《电动汽车V2G技术及其对电网调峰的影响分析（论文）17000字》

电动汽车V2G技术及其对电网调峰的影响分析目录TOC\o"1-3"\h\u152摘要 14906第1章绪论 2302721.1课题研究背景及目的意义 2267671.2课题国内外发展及研究现状 3151351.2.1V2G技术国内外研究现状 347141.2.2聚类算法国内外研究状态 432071第2章基于V2G技术的电动汽车集群聚类原理 544572.1电动汽车集群参与电网调峰的调度与需求分析 587112.2电动汽车集群参与电网调峰的技术方案 6265112.3集群运营商与电网及电动汽车客户的互动方式分析 721890（1）工作原理 78694（2）结构图 817378第3章电动汽车集群聚类方案设计 9106743.1K均值聚类算法 912600（1）K均值聚类算法原理 923733（2）K均值聚类算法流程图 934003.2电动汽车充电行为的建模 10140483.2.1电动汽车集群划分 10191563.2.2基于充电行为的集群聚类方案 11216793.3电动汽车集群聚类仿真程序设计及结果分析 1215911（1）电动汽车集群聚类仿真程序设计 129242（2）电动汽车集群聚类仿真结果分析 1394393.4本章小结 1532161第4章基于电价调控的动态聚类算法设计 16187784.1构建用户意愿模型及仿真 16283204.1.1用户意愿模型的建模 1615804.1.2仿真程序设计与分析 1618854.2动态聚类算法程序设计及仿真结果分析 17211174.3基于动态电动汽车集群聚类的电网调峰方法及仿真分析 2221104第四类电动汽车用户集群聚类结果的功率曲线如图4-9所示。 241618第5章结论 302158参考文献 31摘要电动汽车（ElectricVehicles,EVs）因其环保无污染，目前已得到大力推广。V2G（VehicletoGrid）技术将电网（Micro-Grid,MG）和电动汽车两者连接起来，并且能够让能量在两者之间双向流动，已成为目前研究非常重要的技术。大量电动汽车进入电网无序充放电，不仅会对电力系统的稳定运行产生不利的影响，而且会影响电网可靠性。因此，对电动车进行有序充电，并对其调度与控制过程进行深入的探讨，具有十分重要的现实意义。本文以电动汽车V2G系统为研究对象，基于K-均值聚类算法，对电动汽车的充电行为进行了建模。以电动汽车的充电需求为基础，设计了电动汽车集群聚类算法，改变电动汽车用户数据集在Matlab平台上进行多次仿真。通过动态聚类算法，合理设置充电分时电价引导电动汽车用户有序充电。以电动汽车为研究对象，考虑分时电价、充电迫切程度、该时段充电意愿，构建用户充电意愿模型，根据用户的最大充电持续时间、充电开始时间特征进行电动汽车集群聚类。分析得到用户日常的充电规律。引入区域电网内充电意愿强烈的电动汽车集群聚类，形成虚拟储能系统，参与电网调度。通过电价引导优化电动汽车的充电行为，实现电动汽车集群运营商对电动汽车的调度，减少电网波动，使负荷从高峰时段向低谷时段跨时段转移。第1章绪论1.1课题研究背景及目的意义随着能源革命的兴起，能源结构发生了巨大的改变，电动汽车在运输领域得到了快速的发展。当前，我国城市中的电动汽车数量已相当庞大，而且还在迅速发展。大量电动汽车无序入网可能会给电力系统运行带来很多问题。然而电动汽车充电时，其负荷具有很大的可调度潜力，为电力系统调峰提供了一种新方法（李晓东，张文博，王俊宇,2022)。所谓V2G，就是通过各种方式增加了电动汽车与电网以的交互作用，从而实现了对双方都好的、更加欢愉的状态。通过将停驶状态的电动车辆用作可动分散蓄能装置，使电力在电力系统和电力系统间的双向流动（充电和放电），从而降低电力供应的负荷。这在一定程度上预示了从电网的角度来看，V2G技术是解决“削峰填谷”储能方案，调节电网负荷，提高电网效率的重要手段(刘思韵，陈晨曦，周子和,2023)。从车主和使用者的角度考虑，低电价时为车辆充电、储存电能，高峰时则以较高的价格向电网提供电力，在高峰和低谷之间的价格差可以为车主创造经济收益，进一步降低电动汽车使用者的充电费用，从而促进新能源汽车推广普及(张志华，李天佑，王怡萱,2021)。大规模车辆的无秩序充放电会对电力系统的安全性和稳定性产生一定的影响，而大规模车辆集中投入电网将产生很大的经济效益。在区域电网中引进电动汽车集群，一定意义上展现了建立一个虚拟能量存储体系，参与电网调度，该方法能有效地减少优化问题的维数，提高运算速度，为大规模电动车的优化调度问题提出了新的思路，电动车集群能够在车辆与电网之间实现双向、实时、可控和高速的信息和能量的双向流通，这在某种程度上验证了该系统将从“无序”的充电到“有序”的充电，以及作为移动分布式储能单元的电动车接入电网，以抑制负荷峰谷，提高电网调频效率，提高电网的安全性、稳定性、可靠性和能源利用率，确保重要负荷的正常运转(周逸和，刘思琪，张博文,2021)。对于这一结果与葛飞合教授的研究结果一致，无论是在设计过程还是最终的分析结果上面，首先在设计过程中，采用了系统化的研究方法，确保了从概念形成到方案实施的每一步骤都能有据可依。本研究同样重视理论框架的构建，这不仅为具体的设计决策提供了坚实的理论基础，还促进了对相关变量之间复杂关系的理解。此外，在设计阶段本文强调跨学科的合作，通过整合不同领域的专业知识提高了设计方案的全面性和创新性，这种做法使得研究团队能够及时响应新出现的问题，并根据实际情况灵活调整研究路径。