评估用于雇主停车的双向电动汽车充电技术：以斯图加特MAHLE chargeBIG示范项目为例
《ENERGY CONVERSION AND MANAGEMENT》：Assessing bidirectional EV charging for employer parking: a case study of the MAHLE chargeBIG demonstrator in Stuttgart
【字体：
大
中
小
】
时间：2026年04月29日
来源：ENERGY CONVERSION AND MANAGEMENT 10.9
编辑推荐：
安德烈·莱皮普（Andre Leippi）| 丹尼斯·梅利格（Dennis Mehlig）| 马蒂亚斯·克伦姆霍尔茨（Matthias Krumbholz）| 迈克尔·D·墨菲（Michael D. Murphy）
斯图加特人类因素与技术管理研究所，德国斯图加特70569
安德烈·莱皮普（Andre Leippi）| 丹尼斯·梅利格（Dennis Mehlig）| 马蒂亚斯·克伦姆霍尔茨（Matthias Krumbholz）| 迈克尔·D·墨菲（Michael D. Murphy）
斯图加特人类因素与技术管理研究所，德国斯图加特70569
**摘要**
本文通过德国斯图加特的MAHLE chargeBIG示范项目进行了实际案例研究，探讨了双向充电（BC）技术的经济可行性和运营可行性。该项目在公司停车场内设置了101个电动汽车（EV）充电点。利用2023年记录的充电数据，开发了一个混合整数线性规划模型，通过基于价格的需求响应（DR）机制，在考虑电池退化效应和基础设施投资成本的情况下，优化能源成本、自用电量和可再生能源的整合。本研究旨在通过量化BC技术在现实工业条件下的经济和运营影响，为考虑采用该技术的公司提供可操作的见解。研究结果表明，根据不同情景和条件，BC技术通过削峰和基于价格的需求响应，每放电1千瓦时的补偿价值为0.66至1.78欧元（不包括电池退化成本）。相应地，公司层面每辆电动汽车的最大年节省费用在610至2,018欧元之间，平均每年每辆电动汽车节省211至893欧元，具体取决于具体情景和车辆可用性。将充电站功率从7.2千瓦交流电提升至11千瓦交流电或从10千瓦直流电提升至20千瓦直流电，显著提高了成本效率和运营灵活性；而进一步提升至30千瓦直流电则几乎没有额外收益。研究发现，在我们应用的市场条件和系统限制下，由于用户限制、现行价格结构以及电池退化的影响，电力市场的能量套利并不经济。研究表明，在公司环境中，BC技术的主要经济效益主要来自削峰，同时电池退化成本减少了22%，以及基于价格的可变需求响应，这使得BC技术成为工业环境中实现高效灵活能源管理的关键手段。
**1. 引言**
**1.1 背景**
自2015年《巴黎协定》签署以来，全球向可再生能源的转型加速。随着可再生能源（RES）在电力生产中的占比增加，电力系统正从集中式的化石燃料发电厂向分散式、可变的结构转变，这需要升级电网（EG）并扩大储能设施。2024年，德国62.7%的电力来自可再生能源[1]，促使电网改进并安装了58万块总容量为15.4吉瓦时的固定电池[2]。
与此同时，汽车行业正在积极寻求气候中和的动力系统解决方案，导致全球电动汽车（EV）销量迅速增长。然而，电动汽车的快速广泛采用可能带来一系列挑战，包括电网拥堵、对非可再生能源充电的依赖增加以及电池退化速度加快[3],[4]。这些挑战可以通过车对一切（V2X）服务来解决，这些服务可以协调电动汽车的充电和放电，并在电池不使用时为其提供额外价值[5],[6]。虽然电动汽车对现代能源系统的电气化和脱碳至关重要[7]，但其作为移动储能资产的使用受到用户行为变化、可用性不确定以及电池退化问题的制约[8],[9]。2024年全球插电式混合动力电动汽车（PHEV）和纯电动汽车（BEV）的产量达到1160万辆和540万辆[10]。预计到2030年，这一数字将超过4200万辆，占全球市场的40%以上[10]。
电动汽车的普及不仅重塑了交通方式，还为智能能源管理开辟了新的机会。电动汽车凭借其巨大的电池储能能力，为支持风能和光伏（PV）等可再生能源提供了额外的储能解决方案。技术系统布局显示，所有生产的PHEV和BEV都将配备具有较大储能容量的电动动力系统和牵引电池。在欧洲生产的PHEV，电池容量介于1.4千瓦时到超过40千瓦时之间；而BEV的电池容量则从Smart Fortwo型号的17.6千瓦时，扩展到基于梅赛德斯VAN平台的下一代轻型商用车辆的200千瓦时[10]。此外，电池单元成本的下降推动了未来车辆 generations 向更大电池容量的发展。根据BloombergNEF的最新报告，2024年锂离子电池组价格较上一年下降了20%，达到创纪录的115美元/千瓦时（106欧元/千瓦时）[11]。这一下降得益于电池单元制造的过剩产能、规模经济、原材料价格下降、转向更便宜的电池化学成分（如磷酸铁锂LFP），以及电动汽车产量的增长放缓[11]。据统计，2024年欧洲生产的车辆总共拥有153吉瓦时的电池储能[10]。
**1.2 双向充电**
在车辆充电过程中进行负载管理是实施此类智能控制策略的关键第一步。车对家庭（V2H）、车对建筑（V2B）和车对电网（V2G）技术被证明是这一转型的关键推动因素[12]。它们促进了可再生能源的整合，特别是在企业智能电网的背景下[13],[14]。在双向充电（BC）的标准化路线图中，确定了三个主要应用场景[15]：
- **本地优化**：重点在于最大化利用自发电量，减少本地峰值负载，并提供应急电力。
- **市场导向优化**：包括基于电价的充电优化、通过控制充电/放电降低成本、参与基于时间的需求响应（DR）以及优化二氧化碳排放。
- **电网优化**：与输电系统运营商协调，防止电网拥堵。这是最复杂的应用场景，需要先进的标准化和通信协议。
越来越多的电动汽车型号支持BC技术，这一功能正在逐步在各个制造商的产品线中得到应用[16]。2024年，欧洲生产的电动汽车中有47%（1710万辆中的810万辆）支持BC技术，预计到2030年这一比例将上升到65%（4260万辆中的2760万辆），显示出BC技术在数量和市场渗透率方面的快速增长[10]。
BC技术的技术可行性取决于先进的硬件和软件，包括用于管理双向能量流动和电池电量状态（SOC）优化的电力电子设备。挑战包括复杂的控制算法、电池管理问题，以及连接器和通信协议缺乏标准化，这些都影响了互操作性。标准化基础设施和实际案例研究是克服这些障碍的关键[17]。BC系统使电动汽车能够向电网反向供电，从而带来了与安全、电网整合、消费者权益和数据保护相关的监管挑战。尽管交流/直流电标准已经成熟，但BC技术标准仍在发展中[15]。正在制定的关键标准包括IEC 61851、ISO 5474、VDE 0100和ISO 15118–20，用于电动汽车充电点（CP）的通信[15],[16]。
**1.3 电池退化**
尽管V2G系统具有巨大潜力，但其广泛实施仍面临显著挑战。其中一个主要问题是频繁的充放电循环导致的电池退化加速[4]。电池退化的主要机制包括日历老化（随时间逐渐丧失容量）、循环老化（由重复的充放电循环引起，尤其是在高温或深度放电时）以及锂沉积（在高电流充电或低温下发生）[18],[19]。这些技术挑战凸显了先进电池管理系统的重要性，以优化性能并最小化退化[20]。电池健康状态（SOH）是量化退化程度的关键指标，新电池在理想条件下的初始SOH为100%。现代电池诊断工具可以可靠地评估SOH，并为电动汽车的维护提供重要数据。透明的电池诊断对于电动汽车的维修和维护至关重要，因为它提供了关于电池状况的宝贵信息，并在确定车辆残值方面起着关键作用[17],[21]。例如，E-HEALTH Charge系统可以实现同时充电和电池诊断[22]。只需15分钟的测量时间，就可以可靠地估计电池的SOH。
P3 Group GmbH对广泛使用的电动汽车车队的数据分析显示，在不同的行驶里程范围内，许多车辆的SOH仍保持在80%以上[23]。这些通过车辆车载诊断接口收集的实际数据表明，与主要基于实验室的电池单元测试相比，实际驾驶条件下的电池退化程度较低[23]。因此，原始设备制造商（OEM）对电池寿命的信心增强，延长了保修期。这些结果证明了BC技术的可行性，因为它减少了实际使用中的电池退化，并展示了电池的二次利用潜力[24],[25]，从而降低了BC运行期间与退化相关的预期补偿成本。
