電動汽車V2G技術(shù)及其對電網(wǎng)調(diào)峰的影響分析目錄TOC\o"1-3"\h\u152摘要 14906第1章緒論 2302721.1課題研究背景及目的意義 2267671.2課題國內(nèi)外發(fā)展及研究現(xiàn)狀 3151351.2.1V2G技術(shù)國內(nèi)外研究現(xiàn)狀 347141.2.2聚類算法國內(nèi)外研究狀態(tài) 432071第2章基于V2G技術(shù)的電動汽車集群聚類原理 544572.1電動汽車集群參與電網(wǎng)調(diào)峰的調(diào)度與需求分析 587112.2電動汽車集群參與電網(wǎng)調(diào)峰的技術(shù)方案 6265112.3集群運(yùn)營商與電網(wǎng)及電動汽車客戶的互動方式分析 721890（1）工作原理 78694（2）結(jié)構(gòu)圖 817378第3章電動汽車集群聚類方案設(shè)計(jì) 9106743.1K均值聚類算法 912600（1）K均值聚類算法原理 923733（2）K均值聚類算法流程圖 934003.2電動汽車充電行為的建模 10140483.2.1電動汽車集群劃分 10191563.2.2基于充電行為的集群聚類方案 11216793.3電動汽車集群聚類仿真程序設(shè)計(jì)及結(jié)果分析 1215911（1）電動汽車集群聚類仿真程序設(shè)計(jì) 129242（2）電動汽車集群聚類仿真結(jié)果分析 1394393.4本章小結(jié) 1532161第4章基于電價(jià)調(diào)控的動態(tài)聚類算法設(shè)計(jì) 16187784.1構(gòu)建用戶意愿模型及仿真 16283204.1.1用戶意愿模型的建模 1615804.1.2仿真程序設(shè)計(jì)與分析 1618854.2動態(tài)聚類算法程序設(shè)計(jì)及仿真結(jié)果分析 17211174.3基于動態(tài)電動汽車集群聚類的電網(wǎng)調(diào)峰方法及仿真分析 2221104第四類電動汽車用戶集群聚類結(jié)果的功率曲線如圖4-9所示。 241618第5章結(jié)論 302158參考文獻(xiàn) 31摘要電動汽車（ElectricVehicles,EVs）因其環(huán)保無污染，目前已得到大力推廣。V2G（VehicletoGrid）技術(shù)將電網(wǎng)（Micro-Grid,MG）和電動汽車兩者連接起來，并且能夠讓能量在兩者之間雙向流動，已成為目前研究非常重要的技術(shù)。大量電動汽車進(jìn)入電網(wǎng)無序充放電，不僅會對電力系統(tǒng)的穩(wěn)定運(yùn)行產(chǎn)生不利的影響，而且會影響電網(wǎng)可靠性。因此，對電動車進(jìn)行有序充電，并對其調(diào)度與控制過程進(jìn)行深入的探討，具有十分重要的現(xiàn)實(shí)意義。本文以電動汽車V2G系統(tǒng)為研究對象，基于K-均值聚類算法，對電動汽車的充電行為進(jìn)行了建模。以電動汽車的充電需求為基礎(chǔ)，設(shè)計(jì)了電動汽車集群聚類算法，改變電動汽車用戶數(shù)據(jù)集在Matlab平臺上進(jìn)行多次仿真。通過動態(tài)聚類算法，合理設(shè)置充電分時(shí)電價(jià)引導(dǎo)電動汽車用戶有序充電。以電動汽車為研究對象，考慮分時(shí)電價(jià)、充電迫切程度、該時(shí)段充電意愿，構(gòu)建用戶充電意愿模型，根據(jù)用戶的最大充電持續(xù)時(shí)間、充電開始時(shí)間特征進(jìn)行電動汽車集群聚類。分析得到用戶日常的充電規(guī)律。引入?yún)^(qū)域電網(wǎng)內(nèi)充電意愿強(qiáng)烈的電動汽車集群聚類，形成虛擬儲能系統(tǒng)，參與電網(wǎng)調(diào)度。通過電價(jià)引導(dǎo)優(yōu)化電動汽車的充電行為，實(shí)現(xiàn)電動汽車集群運(yùn)營商對電動汽車的調(diào)度，減少電網(wǎng)波動，使負(fù)荷從高峰時(shí)段向低谷時(shí)段跨時(shí)段轉(zhuǎn)移。第1章緒論1.1課題研究背景及目的意義隨著能源革命的興起，能源結(jié)構(gòu)發(fā)生了巨大的改變，電動汽車在運(yùn)輸領(lǐng)域得到了快速的發(fā)展。當(dāng)前，我國城市中的電動汽車數(shù)量已相當(dāng)龐大，而且還在迅速發(fā)展。大量電動汽車無序入網(wǎng)可能會給電力系統(tǒng)運(yùn)行帶來很多問題。然而電動汽車充電時(shí)，其負(fù)荷具有很大的可調(diào)度潛力，為電力系統(tǒng)調(diào)峰提供了一種新方法（李曉東，張文博，王俊宇,2022)。所謂V2G，就是通過各種方式增加了電動汽車與電網(wǎng)以的交互作用，從而實(shí)現(xiàn)了對雙方都好的、更加歡愉的狀態(tài)。通過將停駛狀態(tài)的電動車輛用作可動分散蓄能裝置，使電力在電力系統(tǒng)和電力系統(tǒng)間的雙向流動（充電和放電），從而降低電力供應(yīng)的負(fù)荷。這在一定程度上預(yù)示了從電網(wǎng)的角度來看，V2G技術(shù)是解決“削峰填谷”儲能方案，調(diào)節(jié)電網(wǎng)負(fù)荷，提高電網(wǎng)效率的重要手段(劉思韻，陳晨曦，周子和,2023)。從車主和使用者的角度考慮，低電價(jià)時(shí)為車輛充電、儲存電能，高峰時(shí)則以較高的價(jià)格向電網(wǎng)提供電力，在高峰和低谷之間的價(jià)格差可以為車主創(chuàng)造經(jīng)濟(jì)收益，進(jìn)一步降低電動汽車使用者的充電費(fèi)用，從而促進(jìn)新能源汽車推廣普及(張志華，李天佑，王怡萱,2021)。大規(guī)模車輛的無秩序充放電會對電力系統(tǒng)的安全性和穩(wěn)定性產(chǎn)生一定的影響，而大規(guī)模車輛集中投入電網(wǎng)將產(chǎn)生很大的經(jīng)濟(jì)效益。在區(qū)域電網(wǎng)中引進(jìn)電動汽車集群，一定意義上展現(xiàn)了建立一個(gè)虛擬能量存儲體系，參與電網(wǎng)調(diào)度，該方法能有效地減少優(yōu)化問題的維數(shù)，提高運(yùn)算速度，為大規(guī)模電動車的優(yōu)化調(diào)度問題提出了新的思路，電動車集群能夠在車輛與電網(wǎng)之間實(shí)現(xiàn)雙向、實(shí)時(shí)、可控和高速的信息和能量的雙向流通，這在某種程度上驗(yàn)證了該系統(tǒng)將從“無序”的充電到“有序”的充電，以及作為移動分布式儲能單元的電動車接入電網(wǎng)，以抑制負(fù)荷峰谷，提高電網(wǎng)調(diào)頻效率，提高電網(wǎng)的安全性、穩(wěn)定性、可靠性和能源利用率，確保重要負(fù)荷的正常運(yùn)轉(zhuǎn)(周逸和，劉思琪，張博文,2021)。對于這一結(jié)果與葛飛合教授的研究結(jié)果一致，無論是在設(shè)計(jì)過程還是最終的分析結(jié)果上面，首先在設(shè)計(jì)過程中，采用了系統(tǒng)化的研究方法，確保了從概念形成到方案實(shí)施的每一步驟都能有據(jù)可依。本研究同樣重視理論框架的構(gòu)建，這不僅為具體的設(shè)計(jì)決策提供了堅(jiān)實(shí)的理論基礎(chǔ)，還促進(jìn)了對相關(guān)變量之間復(fù)雜關(guān)系的理解。