換電生態下換電站電池配置及經濟性研究

張梅梅 黃榆潔 周夢迪 馬利波

1（華北電力大學經濟管理系，保定 071000）

2（新能源電力系統國家重點實驗室（華北電力大學），保定 071000）

引 言

為實現 “雙碳”目標，習近平總書記在中央財經委員會第九次會議上提出 “構建新型電力系統”［1］。相比于傳統電力系統，新型電力系統供給結構以新能源為主體、煤為輔助性資源，需求側增加了以電動汽車為代表的高度電氣化終端負荷。然而，風光出力的隨機性、波動性［2］以及電動汽車無序充電［3，4］等問題對配電網造成巨大沖擊，打破了 “源隨荷動”的平衡局面，供需不同步、不均衡問題日益嚴重。

以儲能介質存儲盈余電能或調節柔性負荷的使用時間，實現 “源荷互動”［5］，是解決供需錯位問題的主要方向，如抽水蓄能的水風光互補模式［6］、風－光－沼模式等。探索風光電站與水電站長短期調度路徑是水風光互補的一大難點［7］，且受地理環境的限制，水電站推廣適用性差；在一定溫度下沼氣發酵產氣效率較佳［8］，能有效推動“源荷互動”［9］，但因沼氣產生周期長且沼氣池容量有限，風－光－沼模式難以滿足超大功率設備使用需求［10］；未能消納的新能源電量轉化為天然氣可緩解棄風棄光現象［11］，但電轉氣技術不具經濟性［12］。以動力電池作為儲能介質，間接調節電動汽車與配電網的交互時間，可實現 “源荷互動”，既能降低動力電池充電費用，也能削峰填谷［13］；鑒于電動汽車充電高峰與社會用電高峰重疊，動力電池對電網反向輸電過于理想［14］，反向充電場景更側重于直接協調電動汽車與風電、光電［15］，提高風光消納率［16，17］。

隨著11個城市新能源汽車換電模式應用試點工作的推進，全國重卡高效換電全新場景不斷涌現，換電站動力電池的數量和容量爆發式增長，動力電池參與共享儲能及 “削峰填谷”的空間增大，如吉利重卡綜合能源站·杭州隆欣換電站采用“風光儲充換”一體化綜合能源技術。鑒于電池綜合服務費是換電場景經濟性的最大影響因素［18］，本文設計儲能參與的換電站，并探討其最優配置及其經濟性：（1）厘清換電生態下各主體的分配動作，設計換電站的 “風－光－動力電池”單一儲能和 “風－光－動力電池－儲能電站”混合儲能兩種儲能參與模式；（2）考慮兩種模式的換電需求和風光出力約束，構建儲能參與的電池充電最優模型；（3）采用蒙特卡洛仿真換電需求，選擇北京某一天風光真實出力狀況，仿真分析不同充電倍率時換電站的安全電池數量及兩種模式充電費用最優時的風光消納率。

1 換電生態下動力電池參與儲能模式

1.1 “車－源－網”換電生態系統

成本難降、技術難突破是汽車電動化進程的最大阻礙。動力電池成本是整車最主要成本，攻克動力電池購買價格高、充電時間長、續航里程短難題是加速汽車電動化的關鍵。為全面提速我國汽車電動化進程，本文提出以政府為牽引規范電動汽車充換電標準，以創新激勵機制突破關鍵卡脖子技術，以企業聯動帶動區域電動汽車產業的發展，打造 “車－源－網”換電生態系統。

“車－源－網”換電生態系統主要包括以下內容：（1）換電為主、充電為輔的動力供給方式，補充電量耗時短、無電池折舊憂慮、單次使用成本較少等比較優勢足以支持換電成為補充能源的主要方式；（2）動力電池梯次利用，在生產階段利用區塊鏈技術標記動力電池全生命周期的性能，根據不同的剩余性能匹配不同的利用場景［19］；（3）清潔電能的儲蓄和利用，集成換電站利用清潔能源為閑置的動力電池儲電，清潔電能的富余量輸入到化學儲能電站，后續以換電服務為主、穩定供給大電網為輔輸出清潔電能；（4）智能網聯服務，即綜合空閑充電樁位置、換電網點的服務能力和排隊情況等信息，為車主提供最佳補電方案；（5）作為換電生態下的新能源汽車種子用戶，網約車及超級用戶的壯大能為換電站密度增加提供源動力，從而解決充電耗時長、換電不便、“換電焦慮”等問題，吸引新用戶入局，推動換電生態正循環發展。見圖1。

