移,能够有效平滑电网负荷曲线。电网负荷峰谷差最小化的目标函数可表示为

min[max(${P}_{t}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}$+Q't)-min(${P}_{t}^{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}}$+Q't)],t∈T

式(14)中:Q' t为实施分时电价后考虑电量响应变化的t时段充电电量;T为全天时段集合。

(2)最大化新能源-充电负荷整体耦合度,可表示为

$\mathrm{m}\mathrm{a}\mathrm{x}\mathrm{\rho }=\frac{{\sum }_{t\in T}^{}(Q\mathrm{\text{'}}{\mathrm{ }}_{t}-\stackrel{-}{Q}\mathrm{\text{'}}\left)\right({P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}-{\stackrel{-}{P}}^{\mathrm{n}\mathrm{e}\mathrm{w}})}{\sqrt{{\sum }_{t\in T}^{}(Q\mathrm{\text{'}}{\mathrm{ }}_{t}{-\stackrel{-}{Q}\mathrm{\text{'}})}^{2}}\sqrt{{\sum }_{t\in T}^{}({P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}-{\stackrel{-}{P}}^{\mathrm{n}\mathrm{e}\mathrm{w}}{)}^{2}}}$

式(15)中:ρ为响应后充电负荷与新能源出力的整体耦合度;$\stackrel{-}{Q}\mathrm{\text{'}}$为响应后充电负荷的日均值;${\stackrel{-}{P}}^{\mathrm{n}\mathrm{e}\mathrm{w}}$为新能源出力的日均值。

$\stackrel{-}{\mathrm{Q}}\mathrm{\text{'}}=\frac{{\sum }_{t\in T}^{}Q\mathrm{\text{'}}{\mathrm{ }}_{t}}{T}$
${\stackrel{-}{P}}^{\mathrm{n}\mathrm{e}\mathrm{w}}=\frac{{\sum }_{t\in T}^{}{P}_{t}^{\mathrm{n}\mathrm{e}\mathrm{w}}}{T}$

(3)最小化用户用电成本。用户作为充电行为的主体,其充电成本直接影响着对分时电价政策的接受程度和用电积极性。合理的分时电价设计应在满足用户充电需求的前提下,应能降低用户用电成本。

$\mathrm{m}\mathrm{i}\mathrm{n}{\sum }_{t\in T}^{}P\mathrm{\text{'}}{\mathrm{ }}_{t}Q\mathrm{\text{'}}{\mathrm{ }}_{t}$
$P\mathrm{\text{'}}{\mathrm{ }}_{t}={P}_{0t}+\Delta {P}_{t}$

式中:P' t为优化后的电价;Q' t同上述考虑电量响应变化的充电电量,确保成本计算基于用户实际响应后的充电量。

(4)最大化充电桩运营商收益[25]。充电桩运营商作为充电基础设施的建设和运营主体,需要获得合理的回报以维持业务的正常运营和进一步发展。

$\mathrm{m}\mathrm{a}\mathrm{x}{\sum }_{t\in T}^{}(P\mathrm{\text{'}}{\mathrm{ }}_{t}-\mathrm{C}\mathrm{o}\mathrm{s}{\mathrm{t}}_{t})Q\mathrm{\text{'}}{\mathrm{ }}_{t}$

式(20)中:Costt为t时段单位电量运营成本。

3.2 约束条件

(1)充电电量约束。保障用户基本充电需求是分时电价优化的前提条件。充电电量约束要求

${Q}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {\sum }_{t\in T}^{}Q\mathrm{\text{'}}{\mathrm{ }}_{t}\le {Q}_{\mathrm{m}\mathrm{a}\mathrm{x}}$

式(21)中:Qmin为用户单日最低充电电量;Qmax由充电桩的供电能力确定。

(2)峰平谷电价约束。峰、谷电价在平段电价的基础上上浮、下浮一定比例,保障运营商盈利,各时段电价要比单位运营成本高,且要小于政府限价。

${P}_{\mathrm{v}}={P}_{\mathrm{f}}(1-{\beta }_{1})$
${P}_{\mathrm{p}}={P}_{\mathrm{f}}(1+{\beta }_{2})$
${\beta }_{1}>0$
${\beta }_{2}>0$
${C}_{t}\le P\mathrm{\text{'}}{\mathrm{ }}_{t}\le {P}_{t,\mathrm{m}\mathrm{a}\mathrm{x}},\mathrm{　}t\in {T}_{\mathrm{p}}\mathrm{、}{T}_{\mathrm{f}}\mathrm{、}{T}_{\mathrm{l}}$