目前，大数据的聚类方法已应用在基于用户位置为用户选址、国家电网用户画像、助力电网智能化转型、废弃车辆电池再利用等方面。通过将对象按相似程度划分，使得类间元素具有最大的一致性，从而为V2G技术的发展提供了有力的支持(王紫萱，陈雪婷，李俊杰,2022)。通过电动汽车与电网的双向交互，可以实现电力的双向存储。基于V2G技术的电动汽车集群聚类，这在一定程度上预兆了它可以在充电时充当电力系统的负载，在放电时作为电力系统的暂态供电，不仅可以减轻电力系统的负荷，而且可以保证电力系统的最佳运行。V2G技术在电力系统与电网之间进行信息交换，实现了电力交互、电网运行状况、充电电价、电池状态、等信息的传递，助力电网智能化转型(李博然，赵思源，王瑾萱,2020)。1.2课题国内外发展及研究现状1.2.1V2G技术国内外研究现状近年来，许多学者都在进行V2G的放电时序优化方面的研究。Q.Hu等以英国微电网为实例，通过了电动汽车充、放电曲线的综合概率模型，并应用蒙特卡洛仿真方法，对电动汽车的系统效率、网络功率等进行了分析[1]。Q.Zhang等人建立了一个层次最优的调度模型，从中可以表明以达到最优的功率分配和空间分配。利用熵法可以决定模型的调度优先权，最后得出在集热器辖区内电动车集热器的最佳充放电控制[2]。刘凯琳，张宇航，周文博等以电动汽车运营商为研究对象，建立了以电动汽车为代表的层次控制体系[3]。在电力系统分层控制结构的基础上，建立了电力系统的双层优化控制数学模型，使电力系统能有效地减少电力系统的负荷。其采用一种新的聚类算法，这无疑暴露出将多维度的排序问题分解，从而克服了由于车辆数量的增长而引起的集中式求解困难，并使其具有较好的收敛性，从而大大提高了运算速度(王天泽，赵子萱，陈宇和,2023)。丹麦拥有丰富的风能资源，丹麦在2015年就拥有42%的电力需求。但是，风力发电等可再生能源的发电供给存在很大的不稳定性，如果大规模的风电进入网络，将会对电网的安全，稳定运行造成很大的影响。丹麦的电动车也在快速发展，到2015年，从这些趋势中看出其电动汽车市场份额已达2.29%。2016年，日产公司在英国克兰菲尔德的尼桑欧洲技术中心(NTCE)安装了8台由尼圣和英国能源提供商Enel共同开发的电力系统(V2G)(李星宇，周佳怡，张晓冯,2022)。这样的充电桩不但可以迅速地给电动车充电，而且还能把多余的电能转给全国的电网，尼桑也将使用V2G技术在法国的新办公室提供电力。一日充电桩完工，它将会是世界上最大的电力系统(刘思远，王文静，陈嘉瑞,2022)。为保障研究结果的可靠性和可信度，本文首先通过广泛搜集和审阅国内外相关领域的经典与前沿文献构建了一个坚实的研究背景框架。这不仅帮助本文明确了研究问题的独特贡献点，也确保了本文的研究建立在充分理解现有知识的基础上，本文精心挑选了多种来源的第一手和第二手资料包括但不限于类似文献、官方报告等。这些资料的选择基于其权威性、时效性和代表性，以确保能够从多个角度全面地反映研究主题发展的真实情况。日产公司计划在总部设立100个V2G充电桩，由意大利Enel公司提供。它的工作原理是将日产电动车的电池技术储存在电网中非高峰时段的电能，并在合适的时间(例如在高峰时段)将电能传输到电网，从而通过在峰值时段减少电能消耗量来降低成本(张文杰，赵瑞婷，李宇翔,2020)[4]。1.2.2聚类算法国内外研究状态目前有两种基于分层的聚类方法，即自上而下的分枝式聚类和自下而上的合并式聚类[5]。两种方法都得到了一个类似于多叉树的树状结构，上层的结点是下一层的群集数量(王子凡，刘玉婷，张启航,2022)[6]。SBAC算法在计算目标之间的相似性时，充分考虑了属性特征在反映目标性质的重要性，从这些活动中看出并将其赋以更高的权重，BIRCH是一种基于树状结构的叶结点，以中心、半径为代表的聚类，依次对每个物体进行处理，并将其分割成最接近的节点(李浩宇，陈嘉琪，周晨曦,2022)[7]。利用密度聚类方法对任意形状的群集分类[8]。基于密度的DBSCAN聚类算法，它寻找物体的邻近区域，这在一定程度上预示了将所有可到达的物体从中心物体中分离出来[9]。这种方法的聚类效果和输入参数有很大的关系，如果参数不正确，很可能导致集群分裂或者合并不正确(刘思涵，张天宇，赵文博,2023)。GDBSCAN将邻域概念进行推广，使其与空间对象的特性相匹配。OPTICS方法将自动和交互相结合，首先产生聚类顺序，然后根据聚类的不同参数设定不同的聚类，这在一定程度上昭示从而获得较好的效果。FDC算法将整个数据空间分为几个长方形，在很小的空间维度下，可以极大地改善DBSCAN的性能(王天瑞，李梓悦，陈浩然,2022)[10]。K-means算法分析数据时，在采样空间中随机选择或生成K（其中K>=2）个样本，以作为初始的聚类中心，之后重复进行，直到群集中心的空间坐标变得小于给定的阈值为止，终止迭代并输出结果(张紫薇，赵俊豪，李诗雅,2021)[11]。当簇中心的空间坐标发生改变后，该算法就会终止迭代，并将其输出[12]。由于K-means算法采用了随机选择的方法，所以其聚类结果很不稳定，如果两个随机选择的聚类中心在抽样空间附近，则该方法有很大可能达到局部最优[13]。第2章基于V2G技术的电动汽车集群聚类原理2.1电动汽车集群参与电网调峰的调度与需求分析V2G是车辆到电网，其核心理念是电力系统与电力系统的交互，V2G技术可以使电力系统与电力系统间的双向通讯，并能有效地控制电力系统的充放电过程，减少电力系统对电力系统的影响，一定意义上展现了并使电网系统的电力能源管理更加灵活、更加稳定(刘子和，王紫涵，周彦宏,2022)。