电动汽车响应能力评估-考虑用户出行需求和网络可靠性的方法及影响分析.

工程15（2022）186研究智能电网与能源互联网-文章考虑用户出行需求和网络可靠性的电动汽车响应能力评估Yanli LiuLiu，Ke Liu，Xu Sun天津大学电气与信息工程学院，天津300072阿提奇莱因福奥文章历史记录：收到2021年2021年8月8日修订2021年8月31日接受2022年5月7日网上发售保留字：网络系统需求响应电动汽车A B S T R A C T随着电动汽车普及率的不断提高，电动汽车需求响应对于促进电力系统的优化和安全运行具有重要意义。本文提出了一种电动汽车响应能力评估方法，考虑电动汽车用户的出行需求和网络系统集成到电网和交通网络的可靠性。首次提出了一种新的网络-电力-交通一体进一步提出了一种方法来计算电动汽车的状态，当它被插入，考虑到交通诱导信息的可靠性和这种信息的发布的可靠性提出了电动汽车充电需求的缓和程度，以反映用户的出行需求，在此基础上，电动汽车的响应能力可以评估。在一个包含RBTS BUS6和北京交通网络的网络电力运输系统上进行了广泛的测试，结果表明所提出的方法的有效性。分析了网络可靠性对电动汽车出行和响应能力的影响©2022 The Bottoms.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。1. 介绍许多国家都将电动汽车作为国家发展战略，以推动能源转型。在过去的10年里，电动汽车的部署一直在快速增长在新的政策情景下，2030年全球电动汽车存量将超过1.3亿辆[1]。随着电动汽车普及率的提高，电动汽车的充电应该很好地调度，以避免配电网中峰谷负荷差和损耗增加，线路过载和电压交叉限制[2]。此外，由于电动汽车每天90%的时间都在越野[3]，并且电动汽车电池具有快速响应系统需求的能力[4]，因此电动汽车的放电是需求响应的重要组成部分，以促进电力系统的优化和安全运行[5]。目前对电动汽车需求响应策略的研究[6-8]大多以电动汽车充放电功率为控制变量，建立相应的控制模型，并根据具体目标进行优化，包括平滑可再生能源发电的*通讯作者。电子邮件地址：yanliliu@tju.edu.cn（Y. Liu）.降低成本或功率损耗[7，10，11]，提供辅助服务，等等[2，12电动汽车响应能力评估是制定电动汽车需求响应策略的基础环节，具有重要意义。当有大量电动汽车时，交通网络和电网在地理空间维度上变得深度集成。基于交通网络内的交通引导信息的EV用户的路线选择将确定EV在插入时的状态。的电动汽车通过充电或放电与电网互动，考虑其用户的出行需求和电网的运行。很明显，EV响应能力强烈地取决于三个关键因素：①EV插入时的状态-即充电状态（SOC）和插入时间;②用户出行需求，其由预期出发时间和所需SOC反映;以及③网络系统的可靠性，其直接决定交通引导信息和EV对电网的响应。目前，对电动汽车响应能力的评估研究主要分为两大类。第一组以SOC为指标。在参考文献中。[16然而，用户的出行需求https://doi.org/10.1016/j.eng.2021.08.0312095-8099/©2022 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表工程杂志首页：www.elsevier.com/locate/engY. Liu，K.刘和X。 孙工程15（2022）186187被忽略，并且放电后的SOC可能远小于所需的SOC。第二组在考虑用户出行需求的同时进行EV响应能力评估。参考文献[19，20]假设EV只有在放电后SOC能够满足用户需求时才能放电;然而，忽略了用户在放电后充电的可能性。参考文献[21]将EV插入电网的持续时间与所需充电时间之间的差异作为EV放电能力的指标。但它采用的是相对指标，不能反映反应能力的绝对值三种常用方法用于计算电动汽车出行链方法可以利用用户的出行目的地构建空间链，并结合交通网络的状态计算电动汽车的出行时间链，从而确定电动汽车的出行时间、里程等变量。与其他两种方法相比，该方法能够真实反映用户出行时间与距离之间的耦合关系，同时考虑了交通网络对用户出行行为的影响。