圖1 “車－源－網”換電生態系統

計及動力電池參與風光削峰填谷，換電生態下動力電池儲能有兩種模式：“風－光－動力電池”單一儲能模式和 “風－光－動力電池－儲能電站”混合儲能模式。

1.2 “風－光－動力電池”單一儲能模式的充電優化模型

為充分利用動力電池的儲能優勢，本文設計以動力電池為唯一儲能設備的 “風－光－動力電池”模式。常態化 “風－光－動力電池”單一儲能模式的電能來源于光伏和風力發電兩部分。在極寒無光、極熱無風條件下，風光出力不能滿足電動汽車的用電需求，可利用配電網對動力電池充電。該模式的優化模型構建如下。

1.2.1 目標函數

“風－光－動力電池”單一儲能模式下，優化模型目標是充電成本最小化。本文以風光消納率為評價指標，將對電網的沖擊作為約束條件。換電站充電成本根據電能來源不同而存在差異。使用風電光電充電能提高風光消納率并緩解對配電網的沖擊。若利用配電網進行充電，不僅風光消納率低，而且會影響配電網穩定性。但風光出力的不確定性或中斷動力電池充電均會減少動力電池壽命，易造成換電站對配電網過度依賴。然而在用電高峰調用配電網電量對動力電池充電，只會 “峰上加峰”［20］，因此需要優化換電站與配電網交互的時間和能量。

“風－光－動力電池”單一儲能模式優化模型的目標是使單個動力電池的充電平均成本最小，如式 （1） 所示。

式中：PRt為t時刻的電價，Ct為t時刻充電所需電量，計算公式如式 （2）所示，cht為t時刻正在充電的電池數量，CAP為電池額定容量，v為電池充電倍率，s為1天內電池充滿數量，計算公式如式 （3）所示，fht為t時刻結束充電的電池數量，stt為t時刻開始充電的電池數量，T為充電時長。

根據電價收費標準可知，PRv＜PRn＜PRf＜PRp，PRv為谷電電價，PRn為新能源電價，PRf為平峰電價，PRp為峰電電價。介于谷電電價最低，為避免換電站在用電低谷時大量充電導致用電低谷變為用電高峰，結合負荷曲線設定用電低谷各時段用電量限額Vt，超出限額部分按照用電平峰電價收費，谷時電價函數如式 （4）所示：

式中Pt為t時刻風光出力總和。

在峰電或平峰時段，若風光出力能滿足需求，則直接使用風電光電；若風光出力不能滿足需求，為保障充電的持續性，只能使用配電網輸送電。峰時電價函數如式 （5）所示，平時電價函數如式 （6） 所示。

1.2.2 約束條件

根據電量將電池分為正在充電、等待充電、充滿電3類，換電生態約束條件如式 （7）所示，其中cdt為t時刻充滿電的電池數量，demt為t～t＋1時間段內的換電需求量，cgt為t時刻等待充電的電池數量，n為換電站備用電池總數。

1.3 “風－光－動力電池－儲能電站”混合儲能模式的充電優化模型

為豐富風電、光電的應用場景，設計動力電池、化學儲能電站參與共享儲能的 “風－光－動力電池－儲能電站”混合儲能模式。化學儲能電站可由換電站自主投資或第三方建設，在強風強光時利用化學儲能電站和動力電池吸納電能，在弱風弱光時由化學儲能電站和谷電給動力電池充電。在此基礎上，為削峰填谷，盡可能在用電高峰時向配電網輸電。混合儲能模式結構如圖2所示。

