Electric vehicle charging flexibility assessment for load shifting based on real-world charging pattern identification

doi:10.1016/j.etran.2024.100367

eTransportation 电子运输

第 23 卷，2025 年 1 月，100367

https://doi.org/10.1016/j.etran.2024.100367 获取权利和内容

全文访问

突出显示

•
充电模式由电动汽车活动之间的基本相关性定义。
•
城市级电动汽车大数据用于模式识别和负荷转移模拟。
•
用户灵活性在不同协调充电场景中有所不同。
•
与停车时间相关的指标有助于识别灵活用户。
•
倡导协调充电应考虑电动汽车行为差异。

摘要

协调电动汽车（EVs）的充电控制可以促进负载平衡和可再生能源利用。本文提出了一种新颖的框架，通过基于规则的充电模式识别来评估不同充电控制策略下 EV 的灵活性。首先，从现实世界的 EV 运行数据中提取了 EV 充电活动链的关键类别，这些类别以相邻行程之间的停车和充电活动序列为特征。然后，通过切换充电模式来代表三种协调充电控制方法：延迟充电、降低功率充电和基于使用时段（ToU）电价的智能充电。这些策略通过修改原始充电会话中的充电时间或充电率来应用。引入了几个评估指标来量化每种策略对负载配置重塑、灵活性利用效率、用户参与和能源成本节约的影响。比较结果表明，基于 ToU 电价的智能充电优于其他两种策略，尽管每种方案的有效性随充电模式而变化。研究结果突出了闲置停车时间及其与所需充电时间的比率，作为识别潜在电动汽车用户进行协调充电控制的关键指标。此外，研究表明，将电动汽车充电负荷的 1%从高峰时段转移到非高峰时段至少需要 4%的用户参与，而将 1%的电动汽车充电负荷转移到低谷时段至少需要 3%的用户参与。提出的基于模式的充电模型和评估框架为设计更高效、成本效益更高、用户友好的电动汽车充电调度策略提供了宝贵的见解。

图形摘要

关键词

电动汽车充电模式行为分析智能充电模拟边际贡献

1. 引言

由交通运输电气化和脱碳电力发电的协同发展驱动，电动汽车（EV）的大规模采用为解决化石燃料枯竭和温室气体排放提供了有希望的解决方案[1]。预计到 2030 年，全球电动汽车保有量将达到 2.4 亿辆，约占全球电力消费的 4%[2]。但这由于充电负荷的增加，对电网提出了重大挑战，包括显著增加的峰值电力需求和输配电能力[3]。因此，高效的电力基础设施规划、峰值负荷调节和智能能源管理是必不可少的。作为关键的需求侧灵活资源，电动汽车可以通过智能充电促进峰值负荷缓解和高效的可再生能源整合[[4]，[5]，[6]]。因此，智能充电是高效电动汽车-电网集成（EGI）的关键。

现有智能充电方案通过将电动汽车充电转移到非高峰时段或高峰时段采用低费率充电，已显示出在重塑电力负荷曲线方面的巨大潜力[[7]，[8]，[9]]。在固定充电时间内延迟充电和充电功率调节简单易行，已被电网运营商和充电服务提供商广泛推荐给电动汽车用户。作为一种易于实施的协调充电方法以减轻高峰负荷，延迟充电通常将电动汽车充电开始时间推迟到用户出发前的最后一分钟。这通常需要电动汽车有较长的停车时间，因此通常应用于家庭充电场景[10，11]。基于功率调节的充电控制方法通常在特定时期降低电动汽车的充电速率以优化充电负荷曲线[12，13]。通过调整充电时间和功率，提出了智能充电策略以调节电动汽车充电负荷[[14]，[15]，[16]]。然而，这些方法不可避免地专注于建立优化模型，但忽略了电动汽车用户参与的影响。

充分利用电动汽车充电灵活性以提高高效能源管理，不仅取决于开发使能控制算法，还依赖于准确分析电动汽车用户的出行活动[17,18]。智能充电并不总能确保优于按需充电。这是因为许多优化充电策略未能考虑充电决策如何与电动汽车用户多样化的行为模式相匹配。此外，它们局限于小范围的用户样本。相关研究中广泛使用了不切实际的假设，例如忽略电动汽车充电与停车活动之间的相关性，以及假设系统性的充电接受度等[19]。如果同时出现多个推荐的充电行为，例如大量电动汽车自发推迟充电至凌晨 1 点，对电网的影响可能是不理想的。因此，有必要充分理解电动汽车充电行为中固有的灵活性，并了解如何有效地影响这些行为以最大化 EGI 的益处。

近年来，基于数据的研究显著提高了我们对电动汽车充电行为及其决定因素的理解，以改善电动汽车协调充电管理的性能[11,[20], [21], [22], [23]]。现有的基于数据的电动汽车充电行为建模方法大致可以分为两类，即描述性统计模型和聚类模型。描述性统计模型可能过度简化电动汽车充电行为，因为它们只关注宏观层面的有限充电特征[[24], [25], [26]]。这会导致充电负荷预测精度降低和 EGI 能力评估不准确。基于数据的聚类模型通常根据充电时间、位置、充电能量和电动汽车用户的社经人口属性等特征对不同的电动汽车充电行为进行分类。在大多数研究中，电动汽车充电行为根据一维行为特征进行聚类，通常被描述为广泛的类别，如工作日充电、周末或节假日充电[27]、白天充电或夜间充电[28,29]以及在家、工作场所或公共充电站充电[30,31]。然而，电动汽车用户表现出广泛的行为，这些行为无法通过简单的规则充分捕捉。为了捕捉电动汽车充电行为的非均匀性，已经进行了更复杂的分类，通过结合多个特征。一些研究考虑了时间和空间充电特征[32]，而另一些研究则通过将电动汽车用户的不同群体进行分类，识别多个充电段[33,34]。尽管上述研究提高了模拟模型中充电行为的保真度以及充电负荷预测的准确性，但它们仍然存在一些局限性。首先，充电段的分类和静态行为特征，这未能反映充电时间和能耗的动态性质。其次，对电动汽车（EV）行为分析和分类尚未充分利用来量化协调充电的影响。这些现有模型通常假设电动汽车在到达充电点后立即开始充电，并且未能考虑到停车和充电事件的顺序和时间的可变性。这种遗漏至关重要，因为理解这些变化对于评估将充电负荷转移到非高峰时段或分配到更有利的电网条件（如可再生能源发电高峰时段）的潜力至关重要。因此，这些模型缺乏模拟利用协调充电中电动汽车灵活性的各种“如果”情景的能力。因此，当前的努力在充分利用电动汽车用户灵活性以实现更有效的智能充电策略方面仍然不足。此外，大规模真实世界电动汽车运营数据的有限可用性也给该主题的研究进展带来了巨大挑战。

为弥合上述差距，利用现实世界电动汽车运行数据分析电动汽车行为，为分析由 EGI 技术引发的电动汽车充电行为变化的影响提供了一种可行的途径。本研究的首要贡献在于提供对现实世界电动汽车充电行为的系统理解，以及在协调充电下准确评估大规模行为转变的潜在影响。

如图 1 所示，本研究首先定义了电动汽车（EV）活动链，并根据大量的实际电动汽车运行数据识别了包括充电会话在内的不同 EV 活动链模式，这些模式被称为“充电模式”。然后对充电特性进行多维度统计分析，以推断潜在的用户画像。进一步评估了电动汽车在充电管理方面的行为灵活性，包括刚性、平移潜力、可削减潜力和可转移潜力。通过在不同协调充电策略下的充电模式变化模拟，评估了协调充电在三种典型场景下的有效性：延迟充电、降低功率充电和基于分时电价（ToU）的智能充电。引入了几个评估指标来量化每种策略对负荷曲线重塑、灵活性利用、用户参与和能源成本节约的影响。这些指标用于衡量高峰和低谷电需求期间的净负荷转移效果，解决包括以下关键问题：

•
已转移多少充电负载？
•
利用 1 小时的闲置停车时间可以转移多少负荷？
•
单次充电过程中有多少充电能量用于负荷转移？
•
电动汽车用户在电费上可以节省多少？
•
需要多少电动汽车用户参与才能转移 1%的充电负荷？

最后，提供全面分析以确定通过调整电动汽车充电行为重塑电力负荷的研究方向。此外，本研究还提供了电动汽车用户如何通过了解他们的充电行为对电网运行的有益影响，同时满足他们的充电需求而受益的见解。

本研究的独到贡献可概括如下：

(1)
提出了一种基于充电模式识别分析电动汽车行为的创新方法。通过考察充电时段与先前或后续的驾驶和停车活动之间的关系，捕捉电动汽车充电活动的潜在特征，从而揭示充电管理的灵活性。
(2)
使用大规模真实世界电动汽车数据集对不同的协调充电策略进行统计分析与模拟。这些基于证据的见解为城市层面大规模电动汽车充电的显著影响和调度潜力提供了实际指导。
(3)
开发了一种基于多维指标的系统评估方法，以量化各种充电控制措施的负荷转移效果。这些指标从宏观和微观两个角度提供全面洞察，并强调鼓励高影响力的充电行为模式可以最大化电动汽车充电的灵活性。

本文剩余部分结构如下。第 2 节介绍了所使用的数据集和提出的充电模式识别方法。第 3 节分析了不同充电模式的特点和潜在的电动汽车用户画像。第 4 节展示了在不同协调充电策略下的充电模式切换模拟。第 5 节对基于模式用户画像的电动汽车充电协调措施的影响进行了全面分析，关键结论在第 6 节中总结，并讨论了未来的研究方向。

2. 电动汽车充电模式识别

2.1. 数据预处理

该研究使用的数据集包含 2021 年 9 月在北京运行的 45,093 辆轻型电动汽车的实际运营数据，共计 326,998 次充电会话。原始数据按照中国国家标准 GB/T 32960，以 30 秒的时间分辨率收集，并进一步处理成包括停车、充电和驾驶会话的数据段。提供的信息主要包括车型、电池容量、时间戳、车辆状态、电池荷电状态（SOC）和累计行驶里程。

为了减少数据异常对进一步分析的影响，通过解码收集到的原始数据、消除异常会话、纠正错误参数和补充缺失的会话数据对数据进行处理。首先，执行数据清洗以去除信息缺失、不合理能量或功率值或持续时间小于 1 分钟的充电会话。还消除了超过 24 小时的充电会话，以确保数据完整性，以便进行准确分析。然后，按时间顺序组织每个电动汽车的数据，并检查时间戳。然后根据相邻会话之间的时间和 SOC 差异识别缺失的停车和充电会话，并将其添加到数据集中。最后，按时间顺序连接处理后的会话数据，将具有相同车辆状态的会话合并为一个。此数据清洗和重建过程重复进行，直到所有会话按连续时间戳排序，并且相邻段的状态明显不同。处理后的会话数据后来用于构建电动汽车活动链。