**1.4 文献综述**
工作场所充电被认为是确保电动汽车高效融入电网的重要方式[26]。工作场所充电可以将大量充电需求转移到一天中的中间时段，从而减少峰值负荷，并更好地与光伏发电相匹配[27],[28]。在这方面，V2G概念显示出提高灵活性和最大化电动汽车集成效益的潜力。
在[4]中，对V2G概念的相关文献进行了全面研究，重点关注非住宅V2G场景（如商业建筑和工作场所）中电动汽车电池在需求响应（DR）中的应用。研究指出了研究空白，包括缺乏优化能源成本和电池退化的整体解决方案、对电动汽车所有者的补偿模型不足，以及需要开展实际工作场所充电研究以评估实际实施挑战和机遇。此外，该研究还强调了长期分析的必要性，并评估了V2G在DR场景中的经济潜力，关注其可扩展性和对电动汽车所有者及公司的财务影响[29]。
在[29]中，分析了萨尔兰大学结合光伏系统、智能单向充电和BC技术以及固定电池储能对电动汽车车队的削峰潜力。利用测量的电网需求数据，模拟了在工作时间（8:00–18:00）连接的30辆和50辆VW ID.4电动汽车的情况，假设整个车队的SOC水平分别为到达时50%、离开时90%。结果显示，智能单向充电减少了峰值负荷，而BC技术进一步改善了削峰效果。BC技术的有效性取决于参与电动汽车的数量，最佳数量能带来最大效果。固定电池储能（BES）通过克服BC技术的限制（如有限的储能利用率和目标离开SOC）提供了最可靠的成本节省，从而显著降低了电网供应的总成本。然而，该研究仅考虑了电力成本，未包括投资、电池退化和运营成本。
[30]研究了诺丁汉大学V2G示范项目中两辆电动汽车的实时充电数据，发现V2G具有显著潜力，充电和放电行为各不相同。研究还强调了意外事件（如疫情）对电动汽车用户行为的影响，以及进一步分析能源和碳排放节约的必要性。
[31]中，作者探讨了将V2G技术集成到综合能源系统中以改善经济和环境结果。该研究使用了一个包含随机因素的模型，如充电开始时间、充电时长和初始SOC的变化，来模拟电动汽车用户行为。关键假设包括到达时SOC的随机确定范围（15%至30%），以及离开时至少90%的SOC要求。此外，为了电池健康，保持最低10%的SOC。分析表明，集成V2G可以同时降低成本和排放量，且随着系统中电动汽车数量的增加，这些效益更加稳定。
[32]开发了一个MATLAB/Simulink模型，用于模拟瑞典十辆电动汽车用户在有无V2G功能情况下的充电和放电行为。该模型包含一个根据电价变化确定充电和放电行为的算法。所有电动汽车的SOC起始值为50%，并在20%至80%之间设置限制，以分析全天SOC的变化。研究比较了不同电动汽车用户和车型对能量流动和电网互动的影响。模拟基于估计的电价，未结合实际的电动汽车充电数据。
[33]中开发了一种基于合作博弈的V2G DR定价策略，旨在为工业和商业企业优化电力成本，同时惠及电动汽车员工。该模型考虑了电动汽车的空间和时间特性，包括道路条件、交通模式和能源消耗。环境因素，如温度和空调使用情况也进行了分析。在浙江省进行的一项案例研究使用了粒子群优化算法来测试这一策略，尽管该研究依赖于模拟数据，而没有实际充电数据。文献[34]展示了一个在制造公司中的V2G（车辆到电网）框架，重点是将员工的电动汽车（EVs）作为临时电池存储，用于基于价格的需求响应（DR）和自消费优化。该研究强调了V2G在降低雇主成本的同时为EV所有者提供利益的巨大潜力。研究表明，EV所有者可以通过参与V2G获得因电池额外损耗而产生的经济补偿，而公司也能从优化的自消费中受益。研究还指出，EV所有者的盈利能力因电池容量和C率等特性而大不相同，这突显了制定公平定价策略的必要性。然而，研究结果依赖于几个假设，这些假设对最终结果产生了显著影响。关键假设包括EV所有者出现在公司现场的频率和持续时间，以及他们到达和离开时的电池剩余电量（SOC）。此外，研究没有考虑所需基础设施的成本。大多数回顾性研究假设EV每天都在相对固定的时间和地点停放，这可能会高估将EV整合到V2G服务中的潜力。因此，考虑实际EV驾驶和充电行为的V2G研究提供了更现实的V2G适应性评估[35]。例如，文献[36]分析了瑞典的179,665次真实充电会话，以推导出住宅和工作场所的合成周负荷曲线，显示出电力平衡的巨大潜力。在[37]中，使用基于Gibbs采样和条件密度网络的概率生成框架，对上海3,777辆BEVs（电池电动汽车）的165万次充电事件进行了建模，以再现真实的充电分布。文献[38]研究了北美10,488辆PHEVs（插电式混合动力电动汽车）在430万天内的日常充电行为，揭示了不同用户群体之间的充电频率模式和行为差异。在[39]中，分析了中国七个主要城市的8.54亿次驾驶和充电记录，发现了EV车队充电负荷和电网影响的显著空间和时间异质性。此外，文献[40]利用来自一个老旧住宅社区的统计数据和实际EV数据，开发了一种分层的V2G调度和共享直流快速充电方案，以提高电网灵活性、减少高峰负荷，并通过分布式V2G协调增强成本效益。尽管这些研究为EV充电模式和大规模建模方法提供了宝贵的见解，但仍然缺乏来自工业工作场所的实证数据，这对于在真实运营和基础设施限制下评估电池充电（BC）的技术和经济可行性至关重要，这些限制包括车队异质性、特定场所的基础设施、光伏集成、动态电价和电池损耗。此外，用户接受度在V2X技术（包括V2G和V2H）的成功实施中起着关键作用。现有文献表明，用户对BC的态度总体上是积极的，有几项研究探讨了用户对V2G应用的看法[41]、[42]、[43]、[44]。鼓励V2X采用的因素包括足够的行驶范围、公平的经济补偿（例如免费电力、直接经济补偿）以及充电过程的透明度[42]。然而，仍然存在一些重大担忧，特别是关于电池损耗、不确定的SOC水平以及用户对充电行为控制感的丧失。在工作场所BC的特定背景下，电池损耗是一个主要问题。值得注意的是，公司车辆和租赁EV的用户在这方面往往较少担忧[9]。此外，不确定的SOC水平也是采用的一个主要障碍，以及参与BC计划的潜在义务。即使工作时间固定，许多员工也不愿意在特定时间插电[9]、[44]。这些发现支持了制定解决用户关切的工作场所BC策略的重要性，确保公平补偿，并提供灵活性以鼓励参与。基于这些见解，迫切需要研究实际案例，以评估V2G对公司和EV用户来说在何种条件下以及投资成本下能够盈利。因此，利用EV用户和公司的实际数据进行基于V2G的模拟，为分析现实情景和量化潜在利益提供了一种实用的方法。尽管关于工作场所V2G技术的研究越来越多[26]、[45]、[46]、[47]、[48]，但很少有研究结合实际公司数据和工业环境中的EV充电行为。这一差距是一个重大挑战，因为大多数现有研究依赖于许多假设，包括理想化的EV使用模式、简化的公司能源概况和静态电池损耗模型。这些假设往往无法捕捉到现实场景的复杂性，例如不同的用户行为、真实的驾驶模式、动态电价、多样的车队组成以及可再生能源（RES）的缺乏集成。
1.5. 本研究的贡献和目标
本研究的主要目标是利用实际EV充电数据和特定场所的能源基础设施，评估位于斯图加特的德国汽车供应商工业现场的BC（电池充电）系统的实际和经济可行性。该研究开发了一个数据驱动的实用框架，用于规划、优化和验证工业能源系统中的BC应用，明确考虑了运营限制、电池损耗和技术经济因素。通过将实证充电行为、光伏集成（PV）和蓄电池储能系统（BES）集成、动态电价以及基础设施限制纳入基于混合整数线性规划（MILP）的模型，本研究解决了理论BC潜力与工业环境中的实际实施挑战之间的差距。为此，本研究实现了以下目标：
- 使用2023年公司在停车场记录的6,000多次充电事件的实证EV充电数据，模拟工业环境中的实际充电行为，通过基于MILP的数据驱动建模框架准确表示用户行为和车队使用模式。
- 评估BC部署的经济和技术影响，包括总年度成本降低、系统灵活性提升以及用户侧的经济补偿机制。
- 结合动态的、基于实证的电池损耗模型，量化充电和放电对电池寿命的影响，从而准确估计电池损耗成本，并解决BC采用的关键障碍。
- 评估关键的技术经济约束，包括基础设施、监管和市场相关因素，如实时电价（RTP）、电网费用、最大进口容量（MIC）以及BC基础设施的投资成本，以确保全面的成本效益分析。