随着电力物理网络与信息系统的深度融合，配电网成为典型的此外，智能配电网的运行和控制强烈而深刻地依赖于网络系统[30目前，CPDN的可靠性评估已经得到了广泛的研究，这方面的研究可以分为两个主要群体。第一组研究基于网络系统和物理系统之间的相互作用的分析，修改物理电力网络中组件的可靠性模型;然后，分析结果，并以传统方式计算可靠性指标[35第二组研究集中于网络系统强有力支持的特定功能，建立网络故障与功能故障之间虽然电力系统可靠性评估的一些工作已经考虑到电动汽车，如在参考文献。[40，41]，在确定EV响应能力时，运输网络和电网中的网络系统被认为是完全可靠的，而网络系统在提供可靠的交通引导信息以及电网与EV之间的双向交互方面的可靠性被忽略。为了有效评估电动汽车的响应能力，提出了一种新的评估方法，该方法首先，提出了一种新的综合网络电力运输系统的接下来，提出了一种方法来计算电动汽车的状态，当它被插入，同时考虑到交通诱导信息的可靠性提出了反映用户出行需求的电动汽车充电需求松弛度，并以此为基础对电动汽车的响应能力进行了评估。在一个包含RBTS BUS6和北京交通网络的网络电力运输系统上进 行 了 广 泛 的 测试 ， 以 证 明 所 提 出 的 方 法 的 有 效 性 。本文的其余部分组织如下。第二部分介绍了一个综合网络电力运输系统的框架。在第3节中介绍了赛博系统的可靠性模型。第4提出了一种方法来计算电动汽车的状态，当它被插入，考虑到交通诱导信息的可靠性第5进一步介绍了EV响应能力考虑电动汽车用户出行需求的评估方法。第6节提供了案例研究结果和相关讨论，而第7节总结并总结了这项工作。2. 综合图1显示了综合网络电力运输系统的框架随着电动汽车数量的增加，电网和交通网络在地理空间维度上被整合。电网和交通网络的运行和控制强烈而深刻地依赖于网络系统。电网方面，主站通过网络系统对电网进行监控，主站与电动汽车之间采用电动汽车聚合器进行信息交换，管理电动汽车充放电。对于交通网络，交通控制中心收集实时交通数据，然后生成并发布交通引导信息，基于该交通引导信息生成EV的行驶路线选择。电力网和运输网络中的网络系统的基本结构如下所述2.1. 电网网络系统配电网的网络系统由骨干层和接入层组成，如图2所示。骨干层是主站、子站和EV聚合器之间的网络，基于同步数字体系（SDH）。接入层包括两部分：变电站与智能电子设备（IED）之间的网络，其基于以太网无源光网络（EPON），包括光线路终端（OLT）和光网络单元（ONU）;以及EV聚合器与EV之间的网络，其基于EPON和Wi-Fi。Fig. 1. 综合网络电力交通系统框架Y. Liu，K.刘和X。 孙工程15（2022）186188图二.配电网计算机系统。(a)主站与变电站和聚合器之间的骨干层;（b）变电站与IED之间的接入层;（c）EV聚合器与EV之间的接入层2.2. 交通网络交通网络的计算机系统由交通控制中心、交通分站、交通信息采集设备等组成。基本结构如图3所示，骨干层采用SDH连接业务图三. 基本结构的网络系统交通网络。(a)骨干层;（b）接入层。控制中心和交通分站，接入层采用EPON连接交通分站和检测器。交通控制中心负责交通数据的采集、交通诱导信息的生成和发布以及交通网络的调度环形感应线圈检测器是目前应用最广泛的交通信息采集设备同时，交通控制中心本身是一个基于局域网的系统[42]，包括数据库服务器、应用服务器、调度器等。数据库服务器存储交通数据和交通诱导信息;应用服务器提取信息并将其发送到不同的发布平台。图 4给出了交通诱导信息发布的基本网络结构，其中采用了两个数据库服务器和两个应用服务器，以提高可靠性。因此，两个图中的网络系统的可靠性。 3和4将分别影响交通诱导信息和交通诱导信息的发布。3. 赛博系统的可靠性模型3.1. 物理组件一个两状态马尔可夫模型被用来描述物理组件的故障和修复。运行状态持续时间（Y. Liu，K.刘和X。 孙工程15（2022）186189RsRsRs联系我们不可靠的一代Þ2ðÞ1p1/4。见图4。交通诱导信息发布的基本网络结构。