盧志剛　姜春光，2　李學平　趙　號　王薈敬

(1. 河北省電力電子節(jié)能與傳動控制重點實驗室(燕山大學) 　秦皇島　066004 2. 國網(wǎng)冀北電力有限公司灤平縣供電分公司　承德　068250)

?

清潔能源與電動汽車充電站協(xié)調(diào)投資的低碳效益分析

盧志剛1姜春光1，2李學平1趙號1王薈敬1

(1. 河北省電力電子節(jié)能與傳動控制重點實驗室(燕山大學) 秦皇島066004 2. 國網(wǎng)冀北電力有限公司灤平縣供電分公司承德068250)

針對CO2減排規(guī)劃目標，引入低碳效益的概念，即使用全壽命周期內(nèi)某減排項目單位投資的碳減排量來評價不同減排技術的減排效率。以低碳效益最大化為目標建立風電、光伏電源和電動汽車充電站協(xié)調(diào)投資模型。采用改進的離散細菌群體趨藥性算法進行求解，通過對實例的計算分析得到符合減排要求的投資規(guī)劃方案。最后對比以CO2減排量最大為目標函數(shù)的投資策略，證明所提模型和優(yōu)化算法的正確性和有效性。

低碳效益風電光伏電源電動汽車充電站協(xié)調(diào)投資模型

0　引言

全球氣候變暖是人類面臨的巨大挑戰(zhàn)之一，而減少CO2排放是緩解溫室效應的主要方法。中國在《國家“十二五”規(guī)劃綱要》中提出了單位國內(nèi)生產(chǎn)總值二氧化碳排放降低17%的目標。清潔能源和電動汽車的引入將對CO2減排產(chǎn)生重大影響[1-3]。風電和光伏電源是當前最主要的清潔能源發(fā)電形式[4]，能夠減少CO2排放同時節(jié)省化石能源的消耗。但清潔能源存在初期投資較高、出力不穩(wěn)定的問題，影響了其發(fā)展速度。電動汽車所消耗的電力由發(fā)電廠提供，相當于“以煤代油”，并非真正意義上的新能源汽車[5]；在完全由火電發(fā)電對電動汽車充電時，電動汽車行駛時每公里排放的CO2與燃油汽車基本相同[6]。但隨著電力系統(tǒng)發(fā)電側(cè)低碳化進程不斷推進，電動汽車的節(jié)能減排效益還會繼續(xù)增加[7]。本文以電力行業(yè)為投資主體，故只考慮對電動汽車充電站的投資，不考慮用戶購買電動汽車的費用。如何協(xié)調(diào)清潔能源和電動汽車充電站投資，使得投資的減排效率最大化是一個重要的問題。

國內(nèi)外對風電、光伏電源和電動汽車充電站投資決策與碳減排效益已有一些研究。文獻[8]概括了中國電動汽車的發(fā)展規(guī)劃，并進行定性估計。文獻[9]對風電和電動汽車的碳減排效益進行了分析。文獻[10，11]建立了近似的線性模型來計算電動汽車的減排效益，指出電動汽車充放電與清潔能源出力協(xié)調(diào)調(diào)度可以達到減排CO2的目的。文獻[12]對德國的電動汽車低碳效益進行計算，認為電動汽車減排的CO2和電廠增加排放的CO2質(zhì)量基本相等。文獻[13，14]證明通過協(xié)調(diào)調(diào)度電動汽車充電和可再生能源發(fā)電，可提高電網(wǎng)對可再生能源的消納能力。文獻[15-18]從不同角度定義了低碳效益的概念，并給出不同的分析模型。

