北京市可再生能源與電動汽車協(xié)同效應研究-報告

i 1 1 1 1 2 2 2 3 3 3 5 5 6 7 7 8 8 10 10 10 10 12 13 13 13 14 15 17 19 20 21 21 21 22 234.4.1充電模式下電動汽車用能需求時 234.4.2換電模式下電動汽車用能需求時 245北京市電動汽車有序充換電與可再生能 24 24 25 26 27 28 29 32 34 36 38 38 39 40 41 421續(xù)八年居全球首位。2020年10月國務院辦公廳頒布的《新能源汽車產業(yè)發(fā)展規(guī)劃利用提供空間與機遇。北京市“十四五”規(guī)劃強調未來將切實轉變城市能源發(fā)展方式，2對可再生能源的消納作用是北京市及我國其他城市綠色低碳轉型以及實現(xiàn)碳達峰與碳究方法難以準確定量刻畫可再生能源與城市電力交通之間的協(xié)同利用機制及環(huán)境影響。（2）研究成果將能夠有效支撐未來高比例風光可再生能源供電系統(tǒng)建設，提高可（3）研究結果將有效論證高比例風光可再生能源情景下電動汽車全生命周期碳減（4）研究將為北京市及其他城市推進電動汽車充換電站、充電樁等電動汽車基礎32北京市各充換電模式發(fā)展現(xiàn)狀調研放電模式中，電動汽車本身就是充放電的載體，用戶可以通過家用充電設備、充電站、電(慢速充電),前者一般采用直流充電機進行充電，充電時間在一小時以內，較適合需求；后者一般采用交流充電機進行充電，充滿電池大致需要6-8小時，有利于電池的4充電功率5同時期我國對不同充換電模式發(fā)展政策導向的多次調整一方面表明了我國電動汽車產67展的實施方案》提出：深入挖掘需求響應潛力，提高負80目均高于慢充樁。從區(qū)域分布來看，快充樁與慢充樁均主要分布于朝陽、海淀、豐臺、09n-2mHcw魔偏差校正|高空間分辨 圖3-1基于“大數(shù)據(jù)+空間地理模型”與降尺度校正的風力發(fā)電資源精細評估模型光伏陣列技術模型環(huán)境溫度]組件基于最大化發(fā)電量溫度efrary-cotfxcos*×sinF+c-041657+(14216+0(0024051+0*00002基于避免遮擋原則-srgenr×law+lorserr×low土地利用類型空間數(shù)據(jù)高分辨率地形數(shù)據(jù)分布式光伏驗屋頂構筑物小屋頂樹木遮擋坡度有效屋頂面積 圖3-2基于“大數(shù)據(jù)+空間地理模型”與降尺度校正的光伏發(fā)電資源精細評估模型考慮到北京市較高的外受電比例，研究基于京津唐電網開展風電光伏資源分布及供應特征分析以及后續(xù)的電力調度模擬。京津唐電網是華北電網中相對獨立的電網控制區(qū)，其管轄范圍為北京電網、天津電網以及包括河北省北部唐山、張家口、秦皇島、承德和廊坊五市在內的冀北電網，如下圖所示。圖3-3京津唐電網及華北電網覆蓋范圍示意圖化系統(tǒng)（DAS）提供的氣象場數(shù)據(jù)開展風力發(fā)電資源動態(tài)供應潛力與變化特征模擬[14]。33210 (GTOPO30)I26]的陸地地形數(shù)據(jù)，排除坡度大于20%的區(qū)域。研究參考2020年10月裝機潛力與發(fā)電潛力計算中排除年均利用小時數(shù)小于1800小時(IV類資源區(qū)合理年均利用小時數(shù)，平均風電容量因子約為20.5%)的區(qū)域。研究同時根據(jù)京津唐電網現(xiàn)存風取為5MW/km2。