中國儲能網(wǎng)訊：構建新型電力系統(tǒng)對于實現(xiàn)“碳達峰、碳中和”目標至關重要[1-5]。新型電力系統(tǒng)中，電源構成由傳統(tǒng)確定性的常規(guī)電源占主導，向隨機性、間歇性、波動性的新能源發(fā)電占主導轉變，負荷從“被動型”向具有靈活能力的“主動型”轉變，供需雙側均呈現(xiàn)高度不確定性。系統(tǒng)平衡方式也因此發(fā)生根本轉變，由傳統(tǒng)的源隨荷動方式，轉變?yōu)椴淮_定發(fā)電與不確定負荷雙向匹配，需要更強的系統(tǒng)靈活調節(jié)能力。當前，中國靈活調節(jié)電源裝機比重不足6%，系統(tǒng)調節(jié)能力不足問題逐漸凸顯[6-7]。
新型儲能，即鋰離子電池、液流電池、飛輪、壓縮空氣、氫/氨、儲熱/冷等除抽水蓄能外的新興儲能技術，具有多種優(yōu)勢。隨著技術經(jīng)濟性進步，新型儲能正在逐步成為系統(tǒng)靈活調節(jié)能力的重要支撐[8-15]。截至2023年底，已投運新型儲能累計裝機規(guī)模達3139萬kW/6687萬kW·h，平均儲能時長2.1 h，相關投資已超千億元。系統(tǒng)平衡和安全需要新型儲能，但新型儲能相關基礎設施投資大，勢必將推高系統(tǒng)供電成本。過量配置，將造成重大資源浪費。
因此，未來系統(tǒng)究竟需要多少新型儲能、什么形式的新型儲能是需要重點研究的課題。多數(shù)專家學者對新型儲能需求預期較高：到2030年為1.5億~3.2億kW，到2050年能夠達到10億kW以上。然而，抽蓄、電動汽車發(fā)展等各種因素將影響新型儲能需求，尤其是電動汽車車網(wǎng)互動將產(chǎn)生重要影響。電動汽車自帶儲能，?？繒r間長，具備向電網(wǎng)反送電（vehicle to grid，V2G）的“移動儲能”特性[16-23]。近5年，中國電動汽車銷量年均增速已高達67%。截至2023年底，中國電動汽車保有量已達到2041萬輛，占中國汽車比重達6.1%。2023年1—7月，中國電動汽車充電量約441.4億kW·h，占全社會用電量的0.8%。如果未來電動汽車持續(xù)快速發(fā)展，并實現(xiàn)與電網(wǎng)的良性互動，將大幅降低系統(tǒng)對新型儲能的配置需求。
基于這一考慮，本文從系統(tǒng)全局優(yōu)化角度，結合中國和分區(qū)域電力系統(tǒng)供需平衡，充分考慮源荷互動，將自下而上的微觀技術路線和系統(tǒng)宏觀視角相結合，統(tǒng)籌量化研究電動汽車未來發(fā)展規(guī)模及車網(wǎng)互動對新型儲能配置的影響：1）基于系統(tǒng)視角，將電動汽車調節(jié)與新型電力系統(tǒng)規(guī)劃運行進行統(tǒng)籌協(xié)調，得出具有實際應用意義的電動汽車靈活調節(jié)能力；2）充分考慮各種影響因素與隨機行為，建立科學合理的規(guī)模預測與全時域全景可觀性靈活調節(jié)模型；3）全面考慮調節(jié)功率、持續(xù)時長、調節(jié)時段等重要參數(shù)，區(qū)分短期與長期調節(jié)能力，合理準確定位電動汽車車網(wǎng)互動對儲能的替代性。研究尺度覆蓋近中期到遠期，涵蓋中國及其7大區(qū)域，對于科學準確評估未來系統(tǒng)新型儲能配置具有重要意義。
1 機理與影響因素
1.1 靈活性機理