2.2. 充电活动链构建

在本研究中，将电动汽车用户的充电活动链定义为以驾驶事件开始和结束的一系列活动，其中不包含中间的驾驶活动。为了构建每个电动汽车的活动链，根据第 2.1 节获得的连续电动汽车运营数据，通过标记为“驾驶”事件的会话进行分段，如图 2 所示。充电活动链，也称为充电模式，是从包含至少一个充电事件的活动链中提取出来的。这些充电模式明确显示了两次相邻行程之间的停车和充电活动之间的相关性，并揭示了电动汽车在时间维度上的充电灵活性。特定充电模式内的每个会话被视为一个统一的“可调度单元”。每个单元包含一个特定的活动序列，包括充电和闲置停车。单元跨越电动汽车到达和离开的时期——本质上是一个驾驶会话结束和下一个驾驶会话开始之间的间隔。以下是对这些时间组件的定义：

•
停车时间：一次驾驶会话结束与下一次会话开始之间的持续时间，包括充电和闲置期。
•
充电时间：电动汽车正在被主动充电的期间。
•
空闲时间：车辆停放但未充电的停车时间的一部分，表示没有向车辆进行能量转移。

确定现实世界的充电模式有助于量化在协调充电策略下电动汽车行为大规模转变的潜力。充电控制模拟基于通过修改充电时间和功率来切换充电模式。所确定的充电模式在表 1 和图 3 中展示。如图 3 所示，四种主要的充电活动链模式占到了总充电活动的 97%。具体来说，最常见模式 A，占到了总充电活动的 46.6%，定义了一种在整个停车期间（两次行程之间）持续充电的充电模式。它占到了总充电活动的约 46.6%，表明近一半的充电活动在没有闲置停车时间的情况下进行。这可能是由于电动汽车用户的偏好或停车限制（如高昂的停车费）等。模式 B，占到了 7.9%，涉及在充电前有闲置时间的充电直到出发。模式 C，占到了 9.4%，指的是在两次行程之间充电前后的闲置停车期间进行充电。模式 D，占 36%，定义为到达时立即收费，随后是延长的停车期直至离开。从定义中可以看出，模式 B 代表延迟收费，而模式 D 代表立即收费以满足用户像模式 A 一样紧急充电的需求。延迟充电（模式 B）或立即和延迟充电的组合（模式 C）的一个常见原因是到达时充电点不可用。这种情况在高电动车辆采用率但充电基础设施不足的地区尤为常见。如果电动车辆到达时所有充电器都被占用，驾驶员必须等待充电点变得可用，从而延迟充电会话的开始。在空闲停车期间，模式 B、C 和 D 允许在充电时间和功率方面有一定的充电灵活性。这三种模式的存在也表明，用于预测充电需求的现有电动车辆行为模型可能会因为假设到达时立即充电而产生重大误差。较少见的模式，如间歇模式 E（占比不到 0.1%），在本研究中被忽略。

表 1. 不同充电模式的描述。

类型	定义
模式 A	驾驶-充电-驾驶
模式 B	驾驶-停车-充电-驾驶
模式 C	驾驶-停车-充电-停车-驾驶
模式 D	驾驶-充电-停车-驾驶
模式 E	驾驶-充电-停车-充电-驾驶
其他	除了模式 A/B/C/D/E 之外的其他模式，例如驾驶-充电-停车-充电-停车-充电

2.3.单个电动汽车充电模式的分布

电动汽车用户的充电行为可能由一个模式或多个不同的模式组成。如图 4 所示，根据充电模式的复杂性，区分了不同的电动汽车用户群体。模式组成的类别，例如单模式、双模式、三模式和四模式，分别用灰色、蓝色、红色和绿色表示。比例反映了充电行为属于特定模式组成类别的电动汽车用户数量。请注意，只有那些比例大于 0.1%的类别被显示出来，以强调最相关的信息。这些类别占所有用户的 98.6%，其中最大的部分是模式 A 和 D 的双模式用户，占所有研究电动汽车用户的约 23%。约 16%的用户只表现出模式 A，其次是模式 A、C 和 D 的多模式用户，占约 12.5%。图 5 说明了单个电动汽车用户之间的各种充电模式组成，更详细的内容可以在附录中的图 A.1 中找到。顶级六组用户均包含模式 A，这表明相当比例的私人电动汽车用户习惯于到达后立即充电，充电完成后立即离开。然而，由于充电条件未知，难以确定模式 A 的充电行为是否可以改变以用于充电协调目的。此分析为通过改变用户行为，量化哪些类型用户以及多少用户可以被纳入协调充电计划提供了基础。这将有助于决策者确定 EGI 的目标电动汽车用户。

3. 电动汽车充电特性分析

本节从统计角度分析了充电功率、时间和电池 SOC，并展示了每种电动汽车充电模式的充电负荷曲线。目标是探索电动汽车充电时间和能源使用模式的分布，推断每种充电模式发生的场景，并为评估充电行为的潜在灵活性提供统计基础。

3.1. 充电功率

充电功率是表征电动汽车用户充电场景的关键因素，因为它决定了充电时间长度并表明用户充电的紧迫性。在本研究中，充电功率被计算为平均功率，该功率由电池容量和 SOC 差值的乘积除以充电时间得出。图 6、图 7 显示了四种主要充电模式充电功率的分布，这些模式具有相似的分布形状。为了进一步分类这些模式，采用高斯混合模型（GMM）根据整个数据集识别不同级别的充电功率，如图 8（a）所示。结果显示，充电功率在 10.2 kW 周围呈对称分布。因此，慢速充电和快速充电分别定义为平均功率低于或高于 10.2 kW 的充电。

如图 8（b）所示，与快速充电相比，慢速充电在大多数电动汽车用户中更为常见。模式 B、C 和 D 几乎都倾向于慢速充电，而模式 A 表现出更平衡的分布，快速充电和慢速充电的比例为 4:6。模式 B、C 和 D 中慢速充电的更高普及率，尤其是在 3 kW 和 7 kW 的功率水平上，表明这些功率水平对应的是最常见的充电设施，尤其是在住宅区[35,36]。这也表明，在 7 kW 充电功率的用户更有可能拥有私人充电桩或易于获取的充电设施，因为 7 kW 是中国住宅区慢速充电桩的主流充电功率[37]。因此，在用数据集中慢速充电的更高发生率并不一定表明电动汽车用户的偏好。快速充电的功率分布更为分散，平均功率约为 30 kW。这种分散可能由多个因素造成，包括与快速充电相关的更高费用以及更高功率充电器的有限可用性。

3.2. 充电时间

充电模式具有足够的空闲停车时间，可以为协调充电控制提供相当大的灵活性。图 9 显示了每种充电模式的充电和整个停车持续时间。整个停车持续时间包括充电和潜在的空闲停车。相应的统计数据在表 2 中显示，每种模式在充电前后停车时间的详细分布显示在附录中的图 A.2。不同充电模式中空闲到充电时间比的分析强调了开发针对实际电动汽车使用模式的智能充电策略的必要性，而不是采用一刀切的方法。通过量化空闲时间相对于充电时间，可以确定提供最大灵活性的充电模式。例如，低空闲到充电时间比可能表明用户由于续航焦虑或对充电基础设施可用性的不确定性，更喜欢停车后立即充电。相反，高比例可能表明用户群更习惯于受控充电，这可能是由于夜间充电习惯或对充电设施可用性的信心。这个高比例还表明，在何时以及如何充电方面有更大的灵活性，并且可以进一步评估将具有特定充电模式的 EV 用户纳入需求响应计划的可能性。这些见解帮助政策制定者制定激励措施或法规，以鼓励用户调整他们的充电习惯。对于用户来说，这提供了他们可以在不牺牲充电便利或偏好的情况下为智能充电做出多大贡献的理解。有了这些知识，EV 用户可以更有效地参与充电管理计划。

表 2. 不同识别的充电模式下的停车、充电和闲置时间统计。

充电模式	充电功率等级	平均充电时长	平均停车时长	平均待机时间（总计，充电前，充电后）	待机时间与充电时长之比（总计，充电前，充电后）
所有模式	慢	5 小时 29 分钟	10 小时 30 分钟	1 小时 42 分，4 小时 24 分，7 小时 50 分	0.31, 1.67, 2.57
所有模式	快速	55 分钟	2 小时 18 分	1 小时 52 分钟，3 小时 32 分钟，3 小时 38 分钟	2.02, 5.63, 4.57
模式 A	慢	6 小时 8 分钟		0, 0, 0	0, 0, 0
模式 A	快速	53 米		0, 0, 0	0, 0, 0
模式 B	慢	6 小时 2 分钟	10 小时 25 分钟	4 小时 23 分, 4 小时 23 分, 0	1.96, 1.96, 0
模式 B	快速	1 小时 1 分	4 小时 28 分	3 小时 27 分, 3 小时 27 分, 0	5.93, 5.93, 0
模式 C	慢	5 小时 3 分	17 小时 13 分	12 小时 10 分，4 小时 24 分，7 小时 46 分	3.92, 3.70, 4.01
模式 C	快速	1 小时 1 分	8 小时 44 分	7 小时 43 分钟，1 小时 28 分钟，2 小时 27 分钟	10.26, 5.12, 5.13
模式 D	慢	4 小时 53 分	12 小时 44 分	7 小时 51 分，0，7 小时 51 分	2.60, 0, 2.60
模式 D	快速	1 小时	4 小时 34 分钟	3 小时 34 分钟，0，3 小时 34 分钟	4.48, 0, 4.48

北京按计费机制划分的时段表 3。

期/价	早晨-平段	早晨-高峰	下午平段	夜峰	夜平	河谷
开始时间	7:00	10:00	13:00	17:00	22:00	23:00
结束时间	10:00	13:00	17:00	22:00	23:00	7:00
电价（人民币/千瓦时）	0.88	1.18	0.88	1.18	0.88	0.62

为了推断这些充电模式出现的场景，仅依赖于充电和停车时间的分布是不够的。将充电功率和开始和结束时间作为输入特征，热图中显示的二值分布可以直观地展示不同时间和充电功率下的充电活动。如图 10 所示，时间轴从当天凌晨 4 点延伸到次日凌晨 4 点，充电活动被分为七组（四个慢充组和三个快充组）：

1)
早晨-慢（MS）：早晨开始和结束慢速充电。
2)
中午慢充（NS）：中午开始和结束慢充。
3)
下午慢充（AS）：下午开始，晚上结束慢充。
4)
傍晚慢充（ES）：傍晚或晚上开始，次日清晨结束慢充。
5)
早晨快充（MF）：早晨开始和结束快充。
6)
中午快充（NF）：中午开始和结束快充。
7)
下午快充（AF）：下午开始和结束快充。

由于数据集中大多数电动汽车被注册为私人乘用车，因此有理由相信它们被各种个体使用，无论是个人还是商业用途。它们可能包括日常通勤者、网约车司机、自由职业者、远程工作者以及其他有弹性时间表的非工作者。数据中观察到的特定充电模式表明了不同的用户活动。例如，MS 和 MF 充电模式更有可能与在工作场所充电的日常通勤者相关，而 NS 和 NF 模式可能与社会在午餐时间使用公共充电站的网约车司机相关。下午开始并在晚上结束的 AS 充电在下班后在家充电的日常通勤者中很常见。白天开始并在夜间继续的 ES 充电可能适用于通勤者和网约车司机，而 AF 充电则代表白天随机的快速充电需求。