在V2G模式（如图2-1所示）下，电动汽车既有负载属性又有能量存储属性，而当电动汽车被接入电网进行充电时，这在某种程度上验证了其相当于电网负载；与之形成对比的是，当电动车成为电力系统的储能单元时，电动汽车就可以把自己的电力输送给电网(李文彬，张怡然，赵思源,2022)。对于这一部分的创作借鉴了章和宁教授的相关主题的研究，主要体现在思路和手法方面，在思路上遵循了其强调的系统性与逻辑性的原则。通过深入分析研究对象的内在结构和运作机制，本研究不仅吸收了章教授提出的多层次、多角度审视问题的方法论，还进一步将这些理念应用于具体实践中以确保研究结果的全面性和准确性。在手法上本文采纳了章教授所提倡的定量与定性相结合的研究方法为研究提供了坚实的数据支持和理论依据。图2-1V2G模式示意图而对于大部分私人乘用车而言，通常是全车充电，也就是利用充电桩进行分散充电，这种充电负载的特性如下(王子航，李雪慧，刘浩宇,2023)：（1）负荷容量大，持续时间长。在传统的充电方式下，一般超市、小区和停车场使用10~15A的电流进行6~8小时的充电将会是一个非常大的负担，其充放电电流较大，对电网的影响较大（2）负载的分布具有一定的随机和聚集性。充电装置的空间分布具有随机性，用户的时间和空间等因素决定了其空间和时间的分配(周俊杰，张子琪，李凯琳,2022)。然而，通过对大量电动车负荷的统计分析，从中可以表明得出了车辆的早出晚归特性，其充电负荷集中在小区内，并且在充电时间上有较高的重叠。（3）充放电负载具有很好的分布式存储能力。由于电动车在不使用期间可以接入电网，因此其电池可以作为能量存储单元，通过对充电、放电等电力电子装置进行开、关、功率控制，从而实现对电网的充放电调度(刘颖慧，王瑾瑶，陈宇翔,2022)[14]。2.2电动汽车集群参与电网调峰的技术方案由于充电时间、启动时间、充电功率等因素存在不确定性，会导致电网的峰谷负荷差和电网电压偏差增大。V2G技术在一定程度上会给电网带来不利影响。当前，这无疑暴露出电力产业的主流技术路线是通过电动汽车集群实现电力系统的调峰，从而改变V2G对电网的不利影响，丛而使电力系统处于最佳的运行状态。目前，国内外对V2G充电、放电时序优化以及电力系统群集电网的调峰问题已有较多的研究(李志鹏，周嘉琳，赵紫涵,2021)。对此本文也进行了结论的复核，首先在理论上确保了研究结论与现有学术框架的一致性。本文仔细比对了本研究得出的主要结论与相关领域内已被广泛接受的理论以验证其合理性和逻辑严密性。通过这一过程，本文确认了研究结果不仅能够得到现有理论的支持，而且在某些方面提供了新的见解或补充，进一步丰富和完善了相关理论体系。其次，在实证层面本文重新分析原始数据、使用不同的统计工具和技术进行交叉验证、以及引入外部数据集作为对照样本等措施。通过这些手段本文力求排除任何可能影响结论准确性的偏差因素，保证研究发现的真实性和普遍适用性。文献[16]为了解决因大量电动车进入电网而造成的“峰上加峰”问题，探讨了电动汽车与电网交互技术(V2G)[16]。在对新能源汽车的使用与充电状况进行调查的基础上，根据不同的电动车在电网中的时间、负载状态以及后续的出行需要，将其分为三大类，从这些趋势中看出分别建立了电池、充放电的边界反应模型以及电动车的V2G响应模式(陈晓婷,吴浩然,2021)：采用蒙特卡洛仿真方法，对本研究区域内所有电动车的出行特征进行提取，以求得到所需要的参数，并根据该模型的结构，构建了如图2-2所示基于有序充电和放电的电力车辆有序充电控制策略。图2-2电动汽车有序充放电控制系统架构基于充电终止时间，张志华，李天佑，王怡萱等建立了一个基于图2-3所示的分群调度算法，从群的观点出发，考虑了在分布式系统中，电动车的实时充放电优化问题，针对不同的充电要求，给出了基于分群特性的充电终止点的实时调度算法，并利用双层优化模型求解了整个集群和单个电动汽车的最佳充放电功率[17]。从这些活动中看出在此基础上，提出了一种基于动态变化、调度处罚最少的大量汽车实时交互调度模型。在下层阶段，考虑了电动车的充电和充电费用，并对其进行了优化跟踪。通过对典型地区配电网络的负载情况进行了模拟(王子翔，刘雪婷，张怡萱,2020)。对于以上这部分存在的创新主要在于视角的创新，首先体现在对研究问题的独特切入点选择。本研究突破了传统研究中较为局限的视角从更为宏观和微观的角度同时出发，既关注整体趋势又注重个体差异，为理解复杂现象提供了新的思路。这种双重视角不仅加深了对研究对象内在机制的理解，也为解决实际问题提出了更具针对性的建议。结果表明，在分布式控制下，采用实时充电优化方法，既能确保电力系统的安全运行，这在某种程度上象征又能兼顾各方面的利益。通过算例分析，表明该方法可以有效地降低负荷波动，确保电网电压满足安全需求，适合于对电力系统进行实时优化调度(李思远，赵丽萍，周昊宇,2020)。图2-3电动汽车集群分布式分层控制框架图本文以电动车的充电特性为基础，进行了集群聚类，并对其进行了仿真模拟。从集群化的观点出发，对所管辖地区的电动车集中负载进行最优调度，减少了电网的控制难度，提高了通讯网络的复杂性，利用已获成果可以推导出以下观点提高了系统的运算能力(张宸妍，刘建华，王子凡,2022)。基于电价导向的电动车充电性能的优化，实现了电动汽车集群运营商对电动汽车的调度。基于对电动车使用者的充电需要，电动汽车集群经营者可以通过定价来引导其进行有序的充电。