一项关于动态分时定价机制的研究，旨在实现车对网（Vehicle-to-Grid, V2G）系统中多方利益的最优化

《Journal of Energy Storage》：A study on dynamic time-of-use pricing mechanism for multi-stakeholder benefit optimization in Vehicle-to-Grid systems

　　余立婷|雷伟|鲍静宾
中国吉利学院管理科学与工程学院，杭州，中国

摘要
随着车对网（V2G）技术的进步，在电网、电动汽车聚合器（EVA）和电动汽车（EV）用户之间建立公平且高效的利润平衡机制对于其广泛商业化至关重要。然而，目前关于动态定价机制的研究存在显著局限性。理论上，许多现有模型未能充分区别于传统的分时（TOU）定价方式，从而掩盖了实时负荷响应所具有的灵活性。此外，电池降解成本与多方利益之间的定量权衡缺乏全面描述，经常导致调度结果不佳。为了解决这些差距，本研究在动态TOU定价环境下调查了电动汽车的充放电调度，提出了一种基于历史负荷曲线和用户行为的数据驱动、分段动态TOU定价模型。通过引入电池降解敏感性约束，该模型构建了一个三方利益协调优化框架。该框架利用改进的多目标粒子群优化（MOPSO）算法求解，该算法结合了参考向量引导和k最近邻 congestion 控制。仿真结果表明，与传统的非动态定价机制相比，所提出的方法使EVA的平均利润增加了77.1%， EV用户的净收入增加了38.3%，同时有效缓解了电网的峰值负荷。生成的帕累托最优解集保证了所有三方的经济回报，并在各种不确定性场景中表现出较强的鲁棒性。最终，这项研究为V2G系统的实际部署提供了一个经济上可行且操作上可行的协调框架。未来的工作将探索多区域协同调度、异构用户行为建模以及混合算法的集成。

引言
中国电动汽车（EV）行业的快速发展正在加速其能源结构的转型。到2024年底，该国的EV车队数量已超过3000万辆。这些车辆的集中并网对电力系统的负荷管理提出了重大挑战。车对网（V2G）技术利用EV电池的储能能力，在车辆和电网之间建立双向能量交换通道。这种机制增强了电力系统的动态调节能力，同时减轻了大规模充电负荷的影响。在电力需求高峰期，EV可以将电力回馈电网以帮助缓解电力短缺；而在低峰期，它们可以充电和储存能量。随着智能电网技术的进步，V2G已成为提高电力系统韧性的关键途径。国家发展和改革委员会等四个部门联合发布的《关于促进车对网互动大规模应用试点项目的通知》明确要求扩大V2G项目的规模，并推动新能源车辆的有序充电及双向充放电应用。

当前大规模采用V2G的主要障碍源于不充分的经济激励措施，这影响了参与者（包括电网、电动汽车聚合器（EVA）和EV用户）的参与意愿。首先，从电网的角度来看，大规模EV集成和双向电力流动可能会加剧峰值负荷压力，并在充电协调不足的情况下导致电压波动和频率不稳定[1] [2]，从而需要大量的电网升级和改造成本。其次，EVA面临高基础设施成本和不确定市场回报的双重压力，这种严重不平衡极大地削弱了它们的商业可行性。最后，在用户方面，由于缺乏合理的电池降解经济补偿，他们参与需求响应的意愿受到经济理性的限制[3] [4]。因此，建立一个平衡三方利益的机制，解决电网成本分配、EVA收入保障和用户补偿激励问题，对于克服V2G部署障碍至关重要。

鉴于V2G系统中固有的三方经济困境，动态分时（TOU）定价机制可以通过价格信号引导负荷的时空变化，从而提供系统性的解决方案。首先，该机制通过实时价格调整激励用户将充电转移到低峰期，有效减少了由电网侧不规则充电引起的增量负荷和能量损失，从而降低了输电和配电升级成本[5]。其次，EVA可以利用价格差异开发基于高峰时段放电的收入模型，从而提高投资回报并减轻基础设施成本压力。第三，动态定价直接影响了用户的经济决策：在动态TOU tariff 下，EV充电成本可以显著降低[6]，而实时电价补偿有助于解决电池降解问题，从而在个体福利和整体系统效率方面实现帕累托改进。因此，动态TOU定价是实现V2G系统中三方利益平衡的关键工具。

总体而言，V2G技术的研究已经从最初的可行性证明[7] [8] [9]和容量评估[10] [11]转向了跨学科协作创新阶段[12] [13] [14] [15]。在这一范式转变过程中，经济可行性始终是制约其广泛部署的主要瓶颈。为了解决这一根本问题，现有文献主要沿着三个方向发展。第一个方向是经济激励机制的设计和优化。先前的研究探讨了包括直接财政补偿、车辆购买补贴和税收减免在内的多样化政策工具如何激励用户参与V2G项目[16] [17] [18] [19]。实证证据表明，补偿方案必须充分内化用户对电池降解的经济预期[20]。此外，从延迟电网扩张中获得的宏观利益应通过公平分配框架重新分配给用户[21]。然而，仅仅依赖静态政策激励不足以缓解电力市场高频波动引起的实时供需不平衡。因此，研究焦点转向了动态定价机制。

