“双碳” 驱动下 2025 电动汽车市场：聚合新方法破电网调度难题--QYResearch

在 “双碳” 目标的强劲推动下，2025 年的电动汽车市场呈现出一派繁荣昌盛的发展景象。据QYResearch的市场调研机构相关数据表明，2023 年乌兹别克斯坦共拍摄了 113 部影片，产量相比 2017 年增长了近 300%。然而，由于电动汽车存在分布广泛、参数各异，且单体调节能力有限等问题，使其难以直接参与电网调度和电力市场，这也成为了电网需求侧管理中亟待解决的关键难题。

为有效应对这些挑战，本文创新地提出了一种新型电动汽车聚合方法。该方法能够妥善解决参数异构问题，通过对电动汽车功率可行域进行统一表示，不仅降低了计算的复杂程度，还显著提升了聚合精度。在此基础上，进一步构建了聚合商参与调峰的双层模型，对聚合商的竞价策略进行优化，使其在充分考虑购电成本的同时，能够高效参与调峰辅助服务市场，实现经济收益的最大化。仿真结果充分证明，所提出的方法不仅可以快速聚合大规模的异构电动汽车集群，还能通过策略竞价大幅提升其市场竞争力和收益水平。

一、电动汽车聚合模型的构建
根据QYResearch市场调研机构的相关报告数据显示，电动汽车需借助聚合商实现聚合，从而灵活参与电网调节。随着电动汽车数量持续增长，其调控能力在电网运行中的重要性日益凸显。但由于电动汽车存在参数异构、充放电特性复杂以及充电时间不确定等因素，导致电动汽车集群的聚合与调度工作变得极为复杂。因此，本部分将深入阐述电动汽车的动态特性及其聚合模型。



（一）单个电动汽车的动态模型
首先考虑包含 N 个电动汽车的集群，建立其中单个电动汽车的动态模型，该模型采用动态约束的形式呈现，为后续电动汽车集群的聚合奠定基础。单个电动汽车的动态模型涵盖功率、荷电状态以及充放电时间限制，具体可表示为：
Ei (t + 1) = Ei (t) + Δt (ηchPch,i (t) - ηdisPdis,i (t))，其中 Ei (t) 表示电动汽车 i 在 t 时刻的电能量状态，Pch,i (t) 和 Pdis,i (t) 分别代表电动汽车 i 在 t 时刻的充电和放电功率，ηch 和 ηdis 分别是充电和放电效率，Δt 为采样时间间隔。

（二）电动汽车集群聚合的动态模型
若单个电动汽车的动态模型可表示为 Pi = {P∈RD∣AiP≤bi}，那么 N 个电动汽车集群的聚合动态模型可用 M - Sum 表示为：Pagg = ⨁i = 1NPi = {P∈RD∣AaggP≤bagg}，其中 Aagg 和 bagg 是聚合后的矩阵和向量。由于电动汽车集群存在参数异构问题，直接计算 N 个 H - 表示多面体的精确 M - Sum 属于 NP - hard 问题。所以，通常采用近似求解方法，将 NP - hard 问题转化为算术累加和问题，以此降低计算复杂度。

二、电动汽车聚合商参与调峰的双层策略模型
在获取电动汽车集群的聚合模型后，电动汽车聚合商在考量电力市场购电成本的情况下，参与调峰辅助服务市场的竞价活动，旨在满足电动汽车集群聚合运行约束和调峰需求的同时，最大程度降低购电成本。电动汽车聚合商在电力市场中属于价格接受者，而在辅助服务市场中则是策略型竞价者。基于此，设计了聚合商在考虑购电成本前提下，参与调峰辅助服务市场的报量报价策略。

（一）电动汽车聚合商参与电力市场的模型
电动汽车聚合商在电力市场中作为价格接受者，依据电力市场提前公布的分时电价，规划一天的整体充电行为，进而得到仅参与电力市场的最优购电曲线，其模型如下：minPagg (t)∈Γ∑t∈ΓλEM (t) Pagg (t)，其中 Pagg (t) 为电动汽车聚合商的充电功率，λEM (t) 是电力市场发布的分时电价，Γ 为调度时间集合。