通过对电动车集群充电规划的研究，可以有效地减少大规模电动车的无序充电对电网的不利影响。2.3集群运营商与电网及电动汽车客户的互动方式分析（1）工作原理在V2G双向充电技术运用下，电动汽车的动力电池就像一个“巨大的充电装置”。从电网的角度来看，V2G技术在解决“削峰填谷”的问题、调整电力系统的负载、改善电力系统的运行效率等问题中发挥着重要的作用。这在一定程度上预示了从车主和用户的观点看，在用电高峰时，用低电价为车辆充电，在高峰时段用高价将电能送到电网，等于“卖电”，高峰时段的电价差异可以为车主创造经济利益，进而进一步减少电动车的充电费用(李昊天，周紫薇，赵文华,2022)。（2）结构图电动汽车集群运营商是一个集成了整个电动车集群的企业，它收集了一个集群的充电要求，并将其向上汇报。这在一定程度上昭示在分级、分区调度框架下，集群运营商和其它购电商一起参与到了电力市场中，并对电动车的充电性能进行了优化。电动汽车集群运营商以集群的控制方式对电动汽车个体进行管理，成为电网与电动汽车车主之间的中介(李嘉和,王睿昊,2022)。一定意义上展现了电动汽车集群运营商在参与电力市场并优化电动汽车的充电行为，运营框架如图2-4所示。图2-4电动汽车集群运营商运营框架第3章电动汽车集群聚类方案设计3.1K均值聚类算法（1）K均值聚类算法原理K-means算法是一种集群分析中的启发式分割方法。其优点是简洁、快速。K-means算法采用k作为参量，将n个采样点分成k个簇，其目的是使聚类中的采样具有高相似性，而簇之间的相似度非常低。K-means算法用距离来度量相似性，其目的在于将各个聚类中心与聚类中观察到的数据之间的距离最短，这在某种程度上验证了从而将各样本聚类到离自己最近的一个聚类中心。图3-1所示为基于K-means聚类算法的基本流程图(张文博,陈思琪,2023)。这一结果也与本文之前的预想研究结果一致，这在一定程度上体现了本文研究方向的正确性。首先，这种一致性反映了本文在研究设计初期所设定的目标和假设具有坚实的基础。通过对相关理论文献的深入探讨和对已有研究成果的综合分析，本文的预想建立在一个合理且有据可依的基础上，而最终获得的结果与预期相符，进一步验证了这些研究的有效性。这一结果的吻合证明了本文所采用的研究方法和工具是恰当且有效的。研究过程中，本文严格遵循学术规范，采用了多种验证手段来保证结论的准确性。首先，从数据集中随机选取k个样本作为聚类中心，将所有样本聚类到离它们最近的一个聚类中心，这在一定程度上预兆了然后计算各个簇的聚类均值，用新的均值代替原来的聚类中心，最后观测簇中心的变化。如果簇中心变化，则回归，使各样品聚类至最近的群集中心，如此反复，从中可以表明直至群集中心未发生变化而终止(林泽,刘俊杰,2023)。（2）K均值聚类算法流程图K均值聚类法给出了一组数据点集和所需的簇数量，然后在一定的距离函数下，将数据点按一定的距离函数进行迭代化，其具体计算过程如下：首先，随机选择k个样本做聚类中心，尽可能地选取离聚类中心较远的地方，并进行大致分类，这无疑暴露出以避免在聚类时出现不必要的运算(赵宇航,孙睿智,2022)。利用迭代法对原分类进行了进一步的精细分类，分别对每一数据点与聚类中心的距离进行了分析，并将其归类到离其最近的聚类样本点[19]。在每个循环之后，计算一个数值，从这些趋势中看出然后重复上面的步骤，直到这个数值保持不变或者变量小于指定的数值[20]。图3-1基于K-means的聚类算法的基本流程图3.2电动汽车充电行为的建模3.2.1电动汽车集群划分电动车集群是一种以特定的特性指标为基础的群组，并将其作为一个整体系统来进行管理，如果将某一单元按类似的地理位置聚集在一起，则可以将其看作是一种电动车集群。从这些活动中看出根据电动汽车充电行为的不同特点，对集群进行分类[14]。集群是电力车辆集群经营者的一种负载管理方式，它可以控制辖区内的汽车进行有序的充电和放电(高思远,陈子辰,2022)。该系统具有大量的电动汽车，且在一天之内的交通特性总体上是比较稳定的，这在某种程度上象征其统计模式可以由历史资料进行统计。因此，在制订当日与即时计划时，均可作为一个计划单位。根据电动汽车的充电需求，在多个时间范围内，优化了电动汽车集群的充电、放电过程，并将调度结果上传到电动汽车集群运营商，利用已获成果可以推导出以下观点在获得授权的情况下，向所有的车辆发布。因为集群是对电动车进行充电的直接目标，因此，可以采用诸如“奖励”等手段来实现电动车的充放电导向(王子豪,李凌霄,2022)[21]。3.2.2基于充电行为的集群聚类方案针对电动车的充电需求，将其分为多个类别，并进行管理，实现对辖区内电动车的充放电有序控制。利用已获成果可以推导出以下观点在一定时间内，对电动汽车集群的充放电过程进行优化调度，引导车辆充放电(邓浩然,魏晨曦,2019)。电动汽车的充电行为特征指标包括初始电池电量、期望电池电量、入网时间、离网时间、最大充电持续时长，计算如下[14]： （3-1）式中——可接受的最大充电功率；——电动汽车的电池总电量；——车辆接入电网的初始荷电状况；——充电结束时使用者所期待的充电状态。为使电动车用户特性的分析更加清晰，需要对采集到的数据进行聚类分析，从而使其更好地进行分类。其次，一定意义上展现了通过建立数据分析模型，对数据进行快速、精确的分析，以提高调度系统的工作效率(何旭东,刘涵煦,2020)。基于K-means的聚类算法具有计算简单、收敛速度快、局部最优等特点，且具有较强的扩展性和较好的性能。K均值聚类算法能够将n个数据进行聚类。