土地利用率（LandUtilizationRate其取值綜合考慮了網格內∑,×(×)∑(×)1021324256170光伏電站建設適宜布設在坡度小的平坦開闊地區(qū)?；趯嵺`經驗，本研究選取5%作為容許最大坡度值。坡度數(shù)據(jù)來自SRTM雷達測繪，原始雷達信號經處理后生成數(shù)字高程模型，數(shù)據(jù)點精度約為30m,高程數(shù)據(jù)處理轉化后生成坡度數(shù)據(jù)[31]。此外，光伏電站的選址需要考慮土地利用類型的適宜程度以及土地使用成本。水體、濕地等不適宜地面光伏電站的開發(fā)；沙漠等土地利用價值低且廉價的土地適合開發(fā)。本研究利用的土地利用類型數(shù)據(jù)MODISMCD12Q1Type1來自地球觀測系統(tǒng)(EOS)Terra和Aqua衛(wèi)星搭載的中分辨率成像光譜儀(MODIS)[32]。其時間覆蓋跨度為2001-2017年。結合我國實際情況，根據(jù)17坡度、土地覆蓋類型限制因素，通過ArcGIS空間計算得到光伏電站建設可行區(qū)域。光伏陣列傾角是光伏陣列模型極為重要的參數(shù)。光伏陣列傾角的布設將進一步決定光伏陣列的土地利用率及裝機容量。光伏陣列最為廣泛應用的為固定式傾角,因其建設成本與維護成本較低，技術上實現(xiàn)也最為簡單。光伏陣列傾角是光伏陣列模型極為重要的參數(shù)。光伏陣列傾角的布設將進一步決定光伏陣列的土地利用率及裝機容量。已有多種軟件能夠對依據(jù)經緯度信息計算光伏陣列最佳布設傾角，如RETscreen等。本研究對全國360個主要城市的最佳光伏布設傾角[33]與城市所在緯度進行線性擬合，擬合結果如下圖所示，最佳傾角與緯度的線性相關系數(shù)為0.8002。光伏本研究將分別計算光伏陣列直射、散射、反射三種輻射量并加總計算總輻射。1，光伏電池表面溫度每升高1℃,光伏發(fā)電出力水平與峰值功率相比將下降0.41%。度，本研究為44°;S—光伏電池表面日光輻射強度，千瓦/平方米。溫度校正系數(shù)計算公式如下：式中各符號含義如前所述。逐時遮擋系數(shù)計算方法如下：其中：D—單位面積光伏板在正南方向的投影長度與光伏陣列垂直投影長度之差；Z—傾位角；d—冬至日下午三時單位面積光伏板在正南方向的投影長度與光伏陣列垂直投影長度之差(此時恰好無遮擋)。京津唐電網區(qū)域光伏發(fā)電的容量因子分布如下圖所示?？梢园l(fā)現(xiàn)，包括北京市在內的京津唐電網區(qū)域光伏發(fā)電容量因子均在20%以上，具有較好的光照資源條件?？傮w而言光伏發(fā)電容量因子呈自西向東、自北向南減少趨勢，張家口與承德兩市光伏資源最佳。3.3.4光伏出力曲線模擬及特性分析本研究中，光伏出力曲線模擬方法與風電出力曲線模擬相同，公式如下所示： 所對應的光伏潛勢容量因子；其他定義與上文相同。京津唐電網全年光伏發(fā)電容量因子模擬結果如圖3-8(b)所示。圖3-9展示了京津唐電網光伏發(fā)電容量因子的季節(jié)變化特征與日內變化特征?？傮w來說，京津唐區(qū)域光伏發(fā)電在春季出力較高而冬季出力最低，而日內變化特征呈現(xiàn)顯著的單峰分布，峰值出力集中在正午。圖3-8京津唐電網全年(a)風力發(fā)電與(b)光伏發(fā)電小時級出力時序曲線圖3-9京津唐電網風力發(fā)電與光伏發(fā)電(a)各月份平均容量因子與(b)日內出力時序曲線筑輪廓；同時根據(jù)獲取的北京市路網數(shù)據(jù)，進行北京市街區(qū)空間的繪制，并利用AOI、下圖進一步從單位土地面積光伏潛力與街道層面人均光伏潛力揭示了北京市屋頂屋頂光伏潛力的空間分布不同，人均屋頂光伏潛力在四至六環(huán)區(qū)域較高，而在人口與建筑密度集中的四環(huán)以內區(qū)域則普遍偏低。