《Sustainable Energy Technologies and Assessments》：Role of smart charging and vehicle-to-grid for long-term decarbonization pathways in Italy
编辑推荐：
专业术语翻译
电动汽车被视为交通运输部门脱碳、减少化石燃料直接使用以及促进可再生能源融入交通系统的有效手段。然而，高渗透率的电动汽车也将增加电力需求，给电网带来额外压力。实现欧盟2050年气候中和目标需要电力和交通部门的快速脱碳，这两个部门合计占欧洲能源相关C
专业术语翻译
电动汽车被视为交通运输部门脱碳、减少化石燃料直接使用以及促进可再生能源融入交通系统的有效手段。然而，高渗透率的电动汽车也将增加电力需求，给电网带来额外压力。实现欧盟2050年气候中和目标需要电力和交通部门的快速脱碳，这两个部门合计占欧洲能源相关CO2排放的一半以上。可再生能源整合、储能以及跨部门耦合是实现CO2减排路径的经济有效方式。纯电动汽车的日益普及带来了新的电力需求，也为系统灵活性提供了重要机遇。此外，这些车辆配备了大型分布式电池，通常80-90%的时间处于闲置状态，可用于提供电网服务，尤其是在以可再生能源为主的电网中。将电动汽车接入电网，特别是通过智能充电（Smart Charging, SC）和车网互动（Vehicle-to-Grid, V2G）策略，具有降低峰值负荷、提高可再生能源利用率、延缓电网投资、减少电网电池储能需求以及降低碳排放的潜力。然而，要实现这一潜力，需要能够捕捉电动汽车与电网交互在空间、时间和运行层面复杂性的先进建模框架，从而为政策制定者提供洞察。本研究全面分析了不同充电策略（无序充电（Dumb）、智能充电（SC）和车网互动（V2G））在运行优化和容量扩展优化两种情境下的表现，采用高空间分辨率、高时间分辨率、多周期的PyPSA模型，并结合交通部门的详细建模及其与电力部门的耦合，用于脱碳路径分析。研究人员对引入智能充电（SC）和车网互动（V2G）进行了敏感性分析，以评估其对2025年至2050年间可再生能源装机、电网发展、储能需求和所需投资的影响。本论文纳入了电动汽车的逐时充电曲线及其与电网交换电力的可用性，该方法基于emobpy模型。Emobpy是由德国经济研究所开发的开源Python工具，通过基于经验出行数据的采样方法生成合成纯电动汽车充电曲线。在本研究中，该工具被调整为适应意大利的出行模式——基于起点-终点矩阵（Origin-Destination matrices）创建真实的逐时电动汽车可用性和能量需求曲线，并集成到PyPSA-Italy框架中。
论文解读文章
一、研究背景与问题
在全球应对气候变化的大背景下，欧盟设定了2050年实现气候中和的目标。电力和交通部门作为欧洲能源相关CO2排放的主要贡献者（合计超过一半），其快速脱碳成为必然要求。电动汽车（EV）被认为是交通运输部门脱碳的有效手段，但高渗透率的EV在增加电力需求的同时，也因其搭载的大型分布式电池（通常80-90%时间处于闲置状态）为电网提供了宝贵的灵活性资源。通过智能充电（SC）和车网互动（V2G）技术，EV有望降低峰值负荷、提升可再生能源利用率、延缓电网投资并减少碳排放。
然而，现有研究存在显著局限性。第一类研究局限于运行优化框架，即在给定发电、储能和网络容量的前提下仅优化车辆调度，无法反映EV灵活性对系统最优设计的影响。第二类研究虽嵌入容量扩展优化，但大多缺乏多节点空间分辨率，无法捕捉车队位置与廉价可再生资源分布之间的空间错配效应。更重要的是，绝大多数研究未考虑EV逐时可用性曲线，而是采用固定的连接窗口或恒定可用比例，这严重低估了EV灵活性的实际价值。同时，多周期投资优化与多节点空间分辨率很少结合，使得区域间传输扩展与可再生能源选址的相互作用无法显现。
因此，研究人员提出了一项综合研究，旨在填补上述空白：在高空间分辨率（七节点）、高时间分辨率（逐时）、多周期（2025-2050）的PyPSA-Italy模型中，结合基于真实出行数据的逐时EV可用性曲线，全面评估不同充电策略（无序充电（Dumb）、智能充电（SC）和车网互动（V2G））对意大利脱碳路径的影响。
二、关键技术方法