此外，在設(shè)計(jì)階段本文強(qiáng)調(diào)跨學(xué)科的合作，通過整合不同領(lǐng)域的專業(yè)知識提高了設(shè)計(jì)方案的全面性和創(chuàng)新性，這種做法使得研究團(tuán)隊(duì)能夠及時(shí)響應(yīng)新出現(xiàn)的問題，并根據(jù)實(shí)際情況靈活調(diào)整研究路徑。目前，大數(shù)據(jù)的聚類方法已應(yīng)用在基于用戶位置為用戶選址、國家電網(wǎng)用戶畫像、助力電網(wǎng)智能化轉(zhuǎn)型、廢棄車輛電池再利用等方面。通過將對象按相似程度劃分，使得類間元素具有最大的一致性，從而為V2G技術(shù)的發(fā)展提供了有力的支持(王紫萱，陳雪婷，李俊杰,2022)。通過電動汽車與電網(wǎng)的雙向交互，可以實(shí)現(xiàn)電力的雙向存儲。基于V2G技術(shù)的電動汽車集群聚類，這在一定程度上預(yù)兆了它可以在充電時(shí)充當(dāng)電力系統(tǒng)的負(fù)載，在放電時(shí)作為電力系統(tǒng)的暫態(tài)供電，不僅可以減輕電力系統(tǒng)的負(fù)荷，而且可以保證電力系統(tǒng)的最佳運(yùn)行。V2G技術(shù)在電力系統(tǒng)與電網(wǎng)之間進(jìn)行信息交換，實(shí)現(xiàn)了電力交互、電網(wǎng)運(yùn)行狀況、充電電價(jià)、電池狀態(tài)、等信息的傳遞，助力電網(wǎng)智能化轉(zhuǎn)型(李博然，趙思源，王瑾萱,2020)。1.2課題國內(nèi)外發(fā)展及研究現(xiàn)狀1.2.1V2G技術(shù)國內(nèi)外研究現(xiàn)狀近年來，許多學(xué)者都在進(jìn)行V2G的放電時(shí)序優(yōu)化方面的研究。Q.Hu等以英國微電網(wǎng)為實(shí)例，通過了電動汽車充、放電曲線的綜合概率模型，并應(yīng)用蒙特卡洛仿真方法，對電動汽車的系統(tǒng)效率、網(wǎng)絡(luò)功率等進(jìn)行了分析[1]。Q.Zhang等人建立了一個(gè)層次最優(yōu)的調(diào)度模型，從中可以表明以達(dá)到最優(yōu)的功率分配和空間分配。利用熵法可以決定模型的調(diào)度優(yōu)先權(quán)，最后得出在集熱器轄區(qū)內(nèi)電動車集熱器的最佳充放電控制[2]。劉凱琳，張宇航，周文博等以電動汽車運(yùn)營商為研究對象，建立了以電動汽車為代表的層次控制體系[3]。在電力系統(tǒng)分層控制結(jié)構(gòu)的基礎(chǔ)上，建立了電力系統(tǒng)的雙層優(yōu)化控制數(shù)學(xué)模型，使電力系統(tǒng)能有效地減少電力系統(tǒng)的負(fù)荷。其采用一種新的聚類算法，這無疑暴露出將多維度的排序問題分解，從而克服了由于車輛數(shù)量的增長而引起的集中式求解困難，并使其具有較好的收斂性，從而大大提高了運(yùn)算速度(王天澤，趙子萱，陳宇和,2023)。丹麥擁有豐富的風(fēng)能資源，丹麥在2015年就擁有42%的電力需求。但是，風(fēng)力發(fā)電等可再生能源的發(fā)電供給存在很大的不穩(wěn)定性，如果大規(guī)模的風(fēng)電進(jìn)入網(wǎng)絡(luò)，將會對電網(wǎng)的安全，穩(wěn)定運(yùn)行造成很大的影響。丹麥的電動車也在快速發(fā)展，到2015年，從這些趨勢中看出其電動汽車市場份額已達(dá)2.29%。2016年，日產(chǎn)公司在英國克蘭菲爾德的尼桑歐洲技術(shù)中心(NTCE)安裝了8臺由尼圣和英國能源提供商Enel共同開發(fā)的電力系統(tǒng)(V2G)(李星宇，周佳怡，張曉馮,2022)。這樣的充電樁不但可以迅速地給電動車充電，而且還能把多余的電能轉(zhuǎn)給全國的電網(wǎng)，尼桑也將使用V2G技術(shù)在法國的新辦公室提供電力。一日充電樁完工，它將會是世界上最大的電力系統(tǒng)(劉思遠(yuǎn)，王文靜，陳嘉瑞,2022)。為保障研究結(jié)果的可靠性和可信度，本文首先通過廣泛搜集和審閱國內(nèi)外相關(guān)領(lǐng)域的經(jīng)典與前沿文獻(xiàn)構(gòu)建了一個(gè)堅(jiān)實(shí)的研究背景框架。這不僅幫助本文明確了研究問題的獨(dú)特貢獻(xiàn)點(diǎn)，也確保了本文的研究建立在充分理解現(xiàn)有知識的基礎(chǔ)上，本文精心挑選了多種來源的第一手和第二手資料包括但不限于類似文獻(xiàn)、官方報(bào)告等。這些資料的選擇基于其權(quán)威性、時(shí)效性和代表性，以確保能夠從多個(gè)角度全面地反映研究主題發(fā)展的真實(shí)情況。日產(chǎn)公司計(jì)劃在總部設(shè)立100個(gè)V2G充電樁，由意大利Enel公司提供。它的工作原理是將日產(chǎn)電動車的電池技術(shù)儲存在電網(wǎng)中非高峰時(shí)段的電能，并在合適的時(shí)間(例如在高峰時(shí)段)將電能傳輸?shù)诫娋W(wǎng)，從而通過在峰值時(shí)段減少電能消耗量來降低成本(張文杰，趙瑞婷，李宇翔,2020)[4]。1.2.2聚類算法國內(nèi)外研究狀態(tài)目前有兩種基于分層的聚類方法，即自上而下的分枝式聚類和自下而上的合并式聚類[5]。兩種方法都得到了一個(gè)類似于多叉樹的樹狀結(jié)構(gòu)，上層的結(jié)點(diǎn)是下一層的群集數(shù)量(王子凡，劉玉婷，張啟航,2022)[6]。SBAC算法在計(jì)算目標(biāo)之間的相似性時(shí)，充分考慮了屬性特征在反映目標(biāo)性質(zhì)的重要性，從這些活動中看出并將其賦以更高的權(quán)重，BIRCH是一種基于樹狀結(jié)構(gòu)的葉結(jié)點(diǎn)，以中心、半徑為代表的聚類，依次對每個(gè)物體進(jìn)行處理，并將其分割成最接近的節(jié)點(diǎn)(李浩宇，陳嘉琪，周晨曦,2022)[7]。利用密度聚類方法對任意形狀的群集分類[8]。基于密度的DBSCAN聚類算法，它尋找物體的鄰近區(qū)域，這在一定程度上預(yù)示了將所有可到達(dá)的物體從中心物體中分離出來[9]。這種方法的聚類效果和輸入?yún)?shù)有很大的關(guān)系，如果參數(shù)不正確，很可能導(dǎo)致集群分裂或者合并不正確(劉思涵，張?zhí)煊睿w文博,2023)。GDBSCAN將鄰域概念進(jìn)行推廣，使其與空間對象的特性相匹配。OPTICS方法將自動和交互相結(jié)合，首先產(chǎn)生聚類順序，然后根據(jù)聚類的不同參數(shù)設(shè)定不同的聚類，這在一定程度上昭示從而獲得較好的效果。FDC算法將整個(gè)數(shù)據(jù)空間分為幾個(gè)長方形，在很小的空間維度下，可以極大地改善DBSCAN的性能(王天瑞，李梓悅，陳浩然,2022)[10]。K-means算法分析數(shù)據(jù)時(shí)，在采樣空間中隨機(jī)選擇或生成K（其中K>=2）個(gè)樣本，以作為初始的聚類中心，之后重復(fù)進(jìn)行，直到群集中心的空間坐標(biāo)變得小于給定的閾值為止，終止迭代并輸出結(jié)果(張紫薇，趙俊豪，李詩雅,2021)[11]。當(dāng)簇中心的空間坐標(biāo)發(fā)生改變后，該算法就會終止迭代，并將其輸出[12]。由于K-means算法采用了隨機(jī)選擇的方法，所以其聚類結(jié)果很不穩(wěn)定，如果兩個(gè)隨機(jī)選擇的聚類中心在抽樣空間附近，則該方法有很大可能達(dá)到局部最優(yōu)[13]。