- 分析影响BC支持系统灵活性贡献的用户相关因素，包括EV减少高峰负荷、优化自消费以及在工业能源系统中参与基于价格的DR策略的潜力。
- 研究BC下的光伏集成，重点优化光伏自消费，提高光伏投资的经济盈利能力，并评估其与BC支持的EV充电模式的协同效应。
因此，本研究通过以下新颖方面为该领域带来了新的见解：
(i) 开发了一个先进的基于MILP的框架，用于优化整个年度工业环境中的EV充电和放电，使用了超过6,000次实际充电事件。该模型通过基于价格的DR、自消费优化和削峰来最小化公司能源成本，同时结合了动态电池损耗。它通过整合实际公司数据、运营限制、车队异质性、实证用户行为和特定场所的基础设施，考虑了多维的技术经济成本。
(ii) 在德国汽车供应商的实际案例研究中应用该框架，使用实证EV充电数据和具有不同配置的特定场所能源基础设施，包括光伏、BES和充电站（CSs）。该案例研究评估了光伏与BC集成在现实运营条件下的作用，并评估了从单向充电向BC的转变对运营效率、系统灵活性和整体能源管理的影响。
(iii) 通过为公司提供经济效益，同时满足EV用户的充电需求并减少电池损耗，展示了BC在工业环境中的互惠利益。该研究还通过提供免费电力来换取EV用户使用其车辆进行BC，从而实现EV用户的经济补偿，这一补偿得到了全面的数据驱动分析的支持。
本文的其余部分结构如下。首先，第2节介绍了本研究使用的方法和数据集。第3节提供了优化模型的概述，第4节定义了场景和背景。第5节描述和讨论了不同分析的结果，强调了关键发现及其含义。最后，在第6节中，我们总结了本文的发现。
2. 材料和方法
2.1. 系统布局
所分析的充电演示装置，在后续章节中称为MAHLE斯图加特演示装置，位于斯图加特汽车供应商MAHLE的雇主停车场，并于2019年安装。以下章节和模拟基于文献[49]中发布的实际数据分析。虽然初步研究侧重于2023年充电的描述性评估，但本研究在此基础上模拟了BC的潜在影响。充电基础设施演示装置由MAHLE的子公司MAHLE chargeBIG GmbH运营，包括安装在拥有660个停车位的停车场中的101个充电点（CPs）。此外，基础设施还包括一个容量为630 kVA的中压变压器、一个功率为60 kW、容量为66 kWh的电池储能系统，以及一个朝东/西方向的光伏系统，可产生高达70 kWp的电力。我们的框架严格遵循这个630 kVA的场所限制，并假设系统完全平衡，没有对单个相位不平衡或单相约束进行建模。这些CPs被组织成三个集中式充电柜，每个充电柜的技术规格如下：
- **充电柜1**：由于缺乏后端记录器，该充电柜未包含在第4节的数据分析中。它仅由拥有公司车辆的员工使用，且每个停车位都有单独分配。该充电柜包括：
- 30个CPs，最大功率为7.2 kW，单相连接，类型2插头
- 2个CPs，最大功率为22 kW，三相连接，类型2插头
- **充电柜2**：该充电柜包含在后续章节的数据分析中，包括：
- 30个CPs，最大功率为7.2 kW，单相连接，类型2插头
- **充电柜3**：该充电柜包含在后续章节的数据分析中，包括：
- 36个CPs，最大功率为7.2 kW，单相连接，类型2插头
这些充电柜是充电系统的核心，集成了安全功能、过电压保护和温度监测等基本功能，所有这些都在一个空间优化的包中，使得安装位置更加灵活。由于采用了集中式设置，维护成本较低，特别是与分布式墙盒和分散式控制单元相比。这些CPs提供的动态单相充电功率范围为2.3至7.2 kW，符合DIN EN 61851–1 Mode 3标准。集成的负载管理系统通过采用“先到先服务”的相位特定负载管理策略来防止负载不平衡。整个安装通过汇总所有充电点，提供了理论上的最大充电功率900 kW。
为了实现系统边界之外的最佳负载管理，系统可以与外部电力消费者（如产品测试台或相邻的公司食堂）互动。EV被视为可控的电气负载，从而优化了现有电网连接的利用。图1展示了充电系统的配置，包括所有相关的电网连接和系统组件，这是后续模拟分析的基础。
2.2. 输入数据
前一段中描述的两个充电柜，共包含68个CPs，连接到集中式后端系统，并记录每个单独的充电事件。分析涵盖了2023年的整个日历年度。对于每个充电事件，记录了以下数据点：
1) 充电事件ID
2) 使用的充电柜编号
3) 使用的CP的个别代码
4) 用户ID
5) 充电电量（Wh）
6) 开始日期
7) 结束日期
8) 充电持续时间（秒）
9) 停车持续时间（秒）
2.2.1. 充电事件和用户数量
2023年全年停车场记录的所有充电事件（CEs）都被纳入了分析。图2可视化了从2021年4月到2023年12月的CEs月度分布。可以观察到，充电事件（CEs）的数量从2021年4月的75次增加到了2023年12月的506次，总共记录了11,124次事件。每月的使用情况表现出显著的波动性，这主要受到公共假期和度假期的影响，这些因素会影响到员工的出勤率。从2022年3月到2023年12月，CEs增加了247%。下载：下载高分辨率图片（267KB）下载：下载全尺寸图片图2. 在分析的MAHLE示范站点斯图加特每月的充电事件（CEs）数量[45]。这一增长很可能是由于插电式混合动力车（PHEVs）和纯电动汽车（BEVs）市场份额的上升，导致更多的MAHLE员工驾驶电动汽车。此外，随着COVID-19相关远程工作政策的放宽，现场出勤率的提高也可能促进了chargeBIG系统的使用。在分析期间，现场同时存在的电动汽车最多达到了40辆。从财务角度来看，chargeBIG系统作为一个试点项目，为员工提供了非常实惠的电价，使得雇主提供的停车充电比在家充电更具吸引力[49]。将2021年4月至2023年12月的充电时间与总停车时间进行比较后发现，只有43%的停车时间被实际用于充电。这突显了实施电池充电策略（BC strategies）的巨大潜力，这些策略可以优化闲置停车时间的利用[49]。在模拟过程中，最初考虑了2023年记录的所有CEs。数据集包括6,425次充电会话，涉及413位独特用户，大约87%的车辆达到了满电状态（SOC）。为了在确保用户行为多样性和代表性的同时符合计算限制，模拟的用户数量被限制在60人。因此，最终模拟中包含了6,080次CEs。为了确保输入数据的稳健性并保持混合整数线性规划（MILP）框架的计算可行性，对实证数据集使用了确定性过滤和匹配启发式方法进行了处理和汇总。处理流程包括以下步骤：(1) 原始数据集包含了2023年413位用户记录的6,425次充电事件。首先，移除了错误条目、缺失数据以及充电量小于1千瓦时的微不足道的充电会话，以避免由于授权错误或立即重新停车造成的模拟偏差。(2) 为了确保一致性，将全年仅记录了一次充电事件的所有用户（174位）从数据集中排除。(3) 为了将模拟用户数量减少到计算上可行的60人，同时不改变宏观时间需求曲线，应用了一种自定义的顺序匹配算法。该算法根据两个严格标准迭代地将分散的用户资料合并成连续的虚拟资料：(i) 主要匹配标准是最小化时间交集。算法特别寻找重叠出勤天数最少的车辆对。(ii) 在重叠时间最少的候选者中，算法选择了电池容量最匹配的对应车辆。(4) 为了在合并后的资料中反映能量需求，每个充电事件的能量状态直接从实证数据中得出。出发时的能量状态来自实证记录和分配的电池容量。因此，根据方程(20)回顾性地计算了到达时的初始能量状态。通过考虑电池特性和时间模式，模拟确保了聚合用户反映了整个数据集中观察到的实际能量需求和停车空间使用情况。然而，应该注意的是，这种减少可能会略微平滑个别行为的波动性并减少罕见事件。尽管如此，最终的60用户数据集仍然捕捉到了大多数充电模式、出勤变化和SOC分布，从而为模拟提供了现实且计算上可行的基础。在BiFlex行业项目的背景下[50]，正在与MAHLE chargeBIG合作部署一个电池充电（BC）系统，用于实际操作。作为该示范项目的一部分，计划安装总共20个双向直流充电站（CSs），并且选定的测试用户预计将配备具有双向充电功能的电动汽车，具体包括VW ID.7、Cupra Born、KIA EV9和Polestar 3。为了支持这一部署并分析此类系统在现实操作条件下的潜在影响，开发了两个模拟场景：Demo10和Demo20。这些场景分别模拟了基于在公司停车场出勤天数最多的10位和20位电动汽车用户的行为。