根據(jù)國網新能源云發(fā)布的相關數(shù)據(jù)，截止2020年底京津唐電網區(qū)域風電裝機量約為20.6GW,光伏發(fā)電裝機量約為11.0GW,風光可再生能源滲透率約為17%。而根據(jù)全球能源互聯(lián)網發(fā)展合作組織(GEIDCO)對華北電網可再生能源發(fā)展狀況的預測[34],2025年京津唐電網的風力發(fā)電與光伏發(fā)電裝機量將分別增長至42.0GW和28.4GW,風光可再生能源滲透率達到約30%。研究進一步根據(jù)GEIDCO對華北電網風光可再生能源中長期發(fā)展的預測I351,估算京津唐電網風力發(fā)電、太陽能發(fā)電裝機量未來增長情況，力發(fā)電裝機量。4北京市電動汽車充換電需求時空分布特征模擬本部分研究內容根據(jù)文獻調研及行業(yè)發(fā)展政策確定未來北京市電動汽車保有量，并綜合多源交通大數(shù)據(jù)，利用地理空間分析技術計算北京市電動汽車動態(tài)用能需求的時間分布規(guī)律及空間分布特征，包括充電模式與換電模式兩種電動汽車補能模式。本研究根據(jù)電動汽車的交通模式將北京市電動汽車劃分為不同電動汽車車隊集群，并針對不同車隊的時空特性進行動態(tài)等值建模。研究利用中汽數(shù)據(jù)有限公司提供的相關數(shù)據(jù)對2025年北京市電動汽車的發(fā)展狀況進行了預測。根據(jù)估算，2025年北京市私家車、出租車、公交車、物流車、公務車車隊中的電動汽車保有量將分別達到1120164、114706、21571、39788、108150輛。為了在電力系統(tǒng)的調度優(yōu)化模擬中簡化分析過程，研究進一步假設同一類型車隊內的電動汽車具有相同的參數(shù)，包括年均行駛里程、電池額定容量、平均電耗率以及替代燃油車的燃油經濟性等。這些關鍵參數(shù)的具體取值同樣來自中汽數(shù)據(jù)有限公司提供的相關數(shù)據(jù)，并充分考慮了未來電動汽車技術的進步和演變，以確保模擬結果更符合未來的實際情況。研究基于地理空間分析技術估算了北京市包括私家車、出租車、公交車在內的不同電動汽車車隊的充電需求空間分布特征，空間尺度為北京市337個鄉(xiāng)鎮(zhèn)街道級行政區(qū)劃。電動車隊f在區(qū)劃i的日均用電需求D;?的計算方法如下式所示。D??=NFV×DVKTγ×ECRγ×Prop;t其中，NFV、DVKTγ和ECR,分別代表車隊f的電動汽車保有量、日均行駛距離和平均電耗率；Propr是電動汽車車隊f在區(qū)劃i的用電需求占北京市內電動汽車車隊f總用電需求的比例。其中，各區(qū)劃內的私家電動車用電需求比例根據(jù)當前私家車保有量比例進行估算，各區(qū)劃內電動出租車的用電需求利用北京市出租車歷史軌跡數(shù)據(jù)進行估算，各區(qū)劃內電動公交車用電需求根據(jù)公交始末站數(shù)量及相應公交線路長度進行估算。上圖為北京市不同電動車隊的用電需求空間分布比例計算結果?？