第2章基于V2G技術(shù)的電動汽車集群聚類原理2.1電動汽車集群參與電網(wǎng)調(diào)峰的調(diào)度與需求分析V2G是車輛到電網(wǎng)，其核心理念是電力系統(tǒng)與電力系統(tǒng)的交互，V2G技術(shù)可以使電力系統(tǒng)與電力系統(tǒng)間的雙向通訊，并能有效地控制電力系統(tǒng)的充放電過程，減少電力系統(tǒng)對電力系統(tǒng)的影響，一定意義上展現(xiàn)了并使電網(wǎng)系統(tǒng)的電力能源管理更加靈活、更加穩(wěn)定(劉子和，王紫涵，周彥宏,2022)。在V2G模式（如圖2-1所示）下，電動汽車既有負(fù)載屬性又有能量存儲屬性，而當(dāng)電動汽車被接入電網(wǎng)進(jìn)行充電時(shí)，這在某種程度上驗(yàn)證了其相當(dāng)于電網(wǎng)負(fù)載；與之形成對比的是，當(dāng)電動車成為電力系統(tǒng)的儲能單元時(shí)，電動汽車就可以把自己的電力輸送給電網(wǎng)(李文彬，張怡然，趙思源,2022)。對于這一部分的創(chuàng)作借鑒了章和寧教授的相關(guān)主題的研究，主要體現(xiàn)在思路和手法方面，在思路上遵循了其強(qiáng)調(diào)的系統(tǒng)性與邏輯性的原則。通過深入分析研究對象的內(nèi)在結(jié)構(gòu)和運(yùn)作機(jī)制，本研究不僅吸收了章教授提出的多層次、多角度審視問題的方法論，還進(jìn)一步將這些理念應(yīng)用于具體實(shí)踐中以確保研究結(jié)果的全面性和準(zhǔn)確性。在手法上本文采納了章教授所提倡的定量與定性相結(jié)合的研究方法為研究提供了堅(jiān)實(shí)的數(shù)據(jù)支持和理論依據(jù)。圖2-1V2G模式示意圖而對于大部分私人乘用車而言，通常是全車充電，也就是利用充電樁進(jìn)行分散充電，這種充電負(fù)載的特性如下(王子航，李雪慧，劉浩宇,2023)：（1）負(fù)荷容量大，持續(xù)時(shí)間長。在傳統(tǒng)的充電方式下，一般超市、小區(qū)和停車場使用10~15A的電流進(jìn)行6~8小時(shí)的充電將會是一個(gè)非常大的負(fù)擔(dān)，其充放電電流較大，對電網(wǎng)的影響較大（2）負(fù)載的分布具有一定的隨機(jī)和聚集性。充電裝置的空間分布具有隨機(jī)性，用戶的時(shí)間和空間等因素決定了其空間和時(shí)間的分配(周俊杰，張子琪，李凱琳,2022)。然而，通過對大量電動車負(fù)荷的統(tǒng)計(jì)分析，從中可以表明得出了車輛的早出晚歸特性，其充電負(fù)荷集中在小區(qū)內(nèi)，并且在充電時(shí)間上有較高的重疊。（3）充放電負(fù)載具有很好的分布式存儲能力。由于電動車在不使用期間可以接入電網(wǎng)，因此其電池可以作為能量存儲單元，通過對充電、放電等電力電子裝置進(jìn)行開、關(guān)、功率控制，從而實(shí)現(xiàn)對電網(wǎng)的充放電調(diào)度(劉穎慧，王瑾瑤，陳宇翔,2022)[14]。2.2電動汽車集群參與電網(wǎng)調(diào)峰的技術(shù)方案由于充電時(shí)間、啟動時(shí)間、充電功率等因素存在不確定性，會導(dǎo)致電網(wǎng)的峰谷負(fù)荷差和電網(wǎng)電壓偏差增大。V2G技術(shù)在一定程度上會給電網(wǎng)帶來不利影響。當(dāng)前，這無疑暴露出電力產(chǎn)業(yè)的主流技術(shù)路線是通過電動汽車集群實(shí)現(xiàn)電力系統(tǒng)的調(diào)峰，從而改變V2G對電網(wǎng)的不利影響，叢而使電力系統(tǒng)處于最佳的運(yùn)行狀態(tài)。目前，國內(nèi)外對V2G充電、放電時(shí)序優(yōu)化以及電力系統(tǒng)群集電網(wǎng)的調(diào)峰問題已有較多的研究(李志鵬，周嘉琳，趙紫涵,2021)。對此本文也進(jìn)行了結(jié)論的復(fù)核，首先在理論上確保了研究結(jié)論與現(xiàn)有學(xué)術(shù)框架的一致性。本文仔細(xì)比對了本研究得出的主要結(jié)論與相關(guān)領(lǐng)域內(nèi)已被廣泛接受的理論以驗(yàn)證其合理性和邏輯嚴(yán)密性。通過這一過程，本文確認(rèn)了研究結(jié)果不僅能夠得到現(xiàn)有理論的支持，而且在某些方面提供了新的見解或補(bǔ)充，進(jìn)一步豐富和完善了相關(guān)理論體系。其次，在實(shí)證層面本文重新分析原始數(shù)據(jù)、使用不同的統(tǒng)計(jì)工具和技術(shù)進(jìn)行交叉驗(yàn)證、以及引入外部數(shù)據(jù)集作為對照樣本等措施。通過這些手段本文力求排除任何可能影響結(jié)論準(zhǔn)確性的偏差因素，保證研究發(fā)現(xiàn)的真實(shí)性和普遍適用性。文獻(xiàn)[16]為了解決因大量電動車進(jìn)入電網(wǎng)而造成的“峰上加峰”問題，探討了電動汽車與電網(wǎng)交互技術(shù)(V2G)[16]。在對新能源汽車的使用與充電狀況進(jìn)行調(diào)查的基礎(chǔ)上，根據(jù)不同的電動車在電網(wǎng)中的時(shí)間、負(fù)載狀態(tài)以及后續(xù)的出行需要，將其分為三大類，從這些趨勢中看出分別建立了電池、充放電的邊界反應(yīng)模型以及電動車的V2G響應(yīng)模式(陳曉婷,吳浩然,2021)：采用蒙特卡洛仿真方法，對本研究區(qū)域內(nèi)所有電動車的出行特征進(jìn)行提取，以求得到所需要的參數(shù)，并根據(jù)該模型的結(jié)構(gòu)，構(gòu)建了如圖2-2所示基于有序充電和放電的電力車輛有序充電控制策略。圖2-2電動汽車有序充放電控制系統(tǒng)架構(gòu)基于充電終止時(shí)間，張志華，李天佑，王怡萱等建立了一個(gè)基于圖2-3所示的分群調(diào)度算法，從群的觀點(diǎn)出發(fā)，考慮了在分布式系統(tǒng)中，電動車的實(shí)時(shí)充放電優(yōu)化問題，針對不同的充電要求，給出了基于分群特性的充電終止點(diǎn)的實(shí)時(shí)調(diào)度算法，并利用雙層優(yōu)化模型求解了整個(gè)集群和單個(gè)電動汽車的最佳充放電功率[17]。從這些活動中看出在此基礎(chǔ)上，提出了一種基于動態(tài)變化、調(diào)度處罰最少的大量汽車實(shí)時(shí)交互調(diào)度模型。在下層階段，考慮了電動車的充電和充電費(fèi)用，并對其進(jìn)行了優(yōu)化跟蹤。通過對典型地區(qū)配電網(wǎng)絡(luò)的負(fù)載情況進(jìn)行了模擬(王子翔，劉雪婷，張怡萱,2020)。對于以上這部分存在的創(chuàng)新主要在于視角的創(chuàng)新，首先體現(xiàn)在對研究問題的獨(dú)特切入點(diǎn)選擇。本研究突破了傳統(tǒng)研究中較為局限的視角從更為宏觀和微觀的角度同時(shí)出發(fā)，既關(guān)注整體趨勢又注重個(gè)體差異，為理解復(fù)雜現(xiàn)象提供了新的思路。這種雙重視角不僅加深了對研究對象內(nèi)在機(jī)制的理解，也為解決實(shí)際問題提出了更具針對性的建議。結(jié)果表明，在分布式控制下，采用實(shí)時(shí)充電優(yōu)化方法，既能確保電力系統(tǒng)的安全運(yùn)行，這在某種程度上象征又能兼顧各方面的利益。通過算例分析，表明該方法可以有效地降低負(fù)荷波動，確保電網(wǎng)電壓滿足安全需求，適合于對電力系統(tǒng)進(jìn)行實(shí)時(shí)優(yōu)化調(diào)度(李思遠(yuǎn)，趙麗萍，周昊宇,2020)。圖2-3電動汽車集群分布式分層控制框架圖本文以電動車的充電特性為基礎(chǔ)，進(jìn)行了集群聚類，并對其進(jìn)行了仿真模擬。