式中:Pp、Pf、Pv分别为峰、平、谷电价;β1、β2为电价下浮、上浮比例;Pt,max为电价上限,可参考居民用户的第三档电价;Tp、Tf、Tl分别为峰、平、谷时段集合。

(3)用电成本约束。

${\sum }_{t\in T}^{}|{P}_{0t}{Q}_{0t}-P\mathrm{\text{'}}{\mathrm{ }}_{t}Q\mathrm{\text{'}}{\mathrm{ }}_{t}|\le \lambda $

式(27)中:λ为用户成本变化容忍度,避免响应行为导致用户成本超预期增长。

(4)峰平谷负荷约束。分时电价旨在减少负荷曲线波动,但过度的电价引导可能导致总负荷曲线峰谷时段倒置,从而使前述的峰谷时段划分将无意义,则有

maxQ't(t∈Tp)≥maxQ't(t∈Tf)≥maxQ't(t∈Tl)

3.3 求解算法

居民充电桩分时电价价差优化模型选择PSO作为求解模型,因其在处理多目标、非线性优化问题上具有高效性和鲁棒性,且能较好地平衡全局搜索与局部搜索能力[26]。PSO通过群体智能搜索帕累托最优解集,能同时优化电网峰谷差、耦合度、用户成本和运营商收益4个目标,平衡多方利益。

3.3.1 算法改进与实现

为更好地求解本模型,对标准PSO进行以下改进。

(1)引入惯性权重自适应调整。惯性权重ω随迭代次数动态调整,其计算公式为

$\omega \left(t\right)={\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-\frac{{\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{T}_{\mathrm{m}\mathrm{a}\mathrm{x}}}\tau $

式(29)中:ωmax=0.9;ωmin=0.4;Tmax为最大迭代次数;τ为当前迭代次数。

前期较大的ω促进全局搜索,后期较小的ω增强局部精细搜索。

(2)设计约束处理机制。采用混合罚函数法处理约束条件,对违反约束的粒子施加惩罚,并增加电量转移合理性惩罚项,适应度函数修正为

$\mathrm{F}\mathrm{\text{'}}=\mathrm{F}+\sum _{i=1}^{m}{\rho }_{i}{v}_{i}^{2}+{\rho }_{\mathrm{q}}{\sum }_{t\in T}^{}|Q\mathrm{\text{'}}{\mathrm{ }}_{t}-{Q}_{0t}\left(1+{ε }_{tt}\frac{{P}_{t}-{P}_{0t}}{{P}_{0t}}\right)|$

式(30)中:F为原目标函数值;εtt为自弹性系数,表示时刻t电价变化对该时刻的充电电量的影响程度;ρi为罚因子;vi为第i个约束的违反量;ρq为惩罚因子,专门用于电量转移合理性惩罚项。

罚因子随迭代次数递增,确保后期更严格地满足约束。

(3)多目标处理策略。采用非支配排序和拥挤度距离机制,维护帕累托最优解集,具体步骤如下:①对种群中每个粒子计算非支配等级;②同一等级内按拥挤度距离排序;③选择精英粒子组成下一代种群。

3.3.2 算法求解步骤

(1)初始化粒子群。随机生成N个粒子,每个粒子代表一组峰、平、谷时段的电价方案[Pp,Pf,Pv],同时初始化粒子速度和个体最优位置、全局最优位置。

(2)计算动态电量。对每个粒子,通过式(4)弹性矩阵计算Q' t。

(3)计算适应度值。基于目标函数,代入Q' t,计算每个粒子的电网峰谷差、耦合度、用户成本和运营商收益4个目标值,并通过加权组合或帕累托支配关系确定适应度。

(4)更新个体最优和全局最优。对每个粒子,比较当前位置与历史个体最优位置,若更优则更新;在所有个体最优中,通过非支配排序和拥挤度选择全局最优位置。

(5)更新粒子速度和位置。根据以下公式更新速度和位置,即更新电价,确保电价符合峰谷浮动约束:

vi(τ+1)=ω(τ)vi(τ)+c1r1[pbesti-xi(τ)]+c2r2[gbest-xi(τ)]
${x}_{i}(\tau +1)={x}_{i}\left(\tau \right)+{v}_{i}(\tau +1)$

