⚡ electrical engineering

Quantifying Realizable Flexibility Limits in Fast and Ultra-Fast EV Charging Using Real-World Data

本文提出了一个利用 252 次真实充电会话的数据驱动框架，旨在量化快速及超快速电动汽车充电固有的、随时间变化的灵活性限制，揭示了实际能力严格受限于电池管理系统约束，而非简单的功率可控性。

原作者： Cesar Diaz-Londono, Liu Zhang, Jorge De La Cruz, Hamidreza Arasteh, Anand R., Daogui Tang, Josep M. Guerrero

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Cesar Diaz-Londono, Liu Zhang, Jorge De La Cruz, Hamidreza Arasteh, Anand R., Daogui Tang, Josep M. Guerrero

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一支正在加油站快速充电桩前充电的电动汽车（EV）车队。电网运营商想知道：“我们可以要求这些车改变多少充电行为，从而帮助电网？”也许他们想让车辆充电速度稍微慢一点以节省电力，或者在用电高峰时段让车辆向电网释放一些能量。

这篇论文指出：“停止猜测。让我们通过实际数据来看看物理上什么是可能的。”

以下是他们研究结果的拆解，使用了简单的类比：

1. “驾驶员” vs. “汽车”（谁在控制？）

大多数人认为充电站（“插头”）才是主宰。他们想象电网运营商可以直接告诉充电站：“嘿，现在把功率降低 50%！”

论文揭示的现实： 汽车实际上才是老大。
把汽车的电池管理系统（BMS）想象成一位严格的私人教练。这位教练非常清楚电池在任何给定时刻能承受多少负荷。

如果电池电量低，教练会说：“全力以赴！全速充电！”
如果电池快满了，教练会说：“慢下来！我们不能推得太猛，否则会伤害电池。”
教训： 你不能仅仅通过强制手段来随意改变车辆的充电速度。汽车有一个预设的“训练计划”（功率-荷电状态曲线，Power-SoC curve），它必须遵循这一计划以确保安全。这种灵活性不在于调节一个旋钮，而在于移动那个训练计划的时间点。

2. “等候室”（灵活性存在于何处？）

该论文分析了来自 52 个不同汽车品牌的 252 次真实充电过程。他们发现，灵活性仅存在于**“等候室”**中。

强制部分： 当你插上电源时，汽车必须以尽可能快的速度将电量从（例如）20% 充到 80%。你不能在这里要求它减速，否则会耽误你的行程。
闲置时间： 只有当你达到目标电量后仍继续插着电时，才存在灵活性。
- 类比： 想象你在下午 5:00 完成了锻炼，但直到 6:00 才离开健身房。这多出来的一个小时就是你的“灵活性窗口”。
- 论文表明，如果你有这段额外时间，你可以改变在锻炼期间“喝水”（摄取能量）的时间点，但你无法改变锻炼本身。

3. “滑动窗口”（我们能移动多少？）

研究人员使用“滑动窗口”的概念来衡量灵活性。

想象你有一个 10 分钟的额外时间窗口。
问题： 在这 10 分钟内，我们能把多少能量进行转移？
答案： 这取决于汽车。有些车可以转移大量能量，而有些车只能转移极少量的能量。
研究发现： 你拥有的额外时间越多（闲置期越长），你可以转移的能量就越多。但这种转移并非无限的。它受限于汽车的电池容量及其特定的“训练计划”。

4. “双向车道”（充电与放电）

论文还研究了双向灵活性（车辆到电网，V2G），即汽车向电网返还能量。

类比： 想象你在健身房。你有额外的 10 分钟时间。你可以做一组快速俯卧撑（放电），然后在离开前完成你的锻炼（充电）吗？
限制： 你只有在满足以下条件时才能这样做：
1. 你有足够的时间完成俯卧撑，并且在离开前回到目标状态。
2. 你的教练（BMS）同意这种强度是安全的。
结果： 论文发现，汽车能释放出的能量量是受到严格限制的。有时，根据你开始操作的时机，一辆车的放电量可能会比你预期的多出两倍，但这必须建立在时机完美的前提下。如果你尝试过度深入或持续过久，为了保护电池，“教练”会强制停止。