從集群化的觀點(diǎn)出發(fā)，對所管轄地區(qū)的電動車集中負(fù)載進(jìn)行最優(yōu)調(diào)度，減少了電網(wǎng)的控制難度，提高了通訊網(wǎng)絡(luò)的復(fù)雜性，利用已獲成果可以推導(dǎo)出以下觀點(diǎn)提高了系統(tǒng)的運(yùn)算能力(張宸妍，劉建華，王子凡,2022)。基于電價(jià)導(dǎo)向的電動車充電性能的優(yōu)化，實(shí)現(xiàn)了電動汽車集群運(yùn)營商對電動汽車的調(diào)度。基于對電動車使用者的充電需要，電動汽車集群經(jīng)營者可以通過定價(jià)來引導(dǎo)其進(jìn)行有序的充電。通過對電動車集群充電規(guī)劃的研究，可以有效地減少大規(guī)模電動車的無序充電對電網(wǎng)的不利影響。2.3集群運(yùn)營商與電網(wǎng)及電動汽車客戶的互動方式分析（1）工作原理在V2G雙向充電技術(shù)運(yùn)用下，電動汽車的動力電池就像一個(gè)“巨大的充電裝置”。從電網(wǎng)的角度來看，V2G技術(shù)在解決“削峰填谷”的問題、調(diào)整電力系統(tǒng)的負(fù)載、改善電力系統(tǒng)的運(yùn)行效率等問題中發(fā)揮著重要的作用。這在一定程度上預(yù)示了從車主和用戶的觀點(diǎn)看，在用電高峰時(shí)，用低電價(jià)為車輛充電，在高峰時(shí)段用高價(jià)將電能送到電網(wǎng)，等于“賣電”，高峰時(shí)段的電價(jià)差異可以為車主創(chuàng)造經(jīng)濟(jì)利益，進(jìn)而進(jìn)一步減少電動車的充電費(fèi)用(李昊天，周紫薇，趙文華,2022)。（2）結(jié)構(gòu)圖電動汽車集群運(yùn)營商是一個(gè)集成了整個(gè)電動車集群的企業(yè)，它收集了一個(gè)集群的充電要求，并將其向上匯報(bào)。這在一定程度上昭示在分級、分區(qū)調(diào)度框架下，集群運(yùn)營商和其它購電商一起參與到了電力市場中，并對電動車的充電性能進(jìn)行了優(yōu)化。電動汽車集群運(yùn)營商以集群的控制方式對電動汽車個(gè)體進(jìn)行管理，成為電網(wǎng)與電動汽車車主之間的中介(李嘉和,王睿昊,2022)。一定意義上展現(xiàn)了電動汽車集群運(yùn)營商在參與電力市場并優(yōu)化電動汽車的充電行為，運(yùn)營框架如圖2-4所示。圖2-4電動汽車集群運(yùn)營商運(yùn)營框架第3章電動汽車集群聚類方案設(shè)計(jì)3.1K均值聚類算法（1）K均值聚類算法原理K-means算法是一種集群分析中的啟發(fā)式分割方法。其優(yōu)點(diǎn)是簡潔、快速。K-means算法采用k作為參量，將n個(gè)采樣點(diǎn)分成k個(gè)簇，其目的是使聚類中的采樣具有高相似性，而簇之間的相似度非常低。K-means算法用距離來度量相似性，其目的在于將各個(gè)聚類中心與聚類中觀察到的數(shù)據(jù)之間的距離最短，這在某種程度上驗(yàn)證了從而將各樣本聚類到離自己最近的一個(gè)聚類中心。圖3-1所示為基于K-means聚類算法的基本流程圖(張文博,陳思琪,2023)。這一結(jié)果也與本文之前的預(yù)想研究結(jié)果一致，這在一定程度上體現(xiàn)了本文研究方向的正確性。首先，這種一致性反映了本文在研究設(shè)計(jì)初期所設(shè)定的目標(biāo)和假設(shè)具有堅(jiān)實(shí)的基礎(chǔ)。通過對相關(guān)理論文獻(xiàn)的深入探討和對已有研究成果的綜合分析，本文的預(yù)想建立在一個(gè)合理且有據(jù)可依的基礎(chǔ)上，而最終獲得的結(jié)果與預(yù)期相符，進(jìn)一步驗(yàn)證了這些研究的有效性。這一結(jié)果的吻合證明了本文所采用的研究方法和工具是恰當(dāng)且有效的。研究過程中，本文嚴(yán)格遵循學(xué)術(shù)規(guī)范，采用了多種驗(yàn)證手段來保證結(jié)論的準(zhǔn)確性。首先，從數(shù)據(jù)集中隨機(jī)選取k個(gè)樣本作為聚類中心，將所有樣本聚類到離它們最近的一個(gè)聚類中心，這在一定程度上預(yù)兆了然后計(jì)算各個(gè)簇的聚類均值，用新的均值代替原來的聚類中心，最后觀測簇中心的變化。如果簇中心變化，則回歸，使各樣品聚類至最近的群集中心，如此反復(fù)，從中可以表明直至群集中心未發(fā)生變化而終止(林澤,劉俊杰,2023)。（2）K均值聚類算法流程圖K均值聚類法給出了一組數(shù)據(jù)點(diǎn)集和所需的簇?cái)?shù)量，然后在一定的距離函數(shù)下，將數(shù)據(jù)點(diǎn)按一定的距離函數(shù)進(jìn)行迭代化，其具體計(jì)算過程如下：首先，隨機(jī)選擇k個(gè)樣本做聚類中心，盡可能地選取離聚類中心較遠(yuǎn)的地方，并進(jìn)行大致分類，這無疑暴露出以避免在聚類時(shí)出現(xiàn)不必要的運(yùn)算(趙宇航,孫睿智,2022)。利用迭代法對原分類進(jìn)行了進(jìn)一步的精細(xì)分類，分別對每一數(shù)據(jù)點(diǎn)與聚類中心的距離進(jìn)行了分析，并將其歸類到離其最近的聚類樣本點(diǎn)[19]。在每個(gè)循環(huán)之后，計(jì)算一個(gè)數(shù)值，從這些趨勢中看出然后重復(fù)上面的步驟，直到這個(gè)數(shù)值保持不變或者變量小于指定的數(shù)值[20]。圖3-1基于K-means的聚類算法的基本流程圖3.2電動汽車充電行為的建模3.2.1電動汽車集群劃分電動車集群是一種以特定的特性指標(biāo)為基礎(chǔ)的群組，并將其作為一個(gè)整體系統(tǒng)來進(jìn)行管理，如果將某一單元按類似的地理位置聚集在一起，則可以將其看作是一種電動車集群。從這些活動中看出根據(jù)電動汽車充電行為的不同特點(diǎn)，對集群進(jìn)行分類[14]。集群是電力車輛集群經(jīng)營者的一種負(fù)載管理方式，它可以控制轄區(qū)內(nèi)的汽車進(jìn)行有序的充電和放電(高思遠(yuǎn),陳子辰,2022)。該系統(tǒng)具有大量的電動汽車，且在一天之內(nèi)的交通特性總體上是比較穩(wěn)定的，這在某種程度上象征其統(tǒng)計(jì)模式可以由歷史資料進(jìn)行統(tǒng)計(jì)。因此，在制訂當(dāng)日與即時(shí)計(jì)劃時(shí)，均可作為一個(gè)計(jì)劃單位。根據(jù)電動汽車的充電需求，在多個(gè)時(shí)間范圍內(nèi)，優(yōu)化了電動汽車集群的充電、放電過程，并將調(diào)度結(jié)果上傳到電動汽車集群運(yùn)營商，利用已獲成果可以推導(dǎo)出以下觀點(diǎn)在獲得授權(quán)的情況下，向所有的車輛發(fā)布。因?yàn)榧菏菍﹄妱榆囘M(jìn)行充電的直接目標(biāo)，因此，可以采用諸如“獎(jiǎng)勵(lì)”等手段來實(shí)現(xiàn)電動車的充放電導(dǎo)向(王子豪,李凌霄,2022)[21]。3.2.2基于充電行為的集群聚類方案針對電動車的充電需求，將其分為多個(gè)類別，并進(jìn)行管理，實(shí)現(xiàn)對轄區(qū)內(nèi)電動車的充放電有序控制。利用已獲成果可以推導(dǎo)出以下觀點(diǎn)在一定時(shí)間內(nèi)，對電動汽車集群的充放電過程進(jìn)行優(yōu)化調(diào)度，引導(dǎo)車輛充放電(鄧浩然,魏晨曦,2019)。