本文在行为思路上也有所创新，作者创新性地融入了前人关于此主题已有的研究成果，在研究深度上有所加强，首先通过综合分析现有文献中的关键理论和实证发现，本文构建了一个更为系统且全面的框架，旨在为该领域的研究提供新的视角和方法论指导。其次，为了确保研究的有效性和可靠性不仅验证了前期理论假设，还进一步探索了未被充分关注的研究空白。其中，这在某种程度上验证了聚类的准则是将所有的数据点与其最接近的平均所对应的群集相关联。具体实施过程如下[14]：选取数量为m的用户样本数据集，从中随机选取k个用户数据为初始聚类中心，其中，。计算所选数据集中每个用户数据与初始聚类中心的距离，形成簇，如果满足： （3-2）则，其中为任意正数。计算个新产生的聚类中心： （3-3）聚类基本准则公式： （3-4）判断是否收敛 （3-5）若达到要求，则停止上述的迭代；否则返回并继续迭代[22]。按照以上方法进行聚类运算，聚类数量越多，聚类中心的间距也就越接近。随着电动车数目的增多，这在一定程度上预兆了其运动规律也逐渐清晰，群集中心也逐渐类似(蒋泽宇,李雅馨,2022)。可以推断，随着车辆数目的增多，群集中心的位置趋于一致，从而可以大致得出车辆的充电概率情况[14]。在对同一簇的电动车进行聚类后，将其视为一个集群，并对其进行统一的充放电优化。3.3电动汽车集群聚类仿真程序设计及结果分析（1）电动汽车集群聚类仿真程序设计该方案根据电动车的充电要求，根据K-均值聚类方案对其聚类。针对电动车充电过程中存在的随机性，通过集群聚类算法对电动汽车用户的入网时间和电动汽车最大充电持续时长特性进行聚类分析(刘宇涵,何俊熙,2022)。利用聚类方法将收集到的n个数据进行聚类，将每一个数据点归入7个聚类，这种聚类准则是将每一个数据点与其最接近的平均相对应的集群[23]。从中可以表明本电动汽车集群聚类算法以入网时间和最大充电持续时长为特征指标，分别随机选取60、90、120、150名电动汽车用户统计他们日常充电开始时刻以及最大充电持续时长数据集，令迭代次数为12次，从样本数据集中随机选取个用户数据为初始聚类中心，分成7个簇[14]。在该数据集合中，首先计算出第个电动汽车用户数据到不同的集群中心的距离，这无疑暴露出然后将其归并到距离最近的聚类中心对应的一个簇中，令迭代次数为12次，满足以下条件(邹欣怡,王子昊,2021)： （3-6）根据聚类结果，对得到的每个簇，计算新的7个聚类中心： （3-7）式中，为簇中含有的数据个数。计算聚类准则函数，并以此判断聚类是否收敛。 （3-8） （3-9）重复步骤上述，直到函数收敛，即满足式，为一个较小的正数。（2）电动汽车集群聚类仿真结果分析以开始充电时刻和最大充电持续时长为特征指标，分别选取60、90、120、150个电动汽车用户数据集，从这些趋势中看出按照上面的方法，对其进行了聚类仿真模拟，得到了7个簇(陈思源,吕俊凯,2022)。在聚类之前，电动车辆的使用者是随机的，而在聚类之后，将其分为7个类别。从这些活动中看出仿真结果如图3-2、3-3、3-4、3-5所示。其横坐标为开始充电时刻，纵坐标为最大充电持续时长。（a）60个用户数据集聚类前结果图（b）60个用户数据集聚类后结果图图3-260个用户数据集聚类结果图（a）90个用户数据集聚类前结果图（b）90个用户数据集聚类后结果图图3-390个用户数据集聚类结果图如上图所示，图中电动汽车用户的充电开始时间主要是从在上班到公司与下班到家的时刻，这在一定程度上预示了即早上6：00—8：00和下午16：00—20：00，电动汽车用户的最大充电持续时长平均值为6h—8h左右，聚类前电动汽车用户数据集呈无序分布，聚类后电动汽车用户数据集被分成7类(李若萱,张晨阳,2021)。（a）120个用户数据集聚类前结果图（b）120个用户数据集聚类后结果图图3-4120个用户数据集聚类结果图（a）150个用户数据集聚类前结果图（b）150个用户数据集聚类后结果图图3-5150个用户数据集聚类结果图从图中聚类前后结果对比可知，横坐标为开始充电时刻，纵坐标为最大充电持续时长，聚类中心沿水平方向大致均匀地分布。当车辆的数目和群集的数目由60到150个时，这在某种程度上象征群集中心的分布也大致相同。群集的数量愈多，他们的中心间的距离愈接近(刘宁宇,罗晨曦,2022)。从中可以看出本研究特别注重跨学科交叉融合，借鉴相关领域如经济学、社会学、等的理论工具和分析模型，以期从多维度解析研究问题，从而丰富和完善已有理论体系。通过对研究结果的深入解读本文提出了具有实际应用价值的政策建议或实践指南，希望能够对行业发展、决策制定以及未来研究方向产生积极影响。对图3-2、3-3、3-4、3-5进行对比，可以发现，随着电动车数量的增加，其运行规律也逐渐清晰，而电动车使用者的群集中心也越来越接近。由此可以推断，这在某种程度上验证了随着车辆数目的不断增长，不同车辆的集群中心位置也将逐渐趋于一致，从而证明了该方法的正确性(赵雨桐,孙乐天,2020)[14]。在聚类之后，将同一类的电动车群划分为一个群体，并对其进行统一的充电和放电调度。因为在同一簇内，这在一定程度上预兆了网络的最大充电时长和最大充电时长接近，有利于统一调度，同时单个簇和簇之间的调度差异也会降低(王嘉熙,刘元熙,2022)[24]。3.4本章小结本章介绍了基于K-均值聚类算法设计电动汽车集群聚类方案的流程，并进行了仿真研究。首先研究了K-均值聚类算法，对电动汽车的充电行为进行建模。