5. “现实世界” vs. “理论模型”的差距

许多之前的研究假设电动汽车就像简单的“水桶”，可以按照电网要求的任何速度进行填充或排空。

论文的修正： 电动汽车不是简单的水桶。它们是复杂的、智能的设备，拥有严格的安全规则。
核心观点： 你不能将电动汽车的灵活性视为一个“可控的功率开关”。相反，它是一个**“受限的能量资源”**。
- 它是状态相关的：取决于电池当前的电量。
- 它是时间相关的：取决于汽车停放了多久。
- 它还具有品牌差异性：特斯拉的表现与福特或现代的表现截然不同。

总结

这篇论文告诉我们，要利用电动汽车来帮助电网，我们不能再思考“我们能开启或关闭多少功率？”，而应该思考：“在考虑到汽车特定规则和停放时长的情况下，我们能在时间维度上转移多少能量？”

灵活性是真实的，但它是受限的、可预测的，并且受到汽车自身安全系统的严格限制。它不是一根魔杖，而是一个经过精确计算的机会。

技术摘要：利用真实世界数据量化快速及超快速电动汽车充电的可实现灵活性极限

1. 问题陈述

交通运输业的快速电气化已将电动汽车（EV）定位为能够支持电网稳定性、可再生能源集成和缓解拥塞的关键分布式能源。然而，现有的文献通常将电动汽车的灵活性建模为一种自由可调度的功率资源，依赖于过于简化的假设，例如恒定功率充电或任意的时间偏移。这些模型未能考虑到快速及超快速直流充电固有的物理约束，即充电轨迹受电池管理系统（BMS）、电池化学特性及保护限制的严格控制。

本文解决的核心问题是缺乏一个能够量化快速及超快速充电过程中物理可实现灵活性的现实框架。现有方法忽视了功率与荷电状态（SoC）之间非线性、状态相关的关系，以及空闲时间可用性的关键作用。因此，系统运营商和聚合商可能会高估电动汽车车队的受控能力，从而导致调度方案不可行并可能造成电池退化。

2. 研究方法

本文提出了一个数据驱动、轨迹感知的框架，将电动汽车的灵活性量化为一个受能量限制且受时间约束的过程。该方法基于以下支柱构建：

真实世界数据集： 本研究利用了来自 Fastned 的 252 次真实直流充电记录，涵盖了 52 个电动汽车品牌和 141 种不同的“功率–SoC”行为特征。这些剖面涵盖了从 18.7 kWh 到 111.2 kWh 的电池容量，以及从 35 kW 到 403 kW 的峰值充电功率。
剖面重建： 为确保一致性，不完整的原始遥测数据被重建为完整的 1–100% SoC 轨迹。在边界处采用线性外推法，并配合最小功率底限，以在不引入人为假设的前提下保持趋势。
合成放电建模： 鉴于真实车辆到电网（V2G）数据的稀缺性，本文生成了合成放电剖面。这些剖面通过电压限制型电池模型从实测充电曲线中导出。该方法采用中心 SoC（50%）附近的镜像映射、振幅缩放、软峰值功率限制（第 90 百分位数）以及斜率限制，以创建物理上合理且保守的放电包络线。
灵活性公式化：
- 单向灵活性： 定义为在保持最终目标 SoC 的前提下，在特定时间窗口（ $\Delta t$ ）内最大可转移的充电能量。通过滑动窗口分析识别能量在时间维度上可重新分配的上限和下限。
- 双向灵活性： 定义为最大可提取的放电能量，随后需充电回目标 SoC。其受以下因素约束：
  1. 时间可行性： 放电及随后的充电过程必须在可用的空闲时间内完成。
  2. 电池保护： 约束包括最小 SoC 限制（ $SoC_{prot}$ ）以及每次充电会话的最大放电深度（ $\Delta SoC_{max} = 60\%$ ），以防止过度退化。
车队级聚合： 该框架通过聚合单辆电动汽车的结果，生成车队级的灵活性边界、可行性图谱和统计指标（如可行率、归一化灵活性）。

