基于大規(guī)模V2G的區(qū)域電源低碳優(yōu)化策略

檀勤良,郭明鑫，劉源，韓健，梅書凡，丁毅宏

(1.華北電力大學經(jīng)濟與管理學院,北京市 102206；2.北京市能源發(fā)展研究基地,北京市 102206；3.華北電力大學新能源電力與低碳發(fā)展研究北京市重點實驗室,北京市 102206)

0 引 言

在碳達峰政策背景下，我國電力行業(yè)碳減排壓力不斷增加，電動汽車作為新能源動力交通工具之一，相比傳統(tǒng)燃油車，在緩解化石能源短缺和污染物排放問題上有著顯著優(yōu)勢[1]。當前，電動汽車在政策和技術等條件的推動下發(fā)展迅速，截至2021年底，全國電動汽車保有量達到了640萬輛[2]。相關研究預測，到2030年，我國電動汽車保有量將達到8 000萬輛[3]，這也使電力系統(tǒng)未來不得不面對電動汽車大規(guī)模接入時，其無序充電的不確定性對電力系統(tǒng)造成諸如負荷峰谷差加大、電能質量下降等方面的影響。而考慮將電動汽車作為小型獨立的靈活儲能設施，使其規(guī)模化接入電力系統(tǒng)，可以在一定程度上為系統(tǒng)補充靈活儲能設施缺口。因而，電動汽車規(guī)模化接入電力系統(tǒng)，作為靈活性儲能設施參與系統(tǒng)的整體運行，是未來發(fā)展的趨勢。如何通過科學的規(guī)劃，使新能源汽車有效發(fā)揮靈活性儲能資源的作用，是亟待解決的問題。

V2G(vehicle-to-grid)技術可實現(xiàn)電動汽車與電網(wǎng)之間的互動，是解決上述問題的有效措施，其使規(guī)模化接入系統(tǒng)的電動汽車實現(xiàn)削峰填谷以及提高可再生能源發(fā)電消納水平成為可能。當前基于V2G的研究多從電網(wǎng)側出發(fā)，在微電網(wǎng)條件下探究其產(chǎn)生的影響。文獻[4]以日常運營成本最小為目標，考慮了電動汽車聚合商和微電網(wǎng)運營商分別獨立和融為一體兩種情況，設計了不同的微電網(wǎng)運營優(yōu)化目標函數(shù)。文獻[5]在微電網(wǎng)環(huán)境下，考慮電動汽車不確定性，以微電網(wǎng)系統(tǒng)成本最小為目標進行規(guī)劃研究。也有部分研究從用戶側出發(fā)，探究電動汽車用戶參與V2G的響應度和經(jīng)濟性等問題。文獻[6]提出了考慮電動汽車用戶響應度的峰谷分時電價優(yōu)化有序充電控制策略,以提高用戶滿意度和系統(tǒng)運行安全性。文獻[7]考慮了電動汽車用戶主動參與調度的意愿，建立了考慮配電網(wǎng)網(wǎng)損、風電與負荷的匹配度以及負荷方差的多目標優(yōu)化函數(shù)，提高了電動汽車充放電整體效益。此外，少部分電源側的研究中也考慮了V2G的加入。文獻[8]在分布式可再生電源優(yōu)化配置中加入有序充放電V2G策略，以降低配電網(wǎng)成本，提高供電質量，但文中未對電源側的經(jīng)濟成本進行探討。文獻[9]將V2G應用于分布式可再生電源及傳統(tǒng)火電機組的電源組合中，以降低電力生產(chǎn)和電路損耗的成本，但未充分考慮其減排效果。上述研究考慮的電動汽車參與規(guī)模較小，也有部分學者考慮了大規(guī)模電動汽車接入的情況。文獻[10]對遠期大規(guī)模電動汽車日充電負荷進行了預測，并分析了其接入配電網(wǎng)的影響。文獻[11]針對大規(guī)模電動汽車接入電網(wǎng)實時充電優(yōu)化問題，提出了考慮電網(wǎng)和車主利益的多目標實時分布式優(yōu)化模型。總體來講，當前對于電動汽車接入電力系統(tǒng)的研究多考慮電網(wǎng)和用戶主體的利益需求，僅少數(shù)從電源側著手進行研究，且大多考慮的電動汽車規(guī)模較小。鮮有同時考慮三個主體，從源-網(wǎng)-荷角度且在未來大規(guī)模電動汽車接入電力系統(tǒng)參與V2G條件下的規(guī)劃研究。