綜上所述，現(xiàn)有文獻對低碳效益的定義各不相同，本文采用文獻[18]中的定義方法，即以全壽命周期內(nèi)某減排項目單位投資的CO2減排量來評價不同減排技術的減排效率。此方法的優(yōu)點在于使不同投資項目具有可比性，且強調(diào)投資的減排效率，避免盲目投資，投資策略更具合理性；然后，根據(jù)各減排技術的特點，對風電、光伏電源和電動汽車充電站的低碳效益進行分析；最后采用改進的離散細菌群體趨藥性算法(Discrete Bacterial Colony Chemotaxis，DBCC)對該協(xié)調(diào)投資問題進行求解，并對比以CO2減排量最大為目標函數(shù)的投資策略證明該方案的合理性與有效性。

1　低碳效益模型

1.1碳排放因子的計算方法

根據(jù)火電廠的年發(fā)電量、廠用電率、消耗燃料質(zhì)量、燃料類型和碳捕集裝置的捕集率，計算火電廠單位上網(wǎng)電量所排放的CO2質(zhì)量，即

(1)

式中，F(xiàn)i,t為火電機組在t年消耗燃料i的質(zhì)量；Ci為機組正常工作下消耗單位質(zhì)量燃料i產(chǎn)生的CO2質(zhì)量；γt為火電機組在第t年的碳捕集率，在沒有裝碳捕集裝置的情況下γt取0；St為機組在t年的發(fā)電量；ηt為t年的廠用電率。φt會隨著火電廠發(fā)電效率的上升和碳捕集與封存裝置的普及而逐年下降。

因為清潔能源發(fā)電不排放CO2，負荷消耗單位電量對應發(fā)電側(cè)排放的CO2質(zhì)量與φt并不相等，其計算方法為

(2)

式中，SL,t為t年負荷用電量；Sclear,t為t年清潔能源總發(fā)電量。定義φt為負荷側(cè)碳排放因子。

1.2低碳效益的數(shù)學描述

按照低碳效益定義，碳減排量為投入減排項目前這段時間內(nèi)的碳排放量與實際排放量之差。因此減排項目i的低碳效益χLCP,i可表示為

(3)

式中，QCce,i,t為項目i在t時段內(nèi)的碳減排量，kg；CInv,i,t為項目i在t時段內(nèi)的投資，元。

2　低碳效益的應用

2.1新型減排技術概述

近年來，隨著我國對節(jié)能減排問題日漸重視，電力行業(yè)加強了對節(jié)能減排技術的投資。對清潔能源的投資主要包括風電、光伏電源、核電與水電。而核電與水電的一次性投資巨大且主要由政府主導規(guī)劃，故不在本文研究范圍之內(nèi)。

風力發(fā)電與光伏發(fā)電是目前較為成熟的清潔能源發(fā)電技術，其特點為一次投資費用較大，運行維護費用較低，出力不穩(wěn)定。光伏電源僅在白天發(fā)電，負荷處于高峰，一般不存在棄光現(xiàn)象，并網(wǎng)率較高。風力發(fā)電出力高峰一般在晚上，而晚上負荷用電較低，火電廠有最低出力要求，所以會存在棄風現(xiàn)象。

電動汽車是新興的減排技術，負荷側(cè)碳排放因子φt越小，其低碳效益越大。所以電動汽車充電站的投資策略與清潔能源的投入息息相關。

2.2風電的低碳效益

在負荷一定的情況下，增加風電出力相應就會減少火電廠出力。由于風電不排放CO2，因此風電每發(fā)1 kW·h電量減排的CO2質(zhì)量為φt。 風電的低碳效益為

(4)

式中，PIC為裝機容量，kW；下標W表示風力發(fā)電；hW,t為第t年利用小時數(shù)；α為并網(wǎng)率，目前我國風電開發(fā)較快，電網(wǎng)消納風電能力不強，并網(wǎng)率較低，隨著對電網(wǎng)主動控制能力增強，α會逐年上升；風電一次投資成本較高，一般在800～900 萬元/MW[19]；CInv,Wt,fix為等年值固定投資費用,可由裝機容量乘以單位投資求得；CInv,Wt,OM為運行維護費用，按其一次投資費用的百分數(shù)給出，一般占一次投資成本的1.6%；CInv,Wt,AS為由風電導致的調(diào)峰和備用輔助服務成本，當前輔助服務成本約為0.084元/(kW·h)[20]，由此可知，CInv,Wt,AS可由單位輔助服務成本與風電上網(wǎng)電量的乘積求得。

