网讯：
构建新型电力系统对于实现“碳达峰、碳中和”目标至关重要[1-5]。新型电力系统中，电源构成由传统确定性的常规电源占主导，向随机性、间歇性、波动性的新能源发电占主导转变，负荷从“被动型”向具有灵活能力的“主动型”转变，供需双侧均呈现高度不确定性。系统平衡方式也因此发生根本转变，由传统的源随荷动方式，转变为不确定发电与不确定负荷双向匹配，需要更强的系统灵活调节能力。当前，中国灵活调节电源装机比重不足6%，系统调节能力不足问题逐渐凸显[6-7]。
新型储能，即锂离子电池、液流电池、飞轮、压缩空气、氢/氨、储热/冷等除抽水蓄能外的新兴储能技术，具有多种优势。随着技术经济性进步，新型储能正在逐步成为系统灵活调节能力的重要支撑[8-15]。截至2023年底，已投运新型储能累计装机规模达3139万kW/6687万kW·h，平均储能时长2.1 h，相关投资已超千亿元。系统平衡和安全需要新型储能，但新型储能相关基础设施投资大，势必将推高系统供电成本。过量配置，将造成重大资源浪费。
因此，未来系统究竟需要多少新型储能、什么形式的新型储能是需要重点研究的课题。多数专家学者对新型储能需求预期较高：到2030年为1.5亿~3.2亿kW，到2050年能够达到10亿kW以上。然而，抽蓄、电动汽车发展等各种因素将影响新型储能需求，尤其是电动汽车车网互动将产生重要影响。电动汽车自带储能，停靠时间长，具备向电网反送电（vehicle to grid，V2G）的“移动储能”特性[16-23]。近5年，中国电动汽车销量年均增速已高达67%。截至2023年底，中国电动汽车保有量已达到2041万辆，占中国汽车比重达6.1%。2023年1—7月，中国电动汽车充电量约441.4亿kW·h，占全社会用电量的0.8%。如果未来电动汽车持续快速发展，并实现与电网的良性互动，将大幅降低系统对新型储能的配置需求。
基于这一考虑，本文从系统全局优化角度，结合中国和分区域电力系统供需平衡，充分考虑源荷互动，将自下而上的微观技术路线和系统宏观视角相结合，统筹量化研究电动汽车未来发展规模及车网互动对新型储能配置的影响：1）基于系统视角，将电动汽车调节与新型电力系统规划运行进行统筹协调，得出具有实际应用意义的电动汽车灵活调节能力；2）充分考虑各种影响因素与随机行为，建立科学合理的规模预测与全时域全景可观性灵活调节模型；3）全面考虑调节功率、持续时长、调节时段等重要参数，区分短期与长期调节能力，合理准确定位电动汽车车网互动对储能的替代性。研究尺度覆盖近中期到远期，涵盖中国及其7大区域，对于科学准确评估未来系统新型储能配置具有重要意义。
1 机理与影响因素
1.1 灵活性机理
电动汽车停靠时间长且配置储能电池，具有双向调节和响应速度快的特点。根据相关统计，中国私人电动汽车日均行驶时间仅为2.6 h，平均90%的时间处于非行驶状态[24]。在保障自身出行需求的前提下，可以通过V2G形式，在系统负荷高峰期放电支撑电网供电，在低谷期充电补充出行和放电消耗的电量，通过“源-荷”角色的灵活变换与电网进行友好互动。车网互动的实施途径，可以通过电网、负荷聚合商等直接发布调度指令，根据电动汽车响应情况给予相应经济补偿，也可以通过峰谷电价等市场手段间接引导。
与电化学储能类似，电动汽车可双向调节，响应精度高，响应速度最高可达毫秒级，持续时间跨越秒级到数小时，能够适应系统从短期到长期的多时间尺度调节需求。短时上，主要发挥调频作用，响应速度达到秒级到分钟级，持续数秒至数分钟；长时上，主要发挥削峰填谷、日内调峰作用，提供日内小时级、跨日的调节能力，持续作用时间达数小时。
电动汽车的基础属性是交通工具，满足其用能需求是基本前提，因此，电动汽车可视作具有一定约束条件的电化学储能，在控制策略上需要考虑其负荷特性的特殊性和复杂性。除充放电功率、电量等约束外，电动汽车在网时间往往无法同时覆盖电网负荷高峰期和低谷期，导致电动汽车在电网负荷高峰期放电后，可能在次高峰期而非低谷期集中充电，引发新的电网负荷高峰期，需要从系统视角统筹考虑电动汽车集群调度控制目标。
