Page 15 - 电力与能源2024年第六期
P. 15
徐 颖，等：考虑虚拟负荷研判的 V2G 储能充电桩设计研究 651
的领导-追随者博弈关系，建立了基于供需双方博 安全的前提下，实现储能系统对电网实时需求的
弈关系的电动汽车充放电优化模型。尽管上述研 迅速响应成为迫切需要解决的问题。
究表明，V2G 技术可有效激发电动汽车电池的储 针对这一难题，本文首先借鉴人工智能信息
能潜力，为新型电力系统的构建提供有效的功率 数据处理技术，运用多数据融合与人工智能交互
支撑，但针对散点用户的负荷控制技术仍面临诸 计算手段，实现了对虚拟本地电网负荷需求的预
多挑战。主要问题在于，现阶段绝大多数电动汽 测。具体而言，通过调取本地电网历年当天的负
车尚不具备电池对外放电功能，这在一定程度上 荷 96 点数据图、当前频率电压波动率、环境温度、
阻碍了 V2G 技术的推广。 日照水平和气候条件等数据，不依赖通信技术，即
为应对这一挑战，本文结合虚拟电厂的概念， 可自主完成对本地电网当前负荷需求的准确预
充分挖掘充电桩的电网储能控制能力，通过为充 测，并精确计算出电网负荷的峰值、平谷尖时段。
电桩配备自带储能电池，构建一种储能充电桩，并 在这基础上，进一步控制储能设备的充放电程序，
利用人工智能技术实现对电网需求的智能响应。 实时调整车辆充电电流的边界条件，从而实现了
对电网需求的实时响应，为储能充电桩的电网响
1 V2G 充电桩储能技术问题分析
应能力提供了实质性的提升。
在 V2G 模式下，电动汽车不仅能够从电网充
2 虚拟负荷需求研判策略
电，还能在闲置时将未使用的电能回馈至电网，从
而有效平衡供需，增强电力系统的稳定性和可靠 电网需求侧管理旨在通过调整电力消费模
性。这种模式依赖于 V2G 储能充电桩和先进的 式，降低峰值负荷，平衡供需关系，提高电网的安
通信协议，车辆在不需要行驶时将电池中的电量 全性和经济性。现有需求侧管理主要依靠分时计
售卖给电网，特别是在负载峰值或可再生能源发 价和按需响应等经济激励和技术手段。这些方法
电不稳定时提供辅助服务。因此，深入挖掘 V2G 在实际应用中效果有限，调节速度较慢，精度不
充电桩的储能负荷特性，对于增强电网调频、调峰 足，难以迅速响应短时电网有功功率的波动需求。
能力，降低负荷峰谷差以及提高系统效率具有重 为突破上述局限，越来越多地采用人工智能、
要意义。 大数据分析和实时化技术。人工智能技术能够通
目前，已在储能系统与充电桩配合的优化运 过深度学习和大数据分析，精准预测电网负荷特
行方面进行了大量研究，主要聚焦于如何利用储 性。智慧电网的协同运作依赖于分布式储能负荷
能系统来降低电动汽车充电所带来的波动。通常 的实时信息同步，这虽然增加了需求侧管理的复
采用的方法包括低通滤波、异步控制算法设计、电 杂性，并对确保信息安全提出了更高的要求。
力电子设计以及模型优化等。这些研究普遍重视 本文依托人工智能学习型大数据本地分析方
理论，对于如何实时获取大量分散布置的储能充 案，借助高速电力线载波通信（HPLC）的既有载
电设备的电网运行参数，则探讨较少 ［7-10］ 。考虑到 波通信能力，即使在不依赖外部通信的条件下，也
电网调度信息的保密性以及安全属性，关键的调 能够实现电网负荷的实时监控和调节。系统通过
度信息（如电网有功需求）很少对外公布，这限制 学习预存的历史负荷数据，以及分析实时现场的
了储能设备接入并实时响应电网状态的能力。如 环境变量数据，智能分析当前本地电网需求。随
果储能设备无法获取电网有功功率需求等基本运 后，系统会根据预测结果精确制定并下达负载控
行参数，则任何源网荷储的实时响应都难以实现。 制指令，再通过 HPLC 向用户传达。根据响应情
另一方面，出于电网调度通信的安全考虑，电网的 况，系统可进一步下发邀约，也可直接向有条件的
有功、频率等重要实时数据又很难下发给分散的 弹性负荷自动下发负荷控制指令，从而响应用户
储能设备。因此，如何在不违反电网数据保密和 的用电需求并优化控制策略。对于那些具备一定
