研究背景

全球气候变化促使能源系统更加依赖可再生能源，光伏装机量逐年增加，其中包括建筑光伏一体化系统（BIPV），使得净零能耗建筑成为可能。然而，可再生能源的间歇性和随机性使电力系统的可靠性、服务质量和总投资变得不确定，制约可再生能源更大规模的应用。因此，需要需求侧管理（DSM）来平衡供需两方的不匹配，保证电力系统平稳运行。其中，车对建筑（V2B）和储能系统（ESS）是两种重要的需求侧管理方式。然而，储能系统以及升级双向充电桩的财务负担（双向充电桩价格是单向充电桩的几倍）是建筑运营商在推广时不可忽视的因素。但是目前尚未有研究解决双向充电桩和储能系统的优化选型问题。

围绕以上问题，清华大学林波荣教授团队从微电网和电池建模、车主行为提取等方面出发，开发了微电网日内运行优化、整体经济性优化方法，最小化微电网的动态回收期，同时实现了更大的可再生能源本地消纳和电力负荷削峰。进一步分析了在外部环境变化（包括双向充电桩价格变化、充电桩额定功率）对于运行和选型优化结果的影响，并对未来研究与发展方向进行了讨论与展望。

以上成果在交通与运载领域顶刊-国际交通电动化杂志eTransportation上发表，题为“Cost-effective sizing method of Vehicle-to-Building chargers and energy storage systems during the planning stage of smart micro-grid”。

DOI:https://doi.org/10.1016/j.etran.2024.100343

引言

全球变暖的严峻现实凸显了可再生能源在推动可持续发展中的核心作用。随着太阳能光伏系统等可再生能源技术的快速发展，2022年全球新增装机容量达到240GW，累计装机容量达到1.2TW，这一增长不仅反映了对传统能源依赖的转变，也预示着未来能源模式的变革。BIPV系统作为实现净零能耗建筑的关键技术，其普及程度不断加深，进一步推动了能源使用的绿色转型。然而，可再生能源的间歇性和不可预测性给电力系统的稳定性和服务质量带来了挑战。DSM通过激励消费者在高峰时段减少能源消耗或转移到非高峰时段，能有效缓解供需之间的不匹配，提升了电网的稳定性和运行效率。DSM不仅对电力系统的可靠性至关重要，也为电力公司和消费者带来潜在的经济效益。

建筑在全球终端用能中占据超过30%的份额，具备巨大的DSM潜力，在建筑内部安装固定的储能系统（ESS）是常规的参与DSM的方式。并且电动汽车和车联网（V2G）技术的发展为电力系统的灵活性带来了新的可能。V2G允许电动汽车向外提供能量，充放电功率可控；而V2B技术则进一步扩展了这一概念，利用电动汽车在建筑旁的驻留特性，使得电动汽车能够为建筑物提供能源支持，展现出巨大的应用潜力。

尽管储能系统和V2B前景广阔，但现有研究很多集中于V2B模式下的车辆充放电控制策略，而对于如何确定V2B双向充电桩和储能系统的最佳配置以实现成本效益和环境可持续性的平衡，仍缺乏深入探讨。本研究旨在填补这一空白，提出了一种新的方法，通过混合整数线性规划（MILP）优化日内运行成本，再通过全局优化寻找最佳配置点，最小化系统的动态投资回收期（DPP）。

文章首先介绍了研究背景和现有挑战，然后提出了研究目标和方法，最后分析了测试案例的计算结果，图 1为读者提供了一个系统性的研究框架。这种优化选型方法不仅能够为V2B技术和储能系统的实际应用提供指导，也从新的视角展望微电网系统的设计和运营。

图1. 整体研究框架

建模方法

集成了建筑负荷、可再生能源、储能系统、电动汽车充电桩(双向充电桩和单向充电桩)的微电网结构如图 2所示，能源管理系统能够获得微电网内部各个部件的信息，控制微电网内部的运行以及与外部电网的互动。在微电网内部，必须满足能量守恒约束。

图2. 公用电网和微电网之间的互动。实线表示能量潮流，虚线表示信息流。黄色边界用于明确微电网系统的覆盖范围

为了提高后续的优化速度，储能系统和电动汽车电池采用线性模型，同时考虑了充放电功率限制、充放电效率约束。电动汽车电池模型额外加入了车主移动性需求约束和电池寿命衰减项，作为对车主参加V2B的补偿，在日内优化运行的目标函数中考虑这一因素的影响。

电动汽车与建筑物连接时，其充电或放电的状态决定了它作为负荷还是资源。电动汽车的调度计划包括它们的到达时间、离开时间和相应的电池状态（SOE），这些因素直接影响控制策略及其性能，并最终决定最优配置。因此，为车队设置合理的调度计划至关重要。电动汽车的调度计划可以理解为根据用户特征将所有用户划分为不同的组，这些特征包括他们是否是本地员工、是否在家拥有充电桩，以及他们离家的距离。

优化问题

图3显示了优化系统选型的处理流程，即拥有最小DPP的V2B双向充电桩和储能系统数量。针对每种配置，在典型场景下采用混合整数线性规划(MILP)进行日前优化。根据各个场景的比例输出系统整体性能。遍历所有配置后，就可以确定在最优的日内控制策略前提下的最佳配置。