在模型方法方面，基于V2G的電力相關研究中部分學者考慮了系統(tǒng)成本、系統(tǒng)穩(wěn)定性和環(huán)境效益等方面，建立了多目標優(yōu)化模型，并提出多種求解方法。文獻[9]建立了以系統(tǒng)成本、電網(wǎng)功率損耗和電壓分布偏差最小為目標的配電網(wǎng)優(yōu)化模型。文獻[12]考慮了電動汽車充放電特性，建立了以碳排放量和系統(tǒng)成本最小為目標的綜合能源系統(tǒng)協(xié)調優(yōu)化模型，利用改進的禁忌-細胞膜優(yōu)化算法對模型進行求解。文獻[8]建立了以配電網(wǎng)總成本、環(huán)境收益和供電質量最小為目標的多目標分布式電源優(yōu)化配置模型，采用螢火蟲算法進行求解。上述文獻中的方法均可高效求解模型，得到優(yōu)化結果，但僅在小規(guī)模電動汽車的條件下達到理想效果。

綜上所述，本文主要貢獻為：1)從源-網(wǎng)-荷視角出發(fā)，在傳統(tǒng)電源規(guī)劃模型的基礎上，構建考慮V2G的源-網(wǎng)-車規(guī)劃模型，研究電動汽車規(guī)模化接入電力系統(tǒng)并參與調峰時系統(tǒng)的整體表現(xiàn)；2)本文采用改進的理想點法，基于大規(guī)模電動汽車接入電力系統(tǒng)的情景，進行多目標優(yōu)化模型求解，在獲得滿意解的基礎上有效降低模型的復雜度，提升計算效率。本文研究大規(guī)模電動汽車接入省級區(qū)域電力系統(tǒng)條件下，區(qū)域電力系統(tǒng)電源側的經(jīng)濟、環(huán)境協(xié)同效益；同時，重點關注和測度不同季節(jié)下電動汽車充放電行為變化及其對系統(tǒng)產(chǎn)生的影響。以河北省作為實證案例，為尋找該區(qū)域電源側碳達峰實現(xiàn)路徑提供模型基礎，為碳達峰目標下河北省大規(guī)模V2G技術的部署和實施提供一定的數(shù)據(jù)支撐和政策建議。

1 考慮V2G的源-網(wǎng)-車規(guī)劃模型

1.1 建模思路

本文建立的電源規(guī)劃模型主要考慮在具有一定規(guī)模電動汽車的基礎上利用V2G參與調峰，從電源側、電網(wǎng)側、用戶側三個角度進行優(yōu)化。其中電源側選取了燃煤、燃氣兩種火電機組和風電、光伏兩種可再生能源機組。通過計算規(guī)劃期內各年新建容量，各機組出力情況來估算碳排放量、電量組成、資源消耗，使其經(jīng)濟成本最小。碳排放方面，參考碳排放相關政策，對年碳排放總量進行約束。風、光發(fā)電的單位碳排放量較小，可被視為清潔能源，因此忽略不計，僅考慮其出力特性。電網(wǎng)側選取典型日進行運行模擬，在電源和電動汽車共同出力的情況下，滿足負荷需求，平抑負荷曲線，提高運行穩(wěn)定性。電動汽車與電網(wǎng)通過V2G進行有序互動，可在一定程度上抵消風光機組出力的不確定性，提高對風光出力的消納，降低火電機組出力，達到減碳效果。其中電動汽車各時段進行放電的出力情況為規(guī)劃區(qū)域該時段中放電的總出力值，各時段充電的負荷需求為規(guī)劃區(qū)域該時段充電的總負荷量。用戶側考慮在實施峰谷電價的政策下，對電動汽車用戶參與V2G的經(jīng)濟效益進行優(yōu)化。