建模包括了个人的到达和离开时间、到达和离开时的SOC，以及从实际出勤数据中得出的整体停车模式。模拟中仅考虑了纯电动汽车（BEVs），出于一致性原因排除了插电式混合动力车（PHEVs）。在车队组成方面，四种电动汽车模型在Demo20场景中每种都出现了五次。在Demo10中，分布如下：VW ID.7（3次）、Cupra Born（3次）、KIA EV9（2次）和Polestar 3（2次）。图3显示了全天电动汽车在停车场到达时间（蓝色条形）和离开时间（橙色条形）的频率分布。数据显示，大多数到达发生在早晨7:00–8:00之间，而大多数离开发生在下午16:00–18:00之间，反映了典型的通勤模式。下载：下载高分辨率图片（185KB）下载：下载全尺寸图片图3. 充电BIG停车场内插电电动汽车的到达和离开时间频率分布。2.2.2. 电动汽车充电和公司负载数据图4中的热图揭示了电力使用的模式，显示需求在白天（大约8:00–16:00）通常较高，而在夜间较低。全年总能耗为10.31 GWh，记录的最高负载为2.43 MW。下载：下载高分辨率图片（369KB）下载：下载全尺寸图片图4. Mahle公司的负载剖面热图。图5展示了电动汽车到达公司停车场时电池容量与SOC之间的关系，表明电池容量较大的电动汽车通常以较高的SOC水平到达，而电池容量较小的电动汽车则相反。数据显示出明显的聚集模式，特别是在特定的电池容量范围内。电池容量较小的电动汽车到达时的SOC明显较低。这些发现表明，插电式混合动力车经常以主要电动模式运行，这从它们到达时接近零SOC的反复观察中可以得到证实。下载：下载高分辨率图片（427KB）下载：下载全尺寸图片图5. 电动汽车到达停车场时电池容量与SOC之间的关系（n = 6,080）。线性回归线及其95%置信区间显示了正相关（r = 0.44，p < 0.0001）。平均到达SOC为38.19%（绿色虚线）。趋势表明，电池容量较大的电动汽车到达时的SOC较高，而电池容量较小的车辆经常以较低的SOC到达。2.2.3. 市场数据本研究使用了2023年的历史每小时电价数据（图6），这些数据来自ENTSO-E透明度平台[51]。除了动态电价外，还加入了时间无关的能源价格组成部分�0.0288/kWh作为公司的额外费用。这个金额包括几个成本组成部分，包括劳动力成本（�0.0138/kWh）、特许权使用费（�0.0011/kWh）、综合热电法案（KWKG）下的附加费（�0.0028/kWh）、电网扩展附加费（�0.0040/kWh）和电力税（�0.0005/kWh）。下载：下载高分辨率图片（591KB）下载：下载全尺寸图片图6. 2023年德国和卢森堡Bidding Zone DE-LU的历史15分钟电价热图。对于电池退化模型，使用了最近气象站的历史干球空气温度数据。这些数据由德国气象服务提供，来源于斯图加特（Schnarrenberg）站点（48.8281°N, 9.2000°E）。该公司目前运营着一个装机容量为70 kWp的现场光伏（PV）系统。在这项研究中，使用了2023年的发电数据来模拟系统性能。光伏发电时间序列按照每kWp的装机容量进行了标准化处理，作为分析中的外生输入变量。这些时间序列是使用Global Solar Energy Estimator[52]根据德国气象服务的历史测量数据生成的，以模拟公司2023年的光伏系统输出。根据可用屋顶面积的评估，确定可以额外安装最多750 kWp的光伏容量，假设模块效率和方向与现有系统相同。本研究中的技术和经济分析假设所有光伏安装的经济寿命为25年[53]，并考虑了重复的维修、维护和检查成本（RMI），按初始投资的2%每年计算。根据德国可再生能源法案，2025年对于不超过1000 kWp的屋顶光伏系统的上网电价参考值约为�0.0602/kWh[54]，[55]。3. 优化模型本节描述了优化模型、基础技术数据、电池退化模型以及本研究的局限性。3.1. 框架我们提出了一个分散式的优化框架，用于管理电动汽车的充电和放电计划。框架的结构如图7所示。它满足了高电力需求的汽车供应商的需求，以及为公司提供电动汽车用于电池充电（BC）目的的员工的需求，以换取补偿。主要目标是通过利用智能充电（SC）和V2G服务（如能源套利、需求响应（DR）和自消费优化）来最大化公司的经济效益。电动汽车规划模型的输入参数是基于技术限制、公司特定能力和实际方法选择的。为了量化公司的潜在利益，同时考虑到电动汽车所有者的利益，我们使用需求响应分析框架（DRAF）[56]开发了一个确定性MILP，这是一个用于环境和经济分析的开源Python工具。MILP通过Gurobi 12.0及其Python接口求解到全局最优（MIP gap = 0）。下载：下载高分辨率图片（690KB）下载：下载全尺寸图片图7. 集成能源系统的MILP优化模型概述。示意图说明了数据输入、技术约束以及外部供应、现场基础设施和公司需求之间的能量流动，以确定最小化成本的能源管理策略。(*DWD = 德国气象服务)。所有模拟都在配备了AMD Ryzen Threadripper Pro 7965WX 32核3.99 GHz和176 GB RAM的超级计算机上运行。解决MILP的计算时间根据场景的复杂性而有所不同；单次优化运行需要15到90分钟，上限对应于高度受限的BC场景。我们假设在整个分析过程中具有完美的预见性，并以15分钟的时间步长（t ∈ T，Δt = 0.25 h）模拟了整个2023年，共产生了35,040个单独的时间步长。这种时间分辨率一致地应用于所有模型组件，包括电动汽车、电池储能系统（BES）、电池退化和光伏发电。15分钟的分辨率与日前电力市场的每小时粒度相匹配，从而提高了模拟结果的准确性、灵活性和真实性。3.2. 一般MILP模型的目标函数旨在通过最小化年度总成本（TAC）（以欧元/年计）以及惩罚项Xpenalty来优化员工电动汽车的充电和放电策略，以表示传统的（无智能的）充电（CC）。目标函数的数学表述见方程（1）。TAC包括资本支出（CapEx）和运营成本（OpEx），见方程（2）。(1)minimize TAC + Xpenalty (2) TAC = CapEx + OpEx CapEx代表技术集中所有组件的年度化投资成本。对于公司而言，这些包括BC基础设施和光伏。其中ckinv代表特定投资成本，Pkcapn表示技术k的名义容量（方程（3））。项a(r,nk)是组件k的年金因子，作为折现率r和经济寿命nk（以年计）的函数，见方程（4）。(3) CapEx = ∑k∈Ka(r,nk) ckinv Pkcapn (4) ar,nk = r1 + rnk1 + rnk-1 OpEx代表第一年的运营成本（方程（5）。(5) OpEx = CEG,buy + CRMI-REG,sell-RPV,sell + CDEG+CEG,peak其中CEG,buy是购买的电力成本，CRMI是所使用技术的RMI。REG,sell代表售电收入，RPV,sell代表从光伏售电的收入，CEG,peak描述了与高峰电价相关的成本，该电价基于计费周期内记录的最高功率需求（kW）。电力成本CEG,buy由以下EG方程式（6）、（7）、（8）、（9）、（10）、（11）定义：
(6) CEG,buy = Δt ∑t∈T PtEG,buy(ctRTP + cEG,addon)
(7) PtEG,buy = Ptdem - PtPV + ∑i∈IPt,iEV,ch - ∑i∈IPt,iEV,dis + PtBES,ch - PtBES,dis ?t∈T
(8) PtEG,buy ≤ PEG,MIC ?t∈T
(9) REG,sell = Δt ∑t∈T PtEG,sellctRTP
(10) RPV,sell = Δt ∑t∈T PtPV,sellctPV,sell
(11) CEG,peak = PEG,buy,max
其中PtEG,buy、PtEG,sell和PtPV,sell分别代表购买的电力、从EV或BES出售的电力以及出售给电网的光伏发电量。ctRTP是时间t时的RTP，假设为优化过程中的已知参数；cEG,addon表示公司的固定电力能源价格组成部分（包括税费和附加费）。N是时间步数的总数，Δt是时间步长。Ptdem是时间t时的公司电力需求，Pt,iEV,ch是时间t时向EVs提供的电力，Pt,iEV,dis是时间t时从EVs释放的电力。PtPV代表光伏发电量，PtBES,ch是用于给BES充电的电力，PtBES,dis是时间t时从BES释放的电力。PEG,MIC表示公司从电网获取的最大电力容量。PEG,buy,max是每年从EG购买的峰值电力量，cEG,peak表示相应的峰值价格。