電動汽車?？繒r間長且配置儲能電池，具有雙向調節(jié)和響應速度快的特點。根據(jù)相關統(tǒng)計，中國私人電動汽車日均行駛時間僅為2.6 h，平均90%的時間處于非行駛狀態(tài)[24]。在保障自身出行需求的前提下，可以通過V2G形式，在系統(tǒng)負荷高峰期放電支撐電網(wǎng)供電，在低谷期充電補充出行和放電消耗的電量，通過“源-荷”角色的靈活變換與電網(wǎng)進行友好互動。車網(wǎng)互動的實施途徑，可以通過電網(wǎng)、負荷聚合商等直接發(fā)布調度指令，根據(jù)電動汽車響應情況給予相應經(jīng)濟補償，也可以通過峰谷電價等市場手段間接引導。
與電化學儲能類似，電動汽車可雙向調節(jié)，響應精度高，響應速度最高可達毫秒級，持續(xù)時間跨越秒級到數(shù)小時，能夠適應系統(tǒng)從短期到長期的多時間尺度調節(jié)需求。短時上，主要發(fā)揮調頻作用，響應速度達到秒級到分鐘級，持續(xù)數(shù)秒至數(shù)分鐘；長時上，主要發(fā)揮削峰填谷、日內調峰作用，提供日內小時級、跨日的調節(jié)能力，持續(xù)作用時間達數(shù)小時。
電動汽車的基礎屬性是交通工具，滿足其用能需求是基本前提，因此，電動汽車可視作具有一定約束條件的電化學儲能，在控制策略上需要考慮其負荷特性的特殊性和復雜性。除充放電功率、電量等約束外，電動汽車在網(wǎng)時間往往無法同時覆蓋電網(wǎng)負荷高峰期和低谷期，導致電動汽車在電網(wǎng)負荷高峰期放電后，可能在次高峰期而非低谷期集中充電，引發(fā)新的電網(wǎng)負荷高峰期，需要從系統(tǒng)視角統(tǒng)籌考慮電動汽車集群調度控制目標。
1.2 影響因素分析
1.2.1 發(fā)展規(guī)模影響因素
電動汽車的發(fā)展規(guī)模主要受以下因素影響：1）出行用能需求與用能習慣，受經(jīng)濟發(fā)展、人口規(guī)模等宏觀因素影響；2）電動汽車的續(xù)航里程、充電時間、使用壽命、安全性等關鍵技術成熟度與經(jīng)濟性；3）充電樁數(shù)量、布局、充電便利程度等充換電基礎設施完善程度；4）政府規(guī)劃目標、環(huán)境約束、優(yōu)惠政策等政策機制。
發(fā)達國家汽車保有量的歷史數(shù)據(jù)表明，汽車保有量與人均GDP關系呈現(xiàn)“緩-急-緩”的貢珀茨曲線形狀[25]：人均GDP較低階段，汽車保有量緩慢增長，在人均GDP達到10000美元~25000美元時，汽車規(guī)模高速增長，隨著人均GDP進一步提升，汽車保有量增速放緩趨于飽和。基于此發(fā)展規(guī)律，結合未來中國經(jīng)濟發(fā)展和人口預測等數(shù)據(jù)，可研判中國汽車需求總量。為滿足這一固定用能需求，存在傳統(tǒng)燃油汽車、純電動汽車、燃料電池汽車等多種技術路線，各種技術互相競爭，其市場份額取決于技術成熟度與經(jīng)濟性。一般而言，某項技術越成熟、成本越低，其市場規(guī)模將增長越快、占領市場份額越高。電動汽車續(xù)航里程、充電時間、使用壽命、安全性等關鍵技術成熟度，直接影響用戶出行體驗和用能效果，是決定電動汽車規(guī)?；l(fā)展的首要因素。隨著電動汽車技術逐漸成熟，其成本將隨規(guī)模效應、技術研發(fā)投入等因素快速下降，當下降速度高于傳統(tǒng)燃油汽車時，電車與油車的價格差距加速縮小，經(jīng)濟性成為決定電動汽車在何時以多大規(guī)模替代燃油汽車的關鍵因素。
除電動汽車自身技術成熟度外，充電樁的數(shù)量、布局、充電便利度等基礎設施完善程度，也是影響用戶用能效果的重要因素。文獻[26-28]研究證實了電動汽車規(guī)模與充電樁數(shù)量的正相關性。文獻[29]通過量化研究，發(fā)現(xiàn)提高大功率快充樁比例、提升社區(qū)和單位充電樁安裝率，到2025年能夠將中國新能源汽車銷量滲透率由16%提升至24%。