以电动汽车的充电需求为基础，设计了电动汽车集群聚类算法，改变电动汽车用户数据集进行在Matlab平台上进行多次仿真，分析对比结果数据，证明了电动汽车集群聚类算法用于V2G技术的可行性及该算法的有效性。第4章基于电价调控的动态聚类算法设计4.1构建用户意愿模型及仿真4.1.1用户意愿模型的建模（1）研究方案合理设定分时充电电价可以指导电动车的有序充放电。以电动汽车为研究对象，依据用户的最大充电持续时间、充电开始时间特征，采用K-均值聚类方法对其进行聚类。构建用户意愿模型，从这些趋势中看出将充电意愿大的电动汽车用户用于聚类，并通过电动汽车集群运营商调度实现电网调峰，减少电网波动(陈晓婷,吴浩然,2021)。构建一个用户参与意愿的模型，参与意愿用从0～1表示，参与充电意愿大于0.5则认为该用户充电意愿较高，并将此类电动汽车用户用于数据处理。影响参与意愿分别是不同的时间段参与意愿不同、不同的电价影响参与意愿、充电迫切程度(郑宇晨,王悦婷,2022)。（2）研究步骤分时电价是根据每个地区每天的实时电力负荷以及用户的实际需要，将其分为高峰、平谷、低谷三个时段，通常划分为：峰时段8h（10∶00—15∶00，18∶00—21∶00），平时段8h（7∶00—10∶00，15∶00—18∶00，21∶00—23∶00），谷时段8h（23∶00—次日7∶00），并设置不同的用电电价[25]。在需求响应理论的基础上，电力价格的变动会导致使用者对电量需求和对充电的意愿产生一定的影响。从这些活动中看出一天中随着各时段电价的不同，用户的充电意愿也会不同，电价越高，用户充电意愿越低(韩一鸣,王瑾瑜,2022)。电动汽车使用者参加充电的初始充电时间反映了电动汽车使用者在不同的时间段的参与程度，当电动汽车使用者在某个时间点上充电的次数愈多，则表示电动汽车使用者在此期间的充电意愿愈高，SOC情况用来表示充电迫切程度，数值越小，表明剩余电量越低，充电需求越迫切，表明电动汽车用户在该事件段的充电意愿越大。上述3个因素是相互影响的，存在着一定的交互作用(张语涵,李睿泽,2023)。在此基础上，对多目标优化问题的求解采用了线性权重方法，甚至可以用单一目标优化问题来替代多目标优化问题。同时，一定意义上展现了由于各因素的尺度不一致，对各个功能进行了标准化处理。4.1.2仿真程序设计与分析仿真程序设计采用了归一化的加权平均算法。测量中采样得到一组数据，其长度为，即。个峰值数据，即为，则平均计算法为 （4-1）加权值为。通过每次采样的峰值的加权平均值，得到，即： （4-2）其中：为加权系数，，即(黄瑞萱,赵泽宇,2022)： （4-3）由数组可以得到电价数据的平均值：，加权值为；计算每一电价值，相对于均值的偏差量： （4-4）将偏差量代入权值函数，作归一化处理得到，即： （4-5）由归一化的偏差量得到加权值： （4-6）由加权值得到最终的平均值，即： （4-7）其中，电价、充电迫切程度、该时段充电意愿的权重系数分别为、、，满足[26]。4.2动态聚类算法程序设计及仿真结果分析基于用户的充电特征，从中可以表明利用聚类方法对用户的充电行为进行了聚类分析，并采用了动态聚类方法（李晓东，张文博，王俊宇,2022)。电力市场的变化趋势与用户的充电意愿存在着显著的正相关性，从这些趋势中看出通过实时电价可以引导用户的充放电行为，实现电网负荷从峰值到低谷的过渡，实现动态的聚类[27]。虽然本文对这一部分的研究结论尚未进行完全的挖掘，但是从已经露出的研究成果来看，具有一定的指导价值，首先初步的研究结果为理解该领域提供了新的视角和见解，有助于识别关键变量及其相互作用机制，这为进一步深入研究奠定了坚实的基础。其次这些研究揭示了若干潜在的趋势和模式，能够为理论框架的发展提供实证支持，并激发更多的学术探讨与辩论。鉴于电动汽车的实际发展现状，为便于对电动汽车的充电负载进行计算，本文提出以下假定：a.仅对个人使用的电动车辆进行评估，并且在一天内只对其进行一次充电；b.每一次充电都使该汽车电池充满到所需的充电状态(刘思韵，陈晨曦，周子和,2023)；c.启动充电时间和最大持续充电时长是两个随机变量，它们彼此无关；d.将分时电价分为高峰时段、低谷时段、和平时段；e.分时电价具有高峰时段高，从这些活动中看出低谷时段低的特点，在考虑到分时电价后，电动汽车会尽可能在充电成本较低的时间段内进行充电；f.本文考虑7：00至次日7：00间这段时间的充电负荷的分布情况。根据2018年长沙某地区电动汽车充电站的分时电价，峰谷分时电价计算见表4-1。表4-1分时电价时段电度电价（yuan/kw.h）执行时间段峰电价1.289310：00—15：0018：00—21：00平电价0.87317：00—10：0015：00—18：0021：00—23：00谷电价0.45723：00—7：00根据电动汽车充电行为数据，上述所进行电动汽车集群聚类的150名用户开始充电时间段的分时电价如图4-1(张志华，李天佑，王怡萱,2021)。电价的变化会引起用户充电意愿的变化，一天中随着各时段电价的不同而引起用户充电意愿的影响，电价越高，用户充电意愿越低。图4-1各用户开始充电时间的电价根据电动汽车充电行为数据，上述所进行电动汽车集群聚类的150名用户的充电迫切程度如图4-2。这在一定程度上预示了图中的充电迫切程度由SOC情况来反映。其中剩余电量越低，数值越小，充电迫切程度越大，充电需求越迫切，表明电动汽车用户在该事件段的充电意愿越大(周逸和，刘思琪，张博文,2021)。图4-2各用户充电迫切程度根据电动汽车充电行为数据，上述所进行电动汽车集群聚类的150名用户开始充电时，该时段的充电人数如图4-3。