1.2 目標函數(shù)

1)電源側經(jīng)濟成本最小。

發(fā)電成本包括每年各類新建機組裝機建設成本，燃煤機組和燃氣機組的燃料成本，各類機組發(fā)電過程中的運維成本。

(1)

式中：N=4，代表電源種類數(shù)量；n=1,2,3,4，代表電源類型，分別為燃煤、燃氣、風電、光伏；s=1,2,3,4，代表四個季節(jié)，分別為春季、夏季、秋季、冬季；T=24，代表一天小時總數(shù)；t=1,2,3,…,24，代表一天中對應時段；θn為0-1變量，僅當θn=1時，表示第n種電源該年進行新建裝機；Yn代表第n種電源該年新建裝機容量，MW；CCn代表第n種電源單位裝機成本；Pn,s,t代表第n種電源在s季節(jié)t時段的發(fā)電功率，MW；Δt代表單位時間，h；an代表第n種電源發(fā)電的燃料消耗率，包括燃煤機組和燃氣機組；CFn代表第n種電源發(fā)電燃料的單位成本；Ds代表s季節(jié)的天數(shù)；CGn代表第n種電源發(fā)電的單位運維成本。

2)電網(wǎng)側負荷波動最小。

本文電網(wǎng)負荷波動情況以日負荷方差值來體現(xiàn)，方差數(shù)值越小，說明負荷曲線越趨于平緩，電網(wǎng)運行越穩(wěn)定。

(2)

(3)

式中：Ls,t代表s季節(jié)t時段的系統(tǒng)負荷；PCHs,t代表所有電動汽車在s季節(jié)t時段從電網(wǎng)輸入的總充電功率；PDISs,t代表所有電動汽車在s季節(jié)t時段向電網(wǎng)輸出的總放電功率；PMEANs代表系統(tǒng)在s季節(jié)日負荷的平均值。

3)用戶側參與V2G收益最大。

電動汽車用戶參與V2G的意愿考慮來源于峰谷電價的實施而可能產(chǎn)生的經(jīng)濟收益。

(4)

式中：PEt代表t時段的電價。

1.3 約束條件

1)資源限制約束。

燃煤和燃氣兩種電源的發(fā)電量受到各自燃料資源數(shù)量的限制。

(5)

式中：En代表第n種電源發(fā)電燃料的年資源可用量。

2)電量需求約束:

(6)

式中：PD代表該年電量需求總量。

3)電力平衡約束：

(7)

4)電源機組容量約束：

(8)

θnYn≤YAn

(9)

式中：ECn代表第n種電源現(xiàn)存機組容量；Rn代表第n種電源年利用小時數(shù)；YAn代表第n種電源該年允許新建最大容量。

5)碳排放約束：

(10)

式中：kn代表第n種電源碳排放系數(shù)；ECO2代表該年允許碳排放總量。

6)可再生能源滲透率約束：

(11)

式中：β代表政策要求可再生能源滲透率。

7)可再生能源機組出力約束。

根據(jù)典型日數(shù)據(jù)，利用容量系數(shù)來對出力進行約束。

Pn,s,t≤λn,s,t(θnYn+ECn)

(12)

式中：λn,s,t代表第n種電源在s季節(jié)t時段的容量系數(shù)。

8)電動汽車充放電功率約束：

PEVmin≤PCHs,t-PDISs,t≤PEVmax

(13)

PEVmin=-ρs,tEVpDIS/ηDISs

(14)

PEVmax=ρs,tEVpCHηCHs

(15)

式中：PEVmin代表電動汽車在s季節(jié)t時段總充放電功率下限；PEVmax代表電動汽車在s季節(jié)t時段總充放電功率上限；ρs,t代表在s季節(jié)t時段電動汽車駛停概率；EV代表電動汽車總數(shù)量；pDIS代表單臺電動汽車放電功率；pCH代表單臺電動汽車充電功率；ηDISs代表電動汽車在s季節(jié)放電效率；ηCHs代表電動汽車在s季節(jié)充電效率。