3.2.1. 电动汽车和蓄电池储能建模
蓄电池（BES）被建模为一个储能系统。该模型的公式表示为方程式（12）、（13）、（14）、（15）、（16）、（17）、（18）。方程式（12）表示每个时间步长t的储能系统SOC（State of Charge）。初始SOC在方程式（13）中定义。方程式（14）限制了SOC的最大容量。此外，方程式（14）、（15）限制了充放电功率。方程式（17）通过布尔变量确保同时充放电不会发生。方程式（18）防止在整个优化期间BES的循环次数超过250次。
(12) EtBES = Et-1BES + ΔtηBESPtBES,ch - PtBES,dis ηBES ?t∈T, ift>0
(13) EtBES = EtBES,0, ift=0
(14) EtBES ≤ EBES,cap ?t∈T
(15) PtBES,ch ≤ CRBESEBES,cap PtBES,ch ?t∈T
(16) PtBES,dis ≤ CRBESEBES,cap PtBES,dis ?t∈T
(17) ytBES,ch + ytBES,dis ≤ 1 ?t∈T
(18) ∑t∈T PtBES,ch + PtBES,dis ≤ 2EBES,cap
电动汽车（EVs）被建模为储能系统i∈I，具有与BES不同的特性，包括有限的可用性、到达和离开公司工作场所时SOC的变化以及能量限制。这些差异源于技术限制和电动汽车车主的驾驶行为。此外，EVs在C-rate、容量和SOC限制方面也与BES不同。每辆EV的SOC仅在其位于工作场所时进行监控；当EV不在工作场所时，其SOC被设置为零，仅作为优化模型的计算边界，并不反映实际电池电量。控制EVs的具体条件在方程式（19）、（20）、（21）、（22）、（23）、（24）中说明。
(19) Et,iEV = Et,iEV,arr, ift=tarr Et-1,iEV + ΔtηiPt,iEV,ch - Pt,iEV,dis yt,iEV,V2Gηi, otherwise ?t∈T,i∈I, ift>0
(20) Et,iEV,arr = Et,iEV,dep - ηiEt,iEV,dem ?t∈T,i∈I
(21) yt,iEV,V2G = 1, if Et,iEV≥λminEiEV,cap0, otherwise ?t∈T,i∈I
(22) Pt,iEV,ch ≤ CRiEVEiEV,cap Pt,iEV,ch yt,iEV,avail ?t∈T,i∈I
(23) Pt,iEV,dis ≤ CRiEVEiEV,cap Pt,iEV,dis yt,iEV,avail EV,V2G ?t∈T,i∈I
(24) Et,iEV ≥ Et,iEV,dep ift=tdep ?t∈T,i∈I
(25) yt,iEV,ch + yt,iEV,dis ≤ 1 ?t∈T,i∈I
(26) XPENALTY = 1 - ysmart ∑t∈T ∑i∈ItPt,iEV,ch
方程式（19）表示EVs的储存能量。当EV到达工作场所时，电池能量初始化为Et,iEV,arr（20）。由于离开时的能量EiEV,dep来自实证数据，因此通过从离开值中减去充电期间的净能量来计算到达时的初始能量状态。需求EiEV,dem表示每次充电会充电的总能量，该值来自实证数据；通过充电效率ηi进行调整以确定实际输送到电池的能量。然后通过加上充电能量并减去放电能量来调整储存能量，同时考虑充电效率ηi = 0.95 [57]。方程式（21）中的布尔变量确保只有在SOC至少为λmin时才能放电，从而为意外行程提供最小续航里程。方程式（20）、（21）根据EV的C-rate CRiEV、在工作场所的可用性yt,iEV,avail以及是否激活放电（yEV,V2G = 1）来限制EV的充放电功率。方程式（24）定义了EV在离开时所需的能量，而方程式（25）确保充放电不会同时发生。通过引入一个基于相应时间步长的加权充电事件总和的惩罚，可以禁用智能充电（ysmart = 0），如方程式（26）所定义。
3.2.2. 电池退化
目前，无论是工业界还是学术界都没有统一的电池健康状态（SOH）定义。根据具体使用案例和设计优先级，制造商和行业利益相关者采用不同的计算方法。例如，许多原始设备制造商（OEMs）加入初始容量缓冲来掩盖早期退化，从而在更长的车辆使用寿命内保持一致的用户体验和续航里程[58]、[59]。在本研究中，SOH使用公式[60]定义：
(27) BatteryStateofHealth (SOH) = CurrentCapacity / OriginalCapacity × 100%
电池退化对电池储能系统（BC）的经济可行性起着关键作用。高电池退化会导致每次充放电事件的有效成本增加，从而降低盈利能力。本研究中使用的电池退化模型专注于循环退化，因为它直接受到电池运行和优化充放电计划中额外循环的影响。为了捕捉导致循环退化的主要因素，如电池温度、C-rate、SOC和放电深度（DOD）[4]、[18]，我们采用了[61]通过实验室实验开发的实证模型。选择该模型是因为它考虑了关键退化因素，以货币形式量化循环退化，并基于商业上可用的锂离子电池。这种方法使得能够估计每个时间步长每kWh交换的退化程度。然而，在其原始形式中，该模型假设电池温度基于平均每日环境温度。为了提高准确性，本研究在[34]中引入的修改基础上增加了动态温度计算。在这种方法中，电池温度被估计为实时环境温度测量的移动平均值。
电池的退化成本CDEG按以下公式计算（方程式（28）：
(28) CDEG = Δt ∑t∈T CBatEt,iexch 0.22(at,ic)EiEV,cap DOD-1, ?t∈T,i∈I
其中CBat代表电动汽车电池的投资成本，表示电池在达到使用寿命（EOL）之前的能量吞吐量。Et,iexch是电动汽车交换的净电量，假设充放电会导致相同的退化[62]。括号中的分母表示电池在电动汽车EOL之前的能量吞吐量。电池退化系数at,ic在方程式（29）中模拟了应力因素对等效能量吞吐量的影响，并定义如下：
(29) αt,ic = β1(TBat3 + β2(TBat)2 + β3TBat + β4)[β5CRiEV + β6][β7EˉiEV + β8], ?t∈T,i∈I
其中TBat代表电动汽车的电池温度，EˉiEV是电池使用期间的平均SOC，β1→8是来自[63]的拟合参数。在我们的方法中，平均SOC被视为外部约束，即它影响优化过程，但其影响无法最小化。有关电池退化模型的更详细描述，请参见[34]、[61]。
4. 场景和设置定义
我们模拟了五种不同的仿真场景，以分析公司环境中能源管理和电池储能（BC）的不同方面，每种场景都包含了额外的案例来探索不同的策略和技术。场景及其关键特征的总结在表1中提供，并在下面进行描述。本研究的技术和模型参数列在表2中（详细性能指标见表B1）。
(I) 参考场景（REF）：参考场景代表没有SC或BC策略的基线情况。它包括现有的光伏和BES系统，并假设CC（Conventional Charging）行为。在这种场景中，电动汽车用户到达后立即连接车辆并开始充电，无需协调或智能控制。这种设置反映了停车场的标准操作，作为评估后续场景中引入的更先进充电策略的影响和收益的现实基准。
(II) 停车场：我们评估了SC和BC对公司停车场的财务影响。对于BC，我们模拟了一个场景，假设现有的充电基础设施具备V2G（Vehicle-to-Grid）功能（包括双向性的额外成本）。通过分析成本结构和潜在节省，我们确定了每种充电方法的经济可行性。
(III) 我们通过建模增加可再生能源生产的场景来评估公司在场所内扩展光伏的潜力（PVopt）。为此，我们考虑了理论上可用的光伏使用面积（相当于最多750 kWp的光伏容量扩展），这代表了受屋顶限制的光伏扩展。此外，我们独立于空间限制调查了最佳系统规模，代表了不受限制的最佳规模确定方法，从而确定了能源生成、电动汽车互动和系统容量之间的理想平衡。