图 11、图 12 展示了不同模式下的慢速和快速充电时间分布。可以看出，模式 A 通常出现在下午和晚上，包括 AF 和所有慢速充电类别，其中 AS 和 ES 出现频率最高。图 11(a)显示，许多遵循模式 A 的电动汽车用户在早上 8 点和晚上 7 点开始充电，大约 2 小时后离开，没有空闲停车。这与用户可能长时间充电和长时间停车的预期不符。由于模式 A 是最常见的模式，我们假设它反映了各种类型的用户。尽管模式 A 中的充电时间与通勤模式一致，但这种模式偶尔也可能反映随机或独特的日程，例如那些工作时间灵活或非通勤的电动汽车车主。这些用户可能会在每天的其它活动周围规划充电，如购物或参加晚间活动，从而导致模式 A 中观察到的充电行为。例如，一个用户可能在下班后购物时充电，然后立即离开。用户具有灵活的工作时间，如自由职业者、远程工作者、轮班工作者或兼职员工，也可能在早上开始他们的一天，这导致观察到的早上 8 点左右充电高峰。充电后，这些人可能会准时离开，继续他们的一天，无论是工作还是其他活动。例如，网约车司机在繁忙的晚高峰后可能会休息，以便快速充电，然后继续他们的班次，可能是一整夜。其他用户群体，如退休人员或居家工作者，也可能表现出与传统通勤模式不同的充电行为。这些用户可能会在一天中用电动汽车进行短途旅行或跑腿，解释了早上 10 点左右和晚上 9 点左右的充电活动。充电后没有闲置停车位的情况表明，这些用户只在必要时充电，并在充电后不久离开，继续他们的日常活动。

充电基础设施的可用性也可能影响这些行为，因为电动汽车用户通常会利用可用的停车位进行短暂的充电。类似的分析可以应用于其他模式。包括 AF、NS 和 ES 的 B 模式表明，这些可能是网约车司机的充电行为，他们可能会因为充电点有限而面临延误。主要包含 MF、MS、AS 和 ES 的 D 模式通常在早晚高峰之后发生，可能表明通勤者的充电模式。介于 B 和 D 模式之间的 C 模式包括 NF、MS、AS 和 ES。其慢速充电模式可能反映了通勤者的充电习惯，而其快速充电模式则暗示了网约车司机在午餐时间寻求快速充电的潜在采用。尽管这些推断尚未得到验证，但它们为理解与不同用户类型相关的充电行为提供了初步了解，这可能有助于确定协调充电控制的潜在目标用户。

3.3. 电池充电状态

电池在充电活动开始和结束时的 SOC 反映了用户充电需求的大小和紧迫性。对于慢速充电，所有模式下的起始 SOC 中位数始终在 40%到 50%之间，具体请参阅附录中的图 13 和表 A.1。每种模式的快速充电起始 SOC 中位数范围为 30%到 40%，表明选择快速充电的用户往往从较低的能源水平开始，与使用慢速充电的用户相比。这种变化可能表明，快速充电用户更习惯于在较低的 SOC 水平下操作他们的电动汽车，这可能是因为快速充电设施的随时可用性，这增强了他们对电动汽车可靠性的信心。或者，选择快速充电的决定可能是由较低的 SOC 水平驱动的，反映了更大的紧迫性。

无论慢速充电还是快速充电，模式 C 和 D 更有可能具有高充电结束 SOC 水平，范围从 90%到 100%。相比之下，模式 A 和 B 的充电结束 SOC 分布较低且更多样化。这表明模式 C 和 D 可能有足够的停车时间来支持接近满电或满电，而模式 A 和 B 的充电活动可能受到驾驶员个人时间表或充电设施限制的约束。模式 B 通常以较低的 SOC 开始，以适中的 SOC 结束，这意味着具有频繁模式 B 行为的用户可能会面临充电可用性的严重限制。相比之下，具有高比例模式 C 和 D 的电动汽车用户可能对参与协调充电控制具有高度灵活性。

3.4. 各模式的充电能量和日负荷曲线

本节展示了全天每种充电模式的总充电负荷，以提供不灵活的充电负荷配置文件的基准。总充电负荷表示每次充电过程中所充电能的累积。图 A.3 展示了单个充电过程中所充电能的分布。图 14(a)和(b)显示了一个月内平均每日电动汽车充电负荷，图 14(c)和(d)分别显示了每种充电模式的慢速和快速充电情况及其 30 天内的 95%包络线。每个子图还指出了每种模式对充电负荷的贡献比例。

总的来说，慢速充电占本研究的私人电动汽车总负荷的大部分，变化量为 3,100 kW2，峰谷差为 10,532 kW。早上观察到相对平稳的峰值，主要峰值与居民用电需求的晚间峰值很好地对齐，而最低点出现在早上 7 点至 8 点之间。模式 A 和 D 对总充电负荷曲线的贡献最大，模式 A 约占 41%，模式 D 约占 40%的每日慢速充电负荷。对于快速充电负荷，模式 A 和 D 分别贡献约 68%和 22%。所有四种模式的慢速充电负荷曲线都表现出与电力需求晚间峰值重叠的峰值时段，白天还有次级峰值，尤其是模式 D。整体快速充电负荷曲线通常更平滑，全天的峰谷差为 1,728 kW2，峰值-谷值差为 5,735 kW。然而，值得注意的是，其变化率大于从早上 7 点到晚上 6 点白天慢速充电负载的变化率，白天快速充电负载超过夜间和凌晨的负载。这表明，以短时间和高功率水平为特征的快速充电在白天更为频繁。

总的来说，不同的充电模式对电力负荷的影响程度不同。在乐观的一面，一些模式，如模式 D，可能对电网产生负面的负荷影响，但也为协调充电控制提供了很大的灵活性。这类充电模式应被识别并进一步研究，以重塑总电力负荷曲线。

4. 充电模式切换模拟

4.1.场景设置

为了量化不同协调充电策略下推荐充电行为的有效性，通过基于现实世界电动汽车充电数据进行充电模式切换的模拟来执行。为了评估电动汽车充电的灵活性，我们参考并重新定义了先前研究中提出的需求侧资源的灵活性定义[38,39]。可转移负荷指的是可以在时间上移动的负荷，但必须整体移动，而不会中断整个充电周期。可调整负荷允许充电中断，并在可用的调度时间内重新分配充电负荷。可削减负荷是通过降低充电功率实现的。从充电模式定义中可以推断出，模式 A 的充电负荷更为刚性且可控性较差。相比之下，由于闲置停车时间，模式 B、C 和 D 的充电负荷表现出更大的调度灵活性，允许进行可转移、可削减或可调整的负荷调整。详细定义如下：

•
由于充电前后存在停车，充电负荷可以整体转移，同时保持相同的平均充电速率和充电会话持续时间。
•
可调节的：通过在整个停车期间分散充电过程，可以将充电功率降低到较低水平。
•
可移位的：可以在停车时间内重新安排充电时间，通过允许在整个充电过程中的充电暂停来利用较低的电价。

通过修改充电行为，从一种模式切换到另一种模式（例如，从 C 或 D 切换到 B，或从 B、C、D 切换到 A），可以模拟不同的电网管理策略。这是通过调整原始充电会话数据来实现的，具体来说，是切换模式。

•
从 C 或 D 到 B 模拟了延迟充电场景，充电被推迟到最后几分钟。
•
从 B、C 或 D 到 A 评估在充电过程中降低功率的影响，或评估基于时间分段电价（ToU）的智能充电对最大化成本效益的影响。

为了利用可移峰充电行为，设计了一种基于混合整数线性规划（MILP）模型的智能充电策略。该模型优化了 B、C 和 D 模式下的充电时间表，以通过 ToU 电价重新分配可移峰负荷。算法在附录中的算法 A.1 中展示，变量在表 A.2 中详细说明。

基于上述分析，协调充电场景旨在充分利用相邻行程之间的停车时间，同时满足电动汽车用户的充电需求。它们分为三大类，即延迟充电（X2B）、降低功率充电（X2A）和基于时间分段电价（MinFee）的智能充电，分别对应电动汽车充电负载的转换、可削减和可转移潜力评估。图 15 说明了在延迟充电和降低功率充电场景中，充电模式切换如何调整可调度单元的启动时间、结束时间或充电速率。

(1)
延迟充电（X2B）：此场景假设总停车时间、充电能量和平均充电功率保持不变。
场景 1.1：Pattern D 的所有充电会话切换到延迟充电模式 B。慢速和快速充电场景分别表示为 D2B-S 和 D2B-F。
场景 1.2：Pattern C 的所有充电会话切换到模式 B。慢速和快速充电场景分别表示为 C2B-S 和 C2B-F。
场景 1.3：这是一个结合场景 S 1.1 和 S 1.2 的集成场景。其慢速和快速充电场景分别表示为 CD2B-S 和 CD2B-F。
(2)
低功耗充电（X2A）：此场景假设总停车时间和充电能量保持不变，但平均充电功率降低，以充分利用整个停车时间进行充电。
场景 2.1：Pattern B 的所有充电会话切换到 Pattern A。慢速和快速充电场景分别指定为 B2A-S 和 B2A-F。
场景 2.2：将 Pattern C 的所有充电会话切换到 Pattern A。慢速和快速充电场景分别命名为 C2A-S 和 C2A-F。
场景 2.3：将 Pattern D 的所有充电会话切换到 Pattern A。慢速和快速充电场景分别表示为 D2A-S 和 D2A-F。
场景 2.4：这是一个结合场景 S 2.1、S 2.2 和 S 2.3 的集成场景。慢速和快速充电场景分别命名为 Else2A-S 和 Else2A-F。
(3)
智能充电与分时电价（最小费用）：此场景假设总停车时间和充电能量保持不变。
场景 3：将基于混合整数线性规划（MILP）的智能充电方法应用于模式 B、C 和 D，以最小化在分时电价（ToU）下的每次充电会话的充电成本。其慢速和快速充电场景分别表示为 MinFee-S 和 MinFee-F。MILP 模型受充电需求和每个可调度单元的起始和结束时间约束，使用目标函数以最小化单个充电成本。最大充电功率设置为原始充电会话数据中的平均功率，最小功率设置为 0。电价方案遵循北京工业和商业用户的 ToU 电价，如表 3 所示。优化问题使用 Gurobi 软件解决，在搭载 Intel Core i9-13900K 3.00 GHz 和 128 GB 内存的计算机上运行。