故障时间（TTF）和停机状态持续时间（维修时间（TTR））可以进一步计算，如公式（1）和（2）：TTF1/4- 1/1=k/ lnu1/1/2信息得到了可靠的传递。数据重传可以有效避免数据包丢失和误码的影响。因此，考虑了传输延迟，并将传输延迟的不确定性建模为正态分布[43]。如果延迟超过给定阈值，则传输将不成功。4. 考虑交通诱导信息可靠性的插电式电动汽车状态4.1. 考虑交通诱导信息可靠性的路径选择由于旅行时间是用户选择路线的最重要因素，因此假设用户选择具有最短旅行时间的路线。（6）-（8）：最小Xcrst= 60crstlrs=vrstlrs·½1Vrst=Crsb]=a1·v rs;07TTR1 林友2（vrsta1·vrs;0=½1Vrst=Crsb]其中k和l是故障率和修复率，u1和u2是b¼a2a3·Vrst=Crs随机数服从[0，1]中的均匀分布。3.2. 信息传输诸如测量数据和控制信号的信息通过通信网络传输。通信网络的连通性和性能决定了信息传输的可靠性。3.2.1. 通信网络该通信网络可以由一个未定义的网络表示。其中r，s分别为道路两端的节点;crs（t）为时间阻抗，即通过道路所需的时间（r，s）;Vrs（t）为环形感应线圈收集的交通流量检测器s;lrs和vrs（t）为道路长度和交通速度（r，s）;vrs，0和Crs为设计交通速度和交通容量道路（r，s）;a1，a2和a3是给定的模型参数考虑到图3中赛博系统的可靠性，赛博组件和信息传输的故障可能导致探测器数据丢失，相邻时间段的数据平均值将用于填补缺失数据[44]。Vrs（t）和crs（t）将更新如下：设G=（V，E）. 所有组件都V1被视为节点（包括通信线路），其由V={v1，v2，. . . ，vn}，并且节点之间的连接关系rs tn½Vrst-nV rst-n-1þ· · ·1999年，E = {e1，e2，. . ，en}。 邻接矩阵A（G）=axy（n×n）可以是c11b定义如下：rstlrs½1Vrst=Crs]=a1·vrs;010一个xy1;vx直接连接到vy;并且x-y0; elseð3Þ考虑到图4中网络系统的可靠性，交通引导信息的发布可能会失败，EV用户将基于它们的感知阻抗选择行进路线，其中G是表示通信网络的无向连通图;V是节点v的集合;E是边e的集合;x和y是对应节点的数量。可达性矩阵P=pxy（n×n）用于描述节点vx和vy之间的连接关系pxy，其可以定义如下：Rs具体如下：c2tcrstDcrst11其中Dcrs（t）是时间阻抗的偏差，其遵循平均值为0的 Gumbel分布总之，将基于等式选择路线（12）和1;vx 连接到vyxy0;vx 不连接到vyk步可达性矩阵计算如下：ð4Þ(13) 考虑交通诱导信息的可靠性最小Xc0rs最小12 mmMIAA2···Ak5然后将M中的非零元素设为1，得到可达性矩阵P，从而确定网络连通性c0rs8>crst;完全可靠>：c2不可靠释放ð13Þ3.2.2. 通信网络的性能通信网络的性能可以从信息延迟、丢包、误码等方面进行评估，在端到端的信息传输完成后，接收端会返回一个响应包，确认是否4.2. 插入时EV的状态使用出行链来模拟电动汽车用户的日常出行。如图5所示，用户i的出行链由空间链和时间链组成：.¼3ð8ÞY. Liu，K.刘和X。 孙工程15（2022）186190我i;ji;ji;ji;j我X;iX不我我i;jXi;j不2不1（3）在第j个目的地的离开时间。如果行程从工作区开始，则tleave是从工作区出发的时间twdep，它遵循正态分布[47]：f1e-t-l22=2r21 8世界民主党我r2p2p图五. 绊链。其中l2= 17.5，r2= 0.5。如果行程在其他地区开始，则tleave可以计算为如下所示：不要离开不要留下ð19Þ(1) 空间链：节点代表用户i;ji;ji;j在这种情况下，两个节点之间的线表示用户的驾驶路径，f1e-t-l32=2r22 0不3并且第j次行程的里程是mi，j。(2) 时间链：节点代表时间节点，t开始，t结束呆i;jr3p2p呆其中ti是在非工作目的地j的停留时间，l3= 1.5，并且表示每日行程的开始时间和结束时间分别地，并且t_t和t_leave表示到达时间和leave。