1.2 影响因素分析
1.2.1 发展规模影响因素
电动汽车的发展规模主要受以下因素影响：1）出行用能需求与用能习惯，受经济发展、人口规模等宏观因素影响；2）电动汽车的续航里程、充电时间、使用寿命、安全性等关键技术成熟度与经济性；3）充电桩数量、布局、充电便利程度等充换电基础设施完善程度；4）政府规划目标、环境约束、优惠政策等政策机制。
发达国家汽车保有量的历史数据表明，汽车保有量与人均GDP关系呈现“缓-急-缓”的贡珀茨曲线形状[25]：人均GDP较低阶段，汽车保有量缓慢增长，在人均GDP达到10000美元~25000美元时，汽车规模高速增长，随着人均GDP进一步提升，汽车保有量增速放缓趋于饱和。基于此发展规律，结合未来中国经济发展和人口预测等数据，可研判中国汽车需求总量。为满足这一固定用能需求，存在传统燃油汽车、纯电动汽车、燃料电池汽车等多种技术路线，各种技术互相竞争，其市场份额取决于技术成熟度与经济性。一般而言，某项技术越成熟、成本越低，其市场规模将增长越快、占领市场份额越高。电动汽车续航里程、充电时间、使用寿命、安全性等关键技术成熟度，直接影响用户出行体验和用能效果，是决定电动汽车规模化发展的首要因素。随着电动汽车技术逐渐成熟，其成本将随规模效应、技术研发投入等因素快速下降，当下降速度高于传统燃油汽车时，电车与油车的价格差距加速缩小，经济性成为决定电动汽车在何时以多大规模替代燃油汽车的关键因素。
除电动汽车自身技术成熟度外，充电桩的数量、布局、充电便利度等基础设施完善程度，也是影响用户用能效果的重要因素。文献[26-28]研究证实了电动汽车规模与充电桩数量的正相关性。文献[29]通过量化研究，发现提高大功率快充桩比例、提升社区和单位充电桩安装率，到2025年能够将中国新能源汽车销量渗透率由16%提升至24%。
政府规划目标、环境约束、优惠政策等政策机制也对电动汽车产业发展起到明显影响作用。根据建立的政策成效量化分析模型，在电动汽车发展前期，补贴及税收减免激励政策对产业发展促进作用最为明显，政策强度每增加1%，对产业发展贡献度增加1.38%。在由政策驱动向市场驱动的转型阶段，基础设施投资与技术研发创新的鼓励政策起到主要驱动作用。
1.2.2 调节能力影响因素
电动汽车车网互动提供的灵活调节能力大小主要受3方面因素影响：1）参与车网互动的电动汽车数量；2）电动汽车的行为特性与物理参数，包括电动汽车行驶里程、并网时间等；3）电动汽车的物理参数，包括电池容量、电池充放电程度、充放电功率等。
电动汽车参与V2G的数量，取决于用户意愿度、参与调节的收益和参与的便利度及由此带来的电池损耗成本息息相关。电动汽车的行为特性随机性与不确定性较强，是影响其负荷特性的主要因素，由电动汽车日行驶里程、充电频次、接入电网时间与在网时长、初始荷电状态（state of charge，SOC）、参与V2G调节后的最小离网SOC、参与调节意愿度等关键物理量表征。其中，日行驶里程和充电频次，决定电动汽车充电需求总量和接入电网时的电池SOC状态。日行驶里程越高、充电频次越低，则充电前的耗电量越高，意味着初始SOC越小、所需充电电量越高。最小离网SOC、最大放电深度和参与调节意愿度直接影响V2G可调节资源量，其中前2个指标分别决定了电动汽车在接入电网后累计和单次放电时间。最小离网SOC越低，电动汽车所需的净充电电量越少，在接网时段内累计放电时间就越长。最大放电深度越高，则电动汽车单次持续放电时间越长。
在优惠政策、经济激励、峰谷电价等政策机制的影响下，电动汽车根据电网调节需求，统筹并量化各类潜在复杂影响因素决策其充放电行为，系统根据电动汽车集群参与系统调节前后的全局负荷特性，形成新的净负荷曲线与调节需求，交互迭代，形成闭环模拟。
2 车网互动模型
车网互动模型由源网荷储一体化规划（GTEP）子模型与考虑V2G调节惯性的电动汽车负荷子模型2部分所构成，研究框架如图1所示。2个子模型数据交互与迭代，实现源网荷储一体化协同模拟仿真，如图2所示。