政府規(guī)劃目標、環(huán)境約束、優(yōu)惠政策等政策機制也對電動汽車產(chǎn)業(yè)發(fā)展起到明顯影響作用。根據(jù)建立的政策成效量化分析模型，在電動汽車發(fā)展前期，補貼及稅收減免激勵政策對產(chǎn)業(yè)發(fā)展促進作用最為明顯，政策強度每增加1%，對產(chǎn)業(yè)發(fā)展貢獻度增加1.38%。在由政策驅動向市場驅動的轉型階段，基礎設施投資與技術研發(fā)創(chuàng)新的鼓勵政策起到主要驅動作用。
1.2.2 調節(jié)能力影響因素
電動汽車車網(wǎng)互動提供的靈活調節(jié)能力大小主要受3方面因素影響：1）參與車網(wǎng)互動的電動汽車數(shù)量；2）電動汽車的行為特性與物理參數(shù)，包括電動汽車行駛里程、并網(wǎng)時間等；3）電動汽車的物理參數(shù)，包括電池容量、電池充放電程度、充放電功率等。
電動汽車參與V2G的數(shù)量，取決于用戶意愿度、參與調節(jié)的收益和參與的便利度及由此帶來的電池損耗成本息息相關。電動汽車的行為特性隨機性與不確定性較強，是影響其負荷特性的主要因素，由電動汽車日行駛里程、充電頻次、接入電網(wǎng)時間與在網(wǎng)時長、初始荷電狀態(tài)（state of charge，SOC）、參與V2G調節(jié)后的最小離網(wǎng)SOC、參與調節(jié)意愿度等關鍵物理量表征。其中，日行駛里程和充電頻次，決定電動汽車充電需求總量和接入電網(wǎng)時的電池SOC狀態(tài)。日行駛里程越高、充電頻次越低，則充電前的耗電量越高，意味著初始SOC越小、所需充電電量越高。最小離網(wǎng)SOC、最大放電深度和參與調節(jié)意愿度直接影響V2G可調節(jié)資源量，其中前2個指標分別決定了電動汽車在接入電網(wǎng)后累計和單次放電時間。最小離網(wǎng)SOC越低，電動汽車所需的凈充電電量越少，在接網(wǎng)時段內累計放電時間就越長。最大放電深度越高，則電動汽車單次持續(xù)放電時間越長。
在優(yōu)惠政策、經(jīng)濟激勵、峰谷電價等政策機制的影響下，電動汽車根據(jù)電網(wǎng)調節(jié)需求，統(tǒng)籌并量化各類潛在復雜影響因素決策其充放電行為，系統(tǒng)根據(jù)電動汽車集群參與系統(tǒng)調節(jié)前后的全局負荷特性，形成新的凈負荷曲線與調節(jié)需求，交互迭代，形成閉環(huán)模擬。
2 車網(wǎng)互動模型
車網(wǎng)互動模型由源網(wǎng)荷儲一體化規(guī)劃（GTEP）子模型與考慮V2G調節(jié)慣性的電動汽車負荷子模型2部分所構成，研究框架如圖1所示。2個子模型數(shù)據(jù)交互與迭代，實現(xiàn)源網(wǎng)荷儲一體化協(xié)同模擬仿真，如圖2所示。
圖1 電動汽車車網(wǎng)互動靈活性潛力研究框架
Fig.1 Research framework for the potential of flexibility of electric vehicle
圖2 GTEP子模型與電動汽車負荷子模型的交互迭代
Fig.2 Interactive iteration of GTEP sub–model and electric vehicle load sub–model