2.3光伏電源的低碳效益

光伏電源的低碳效益為

(5)

式中，下標S表示光伏電源；在不過量投入光伏電源的情況下，光伏發(fā)電并網(wǎng)率較高且基本保持穩(wěn)定，本文αS，t取0.95。光伏電源的一次投資成本比風電高，取微逆系統(tǒng)和組串系統(tǒng)的平均值一般在1 500萬元/MW(包括壽命周期內(nèi)部分組件更新費用)[13]；但其運行維護成本較低，一般占一次投資成本的1%[21]。

2.4電動汽車充電站的低碳效益

電動汽車充電站的低碳效益是指單位投資的充電站給電動汽車充電后，電動汽車相對于燃油汽車所減排的CO2質(zhì)量。由于電動汽車種類不同，其對應燃油汽車CO2排放強度不同，年行駛里程、充電策略也不同。本文考慮最常見的兩類電動汽車，即電動公交車和電動私家車，其低碳效益表達式相同，即

(6)

式中，下標C表示充電站；β為電動汽車對應同類型燃油汽車平均行駛每千米排放CO2質(zhì)量，kg/km；a為電動汽車平均每千米耗電量，(kW·h)/km。電動公交車每天晚上充電，每天耗電量基本相同，故其充電站利用小時數(shù)較為穩(wěn)定，平均在1 825 h左右。電動私家車充電站利用小時數(shù)與電動私家車保有量、電價引導和電網(wǎng)主動控制有關，其裝機容量要滿足電動私家車峰值負荷功率[22]。隨著實時電價的實行和對電網(wǎng)主動控制的加強，電動汽車充電更加有序，電動私家車充電站利用小時數(shù)會增加。本文假設其利用小時數(shù)從1 640 h到1 830 h呈指數(shù)變化[8]。電動汽車充電站一次固定投資較低，為450 萬元/MW[23]；但其維護費用較高，包括充電站維護費用、材料費用和人員工資等，一般占一次投資成本的10%左右[24]。

3　協(xié)調(diào)投資模型

3.1目標函數(shù)

本文以規(guī)劃期內(nèi)低碳效益最大為目的確定風電、光伏電源、電動汽車充電站協(xié)調(diào)投資的最優(yōu)策略。目標函數(shù)為

(7)

式中，χLCP為低碳效益；QCce,W,t、 QCce,S,t、 QCce,C,t分別為風電、光伏電源和電動汽車充電站減排的CO2質(zhì)量；CInv,W,t、 CInv,S,t、 CInv,C,t分別為風電、光伏電源和電動汽車充電站在規(guī)劃期內(nèi)的投資。需要注意的是投資策略是以5年為一個時間階段給出的。

3.2約束條件

1)風電并網(wǎng)率約束。

隨著電網(wǎng)儲能元器件的發(fā)展與電網(wǎng)主動控制能力的增強，風電并網(wǎng)率會逐年上升。本文假設風電并網(wǎng)率如圖1所示，使結(jié)果更符合實際。

圖1　風電并網(wǎng)率變化趨勢Fig.1　Diagram of the variation trend of wind power grid-connected rate

2)電量平衡約束。

規(guī)劃期內(nèi)每年所有電源的發(fā)電量應該與負荷的用電量相等。

SH,t+PIC,W,thW,t+PIC,S,thS,t+Selse,t=Sg,t+

PIC,C1,thC1,t+PIC,C2,thC2,t

(8)