图1 电动汽车车网互动灵活性潜力研究框架
Fig.1 Research framework for the potential of flexibility of electric vehicle
图2 GTEP子模型与电动汽车负荷子模型的交互迭代
Fig.2 Interactive iteration of GTEP sub–model and electric vehicle load sub–model
GTEP模型以确保用电可靠性为前提、以综合度电成本最低作为优化目标，进行电力电量平衡分析计算，模型框架如图3所示。模型以电源装机、电网容量、发输电成本效率数据和可再生能源能源资源禀赋与政策目标为输入，统筹电力供需平衡、机组运行、电力传输、机组建设等约束条件，以综合度电成本最低作为优化目标，采用大规模混合整数规划算法（CPLEX）优化求解并输出目标水平年的电源装机结构及8760 h的发电结构、潮流变化、燃料消耗及碳排放量等参数。
图3 GTEP子模型框架
Fig.3 GTEP sub–model
考虑V2G调节惯性的电动汽车负荷子模型影响因素包括用户行为特性、技术与基础设施水平、电网调节需求。用户行为特性是影响负荷特性的首要因素，涉及电动汽车接入电网时间、在网时长、日行驶里程、充电频次以及参与V2G调节后的最小离网SOC、最大放电深度、参与调节意愿度等。技术与基础设施水平主要由电池容量、单位里程电耗量、充电桩额定功率表征。电网调节需求由GTEP模型结合净负荷与储能出力数据生成，电动汽车根据电网需求，统筹并量化各类潜在复杂影响因素，生成电动汽车参与系统调节前后的8760 h全局负荷特性，并同步更新GTEP子模型负荷侧数据与电网调节需求数据，形成闭环模拟。
从架构上看，模型由随机行为分析模型与V2G灵活性调节模型构成。
1）随机行为分析模型。模型采用蒙特卡洛算法构建电动汽车随机行为分析模型，还原用户不确定行为随机特征。模型通过对用户行为习惯的观察或抽样试验以及动力电池技术发展趋势研判，计算电动汽车日接入电网时间、日在网时长、日行驶里程、电池容量等参数的概率分布，并从概率分布中重复生成随机参数。其中，电动汽车在网时长、电池容量与日行驶里程服从高斯分布，即
式中：f(ξ)为高斯分布ξ的概率密度函数；μ和σ分别为高斯分布的期望和标准差。电动汽车首次接入电网初始剩余电量与动力电池容量、日行驶里程数呈线性关系，因此也服从式（1）中高斯分布。电动汽车每日接入电网时间服从加权高斯混合分布，即
式中：K为高斯分布组件数量（这里取K=3）；ki为第i个高斯分布的权重；μi和σi分别为第i个高斯分布的期望和标准差。
2）V2G灵活性调节模型。传统V2G仿真模型以当下电力系统需求为调节目标，用户出行需求为主要约束进行构建，实现电动汽车在高峰期时段放电，在负荷低谷期时段充电。但实际场景中，电动汽车在网时间难以完全覆盖电网高峰期和低谷期，电动汽车高峰期放电后，出行需求约束有一定概率导致车辆集群在后续次高峰期集中充电，引起新的高峰负荷，使调节结果背离系统所需。因此，本文新增V2G调节惯性约束，使V2G计及对电力系统的后续影响，约束条件为
式中：n为汽车序号；t为时间；Ton为电动汽车在网时间；Pevb(n,t)为不参与调节时电动汽车充电功率；Pev(n,t)为参与V2G后电动汽车充电功率（充电为正，放电为负）；Llim+(t)为区域内净负荷最高限值；L(t)为区域内净负荷值。不符合惯性约束的电动汽车停止V2G放电调节，仅优化自身充电行为。考虑V2G调节惯性约束的调节策略如图4所示。
图4 考虑V2G调节惯性约束的调节策略
Fig.4 The V2G adjusting strategy with adjusting inertia constraint considered
基于该方法，V2G仿真模拟可充分平衡用户侧与系统侧需求，高度还原电动汽车参与V2G调节后8760 h负荷的真实特性，使V2G调节过程具备全对象、全要素、全时域的可观测性。
3 对新型储能配置的影响