;jr3= 0.5。i;j i;j在第j个目的地的时间。虚线和相应的ttrip表示两个目的地之间的旅行时间实线和相应的tp表示在目的地J停留时间。4.2.3. 快速充电分析如果SOC满足以下条件，用户将改变路线并选择最近的电动汽车充电站进行快速充电：不走介绍了出行链中变量的计算方法SOCi;j-DSOCi;j1 0：2 21<再往下推。4.2.1. 空间链(1) EV每日行程表。基于活动采样的出行计划模型[45]用于生成空间链。居住区是日常出行的起点和终点，目的地包括工作区、购物中心、医院、居住区（即，回家途中通过一天），和景点。可以基于可变活动的统计概率来如果目的地包括工作区，则工作区应置于第一位置。如果目的地包括居住区（即，回家中途通过一天），那么它应该被放置在一个随机的位置，不包括开始和结束的所有目的地。其他目的地随机安排。(2) 考虑交通诱导信息的可靠性的里程碑i，j。如第4.1节中所介绍的，用户根据等式2选择路线。根据公式（12）和（13），然后可以如下计算mi，j和相关功耗DSOCi，jmi;jlrs14r;sDSOCi;jwrst·lrs=B15r;s其中，S是所选路线的所有道路的集合;wrs（t）是通过以下方法在Ref.[46]B是EV电池的容量EV充电站现有的快速充电器一般在高功率时将SOC充电到约80%，然后在低功率时缓慢充电。因此，在SOC达到80%之后快速充电的时间可以计算如下：不走ticharge1/4/20：8-DSOCi;j-DSOCi;stationonn]Bi=Pchf2/22其中，DSOCi，station是从当前目的地到充电站的功耗，并且Pchf是额定快速充电功率。4.3. 计算电动汽车插电状态的程序图6概述了用于计算EV在插入时的状态的过程。5. 考虑用户需求的5.1. 电动汽车充电策略电动汽车大部分时间停在住宅和工作区，在其他区域停留的时间相对较短。在主配电站-聚合器分层控制结构中最小值XPchitPi1t-P<$2234.2.2. 时间链(1) 每日行程的开始时间。一开始是一个非-S.T.;-t1/2[47]第四十七话：Ct离开≥SOCið24Þf1e-t-l12=2r216开始我r1p2p0： 2≤ SOCi≤1 × 25 Ω其中l1= 7.8，r1= 1.5。(2) 两个目的地之间的旅行时间。t跳闸可以计算如下：ttrip¼c0rst 17r;s1-D插头;iPch;it 1/4f 0; Pchr;ig27mm其中，Pch，i（t）是在时间t的第i个EV的充电功率;P1DY. Liu，K.刘和X。 孙工程15（2022）186191我我≤ð Þ不X我XX¼1-w ·l=B1998年Rs我我我我我见图6。 电动汽车插电时的状态计算程序。最佳周期T内的平均负载; SOC d是SOC需求;以及Pchr，i是额定充电功率。如果EV插入，则DPlug，i（t）= 1;否则，DPlug，i（t）= 0。方程中的变量（23）不走在时刻t充电，其中Li（t）越小，EV充电需求越强，响应能力越弱。根据Li（t），EV可以分类如下：(1) Li（t）<0：即使EV连续充电也不能满足用户需求。Ct离开I don’我不能到达Idon'thavetoPch;it=Bi 28(2) 0Li t <>：Y. Liu，K.刘和X。 孙工程15（2022）186192其中，N为电动汽车总数，Ns为离开后SOC足够满足用户出行需求的电动汽车数量。Y. Liu，K.刘和X。 孙工程15（2022）186193×6. 为例如图7所示，将包含RBTS BUS 6[48]（上层）和北京交通网络（下层）的系统作为研究案例。北京市五环路以内的高速公路（红线）和主干道（蓝线）形成的交通网络相当于一个25 km 25 km连通图，其中路网节点放置在相应的网格节点上，单位长度为1 km。电动汽车2370辆，电动汽车普及率为50%，私家车与居民用户的比例为1.86[47]。表1给出了RBTS BUS6中对应于北京交通网络的负荷点。网络部件的可靠性参数和关于RUTSBUS6和北京交通网络的详细信息可以在参考文献中找到。