10月25日，本刊記者來到永定區(qū)法院，試圖找到法院再次要求收監(jiān)的原因。但該案的審判長林燦崗拒絕了本刊記者的采訪請求，表示相關情況以法院辦公室的口徑為準。而法院辦公室的工作人員則表示，由于該案件存在爭議，法院將在官方微信作出正面回應。

9)充放電電動汽車數(shù)量約束。

由于電動汽車在同一時刻只能進行充電或放電，因此同一時刻進行充電或放電的電動汽車數(shù)量之和不能超過電動汽車總數(shù)量。

(16)

10)荷電狀態(tài)(state of charge，SOC)約束。

為了延長電動汽車電池的使用壽命，需要限制電動汽車電池最大最小電量。

SOCmin≤SOCs,t≤SOCmax

(17)

其中SOCs,t計算公式如下：

SOCs,t=SOCs,t-1+ΔtPCHs,tηCHs-
ΔtPDISs,t/ηDISs-(1-ρs,t)EVDPC

(18)

SOCmin=ωminBEV

(19)

SOCmax=ωmaxBEV

(20)

同時，假設一天中結束時的電動汽車整體電池電量與初始整體電池電量相等。

SOCs,0=SOCs,24

(21)

式中：SOCs,t代表所有電動汽車在s季節(jié)t時段的整體剩余電量；SOCmax代表整體電池電量的最大值；SOCmin代表整體電池電量的最小值；DPC代表電動汽車行駛1 h的平均耗電量；ωmin代表電動汽車最小電池電量比例，本文設置為0.2；ωmax代表最大電池電量比例，本文設置為0.9；B代表單臺電動汽車電池容量。

1.4 求解方法

本文構建的模型為多目標規(guī)劃模型，由于多目標規(guī)劃模型直接求解存在一定的困難，因此本文考慮利用改進的理想點法，構建評價函數(shù)。考慮到本文設置的三個目標在量級量綱上不一致，無法直接構建評價函數(shù)，為了客觀得到不同目標函數(shù)的折中解，需將三個目標值進行歸一化處理[13]，隨即可將多目標規(guī)劃模型轉變?yōu)閱文繕艘?guī)劃模型進行求解[14]。評價函數(shù)構建公式如式(22)所示，以p個最小化目標為例。

(22)

2 算例分析

2.1 基礎數(shù)據(jù)

基于本文所提出的規(guī)劃模型與方法，以河北省電網(wǎng)2020年的電源相關數(shù)據(jù)和電動汽車相關數(shù)據(jù)作為基礎數(shù)據(jù)，對其2021—2035年規(guī)劃方案進行求解，對電動汽車參與V2G的整體充放電行為進行分析。本文中年負荷曲線以典型日負荷曲線替代，電力需求量和電動汽車數(shù)量分別以該省四種電源近5年發(fā)電量歷史數(shù)據(jù)和近5年電動汽車數(shù)量歷史數(shù)據(jù)作為訓練集，利用支持向量機(support vector machine,SVM)回歸預測方法進行預測[15]得到該省2021—2035年的電力需求量和電動汽車數(shù)量，見表1。

表1 規(guī)劃期內部分預測數(shù)據(jù)Table 1 Partial forecast data in the planning period

對規(guī)劃期內的機組建設成本、機組運行成本、電動汽車電池容量、充放電效率等數(shù)據(jù)，進行收集、整理[16-19]，如表2、3所示。本文中考慮電動汽車的充電功率與放電功率相等，各季節(jié)中的充電效率與放電效率相等。

表2 規(guī)劃期內電源側部分基礎數(shù)據(jù)Table 2 Basic data of power supply side during the planning period

表3 規(guī)劃期內電動汽車基礎數(shù)據(jù)Table 3 Basic data of electric vehicles in the planning period