式中:xi为位置;pbesti为个体最优;gbest为全局最优;c1、c2为学习因子(取2.0);r1、r2为[0,1]随机数。

(6)约束处理与边界控制。对更新后的电价,重新计算Q' t,进行约束检查,违反约束的粒子通过罚函数调整适应度,并将超出边界的位置拉回可行域。

(7)迭代终止判断。重复(2)~(6),直到满足终止条件(达到最大迭代次数或目标函数收敛)。

(8)结果处理。从最终的帕累托最优解集中,根据决策者偏好选择最佳折中方案,确定最优的峰、平、谷时段电价组合。

4 案例分析

4.1 基础数据与场景

为验证所提出的居民充电桩分时电价优化模型的有效性,选取贵州省贵阳市为研究对象。贵阳市近年来新能源汽车保有量快速增长,光伏、风电等新能源装机容量位居西南地区前列,具备典型的新能源高渗透特征。该地区居民电动汽车充电桩分时电价暂按工商业分时电价施行,峰时段10:00—13:00、17:00—22:00,平时段08:00—10:00、13:00—17:00、22:00—00:00,谷时段00:00—08:00;平段电价为0.57元/kW·h,峰段电价和谷段电价分别在平段电价的基础上上浮、下浮60%,即峰段电价为0.91元/(kW·h),谷段电价为0.228元/(kW·h)。

收集该城市居民充电桩2024年的充电数据,经脱敏处理后用于模型验证。2024年该城市居民私人用车电动汽车保有量30 000辆,充电行为以家用充电桩夜间充电为主,辅以日间公共充电桩补能。假定居民电动汽车电池容量为60 kW·h,充电以恒功率7 kW进行慢充,起始充电30%SOC。图1为充电桩运营平台统计的24 h充电频率,用户充电集中在19:00—23:00,占全天充电量的60%,回家后即充电,以及12:00—14:00,占20%,午休时段补能。同时,选取同期电网负荷曲线,高峰时段为11:00—13:00(午间做饭)、18:00—20:00(晚间用电),低谷时段为23:00—次日05:00。

该城市2024年光伏装机容量有120 MW,风电装机有80 MW,如图2为典型日风电、光伏出力曲线。光伏出力集中在08:00—17:00,呈现典型昼间特性,峰值出现在11:00—14:00,19:00后基本为0;风电出力集中在22:00—次日06:00,呈现夜间优势特性,峰值出现在03:00—05:00。

收集到相关数据并进行处理后,将进行时段划分和价差优化的完整流程,流程图如图3所示。将处理得到的多维特征变量输入改进的FCM时段划分模型,通过聚类与三维校验,输出贴合新能源消纳、电网安全与用户习惯的峰、平、谷时段划分方案;随后,将此划分方案作为关键输入,驱动基于改进PSO的多目标价差优化模型进行求解,最终输出帕累托最优的峰、平、谷时段电价,完成整个优化过程。

4.2 基于改进FCM聚类的时段划分

通过典型日小时级新能源出力数据、电动汽车充电负荷数据及电网负荷数据可得到时段划分模型所需的时空耦合度、电网负荷指数、用户充电频率3个特征变量,之后应用改进FCM算法对24 h时段进行聚类(峰段、平段、谷段),结合新能源消纳约束与用户行为特征,最终划分结果如表1所示。

如图4所示,现行的电动汽车峰平谷时段方案及本文峰谷时段划分方案分别进行对比分析,经改进的FCM算法处理后,针对案例城市24 h的时段划分结果呈现出贴合新能源消纳、电网运行及用户习惯的特性。从新能源出力层面深入剖析,光伏于08:00—18:00迎来发力高峰,此区间内,07:00—11:00与14:00—18:00被精准划归至平段,累计时长为8 h,在光伏有效发电时长中占比高达89%。这般划分,借由平段电价的引导作用,为单位停车场等地的电动汽车充电消纳光伏电能创造了有利契机。而风电在22:00—次日06:00进入高产期,这整段时间毫无遗漏地被纳入谷段,契合度达100%。谷段推行的低价策略,有力激发了用户在夜间为电动汽车充电的热情,让风电得以高效消纳。