[48通过MATLAB平台实现了模拟，重点是以1 h为增量的前一天优化场景。6.1. 电动汽车响应能力情况1：如果所提出的方程式（34）满意。情况2：如果SOC高于某个阈值，则EV可以放电，该阈值分别设置为80%，70%，60%和50%[16]。情况3：电动汽车只有在放电后的SOC高于用户见图7。 配电表1RBTS BUS6中对应北京交通网络的负载点。区域负荷点住宅区1、2、3、4、7、8、9、10、11、13、18、19、22、23、25、27、28、29、三十一，三十三，三十六，三十九工作区域六、十四、十六、十七、二十、二十一、二十四、三十购物中心十五、二十六、三十八医院十二，三十二景区三十四三十五三十七充电站五、四十图8给出了住宅区不同情况下的EV响应能力。在这些案件之间可以发现明显的差异。案例3的响应能力明显低于其他两种情况，因为刚回来的大部分电动汽车的SOC无法满足用户后续的出行需求。采用24小时时钟，案例1在某一天的11：00到第二天的2：00之间具有比案例2更高的响应能力。在2：00之后，情况1的响应能力下降，低于情况2，因为在情况1中，用户图9描绘了居住区中EV用户的满意度。案例1和案例3中的用户满意度始终为1。在案例2中，用户满意度在12：00至24：00期间保持接近1，但在1：00至11：00期间显著下降;并且，SOC阈值越低，满意度越低。如图如图10和图11所示，工作区不同情况下的电动汽车响应能力和电动汽车用户满意度与居民区相似。值得注意的是，案例2中的响应能力几乎相同，阈值为50%和60%。这是因为在工作区域内SOC为50%-60%的电动汽车数量几乎为0，如图所示。 12个。图8.第八条。居民区电动汽车响应能力图9.第九条。居住区电动汽车用户Y. Liu，K.刘和X。 孙工程15（2022）186194图10个。工作区域的EV响应能力图十一岁电动汽车用户见图12。 工作区电动汽车SOC分布。可以看出，该方法可以最大限度地提高电动汽车的响应能力，以满足用户的出行需求。6.2. 交通诱导信息对电动汽车出行的影响表2提供了EV出行的模拟结果，考虑到交通引导信息的可靠性（即，其代）表2交通诱导信息对电动汽车出行的影响。EV行程数据完全可靠不可靠生成释放不可靠平均每日行程时间（小时）1.71012.83672.6082日均里程（公里）46.409046.172842.4838平均抵达时间8.35278.63068.6051工作区域平均返回时间19.134719.971319.7362住宅区平均每日耗电量0.51580.51740.4817快充10.9243%11.2978%7.1428%平均快速充电能量0.07130.07230.0463以及释放的可靠性。当交通诱导信息完全可靠时，电动汽车用户可以准确识别交通网络状态，选择耗时最短的路径。但是，里程和功耗可能会增加。相反，不可靠的交通诱导信息或不可靠的信息发布会导致平均每日出行时间的明显增加，以及到达工作区和返回居民区的延迟。图图13和图14提供了EV到达工作区域的时间和返回住宅区域的时间的概率分布。研究发现，不可靠交通诱导信息与不可靠交通诱导信息发布对应的时间概率分布较为接近，且明显滞后于完全可靠交通诱导信息的图13岁电动汽车到达工作区时间的概率分布图十四岁电动汽车在居民区返回时间的概率分布Y. Liu，K.刘和X。 孙工程15（2022）186195在交通诱导信息发布不可靠的情况下，用户在交通网络内根据自己感知的阻抗选择路线，6.3. 网络系统可靠性对电动汽车响应能力的影响案例1：网络系统完全可靠。案例2：配电网网络系统完全可靠，考虑交通网络系统的可靠性。案例3：交通网络系统完全可靠，考虑配电网网络系统的可靠性。案例4：考虑了输电网和配电网的网络系统的可靠性。图图15示出了在工作区和居民区的不同情况下的EV响应能力。很明显，网络系统的可靠性对EV响应能力有很大影响，案例2-4中的响应能力低于案例1。交通网络系统的可靠性主要影响电动汽车集中插电期间的电动汽车响应能力，而配电网网络系统的可靠性始终且在更大程度上影响电动汽车响应能力。