電動汽車的充電行為特征指標(biāo)包括初始電池電量、期望電池電量、入網(wǎng)時(shí)間、離網(wǎng)時(shí)間、最大充電持續(xù)時(shí)長，計(jì)算如下[14]： （3-1）式中——可接受的最大充電功率；——電動汽車的電池總電量；——車輛接入電網(wǎng)的初始荷電狀況；——充電結(jié)束時(shí)使用者所期待的充電狀態(tài)。為使電動車用戶特性的分析更加清晰，需要對采集到的數(shù)據(jù)進(jìn)行聚類分析，從而使其更好地進(jìn)行分類。其次，一定意義上展現(xiàn)了通過建立數(shù)據(jù)分析模型，對數(shù)據(jù)進(jìn)行快速、精確的分析，以提高調(diào)度系統(tǒng)的工作效率(何旭東,劉涵煦,2020)。基于K-means的聚類算法具有計(jì)算簡單、收斂速度快、局部最優(yōu)等特點(diǎn)，且具有較強(qiáng)的擴(kuò)展性和較好的性能。K均值聚類算法能夠?qū)個(gè)數(shù)據(jù)進(jìn)行聚類。本文在行為思路上也有所創(chuàng)新，作者創(chuàng)新性地融入了前人關(guān)于此主題已有的研究成果，在研究深度上有所加強(qiáng)，首先通過綜合分析現(xiàn)有文獻(xiàn)中的關(guān)鍵理論和實(shí)證發(fā)現(xiàn)，本文構(gòu)建了一個(gè)更為系統(tǒng)且全面的框架，旨在為該領(lǐng)域的研究提供新的視角和方法論指導(dǎo)。其次，為了確保研究的有效性和可靠性不僅驗(yàn)證了前期理論假設(shè)，還進(jìn)一步探索了未被充分關(guān)注的研究空白。其中，這在某種程度上驗(yàn)證了聚類的準(zhǔn)則是將所有的數(shù)據(jù)點(diǎn)與其最接近的平均所對應(yīng)的群集相關(guān)聯(lián)。具體實(shí)施過程如下[14]：選取數(shù)量為m的用戶樣本數(shù)據(jù)集，從中隨機(jī)選取k個(gè)用戶數(shù)據(jù)為初始聚類中心，其中，。計(jì)算所選數(shù)據(jù)集中每個(gè)用戶數(shù)據(jù)與初始聚類中心的距離，形成簇，如果滿足： （3-2）則，其中為任意正數(shù)。計(jì)算個(gè)新產(chǎn)生的聚類中心： （3-3）聚類基本準(zhǔn)則公式： （3-4）判斷是否收斂 （3-5）若達(dá)到要求，則停止上述的迭代；否則返回并繼續(xù)迭代[22]。按照以上方法進(jìn)行聚類運(yùn)算，聚類數(shù)量越多，聚類中心的間距也就越接近。隨著電動車數(shù)目的增多，這在一定程度上預(yù)兆了其運(yùn)動規(guī)律也逐漸清晰，群集中心也逐漸類似(蔣澤宇,李雅馨,2022)。可以推斷，隨著車輛數(shù)目的增多，群集中心的位置趨于一致，從而可以大致得出車輛的充電概率情況[14]。在對同一簇的電動車進(jìn)行聚類后，將其視為一個(gè)集群，并對其進(jìn)行統(tǒng)一的充放電優(yōu)化。3.3電動汽車集群聚類仿真程序設(shè)計(jì)及結(jié)果分析（1）電動汽車集群聚類仿真程序設(shè)計(jì)該方案根據(jù)電動車的充電要求，根據(jù)K-均值聚類方案對其聚類。針對電動車充電過程中存在的隨機(jī)性，通過集群聚類算法對電動汽車用戶的入網(wǎng)時(shí)間和電動汽車最大充電持續(xù)時(shí)長特性進(jìn)行聚類分析(劉宇涵,何俊熙,2022)。利用聚類方法將收集到的n個(gè)數(shù)據(jù)進(jìn)行聚類，將每一個(gè)數(shù)據(jù)點(diǎn)歸入7個(gè)聚類，這種聚類準(zhǔn)則是將每一個(gè)數(shù)據(jù)點(diǎn)與其最接近的平均相對應(yīng)的集群[23]。從中可以表明本電動汽車集群聚類算法以入網(wǎng)時(shí)間和最大充電持續(xù)時(shí)長為特征指標(biāo)，分別隨機(jī)選取60、90、120、150名電動汽車用戶統(tǒng)計(jì)他們?nèi)粘３潆婇_始時(shí)刻以及最大充電持續(xù)時(shí)長數(shù)據(jù)集，令迭代次數(shù)為12次，從樣本數(shù)據(jù)集中隨機(jī)選取個(gè)用戶數(shù)據(jù)為初始聚類中心，分成7個(gè)簇[14]。在該數(shù)據(jù)集合中，首先計(jì)算出第個(gè)電動汽車用戶數(shù)據(jù)到不同的集群中心的距離，這無疑暴露出然后將其歸并到距離最近的聚類中心對應(yīng)的一個(gè)簇中，令迭代次數(shù)為12次，滿足以下條件(鄒欣怡,王子昊,2021)： （3-6）根據(jù)聚類結(jié)果，對得到的每個(gè)簇，計(jì)算新的7個(gè)聚類中心： （3-7）式中，為簇中含有的數(shù)據(jù)個(gè)數(shù)。計(jì)算聚類準(zhǔn)則函數(shù)，并以此判斷聚類是否收斂。 （3-8） （3-9）重復(fù)步驟上述，直到函數(shù)收斂，即滿足式，為一個(gè)較小的正數(shù)。（2）電動汽車集群聚類仿真結(jié)果分析以開始充電時(shí)刻和最大充電持續(xù)時(shí)長為特征指標(biāo)，分別選取60、90、120、150個(gè)電動汽車用戶數(shù)據(jù)集，從這些趨勢中看出按照上面的方法，對其進(jìn)行了聚類仿真模擬，得到了7個(gè)簇(陳思源,呂俊凱,2022)。在聚類之前，電動車輛的使用者是隨機(jī)的，而在聚類之后，將其分為7個(gè)類別。從這些活動中看出仿真結(jié)果如圖3-2、3-3、3-4、3-5所示。其橫坐標(biāo)為開始充電時(shí)刻，縱坐標(biāo)為最大充電持續(xù)時(shí)長。（a）60個(gè)用戶數(shù)據(jù)集聚類前結(jié)果圖（b）60個(gè)用戶數(shù)據(jù)集聚類后結(jié)果圖圖3-260個(gè)用戶數(shù)據(jù)集聚類結(jié)果圖（a）90個(gè)用戶數(shù)據(jù)集聚類前結(jié)果圖（b）90個(gè)用戶數(shù)據(jù)集聚類后結(jié)果圖圖3-390個(gè)用戶數(shù)據(jù)集聚類結(jié)果圖如上圖所示，圖中電動汽車用戶的充電開始時(shí)間主要是從在上班到公司與下班到家的時(shí)刻，這在一定程度上預(yù)示了即早上6：00—8：00和下午16：00—20：00，電動汽車用戶的最大充電持續(xù)時(shí)長平均值為6h—8h左右，聚類前電動汽車用戶數(shù)據(jù)集呈無序分布，聚類后電動汽車用戶數(shù)據(jù)集被分成7類(李若萱,張晨陽,2021)。（a）120個(gè)用戶數(shù)據(jù)集聚類前結(jié)果圖（b）120個(gè)用戶數(shù)據(jù)集聚類后結(jié)果圖圖3-4120個(gè)用戶數(shù)據(jù)集聚類結(jié)果圖（a）150個(gè)用戶數(shù)據(jù)集聚類前結(jié)果圖（b）150個(gè)用戶數(shù)據(jù)集聚類后結(jié)果圖圖3-5150個(gè)用戶數(shù)據(jù)集聚類結(jié)果圖從圖中聚類前后結(jié)果對比可知，橫坐標(biāo)為開始充電時(shí)刻，縱坐標(biāo)為最大充電持續(xù)時(shí)長，聚類中心沿水平方向大致均勻地分布。當(dāng)車輛的數(shù)目和群集的數(shù)目由60到150個(gè)時(shí)，這在某種程度上象征群集中心的分布也大致相同。群集的數(shù)量愈多，他們的中心間的距離愈接近(劉寧宇,羅晨曦,2022)。從中可以看出本研究特別注重跨學(xué)科交叉融合，借鑒相關(guān)領(lǐng)域如經(jīng)濟(jì)學(xué)、社會學(xué)、等的理論工具和分析模型，以期從多維度解析研究問題，從而豐富和完善已有理論體系。