着眼电网负荷状况,电网存在午、晚用电高峰,其中午高峰11:00—14:00与晚高峰18:00—20:00被合理划定为峰段,在电网高峰时段中占比达83%,精准避免了电动汽车大规模充电与电网高峰用电的冲突。而电网负荷低谷期集中在23:00—次日06:00,此阶段全部归为谷段,且谷段电网负载率峰值稳定维持在75%,远低于80%的安全阈值,有效规避了因电动汽车充电导致电网峰谷差进一步拉大的风险,保障了电网运行的稳定性。

在用户行为方面,居民充电行为集中在19:00—23:00。其中,19:00—20:00处于峰段,时长1 h;20:00—23:00则分属平段与谷段,累计时长3 h,平段与谷段占比达75%,这意味着用户在结束一天的工作、晚间归家后,有充裕的时间选择在电价更为实惠的时段为电动汽车充电,兼顾了用户的充电便利性与对用电成本的考量。

4.3 价差优化模型求解与结果分析

4.3.1 模型求解逻辑与参数设置

时段划分方案的基础上,用户充电行为会基于电价信号产生动态响应,而价差优化需实现电网峰谷差最小化、充电负荷-新能源耦合度最大化、用户充电成本最低化、供应商收益最大化的四目标平衡。为此,采用粒子群算法PSO进行模型求解——该算法通过平衡全局搜索与局部搜索能力,寻找帕累托最优解,为多目标权衡提供科学依据。模型核心参数设置如表2所示。

4.3.2 分时电价优化结果

基于改进PSO算法求解,得到峰、平、谷三段电价最优组合,并与现行分时电价对比,结果如表3所示。峰时段电价从0.91元/(kW·h)降至0.808 5元/(kW·h),降幅11.15%,降低光伏出力核心时段(11:00—14:00)的充电成本,引导用户在光伏大发期充电;谷时段电价从0.228元/(kW·h)升至0.35元/(kW·h),涨幅53.51%,与单位运营成本持平,消除运营商谷段亏损,同时避免谷段充电负荷过度集中;平时段电价维持0.57元/(kW·h)不变,保障用户充电成本预期,提升政策接受度。

从电价结构来看,该方案峰谷价差合理,峰谷电价比达2.31∶1,高于常规峰谷电价差水平,通过显著的价格信号引导用户负荷转移,与削峰填谷的电网调控目标高度契合;成本覆盖性强,各时段电价均高于0.35元/(kW·h)的单位运营成本,其中峰段单位毛利达0.458 5元/(kW·h),谷段实现盈亏平衡,既保障了供应商的基本盈利空间,又避免了低价导致的运营不可持续问题;用户接受度高,平段电价维持基准水平,谷段电价下浮幅度控制在38.6%,为用户通过错峰充电降低成本预留了空间,符合用户成本变化容忍度约束。

4.3.3 多目标函数优化效果分析

将优化后的电价方案代入多目标函数,计算各目标值与优化前的对比,并分析目标间的协同与平衡机制,结果如图5所示。

协同电网峰谷差降低与整体耦合度提升。优化后电网峰谷差降低28.18 MW,核心原因是充电负荷从峰段向谷段、平段转移:峰段充电量减少3%,避免与电网尖峰叠加;谷段充电量增加5%,填补电网夜间负荷低谷。同时,平段充电量占比下降4%,但平段覆盖光伏出力高峰,充电负荷与光伏出力的时间匹配度提升,平段光伏出力占全天85%,充电负荷占比48%,整体耦合度从-0.274(错配)升至0.457(匹配),实现“降峰填谷”与“新能源消纳”的协同优化。

平衡用户成本与运营商收益。用户月度总成本增加30 742.01元,但拆解成本构成可见,峰段充电成本下降11.15%,谷段充电成本上升53.51%,净增成本主要源于谷价上调。运营商收益增加43 177.05元,主要来自三部分:谷段亏损消除(增加12 600元)、峰段负荷转移降低运维成本(减少5 477元)、总充电量虽降但高价时段(峰、平)充电量占比优化,实现用户可接受、运营商可持续的平衡。