4.2. 负载转移效应

为了研究电动汽车充电行为的变化是否有效于转移峰值重叠充电负荷并有助于低谷填谷，本节构建了一个可视化的净负荷-时间流动模型。该模型通过协调展示了每日电动汽车充电负荷在高峰、平峰和低谷时段的转移。首先，进行电动汽车充电负荷的日轮廓和协调前后的负荷差异分析。然后，通过分析每个时段增加或减少的负荷是否以及多少流入或流出相邻时段，计算出转移的充电负荷量。这个过程对每个场景迭代执行，直到确定每个时段净负荷的来源和目的地。

4.2.1. 延迟充电场景

如图 16(a)–(c)所示，所有慢速充电 X2B 场景的负荷流动方向在不同时间段内相似，仅在净负荷值上存在微小差异。CD2B-S 场景的负荷转移效果更接近 D2B-S，因为 D 模式比 C 模式出现频率高得多。在晨峰、夜峰和夜平时段的一些充电负荷转移到次日低谷、晨平和下午平时段。这种负荷转移导致峰值负荷减少，非峰值电力利用率提高。以 D2B-S 场景为例，夜峰时段的充电负荷减少了 23.9%，而低谷时段的充电负荷从 34.5%增加到 53.2%。此外，7.1%的充电负荷保持在夜峰时段，其余转移到次日的低谷和晨平时段；8.4%的充电负荷从夜平时段转移到次日的晨平和下午平时段；0.4%的充电负荷从晨峰时段转移到同日的下午平时段。图 17 显示了 CD2B-S 场景中协调前后总充电负荷曲线。观察可知，延迟 C 和 D 模式的充电活动可以将夜间峰值负荷从峰值时段转移到次日清晨，同时增加白天充电负荷。这种负荷转移有助于缓解峰值负荷并利用低谷电力。然而，评估这种转移是否可能给电网带来新挑战是很重要的。因此，决策者应制定更智能的延迟充电策略，以避免过度负荷转移，同时实现平衡的削峰效果。

尽管如此，在使用相同的充电控制方法进行快速充电的情况下，转移的负载可能会产生不利影响。由于所有快速充电 X2B 场景中的净负载流向都存在相似性，因此以 CD2B-F 场景为例来说明可能的负面影响。如图 16、图 17 所示，在晨间平缓和晨间高峰时段的充电负载在协调后转移到夜间高峰时段，这可能会对电网造成压力。这是因为延迟充电场景中的协调充电控制将充电负载整体转移，并尽可能推迟充电活动到最晚的开始时间。这也突出了实施协调充电策略时需要仔细考虑，因为仅仅建议电动汽车用户推迟充电并不总是有利于电网。此外，结果还显示出慢速和快速充电活动的控制灵活性存在显著差异，因为它们实际上反映了用户为电动汽车充电的紧迫性和现实充电条件。快速充电时段通常比基于计费时间表定价的时间框架要短得多，如图 11(b)所示，并且它们提供的灵活性很小——最明显地体现在图 7 所示的 A 模式中。因此，在这些充电时段内通过调整充电时间来转移峰值负载和降低成本的空间有限。因此，在开发协调充电控制策略和实际中针对适当用户时，管理慢速和快速充电活动的方式至关重要。

4.2.2. 低功耗充电场景

B2A-S、C2A-S 和 D2A-S 场景中的负荷流动模式表现出显著差异，如图 18 所示。在 B2A-S 场景中，几乎所有转移出的网络负荷都被夜高峰和夜平段吸收，这负面加剧了峰值负荷。有两个可能的原因。一方面，模式 B 具有延迟充电的特征，如定义所示，相关的充电负荷峰值出现在下午和深夜时段，如图 14（c）所示。另一方面，模式 B 在充电前的空闲时间通常较短，如图 9 和图 A.2 所示，限制了在短时间内有效降低功率的灵活性。

相比之下，C2A-S 和 D2A-S 场景中的负荷转移效果更为有利。在 C2A-S 场景中，相当一部分净负荷从夜间峰值时段转移到夜间平段，从 25.2%降至 19.9%，而夜间平段负荷从 8.5%降至 5.6%。第二天低谷和晨间平段吸收了来自其他时段的大部分净负荷。在 D2A-S 场景中，近一半的夜间峰值充电负荷转移到随后的低谷时段，而相当一部分夜间平段负荷转移到第二天晨间平段，从而产生了显著的削峰效果。Else2A 场景中的负荷转移流量接近 D2A 场景，这是由于模式 D 的比例较高，如图 19 所示。由于模式 C 和 D 的慢速充电与模式 B 相比具有相对较长的闲置停车时间，利用它们的停车时间进行低速率充电可以在负荷管理中提供更好的灵活性。

在 X2A 快速充电场景中，由于与快速充电活动相关的停车时间较短，跨时段转移的净充电负载量很少。在 B2A-F 场景中，转移的净负载主要来自晨峰时段，而在 C2A-F 场景中来自谷时段。在 D2A-F 场景中，转移的负载影响谷时段和午后平时段，如图 18 所示。值得注意的是，D2A-F 场景显示出最佳的负载转移效果，在夜峰时段负载减少了 1.5%，而在谷时段负载从 11.1%增加到 15.7%。这是因为模式 D 具有相对较长的总停车时间和充电后的较高比例空闲停车时间，为低功率充电提供了比其他快速充电模式更好的灵活性。然而，在晨峰时段观察到充电负载略有增加，这归因于之前的晨平时段。这表明，即使使用相同的调度方法改变充电行为也可能产生相反的效果。

总结来说，低功耗充电方法在慢速充电场景中比在快速充电场景中更有效。具有更长总停车时间和更高闲置到充电比率的充电行为，更有潜力利用低功耗充电机会，从而实现更好的削峰填谷效果。

4.2.3. 基于分时电价的智能充电场景

为了平缓电力负荷曲线，分时电价机制利用高峰期和非高峰期之间的价格差异，鼓励电动汽车用户在低价时段充电[40]。如图 20 所示，在 MinFee-S 情景下，夜间高峰和夜间平段的大部分充电负荷转移到谷时段，此时电价最低。部分高价早晨高峰负荷转移到相邻的下午平段，甚至转移到次日谷时段。这种转移的负荷导致高峰时段电动汽车充电负荷显著减少，早晨高峰负荷从 9.4%降至 2.8%，晚上高峰负荷从 28%降至 3.4%，分别。同时，谷时段的负荷从 37%剧增至 74.1%。这种由价格驱动的智能充电允许电动汽车用户避免高峰时段充电以降低充电成本。

在 MinFee-F 场景中，晨间-平段、夜间-高峰段和夜间-平段期间的充电负荷部分转移到次日谷时段，而超过三分之一的晨间-高峰负荷转移到较晚的午后-平段。这导致早晨高峰时段的电动汽车充电负荷从 17.2%降至 9.6%，晚上高峰时段从 25.9%降至 16.7%。可以得出结论，基于时间分段电价的智能充电方法对于慢速充电场景比快速充电场景更有效，因为快速充电活动主要发生在白天，此时价格激励措施的效果较差。

尖峰负载在电动汽车充电负载中出现在晚上 11 点左右，在 MinFee-S 和 MinFee-F 场景中均如此，如图 20(c)和(d)所示。这种突然的激增可能导致局部电网过载，因为电动汽车用户通常在一天中唯一低价时段的开始时开始充电。值得注意的是，在 MinFee-F 场景中，在下午 1 点到 3 点之间观察到新的负载峰值。新的峰值可能与光伏发电高峰期重合，表明分时电价对促进可再生能源整合的积极影响。因此，决策者设计适当的分时电价时段和有效的动态定价机制，以鼓励非高峰时段充电，同时确保与可再生能源生产模式兼容并避免形成新的峰值，这是至关重要的。

4.3. 充电灵活性边际贡献

特定充电行为的变化取决于单个电动汽车用户的行动。为了提供政策指导，提出了充电灵活性边际贡献的概念，以量化电动汽车用户行为微妙变化的益处。

计算了晨峰和夜峰时段的净流出充电负荷以及谷时段的净流入充电负荷，以及它们与每日总充电负荷的比率。从峰时段转移到非峰时段的净负荷比例如下(1)

E_{p e a k}^{-} = E_{m p \to o} - E_{o \to m p} + E_{n p \to o} - E_{o \to n p}

(2)

R P_{N e t L o a d}^{-} = \frac{E_{p e a k}^{-}}{L f_{a v e r}}

其中，Eo→mp、Emp→o、Eo→np 和 Enp→o 分别表示电动汽车充电负荷在晨峰时段和夜峰时段之间的转移；Lfaver 是平均每日总充电负荷，慢充为 2,840.2 MWh，快充为 1,278.6 MWh。

为了进一步了解峰时段负荷转移的贡献，给出了从晨峰时段和夜峰时段转移的净负荷比例(3)

R_{m p} = \frac{E_{m p \to o} - E_{o \to m p}}{L f_{a v e r}}

(4)

R_{n p} = \frac{E_{n p \to o} - E_{o \to n p}}{L f_{a v e r}}

每个场景中将净充电负荷转移到谷时段的比例定义为(5)

E_{v a l l e y}^{+} = E_{o \to v} - E_{v \to o}

(6)

R V_{N e t L o a d}^{+} = \frac{E_{v a l l e y}^{+}}{L f_{a v e r}}

其中，Eo→v 和 Ev→o 分别表示电动汽车充电负荷在谷时段的转移。每个场景中转移的净充电负荷量在表 4 和表 5 中详细说明。

表 4. 在慢速充电的每种情况下，净充电负荷从高峰时段转移到低谷时段。

场景（慢速充电）	$E_{p e a k}^{-}$ （兆瓦时）	${R P}_{N e t L o a d}^{-}$ （%）	Rmp（%）	Rnp（%）	$E_{v a l l e y}^{+}$ （兆瓦时）	${R V}_{N e t L o a d}^{+}$ （%）
D2B	275.63	9.70	0.16	9.54	212.52	7.48 %
C2B	60.62	2.13	0.01	2.12	41.10	1.45 %
CD2B	336.21	11.84	0.17	11.67	253.57	8.93 %
B2A	−9.84	-0.35	0.05	-0.4	-7.82	-0.28 %
C2A	20.61	0.73	0.12	0.61	16.17	0.57 %
D2A	174.35	6.14	0.32	5.82	163.17	5.74 %
Else2A	183.62	6.46	0.47	5.99	169.38	5.96 %
最小费用	525.23	18.49	3.90	14.59	625.19	22.01 %

表 5.在每种快充场景下，净充电负荷从高峰时段转移到低谷时段。

场景（快速充电）	$E_{p e a k}^{-}$ （兆瓦时）	${R P}_{N e t L o a d}^{-}$ （%）	Rmp（%）	Rnp（%）	$E_{v a l l e y}^{+}$ （兆瓦时）	${R V}_{N e t L o a d}^{+}$ （%）
D2B	-8.57	-0.67	0.14	-0.81	2.05	0.16
C2B	-0.93	-0.07	0.13	-0.21	-1.35	-0.11
CD2B	-9.49	-0.74	0.28	-1.02	0.70	0.05
B2A	0.35	0.03	-0.11	0.14	0.16	0.01
C2A	0.45	0.04	-0.04	0.07	1.74	0.14
D2A	-0.2	-0.02	-0.35	0.34	12.83	1.00
Else2A	0.59	0.05	-0.5	0.55	14.70	1.15
最小费用	70.40	5.51	2.49	2.13	48.85	3.82