圖2 混合儲能模式結構圖

1.3.1 目標函數

以充電成本最低為目標，以風光消納率為評價指標，兼顧對電網的影響和儲能電站的容量限制，構造優化模型。為破除棄風棄光頑疾，對所棄風電光電按新能源電價收費。目標函數如式（8）所示。

式中：PEt為t時刻（用電高峰）儲能電站和風力發電站、光伏發電站對配電網的輸電量之和，PRs為用電高峰時向配電網輸電電價。

1.3.2 約束條件

超出儲能電站最大容量即會導致棄電，儲能電站各時刻的儲電計算公式如式 （9）所示。

式中：t＝2，3，…，23，SPOWt為t時刻儲能電站的儲電量，ceil為儲能電站最大容量。

儲能電站向換電站和配電網的輸電總量計算公式如式 （10）所示。由于儲能電站儲電量恒大于0，式 （11） 成立。

2 算例分析

以北京市某區7月份某天為例進行仿真。根據各時段電價、新能源電價（見表1），假設用電高峰時向配電網輸電電價為1.2元/度。

表1 分時電價、新能源電價

光伏發電的容量為1500kwp，風力發電機的裝機容量為10MW。利用GLOBAL SOLAR ATLAS，仿真得到7月平均每小時發電量?；谥?小時歷史風速，運用傅里葉級數回歸擬合得到逐小時風速。根據風力發電機的主要參數（表2）和計算公式［21］，計算得到逐小時風力發電量如圖3所示。式 （12）中：PWT為風力發電機的輸出功率，vci為切入風速；vco為切出風速；vN為額定風速；PN為風力發電機的額定輸出功率。

圖3 逐小時發電量

表2 風力發電機的主要參數

通過中國政府網公布的北京市工作日典型負荷曲線，并結合峰谷時間，確定谷電限額如表3所示，混合儲能模式下用電高峰時內各小時向配電網的輸電400千瓦時。

表3 用電低谷限額

2.1 基于蒙特卡洛算法的換電需求預測

將1天平均劃分為24個時段。假設電池剩余電量符合均勻分布；若電池剩余電量不滿足下一次出行需求（假定電池最大放電深度為70%），則假設下一次出行的開始時間即為換電時間?；陔姵貐担ㄒ姳?），利用蒙特卡洛法隨機抽樣，得到電池初始時刻的荷電狀態（State of Charge，SOC），根據2017年全美家庭出行時刻、出行時長等統計調查結果（National Household Travel Survey，NHTS），計算各輛車的換電時刻。

表4 動力電池的主要參數

將N次仿真結果按時段平均，擬合出298次換電需求在時間維度的分布特點，如圖4所示。

圖4 298次換電需求在1天內的分布

2.2 結果分析

基于基礎參數、風光逐小時出力和用戶換電需求預測結果，采用Lingo18軟件求解 “風－光－動力電池”單一儲能模式和 “風－光－動力電池－儲能電站”混合儲能模式的優化模型。

2.2.1 安全電池數量

以滿足298次換電需求為前提，在不同化學儲能電站容量、不同充電倍率情況下，混合儲能模式、單一儲能模式的安全電池數量分別如表5、表6所示。

表5 混合儲能模式安全電池數量

表6 單一儲能模式安全電池數量

從表5、表6可以看出，在風光出力的約束下，單一儲能模式、混合儲能模式的安全電池數量與充電倍率負相關。結果表明，在保障充電安全的基礎上，提高動力電池的充電倍率，可有效減少換電站的安全電池數量。

2.2.2 經濟性分析：

假設換電費用為1.5元/度（服務費0.5元/度，電費1元/度），化學儲能電站的度電價格為2000元/度，單一儲能模式的經濟效益如表7所示，混合儲能電站的容量在1000kwh、7560kwh時的經濟效益分別如表8、表9所示。

表7 單一儲能模式經濟效益分析

表8 混合儲能模式（1000kwh）經濟效益分析

表9 混合儲能模式（7560kwh）經濟效益分析（換電費用1.5元/度）

結果表明，當備用電池數量一定時，兩種儲能模式的平均充電成本均與充電倍率正相關；充電倍率一定時，隨備用電池數量增加，盡管前期投資成本相應增加，但是單一儲能模式、混合儲能模式的平均充電成本均逐漸下降。