兼顾总充电电量控制与需求保障。单日总充电电量从745 MW·h降至709.47 MW·h,减少的电量主要为峰段非必要充电(临时补能、非通勤需求),而必要充电(次日通勤、应急出行)仍得到保障,709.47 MW·h远高于600 MW·h的最低需求。

4.3.4 帕累托解分析

针对多目标价差优化模型的求解需求,通过参数敏感性分析与收敛性验证,确定改进PSO的关键参数:粒子数量为100,最大迭代次数为200。从参数调试过程来看,当种群规模低于80时,非支配解对四维优化空间的覆盖度仅为68%~72%,无法完整呈现目标间的权衡关系;当种群规模超过120时,单次迭代耗时从0.9 s增至1.6 s,计算效率下降43.75%,但解集均匀度仅提升3.2%,存在明显计算冗余。而种群规模为100时,非支配解覆盖度达99.1%,解集均匀度为92.5%,且单次迭代耗时控制在0.95 s内,迭代总耗时约190 s,实现“多样性-效率”的最优平衡。在迭代次数方面,收敛曲线显示前140次迭代中,种群收敛度从11.5%快速攀升至97.8%,140次后收敛度增速降至0.4%/10次迭代,继续迭代无法显著提升解的质量,因此设定最大迭代次数为200,既避免因迭代不足导致的解精度缺陷,又减少冗余计算成本。

基于上述参数生成的四维帕累托前沿含100个非支配解,如图6所示,所有解满足“无法在不恶化其他目标的前提下提升任一目标”的最优性定义,最优解集集中分布于电网峰谷差为2 314~2 332 MW、新能源-充电负荷整体耦合度为0.43~0.51、用户日总成本为40~46万元、运营商收益为15~22万元的协同区间,前沿整体呈凸向原点的四维曲面。

(1)电网峰谷差与整体耦合度呈强负相关(相关系数r=-0.84),电网峰谷差每降低10 MW,耦合度提升0.045~0.055,体现电网峰谷差降低与新能源消纳能力提升的协同效应;

(2)用户成本与运营商收益呈中度正相关(r=0.76),供应商收益每增加1万元需用户成本增加0.85~1.15万元,符合“运营商收益提升需适度让渡用户成本”的经济规律;

(3)整体与用户成本呈正相关(r=0.69)且边际成本递增,耦合度从0.38升至0.49时,每提升0.05对应的用户成本增量从0.65万元增至 1.25万元,反映新能源消纳能力提升的成本代价逐步增大;

(4)电网峰谷差与运营商收益则呈间接负相关,电网峰谷差降低需引导负荷从峰段向谷段转移,短期可能压缩运营商峰段收益,需通过谷价合理调整保障运营商收益不低于18.2万元,避免运营不可持续。

4.3.5 响应前后充电负荷对比分析

基于价格弹性模型,充电负荷在电价响应前后呈现显著的时空重构特征,如图7所示,谷段(22:00—次日7:00)优化后负荷均值从27.68 MW升至31.12 MW,其中04:00—06:00负荷增幅最大,达到47.17%~65.04%,核心原因是:谷价虽上调但仍低于平段,且该时段为风电出力高峰,用户将充电需求转移至凌晨,既降低成本,又促进风电消纳。

峰段(11:00—14:00、18:00—20:00)优化后负荷均值从34.68 MW降至26.34 MW,下降24.05%,其中19:00—21:00负荷降幅最大,达到31.34%~36.63%,因该时段是居民用电高峰,峰价下调虽降低了部分抑制作用,但用户更倾向于避开电网尖峰,选择20:00后或22:00后充电,避免跳闸风险。

平段(07:00—11:00、14:00—18:00、20:00—22:00)优化后负荷均值从31.26 MW降至28.86 MW,下降7.68%,但负荷波动幅度从15.2 MW降至5.0 MW,更适配光伏出力的平稳特性,实现负荷-出力协同。

对电网来说,负荷平稳性有所提升。优化前24 h负荷波动标准差为9.87 MW,峰谷比为2.78;优化后波动标准差降至3.21 MW,下降67.48%,峰谷比降至1.22,负荷曲线更平缓。这将减少电网调频压力,降低变压器过载风险,延长设备使用寿命。