(IV) BC演示器（Demo10和Demo20）：作为BiFlex行业项目[50]的一部分，正在与MAHLE chargeBIG合作开发一个实际的BC系统实现。为了数字支持这一倡议，创建了仿真场景Demo10和Demo20，如2.2.1节简要描述的。在Demo10和Demo20中，现状假设使用10个或20个额定功率为20 kW的CS（Charging Station）进行传统的单向直流充电，作为评估Mahle chargeBIG的BC附加价值的参考。演示场景能够有针对性地评估BC的技术可行性、电网集成潜力和能源灵活性优势，特别是在实际运营条件下的峰值削减、成本节省和V2G功能方面。
(V) 综合充电基础设施 停车场+Demo10和停车场+Demo20：该场景将公司的停车场模型与实际演示项目Demo10/20结合起来，实现了异构充电基础设施的全面模拟。共模拟了70（80）辆电动汽车，结合了交流（AC）和直流（DC）充电能力。该场景的目的是在一个现实的操作框架内评估峰值负荷减少、自消费优化和成本优化的理论潜力。
表1. 场景定义和设置描述。
| 场景 | 情况 | EV数量 | DC充电站/功率 | 蓄电池退化 | 敏感性分析 | |
|---------------|---------------|--------------|-----------------|--------------|-----------|
| REF | 参考场景 | 60辆 | 无 | 无 | | |
| 停车场 | SC | 60辆 | 有 | 有 | | |
| 停车场BC | 60辆 | 有 | 有 | +5% | ↓5% | |
| 停车场BC | 60辆 | 有 | +750 kWp | | |
| PVopt | BC | 60辆 | 有 | +优化 | | |
| Demo10 | BC | 10辆 | 无 | 10个20 kW DC充电站 | | |
| Demo20 | BC | 20辆 | 有 | 10个20 kW DC充电站 | | |
| 停车场+Demo10 | BC | 60辆 | +10个20 kW AC | +10个20 kW DC充电站 | | |
| 停车场+Demo20 | BC | 60辆 | +20个20 kW AC | +20个20 kW DC充电站 | | |
表2. 技术和模型参数。
| 参数 | 值 | 数量 | DC充电站数量 | 蓄电池容量 | C-Rate BES | 时间分辨率 | 时间步长 | 仿真周期 | 最小放电SOC | 电池成本 | 定价策略 | 格电网价 | 税费和费用 | 折扣率 | 部分光伏上网电价 | 峰值负荷 | 最大进口容量 |
|------------------|------------------|---------------|-----------------|--------------|-------------|------------|------------|-------------|-------------|-------------|-------------|-------------|-------------|-------------|-------------|-------------| |总体而言，在任何情景中都没有采用通过以批发市场价格出售电力来进行能源套利的策略。值得注意的是，MIC（最大充电容量）并不是一个限制因素，因为在SC（充电站）情景下峰值负荷保持不变，而在BC（电池储能）配置下甚至有所减少。
图9显示了与参考情景（REF）相比，Car Park SC和BC以及11 kW BC情景下成本组成部分的百分比变化。
图10展示了在不同SOC（电池状态）值下，到达和离开时放电能量的敏感性分析（±5–30%），针对BC Car Park和11 kW BC Car Park情景。百分比表示与没有SOC变化的参考值（黑色虚线）的偏差。
图11显示了根据电动汽车用户在公司停车的天数，公司从电动汽车放电中获得的节省金额。节省金额是按放电的千瓦时数标准化的总金额。
图9突显了SC和BC策略的整体成本效益。60位电动汽车用户的年能源需求总计为99.5 MWh。与参考情景相比，SC情景的成本降低了0.61%（10,650欧元），而BC和BC 11 kW情景分别降低了1.27%（22,100欧元）和1.48%（25,800欧元）。尽管公司根据员工的原始使用模式全额覆盖了充电成本，但通过优化能源管理，仍可以抵消这些节省。即使在没有削减峰值负荷的SC情景下，每年节省超过10,000欧元也是可行的。关键的是，电池退化成本显著降低：在SC情景中降低了25.60%，在BC情景中降低了22.33%，在BC 11 kW情景中降低了9.25%。与参考情景相比，电池退化成本的显著降低是由于将电池退化成本模型纳入了优化过程。通过在目标函数中考虑退化成本，算法倾向于选择对电池压力较小的充电模式，从而减少了整体退化。此外，在BC情景中观察到峰值负荷减少了高达3.64%。
图A1展示了三个子图（a-c），评估了单个电动汽车层面的关键指标。结果证实，SC和BC方法有效地减轻了与退化相关的成本。值得注意的是，BC情景下的充电电量与更战略性的能源利用相匹配。总体而言，每千瓦时传输的退化成本较低（约0.06欧元/千瓦时），而在BC 11 kW情景中略高于SC情景（约0.084欧元/千瓦时）。这表明，在退化率较低时，BC操作更倾向于使用电动汽车。然而，在电动汽车车队内部可以观察到相当大的异质性：某些电动汽车的放电活动极少，而其他电动汽车则对V2X（车对一切）操作做出了重大贡献。
图10展示了在不同SOC条件下，到达和离开时（±5%至±30%），BC和BC 11 kW情景下V2X能源输出的敏感性分析。结果表明，提高到达时的SOC会导致更大的V2X放电量，表明其影响比减少离开时的SOC更为显著。尽管如此，较低的离开时SOC设置会导致略微更大的峰值负荷减少，从而略微提高节省金额。
图11进一步探讨了这种变化，显示了每辆电动汽车的节省金额与公司车辆在场天数和电池容量之间的关系，针对BC和BC 11 kW情景。这些节省金额是作为TAC（总拥有成本）的绝对减少来计算的，不包括电池退化成本。为了比较不同的电动汽车，首先将节省金额按每千瓦时放电量进行标准化，然后乘以每辆电动汽车的总放电量来计算该车辆的可归因总节省金额。
两种主要模式显现出来：首先，节省金额与电动汽车在场天数成正比增加，特别是对于小型和中型电池，因为它们可以更频繁地放电，因此提供了更大的灵活性潜力。频繁出现提供了在峰值负荷期或价格波动较大期间放电的更多机会，从而增加了潜在的成本节省。其次，在Car Park BC 11 kW情景中，较大电池的电动汽车对放电的贡献更为显著，尤其是对于那些更频繁在公司停车的电动汽车用户，因为更高的放电功率允许他们在可用停车时间内循环使用更多的电池容量，而不会违反SOC限制。
总体而言，结果显示汽车车队内的节省潜力存在显著差异。根据电池大小、停车时间、充放电功率以及与峰值负荷期和价格波动期的匹配等因素，一些具有灵活性的电动汽车几乎不节省成本，而那些可用性高且特性有利的电动汽车可以实现每年高达1,005欧元的公司节省（Car Park BC 11 kW：1,150欧元），平均每辆电动汽车每年节省326.8欧元。
5.2. PVopt情景的结果：光伏优化情景的比较分析（图12和图13）显示，SC情景的光伏规模略高于CC（充电站）情景，而BC优化则导致了更大的光伏系统，比PV SC多出约400 kWp。值得注意的是，具有额外750 kWp（屋顶受限的光伏扩展）的固定光伏系统与Car Park BC结合的情景具有最短的回收期（6.4年），因此在投资回报率（ROI）方面显著优于所有光伏优化变体。
尽管光伏输出较低，但该情景实现了19.0%的峰值负荷减少，这一数值高于优化后的CC和SC情景（均为18.2%），仅略低于BC优化配置（22.3%）。此外，由于公司的高负荷需求以及电动汽车和电池储能系统的集成，没有光伏能量被输入电网，这提高了自消费的效率（所有优化情景的自消费率约为77%）。尽管具有较大光伏容量的情景实现了更高的绝对节省，但它们伴随着更高的投资成本。因此，+750 kWp的光伏BC情景对公司来说是一个非常有吸引力的选择，它在投资成本、ROI和自消费之间提供了最佳平衡。