首先介绍了一种基于MILP的日前优化控制策略，该策略旨在最小化日常运营成本。使用k-means聚类算法将长期原始数据分组为典型场景，以处理预测不确定性。预测值被假设为以聚类中心的均值为均值的高斯分布。在每天开始时，基于预测的光伏和建筑负荷值以及用户第二天的充电需求，能源管理系统将解决一个优化问题，以最小化由电力成本、参与V2B交易的用户补偿和运营维护成本组成的日常运营成本。还定义了用于评估特定配置性能的指标，包括年运营成本、年收益、投资成本、动态回收期（DPP）等。动态回收期作为后续整体优化选型的决策目标。

图3. 本文所提的基于多场景日前优化控制的选型方法

测试案例

首先介绍测试案例的详细信息，模拟测试在中国北京的一个办公园区进行，该园区拥有一座三层办公楼、光伏发电系统、带有充电桩和储能系统（ESS）的停车场，以及450名员工，提供了详细的建筑模型参数和模拟测试参数，包括地理位置、热工性能等，以确保建筑符合能源效率要求，以及光伏阵列面积、电动汽车数量、充电桩和储能系统的价格等。图 4展示了通过聚类得到的典型工作日的光伏发电和建筑负荷数据。然后介绍了北京地区不同时间段的电价类别，包括高峰、中等和非高峰时段的电价，以及模拟测试中考虑的不同配置方案，包括V2B充电桩的比例和储能系统的个数。

图4. 工作日典型光伏发电和建筑负荷曲线（实线）以及预测值（虚线）

计算结果分析与讨论

首先本章分析了基于MILP的日内优化控制的计算结果，图 5展示了典型场景1和典型场景2在不同配置下的日内能量流动细节，在光伏发电较为充足的典型场景1中，日前优化倾向于将原本集中在上午的充电负荷转移到此时段，使总负荷尽可能与光伏发电匹配。在光伏发电不足的典型场景2中，日前优化倾向于在高峰负荷时段对电动汽车和储能电站进行放电，在中、低谷时段进行充电，以减轻电网负担并降低自身的电费成本。

在场景1中，配置50%的V2B双向充电桩和1台储能电站，可以将日常运营成本限制在37美元/天，相对降低51%。此外，电网负荷显著减轻，累计高峰时购买量降至98千瓦时/天(65%)，高峰负荷降至96千瓦时/天(17%)。而在密集配置(100%V2B双向充电桩+3台储能电站)下，虽然收益大于50%V2B双向充电桩+1台储能电站，但增量收益较低。

在场景2中，随着V2B双向充电站和储能电站的增加，性能不断提升。当V2B双向充电桩配置50%，安装1台储能电站时，可降低14%的日常运行成本，购电量削减42%，峰值电力负荷削减17%。与场景1相比，激进的配置策略的增量收益并没有大幅降低，因此可以说明光伏发电量较少的场景2需要安装更多的V2B双向充电桩和储能电站。

图5. 典型场景下的光伏发电和建筑负荷数据

然后分析了最优配置点的性能。图 6给出了所有配置方案的总体性能。全局最佳配置为50%V2B充电桩和1台储能电站)。一般情况下，随着V2B充电桩比例从0%增加到100%，动态回收期呈现先降低后增加的趋势。初投资、累计峰时能耗和尖峰功率均呈单调趋势。这是因为投资成本随着配置的增加而线性增长，而增量收益却在递减。这也证实了寻找最优配置的必要性。

图6. 系统性能指标(a)动态回收期 (b)初投资 (c)累计峰时能耗 (d)尖峰功率

最优配置方案的动态回收期最短为17年，投资成本为15.01万美元。与基准方案相比，优化配置的累计峰时负荷由2902千瓦时/天降低到1414千瓦时/天(51.3%)，尖峰功率由278千瓦时/天降低到160千瓦时/天(42.4%)。然而，更激进的配置(100%V2B充电桩和2台储能电站)的DPP超过45年，其投资成本为32.81万美元。考虑到预测的不确定性，最优配置不变，动态回收期为18年(延长1年)，累计峰时能耗和尖峰功率分别增长3.5%和5.7%。

最后，进行两项敏感性分析：V2B充电桩价格和充电桩额定功率对最优选型结果的影响，结果显示，V2B充电桩价格降低的情况下，系统整体的动态回收期降低，但最优配置方案不变；充电桩的额定功率增加的情况下，动态回收期增加，但与此同时，累计峰时能耗和尖峰功率降低，即拥有更大的DSM潜力。

总结与展望

本文提出了一种新的方法，用于在规划阶段确定智能微电网中V2B充电桩和储能系统的最佳配置方案，目的是最小化系统的动态投资回收期（DPP）。通过详细的模拟测试，证明了所提出的优化选型方法的性能。测试案例表明，通过所提方法计算出的最优配置具有更出色的表现。但是，论文指出尽管本研究聚焦于设计阶段确定系统的配置，但实际运行阶段可能需要实时的数据采集和更详细的电池衰减模型来进行日前优化甚至日内优化。此外，未来研究可以考虑更复杂的实时交易机制更准确地模拟车主的行为模式。