5 结论

围绕居民充电桩分时电价优化展开研究,旨在挖掘电动汽车灵活调节能力,实现新能源消纳、电网稳定、用户满意与运营商收益的多方共赢。针对传统分时电价优化方法的不足,通过模型创新与算法改进,形成了一套完整的居民充电桩分时电价优化体系。首先改进了电动汽车充电行为模型,明确“居民慢充+私营充电桩”核心场景的行为特征,通过电价弹性矩阵量化用户响应,并首次建立新能源与充电需求的时空耦合模型;其次对传统FCM聚类算法进行多维度改进,融入耦合度、电网负荷指数与用户充电频率特征及约束惩罚项,完成峰谷平时段划分;最后构建多目标价差优化模型,以电网峰谷差最小化、新能源-充电负荷耦合度最大化、用户成本最小化、运营商收益最大化为目标,采用改进PSO算法求解,结合中国南方某新能源高渗透率城市典型日数据验证方案有效性。研究主要得出以下结论。

(1)改进FCM聚类算法实现了多维度需求适配的时段划分,划分的峰段(11:00—14:00、18:00—20:00)覆盖83%电网高峰时段,平段(07:00—11:00、14:00—18:00、20:00—22:00)覆盖89%光伏出力高峰,谷段(22:00—次日7:00)100%匹配风电高产期,且居民常规充电时段(19:00—23:00)中平谷占比达75%,兼顾新能源消纳、电网安全与用户习惯。

(2)基于改进PSO算法的价差优化实现了多方利益协同平衡,峰价降至0.808 5元/(kW·h)、谷价升至0.35元/(kW·h)后,电网峰谷差降低28.18 MW,整体耦合度从-0.274提升至0.457,运营商收益增长28.67%,用户成本增幅控制在容忍范围内,同时充电负荷峰谷比从2.78降至1.22,负荷曲线平稳性显著提升。

(3)电动汽车调节潜力有效激活,优化后谷段充电量占比提升5%、峰段下降3%,凌晨风电高峰与午后光伏高峰时段充电负荷显著增加,验证了电价信号对负荷转移的引导作用。

综上所述,研究成果为挖掘电动汽车灵活调节能力、优化居民充电桩分时电价机制及促进新能源消纳提供了技术支撑,也为平衡电网稳定、用户成本与运营商收益提供了可行方案。但在“双碳”目标深化推进与新型电力系统建设加速的背景下,对电动汽车与电网、新能源的动态协同互动提出了更高要求,尤其需适配多元化场景与复杂运行条件。本次研究还存在以下局限性,需要进一步分析:一是仅以南方某新能源高渗透率城市为研究对象,未覆盖不同气候区、低新能源渗透率地区,也未考虑极端天气或节假日充电行为差异,应进一步结合多区域多工况数据校准模型参数,提升方案普适性;二是聚焦“居民慢充+私营充电桩”场景,未纳入公共快充与V2G互动模式,应进一步拓展场景边界,以适配多元化充电需求与电网互动新形态。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

周菡萏. 能源电力低碳转型形势下新能源电动汽车产业对电力系统的影响及应对策略研究[J]. 时代汽车, 2025(9): 146-148.
[2]

Zhou Handan. Research on the impact of the new energy electric vehicle industry on the power system and countermeasures under the low-carbon transformation of energy and power[J]. Era Automobile, 2025(9): 146-148.
[3]

北京亿维新能源汽车大数据应用技术研究中心. 中国新能源汽车大数据研究报告(2024)[M]. 北京: 机械工业出版社, 2024.
[4]

Beijing Ywei New Energy Vehicle Big Data Application Technology Research Center. China new energy vehicle big data research report ( 2024)[M]. Beijing: China Machine Press, 2024.
[5]

中国电动汽车充电基础设施促进联盟, 能链智电. 2022中国电动汽车用户充电行为白皮书[R]. 北京: 中国电动汽车充电基础设施促进联盟, 2023.
[6]

China Electric Vehicle Charging Infrastructure Promotion Alliance, Nenglian Zhidian. 2022 China electric vehicle user charging behavior white paper[R]. Beijing: China Electric Vehicle Charging Infrastructure Promotion Alliance, 2023.
[7]