3.1 电动汽车发展规模
研究机构预测，到2030年中国电动汽车保有量为0.8亿~1亿辆。基于技术专利分析法、莱特学习曲线等数学算法，建立中国电动汽车发展预测模型，如图5所示。
图5 电动汽车发展预测模型
Fig.5 Electric vehicle development potential evaluation algorithm
根据技术成熟度与经济性分析，当前电动汽车在技术成长期，即将迈入技术成熟期，成熟度指标达到0.8（指标范围为0~1），随后进步速度放缓，到2035年左右完全成熟。电动汽车技术学习率为17.3%，而典型燃油汽车学习率为4%，电动汽车成本下降速度快于传统燃油汽车，在许多应用场景中，电动车已经实现与燃油车相同水平的整体运营经济（total operating economy，TOE）平价。
因动力电池等核心技术、基础设施发展等存在不确定性，预计到2030年，电动汽车保有量达到0.8亿~1.1亿辆，占全国汽车总量的25%左右，如图6所示。年用电量达到0.4万亿~0.5万亿kW·h，占全社会用电量比重达3%左右。到2050年，电动汽车成为主要交通方式，保有量达到3亿~3.3亿辆，占全国汽车比重达到70%左右。届时，电动汽车用电量将达到1.2万亿~1.3万亿kW·h，占全社会用电量比重增至7%左右。
图6 电动汽车规模预测
Fig.6 Forecasting of vehicle population
分区域来看，东中部地区人口集中、设施便利，电动汽车发展进程显著快于西部、北部地区。预计到2030年、2050年，东中部地区电动汽车负荷占全国的比重分别为68%、64%。
3.2 车网互动灵活性分析
在电动汽车车网互动的2种模式中，有序充电模式是强制性的，而提供V2G服务则取决于用户意愿。V2G意愿度与用户出行需求、车辆运营强度等用能需求，V2G对车辆使用寿命造成的损失，充放电便利程度，和参与V2G调节的收益息息相关。
3.2.1 V2G意愿度分析
当电动汽车动力电池全生命周期的循环寿命，大于其出行需求的循环次数时，理论上具备V2G能力。当出行需求的循环次数小于其循环寿命的一半时，从经济性角度而言，即认为车主有意愿提供V2G服务。预计到2030年，锂电池循环寿命能够达到3000次以上，到2050年能够到达4500次以上。如果过渡到固态体系，循环寿命将高达上万次，届时电动汽车参与V2G意愿度将进一步提升。
对不同车型全生命周期出行进行用能需求分析，如表1所示。私家车是未来提供V2G的主要对象，私家车年均行驶里程不高于2万km，全生命周期出行需求最高占用1400次循环寿命，分别约占2030年、2050年电池总循环寿命的47%、32%，具备V2G经济性。出租车、公交车等运营车辆不具备V2G经济性，全生命周期所需循环次数分别为6800次、5867次，已超过最高循环寿命，无提供V2G能力。
表1 电动汽车分车型用能需求分析
Table 1 Energy demand analysis by vehicle type
长途客运、货车在行驶需求较低时具备V2G经济性。长途客运全生命周期出行需求占用667~3556次循环寿命，根据2030年和2050年电池总循环寿命，可以得出到2030年、2050年长途客运车的年行驶里程分别低于2万、3万km时，才有意愿提供V2G。货车正常行驶里程不高于4万km，全生命周期出行需求最高占用1200次循环寿命，占总循环寿命的不超过40%。研究判断货车未来换电模式和氢能2种技术路线并行，本文暂不讨论该模式。
根据对私家车参与V2G意愿度的问卷调查显示，车主重点关注是否影响电池使用寿命（92%）、影响后续出行（73%）和基础设施完善程度（65%）3大影响因素，V2G意愿度分析结果如图7所示。到2030年、2050年，结合V2G经济性与基础设施完善程度等多重因素综合考虑，保守估计全国有30%、60%左右的私家车愿意参与车网互动，分别达到0.27亿、1.68亿辆。
图7 V2G意愿度分析
