本文属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
本文的主要作者包括Zhiyuan Bao、Zechun Hu和Asad Mujeeb，均来自清华大学电气工程系。该研究发表于2024年12月的IEEE Transactions on Transportation Electrification期刊，卷10，第4期。
本研究的主要科学领域是电动汽车（Electric Vehicle, EV）在电力市场中的聚合管理。随着电动汽车的普及，其充电行为对电力系统的影响日益显著。传统的日前竞价（day-ahead bidding）通常被视为独立的一次性行为，未能考虑电动汽车车队跨日能量状态的连续性。这导致了跨日能量缺口（cross-day energy gaps）问题，即由于连续两天的竞价决策未考虑耦合关系，导致能量状态不匹配。为解决这一问题，本研究提出了一种新的电动汽车聚合商（Electric Vehicle Aggregator, EVA）竞价方法，旨在通过引入端点能量和功率边界（Endpoint Energy and Power Boundary, EEPB）模型，最小化EVA的充电灵活性损失，并实现成本与风险的平衡。
本研究的主要流程包括以下几个步骤：
问题定义与模型构建
研究首先定义了跨日能量缺口问题，并提出了EEPB模型。该模型通过将每个电动汽车充电事件分解为多个基于分割点（split points）的事件，解决了传统模型未能考虑跨日能量状态连续性的问题。研究还提出了一个双层方法，用于确定最优分割点（包括分割时间和分割能量水平），以最小化EVA的灵活性损失。
数据收集与处理
研究使用了2021年至2022年间中国北部的约70万条实际住宅电动汽车充电记录作为数据来源。这些数据包括充电量、电动汽车到达时间和离开时间等信息。研究对这些数据进行了清洗和处理，以确保数据的有效性。
最优分割点的确定
研究通过遍历所有可能的分割时间，并应用最优分割能量水平，计算了每个分割时间的灵活性损失。结果表明，当充电记录在10:00至17:00之间分割时，灵活性损失小于13%，最优分割时间出现在每天的16:15，灵活性损失为11.4%。
灵活性恢复
研究提出了一种风险规避的灵活性恢复方法，通过深度神经网络（Deep Neural Network, DNN）模型预测灵活性恢复量。该模型通过引入风险规避损失函数，有效减少了灵活性损失，同时保持了较低的过预测率。
跨日风险规避竞价策略
研究提出了一种基于EEPB模型的跨日风险规避竞价策略。该策略通过两阶段随机优化方法，考虑了电力市场价格和电动汽车充电行为的不确定性，并引入了条件风险价值（Conditional Value at Risk, CVaR）来更好地管理风险。
最优分割点的确定
研究确定了最优分割时间为16:15，灵活性损失为11.4%。与午夜分割相比，灵活性损失减少了约25%。
灵活性恢复
通过风险规避DNN模型，研究成功将灵活性损失减少了10.48%，同时过预测率仅增加了0.63%。
跨日风险规避竞价策略
研究结果表明，该策略能够有效解决跨日能量缺口问题，减少充电灵活性损失，并在成本与风险之间实现平衡。具体而言，灵活性恢复后的能量可行域扩大，使得更优的竞价策略成为可能，日前成本和实时风险成本均减少了约3%-4%。
本研究提出了一种新的电动汽车聚合商竞价方法，通过引入EEPB模型和最优分割点，成功解决了跨日能量缺口问题。该方法不仅减少了充电灵活性损失，还实现了成本与风险的平衡。研究结果表明，最优分割时间为16:15，灵活性损失为11.4%，且通过风险规避DNN模型，灵活性损失进一步减少了10.48%。跨日风险规避竞价策略在实际应用中表现出色，能够有效管理电力市场价格和电动汽车充电行为的不确定性。
新颖的EEPB模型
本研究首次提出了EEPB模型，通过分割电动汽车充电事件，解决了传统模型未能考虑跨日能量状态连续性的问题。
最优分割点的确定
研究通过双层方法确定了最优分割点，最小化了EVA的灵活性损失。
风险规避DNN模型
研究提出了风险规避DNN模型，通过引入风险规避损失函数，有效减少了灵活性损失，同时保持了较低的过预测率。
跨日风险规避竞价策略
研究提出了一种基于EEPB模型的跨日风险规避竞价策略，通过两阶段随机优化方法，有效管理了电力市场价格和电动汽车充电行为的不确定性。
本研究还通过大规模实际数据验证了所提出方法的有效性，结果表明该方法在实际应用中具有较高的可行性和应用价值。未来的研究将重点关注EEPB的概率预测和场景生成，以进一步提升竞价策略的精度和鲁棒性。
通过以上研究，本文为电动汽车聚合商在电力市场中的竞价管理提供了新的思路和方法，具有重要的科学价值和应用价值。