Albareda G J, Younis R M, Rodilla P, et al. Analysing the electric vehicle charging behaviour in Spain: patterns and insights[J]. Electric Power Systems Research, 2025, 247: 111853.
[8]

石天琛, 杨烨, 刘明光, 等. 基于有限信息的电动汽车用户充电行为特征识别[J]. 电力建设, 2024, 45(10): 69-77.
[9]

Shi Tianchen, Yang Ye, Liu Mingguang, et al. Identification of charging behavior characteristics of electric vehicle users based on limited information[J]. Electric Power Construction, 2024, 45(10): 69-77.
[10]

茆美琴, 葛星, 杨铖, 等. 计及用户偏好的电动汽车集群参与调频市场优化控制[J]. 电力系统自动化, 2025, 49(14): 130-140.
[11]

Mao Meiqin, Ge Xing, Yang Cheng, et al. Optimization control of electric vehicle cluster participation in frequency regulation market considering user preferences[J]. Power System Automation, 2025, 49(14): 130-140.
[12]

周程, 刘赛, 郭昊旻, 等. 考虑用户充电负荷-最优分时电价互动的光储充换电站双层优化运行模型[J/OL]. ( 2026-02-09)[2026-03-20].

[13]

Zhou Cheng, Liu Sai, Guo Haomin, et al. A dual layer optimization operation model for photovoltaic storage charging and swapping stations considering the interaction between user charging load and optimal time of use electricity price[J/OL]. ( 2026-02-09)[2026-03-20].

[14]

Zhan J, Huang M, Sun X, et al. Coordinated interaction strategy of user-side EV charging piles for distribution network power stability[J]. Energies, 2025, 18(8): 1944.
[15]

苏洋. 考虑电动汽车调峰潜力的“网-站”双层优化调度策略[D]. 西安: 西安理工大学, 2024.
[16]

Su Yang. A “grid station” dual layer optimization scheduling strategy considering the peak shaving potential of electric vehicles[D]. Xi’an: Xi’an University of Technology, 2024.
[17]

舒征宇, 刘文灿, 李黄强, 等. 基于合作博弈与动态分时电价的电动汽车有序充放电策略[J]. 电力工程技术, 2025, 44(3): 179-187.
[18]

Shu Zhengyu, Liu Wencan, Li Huangqiang, et al. Ordered charging and discharging strategy for electric vehicles based on cooperative game theory and dynamic time of use electricity price[J]. Electric Power Engineering Technology, 2025, 44(3): 179-187.
[19]

施晓纯, 李红镝. 考虑碳排放的电动汽车分时电价研究[J]. 武汉理工大学学报(信息与管理工程版), 2025, 47(2): 196-202.
[20]

Shi Xiaochun, Li Hongdi. Research on time of use electricity pricing for electric vehicles considering carbon emissions[J]. Journal of Wuhan University of Technology (Information and Management Engineering Edition), 2025, 47(2): 196-202.
[21]

Wang J, Meng J, Li H, et al. Analysis of regional electric vehicle aggregation response behavior in the coupling electricity and carbon markets[J]. Energy, 2025, 326: 135914.
[22]

牛宇, 耿晓晓, 李兴东, 等. 基于净负荷聚类模型的工商业分时电价机制研究[J]. 低碳世界, 2025, 15(6): 102-105.
[23]

Niu Yu, Geng Xiaoxiao, Li Xingdong, et al. Research on time of use electricity pricing mechanism for industry and commerce based on net load clustering model[J]. Low Carbon World, 2025, 15(6): 102-105.
[24]

李艳梅, 顾诚凯, 任恒君, 等. 考虑决策者时长偏好的分时电价时段划分[J]. 电力工程技术, 2025, 44(3): 131-139.
[25]

Li Yanmei, Gu Chengkai, Ren Hengjun, et al. Time of use electricity pricing time division considering decision makers’ preference for duration[J]. Electric Power Engineering Technology, 2025, 44(3): 131-139.
[26]

Zeng X, He Z, Wang Y, et al. An effective method of equivalent load-based time of use electricity pricing to promote renewable energy consumption[J]. Mathematics, 2024, 12(9): 1408.
[27]