2.2 情景設置

為驗證電動汽車參與V2G的比例對電源側減排效果的影響，本文設置了5個情景進行對比分析，如表4所示。規(guī)劃模型采用數(shù)學軟件Lingo進行求解[20]。

表4 各情景設置Table 4 Scenario settings

2.3 結果分析

1)系統(tǒng)成本及碳減排情況。

圖1與圖2分別展示了5種不同情景下規(guī)劃期內電源側各年碳排放總量與總成本變化情況。通過情景對比可以看出，規(guī)劃期內總成本隨著電動汽車參與V2G比例的提高而降低，其主要原因在于，V2G作為一種靈活的儲能方式，其規(guī)模的擴大將極大地提高電網(wǎng)的靈活性，并提高風、光機組的出力，由于可再生能源機組建設和運行成本較高，因此降低新建機組容量，減少機組建設總成本。在規(guī)劃期內，情景a到情景d中電源側總碳排放量隨著電動汽車參與V2G比例的提高而降低，當參與比例由50%(情景c)提高到70%(情景d)時，碳減排效果最顯著，規(guī)劃期內總碳排放量下降了3.45%(約合7.638×1010t)，而參與比例由70%(情景d)提高到90%(情景e)時，總碳排放量有所提高。其中情景a到情景d總碳排放量不斷降低的主要原因是對可再生能源的消納會隨著電動汽車參與V2G比例的提高而提高，火電機組的出力也會隨之減少，使碳排放量降低。情景e相比情景d碳排放增加的主要原因是情景e中進一步降低可再生能源機組新建容量的同時，對可再生能源消納不能滿足電力負荷需求，且燃氣機組單位碳排放量較低，使得燃氣機組新建容量及發(fā)電量提高。表5展示了各情景中規(guī)劃期內各機組總的新建容量情況。可以看到，情景e中燃氣機組新建容量相比情景d中有所增長，因此造成總碳排放量提高。

圖1 各情景規(guī)劃期內電源側年總碳排放量Fig.1 Total annual carbon emission of power supply side in the planning period of each scenario

圖2 各情景規(guī)劃期內電源側總成本變化情況Fig.2 Changes in total cost of power supply side in the planning period of each scenario

本文進一步探討了不同情景V2G接入比例對實現(xiàn)碳達峰時間的影響情況。在情景a中，規(guī)劃期內該區(qū)域電源側的碳排放量呈現(xiàn)先增(2032年前)、后減(2032—2035年)的趨勢，在2032年形成了規(guī)劃期內1.880 7×1011t的峰值，因此在情景a下該區(qū)域無法實現(xiàn)預期的碳達峰目標。在情景b中，碳排放總量有所降低，排放曲線呈現(xiàn)出類似情景a的趨勢，但在2030年出現(xiàn)規(guī)劃期內的全局峰值1.867 64×1011t，與當前的碳達峰愿景一致。情景c與情景b相似，該區(qū)域規(guī)劃期內在2030年碳排放量達到最大值，但與情景b相比降低了3×106t。在情景d中，碳達峰的年份有所提前，于2029年達到峰值1.868 4×1011t。最后，情景e與情景b、情景c相似，于2030年碳排放量達到了峰值1.866 52×1011t。結合經(jīng)濟和環(huán)境效益兩個視角綜合考慮，在情景a中，規(guī)劃期內系統(tǒng)總成本較高，并且沒有實現(xiàn)碳達峰政策的預期目標。情景b—e的規(guī)劃結果實現(xiàn)了碳達峰的目標，其規(guī)劃結果具有一定的現(xiàn)實意義。但與其他3種情景相比，情景b的總成本依然較高。情景c成本略高于情景d和情景e，情景d、e的總成本處于同一水平，而情景d下可提前一年實現(xiàn)碳達峰，同時規(guī)劃期內總碳排放量最低。基于此，后文將在情景d的規(guī)劃結果基礎上進一步分析。

表5 各情景規(guī)劃期機組新建容量情況Table 5 New capacity of units in the planning period of each scenario