Fig.7 V2G willingness analysis
3.2.2 车网互动灵活性潜力
2050年1月典型日电动汽车调节前后的负荷特性如图8所示。初始的系统净负荷曲线呈双峰特性，分别在早08:00—11:00与晚18:00—23:00时段出现高峰，在光伏大发的午间14:00时左右进入低谷，电动汽车的初始负荷曲线，与系统净负荷曲线的峰谷时段基本重叠。车网互动后，电动汽车充放电时段转移。充电时刻集中转移至14:00和凌晨时段的净负荷低谷期，放电时刻集中转移至净负荷的双高峰期早09:00与晚20:00。系统净负荷曲线峰谷差显著缩小，削峰填谷和主动顶峰效果显著。
图8 2050年1月典型日电动汽车负荷曲线和系统净负荷曲线
Fig.8 Electric vehicles load characteristics and net load characteristics in January Typical day in 2050
根据1.2.2节的分析，车网互动调节能力的不确定性主要受用户参与意愿度、单次平均在网时长、电池最大放电深度、日平均接网频次、慢充桩功率等因素影响。根据单次平均在网时长9 h、最大放电深度40%、日均接网次数0.27次，慢充功率7 kW计算，到2030年，通过车网互动削峰、填谷分别达205万、624万kW左右。系统净负荷峰值由初始的14.2亿kW下降至14.18亿kW，谷值由初始的–10.54亿kW提高至–10.5亿kW，峰谷差缩小了624万kW，较调节前降低0.2个百分点。通过V2G模式提供的顶峰能力达到704万kW左右。电动汽车在负荷高峰期的等效发电量达到90亿kW·h左右，最大充电负荷由初始的0.69亿kW提升至0.74亿kW，最小充电负荷由初始的0.18亿kW降至0.15亿kW。
到2050年，车网互动对系统削峰填谷效果更加明显，通过V2G模式为系统提供顶峰能力，如图8和图9所示。根据表2所示的车网互动参数进行计算，削峰填谷分别达0.2亿~2.8亿、1.1亿~2.5亿kW。系统净负荷峰值由19.5亿kW降至16.7亿~19.3亿kW，谷值由初始的–19.4亿kW提升至–18.3亿~–17.6亿kW，峰谷差缩小1.2亿~5.2亿kW，相比调节前缩小近12个百分点。考虑意愿度、同时率等因素，通过V2G模式提供的顶峰能力达到1.1亿kW。电动汽车在负荷高峰期的等效发电量达到3787亿kW·h左右，最大充电负荷由初始的5.5亿kW提升至6.5亿kW，在净负荷高峰期开启放电模式，最大放电功率出现于11月15日06:00，最高可达0.93亿kW。
图9 2050年典型周电动汽车负荷曲线和系统净负荷曲线
Fig.9 Electric vehicles load characteristics and net load characteristics in typical week in 2050
表2 2050年车网互动参数设置
Table 2 Electric Vehicle network interactive scene settings
车网互动调节效果对充电功率这一参数的敏感度较高。当充电功率由 7 kW提高至15 kW，车网互动对系统削峰填谷的效果提升显著，随着充电功率进一步提高，调节效果存在边际递减效应，对系统影响的差别不大，如图10所示。到2050年，当充电功率由5 kW提升至10 kW，系统净负荷峰谷差削减量提高1.3亿kW；而当充电功率由10 kW提升至15 kW，峰谷差削减量仅提高0.55亿kW；当充电功率提高至20 kW·h，峰谷差削减量进入饱和状态；当充电功率由35 kW提升至40 kW·h，峰谷差削减量仅提高477万kW。
图10 充电功率对车网互动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
分区域来看，按照充电桩功率20 kW计算，到2030年，华东、华北、西北、东北地区车网互动效益明显，其中华东减少0.9亿kW，而西南、华南、华中由于水电、气电等调节电源布局较多，电动汽车参与调节的需求不迫切。到2050年，华南、华东地区分别削峰、填谷效果最为明显，分别达到0.8亿、1.3亿kW左右，详细数据如表3所示。
