Large-scale plug-in electric vehicles (PEVs) utilizing vehicle-to-grid (V2G) technology can collectively behave as a storage system under the control of an aggregator, e.g., arbitraging in the energy market and providing ancillary services to the grid. Quantitatively evaluating V2G capacity, i.e., charging and discharging power ranges, for a PEV fleet utilizing V2G technology (which is referred to as a V2G fleet in this paper) ahead of time is of fundamental importance for V2G implementation. However, because of the stochastic characteristics of PEV driving behaviors, charging demands are difficult to forecast, which makes evaluating V2G capacity technically difficult. This paper first establishes an aggregate model of a V2G fleet that employs aggregated parameters to represent energy and power constraints of the entire V2G fleet and, therefore, reduces the difficulty of forecasting. Then, an evaluation method for V2G capacity of large-scale PEVs is developed based on the proposed aggregate model. To make the V2G capacity evaluated in advance achievable while guaranteeing charging demands during real-time operation, a heuristic smart charging strategy is designed. The application of the evaluation method in optimal charge and discharge scheduling for a V2G fleet providing power reserves is illustrated. Numerical simulations are conducted to validate the proposed method.

To build a properly planned infrastructure for plug-in electric vehicle (PEV), charging will bolster their market acceptance. Different types of PEV charging facilities for private PEVs, including public charging spots deployed in public parking lots (PLCSs) and roadside fast-charging stations (FCSs), are substitutes for each other. This paper proposes an integrated planning framework for them in an urban area from the perspective of a social planner. The planning objective is to minimize the social costs of the whole PEV charging system. The proposed framework decouples the planning for different types of charging facilities. The spatial and temporal charging demands for FCSs are generated by a charging demand forecasting method, when the quantities of different types of PLCSs are given. The optimal siting and sizing problem of FCSs is solved by Voronoi diagram together with particle swarm optimization algorithm. By traversing the quantities of different types of PLCSs, the optimal planning results are obtained. The effectiveness of the proposed framework is verified via a case study of a real-urban area in China. The substitution effect between different types of charging facilities is studied. The impacts of the ambient temperature, the private charging spot possession rate, and the service level of PLCSs on the planning results are also assessed.