梢园l(fā)現(xiàn)，電動出家電動車充電負荷主要集中于晚上6時到早上6時之間，這表明工作日北京市私家電動在工作日和節(jié)假日呈現(xiàn)類似的充電模式，即在下午3時和凌晨0時左右出現(xiàn)充電負荷峰大多數(shù)公交線路運營時段，即早上6時到晚上10時，這表明電動公交車主要在白天進行充電以滿足運營需求；而充電負荷峰值出現(xiàn)在中午12時和晚上8時，這與公交車運的時間分布也較為集中，早晚充電高峰分別出現(xiàn)在上午9時和晚間23時左右，這表明圖4-2北京市不同類型車隊無序充電日間平均負荷分布情況4.4.2換電模式下電動汽車用能需求時間規(guī)律模擬對于換電模式，根據(jù)目前一般使用場景，研究中分別考慮了面向出租車和公交車開展換電服務的兩類換電站?？紤]到電動汽車換電站與傳統(tǒng)的加油站都屬于城市車輛燃料補給服務設施，并且傳統(tǒng)燃油車的加油行為與電動汽車的換電行為具有一定的相似性，故研究利用北京市加油站的測時寫實數(shù)據(jù)確定電動汽車前往換電站進行電池更換的時序曲線，結果如上圖所示。特別地，對于電動公交車，本研究基于北京市電動公交線路運營時刻表模擬其訪問換電站時序曲線?？梢园l(fā)現(xiàn)，對于服務出租車的換電站，車輛訪問主要集中在上午8時到晚間8時，工作日訪問頻次峰值出現(xiàn)在中午11時，而休息日訪問頻次峰值出現(xiàn)在下午3時。對于電動公交車換電站，其車輛訪問集中于大多數(shù)公交線路運營時段，即早上6時到晚上10時，訪問頻次峰值出現(xiàn)在早8時與晚6時的交通5北京市電動汽車有序充換電與可再生能源協(xié)同消納多維動態(tài)效益評估5.1概述本部分研究內容結合4.2節(jié)中確定的北京市風光可再生能源資源分布及供應特征以及4.3節(jié)中北京市電動汽車充換電需求時空分布模擬結果，開發(fā)設計綜合考慮城市電動汽車有序充換電與高比例風光可再生能源協(xié)同調度的電力系統(tǒng)優(yōu)化模型。研究進一步基于協(xié)同優(yōu)化調度方案定量評估電動汽車有序充換電對電網運行、溫室氣體及大氣污染物研究基于電力系統(tǒng)機組組合模型構建考慮電動汽車有序充換電的電力系統(tǒng)優(yōu)化模研究中構建的考慮電動汽車有序充換電的電力系統(tǒng)優(yōu)化模型態(tài)變量約束、爬坡約束、最小開關機時間約束以及供熱季電力系統(tǒng)調度下以系統(tǒng)最小發(fā)電成本為目標分別進行單向有序充電與雙向有序充放電。研究進一步利用電動汽車發(fā)展基準情景下北京市電動汽車用能需求空間分布以及區(qū)位研究基于電力系統(tǒng)協(xié)同優(yōu)化調度方案系統(tǒng)評估了不同電動汽車優(yōu)化調度模式場景對京津唐電網運行與高比例風光可再生能源消納的影響。下圖以2025年北京市電動汽車基準發(fā)展情景為例展示了不同優(yōu)化調度場景下電動汽車充電負荷分布以及對棄風棄風電和光伏可再生能源消納(圖5-2(b))。在V1G場景的基礎上，V2G模式通過在隊提供，占全年放電量的90%以上。小時圖5-22025年北京市電動汽車基準發(fā)展情景下各優(yōu)化調度場景(a)電動汽車充電負荷分布；(b)對京津唐電網棄風棄光的影響圖5-3不同電動汽車發(fā)展情景下各優(yōu)化調度場景全年平均棄風棄光率研究進一步通過對京津唐電網全年8760小時電力系統(tǒng)的調度模擬，量化分析了電并網的支撐作用隨著電動汽車滲透率的提高而更為顯著。在電動汽車基準發(fā)展情景下，棄風棄光率從BAU場景中的5.22%下降到V1G場景下的4.37%和V2G場景下的3.30%,序充電的4.1倍與5.9倍。