（二）电动汽车聚合商参与调峰市场上层模型
调峰市场上层模型以最小化电动汽车聚合商的整体成本为目标，其模型如下：minPagg (t)∈Γ∑t∈Γ(λEM (t) Pagg (t) + β(t)(Pagg (t) - Pagg∗(t)))，其中 Pagg∗(t) 是电动汽车聚合商根据式 (22) 计算得出的仅参与电力市场的最优功率曲线，β(t) 为调峰辅助服务市场的出清电价。

（三）电动汽车聚合商参与调峰市场下层模型
下层模型体现调峰辅助服务市场的出清准则，目标是在满足调峰需求的前提下，最小化调峰成本。参与调峰辅助服务市场的主体有两类，一类是作为策略型竞价商的电动汽车聚合商，其竞标价格为 αagg (t)；另一类是作为非策略型调峰设备的大型蓄电池，其调用成本为常数 λo (t)，模型如下：minPagg (t)∈Γ∑t∈Γ(λEM (t)(Pagg (t) - Pagg∗(t)) + λo (t)∣Po (t)∣)

三、电动汽车聚合商参与调峰辅助服务市场的仿真
为验证所提出的电动汽车集群聚合算法的有效性，分别在低维和高维聚合空间对电动汽车集群进行聚合操作，并与现有方法的聚合效果展开对比。
（一）低维少数量电动汽车聚合质量对比
设置 EV#1，EV#2 参数如表 1，聚合时间尺度 D = 2，采样时间间隔 Δt = 1h。EV#1，EV#2 二维近似效果对比如图 1、图 2，EV#1 - 2 聚合近似效果对比如图 3，近似质量参数对比见表 2、表 3。仿真结果显示，本文提出的聚合近似算法成功解决了现有方法在电动汽车时间参数异构时无法求解内部近似的问题，在求解外部近似方面，与现有方法相比，近似质量得到显著提升。

（二）高维多数量电动汽车聚合质量对比
设置 EV 参数分布如表 4，聚合时间尺度 D = 24，采样时间间隔 Δt = 1h，且不能同时进行充放电操作。随机生成 100EVs 的近似质量参数对比如表 5。通过表 5 数据对比可知，本文提出的算法在面对电动汽车集群任何参数异构的情况时，都能够进行高效聚合近似求解，并取得良好的近似质量，有效解决了现有方法在电动汽车非满维情况下无法求取内部近似的难题。

（三）电动汽车聚合商参与调峰辅助服务市场仿真
设置分时电价如表 7，大型调峰设备的调用成本为 0.4 (元 /kWh)，可调用功率范围为 [-150kW, 150kW]，随机生成一组调峰需求信号，电动汽车聚合商对 100EVs 进行聚合，参与辅助服务市场策略报量报价，仿真结果如图 4、图 5 所示。仿真结果表明，电动汽车聚合商仅参与电力市场时，其功率曲线处于电动汽车集群运行范围内，且在低电价时段充电，高电价时段放电，以此实现充电成本的最小化。当电动汽车聚合商同时参与电力市场和辅助服务市场时，负荷聚合商的报价与大型调峰设备调用成本相同，为 0.4 (kWh / 元) ，实际报价会略低。在不具备与调峰需求信号 (上调 / 下调) 相应的调节 (上调 / 下调) 容量时，报量为 0，其余时刻报量大于等于调峰需求容量，此时电动汽车聚合商的充电成本从 2395.6 元降至 2228.5 元，降低了 7%。

四、总结
针对电动汽车因参数异构导致功率可行域非满维，进而难以求解近似的问题，提出了一种全新的聚合方法。该方法将异构电动汽车的功率可行域转化为同构表达形式，把复杂的聚合计算转变为算术累加和计算。在解决近似求解难题的同时，提升了近似效果，充分释放了电动汽车的灵活性，还减轻了计算和信息传递负担。此外，考虑到聚合商的购电成本，设计了聚合商参与调峰辅助服务市场的竞价策略。仿真实验结果充分表明，聚合商采用该策略参与调峰辅助服务市场的报量报价，能够在实现成本最小化的同时，有效参与调峰辅助服务。

以上数据内容可参考QYResearch市场研究机构发布的《 2025-2031全球与中国电动汽车市场现状及未来发展趋势》。QYResearch机构可以提供深度产业研究报告、商业计划书、可行性研究报告及定制服务等一站式产业咨询服务。