研究人员采用了PyPSA（Python for Power System Analysis）开源线性优化框架，构建了PyPSA-Italy模型。该模型以最小化总系统成本为目标函数，涵盖发电、储能和输电的投资与运行成本，同时满足每小时的能量平衡和技术约束。模型具有七节点空间分辨率（代表意大利主要地理区域）、逐时时间分辨率和多周期结构（2025至2050年，每五年为一个投资阶段）。为了模拟EV的移动模式，研究人员利用伦巴第大区公开提供的起点-终点矩阵（Origin-Destination matrices）数据，假设这些数据可推广至意大利全境，并通过emobpy开源Python工具生成合成EV充电曲线，包括逐时充电功率和车辆与电网交换电力的可用性。在此基础上，模型实现了三种充电策略的对比：无序充电（Dumb，即插即充）、智能充电（SC，单向可控充电）和车网互动（V2G，双向充放电）。对于V2G，研究人员附加了双向充放电基础设施的显式成本，以反映其商业化前期的技术经济特征。
三、研究结果
1. 智能充电（SC）与车网互动（V2G）对系统成本的降低
研究结果表明，与无序充电（Dumb）基准情景相比，智能充电（SC）可使总系统成本降低约1.3%，而车网互动（V2G）则可降低约3.3%。这一成本节约主要来源于减少了发电和储能的投资需求，以及更高效的可再生能源利用。
2. 对储能需求的显著影响
车网互动（V2G）对电网级电池储能需求产生了最为显著的影响。在2050年，V2G可将固定式电池储能需求降低约10%；而在更早的年份（如2030-2040年），这一降幅可达92%。这表明V2G提供的车载分布式储能可以有效替代部分专用电网储能设施，尤其在系统转型初期效果更为突出。
3. 对可再生能源弃电的削减
智能充电（SC）和车网互动（V2G）均能有效减少可再生能源弃电。在2050年，SC和V2G分别使弃电量降低约13%；在较早年份（如2035年），弃电削减幅度最高可达48%。这是因为EV的灵活性允许系统更好地匹配太阳能等间歇性可再生能源的出力波动，将过剩电能存储于车载电池中而非弃掉。
4. 年度能量平衡与系统成本演变
以30% EV渗透率为例，SC-30%情景下，非化石能源发电量从2025年的165.1 TWh增长至2050年的408.2 TWh，化石能源发电量同期从121.8 TWh降至0，进口能源也从38.1 TWh降至0。总系统成本从123.8 B�上升至144.0 B�。V2G-30%情景表现出类似的趋势，但非化石能源发电量略高（2050年为413.0 TWh），而总系统成本在各年份均低于SC-30%（2050年为141.0 B�）。值得注意的是，两种情景下可再生能源弃电在2050年均大幅上升（SC-30%为268.5 TWh，V2G-30%为254.6 TWh），反映出高比例可再生能源系统面临的挑战。
5. 空间维度的重要性
通过多节点模型，研究人员发现EV车队的空间分布与可再生能源资源的空间分布之间存在重要互动。例如，北部工业区集中了大量EV，而南部地区拥有更丰富的太阳能资源。V2G允许将北部车载电池的灵活性用于消纳南部的过剩光伏发电，这驱动了南北向输电线路的扩建需求，而单节点模型完全无法捕捉这一效应。
6. 时间维度的重要性
通过纳入逐时EV可用性曲线，模型能够精确识别EV灵活性在一天内不同时段的价值差异。例如，在工作日白天，大量车辆外出行驶，可用性较低；而在夜间和周末，车辆长时间停泊，可为电网提供充足的调节能力。这种精细化的时间表征使得模型能够更准确地评估V2G在高峰负荷削峰和可再生能源消纳中的实际潜力。
四、讨论与结论
在讨论部分，研究人员指出，尽管SC和V2G均可带来系统效益，但其相对优势取决于多种因素。V2G虽然提供了更大的灵活性，但需要额外的双向充放电基础设施投资，在当前技术经济条件下其净收益受制于设备成本和电池退化等因素。相比之下，SC仅需单向控制通信能力，成本更低且技术成熟度更高，因此在大多数情景下捕获了大部分系统成本节约。研究还强调，V2G效益的高度时空依赖性意味着，忽视逐时可用性或多节点空间结构的模型会系统性高估或低估其价值。
研究结论部分翻译如下：本研究通过构建高空间、高时间、多周期的PyPSA-Italy模型，结合基于真实出行数据的逐时EV充电曲线，全面评估了智能充电（SC）和车网互动（V2G）对意大利脱碳路径的影响。研究表明，SC和V2G均能有效降低系统成本、减少储能需求和可再生能源弃电，其中V2G在早期年份对储能需求的削减尤为显著（高达92%）。然而，在高比例可再生能源的2050年，系统仍面临大量弃电问题，表明仅靠EV灵活性不足以完全解决可再生能源整合挑战。研究还揭示了空间和时间维度在评估EV灵活性价值中的关键作用：多节点模型捕捉到的区域间传输需求以及逐时可用性曲线反映的日内灵活性变化，都是简化模型无法体现的重要效应。总体而言，SC和V2G作为成本有效的灵活性选项，应在意大利及其他国家的长期脱碳规划中得到充分考虑，但其部署策略需因地制宜，并与电网扩容和储能规划协同优化。