通過對研究結(jié)果的深入解讀本文提出了具有實(shí)際應(yīng)用價(jià)值的政策建議或?qū)嵺`指南，希望能夠?qū)π袠I(yè)發(fā)展、決策制定以及未來研究方向產(chǎn)生積極影響。對圖3-2、3-3、3-4、3-5進(jìn)行對比，可以發(fā)現(xiàn)，隨著電動車數(shù)量的增加，其運(yùn)行規(guī)律也逐漸清晰，而電動車使用者的群集中心也越來越接近。由此可以推斷，這在某種程度上驗(yàn)證了隨著車輛數(shù)目的不斷增長，不同車輛的集群中心位置也將逐漸趨于一致，從而證明了該方法的正確性(趙雨桐,孫樂天,2020)[14]。在聚類之后，將同一類的電動車群劃分為一個(gè)群體，并對其進(jìn)行統(tǒng)一的充電和放電調(diào)度。因?yàn)樵谕淮貎?nèi)，這在一定程度上預(yù)兆了網(wǎng)絡(luò)的最大充電時(shí)長和最大充電時(shí)長接近，有利于統(tǒng)一調(diào)度，同時(shí)單個(gè)簇和簇之間的調(diào)度差異也會降低(王嘉熙,劉元熙,2022)[24]。3.4本章小結(jié)本章介紹了基于K-均值聚類算法設(shè)計(jì)電動汽車集群聚類方案的流程，并進(jìn)行了仿真研究。首先研究了K-均值聚類算法，對電動汽車的充電行為進(jìn)行建模。以電動汽車的充電需求為基礎(chǔ)，設(shè)計(jì)了電動汽車集群聚類算法，改變電動汽車用戶數(shù)據(jù)集進(jìn)行在Matlab平臺上進(jìn)行多次仿真，分析對比結(jié)果數(shù)據(jù)，證明了電動汽車集群聚類算法用于V2G技術(shù)的可行性及該算法的有效性。第4章基于電價(jià)調(diào)控的動態(tài)聚類算法設(shè)計(jì)4.1構(gòu)建用戶意愿模型及仿真4.1.1用戶意愿模型的建模（1）研究方案合理設(shè)定分時(shí)充電電價(jià)可以指導(dǎo)電動車的有序充放電。以電動汽車為研究對象，依據(jù)用戶的最大充電持續(xù)時(shí)間、充電開始時(shí)間特征，采用K-均值聚類方法對其進(jìn)行聚類。構(gòu)建用戶意愿模型，從這些趨勢中看出將充電意愿大的電動汽車用戶用于聚類，并通過電動汽車集群運(yùn)營商調(diào)度實(shí)現(xiàn)電網(wǎng)調(diào)峰，減少電網(wǎng)波動(陳曉婷,吳浩然,2021)。構(gòu)建一個(gè)用戶參與意愿的模型，參與意愿用從0～1表示，參與充電意愿大于0.5則認(rèn)為該用戶充電意愿較高，并將此類電動汽車用戶用于數(shù)據(jù)處理。影響參與意愿分別是不同的時(shí)間段參與意愿不同、不同的電價(jià)影響參與意愿、充電迫切程度(鄭宇晨,王悅婷,2022)。（2）研究步驟分時(shí)電價(jià)是根據(jù)每個(gè)地區(qū)每天的實(shí)時(shí)電力負(fù)荷以及用戶的實(shí)際需要，將其分為高峰、平谷、低谷三個(gè)時(shí)段，通常劃分為：峰時(shí)段8h（10∶00—15∶00，18∶00—21∶00），平時(shí)段8h（7∶00—10∶00，15∶00—18∶00，21∶00—23∶00），谷時(shí)段8h（23∶00—次日7∶00），并設(shè)置不同的用電電價(jià)[25]。在需求響應(yīng)理論的基礎(chǔ)上，電力價(jià)格的變動會導(dǎo)致使用者對電量需求和對充電的意愿產(chǎn)生一定的影響。從這些活動中看出一天中隨著各時(shí)段電價(jià)的不同，用戶的充電意愿也會不同，電價(jià)越高，用戶充電意愿越低(韓一鳴,王瑾瑜,2022)。電動汽車使用者參加充電的初始充電時(shí)間反映了電動汽車使用者在不同的時(shí)間段的參與程度，當(dāng)電動汽車使用者在某個(gè)時(shí)間點(diǎn)上充電的次數(shù)愈多，則表示電動汽車使用者在此期間的充電意愿愈高，SOC情況用來表示充電迫切程度，數(shù)值越小，表明剩余電量越低，充電需求越迫切，表明電動汽車用戶在該事件段的充電意愿越大。上述3個(gè)因素是相互影響的，存在著一定的交互作用(張語涵,李睿澤,2023)。在此基礎(chǔ)上，對多目標(biāo)優(yōu)化問題的求解采用了線性權(quán)重方法，甚至可以用單一目標(biāo)優(yōu)化問題來替代多目標(biāo)優(yōu)化問題。同時(shí)，一定意義上展現(xiàn)了由于各因素的尺度不一致，對各個(gè)功能進(jìn)行了標(biāo)準(zhǔn)化處理。4.1.2仿真程序設(shè)計(jì)與分析仿真程序設(shè)計(jì)采用了歸一化的加權(quán)平均算法。測量中采樣得到一組數(shù)據(jù)，其長度為，即。個(gè)峰值數(shù)據(jù)，即為，則平均計(jì)算法為 （4-1）加權(quán)值為。通過每次采樣的峰值的加權(quán)平均值，得到，即： （4-2）其中：為加權(quán)系數(shù)，，即(黃瑞萱,趙澤宇,2022)： （4-3）由數(shù)組可以得到電價(jià)數(shù)據(jù)的平均值：，加權(quán)值為；計(jì)算每一電價(jià)值，相對于均值的偏差量： （4-4）將偏差量代入權(quán)值函數(shù)，作歸一化處理得到，即： （4-5）由歸一化的偏差量得到加權(quán)值： （4-6）由加權(quán)值得到最終的平均值，即： （4-7）其中，電價(jià)、充電迫切程度、該時(shí)段充電意愿的權(quán)重系數(shù)分別為、、，滿足[26]。4.2動態(tài)聚類算法程序設(shè)計(jì)及仿真結(jié)果分析基于用戶的充電特征，從中可以表明利用聚類方法對用戶的充電行為進(jìn)行了聚類分析，并采用了動態(tài)聚類方法（李曉東，張文博，王俊宇,2022)。電力市場的變化趨勢與用戶的充電意愿存在著顯著的正相關(guān)性，從這些趨勢中看出通過實(shí)時(shí)電價(jià)可以引導(dǎo)用戶的充放電行為，實(shí)現(xiàn)電網(wǎng)負(fù)荷從峰值到低谷的過渡，實(shí)現(xiàn)動態(tài)的聚類[27]。雖然本文對這一部分的研究結(jié)論尚未進(jìn)行完全的挖掘，但是從已經(jīng)露出的研究成果來看，具有一定的指導(dǎo)價(jià)值，首先初步的研究結(jié)果為理解該領(lǐng)域提供了新的視角和見解，有助于識別關(guān)鍵變量及其相互作用機(jī)制，這為進(jìn)一步深入研究奠定了堅(jiān)實(shí)的基礎(chǔ)。其次這些研究揭示了若干潛在的趨勢和模式，能夠?yàn)槔碚摽蚣艿陌l(fā)展提供實(shí)證支持，并激發(fā)更多的學(xué)術(shù)探討與辯論。鑒于電動汽車的實(shí)際發(fā)展現(xiàn)狀，為便于對電動汽車的充電負(fù)載進(jìn)行計(jì)算，本文提出以下假定：a.僅對個(gè)人使用的電動車輛進(jìn)行評估，并且在一天內(nèi)只對其進(jìn)行一次充電；b.每一次充電都使該汽車電池充滿到所需的充電狀態(tài)(劉思韻，陳晨曦，周子和,2023)；c.啟動充電時(shí)間和最大持續(xù)充電時(shí)長是兩個(gè)隨機(jī)變量，它們彼此無關(guān)；d.將分時(shí)電價(jià)分為高峰時(shí)段、低谷時(shí)段、和平時(shí)段；e.分時(shí)電價(jià)具有高峰時(shí)段高，從這些活動中看出低谷時(shí)段低的特點(diǎn)，在考慮到分時(shí)電價(jià)后，電動汽車會盡可能在充電成本較低的時(shí)間段內(nèi)進(jìn)行充電；f.