GTEP模型以確保用電可靠性為前提、以綜合度電成本最低作為優(yōu)化目標，進行電力電量平衡分析計算，模型框架如圖3所示。模型以電源裝機、電網(wǎng)容量、發(fā)輸電成本效率數(shù)據(jù)和可再生能源能源資源稟賦與政策目標為輸入，統(tǒng)籌電力供需平衡、機組運行、電力傳輸、機組建設等約束條件，以綜合度電成本最低作為優(yōu)化目標，采用大規(guī)模混合整數(shù)規(guī)劃算法（CPLEX）優(yōu)化求解并輸出目標水平年的電源裝機結構及8760 h的發(fā)電結構、潮流變化、燃料消耗及碳排放量等參數(shù)。
圖3 GTEP子模型框架
Fig.3 GTEP sub–model
考慮V2G調節(jié)慣性的電動汽車負荷子模型影響因素包括用戶行為特性、技術與基礎設施水平、電網(wǎng)調節(jié)需求。用戶行為特性是影響負荷特性的首要因素，涉及電動汽車接入電網(wǎng)時間、在網(wǎng)時長、日行駛里程、充電頻次以及參與V2G調節(jié)后的最小離網(wǎng)SOC、最大放電深度、參與調節(jié)意愿度等。技術與基礎設施水平主要由電池容量、單位里程電耗量、充電樁額定功率表征。電網(wǎng)調節(jié)需求由GTEP模型結合凈負荷與儲能出力數(shù)據(jù)生成，電動汽車根據(jù)電網(wǎng)需求，統(tǒng)籌并量化各類潛在復雜影響因素，生成電動汽車參與系統(tǒng)調節(jié)前后的8760 h全局負荷特性，并同步更新GTEP子模型負荷側數(shù)據(jù)與電網(wǎng)調節(jié)需求數(shù)據(jù)，形成閉環(huán)模擬。
從架構上看，模型由隨機行為分析模型與V2G靈活性調節(jié)模型構成。
1）隨機行為分析模型。模型采用蒙特卡洛算法構建電動汽車隨機行為分析模型，還原用戶不確定行為隨機特征。模型通過對用戶行為習慣的觀察或抽樣試驗以及動力電池技術發(fā)展趨勢研判，計算電動汽車日接入電網(wǎng)時間、日在網(wǎng)時長、日行駛里程、電池容量等參數(shù)的概率分布，并從概率分布中重復生成隨機參數(shù)。其中，電動汽車在網(wǎng)時長、電池容量與日行駛里程服從高斯分布，即
式中：f(ξ)為高斯分布ξ的概率密度函數(shù)；μ和σ分別為高斯分布的期望和標準差。電動汽車首次接入電網(wǎng)初始剩余電量與動力電池容量、日行駛里程數(shù)呈線性關系，因此也服從式（1）中高斯分布。電動汽車每日接入電網(wǎng)時間服從加權高斯混合分布，即
式中：K為高斯分布組件數(shù)量（這里取K=3）；ki為第i個高斯分布的權重；μi和σi分別為第i個高斯分布的期望和標準差。
2）V2G靈活性調節(jié)模型。傳統(tǒng)V2G仿真模型以當下電力系統(tǒng)需求為調節(jié)目標，用戶出行需求為主要約束進行構建，實現(xiàn)電動汽車在高峰期時段放電，在負荷低谷期時段充電。但實際場景中，電動汽車在網(wǎng)時間難以完全覆蓋電網(wǎng)高峰期和低谷期，電動汽車高峰期放電后，出行需求約束有一定概率導致車輛集群在后續(xù)次高峰期集中充電，引起新的高峰負荷，使調節(jié)結果背離系統(tǒng)所需。因此，本文新增V2G調節(jié)慣性約束，使V2G計及對電力系統(tǒng)的后續(xù)影響，約束條件為
式中：n為汽車序號；t為時間；Ton為電動汽車在網(wǎng)時間；Pevb(n,t)為不參與調節(jié)時電動汽車充電功率；Pev(n,t)為參與V2G后電動汽車充電功率（充電為正，放電為負）；Llim+(t)為區(qū)域內凈負荷最高限值；L(t)為區(qū)域內凈負荷值。不符合慣性約束的電動汽車停止V2G放電調節(jié)，僅優(yōu)化自身充電行為?？紤]V2G調節(jié)慣性約束的調節(jié)策略如圖4所示。