5.3. Demo10和Demo20情景的结果：图14a和b的分析显示，Demo10 BC情景中的20 kW充电站充电容量代表了成本效率和系统性能之间的最佳折中。这种配置实现了最高的TAC（总拥有成本）减少1.8%。当充电站数量为30 kW时，TAC减少了1.6%，因为额外的退化成本和投资超过了更高充电功率带来的附加价值。Demo20中的趋势类似：TAC在30 kW时为-0.35%，而在20 kW时为-0.83%。这是因为运营成本（OPEX）的节省显著增加：在Demo10中，OPEX从-0.45%（10 kW）提高到-0.75%（20 kW），再到-0.88%（30 kW）。在Demo20中也观察到了类似的提升（-0.40% → -0.80% → -0.88%）。峰值负荷的减少主要得益于升级到20 kW的充电站。此外，升级到30 kW的充电站几乎没有带来额外的好处（例如，Demo10中的峰值负荷减少从2.4%增加到2.7%）。
图14. 在三种充电站基础设施功率等级下，(a) Demo10和(b) Demo20情景的成本组成部分百分比变化，*相对于它们各自的现状20 kW CC情景。
额外的负荷容量在基本实现峰值削减后，在峰值负荷平衡方面仅提供微小的优势。由于TAC包括电池退化成本，而电池退化成本大大降低，因此具有较大电池容量和在公司停车天数较多的电动汽车用户可以从智能充电策略中获益匪浅。在Demo10中，最经济的电动汽车的年节省金额为2,018欧元，平均每辆电动汽车每年节省893欧元。在Demo20中，最大节省金额为1,265欧元，平均每辆电动汽车每年节省620欧元。然而，Demo20在TAC和电动汽车节省方面的较低优势表明，电动汽车的数量和充电/放电功率存在一个最佳值，超过这个值后系统效率会下降。
5.4. Car Park+Demo10和Car Park+Demo20情景的结果：将BC技术集成到Car Park基础设施与Demo10和Demo20情景的组合中，并没有在TAC方面带来任何显著改善（图15a和b）。特别是在Car Park+Demo10情景中，10 kW充电变体的TAC优化显示了1.4%的中等TAC减少。相反，具有更高充电容量的情景以及Demo20情景的TAC减少有所下降，特别是在30 kW充电站时仅减少了0.25%。这一趋势表明，资本支出（CAPEX）和电池退化成本占TAC的很大一部分。相比之下，不包括退化成本的运营成本（OPEX）在所有集成情景中都有所改善，并且与充电站的充电功率增加和情景复杂性呈正相关。
图15. 在三种充电站基础设施功率等级下，(a) Car Park+Demo10和(b) Car Park+Demo20情景的成本组成部分百分比变化，*相对于它们各自的现状20 kW CC情景。在Car Park+Demo20情景中实现了最显著的节省，30 kW时减少了1.5%。此外，两种配置的峰值负荷减少都有显著改善，分别实现了4.5%和5.3%的最大减少。值得注意的是，与Demo10和Demo20情景类似，当充电站功率从20 kW增加到30 kW时，改进幅度相对较小。在成本节省方面也存在差异：在Car Park+Demo10中，最大年节省金额为610欧元，平均每辆电动汽车每年节省211欧元。在Car Park+Demo20中，节省金额高达790欧元，平均每辆电动汽车每年节省289欧元。
如图16a所示，Demo10和Demo20情景在各种充电容量下的放电能量幅度显著高于Car Park+Demo10/20配置（图16b）。这表明独立演示情景中的整体放电潜力更高。相比之下，Car Park+Demo10/20设置中的放电能量变化较小，仅在20–30 kW系统中有明显增加。在Car Park背景下，放电模式总体上更加稳定，即使整合了Demo10/20电动汽车，放电行为也几乎没有变化。
图16. 根据用户在公司停车天数不同，(a) Demo10和(b) Demo20以及(Car Park + Demo10/20)情景中不同充电站功率等级的放电能量。结果表明，尽管在公司停车天数较少，独立Demo10和Demo20情景中的电动汽车仍实现了高放电能量，这表明了高使用率和灵活性潜力。总体而言，虽然Demo10/20的特点是放电更加波动且能耗较高，但Car Park+Demo10/20情景显示出较低的波动性和更一致的放电量。
5.5. 盈亏平衡分析的结果：放电能量的盈亏平衡补偿值（�/kWh）直接来自优化模型的经济结果。对于每个情景，计算了公司的TAC（总拥有成本），包括资本和运营费用。年度成本节省对应于通过BC实现的TAC减少。然后，这些节省金额除以同一时期所有参与电动汽车的总放电量（与图11中的计算方法相同）。实际上，这个值表示公司为每千瓦时放电的电动汽车用户支付的最高补偿金额，以实现中性的财务结果。例如，如果某个场景下的TAC（总附加成本）为10,000欧元，而年总放电能量为10,000千瓦时，那么盈亏平衡的补偿值为每千瓦时1.00欧元。这种方法考虑了减少峰值需求、降低电力成本以及电池储能（BC）所需基础设施投资的综合经济影响。为了孤立公司的直接财务视角，计算中排除了电池老化成本。图17显示了公司从电动汽车（EVs）放电的每千瓦时的盈亏平衡补偿值，以及所有场景下的放电与充电比率，不包括基于光伏（PV）的配置，但包括了额外的基础设施投资成本。所有电池储能场景（以及标准配置SC）与各自的参考基准或现状相比都显示出盈利潜力。根据不同的场景，电池储能参与的盈亏平衡补偿值或财务补偿范围从每千瓦时0.66欧元到1.78欧元不等。在演示场景中，放电与充电比率相对稳定，其中10千瓦的配置具有最低的比率。
尽管如此，10千瓦和20千瓦的场景实现了最高的盈亏平衡补偿值，表明每千瓦时的盈利能力更强。有趣的是，尽管每千瓦时的盈亏平衡补偿值较低，但停车场电池储能11千瓦的场景对公司来说更为有利可图。这是由于其更高的放电与充电比率，意味着虽然公司每千瓦时的收入较少，但它放电的总能量更多，从而产生了更多的总利润。SOC（电池剩余容量）敏感性分析显示，在到达时较高的SOC值和离开时较低的SOC值下，放电与充电比率有显著增加。
需要强调的是，这些场景结果是在假设员工免费充电的情况下得出的，因为chargeBIG的试点项目目前提供的电力成本可以忽略不计。然而，所有电池储能场景的平均充电价格（不包括税费）在0.076欧元至0.080欧元/千瓦时之间（CC场景为0.117欧元至0.125欧元/千瓦时）。如果这些充电成本转嫁给电动汽车用户，公司的财务成果将会进一步提高。在这些条件下，公司不仅能够保持盈利能力，还能为参与电池储能的用户提供更有吸引力的报酬。
在分析所有案例和场景时，以下结果非常显著：
1. 在所有分析的场景中，与标准配置（CC）相比，电池储能（BC）的整合为公司和电动汽车用户都带来了实际的好处。对于公司而言，BC通过降低TAC、提高自用电量和增强系统灵活性（特别是在应对基于价格的需求响应方面）实现了显著的成本节约。对于电动汽车用户来说，电池老化成本在标准配置下减少了25.6%，在电池储能配置下减少了超过22%，同时没有影响他们的充电需求。敏感性分析进一步表明，到达时较高的SOC值能够实现更大的放电量，并增加了V2X（车对一切，Vehicle-to-Everything）运营的经济潜力。然而，离开时较低的SOC阈值虽然导致能量吞吐量略有减少，但带来了更高的峰值负荷降低和系统层面的小幅节省。这些结果证实了使用标准配置和电池储能将电动汽车整合到公司中的互惠互利，从而实现了经济节约和更长的电池寿命。
2. 结果表明，即使在假设市场预测完美的情况下，也没有在任何分析的场景中进行过能量套利行为，即在低价格时期充电并在高价格时期在能源市场上出售能量。这一发现表明，仅靠（高）市场价格差异不足以触发在经济上有利的套利行为。相反，电池储能的价值主要在于其降低峰值负荷的能力，并在高成本时期实现战略性放电。这种机制与工业电力的现行电价结构有关，后者通常根据一个账单年度内的最大注册功耗收取显著的容量相关费用（以欧元/千瓦时计）。因此，这些结果的普遍性非常依赖于底层的定价方案。在无峰值负荷收费的监管环境或场景中（例如，纯粹基于能量的电价），电池储能的财务激励将大幅减少，其价值主要体现在优化自用电量上。