電動汽車發(fā)展情景圖5-4不同電動汽車發(fā)展情景下各優(yōu)化調度場景較BAU場景日均最大凈負荷增長情況北京地區(qū)電動汽車優(yōu)化調度帶來的電網效益同時也體現(xiàn)于對京津唐電網凈負荷特性的改善上(其中凈負荷定義為系統(tǒng)總電力負荷與風光可再生能源出力的差值)。如上約0.8%至1.8%左右，從而導致電力系統(tǒng)調峰壓力增大，影響電網安全經濟運行；而系達到京津唐電網最大凈負荷峰值的約10%左右，這對電網運行來說是一項巨大的潛在靈外調峰壓力，系統(tǒng)發(fā)電成本較BAU場景將增加0.7%至1.8%左右。與無序充電相比，增量下降約40%左右，而V2G模式下系統(tǒng)發(fā)電成本甚至低于BAU場景。在2025年電動汽車基準發(fā)展情景下，平均每輛電動汽車參與V2G調度模式能夠減少系統(tǒng)年發(fā)電成相較BAU情景電力系統(tǒng)年發(fā)電成本增長相較BAU情景電力系統(tǒng)年發(fā)電成本增長(%)相較BAU情景電力系統(tǒng)年發(fā)電成本增長相較BAU情景電力系統(tǒng)年發(fā)電成本增長(%)電動汽車發(fā)展情景除了改變區(qū)域電網負荷特性外，電動汽車的規(guī)模化推廣也會為城市配電網運行和升級改造帶來挑戰(zhàn)，研究基于2025年電動汽車基準發(fā)展情景進一步評估了電動汽車充放電優(yōu)化調度對北京市本地電網的影響及其空間異質性。下圖展示了不同電動汽車優(yōu)化調度場景下北京市各區(qū)典型日最大凈負荷相對BAU場景增長情況。其中，各區(qū)凈負荷定義為區(qū)內包括電動汽車充放電功率在內的用電負荷與區(qū)內光伏發(fā)電功率的差值。各區(qū)出租車車隊與公交車車隊充電負荷根據(jù)4.4.4節(jié)中北京市換電站優(yōu)化選址及容量配置方案進行分配，而其余車隊充電負荷根據(jù)4.3.3節(jié)中私家車車隊用能需求空間分布模式進行分配。2025年北京市光伏裝機總量根據(jù)《北京市“十四五”時期電力發(fā)展規(guī)劃》取為251萬千瓦，各區(qū)裝機量則根據(jù)4.2.4節(jié)中北京市屋頂光伏潛力評估結果確定。由上圖可以發(fā)現(xiàn)，無序充電對北京市本地配電網的影響高于對京津唐電網整體凈負荷特性的影響，各區(qū)最大凈負荷平均增加約4.8%。各市轄區(qū)配電網受到局部影響存在顯著空間差異性，反映了不同區(qū)域的電動汽車充電需求分布以及分布式光伏發(fā)電潛力等因素的差異。其中懷柔區(qū)增長幅度最大，達8.5%;從絕對增長量來看，朝陽區(qū)與海淀區(qū)增長幅度較大，分別達到11萬千瓦與8萬千瓦。V1G模式通過轉移晚間用電高峰時段充電負荷至其他時段，有效緩解了對局部電網的沖擊，各區(qū)最大凈負荷平均增加約2.5%。這表明在電動汽車采用有序充電的情況下，電網的局部過載問題可以得到一定程度的緩解。V2G模式則通過用電高峰時段向電網放電，進一步減小對配電網運行造成的壓力，除大興、門頭溝、石景山、延慶等個別區(qū)域外，V2G模式下其余區(qū)域典型日最大凈負荷甚至小于BAU場典型日最大凈負荷增長(MW)典型日最大凈負荷增長(%)典型日最大凈負荷增長(MW)典型日最大凈負荷增長(%)電將有望降低對相關配電基礎設施的投資需求。研究進一步依托高時空分辨率大氣污染物及溫室氣體排放清單數(shù)據(jù)，從電力系統(tǒng)與交通系統(tǒng)角度全面評估各優(yōu)化調度場景的環(huán)境效益與氣候效益。下圖展示了不同電動汽車發(fā)展情景下各優(yōu)化調度場景較BAU場景年二氧化碳減排量。