本文考慮7：00至次日7：00間這段時(shí)間的充電負(fù)荷的分布情況。根據(jù)2018年長沙某地區(qū)電動汽車充電站的分時(shí)電價(jià)，峰谷分時(shí)電價(jià)計(jì)算見表4-1。表4-1分時(shí)電價(jià)時(shí)段電度電價(jià)（yuan/kw.h）執(zhí)行時(shí)間段峰電價(jià)1.289310：00—15：0018：00—21：00平電價(jià)0.87317：00—10：0015：00—18：0021：00—23：00谷電價(jià)0.45723：00—7：00根據(jù)電動汽車充電行為數(shù)據(jù)，上述所進(jìn)行電動汽車集群聚類的150名用戶開始充電時(shí)間段的分時(shí)電價(jià)如圖4-1(張志華，李天佑，王怡萱,2021)。電價(jià)的變化會引起用戶充電意愿的變化，一天中隨著各時(shí)段電價(jià)的不同而引起用戶充電意愿的影響，電價(jià)越高，用戶充電意愿越低。圖4-1各用戶開始充電時(shí)間的電價(jià)根據(jù)電動汽車充電行為數(shù)據(jù)，上述所進(jìn)行電動汽車集群聚類的150名用戶的充電迫切程度如圖4-2。這在一定程度上預(yù)示了圖中的充電迫切程度由SOC情況來反映。其中剩余電量越低，數(shù)值越小，充電迫切程度越大，充電需求越迫切，表明電動汽車用戶在該事件段的充電意愿越大(周逸和，劉思琪，張博文,2021)。圖4-2各用戶充電迫切程度根據(jù)電動汽車充電行為數(shù)據(jù)，上述所進(jìn)行電動汽車集群聚類的150名用戶開始充電時(shí)，該時(shí)段的充電人數(shù)如圖4-3。這在一定程度上昭示根據(jù)所統(tǒng)計(jì)的電動汽車用戶，電動汽車使用者參加充電的開始時(shí)刻反映了電動車使用者在一定時(shí)間內(nèi)的參與程度，當(dāng)電動車使用者在某時(shí)間段上充電的次數(shù)愈多，則表示電動車使用者在此期間的充電意愿愈高(王紫萱，陳雪婷，李俊杰,2022)。圖4-3各用戶充電時(shí)段的充電人數(shù)構(gòu)建一個(gè)用戶參與意愿的模型，參與意愿用從0～1表示，參與充電意愿大于0.5則認(rèn)為該用戶充電意愿較高，一定意義上展現(xiàn)了并將此類電動汽車用戶用于數(shù)據(jù)處理。影響參與意愿分別是不同的時(shí)間段參與意愿不同、不同的電價(jià)影響參與意愿、充電迫切程度(李博然，趙思源，王瑾萱,2020)。這一結(jié)果與已有的文獻(xiàn)結(jié)論大致相同，這也驗(yàn)證了前期研究中所提出的構(gòu)思，從而進(jìn)一步豐富了相關(guān)領(lǐng)域理論體系的內(nèi)涵。本研究通過對該問題的深入分析與實(shí)證探討，不僅為現(xiàn)有理論提供了新的支持證據(jù)，還從不同角度拓展了對這一現(xiàn)象的理解維度。同時(shí)，這一發(fā)現(xiàn)也為后續(xù)研究提供了新的思路與方向，有助于推動該領(lǐng)域研究的進(jìn)一步深化與拓展，為解決相關(guān)實(shí)際問題提供了更具針對性的理論指導(dǎo)。所構(gòu)建的用戶參與意愿的模型，150名用戶的充電意愿如圖4-4。圖4-4各用戶充電意愿構(gòu)建的用戶參與意愿的模型，這在一定程度上預(yù)兆了參與意愿從0～1，參與充電意愿大于0.5則認(rèn)為該用戶充電意愿較高，并將此類電動汽車用戶用于數(shù)據(jù)處理。經(jīng)計(jì)算，共有72名電動汽車用戶充電參與意愿大于0.5(劉凱琳，張宇航，周文博,2019)。該72名電動汽車用戶再次進(jìn)行電動汽車集群聚類，這無疑暴露出結(jié)果如圖4-5。（a）72個(gè)用戶數(shù)據(jù)集聚類前結(jié)果圖（b）72個(gè)用戶數(shù)據(jù)集聚類后結(jié)果圖圖4-5充電意愿大于0.5的用戶數(shù)據(jù)集聚類結(jié)果圖4.3基于動態(tài)電動汽車集群聚類的電網(wǎng)調(diào)峰方法及仿真分析在對分時(shí)電價(jià)策略進(jìn)行分析的基礎(chǔ)上，根據(jù)用戶充電意愿與電價(jià)變化的關(guān)系。提出了采用分時(shí)電價(jià)的方法，引導(dǎo)電力用戶進(jìn)行有序充放電，以避免電網(wǎng)“峰上加峰”，降低電網(wǎng)的波動(王天澤，趙子萱，陳宇和,2023)。從這些趨勢中看出電動汽車集群運(yùn)營商進(jìn)行調(diào)度，得到峰谷分時(shí)電價(jià)和用戶的充電計(jì)劃。通過長沙市某地區(qū)實(shí)際負(fù)荷實(shí)例，驗(yàn)證此分時(shí)電價(jià)調(diào)度策略能夠有效的改善電網(wǎng)運(yùn)行狀況，實(shí)現(xiàn)了通過設(shè)定分時(shí)電價(jià)來實(shí)現(xiàn)對電動車進(jìn)行有序充放電的目標(biāo)[28]。上述數(shù)據(jù)經(jīng)過集群聚類算法后，得到七類。根據(jù)2018年長沙某地區(qū)電動汽車充電站的充電平均功率，每小時(shí)150瓦，聚類算法所得到的每一類的功率曲線如圖所示(李星宇，周佳怡，張曉馮,2022)。從這些活動中看出第一類電動汽車用戶集群聚類結(jié)果的功率曲線如圖4-6所示，電動汽車聚類開始充電時(shí)間主要集中于10:00—13：00，該類電動汽車的充電平均功率約為18MW。圖4-6第一類聚類結(jié)果的功率曲線第二類電動汽車用戶集群聚類結(jié)果的功率曲線如圖4-7所示，電動汽車聚類開始充電時(shí)間主要集中于21:00—23：00，該類電動汽車的充電平均功率約為12MW。圖4-7第二類聚類結(jié)果的功率曲線第三類電動汽車用戶集群聚類結(jié)果的功率曲線如圖4-8所示，電動汽車聚類開始充電時(shí)間主要集中于22:00—24：00，這在某種程度上象征該類電動汽車的充電平均功率約為6MW。圖4-8第三類聚類結(jié)果的功率曲線第四類電動汽車用戶集群聚類結(jié)果的功率曲線如圖4-9所示。本文在設(shè)計(jì)優(yōu)化過程中，重點(diǎn)關(guān)注了成本效益和方案的通用性，從而與最初的設(shè)計(jì)相比，在多方面進(jìn)行了改進(jìn)。首先，在成本管理方面，通過刪減不必要的過程、采用更具成本效益的措施，顯著降低了整個(gè)項(xiàng)目的成本，使得方案更加經(jīng)濟(jì)。同時(shí)，為了增強(qiáng)方案的適用性，在設(shè)計(jì)時(shí)充分考慮了不同地區(qū)和條件下的可行性，確保該方案在多種情境下都能穩(wěn)定運(yùn)行，并且便于其他組織或個(gè)人復(fù)制使用。通過對四種類型的電動車聚類結(jié)果功率曲線的分析，可以得出以下結(jié)論。第四類電動汽車用戶的聚類開始充電時(shí)間主要集中于13:00—18：00，該類電動汽車的充電平均功率約為20MW。圖4-9第四類聚類結(jié)果的功率曲線第五類電動汽車用戶集群聚類結(jié)果的功率曲線如圖4-10所示(劉思遠(yuǎn)，王文靜，陳嘉瑞,2022)。利用已獲成果可以推導(dǎo)出以下觀點(diǎn)對第五類電動汽車聚類結(jié)果的功率負(fù)荷曲線進(jìn)行分析可以得出結(jié)論，第五類電動汽車用戶的聚類開始充電時(shí)間主要集中于1:00—7：00，該類電動汽車的充電平均功率約為20MW。圖4-10第五類聚類結(jié)果的功率曲線第六類電動汽車用戶集群聚類結(jié)果的功率曲線如圖4-11所示，電動汽車聚類的開始充電時(shí)間主要集中于19:00—22：00，這在一定程度上預(yù)兆了該類電動汽車的平均充電功率約在15MW左右。