3. 盈亏平衡分析凸显了即使在免费提供电力的情况下，公司也能够补偿电动汽车用户。盈亏平衡补偿值根据场景和基础设施的不同，每千瓦时从0.66欧元到1.78欧元不等（不包括电池老化成本）。相应地，公司在年度层面的最大节省额在610欧元到2,018欧元之间，平均每辆车每年节省211欧元到893欧元（见表A1），具体取决于场景条件和车辆可用性。这些节省反映了每千瓦时放电的总成本降低，但由于峰值负荷降低是总体节省的主要因素，将成本影响分配给单个电动汽车仍然具有挑战性。此外，电力市场的动态行为，包括负价格，使得确定电动汽车的具体贡献变得困难。尽管如此，能够向电动汽车用户提供财务补偿凸显了采用电池储能的经济和参与吸引力。
4. 电动汽车在公司中的存在天数对其在V2X（车对一切）运营中的灵活性潜力和成本效率是一个决定性因素。场景分析一致显示，存在天数与放电能量之间存在正相关，尤其是对于中小型电动汽车。这一发现表明，时间可用性对于参与公司的V2X运营比电池大小更为重要。根据可用性的不同，电动汽车在某些情况下没有带来节省，而在其他情况下则为公司每年带来了高达2,018欧元的经济效益。这一发现强调了用户行为和规划对于实现电池储能策略全部潜力的重要性。
5. 充电基础设施配置的分析表明，即使是适度的充电功率提升也能带来显著的系统优势。在停车场场景中，将充电功率升级到11千瓦可以显著降低成本并提高灵活性，特别是对于电池较大的电动汽车，因为较低的充电功率是限制灵活性的因素。在演示场景中，从10千瓦升级到20千瓦显著改善了总附加成本（TAC）和峰值负荷降低。然而，进一步扩展到30千瓦仅带来了边际的额外好处，这表明了饱和效应。
6. 光伏（PV）场景显示，将750千瓦峰值的光伏扩展与停车场电池储能场景结合是最具经济吸引力的选择，具有最短的回收期和100%的自用电率。尽管优化的光伏场景实现了更高的绝对节省，但它们与显著更高的投资成本相关，这降低了它们的投资回报率（ROI）。与标准配置和标准充电相比，电池储能场景允许集成大约大400千瓦峰值的光伏系统，尽管自用电率保持不变。这是由于电池储能提供了更大的灵活性，使得额外的光伏发电能够更好地整合到系统中。
第5.7节实际实施和商业考虑部分指出，第5.6节中呈现的结果表明，在所应用的案例研究条件下，电池储能策略可以为公司和电动汽车用户提供经济优势。然而，其实际实现需要仔细考虑运营、行为、监管和商业相关因素。实施的一个核心前提是为电动汽车用户设计现实且透明的补偿方案。虽然本研究量化了潜在的节省并展示了即使在免费提供电力的情况下也补偿电动汽车所有者的理论可行性，但没有提出具体的补偿模型，因为这超出了这项运营优化研究的主要范围。有效的补偿机制必须考虑用户行为的多样性和电动汽车的特性。合适的方案可以结合基于能量的支付、固定的参与激励或反映电动汽车为电网服务可用性的时间基础补偿。混合模型可能提高公平性、用户参与度，并考虑电池老化效应。
5.7节还强调了在实际实施中需要仔细考虑运营、行为、监管和商业相关因素。实施的一个核心前提是为电动汽车用户设计现实且透明的补偿方案。虽然本研究量化了潜在的节省并展示了在免费提供电力的情况下补偿电动汽车所有者的理论可行性，但没有提出具体的补偿模型，因为这超出了本运营优化研究的主要范围。有效的补偿机制必须考虑用户行为的多样性和电动汽车的特性。合适的方案可以结合基于能量的支付、固定的参与激励或反映电动汽车为电网服务可用性的时间基础补偿。混合模型可能提高公平性、用户参与度，并考虑电池老化效应。
5.8节的限制指出，由于以下简化和理想化条件，本文档中过度估计了电池储能/车对一切（V2X）在现货市场优化、自用电量优化和削峰方面的潜力：
(1) 模型假设了对所有输入时间序列的完美了解，包括负荷需求、电动汽车行为、实时电价、光伏发电和环境温度。在现实世界中，预测误差是不可避免的，可能会降低经济效益和系统效率。为了解决实际运营中的这个问题，能源管理系统通常依赖于滚动预测范围的方法（例如，模型预测控制），其中短期预测不断更新。从完美预见模型过渡到滚动预测范围的操作本质上引入了预测不确定性，这会根据预测准确性和系统可用性降低可实现的经济节省。例如，[67]表明，在电价不确定的情况下，即使没有完美预见，也可以捕获50%到90%的套利利润，这突显了预测误差对潜在收入的重要影响。未来的研究应该纳入随机优化或鲁棒控制方法来评估预测不确定性的影响。在本研究中，采用了全年的模拟范围来全面捕捉公司的运营潜力，包括与峰值电网连接相关的成本。尽管在现实应用中无法实现完美预见，但主要目标是评估电池储能/车对一切策略的理论潜力。值得注意的是，即使在完美预见的假设下，能量套利也没有证明具有经济优势，这突显了在所建模的系统约束下基于市场的电池储能操作的关键限制。
(2) 假设电动汽车用户只进行单向充电。实际上，引入财务激励或参与电池储能计划可能会改变驾驶习惯和充电时间表，从而影响实际获得的效益。在实际部署中，需要考虑行为异质性、参与率和用户偏好。(3)分析中使用的电动汽车（EV）数据来自chargeBIG试点项目，由于目前电价非常低，可能导致充电行为高于平均水平，这可能无法代表典型公司的情况。(4)本研究估计的电池退化情况较为保守，因为所使用的仅基于循环次数的模型往往高估了退化程度，与现实世界数据不符。具体来说，该模型没有考虑充电和放电之间的退化不对称性，也没有考虑日历老化因素。实际上，电动汽车配备了主动热管理系统来调节电池温度，从而减轻退化效应。因此，这里报告的退化程度应被视为最坏情况下的估计值。因此，采用更符合实际电池退化情况的假设（包括电池在二次使用中的残值）将降低退化成本，有可能使纯能量套利成为一种经济上可行的策略。
6. 结论
本研究展示了在德国斯图加特的MAHLE chargeBIG示范站点实施电池储能（BC）的技术和经济潜力。通过使用真实的充电数据，研究证明了在真实运行条件下BC的可行性，并显示了其带来的多重好处，包括降低能源成本、提高运营灵活性以及减少电动汽车用户的电池退化。结果表明，在所研究的案例条件下，包括假设完全预见的电力市场价格和高电网峰值价格的情况下，BC提供了显著的经济优势，放电能量的盈亏平衡补偿值在每千瓦时0.66欧元至1.78欧元之间。增加充电功率（从7.2千瓦增加到11千瓦交流电或从10千瓦增加到20千瓦直流电）可以提高系统性能和灵活性，但进一步增加到30千瓦仅能带来边际效益，表明存在饱和效应。每辆电动汽车的年节省成本在610欧元至2,018欧元之间，平均每年每辆车的节省成本为211欧元至893欧元。
在本研究考虑的市场条件、系统限制和电池退化成本下，纯能量套利在经济上并不可行。相反，BC的主要经济效益在于减少峰值负荷、降低电池退化成本，并通过基于价格的需求响应（DR）策略优化自用电量。在BC模式下，电动汽车用户的电池退化成本降低了22%以上，在储能（SC）模式下则降低了高达25.6%，同时不影响充电需求。公司站点的电动汽车可用性是灵活性和成本效率的关键决定因素，其中可用时间的长度比电池容量更为重要。在光伏集成背景下，BC提高了系统灵活性，支持更大的光伏安装，并提高了自用电率，缩短了回收期，从而促进了可再生能源（RES）的整合。
总体而言，本研究强调了BC基础设施在降低能源成本、支持电动出行和可再生能源以及减少电动汽车电池退化方面的巨大潜力。结果强调了将电动出行整合到更广泛的能源战略中的必要性，这些战略利用优化和监管支持来促进能源行业的可持续发展。尽管如此，开发可行的商业模式仍然至关重要，以证明现有的技术、行为和监管挑战可以被有效克服，并确保BC/V2G应用的长期可扩展性。
**作者贡献声明**
Andre Leippi：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、方法论、形式分析、数据管理、概念化。
Dennis Mehlig：撰写——审阅与编辑、撰写——初稿、可视化、数据管理、概念化。
Matthias Krumbholz：撰写——审阅与编辑、监督、概念化。
Michael D. Murphy：撰写——审阅与编辑、监督、方法论、资金获取、概念化。
**关于写作过程中生成式AI和AI辅助技术的声明**
在准备这项工作时，作者使用了ChatGPT（GPT-5）进行校对。使用该工具/服务后，作者根据需要对内容进行了审阅和编辑，并对出版物的内容负全责。