可以發(fā)現(xiàn)，電動汽車不同優(yōu)化調度策略的二氧化碳減排情況與棄風棄光削減情況高度相似，這主要是由于本研究考量的能源系統(tǒng)中二氧化碳排放由電力部門能耗主導且尚不考慮碳捕集技術的介入，因此碳排放強度很大程度上取決于電力生產清潔程度。在不同電動汽車發(fā)展情景下，電動汽車的無序充電相對BAU場景碳排放降低了2.0Mt至5.7Mt左右，而系統(tǒng)優(yōu)化的運行策略則能夠進一步顯著降低碳排放，V1G模式與V2G模式減排量分別為2.9~7.9Mt相對BAU情景年碳減排量(Mt)和5.1Mt~10.8Mt。具體到單車減排量，在2025年電動汽車基準發(fā)展情景下，每輛電動汽車在無序充電、V1G與V2G模式下的年碳減排量分別為2.5t、3.6t與5.5t。也就是說，通過系統(tǒng)優(yōu)化調度的單向有序充電和雙向有序充放電，北京地區(qū)電動汽車推廣的碳相對BAU情景年碳減排量(Mt)減排效應相對無序充電將分別提高44%與124%左右。研究同時也評估了不同電動汽車發(fā)展情景下各優(yōu)化調度場景較BAU場景的年大氣污染物減排量，包括PM2.5、NOx與SO?等，如下圖所示。對于V1G與V2G模式的減排效應，可以視作由兩部分構成：第一部分是由電動汽車替代燃油車輛帶來的交通部門直接減排效應，數(shù)值與無序充電場景相對BAU場景的減排量相同；而第二部分為電動汽車充放電優(yōu)化調度帶來的間接減排效應，數(shù)值與優(yōu)化運行場景相對無序充電場景的減排量相同。由于主要排放源的差異，不同大氣污染物減排量中直接減排量與間接減排量的比例也存在不同，導致電動汽車對具體污染物的減排效應變化情況也存在差異。例如，由下圖可以發(fā)現(xiàn)，PM?.s減排效應與碳減排效應具有相似性，主要由間接減排效應主導；而對于NOx,可以發(fā)現(xiàn)由于燃料替代產生的直接減排效應占顯著主導地位，而由優(yōu)化調度場景影響的間接減排效應幾乎可以忽略，這主要是由于目前京津唐電網火力發(fā)電機組均實現(xiàn)較為嚴格的NOx末端排放控制，使得交通部門在NOx排放中占據(jù)主導地位，尤其是以柴油為燃料的公交車車隊；對于SO?,無序充電模式會引起系統(tǒng)整體排放增加，出現(xiàn)這一現(xiàn)象的主要原因是本研究考慮的能源系統(tǒng)中SO?排放由電力部門主導，交通部門排放強度較低，因此由燃料替代帶來的直接減排并不足以彌補電力消費增加帶來的增排。而只有在V1G與V2G模式下才能夠相對BAU場景有效降低SO?排放。相對BAU相對BAU情景年碳減排量(t)相對BAU情景年碳減排量(kt相對BAU情景年碳減排量(4)引導電動汽車進行有序充電(即V1G)和有序充放電(即V2G)時，研究假設各車隊首電價元/kwh)電價元/kwh電價元/kwh)電價元/kwh)求響應接受度[39],同時假設所有換電站均參與需求響應。ab小時調度年均棄風棄光率(%)不同電價機制下電動汽車需求響應潛力分析的比較指標包括年均棄風棄光率、年發(fā)電成本變化以及平均用能價格，結果如上表所示?？梢园l(fā)現(xiàn)，與無序充電相比，通過電價機制間接引導電動汽車優(yōu)化調度也能夠有效支撐風光并網并緩解無序充電帶來的發(fā)電成本上升，同時電動汽車車主也能夠降低用能成本。在V1G場景下，現(xiàn)行分時電價與實時電價兩種電價機制實現(xiàn)的需求響應效果較為相似，與無序運行相比，年棄風棄光