为了量化电动汽车行为变化的边际贡献，提出了以下几项指标：

(1)
Tflex（弹性时间利用率）衡量充电过程中每小时利用的空闲停车时间的负荷转移效率。它定义为每小时利用的空闲停车时间内，从高峰时段转移出的充电负荷（以千瓦时计）或转移到低谷时段的净量。Tflex 包括两个延迟充电场景的组件——TPX2B-delay（用于削峰）和 TVX2B-delay（用于填谷），以及两个降低功率充电和最小费用场景的组件——TPX2A-park（用于削峰）和 TVX2A-park（用于填谷）。Tflex 的计算方法为

(7)

T_{f l e x} = \frac{1}{n_{c h a r g e}} \sum_{i = 1}^{n_{c h a r g e}} \frac{P L_{i}}{T_{i}}

ncharge 表示在相应场景中执行模式切换的充电记录数量；PL 表示单个充电会话贡献的从高峰时段转移到低谷时段或从低谷时段转移到高峰时段的净负荷量；T 表示充电会话 i 中利用的空闲停车时间。所有相关充电会话的 Tflex 平均值报告为不同场景下的 TPX2B-delay、TVX2B-delay、TPX2A-park 和 TVX2A-park。

(2)
Eflex（柔性能源利用率）反映了在充电过程中有多少充电能量被用于负载转移。它包括 ERP，表示相对于充电会话 i 中充电总能量的净负载从高峰时段转移的比例，以及 ERV，表示转移到低谷时段的比例。此指标捕捉了每个充电会话对削峰填谷的贡献程度。Eflex 的计算方法为

(8)

E_{f l e x} = \frac{1}{n_{c h a r g e}} \sum_{i = 1}^{n_{c h a r g e}} \frac{P L_{i}}{D_{i}}

其中 D 为第 i 次充电过程中所充电能的总量。

(3)
N1perc（需要用户参与）包括用户参与从峰值时段实现 1%净负荷转移的比例 $N_{1 p e r c}^{p -}$ ，以及参与将负荷转移到低谷时段的比例 $N_{1 p e r c}^{v +}$ 。N1perc 的计算方法为

(9)

N_{1 p e r c}^{p -} = \frac{u_{s c e n a r i o}}{u_{e v}} \cdot \frac{1}{R P_{N e t L o a d}^{-}}

(10)

N_{1 p e r c}^{v +} = \frac{u_{s c e n a r i o}}{u_{e v}} \cdot \frac{1}{R V_{N e t L o a d}^{+}}

uscenario 表示在模拟场景中参与修改后的充电记录的电动汽车用户数量；uev 表示电动汽车用户总数。

表 6 展示了用于衡量充电灵活性对灵活时间和能源利用效率以及用户参与的边际贡献的关键指标。在不同场景下，Tflex 和 Eflex 提供了关于利用闲置停车时间或充电能源的电动汽车优化电网运行的各种充电管理策略效率的重要见解。这些指标为从行为角度管理电动汽车充电负荷提供了实际指导。

表 6. 充电灵活性边际贡献指标

场景具有特定的充电功率级别		TPX2B 延迟或 TPX2A 停车（千瓦时/小时）	a $N_{1 p e r c}^{p -}$ （%）	ERP（%）	TVX2B 延迟或 TVX2A 停车（千瓦时/小时）	^a $N_{1 p e r c}^{v +}$ (%)	ER_v (%)	CSaver (人民币)
D2B	慢	0.38	6	24.7	0.30	7	18.9	/
D2B	快速	-0.11	/	−3.6	0.03	141	0.3	/
C2B	慢	0.25	14	19.5	0.17	20	13.1	/
C2B	快速	-0.06	/	-2.4	-0.08	/	-2.2	/
CD2B	慢	0.35	5	23.6	0.26	7	17.6	/
CD2B	快速	-0.1	/	-3.4	0.01	456	0.0	/
B2A	慢	-0.12	/	-3	-0.1	/	-1.5	/
B2A	快速	0.02	381	1.4	0.01	845	0.9	/
C2A	慢	0.06	40	8.1	0.05	51	7.1	/
C2A	快速	0.02	173	1.2	0.06	45	3.9	/
D2A	慢	0.24	9	16.5	0.23	10	16.2	/
D2A	快速	0.00	/	-0.3	0.17	22	4.3	/
Else2A	慢	0.16	11	12.2	0.15	11	12.1	/
Else2A	快速	0.01	656	0.2	0.12	26	3.6	/
最小费用	慢	0.45	4	3.1	0.54	3	60.4	4.56
最小费用	快速	0.55	5	3.2	0.38	8	13.5	1.96

a: 如果调整后的净负荷为负，则表格中的 N1perc 用“/”标记。

具体来说，Tflex 的高值表明策略有效地利用了闲置停车时间，将大量负荷从高峰时段转移到低谷时段。在延迟充电场景中，慢充的中位延迟时间为 1.1 至 1.5 小时，快充为 5.9 至 6.5 小时。在这些场景中，D2B-S 场景在利用时间灵活性方面表现出卓越性能。充电延迟 1 小时，它成功地将高达 0.38 千瓦时的净充电负荷从高峰时段转移到低谷时段。在降低功率充电场景中，C2A 场景具有最大的闲置停车时间，快充范围为 5.4 小时，慢充为 8.9 小时。然而，在所有 X2A 场景中，D2A-S 场景的性能突出，充电过程中额外的一小时停车时间有助于将 0.24 千瓦时的净充电负荷从高峰时段转移到低谷时段。

每次充电会话在 MinFee 场景下的平均成本节约，表示为 CSaver，也列在表 6 中。与其它场景相比，MinFee 场景表现出更明显的削峰填谷效应。利用额外的停车时间可以分别将慢速和快速充电的峰值时段充电负荷各减少 0.45 kWh 和 0.55 kWh。此外，这额外的一小时还可以将最多 0.54 kWh 的充电负荷转移到低谷时段用于减速充电，以及 0.38 kWh 用于快速充电。每次会话的中位成本节约分别为慢速充电 4.56 元和快速充电 1.96 元。这些结果突出了将当前的商业分时电价扩展到北京居民用户中的潜在好处。比较不同场景下的值，使利益相关者能够确定哪些充电策略最有效地利用电动汽车充电的灵活性，并针对具有适当充电模式的潜在用户，以增强电网稳定性。这也强调了智能充电解决方案的迫切需求，这些解决方案能够动态响应电网条件和价格信号，以优化个人利益和更广泛的电网稳定性。

Eflex 作为一项定量指标，用于评估不同的充电策略与电网管理目标的一致性。数值越高表示受这些充电策略影响的充电时段能更好地为削峰填谷目标做出贡献。在最有效的非分时电价（ToU）场景中，单个充电时段将平均 24.7%的净负荷从高峰时段转移到总能源需求中，其中 18.9%转移到低谷时段。这表明在慢速充电时段将模式 D 切换到模式 B 可以转移大约 20%的能源需求，从而平缓负荷曲线。在 ToU 场景中，单个充电时段可以将其能源需求的约 3%贡献给削峰。对于填谷，慢速充电场景中的贡献约为充电能源的 60.4%，快速充电场景中的贡献约为 13.5%。高 Eflex 值还表明，在用户友好的场景中，可以在不显著影响用户便利性的情况下实现电网效益。相反，较低的值可能表明需要更好的激励机制或更友好的充电选项，以增强用户参与度。

更高 N1perc 值表明，需要更大比例的总用户基础来实现 1%的净充电负荷转移。这可能是由于充电策略的低效率或对时间分段定价激励措施反应较慢的用户群体，表明需要更广泛的用户参与才能对电网产生有意义的影响。如果 N1perc 超过 100%，则需要超过 45,093 个用户才能转移 1%的峰值或谷值充电负荷，突显了这种控制措施的不可行性。相反，较低的 N1perc 值表明，充电控制措施更有可能确保用户保持其原始充电习惯，从而证实了控制措施的可行性和经济可行性。在所有模拟场景中，将 1%的净充电负荷从峰值时段转移出去至少需要 4%的用户调整其充电模式，而将 1%转移到谷值时段至少需要 3%。这些参与率反映了有效管理负荷转移所需的总用户基础的最小比例。运营商可以分析其网络中用户行为模式的分布，并确定是否提供激励措施以鼓励更多用户参与电网支持活动。了解最小参与度如何影响负荷管理对于旨在推广电动汽车用户智能充电实践的宣传活动具有重要价值。在所有模拟场景中，MinFee-S 场景展示了最有效的负荷转移性能，表明基于分时电价（ToU）的此类充电管理措施是利用电动汽车充电灵活性的更经济手段，即使参与者数量有限。

5. 讨论内容

5.1. 荷载转移效应的影响

(1)
延迟充电

模拟延迟充电场景的结果表明，通过修改现有充电行为的充电时间，产生了显著的负荷转移效应。这些发现强调了开发差异化快慢充电管理方案的需求。同时，这也突显了不智能充电调度可能引发新的负荷峰值的潜在风险。

(2)
低功耗充电

在低功耗充电场景中，充电功率和时序（白天与夜晚）的变化可能导致不同的负载转移效应。这些效应可以归因于充电模式的时间分布不同以及停车和充电时间的比例不同。因此，停车时长、闲置停车时间与充电时间的比例，以及白天或夜间充电的偏好等关键因素，被认定为选择适合低速率充电控制方案的关键指标。

(3)
智能分时电价充电

尽管所有研究场景在缓解晚间高峰负荷方面都表现出显著的有效性，但 MinFee 场景下的模拟结果突出了分时电价对积极影响的强调。这证明了将慢速充电行为引导以减少白天负荷峰值并提高可再生能源整合的更好潜力。它还强调了制定合理和差异化的电价的重要性。此外，所有模拟场景的结果都强化了在制定协调充电策略时考虑用户行为差异的必要性，鉴于个人充电模式的复杂性。针对典型协调充电行为的通用建议可能不会始终有利于电网；因此，迫切需要更智能的充电计划来鼓励有益的充电行为。

5.2. 充电灵活性边际贡献的含义

比较分析表明，相同的充电控制措施在不同充电模式下的有效性存在差异。例如，D2B-S 和 D2A-S 场景在延迟充电和降低功率充电场景中表现优于其他场景，尽管 C2A 场景通常提供最大的闲置停车时间，而 CD2B 和 Else2A 场景涉及的用户数量最多。此外，针对同一充电模式的充电控制措施会产生不同的性能。例如，在应用于慢速充电模式 D 时，降低功率充电提供的负载转移效益低于延迟充电。对于快速充电模式 C，降低功率充电和延迟充电的效果甚至相反。因此，决策者必须仔细考虑是否提倡延迟充电或低功率充电行为。场景性能的变化表明，针对不同用户群体的“一刀切”方法可能无效，突显了开发针对特定车辆使用模式和充电行为的专门策略的必要性。