圖4 考慮V2G調節(jié)慣性約束的調節(jié)策略
Fig.4 The V2G adjusting strategy with adjusting inertia constraint considered
基于該方法，V2G仿真模擬可充分平衡用戶側與系統(tǒng)側需求，高度還原電動汽車參與V2G調節(jié)后8760 h負荷的真實特性，使V2G調節(jié)過程具備全對象、全要素、全時域的可觀測性。
3 對新型儲能配置的影響
3.1 電動汽車發(fā)展規(guī)模
研究機構預測，到2030年中國電動汽車保有量為0.8億~1億輛。基于技術專利分析法、萊特學習曲線等數(shù)學算法，建立中國電動汽車發(fā)展預測模型，如圖5所示。
圖5 電動汽車發(fā)展預測模型
Fig.5 Electric vehicle development potential evaluation algorithm
根據(jù)技術成熟度與經(jīng)濟性分析，當前電動汽車在技術成長期，即將邁入技術成熟期，成熟度指標達到0.8（指標范圍為0~1），隨后進步速度放緩，到2035年左右完全成熟。電動汽車技術學習率為17.3%，而典型燃油汽車學習率為4%，電動汽車成本下降速度快于傳統(tǒng)燃油汽車，在許多應用場景中，電動車已經(jīng)實現(xiàn)與燃油車相同水平的整體運營經(jīng)濟（total operating economy，TOE）平價。
因動力電池等核心技術、基礎設施發(fā)展等存在不確定性，預計到2030年，電動汽車保有量達到0.8億~1.1億輛，占全國汽車總量的25%左右，如圖6所示。年用電量達到0.4萬億~0.5萬億kW·h，占全社會用電量比重達3%左右。到2050年，電動汽車成為主要交通方式，保有量達到3億~3.3億輛，占全國汽車比重達到70%左右。屆時，電動汽車用電量將達到1.2萬億~1.3萬億kW·h，占全社會用電量比重增至7%左右。
圖6 電動汽車規(guī)模預測
Fig.6 Forecasting of vehicle population
分區(qū)域來看，東中部地區(qū)人口集中、設施便利，電動汽車發(fā)展進程顯著快于西部、北部地區(qū)。預計到2030年、2050年，東中部地區(qū)電動汽車負荷占全國的比重分別為68%、64%。
3.2 車網(wǎng)互動靈活性分析
在電動汽車車網(wǎng)互動的2種模式中，有序充電模式是強制性的，而提供V2G服務則取決于用戶意愿。V2G意愿度與用戶出行需求、車輛運營強度等用能需求，V2G對車輛使用壽命造成的損失，充放電便利程度，和參與V2G調節(jié)的收益息息相關。
3.2.1 V2G意愿度分析
當電動汽車動力電池全生命周期的循環(huán)壽命，大于其出行需求的循環(huán)次數(shù)時，理論上具備V2G能力。當出行需求的循環(huán)次數(shù)小于其循環(huán)壽命的一半時，從經(jīng)濟性角度而言，即認為車主有意愿提供V2G服務。預計到2030年，鋰電池循環(huán)壽命能夠達到3000次以上，到2050年能夠到達4500次以上。如果過渡到固態(tài)體系，循環(huán)壽命將高達上萬次，屆時電動汽車參與V2G意愿度將進一步提升。
對不同車型全生命周期出行進行用能需求分析，如表1所示。私家車是未來提供V2G的主要對象，私家車年均行駛里程不高于2萬km，全生命周期出行需求最高占用1400次循環(huán)壽命，分別約占2030年、2050年電池總循環(huán)壽命的47%、32%，具備V2G經(jīng)濟性。出租車、公交車等運營車輛不具備V2G經(jīng)濟性，全生命周期所需循環(huán)次數(shù)分別為6800次、5867次，已超過最高循環(huán)壽命，無提供V2G能力。