这在一定程度上昭示根据所统计的电动汽车用户，电动汽车使用者参加充电的开始时刻反映了电动车使用者在一定时间内的参与程度，当电动车使用者在某时间段上充电的次数愈多，则表示电动车使用者在此期间的充电意愿愈高(王紫萱，陈雪婷，李俊杰,2022)。图4-3各用户充电时段的充电人数构建一个用户参与意愿的模型，参与意愿用从0～1表示，参与充电意愿大于0.5则认为该用户充电意愿较高，一定意义上展现了并将此类电动汽车用户用于数据处理。影响参与意愿分别是不同的时间段参与意愿不同、不同的电价影响参与意愿、充电迫切程度(李博然，赵思源，王瑾萱,2020)。这一结果与已有的文献结论大致相同，这也验证了前期研究中所提出的构思，从而进一步丰富了相关领域理论体系的内涵。本研究通过对该问题的深入分析与实证探讨，不仅为现有理论提供了新的支持证据，还从不同角度拓展了对这一现象的理解维度。同时，这一发现也为后续研究提供了新的思路与方向，有助于推动该领域研究的进一步深化与拓展，为解决相关实际问题提供了更具针对性的理论指导。所构建的用户参与意愿的模型，150名用户的充电意愿如图4-4。图4-4各用户充电意愿构建的用户参与意愿的模型，这在一定程度上预兆了参与意愿从0～1，参与充电意愿大于0.5则认为该用户充电意愿较高，并将此类电动汽车用户用于数据处理。经计算，共有72名电动汽车用户充电参与意愿大于0.5(刘凯琳，张宇航，周文博,2019)。该72名电动汽车用户再次进行电动汽车集群聚类，这无疑暴露出结果如图4-5。（a）72个用户数据集聚类前结果图（b）72个用户数据集聚类后结果图图4-5充电意愿大于0.5的用户数据集聚类结果图4.3基于动态电动汽车集群聚类的电网调峰方法及仿真分析在对分时电价策略进行分析的基础上，根据用户充电意愿与电价变化的关系。提出了采用分时电价的方法，引导电力用户进行有序充放电，以避免电网“峰上加峰”，降低电网的波动(王天泽，赵子萱，陈宇和,2023)。从这些趋势中看出电动汽车集群运营商进行调度，得到峰谷分时电价和用户的充电计划。通过长沙市某地区实际负荷实例，验证此分时电价调度策略能够有效的改善电网运行状况，实现了通过设定分时电价来实现对电动车进行有序充放电的目标[28]。上述数据经过集群聚类算法后，得到七类。根据2018年长沙某地区电动汽车充电站的充电平均功率，每小时150瓦，聚类算法所得到的每一类的功率曲线如图所示(李星宇，周佳怡，张晓冯,2022)。从这些活动中看出第一类电动汽车用户集群聚类结果的功率曲线如图4-6所示，电动汽车聚类开始充电时间主要集中于10:00—13：00，该类电动汽车的充电平均功率约为18MW。图4-6第一类聚类结果的功率曲线第二类电动汽车用户集群聚类结果的功率曲线如图4-7所示，电动汽车聚类开始充电时间主要集中于21:00—23：00，该类电动汽车的充电平均功率约为12MW。图4-7第二类聚类结果的功率曲线第三类电动汽车用户集群聚类结果的功率曲线如图4-8所示，电动汽车聚类开始充电时间主要集中于22:00—24：00，这在某种程度上象征该类电动汽车的充电平均功率约为6MW。图4-8第三类聚类结果的功率曲线第四类电动汽车用户集群聚类结果的功率曲线如图4-9所示。本文在设计优化过程中，重点关注了成本效益和方案的通用性，从而与最初的设计相比，在多方面进行了改进。首先，在成本管理方面，通过删减不必要的过程、采用更具成本效益的措施，显著降低了整个项目的成本，使得方案更加经济。同时，为了增强方案的适用性，在设计时充分考虑了不同地区和条件下的可行性，确保该方案在多种情境下都能稳定运行，并且便于其他组织或个人复制使用。通过对四种类型的电动车聚类结果功率曲线的分析，可以得出以下结论。第四类电动汽车用户的聚类开始充电时间主要集中于13:00—18：00，该类电动汽车的充电平均功率约为20MW。图4-9第四类聚类结果的功率曲线第五类电动汽车用户集群聚类结果的功率曲线如图4-10所示(刘思远，王文静，陈嘉瑞,2022)。利用已获成果可以推导出以下观点对第五类电动汽车聚类结果的功率负荷曲线进行分析可以得出结论，第五类电动汽车用户的聚类开始充电时间主要集中于1:00—7：00，该类电动汽车的充电平均功率约为20MW。图4-10第五类聚类结果的功率曲线第六类电动汽车用户集群聚类结果的功率曲线如图4-11所示，电动汽车聚类的开始充电时间主要集中于19:00—22：00，这在一定程度上预兆了该类电动汽车的平均充电功率约在15MW左右。图4-11第六类聚类结果的功率曲线第七类电动汽车用户集群聚类结果的功率曲线如图4-12所示，电动汽车聚类的开始充电时间主要集在15:00—18：00之间，该类电动汽车的平均充电功率在15MW左右。图4-12第七类聚类结果的功率曲线七类电动汽车用户集群聚类结果的汇总功率曲线如图4-13所示(张文杰，赵瑞婷，李宇翔,2020)。可以看出，第四类、第七类聚类结果开始充电时间主要集中于15:00—19：00，第二类、第三类、第六类聚类结果开始充电时间主要集中于20:00—24：00。图4-13所有聚类结果的功率曲线为了验证所提出的模型和算法对大规模电动汽车的有序入网具有良好的指导与控制作用，本文以长沙市某地区的典型日负荷数据为例，该地区日常负荷见表4-2。对该区域内充电意愿大于0.5的72辆电动汽车进行仿真模拟。假设电动汽车电池额定容量是30kW/h，这无疑暴露出充放电功率是150W/h。本文以电动汽车慢充模式为例，在7：00—次日7：00之间，以h为单位进行调度[29]。