2)充放電優(yōu)化結果分析。

對于情景d中規(guī)劃期典型日削峰填谷情況的探討選取了規(guī)劃期初(2021年)、規(guī)劃期中(2029年)和規(guī)劃期末(2035年)三個時間節(jié)點進行分析。情景d中各季節(jié)V2G參與調節(jié)前后負荷情況如圖3—5所示。三個時間節(jié)點中春、夏、秋三個季節(jié)在V2G參與后均可實現(xiàn)削峰填谷，其中夏季的削峰填谷效果最為顯著，以2021年為例，夏季V2G參與前后負荷峰值分別為40 760.01 MW和40 018.06 MW，負荷率分別為89.26%和91.52%。然而，冬季在V2G參與后僅達到了填谷效果，無法實現(xiàn)削峰，其主要原因在于，溫度會影響電動汽車電池性能，該區(qū)域冬季氣溫較低，電池充放電效率相比于其他季節(jié)會有明顯降低，同時電動汽車行駛過程中的耗電量會提高，更多的電量用于滿足用戶行駛需要，難以參與調節(jié)達到削峰效果。同時，值得一提的是隨著年份的增加，各個季節(jié)的負荷率均有所降低。以夏季為例，規(guī)劃期中的負荷率為90.24%，規(guī)劃期末的負荷率為89.86%。其主要原因是在情景d中依舊有30%的電動汽車沒有參與V2G，這部分電動汽車充電行為對電網(wǎng)的影響依舊會隨著電動汽車數(shù)量的提高而增加。

圖3 情景d中2021年各季節(jié)V2G參與前后負荷曲線Fig.3 Load curve before and after V2G participation in each season in 2021 in scenario d

圖4 情景d中2029年各季節(jié)V2G參與前后負荷曲線Fig.4 Load curve before and after V2G participation in each season in 2029 in scenario d

圖5 情景d中2035年各季節(jié)V2G參與前后負荷曲線Fig.5 Load curve before and after V2G participation in each season in 2035 in scenario d

圖6 情景d中電動汽車參與V2G前后總充電成本Fig.6 Total charging cost of EV before and after V2G in scenario d

考慮到削峰填谷產(chǎn)生的經(jīng)濟效益是用戶參與V2G的主要影響因素之一，本文對此進行探討。圖6為情景d中該區(qū)域V2G參與前后每年總充電成本變化曲線。首先，考慮到電動汽車規(guī)模不斷擴大，該區(qū)域電動汽車無論是否參與V2G，其充電成本都將呈現(xiàn)增長的趨勢。其次，在V2G參與的條件下，電動汽車向電網(wǎng)放電可產(chǎn)生一部分收益，總成本有所降低，成本下降比例可達到83.76%，但無法產(chǎn)生凈收益。

3)電源優(yōu)化結果分析。

情景d下電源新建裝機規(guī)劃結果如圖7所示。規(guī)劃期內電源新增總裝機量在規(guī)劃初期(2021—2025)、規(guī)劃中期(2026—2030)增加，規(guī)劃后期(2031—2035)減少。其中，燃煤機組受到“雙碳”目標及相關政策的影響，規(guī)劃期內停止新建。燃氣機組新建容量占比較低，主要考慮其受燃料資源限制較大。規(guī)劃初期和規(guī)劃中期新建容量增加原因主要考慮電力需求不斷增加的同時，燃煤機組停止新建，光伏、風電裝機占比不斷提高導致系統(tǒng)靈活性降低，而燃氣機組具有較好的調峰調頻靈活性，同時相比燃煤機組，燃氣機組發(fā)電過程中碳排放系數(shù)較低。規(guī)劃后期新建減少原因在于電動汽車規(guī)模不斷擴大，參與V2G的電動汽車數(shù)量不斷增加而一定程度上提高了靈活性。規(guī)劃初期、中期、后期可再生能源機組的新建容量在總新建容量中的占比分別達到了96.11%、98.95%、99.14%，主要得益于該省風能、太陽能資源較為豐富，存在著較大的開發(fā)利用空間，這與當前該省的可再生能源發(fā)展政策一致。