表1 電動汽車分車型用能需求分析
Table 1 Energy demand analysis by vehicle type
長途客運、貨車在行駛需求較低時具備V2G經(jīng)濟性。長途客運全生命周期出行需求占用667~3556次循環(huán)壽命，根據(jù)2030年和2050年電池總循環(huán)壽命，可以得出到2030年、2050年長途客運車的年行駛里程分別低于2萬、3萬km時，才有意愿提供V2G。貨車正常行駛里程不高于4萬km，全生命周期出行需求最高占用1200次循環(huán)壽命，占總循環(huán)壽命的不超過40%。研究判斷貨車未來換電模式和氫能2種技術路線并行，本文暫不討論該模式。
根據(jù)對私家車參與V2G意愿度的問卷調查顯示，車主重點關注是否影響電池使用壽命（92%）、影響后續(xù)出行（73%）和基礎設施完善程度（65%）3大影響因素，V2G意愿度分析結果如圖7所示。到2030年、2050年，結合V2G經(jīng)濟性與基礎設施完善程度等多重因素綜合考慮，保守估計全國有30%、60%左右的私家車愿意參與車網(wǎng)互動，分別達到0.27億、1.68億輛。
圖7 V2G意愿度分析
Fig.7 V2G willingness analysis
3.2.2 車網(wǎng)互動靈活性潛力
2050年1月典型日電動汽車調節(jié)前后的負荷特性如圖8所示。初始的系統(tǒng)凈負荷曲線呈雙峰特性，分別在早08:00—11:00與晚18:00—23:00時段出現(xiàn)高峰，在光伏大發(fā)的午間14:00時左右進入低谷，電動汽車的初始負荷曲線，與系統(tǒng)凈負荷曲線的峰谷時段基本重疊。車網(wǎng)互動后，電動汽車充放電時段轉移。充電時刻集中轉移至14:00和凌晨時段的凈負荷低谷期，放電時刻集中轉移至凈負荷的雙高峰期早09:00與晚20:00。系統(tǒng)凈負荷曲線峰谷差顯著縮小，削峰填谷和主動頂峰效果顯著。
圖8 2050年1月典型日電動汽車負荷曲線和系統(tǒng)凈負荷曲線
Fig.8 Electric vehicles load characteristics and net load characteristics in January Typical day in 2050
根據(jù)1.2.2節(jié)的分析，車網(wǎng)互動調節(jié)能力的不確定性主要受用戶參與意愿度、單次平均在網(wǎng)時長、電池最大放電深度、日平均接網(wǎng)頻次、慢充樁功率等因素影響。根據(jù)單次平均在網(wǎng)時長9 h、最大放電深度40%、日均接網(wǎng)次數(shù)0.27次，慢充功率7 kW計算，到2030年，通過車網(wǎng)互動削峰、填谷分別達205萬、624萬kW左右。系統(tǒng)凈負荷峰值由初始的14.2億kW下降至14.18億kW，谷值由初始的–10.54億kW提高至–10.5億kW，峰谷差縮小了624萬kW，較調節(jié)前降低0.2個百分點。通過V2G模式提供的頂峰能力達到704萬kW左右。電動汽車在負荷高峰期的等效發(fā)電量達到90億kW·h左右，最大充電負荷由初始的0.69億kW提升至0.74億kW，最小充電負荷由初始的0.18億kW降至0.15億kW。