与智能充电场景相比，MinFee 场景在现有为工业和商业用户设计的 ToU 电价体系下对负载均衡具有更优越的效果。这些发现可以鼓励政策制定者进一步发展更动态的定价政策和充电激励措施，以释放住宅区通勤用户的灵活性，同时避免在唯一低电价期开始时的充电拥堵风险。

随着电动汽车渗透率的提高，理解单次充电对边际能源贡献的理解，使其能够评估不同充电控制措施在规模上的整体影响成为可能。这可以通过模拟电动汽车数量、不同频率的充电模式组成以及每个单独充电活动的微妙边际贡献，采用自下而上的建模方法来实现。

此外，公用事业运营商和商业公司还可以通过考察可能的用户参与和由此产生的负荷管理灵活性来评估需求响应能力，如 N1perc 和 Eflex 等指标所示。这可以进一步使利益相关者能够在电力市场中进行谈判。

5.3. 充电灵活性结合用户画像的利用

这项研究为针对电动汽车用户，提供考虑周到的充电灵活性，以参与协调充电方案提供了有价值的见解。第 2 节电动汽车充电模式识别、第 3 节电动汽车充电特性分析表明，在时间和能源补充能力方面，模式 C 和 D 通常比模式 A 和 B 更具充电控制灵活性。电动汽车通勤者更有可能遵循模式 D 和慢速充电模式 C，而非通勤者可能更符合模式 B 和快速充电模式 C，后者以高随机性为特征。模式 C 结合了模式 B 和 D 的通勤性质和随机性，代表了可能是公司代表或具有部分通勤需求的网约车司机等用户。

通过理解潜在电动汽车用户画像及其充电模式组成，更容易针对 EGI 的目标用户群体。此外，了解第 4 节中提出的充电控制措施的定量性能后，可以提出实际建议以优化电动汽车充电行为，以实现更好的负荷管理。使用私人电动汽车的定期通勤者可以鼓励推迟他们的慢速充电活动，或夜间实施降低功率的慢速充电。具有随机充电行为的电动汽车用户应建议降低快速充电的充电速率，而不是推迟它们。所有私人电动汽车用户都应鼓励参与协调充电方案，并采用适当的充电电价。基于这些发现，公共政策制定者还可以评估现有技术和政策，制定更好的激励计划，并做出更明智的决策。

6. 结论

本文介绍了一种基于从现实世界电动汽车运行数据中提取的充电模式识别的电动汽车充电管理灵活性评估框架。研究发现，通过使用高级优化技术、整合个性化充电策略、提高用户意识和将定价信息纳入决策过程，利用电动汽车充电灵活性是必要的。

首先，这项研究强调了识别闲置停车时长及其与所需充电时间的比率作为识别选择智能充电控制潜在电动汽车用户的重点指标的重要性。通过检查停车和充电事件的顺序和时间，它能够量化电动汽车在转移充电负荷方面的潜在能力。在 MinFee 场景下，利用 1 小时的闲置停车时间可以将高达 0.45 千瓦时的净充电负荷从高峰时段转移到低谷时段，用于慢速充电。对于快速充电，转移的负荷分别达到高峰时段 0.55 千瓦时和低谷时段 0.38 千瓦时。这些结果说明了利用闲置停车时间进行负荷转移的效率，并进一步强调了在利用电动汽车灵活性方面，高级优化技术和定价方案的重要性。

其次，它揭示了根据特定电动汽车用户充电模式开发专用充电策略的必要性，而不是实施通用解决方案。慢速充电通常比快速充电更有效地进行负载转移，尤其是在日常通勤者中。在某些快速充电场景，如 CD2B-F，延迟充电可能会加剧电力峰值负荷，突显了针对快速和慢速充电实施差异化充电协调策略的需要。此外，慢速充电模式 D 和快速充电模式 B 显示出更好的适用于低功率控制。这表明政策制定者应制定针对性计划，鼓励具有这些灵活充电模式的电动汽车用户参与 EGI。

此外，这些结果还告知电动汽车用户，单次充电会为负荷转移贡献多少电能，以及参与此类方案可能带来的潜在成本节约，而不会影响他们的便利性或偏好。这种知识可能会增加电动汽车用户参与充电协调计划的意愿，随着他们对相关益处的认识不断增长。同时，也有证据表明，将净充电负荷的 1%从高峰时段转移到低谷时段，至少需要 4%的电动汽车用户改变他们的充电模式，而将净充电负荷的 1%转移到低谷时段则需要 3%的电动汽车用户参与。这些见解对于旨在推广智能充电习惯的公众宣传活动至关重要。

这项研究存在某些局限性。通过使用历史电动汽车数据和相关用户调查进一步研究模式 A，有助于验证所确定的充电模式。尽管如此，我们的数据驱动方法和仿真框架为电动汽车充电行为提供了实际见解。未来研究可以进一步探索 V2G 潜力，并开发优化充电控制策略或激励措施，以提高高效能源网（EGI）的效率。

CRediT 作者贡献声明

李晓辉：写作 – 原始草稿、方法论、调查、形式分析、数据整理。王振波：监督、资源、构思。张磊：写作 – 审稿与编辑、监督、资源、资金获取、构思。黄志佳：可视化、数据整理。郭方策：可视化、验证。Aruna Sivakumar：监督、构思。Dirk Uwe Sauer：写作 – 审稿与编辑、资源。

利益冲突声明

作者声明以下可能被视为潜在竞争利益的经济利益/个人关系：张磊报告中华人民共和国科学技术部提供了财政支持。如果有其他作者，他们声明他们没有已知的竞争性经济利益或个人关系，这些利益或个人关系似乎可能会影响本文报告的工作。

致谢

这项工作部分得到了中华人民共和国科学技术部[项目编号 2022YFE0103000]的支持。

附录。

Table A.1. SOC of battery at the start and end of charging session across different identified charging patterns.

Charging pattern	Charging power level	Start SOC (%)		End SOC (%)
Charging pattern	Charging power level	Mean	Median	Mean	Median
All patterns	Slow	45.0	44.0	93.6	100.0
All patterns	Fast	36.8	35.0	89.3	96.0
Pattern A	Slow	43.3	42.0	89.2	99.0
Pattern A	Fast	35.7	34.0	87.6	100.0
Pattern B	Slow	42.9	41.0	89.6	99.0
Pattern B	Fast	36.4	34.0	88.1	100.0
Pattern C	Slow	47.0	46.0	96.8	94.0
Pattern C	Fast	39.2	37.0	93.0	99.0
Pattern D	Slow	46.4	45.0	97.5	96.0
Pattern D	Fast	39.7	38.0	93.9	99.0

Table. A.2. Variables in the algorithm for the smart charging strategy with ToU tariffs.

Variable	Definition	Variable	Definition
C(t)	Electricity price at time t	Capacity_i	Battery capacity of EV
i	Schedulable unit	E_i	Total amount of energy charged within schedulable unit i
T_i,start	Start time of schedulable unit i	P_i,avg	Average charging rate of the charging session within schedulable unit i
T_i,end	End time of schedulable unit i	P_i(t)	Charging power at time t within the schedulable unit i
T_i,cs	Start time of the charging session within schedulable unit i	x(t)	Binary variable that is 1 if charging occurs at time t, and 0 otherwise.
T_i,ce	End time of the charging session within schedulable unit i	N_i	Electricity fee under ToU with no smart charging of schedulable unit i
SOC_i,start	Start SOC in schedulable unit i	S_i	Electricity fee under ToU with smart charging of schedulable unit i
SOC_i,end	End SOC in schedulable unit i	CS_i,save	Cost saving with smart charging of schedulable unit i

算法。A.1

基于 MILP 模型的基于时间分段电价的智能充电策略

Input: ToU tariffs C(t); T_i,start, T_i,end, T_i,cs, T_i,ce, SOC_i,start, SOC_i,target and Capacity_i of each schedulable unit i.
Output: optimized charging schedule P_i(t) within schedulable unit i, and the cost saving CS_i,save
1:	For schedulable unit i, do
2:	calculate:(A.1) $E_{i} = C a p a c i t y_{i} \cdot (S O C_{i, e n d} - S O C_{i, s t a r t})$ (A.2) $P_{i, a v g} = \frac{E_{i}}{T_{i, c e} - T_{i, c s}}$ (A.3) $N_{i} = E_{i} \cdot C (t)$
3:	solve: the optimization problem in Eq. (A.4)(A.4) $\min \sum_{t = T_{i, s t a r t}}^{T_{i, e n d}} P_{i, a v g} \cdot x (t) \cdot C (t)$ where(A.5) $x (t) = {\begin{cases} 0, not charging \\ 1, charging \end{cases}$ subject to(A.6) $\sum_{t = T_{i, s t a r t}}^{T_{i, e n d}} P_{i} (t) \geq E_{i}$
4:	output: P_i(t)
5:	calculate:(A.7) $S_{i} = \sum_{t = T_{i, s t a r t}}^{T_{i, e n d}} P_{i} (t) \cdot C (t)$ (A.8) $C S_{i, s a v e} = S_{i} - N_{i}$
6:	end for