此外，換電費用達到1.5元/度值得關注。混合儲能模式下，化學儲能電站容量為1000kwh、充電倍率為0.2C，化學儲能電站容量達到7560kwh、充電倍率為0.33C、0.25C、0.2C時投資回收期均大于5年，即在全壽命周期內不能將投資成本完全回收。單一儲能模式在充電倍率為0.33C、混合儲能模式在化學儲能電站容量為1000kwh、充電倍率為1C時，全投資內部收益率在10%～13%內，符合行業標準。單一儲能模式在充電倍率為1C、0.5C時全投資內部收益率分別為41%、23%，遠超行業標準，換電費用有降低的空間，企業有一定的競爭優勢。

其他條件不變，當換電費用達到2元/度（服務費0.5元/度，電費1.5元/度）時，混合儲能電站的容量為7560kwh時的經濟效益如表10所示。在此條件下，充電倍率為0.2C時，全投資內部收益率為13%，符合行業標準。充電倍率在0.25C及以上時，全投資內部收益率均大于13%，換電費用還有降低的空間。

表10 混合儲能模式（7560kwh）經濟效益分析（換電費用2元/度）

2.2.3 供需協調度分析

單一儲能模式、混合儲能模式隨備用電池數量變化風光消納率如圖5～7所示。兩種模式下風光消納率與充電倍率、備用電池數量大致正相關?；旌蟽δ苣Ｊ降娘L光消納率均在96%水平以上，增加備用電池數量或提高充電倍率均對提高風光消納率無顯著作用。此外，備用電池數量和充電倍率一定時，混合儲能模式的風光消納率比單一儲能模式高13%以上。

圖5 單一儲能模式的風光消納率

圖6 混合儲能模式的風光消納率－7560kwh

圖7 混合儲能模式的風光消納率－1000kwh

用電高峰時單一儲能模式在不同充電倍率下的負荷曲線如圖8所示，用電高峰時，混合儲能模式能穩定地向配電網定量輸電；單一儲能模式在0.2C、0.25C充電倍率下會少量地使用峰電，在0.33C、0.5C、1C時可波動性地向電網輸電。反映了混合儲能模式協調供需錯位效果優于單一儲能模式。

圖8 用電高峰時單一儲能模式在不同充電倍率下的負荷曲線

綜上所述，單一儲能模式、混合儲能模式均具備較好的經濟性。其中，與單一儲能模式相比，混合儲能模式風光消納效果更優。為兼顧環境和經濟效益，建立化學儲能電站容量為1000kwh的混合儲能模式，充電倍率為1C，換電費用為1.5元/度時，全投資內部收益率為10%，風光消納率可達96.099%。

3 結 論

以換電站建設推動換電生態系統正循環為目標，本文設計以動力電池為儲能介質的 “風－光－動力電池”單一儲能模式和 “風－光－動力電池－儲能電站”混合儲能模式，構造換電站的安全電池數量及兩種模式充電費用最優時的風光消納率計算模型，并通過仿真模擬得到：（1）在保證充電安全的前提下，提高充電倍率能顯著降低安全電池數量；（2）符合行業投資收益標準的情景：換電費用為1.5元/度時，單一儲能模式在充電倍率為0.33C和混合儲能模式在化學儲能電站容量為1000kwh、充電倍率為1C時，全投資內部收益率達到10%～13%；當換電費用為2元/度時，充電倍率為0.2C時，全投資內部收益率為13%；（3）混合儲能模式下化學儲能電站容量對風光消納率、配電網無顯著影響，且備用電池數量和充電倍率一定時，混合儲能模式的風光消納率比單一儲能模式高13%以上；（4）為兼顧環境和經濟效益，可建立化學儲能電站容量為1000kwh、充電倍率為1C、換電費用為1.5元/度（服務費0.5元/度，電費1元/度）的混合儲能模式，此時全投資內部收益率為10%，風光消納率為96.099%。