到2050年，車網(wǎng)互動對系統(tǒng)削峰填谷效果更加明顯，通過V2G模式為系統(tǒng)提供頂峰能力，如圖8和圖9所示。根據(jù)表2所示的車網(wǎng)互動參數(shù)進行計算，削峰填谷分別達0.2億~2.8億、1.1億~2.5億kW。系統(tǒng)凈負荷峰值由19.5億kW降至16.7億~19.3億kW，谷值由初始的–19.4億kW提升至–18.3億~–17.6億kW，峰谷差縮小1.2億~5.2億kW，相比調節(jié)前縮小近12個百分點?？紤]意愿度、同時率等因素，通過V2G模式提供的頂峰能力達到1.1億kW。電動汽車在負荷高峰期的等效發(fā)電量達到3787億kW·h左右，最大充電負荷由初始的5.5億kW提升至6.5億kW，在凈負荷高峰期開啟放電模式，最大放電功率出現(xiàn)于11月15日06:00，最高可達0.93億kW。
圖9 2050年典型周電動汽車負荷曲線和系統(tǒng)凈負荷曲線
Fig.9 Electric vehicles load characteristics and net load characteristics in typical week in 2050
表2 2050年車網(wǎng)互動參數(shù)設置
Table 2 Electric Vehicle network interactive scene settings
車網(wǎng)互動調節(jié)效果對充電功率這一參數(shù)的敏感度較高。當充電功率由 7 kW提高至15 kW，車網(wǎng)互動對系統(tǒng)削峰填谷的效果提升顯著，隨著充電功率進一步提高，調節(jié)效果存在邊際遞減效應，對系統(tǒng)影響的差別不大，如圖10所示。到2050年，當充電功率由5 kW提升至10 kW，系統(tǒng)凈負荷峰谷差削減量提高1.3億kW；而當充電功率由10 kW提升至15 kW，峰谷差削減量僅提高0.55億kW；當充電功率提高至20 kW·h，峰谷差削減量進入飽和狀態(tài)；當充電功率由35 kW提升至40 kW·h，峰谷差削減量僅提高477萬kW。
圖10 充電功率對車網(wǎng)互動削峰填谷效果的敏感性分析
Fig.10 Sensitivity analysis of charging power to interactive peak clipping and valley filling effect of vehicle network
分區(qū)域來看，按照充電樁功率20 kW計算，到2030年，華東、華北、西北、東北地區(qū)車網(wǎng)互動效益明顯，其中華東減少0.9億kW，而西南、華南、華中由于水電、氣電等調節(jié)電源布局較多，電動汽車參與調節(jié)的需求不迫切。到2050年，華南、華東地區(qū)分別削峰、填谷效果最為明顯，分別達到0.8億、1.3億kW左右，詳細數(shù)據(jù)如表3所示。
表3 車網(wǎng)互動削峰填谷各區(qū)域效果
Table 3 V2G Peak shaving and valley filling effects in various regions
3.3 對新型儲能裝機與投資的影響
以文獻[4]的新型儲能配置需求預測為初始邊界條件，到2030年、2050年，全國初始的儲能裝機需求總量分別達到2.6億、9.5億kW，其中新型儲能裝機需求分別達到0.9億、6.5億kW。車網(wǎng)互動后，在系統(tǒng)提供靈活性方面，電動汽車對短周期電化學儲能的替代作用顯著，新型儲能需求總量下降明顯。需要說明，新型儲能的其他多樣性功能不在本文討論范圍內。