这是因为电动汽车充放电控制需要多个实时通信和链路，增加了信息传输不可靠的概率，导致部分电动汽车处于不可控状态，系统响应能力大幅下降。图15.在（a）工作区和（b）住宅区不同情况下的EV响应能力。7. 结论本文提出了一种电动汽车响应能力评估方法，考虑电动汽车用户的出行需求和网络系统的可靠性集成到电网和交通网络。以北京市交通网络和RBTS BUS6为例进行仿真，结果表明，该方法基于电动汽车充电需求的松弛度，能够在满足用户出行需求的同时，最大限度地提高电动汽车的响应能力.交通诱导信息不可靠或发布不可靠，会影响电动汽车出行，最终延误电动汽车的插电时间。网络系统的可靠性对电动汽车响应能力的影响很大，配电网的网络系统比交通网络系统的影响更大。该方法不仅能更准确、更有效地评估电动汽车的响应能力，而且能为电力-交通网络系统的联合规划和优化运行提供支持此外，本文仅从交通诱导信息的角度考虑了交通网络系统的影响。交通网络系统在交通系统调度中的作用将在今后的工作中加以考虑。此外，动态热额定值（DTR）系统具有升级电网的强大潜力。鉴于DTR中有许多传感器和因此，为了解决插电式电动汽车可能引起的线路过载问题，DTR网络系统的可靠性将在我们未来的鉴于网络攻击的风险越来越大，可能导致传输中断，传输延迟，信息篡改和网络系统中的其他故障，网络攻击对CPDN中EV响应能力的影响不容忽视。前两种影响已在本文中进行了讨论，信息篡改也将在未来的研究。致谢本课题得到了国家重点研究发展计划（2017YFB 0903000）《电网网络物理系统分析与控制的基本理论与方法》的遵守道德操守准则Yanli Liu、Ke Liu和Xu Sun声明他们没有利益冲突或财务冲突需要披露。引用[1] 国际能源署。全球电动汽车展望2019 [互联网]。巴黎：国际能源署; 2019年5月[引用于2021年4月15日]。可从以下网址获得：https://www.iea.org/reports/global-ev-outlook-2019[2] GodinaR，RodriguesEMG，MatiasJCO，CataláoJPS. 智能电动汽车充电调度器，用于防止行业客户端配电Transformer过载。应用能源2016;178：29-42.[3] 放大图片创作者：Steven E.电动汽车作为电力公司的新能源。Transp Res DTransp Environ1997;2（3）：157-75.[4] 放大图片作者：Han S，Sezaki K.开发最佳车辆到电网聚合器用于频率调节。 IEEETrans Smart Grid 2010;1（1）：65-72.[5] 钟伟，谢凯，刘毅，杨春，谢顺。主动配电系统的拓扑感知车-网能量交易。IEEETrans Smart Grid 2019;10（2）：2137-47.[6] Li Y，Hu B.一个联盟区块链支持的安全和隐私保护优化的电动汽车充电和放电交易计划。IEEETrans Industr Inform 2021;17（3）：1968-77.[7] Singh J，Tiwari R.配电系统中电动汽车V2G实施的成本效益分析。IEEE TransInd Appl 2020;56（5）：5963-73.Y. Liu，K.刘和X。 孙工程15（2022）186196[8] 陆X，陈KW，夏S，Shahidehpour M，吴WH.利用电动汽车聚合器的灵活性的配电公司的运营模型。IEEETrans Smart Grid 2021;12（2）：1507-18.[9] 张翔，陈国威，王宏，周波，王刚，邱军。电动汽车和风电不确定性多目标调度的分解多群搜索优化。应用能源2020;262：114507。[10] 张海，胡志，徐志，宋毅。使用聚合PEV模型评估可实现的车辆到电网容量。 IEEETrans Power Syst 2017;32（1）：784-94.[11] Mehta R，Verma P，Srinivasan D，Yang J.双层智能能源管理，用于插电式电动汽车与配电系统的最佳集成。应用能源2019;233：146-55.[12] Zhao J，Wan C，Xu Z，Wong KP.考虑插电式电动车整合的旋转备用需求优化。