表4-2长沙市某地区日用电负荷时段P/MW时段P/MW1215.39013208.1782205.94814195.1733233.08615156.1394255.83616150.3925205.57617261.1986245.72518369.1457250.11219375.3138230.17220346.3949137.91821295.16710150.92922260.39111163.94123297.15312182.15624296.026若所有电动汽车均充电，该地区的日用电负荷如图4-14所示。其中虚线代表电动汽车未充电前该地区日用功率负荷曲线，即电网原始负荷。细实线代表电动汽车充电功率负荷曲线(王子凡，刘玉婷，张启航,2022)。从这些趋势中看出粗实线代表电动汽车充电后该地区功率负荷曲线，即电网总负荷。由图4-14可知，车辆无序充电时，由于大量电动汽车开始进行充电，造成了充电站负荷大幅度增长，从而使得本地区的负荷曲线“峰上加峰”，造成了电力资源有效利用率不足。图4-14电动汽车充电该地区日用电负荷曲线调度电动汽车，使聚类结果一、二、三参与充电，进行模拟仿真，该地区的日用电负荷如图4-15所示。如图4-15所示，利用本文提出的有序充放电方法来优化电动车的充电和放电，能显著改善负载曲线，在时段10－13也就是10：00－13：00，由于基本负载较低，相应的实时电价也比较低，因此，该方案采用了较低的实时电价，引导了大量的EV，并在此期间进行充电，从这些活动中看出从而达到了很好的充谷效果(李浩宇，陈嘉琪，周晨曦,2022)；时段20－24也就是20：00－24：00，由于基础负载较低，相应的实时电价也比较低，因此，该方案采用了更低的实时电价来吸引更多的电动汽车充电，从而达到了负载曲线的填谷作用(刘思涵，张天宇，赵文博,2023)。图4-15电动汽车一、二、三类充电该地区日用电负荷曲线从图4-14的比较可以看出，由于大量的电动汽车辆进入充电站，无序充电。造成了充电站的负载迅速增长，这在一定程度上昭示从而造成了电网的“峰上加峰”，引起电力资源有效利用率不足；而在有序充放电过程中，将峰值时间内的负载向平态或低谷方向移动，有效起到“削峰填谷”的作用。其次，在高峰期间，采用有序放电的方式，进一步减小了峰值负荷，并有效地改善了峰谷之间的差异，同时，一定意义上展现了在平谷期间，低电价也可以降低电力使用者的充电费用(王天瑞，李梓悦，陈浩然,2022)。第5章结论电动汽车的不断普及、V2G系统的潜力不断展现，使得V2G技术成为了研究的热点。本文以V2G为研究对象，以电动汽车集群聚类方案设计和基于电价调控的动态聚类算法为切入点进行研究，实现V2G技术中的集群聚类算法设计。对电动汽车充电行为进行了建模，设计了电动汽车用户充电意愿模型。并且针对无序充电使负荷急剧增加、造成“峰上加峰”的现象，研究了电动汽车集群运营商调度实现电网调峰、减少电网波动的控制策略。最终于Matlab平台上经过不断仿真，验证了该系统的可行性。得出以下结论：（1）在电动汽车集群聚类框架下，基于电动汽车的充电需求进行集群聚类和划分，并建立了电动汽车充电行为模型。设计了电动汽车集群聚类算法，改变电动汽车用户数据集进行在Matlab平台上进行多次仿真，分析对比结果数据，验证了电动汽车集群聚类算法用于V2G技术的可行性及算法的有效性。（2）通过动态聚类算法，合理设置充电分时电价能够引导电动汽车用户的有序充电。以电动汽车为研究对象，根据用户的最大充电持续时间、充电开始时间特征进行K-均值聚类。构建用户意愿模型，分析得到用户日常的充电规律。（3）将充电意愿大的电动汽车用户用于聚类，并通过电动汽车集群运营商调度实现电网调峰，减少电网波动，使负荷从高峰时段向低谷时段跨时段转移。参考文献[1]HUQ,LIHY,BUSQ.ThepredictionofelectricvehiclesloadprofilesconsideringstochasticcharginganddischargingbehaviorandtheirimpactassessmentonarealUKdistributionnetwork[J].EnergyProcedia,2019,158:6458-6465.[2]ZHANGQ,LIUHZ,LIC.Ahierarchicaldispatchmodelforoptim(高思远,陈子辰,2022)ngreal-timecharginganddischargingstrategyofelectricvehicles[J].IEEJTransElectrElectronEng,2018,13:537-548.[3]李晓东，张文博，王俊宇.入网电动汽车集群的分层控制方法[J].电力建设，2022，36(07)：146-152.[4]刘思韵，陈晨曦，周子和.国外V2G模式的发展现状分析[J].上海节能，2023(03)：115-120.DOI：10.13770/ki.issn2095-705x.2017.03.001.[5]GuhaS,RastogiR,ShimK.CURE:AnEfficientClusteringAlgorithmforLargeDatabases[J].Information王子航，李雪慧，刘浩宇tems,199,26(1):35-58.[6]LiuX,HeB,LiX.Semi-supervisedclassificationforhyperspectralremotesensing