表3 车网互动削峰填谷各区域效果
Table 3 V2G Peak shaving and valley filling effects in various regions
3.3 对新型储能装机与投资的影响
以文献[4]的新型储能配置需求预测为初始边界条件，到2030年、2050年，全国初始的储能装机需求总量分别达到2.6亿、9.5亿kW，其中新型储能装机需求分别达到0.9亿、6.5亿kW。车网互动后，在系统提供灵活性方面，电动汽车对短周期电化学储能的替代作用显著，新型储能需求总量下降明显。需要说明，新型储能的其他多样性功能不在本文讨论范围内。
按照2030年充电功率7 kW、2050年充电功率20 kW计算，到2030年，车网互动替代新型储能装机2161万kW左右，替代比例达到9%，全部为短时储能，新型储能需求经车网互动后下降至0.7亿kW。电动汽车全年最大充、放电功率分别达到7371万、1525万kW，相当于范围为[–7371，–1525]万kW的锂电池。到2050年，车网互动替代新型储能装机0.4亿~2.8亿kW，替代比例达到19%左右。6 h短时储能和720 h长时的储能需求分别下降了1.8亿、1500万kW左右，新型储能需求下降至4.6亿kW左右。
分区域来看，车网互动对东北、华北、西北、华东地区的储能替代作用显著。华南、华中地区的储能装机需求以季节性长期储能为主，日调节主要依赖跨区调节与灵活性调节电源，而车网互动主要在日调节发挥作用，因此车网互动减少了该地区对跨区调节与灵活性调节电源的需求，但是对新型储能装机的影响并不显著。西南地区以水电装机为主，灵活性调节能力较强，对储能及负荷灵活性调节需求较低，车网互动未明显影响储能装机。到2050年，车网互动对东北、华北、西北、华东地区的储能装机替代比例分别达到19%、11%、16%、44%。
车网互动显著降低新型电力系统投资成本和运行成本，为参与用户提供收益。电动汽车参与电力系统调节后，到2030年节省储能投资1300亿元。以单向充电桩双向改造成本1000元/桩，车桩比1∶1计算，充电基础设施双向充放电改造及新建增加的投资约720亿元，电力系统总成本下降580亿元。按照电化学储能寿命10年、贴现率为8%、运维成本系数0.5%、充放电效率95%计算，折算年费用减少120亿元，平均每位参与调节的车主年收益约500元。到2050年，节省储能投资1.1万亿元，储能投资成本由调节前的5.1万亿元降低至4万亿元，折算到每年的费用将减少1877亿元，平均每位参与调节的车主年收益约1117元，与车辆年充电成本基本持平。
4 结论与建议
电动汽车车网互动是未来新型电力系统灵活性的重要资源，到2030年、2050年，中国电动汽车规模将分别达到0.8亿~1.1亿辆、3亿~3.3亿辆，约占全社会用电量比重的3%、7%。经车网互动，系统最大负荷可分别削减0.02亿、2.2亿kW，最小负荷分别提升0.06亿、2.2亿kW，系统净负荷峰谷差分别能够缩小0.06亿、4.5亿kW。考虑意愿度、同时率等因素，通过V2G模式向系统提供主动顶峰能力可约达0.07亿、1.1亿kW。
车网互动对短周期电化学储能的替代作用显著，能够大幅节省新型储能投资。到2030年、2050年，车网互动分别相当于0.2亿、1.9亿kW新型储能的灵活性，系统新型储能需求分别下降至0.7亿、4.6亿kW，节省0.1万、1.1万亿元投资。东北、华北、西北、华东地区的储能替代作用显著，可通过车网互动解决储能型日调节需求；华南、华中、西南等调节电源布局较多，车网互动参与调节的需求不迫切。
影响电动汽车调节效果的最主要因素是行业政策、市场机制和商业模式。未来通过不断完善市场机制、基础设施和标准体系，创新虚拟电厂等商业模式，灵活整合电动汽车分散性资源，充分实现“源荷互动”，释放车网互动灵活性潜力。