IEEE Trans Smart Grid2017;8（4）：2009-21.[13] 帕维奇岛，卡普德岛，库兹勒岛。灵活的电动汽车在提供旋转储备服务方面的价值。应用能源2015;157：60-74.[14] Wang Q，Zhang C，Ding Y，Xydis G，Wang J，Chenstergaard J.用于集成分布式能源资源和需求响应的实时电力市场综述。应用能源2015;138：695-706。[15] SharmaA，Srinivasan D，Trivedi A. 不确定环境下服务恢复的分散多智能体方法。IEEE Trans Smart Grid2018;9（4）：3394-405.[16] 侯凯，徐旭，贾宏，余旭，蒋涛，张凯，等.一种基于电动汽车的综合交通与电力系统可靠性评估方法.北京：中国电力出版社，2001. IEEE Trans Smart Grid2018;9（1）：88-100.[17] Sharma A，Srinivasan D，Trivedi A.分布式多智能体系统的分布式孤岛供电恢复方法。IEEE Trans Smart Grid2015;6（6）：2784-93.[18] 杨文辉，陈文辉，陈文辉.模拟车辆并网技术对电力系统的好处。IEEE TransPowerSyst 2012;27（2）：1012-20.[19] Das R，Wang Y，Putrus G，Kotter R，Marzband M，Herteleer B，et al.电动汽车能源服务的多目标技术经济环境优化。应用能源2020;257：113965.[20] 李志，赵S，刘勇.分布式电动汽车储能控制策略及应用。Power Syst Technol2016;40（2）：442-50. 中文.[21] 杨X，任S，张Y，赵B，黄F，谢L. 电动汽车可调度能力模型及基于优先级的日内调度策略。Autom ElectrPower Syst 2017;41（2）：84-93. 中文.[22] Rautiainen A，Repo S，Jarventausta P，Mutanen A，Vuorilehto K，JalkanenK. 基于全国出行调查数据的配电网插电式混合动力汽车充电负荷统计建模。IEEETrans Smart Grid 2012;3（4）：1650-9.[23] 放大图片作者：AriasMB，Kim M，Bae S. 现实城市交通网络中电动汽车充电功率需求预测。应用能源2017;195：738-53.[24] 陶S，廖克，肖X，温军，杨勇，张军。基于出行链随机分析的电动汽车充电需求。IET Gener Transm Distrib2016;10（11）：2689-98。[25] 唐栋，王平。基于电动汽车时空动态的节点充电需求概率建模。 IEEE TransSmart Grid2016;7（2）：627-36.[26] SteenD，Tuan LA，Carlson O，Bertling L. 基于人口统计数据的电动汽车充电方案评估。IEEE Trans Smart Grid 2012;3（3）：1457-68.[27] Bae S ， Kwasinski A. 电 动 汽 车 充 电 需 求 时 空 模 型 。 IEEE Trans SmartGrid2012;3（1）：394-403.[28] Galus MD，Waraich RA，Noembini F，Steurs K，Georges G，Boulouchos K，等. 整合电力系统、运输系统和车辆技术，进行电动交通影响评估和有效控制。IEEETrans SmartGrid 2012;3（2）：934-49.[29] Bessani M，Fanucchi RZ，Delbem ACC，Maciel CD.运营商的表现对网络物理配电系统可靠性的影响。IET Gener Transm Distrib 2016;10（11）：2640-6。[30] 吴刚，王刚，孙军，陈军。网络物理电力系统中的最优部分反馈攻击。 IEEE传输自动控制2020;65（9）：3919-26.