圖4-11第六類聚類結(jié)果的功率曲線第七類電動汽車用戶集群聚類結(jié)果的功率曲線如圖4-12所示，電動汽車聚類的開始充電時(shí)間主要集在15:00—18：00之間，該類電動汽車的平均充電功率在15MW左右。圖4-12第七類聚類結(jié)果的功率曲線七類電動汽車用戶集群聚類結(jié)果的匯總功率曲線如圖4-13所示(張文杰，趙瑞婷，李宇翔,2020)。可以看出，第四類、第七類聚類結(jié)果開始充電時(shí)間主要集中于15:00—19：00，第二類、第三類、第六類聚類結(jié)果開始充電時(shí)間主要集中于20:00—24：00。圖4-13所有聚類結(jié)果的功率曲線為了驗(yàn)證所提出的模型和算法對大規(guī)模電動汽車的有序入網(wǎng)具有良好的指導(dǎo)與控制作用，本文以長沙市某地區(qū)的典型日負(fù)荷數(shù)據(jù)為例，該地區(qū)日常負(fù)荷見表4-2。對該區(qū)域內(nèi)充電意愿大于0.5的72輛電動汽車進(jìn)行仿真模擬。假設(shè)電動汽車電池額定容量是30kW/h，這無疑暴露出充放電功率是150W/h。本文以電動汽車慢充模式為例，在7：00—次日7：00之間，以h為單位進(jìn)行調(diào)度[29]。表4-2長沙市某地區(qū)日用電負(fù)荷時(shí)段P/MW時(shí)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若所有電動汽車均充電，該地區(qū)的日用電負(fù)荷如圖4-14所示。其中虛線代表電動汽車未充電前該地區(qū)日用功率負(fù)荷曲線，即電網(wǎng)原始負(fù)荷。細(xì)實(shí)線代表電動汽車充電功率負(fù)荷曲線(王子凡，劉玉婷，張啟航,2022)。從這些趨勢中看出粗實(shí)線代表電動汽車充電后該地區(qū)功率負(fù)荷曲線，即電網(wǎng)總負(fù)荷。由圖4-14可知，車輛無序充電時(shí)，由于大量電動汽車開始進(jìn)行充電，造成了充電站負(fù)荷大幅度增長，從而使得本地區(qū)的負(fù)荷曲線“峰上加峰”，造成了電力資源有效利用率不足。圖4-14電動汽車充電該地區(qū)日用電負(fù)荷曲線調(diào)度電動汽車，使聚類結(jié)果一、二、三參與充電，進(jìn)行模擬仿真，該地區(qū)的日用電負(fù)荷如圖4-15所示。如圖4-15所示，利用本文提出的有序充放電方法來優(yōu)化電動車的充電和放電，能顯著改善負(fù)載曲線，在時(shí)段10－13也就是10：00－13：00，由于基本負(fù)載較低，相應(yīng)的實(shí)時(shí)電價(jià)也比較低，因此，該方案采用了較低的實(shí)時(shí)電價(jià)，引導(dǎo)了大量的EV，并在此期間進(jìn)行充電，從這些活動中看出從而達(dá)到了很好的充谷效果(李浩宇，陳嘉琪，周晨曦,2022)；時(shí)段20－24也就是20：00－24：00，由于基礎(chǔ)負(fù)載較低，相應(yīng)的實(shí)時(shí)電價(jià)也比較低，因此，該方案采用了更低的實(shí)時(shí)電價(jià)來吸引更多的電動汽車充電，從而達(dá)到了負(fù)載曲線的填谷作用(劉思涵，張?zhí)煊睿w文博,2023)。圖4-15電動汽車一、二、三類充電該地區(qū)日用電負(fù)荷曲線從圖4-14的比較可以看出，由于大量的電動汽車輛進(jìn)入充電站，無序充電。造成了充電站的負(fù)載迅速增長，這在一定程度上昭示從而造成了電網(wǎng)的“峰上加峰”，引起電力資源有效利用率不足；而在有序充放電過程中，將峰值時(shí)間內(nèi)的負(fù)載向平態(tài)或低谷方向移動，有效起到“削峰填谷”的作用。其次，在高峰期間，采用有序放電的方式，進(jìn)一步減小了峰值負(fù)荷，并有效地改善了峰谷之間的差異，同時(shí)，一定意義上展現(xiàn)了在平谷期間，低電價(jià)也可以降低電力使用者的充電費(fèi)用(王天瑞，李梓悅，陳浩然,2022)。第5章結(jié)論電動汽車的不斷普及、V2G系統(tǒng)的潛力不斷展現(xiàn)，使得V2G技術(shù)成為了研究的熱點(diǎn)。本文以V2G為研究對象，以電動汽車集群聚類方案設(shè)計(jì)和基于電價(jià)調(diào)控的動態(tài)聚類算法為切入點(diǎn)進(jìn)行研究，實(shí)現(xiàn)V2G技術(shù)中的集群聚類算法設(shè)計(jì)。對電動汽車充電行為進(jìn)行了建模，設(shè)計(jì)了電動汽車用戶充電意愿模型。并且針對無序充電使負(fù)荷急劇增加、造成“峰上加峰”的現(xiàn)象，研究了電動汽車集群運(yùn)營商調(diào)度實(shí)現(xiàn)電網(wǎng)調(diào)峰、減少電網(wǎng)波動的控制策略。最終于Matlab平臺上經(jīng)過不斷仿真，驗(yàn)證了該系統(tǒng)的可行性。得出以下結(jié)論：（1）在電動汽車集群聚類框架下，基于電動汽車的充電需求進(jìn)行集群聚類和劃分，并建立了電動汽車充電行為模型。設(shè)計(jì)了電動汽車集群聚類算法，改變電動汽車用戶數(shù)據(jù)集進(jìn)行在Matlab平臺上進(jìn)行多次仿真，分析對比結(jié)果數(shù)據(jù)，驗(yàn)證了電動汽車集群聚類算法用于V2G技術(shù)的可行性及算法的有效性。（2）通過動態(tài)聚類算法，合理設(shè)置充電分時(shí)電價(jià)能夠引導(dǎo)電動汽車用戶的有序充電。以電動汽車為研究對象，根據(jù)用戶的最大充電持續(xù)時(shí)間、充電開始時(shí)間特征進(jìn)行K-均值聚類。構(gòu)建用戶意愿模型，分析得到用戶日常的充電規(guī)律。（3）將充電意愿大的電動汽車用戶用于聚類，并通過電動汽車集群運(yùn)營商調(diào)度實(shí)現(xiàn)電網(wǎng)調(diào)峰，減少電網(wǎng)波動，使負(fù)荷從高峰時(shí)段向低谷時(shí)段跨時(shí)段轉(zhuǎn)移。參考文獻(xiàn)[1]HUQ,LIHY,BUSQ.ThepredictionofelectricvehiclesloadprofilesconsideringstochasticcharginganddischargingbehaviorandtheirimpactassessmentonarealUKdistributionnetwork[J].EnergyProcedia,2019,158:6458-6465.[2]ZHANGQ,LIUHZ,LIC.Ahierarchicaldispatchmodelforoptim(高思遠(yuǎn),陳子辰,2022)ngreal-timecharginganddischargingstrategyofelectricvehicles[J].IEEJTransElectrElectronEng,2018,13:537-548.[3]李曉東，張文博，王俊宇.入網(wǎng)電動汽車集群的分層控制方法[J].電力建設(shè)，2022，36(07)：146-152.[4]劉思韻，陳晨曦，周子和.國外V2G模式的發(fā)展現(xiàn)狀分析[J].上海節(jié)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，劉浩宇tems,199,26(1):35-58.[6]LiuX,HeB,LiX.Semi-supervisedclassificationforhyperspectralremotesensing