数据可用性

作者没有权限分享数据。

References

[1]
J. Dixon, K. Bell
Electric vehicles: battery capacity, charger power, access to charging and the impacts on distribution networks
eTransportation, 4 (2020)
Google Scholar
[2]
IEA
Global EV outlook 2023
IEA, Paris (2023)
https://www.iea.org/reports/global-ev-outlook-2023
Licence: CC BY 4.0
Google Scholar
[3]
S. Powell, G.V. Cezar, L. Min, I.M.L. Azevedo, R. Rajagopal
Charging infrastructure access and operation to reduce the grid impacts of deep electric vehicle adoption
Nat Energy, 7 (10) (2022), pp. 932-945
Crossref View in Scopus Google Scholar
[4]
W. Zou, Y. Sun, D-c Gao, X. Zhang, J. Liu
A review on integration of surging plug-in electric vehicles charging in energy-flexible buildings: impacts analysis, collaborative management technologies, and future perspective
Appl Energy, 331 (2023), Article 120393
View PDF View article View in Scopus Google Scholar
[5]
F. D'Ettorre, M. Banaei, R. Ebrahimy, S.A. Pourmousavi, E.M.V. Blomgren, J. Kowalski, et al.
Exploiting demand-side flexibility: State-of-the-art, open issues and social perspective
Renew Sustain Energy Rev, 165 (2022), Article 112605
View PDF View article View in Scopus Google Scholar
[6]
R. Reibsch, J. Gemassmer, T. Katerbau
Low voltage grid resilience: evaluating electric vehicle charging strategies in the context of the grid development plan Germany
eTransportation, 20 (2024), Article 100323
View PDF View article View in Scopus Google Scholar
[7]
S.S. Shuvo, Y. Yilmaz
Demand-side and utility-side management techniques for increasing EV charging load
IEEE Trans Smart Grid, 14 (5) (2023), pp. 3889-3898
Crossref View in Scopus Google Scholar
[8]
Y. Xu, S. Çolak, E.C. Kara, S.J. Moura, M.C. González
Planning for electric vehicle needs by coupling charging profiles with urban mobility
Nat Energy, 3 (6) (2018), pp. 484-493
View PDF View article Crossref Google Scholar
[9]
P. Barman, L. Dutta, S. Bordoloi, A. Kalita, P. Buragohain, S. Bharali, et al.
Renewable energy integration with electric vehicle technology: a review of the existing smart charging approaches
Renew Sustain Energy Rev, 183 (2023), Article 113518
View PDF View article View in Scopus Google Scholar
[10]
Z. Needell, W. Wei, J.E. Trancik
Strategies for beneficial electric vehicle charging to reduce peak electricity demand and store solar energy
Cell Reports Physical Science, 4 (3) (2023), Article 101287
View PDF View article View in Scopus Google Scholar
[11]
P. Alexeenko, E. Bitar
Achieving reliable coordination of residential plug-in electric vehicle charging: a pilot study
Transport Res Transport Environ, 118 (2023), Article 103658
View PDF View article View in Scopus Google Scholar
[12]
J. Wu, H. Su, J. Meng, M. Lin
Electric vehicle charging scheduling considering infrastructure constraints
Energy, 278 (2023), Article 127806
View PDF View article View in Scopus Google Scholar
[13]
F. Tuchnitz, N. Ebell, J. Schlund, M. Pruckner
Development and evaluation of a smart charging strategy for an electric vehicle fleet based on reinforcement learning
Appl Energy, 285 (2021), Article 116382
View PDF View article View in Scopus Google Scholar
[14]
Z. Kang, Z. Ye, C.-M. Lam, S.-C. Hsu
Sustainable electric vehicle charging coordination: balancing CO2 emission reduction and peak power demand shaving
Appl Energy, 349 (2023), Article 121637
View PDF View article View in Scopus Google Scholar
[15]
W. Du, J. Ma, W. Yin
Orderly charging strategy of electric vehicle based on improved PSO algorithm
Energy, 271 (2023), Article 127088
View PDF View article View in Scopus Google Scholar
[16]
S.I. Spencer, Z. Fu, E. Apostolaki-Iosifidou, T.E. Lipman
Evaluating smart charging strategies using real-world data from optimized plugin electric vehicles
Transport Res Transport Environ, 100 (2021), Article 103023
View PDF View article View in Scopus Google Scholar
[17]
X. Li, Z. Wang, L. Zhang, F. Sun, D. Cui, C. Hecht, et al.
Electric vehicle behavior modeling and applications in vehicle-grid integration: an overview
Energy, 268 (2023), Article 126647
View PDF View article View in Scopus Google Scholar
[18]
F. Daneshzand, P.J. Coker, B. Potter, S.T. Smith
EV smart charging: how tariff selection influences grid stress and carbon reduction
Appl Energy, 348 (2023), Article 121482
View PDF View article View in Scopus Google Scholar
[19]
A. Demirci, S.M. Tercan, U. Cali, I. Nakir
A comprehensive data analysis of electric vehicle user behaviors toward unlocking vehicle-to-grid potential
IEEE Access, 11 (2023), pp. 9149-9165
Crossref View in Scopus Google Scholar
[20]
C. Gaete-Morales, H. Kramer, W.-P. Schill, A. Zerrahn
An open tool for creating battery-electric vehicle time series from empirical data, emobpy
Sci Data, 8 (1) (2021), p. 152
View in Scopus Google Scholar
[21]
T. Yi, C. Zhang, T. Lin, J. Liu
Research on the spatial-temporal distribution of electric vehicle charging load demand: a case study in China
J Clean Prod, 242 (2020)
Google Scholar
[22]
E. Azadfar, V. Sreeram, D. Harries
The investigation of the major factors influencing plug-in electric vehicle driving patterns and charging behaviour
Renew Sustain Energy Rev, 42 (2015), pp. 1065-1076
View PDF View article View in Scopus Google Scholar
[23]
N. Sadeghianpourhamami, N. Refa, M. Strobbe, C. Develder
Quantitive analysis of electric vehicle flexibility: a data-driven approach
Int J Electr Power Energy Syst, 95 (2018), pp. 451-462
View PDF View article View in Scopus Google Scholar
[24]
D. Tang, P. Wang
Probabilistic modeling of nodal charging demand based on spatial-temporal dynamics of moving electric vehicles
IEEE Trans Smart Grid, 7 (2) (2016), pp. 627-636
View in Scopus Google Scholar
[25]
Y. Zhao, Z. Jiang, X. Chen, P. Liu, T. Peng, Z. Shu
Toward environmental sustainability: data-driven analysis of energy use patterns and load profiles for urban electric vehicle fleets
Energy, 285 (2023), Article 129465
View PDF View article View in Scopus Google Scholar
[26]
E. Xydas, C. Marmaras, L.M. Cipcigan, N. Jenkins, S. Carroll, M. Barker
A data-driven approach for characterising the charging demand of electric vehicles: a UK case study
Appl Energy, 162 (2016), pp. 763-771
View PDF View article View in Scopus Google Scholar
[27]
Y. Liu, Y. Hong, C. Hu
Research on big data mining technology of electric vehicle charging behaviour
Elektronika ir Elektrotechnika, 25 (6) (2019), pp. 55-61
View in Scopus Google Scholar
[28]
F.M. Eltoumi, M. Becherif, A. Djerdir, H.S. Ramadan
The key issues of electric vehicle charging via hybrid power sources: techno-economic viability, analysis, and recommendations
Renew Sustain Energy Rev, 138 (2021), Article 110534
View PDF View article View in Scopus Google Scholar
[29]
Y. Wang, D. Infield
Markov chain Monte Carlo simulation of electric vehicle use for network integration studies
Int J Electr Power Energy Syst, 99 (2018), pp. 85-94
View PDF View article Google Scholar
[30]
Y. Liao, Ç. Tozluoğlu, F. Sprei, S. Yeh, S. Dhamal
Impacts of charging behavior on BEV charging infrastructure needs and energy use
Transport Res Transport Environ, 116 (2023), Article 103645
View PDF View article View in Scopus Google Scholar
[31]
M. Pagani, W. Korosec, N. Chokani, R.S. Abhari
User behaviour and electric vehicle charging infrastructure: an agent-based model assessment
Appl Energy, 254 (2019), Article 113680
View PDF View article View in Scopus Google Scholar
[32]
Y. Zheng, Y. Wang, Q. Yang
Two-phase operation for coordinated charging of electric vehicles in a market environment: from electric vehicle aggregators' perspective
Renew Sustain Energy Rev, 171 (2023), Article 113006
View PDF View article View in Scopus Google Scholar
[33]
J.R. Helmus, M.H. Lees, R. van den Hoed
A data driven typology of electric vehicle user types and charging sessions
Transport Res C Emerg Technol, 115 (2020), Article 102637
View PDF View article View in Scopus Google Scholar
[34]
S. Powell, G.V. Cezar, R. Rajagopal
Scalable probabilistic estimates of electric vehicle charging given observed driver behavior
Appl Energy, 309 (2022), Article 118382
View PDF View article View in Scopus Google Scholar
[35]
J.H. Choi, H.M. Kwon, J.Y. Lee
Design of a 3.3 kW/100 kHz EV charger based on flyback converter with active snubber
IEEE Trans Veh Technol, 71 (7) (2022), pp. 7161-7170
Crossref View in Scopus Google Scholar
[36]
S. Huang, W. Liu, J. Zhang, C. Liu, H. Sun, Q. Liao
Vehicle-to-grid workplace discharging economics as a function of driving distance and type of electric vehicle
Sustainable Energy, Grids and Networks, 31 (2022), Article 100779
View PDF View article View in Scopus Google Scholar
[37]
X. Huang, Y. Lin, M.K. Lim, F. Zhou, R. Ding, Z. Zhang
Evolutionary dynamics of promoting electric vehicle-charging infrastructure based on public–private partnership cooperation
Energy, 239 (2022), Article 122281
View PDF View article View in Scopus Google Scholar
[38]
M. Chen, H. Lu, X. Chang, H. Liao
An optimization on an integrated energy system of combined heat and power, carbon capture system and power to gas by considering flexible load
Energy, 273 (2023), Article 127203
View PDF View article View in Scopus Google Scholar
[39]
F. Angizeh, M.A. Jafari
Pattern-based integration of demand flexibility in a smart community network operation
Sustainable Energy, Grids and Networks, 38 (2024), Article 101320
View PDF View article View in Scopus Google Scholar
[40]
J. Liu, X. Yang, C. Zhuge
A joint model of infrastructure planning and smart charging strategies for shared electric vehicles
Green Energy and Intelligent Transportation (2024), Article 100168
View PDF View article View in Scopus Google Scholar

Cited by (0)

^☆: 这项工作部分得到了中华人民共和国科学技术部[项目编号 2022YFE0103000]的支持。

查看摘要

[1] [1]
J. Dixon, K. Bell
Electric vehicles: battery capacity, charger power, access to charging and the impacts on distribution networks
eTransportation, 4 (2020)
Google Scholar

[2] [2]
IEA
Global EV outlook 2023
IEA, Paris (2023)
https://www.iea.org/reports/global-ev-outlook-2023
Licence: CC BY 4.0
Google Scholar

[3] [3]
S. Powell, G.V. Cezar, L. Min, I.M.L. Azevedo, R. Rajagopal
Charging infrastructure access and operation to reduce the grid impacts of deep electric vehicle adoption
Nat Energy, 7 (10) (2022), pp. 932-945
Crossref View in Scopus Google Scholar

[4] [4]
W. Zou, Y. Sun, D-c Gao, X. Zhang, J. Liu
A review on integration of surging plug-in electric vehicles charging in energy-flexible buildings: impacts analysis, collaborative management technologies, and future perspective
Appl Energy, 331 (2023), Article 120393
View PDF View article View in Scopus Google Scholar

[5] [5]
F. D'Ettorre, M. Banaei, R. Ebrahimy, S.A. Pourmousavi, E.M.V. Blomgren, J. Kowalski, et al.
Exploiting demand-side flexibility: State-of-the-art, open issues and social perspective
Renew Sustain Energy Rev, 165 (2022), Article 112605
View PDF View article View in Scopus Google Scholar

[6] [6]
R. Reibsch, J. Gemassmer, T. Katerbau
Low voltage grid resilience: evaluating electric vehicle charging strategies in the context of the grid development plan Germany
eTransportation, 20 (2024), Article 100323
View PDF View article View in Scopus Google Scholar

[7] [7]
S.S. Shuvo, Y. Yilmaz
Demand-side and utility-side management techniques for increasing EV charging load
IEEE Trans Smart Grid, 14 (5) (2023), pp. 3889-3898
Crossref View in Scopus Google Scholar