[31] Jahromi AA，Kemmeugne A，Kundur D，Haddadi A.针对通信辅助保护方案的网络物理攻击。IEEE Trans Power Syst2020;35（1）：440-50.[32] 李英，王英，胡S.基于在线生成对抗网络的虚假数据注入攻击测量恢复：网络物理方法。IEEE TransIndustr Inform 2020;16（3）：2031-43.[33] 刘毅，陆东，邓立，白涛，侯凯，曾毅。考虑多信息因素的电力信息物理系统连锁故障风险评估。IET Cyber-Phys Syst Theory Appl2017;2（4）：155-60.[34] 孙 晓 ， 刘 毅 ， 邓 丽. 基 于 故 障 树 的 信 息 - 物 理 配 电 网 可 靠 性 评 估 。 更 新 能 源2020;155：1411-24.[35] 辛S，郭庆，孙华，张波，王军，陈春。递阶控制系统的信息物理建模与信息应急评估。IEEE TransSmart Grid 2015;6（5）：2375-85.[36] Falahati B，Fu Y. 考虑间接网络电力相关性的智能电网可靠性评估。IEEE TransSmart Grid 2014;5（4）：1677-85.[37] 徐丽，郭强，杨涛，孙华.考虑网络-物理相互依赖的智能电网鲁棒路由优化。IEEETrans Smart Grid 2019;10（5）：5620-9.[38] AdefaratiT，Bansal RC. 可再生能源存在下微电网系统的可靠性、经济性和环境分析。 应用能源2019;236：1089-114.[39] 刘伟，龚强，韩红，王正，王玲。主动式赛博物流系统的可靠性建模与评估。IEEETrans Power Syst 2018;33（6）：7096-108.[40] Cheng L，Chang Y，Lin J，Singh C.基于电池交换模式的电动汽车并网电力系统可靠性评估。IEEE Trans SustainEnergy 2013;4（4）：1034-42.[41] 王X ，Karki R. 开发PHEV 以提 高电 力系 统的可 靠性 。IEEETrans Smart Grid2017;8（5）：2100-8.[42] 李伟城市轨道交通智能化综合调度管理系统研究[学位论文]。北京：北京交通大学;2006. 中文.[43] 万英，曹建，张松，涂刚，陆超，徐翔，等。智能电网应用的综合信息物理仿真环境。清华科技2014;19（2）：133-43.[44] 高湾基于ATMS的公共信息平台关键技术及实现方案[学位论文].长春：吉林大学;2005. 中文.[45] 张文，张文，等.基于活动的交通需求模型系统.北京：交通出版社，2001.《运输研究A部分政策实践》，2001年;35（1）：1-28。[46] 聂毅，王X，郑奎.电动汽车用户参与的智慧城市多区域自适应定价控制。IEEETrans Intell Transp Syst 2018;19（7）：2156-64.[47] SantosA，McGuckin N，Nakamoto HY，Gray D，Liss S. 旅行趋势摘要：2009年全国家庭旅行调查。华盛顿特区：美国交通部，联邦公路管理局; 2011年。[48] Billington R，Jonnavithula S.电力系统可靠性综合评估教学实验系统。 IEEETrans Power Syst 1996;11（4）：1670-6.[49] 邓丽，刘英，余英，白涛.考虑全故障处理的配电网CPS可靠性评估。《电力自动化装备》2017;37（12）：22-9. 中文.[50] 北京市交通委员会.实时交通状况[互联网]。北京：北京市交通运输委员会; 2019[引自2021年4月15日]。可从以下网址获得：http://jtw.beijing.gov.cn/[51] Weather Post网站北京历史天气[互联网]。安徽：天气邮报网站; 2019年[引用2021年4月15日]。可从以下网址获得：http：www.tianqihoubao.com/lishi/beijing.html。中文.