按照2030年充電功率7 kW、2050年充電功率20 kW計算，到2030年，車網(wǎng)互動替代新型儲能裝機2161萬kW左右，替代比例達到9%，全部為短時儲能，新型儲能需求經(jīng)車網(wǎng)互動后下降至0.7億kW。電動汽車全年最大充、放電功率分別達到7371萬、1525萬kW，相當于范圍為[–7371，–1525]萬kW的鋰電池。到2050年，車網(wǎng)互動替代新型儲能裝機0.4億~2.8億kW，替代比例達到19%左右。6 h短時儲能和720 h長時的儲能需求分別下降了1.8億、1500萬kW左右，新型儲能需求下降至4.6億kW左右。
分區(qū)域來看，車網(wǎng)互動對東北、華北、西北、華東地區(qū)的儲能替代作用顯著。華南、華中地區(qū)的儲能裝機需求以季節(jié)性長期儲能為主，日調節(jié)主要依賴跨區(qū)調節(jié)與靈活性調節(jié)電源，而車網(wǎng)互動主要在日調節(jié)發(fā)揮作用，因此車網(wǎng)互動減少了該地區(qū)對跨區(qū)調節(jié)與靈活性調節(jié)電源的需求，但是對新型儲能裝機的影響并不顯著。西南地區(qū)以水電裝機為主，靈活性調節(jié)能力較強，對儲能及負荷靈活性調節(jié)需求較低，車網(wǎng)互動未明顯影響儲能裝機。到2050年，車網(wǎng)互動對東北、華北、西北、華東地區(qū)的儲能裝機替代比例分別達到19%、11%、16%、44%。
車網(wǎng)互動顯著降低新型電力系統(tǒng)投資成本和運行成本，為參與用戶提供收益。電動汽車參與電力系統(tǒng)調節(jié)后，到2030年節(jié)省儲能投資1300億元。以單向充電樁雙向改造成本1000元/樁，車樁比1∶1計算，充電基礎設施雙向充放電改造及新建增加的投資約720億元，電力系統(tǒng)總成本下降580億元。按照電化學儲能壽命10年、貼現(xiàn)率為8%、運維成本系數(shù)0.5%、充放電效率95%計算，折算年費用減少120億元，平均每位參與調節(jié)的車主年收益約500元。到2050年，節(jié)省儲能投資1.1萬億元，儲能投資成本由調節(jié)前的5.1萬億元降低至4萬億元，折算到每年的費用將減少1877億元，平均每位參與調節(jié)的車主年收益約1117元，與車輛年充電成本基本持平。
4 結論與建議
電動汽車車網(wǎng)互動是未來新型電力系統(tǒng)靈活性的重要資源，到2030年、2050年，中國電動汽車規(guī)模將分別達到0.8億~1.1億輛、3億~3.3億輛，約占全社會用電量比重的3%、7%。經(jīng)車網(wǎng)互動，系統(tǒng)最大負荷可分別削減0.02億、2.2億kW，最小負荷分別提升0.06億、2.2億kW，系統(tǒng)凈負荷峰谷差分別能夠縮小0.06億、4.5億kW?？紤]意愿度、同時率等因素，通過V2G模式向系統(tǒng)提供主動頂峰能力可約達0.07億、1.1億kW。
車網(wǎng)互動對短周期電化學儲能的替代作用顯著，能夠大幅節(jié)省新型儲能投資。到2030年、2050年，車網(wǎng)互動分別相當于0.2億、1.9億kW新型儲能的靈活性，系統(tǒng)新型儲能需求分別下降至0.7億、4.6億kW，節(jié)省0.1萬、1.1萬億元投資。東北、華北、西北、華東地區(qū)的儲能替代作用顯著，可通過車網(wǎng)互動解決儲能型日調節(jié)需求；華南、華中、西南等調節(jié)電源布局較多，車網(wǎng)互動參與調節(jié)的需求不迫切。
影響電動汽車調節(jié)效果的最主要因素是行業(yè)政策、市場機制和商業(yè)模式。未來通過不斷完善市場機制、基礎設施和標準體系，創(chuàng)新虛擬電廠等商業(yè)模式，靈活整合電動汽車分散性資源，充分實現(xiàn)“源荷互動”，釋放車網(wǎng)互動靈活性潛力。