3. 主要贡献

本文对现有技术水平做出了四项主要贡献：

全面的 BMS 感知数据集： 创建了一个包含 141 种不同“功率–SoC”轨迹的统一数据集，这些轨迹源自 252 次真实的快速/超快速充电过程，并根据充电能力分为三类（标准快速、高功率快速和超快速）。
系统性能评估： 对不同充电器额定功率（7–480 kW）下的充电性能进行了系统分析，量化了由于 BMS 饱和（特别是在 80–100% SoC 范围内）导致的更高充电器功率带来的收益递减现象。
数据驱动的单次会话灵活性指标： 引入了滑动窗口指标来估算可转移能量和归一化 SoC 灵活性，从而在不依赖任意功率控制假设的情况下，对灵活性潜力进行经验性评估。
有界双向灵活性框架： 提出了一种仅利用充电数据来估算双向灵活性极限的新方法。通过结合缩放的对称性放电包络线与基于窗口的能量指标，该研究为在空闲时间和电池保护约束下的可提取能量提供了现实的边界。

4. 关键结果

充电动态： 在 20%–80% SoC 范围内的充电时间比全周期缩短了 60% 以上，平均功率提升高达 40%。然而，由于 BMS 实施的功率递减，在 80% SoC 之后的充电速度提升有限。
单向灵活性： 灵活性并非固定的功率储备，而是一种受能量限制的能力。短空闲窗口（5–10 分钟）允许 SoC 发生几个百分点的变化，而 20 分钟或更长的窗口则显著扩大了可行的能量转移范围。
双向灵活性： 最大可提取放电能量高度依赖于激活时机和可用空闲时间。研究发现，取决于启动灵活性操作的时机，可提取能量可能会达到其原值的两倍以上。
约束条件： 电池保护约束（特别是 60% 的放电深度限制）和空闲时间是主要的限制因素。对于短空闲时间，受时间约束；对于长空闲时间，则受电池约束。
车队异质性： 车队内部存在显著差异。一些超快速充电车辆即使在长时间空闲的情况下也表现出有限的双向潜力，而另一些车辆则可以提取更多能量，这凸显了进行车队级聚合而非统一建模的必要性。

5. 意义与主张

本文主张，在快速及超快速充电背景下，电动汽车的灵活性不应被解释为一种可控的功率资源，而应被视为一种受限的、状态相关的且与时间耦合的能量能力。

运行现实： 研究断言，物理上可实现的灵活性是由电动汽车特定的“功率–SoC”特性、强制充电时长之外的可用连接时间以及电池保护限制共同决定的。
可操作的极限： 所提出的框架提供了灵活性可操作的下限（LB）和上限（UB）。这些边界定义了任何准许的充电或放电轨迹的可行区域，为系统运营商和聚合商在调度、削峰填谷及短期灵活性服务方面提供了现实的限制。
战略影响： 研究结果表明，从电动汽车灵活性中获取价值的策略应优先考虑连接管理（例如，管理空闲时间），而非仅仅提高充电器的功率额定值。此外，针对快速充电电动汽车的能量服务应围绕中段 SoC 窗口（20–80%）进行设计，因为该阶段功率水平较高且 BMS 限制较少。
方法论转变： 通过将视角从“可控功率”转向“可实现的能量边界”，该框架为将电动汽车纳入系统级研究提供了一个物理一致的基础，避免了简化模型中存在的过度估计可调度性的缺陷。

本文结论指出，虽然该框架实现了无需直接 V2G 测量即可进行实际的灵活性量化，但未来仍需将这些边界转化为实时运行工具，并将分析扩展到重型运输及港口电动化应用领域。