周凌锋, 王杰. 考虑用户响应程度的电动汽车分时电价策略[J]. 电测与仪表, 2018, 55(22): 67-72.
[28]

Zhou Lingfeng, Wang Jie. Time of use pricing strategy for electric vehicles considering user response[J]. Electric Measurement and Instrumentation, 2018, 55(22): 67-72.
[29]

黄志豪. 改进的K-means聚类峰谷时段划分在电动汽车充放电调度中的研究[D]. 南京: 南京理工大学, 2022.
[30]

Huang Zhihao. Research on improved K-means clustering peak valley time division in electric vehicle charging and discharging scheduling[D]. Nanjing: Nanjing University of Science and Technology, 2022.
[31]

梁士栋, 朱冰清. 考虑负荷分布均衡的电动汽车充电定价策略[J]. 华东交通大学学报, 2022, 39(6): 56-65.
[32]

Liang Shidong, Zhu Bingqing. Pricing strategy for electric vehicle charging considering load distribution balance[J]. Journal of East China Jiaotong University, 2022, 39(6): 56-65.
[33]

Kong W L, Ye H X, Ge Y Y, et al. Robust price-based EV load management considering human-choice uncertainty[J]. IEEE Transactions on Transportation Electrification, 2025, 11: 29-41.
[34]

Liu D N, Wang W Y, Wang L X, et al. Dynamic pricing strategy of electric vehicle aggregators based on DDPG reinforcement learning algorithm[J]. IEEE ACCESS, 2021, 9: 21556.
[35]

秦建华, 李娜, 金泰, 等. 基于Vosviewer与Citespace对电动汽车充电负荷领域的计量分析[J]. 科学技术与工程, 2022, 22(10): 4196-4205.
[36]

Qin Jianhua, Li Na, Jin Tai, et al. Measurement analysis of electric vehicle charging load based on Vosviewer and Citespace[J]. Science Technology and Engineering, 2022, 22(10): 4196-4205.
[37]

Ahmadreza M, Mahnoosh A. Pricing and routing mechanisms for differentiated services in an electric vehicle public charging station network[J]. IEEE Transactions on Smart Grid, 2020, 11(2): 1489-1499.
[38]

蒋宇, 吕干云, 贾德香, 等. 考虑用户充电行为和光伏不确定性的光储充电站储能容量优化配置[J]. 浙江电力, 2024, 43(5): 10-17.
[39]

Jiang Yu, Lü Ganyun, Jia Dexiang, et al. Optimization configuration of energy storage capacity for photovoltaic charging stations considering user charging behavior and photovoltaic uncertainty[J]. Zhejiang Electric Power, 2024, 43(5): 10-17.
[40]

李颖, 侯学睿, 刘晨辉. 基于有序逻辑回归模型的电动汽车充电行为分析[J]. 科学技术与工程, 2025, 25(8): 3473-3479.
[41]

Li Ying, Hou Xuerui, Liu Chenhui. Analysis of electric vehicle charging behavior based on ordered logistic regression model[J]. Science Technology and Engineering, 2025, 25(8): 3473-3479.
[42]

马龙飞, 张宝群, 唐萁, 等. 多约束下电动汽车充电站运营商利益最大化的充电站配置策略[J]. 科学技术与工程, 2025, 25(26): 11202-11209.
[43]

Ma Longfei, Zhang Baoqun, Tang Qi, et al. Charging station configuration strategy for maximizing the interests of electric vehicle charging station operators under multiple constraints[J]. Science Technology and Engineering, 2025, 25(26): 11202-11209.
[44]

王永利, 赵中华, 张一诺, 等. 基于改进粒子群算法和极限学习机模型的配电网物资需求预测[J]. 科学技术与工程, 2025, 25(15): 6410-6418.
[45]

Wang Yongli, Zhao Zhonghua, Zhang Yinuo, et al. Distribution network material demand prediction based on improved particle swarm optimization algorithm and extreme learning machine model[J]. Science Technology and Engineering, 2025, 25(15): 6410-6418.

基金资助

中央高校基本科研项目(2024JC004)

新能源电力系统全国重点实验室自主研究课题(LAPS2025-03)

国家自然科学基金(72371101)

PDF (9282KB)

61

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录