圖8為情景d下各類型電源年發(fā)電量。隨著電力需求逐年增加，該省年總發(fā)電量不斷增長。規(guī)劃期內，火電機組年發(fā)電量在2029年達到最大值，受到碳排放政策影響，隨后開始逐年減少。可再生能源機組年發(fā)電量不斷增加，其發(fā)電占比也在持續(xù)增長，圖9展示了2035年各情景中可再生能源發(fā)電量占比情況，各情景分別為28.67%、29.39%、35.45%、38.85%、37.20%。說明隨著電動汽車參與V2G比例的提高，通過參與電網(wǎng)調峰會增加對可再生能源出力的消納，進而提高可再生能源發(fā)電占比。但是這種促進是有限的，當電動汽車參與比例到90%時(情景e)，燃氣機組的新建需求會提高，火電機組的發(fā)電量也提高，反而導致可再生能源發(fā)電占比降低。因此70%最好。

圖7 情景d中電源新建裝機規(guī)劃結果Fig.7 Planning results of new power installation in scenario d

圖8 情景d中各電源年發(fā)電量Fig.8 Annual power generation of each power source in scenario d

圖9 2035年各情景可再生能源發(fā)電量占比Fig.9 Proportion of renewable energy power generation in 2035

3 結 論

本文基于我國能源系統(tǒng)的碳減排政策，結合我國電動汽車規(guī)模化發(fā)展趨勢，從源-網(wǎng)-荷視角出發(fā)，提出了考慮電動汽車規(guī)模化接入電力系統(tǒng)的源-網(wǎng)-車規(guī)劃模型，探究了大規(guī)模電動汽車接入電力系統(tǒng)的條件下，V2G參與調峰對電源側規(guī)劃決策、電網(wǎng)側負荷穩(wěn)定及用戶側經(jīng)濟成本的協(xié)同性影響。文中共設置5種情景進行對比，主要結論如下：

1)規(guī)劃期內該區(qū)域電源結構有所調整，可再生能源占比不斷提高，大規(guī)模電動汽車場景下，電動汽車參與V2G的比例提高也會促進可再生能源的消納，進而促進電源結構調整。同時，V2G作為儲能系統(tǒng)參與調峰的效果存在著季節(jié)性的特點，不同季節(jié)有著明顯的差異，其中夏季效果最好，冬季效果最差，因此在推動V2G技術實施的過程中需要考慮空間地域的氣候特點，在冬季氣溫較低的地區(qū)，需要進行調整，如增大峰谷價差，激勵用戶積極響應。

2)大規(guī)模電動汽車通過V2G參與調峰可有效降低電源側碳排放量，當電動汽車參與比例為70%時最優(yōu)，同時，在此情景下可推動河北省電源側碳達峰目標提前實現(xiàn)。因此從環(huán)境效益的視角出發(fā)，加快V2G技術的實施是該區(qū)域碳達峰實現(xiàn)的有效途徑之一。政府可以通過激勵政策來推動相關行業(yè)發(fā)展，如減免企業(yè)稅收，開通規(guī)劃實施綠色通道。

3)從系統(tǒng)成本的角度來看，隨著電動汽車參與V2G比例的提高，電源側成本會隨之降低。電動汽車用戶可通過參與V2G來降低充電成本，但無法產(chǎn)生凈收益。因此，隨著電動汽車規(guī)模的擴大，也需關注用戶經(jīng)濟收益問題。此外，由于對智能充電樁的安裝、傳統(tǒng)充電樁的改造升級、電動汽車充放電造成的電池損耗無法準確估算，因此本文模型不考慮這部分經(jīng)濟成本。同時，由于本文研究分析側重于電源側且電網(wǎng)數(shù)據(jù)較難獲取，本文模型未考慮電網(wǎng)潮流等相關約束。并且考慮到大規(guī)模電動汽車場景下難以細化單個電車的充電行為，本文選取了具有代表性的電動汽車參數(shù)數(shù)據(jù)，未劃分電動汽車類型，上述內容將在后續(xù)進一步研究分析。