[8] [8]
Y. Xu, S. Çolak, E.C. Kara, S.J. Moura, M.C. González
Planning for electric vehicle needs by coupling charging profiles with urban mobility
Nat Energy, 3 (6) (2018), pp. 484-493
View PDF View article Crossref Google Scholar

[9] [9]
P. Barman, L. Dutta, S. Bordoloi, A. Kalita, P. Buragohain, S. Bharali, et al.
Renewable energy integration with electric vehicle technology: a review of the existing smart charging approaches
Renew Sustain Energy Rev, 183 (2023), Article 113518
View PDF View article View in Scopus Google Scholar

[10] [10]
Z. Needell, W. Wei, J.E. Trancik
Strategies for beneficial electric vehicle charging to reduce peak electricity demand and store solar energy
Cell Reports Physical Science, 4 (3) (2023), Article 101287
View PDF View article View in Scopus Google Scholar

[11] [11]
P. Alexeenko, E. Bitar
Achieving reliable coordination of residential plug-in electric vehicle charging: a pilot study
Transport Res Transport Environ, 118 (2023), Article 103658
View PDF View article View in Scopus Google Scholar

[12] [12]
J. Wu, H. Su, J. Meng, M. Lin
Electric vehicle charging scheduling considering infrastructure constraints
Energy, 278 (2023), Article 127806
View PDF View article View in Scopus Google Scholar

[13] [13]
F. Tuchnitz, N. Ebell, J. Schlund, M. Pruckner
Development and evaluation of a smart charging strategy for an electric vehicle fleet based on reinforcement learning
Appl Energy, 285 (2021), Article 116382
View PDF View article View in Scopus Google Scholar

[14] [14]
Z. Kang, Z. Ye, C.-M. Lam, S.-C. Hsu
Sustainable electric vehicle charging coordination: balancing CO2 emission reduction and peak power demand shaving
Appl Energy, 349 (2023), Article 121637
View PDF View article View in Scopus Google Scholar

[15] [15]
W. Du, J. Ma, W. Yin
Orderly charging strategy of electric vehicle based on improved PSO algorithm
Energy, 271 (2023), Article 127088
View PDF View article View in Scopus Google Scholar

[16] [16]
S.I. Spencer, Z. Fu, E. Apostolaki-Iosifidou, T.E. Lipman
Evaluating smart charging strategies using real-world data from optimized plugin electric vehicles
Transport Res Transport Environ, 100 (2021), Article 103023
View PDF View article View in Scopus Google Scholar

[17] [17]
X. Li, Z. Wang, L. Zhang, F. Sun, D. Cui, C. Hecht, et al.
Electric vehicle behavior modeling and applications in vehicle-grid integration: an overview
Energy, 268 (2023), Article 126647
View PDF View article View in Scopus Google Scholar

[18] [18]
F. Daneshzand, P.J. Coker, B. Potter, S.T. Smith
EV smart charging: how tariff selection influences grid stress and carbon reduction
Appl Energy, 348 (2023), Article 121482
View PDF View article View in Scopus Google Scholar

[19] [19]
A. Demirci, S.M. Tercan, U. Cali, I. Nakir
A comprehensive data analysis of electric vehicle user behaviors toward unlocking vehicle-to-grid potential
IEEE Access, 11 (2023), pp. 9149-9165
Crossref View in Scopus Google Scholar

[20] [20]
C. Gaete-Morales, H. Kramer, W.-P. Schill, A. Zerrahn
An open tool for creating battery-electric vehicle time series from empirical data, emobpy
Sci Data, 8 (1) (2021), p. 152
View in Scopus Google Scholar

[21] [21]
T. Yi, C. Zhang, T. Lin, J. Liu
Research on the spatial-temporal distribution of electric vehicle charging load demand: a case study in China
J Clean Prod, 242 (2020)
Google Scholar

[22] [22]
E. Azadfar, V. Sreeram, D. Harries
The investigation of the major factors influencing plug-in electric vehicle driving patterns and charging behaviour
Renew Sustain Energy Rev, 42 (2015), pp. 1065-1076
View PDF View article View in Scopus Google Scholar

[23] [23]
N. Sadeghianpourhamami, N. Refa, M. Strobbe, C. Develder
Quantitive analysis of electric vehicle flexibility: a data-driven approach
Int J Electr Power Energy Syst, 95 (2018), pp. 451-462
View PDF View article View in Scopus Google Scholar

[24] [24]
D. Tang, P. Wang
Probabilistic modeling of nodal charging demand based on spatial-temporal dynamics of moving electric vehicles
IEEE Trans Smart Grid, 7 (2) (2016), pp. 627-636
View in Scopus Google Scholar

[25] [25]
Y. Zhao, Z. Jiang, X. Chen, P. Liu, T. Peng, Z. Shu
Toward environmental sustainability: data-driven analysis of energy use patterns and load profiles for urban electric vehicle fleets
Energy, 285 (2023), Article 129465
View PDF View article View in Scopus Google Scholar

[26] [26]
E. Xydas, C. Marmaras, L.M. Cipcigan, N. Jenkins, S. Carroll, M. Barker
A data-driven approach for characterising the charging demand of electric vehicles: a UK case study
Appl Energy, 162 (2016), pp. 763-771
View PDF View article View in Scopus Google Scholar

[27] [27]
Y. Liu, Y. Hong, C. Hu
Research on big data mining technology of electric vehicle charging behaviour
Elektronika ir Elektrotechnika, 25 (6) (2019), pp. 55-61
View in Scopus Google Scholar

[28] [28]
F.M. Eltoumi, M. Becherif, A. Djerdir, H.S. Ramadan
The key issues of electric vehicle charging via hybrid power sources: techno-economic viability, analysis, and recommendations
Renew Sustain Energy Rev, 138 (2021), Article 110534
View PDF View article View in Scopus Google Scholar

[29] [29]
Y. Wang, D. Infield
Markov chain Monte Carlo simulation of electric vehicle use for network integration studies
Int J Electr Power Energy Syst, 99 (2018), pp. 85-94
View PDF View article Google Scholar

[30] [30]
Y. Liao, Ç. Tozluoğlu, F. Sprei, S. Yeh, S. Dhamal
Impacts of charging behavior on BEV charging infrastructure needs and energy use
Transport Res Transport Environ, 116 (2023), Article 103645
View PDF View article View in Scopus Google Scholar

[31] [31]
M. Pagani, W. Korosec, N. Chokani, R.S. Abhari
User behaviour and electric vehicle charging infrastructure: an agent-based model assessment
Appl Energy, 254 (2019), Article 113680
View PDF View article View in Scopus Google Scholar

[32] [32]
Y. Zheng, Y. Wang, Q. Yang
Two-phase operation for coordinated charging of electric vehicles in a market environment: from electric vehicle aggregators' perspective
Renew Sustain Energy Rev, 171 (2023), Article 113006
View PDF View article View in Scopus Google Scholar

[33] [33]
J.R. Helmus, M.H. Lees, R. van den Hoed
A data driven typology of electric vehicle user types and charging sessions
Transport Res C Emerg Technol, 115 (2020), Article 102637
View PDF View article View in Scopus Google Scholar

[34] [34]
S. Powell, G.V. Cezar, R. Rajagopal
Scalable probabilistic estimates of electric vehicle charging given observed driver behavior
Appl Energy, 309 (2022), Article 118382
View PDF View article View in Scopus Google Scholar

[35] [35]
J.H. Choi, H.M. Kwon, J.Y. Lee
Design of a 3.3 kW/100 kHz EV charger based on flyback converter with active snubber
IEEE Trans Veh Technol, 71 (7) (2022), pp. 7161-7170
Crossref View in Scopus Google Scholar

[36] [36]
S. Huang, W. Liu, J. Zhang, C. Liu, H. Sun, Q. Liao
Vehicle-to-grid workplace discharging economics as a function of driving distance and type of electric vehicle
Sustainable Energy, Grids and Networks, 31 (2022), Article 100779
View PDF View article View in Scopus Google Scholar

[37] [37]
X. Huang, Y. Lin, M.K. Lim, F. Zhou, R. Ding, Z. Zhang
Evolutionary dynamics of promoting electric vehicle-charging infrastructure based on public–private partnership cooperation
Energy, 239 (2022), Article 122281
View PDF View article View in Scopus Google Scholar

[38] [38]
M. Chen, H. Lu, X. Chang, H. Liao
An optimization on an integrated energy system of combined heat and power, carbon capture system and power to gas by considering flexible load
Energy, 273 (2023), Article 127203
View PDF View article View in Scopus Google Scholar

[39] [39]
F. Angizeh, M.A. Jafari
Pattern-based integration of demand flexibility in a smart community network operation
Sustainable Energy, Grids and Networks, 38 (2024), Article 101320
View PDF View article View in Scopus Google Scholar

[40] [40]
J. Liu, X. Yang, C. Zhuge
A joint model of infrastructure planning and smart charging strategies for shared electric vehicles
Green Energy and Intelligent Transportation (2024), Article 100168
View PDF View article View in Scopus Google Scholar

摘要

图表（24）

表格（9）

eTransportation 电子运输

突出显示

摘要

图形摘要

关键词

1. 引言

2. 电动汽车充电模式识别

2.1. 数据预处理

2.2. 充电活动链构建

2.3.单个电动汽车充电模式的分布

3. 电动汽车充电特性分析

3.1. 充电功率

3.2. 充电时间

3.3. 电池充电状态

3.4. 各模式的充电能量和日负荷曲线

4. 充电模式切换模拟

4.1.场景设置

4.2. 负载转移效应

4.2.1. 延迟充电场景

4.2.2. 低功耗充电场景

4.2.3. 基于分时电价的智能充电场景

4.3. 充电灵活性边际贡献

5. 讨论内容

5.1. 荷载转移效应的影响

5.2. 充电灵活性边际贡献的含义

5.3. 充电灵活性结合用户画像的利用

6. 结论

CRediT 作者贡献声明

利益冲突声明

致谢

附录。

数据可用性

References

Cited by (0)

eTransportation 电子运输

基于现实充电模式识别的电动汽车充电灵活性负荷转移评估☆

突出显示

摘要

图形摘要

关键词

1. 引言

2. 电动汽车充电模式识别

2.1. 数据预处理

2.2. 充电活动链构建

2.3.单个电动汽车充电模式的分布

3. 电动汽车充电特性分析

3.1. 充电功率

3.2. 充电时间

3.3. 电池充电状态

3.4. 各模式的充电能量和日负荷曲线

4. 充电模式切换模拟

4.1.场景设置

4.2. 负载转移效应

4.2.1. 延迟充电场景

4.2.2. 低功耗充电场景

4.2.3. 基于分时电价的智能充电场景

4.3. 充电灵活性边际贡献

5. 讨论内容

5.1. 荷载转移效应的影响

5.2. 充电灵活性边际贡献的含义

5.3. 充电灵活性结合用户画像的利用

6. 结论

CRediT 作者贡献声明

利益冲突声明

致谢

附录。

数据可用性

References