第二个研究方向是通过定价策略激励EV充放电行为的时空变化。大量文献证实，设计良好的价格信号（如区域动态调度定价）可以有效协调电网和充电基础设施的运营利益[22] [23]。与静态TOU tariff 相比，实时定价在削峰和填谷方面的能力更强[24]。然而，当前动态定价和需求侧管理（DSM）方案中普遍采用的分段线性定价模型存在固有的理论局限性。这些传统框架通常依赖于严格预定义的时间段或简化的全球线性价格-负荷映射，无法准确捕捉高峰拥堵期间的需求价格弹性[25]。在大规模EV集成情况下，这样的均匀价格信号缺乏实时协作反馈，容易导致二次负荷反弹或加剧峰值拥堵[26]。因此，制定一种能够提供深度实时价格反馈的数据驱动、分段动态定价机制至关重要，这使其与传统的分段TOU tariff 有本质区别。

第三个研究方向关注跨实体利益协调机制和多目标优化方法。当前研究主要采用斯塔克伯格博弈模型[27] [28]和多目标优化算法（例如，传统粒子群优化和NSGA-II）[29] [30]来平衡电网调度成本、EVA运营收入和用户的充电/放电经济效益。然而，博弈论模型在制定和解决高维连续动态调度问题时经常遇到严重的计算难题[31]。此外，在处理这类高度复杂的均衡挑战时，传统的加权和方法或标准多目标粒子群优化（MOPSO）受到主观偏好和静态参数配置（例如，固定的惯性权重）的限制。因此，这些方法容易过早收敛到局部最优解，并且难以生成均匀分布的帕累托前沿[32]。此外，现有优化框架通常采用过于简化的确定性线性电池降解模型，无法准确描述用户参与V2G过程中的动态风险厌恶及其对调度行为的具体影响[33]。

尽管现有文献为V2G技术的理论进展和实证应用奠定了坚实基础——涵盖了用户参与意愿、 tariff机制和多方利益协调——但在探索协同机制方面仍存在重大研究空白。首先，尽管当前的动态定价模型表现出负荷响应性，但缺乏实时协作反馈机制来调和三方利益。这种短期价格信号与长期用户参与成本的分离本质上削弱了V2G的可持续运营基础。其次，由于高维目标和复杂约束，现有的多目标V2G优化模型经常过早收敛到局部最优解或产生分布不均的帕累托前沿，从而无法提供高度平衡和可行的策略。因此，迫切需要建立一个综合协调框架，将数据驱动的分段动态定价与强大的多目标优化方法深度融合。从宏观社会角度来看，解决电网、EVA和用户之间的经济三角难题超越了微观市场调度的技术要求；它是推动更广泛社会能源转型的关键催化剂。一个公平且高效的利益平衡机制可以有效避免因冗余配电网基础设施盲目扩张而造成的社会资源浪费。此外，它加快了EV（作为分布式能源存储）融入下一代电力系统的进程，从而促进可再生能源的整合，并显著减少整体社会碳足迹[34]。

鉴于上述情况，本文提出了一种在动态TOU定价方案下平衡电网、EVA和EV用户利益的优化框架。与现有研究相比，本文的潜在贡献包括：首先，引入基于历史负荷和用户行为的分段动态定价模型，并结合改进的多目标粒子群算法进行实时定价优化，确保定价策略同时响应短期负荷波动和长期用户成本，使EVA能够从协调电网和用户利益中获利。其次，通过引入参考向量引导和拥堵筛选，增强了多目标粒子群算法在高维目标空间的搜索能力，生成了一组均匀分布的非支配解，严格满足所有三方的积极利益，为决策者提供了平衡效率与公平性的解决方案。

问题描述
在V2G模型中，主要有三个关键实体：电网、EVA和EV用户。每个实体都有独特的目标，这些目标相互交织，有时会冲突。具体来说，作为电力供应商的电网的主要任务是维持稳定的电力供应和确保负荷平衡。它根据电网负荷条件发布实时充电和放电价格，并且是V2G的主要受益者。电网的主要收入来源于负荷减少。

改进的MOPSO算法概述
本研究解决了一个涉及三个冲突目标的多目标优化问题：电网收入、EVA收入和EV用户收入。传统的粒子群优化（PSO）已广泛应用于V2G场景[38] [39]。该算法通过加权方法将多目标函数转换为单一目标函数进行求解。虽然计算效率高，但它有两个显著缺点：首先，权重系数的设置具有主观性。

案例研究参数
为了确保广泛的适用性和建模一致性，仿真基于一个假设的测试系统构建，而不是局限于特定的地理电网。基准负荷曲线和动态电价模式使用PJM辅助服务市场的开源数据进行校准[41]，这些数据捕捉了现代电力系统的典型运行条件和负荷变化需求。为了保持与局部电池降解的一致性，

结论
本文提出了一个涵盖电网、EVA和EV用户的三方协同优化框架，旨在解决由它们多维利益引起的固有冲突。通过深度整合数据驱动的分段动态定价机制和改进的MOPSO算法，本研究为V2G系统内的各利益相关者建立了互利的运营模式。仿真结果证实了所提出框架的有效性。

CRediT作者贡献声明
余立婷：写作——审阅与编辑、撰写原始草案、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。
雷伟：写作——审阅与编辑、监督、资源、项目管理。
鲍静宾：写作——审阅与编辑、数据整理。

利益冲突声明
作者声明他们没有已知的竞争财务利益或可能影响本文工作的个人关系。