式中，SH,t為火電廠第t年發(fā)電量；Selse,t為除風電和光伏電源其他清潔能源的發(fā)電量；Sg,t為除充電站負荷外其他負荷用電量；PIC,C1,t為電動公交車充電站的裝機容量；PIC,C2,t為電動私家車充電站的裝機容量。

3)規(guī)劃期內(nèi)風電和光伏電源最大裝機容量約束。

由于風電和光伏電源的投資建設受地理環(huán)境的影響，每年的新增容量有一定的上限。

PIC,W,t-1≤PIC,W,t≤PIC,Wmax,tt∈T

(9)

PIC,S,t-1≤PIC,S,t≤PIC,Smax,tt∈T

(10)

式中，PIC,Wmax,t為第t年允許風電最大裝機容量；PIC,Smax,t為第t年允許光伏電源最大裝機容量。

4)規(guī)劃期內(nèi)電動汽車充電站裝機容量約束。

因為電動汽車的負荷具有波動性，為了電網(wǎng)的安全起見應規(guī)定其充電站接入容量上限。電動汽車充電站的壽命約為15年，在規(guī)劃期內(nèi)會存在退運現(xiàn)象。但因為電動汽車數(shù)量不會減少，為了滿足用戶充電要求，電動汽車充電站的裝機容量也不允許下降[25]。

PIC,C1,t-1≤PIC,C1,t≤PIC,C1max,tt∈T

(11)

PIC,C2,t-1≤PIC,C2,t≤PIC,C2max,tt∈T

(12)

式中，PIC,C1max,t為第t年允許電動公交車充電站最大裝機容量；PIC,C2max,t為第t年允許電動私家車充電站最大裝機容量。

5)電動車保有量約束。

受交通影響和用戶需求量影響，電動汽車保有量會有上限約束。

xC1,t≤xC1max,tt∈T

(13)

xC2,t≤xC2max,tt∈T

(14)

式中，xC1,t為第t年電動公交車保有量；xC1max,t為第t年電動公交車保有量上限約束；xC2,t為第t年電動私家車保有量；xC2max,t為第t年電動私家車保有量上限約束。

6)電動私家車充電站利用小時數(shù)約束。

隨著主動配電網(wǎng)技術的發(fā)展，對電動汽車進行主動管理、有序充電，可以減小電動私家車負荷的峰谷差，提高充電站的利用小時數(shù)hC2,t。 hC2,t滿足指數(shù)增長規(guī)律。

(15)

4　DBCC算法的改進和求解

4.1BCC算法簡介

本文運用離散細菌群體趨藥性優(yōu)化算法解決風電、光伏電源和電動汽車充電站協(xié)調(diào)投資問題。細菌群體趨藥性算法(Bacterial Colony Chemotaxis，BCC)是一種新的從生物行為中取得靈感的智能優(yōu)化算法，其收斂速度快，單個細菌具備尋優(yōu)能力[26，27]。文獻[28]給出了BCC的具體算法，在這里不再詳細介紹。

4.2DBCC算法的改進

由于本文為未來20年的協(xié)調(diào)投資規(guī)劃，導致細菌維數(shù)較大，在計算時易出現(xiàn)進入局部最優(yōu)解的情況。針對此問題進行改進，對細菌移動步長進行自適應調(diào)整，在計算初期減小細菌移動步長，防止細菌過快收斂到局部最優(yōu)點。在計算后期增大細菌移動步長，幫助細菌群體保持群體的差異性，有助于跳出局部最優(yōu)點。這樣是在犧牲了計算速度的情況下增大了計算的準確性。為此引入適應度方差的概念[29]，即

(16)

式中，N為種群規(guī)模；fi為第i個個體的適應度；fav為群體的平均適應度；fbest為群體最佳適應度。σ2越小代表細菌群體越密集，σ2越大代表細菌群體越分散。則移動步長自適應調(diào)整策略為

(17)

4.3初始化種群

設最優(yōu)協(xié)調(diào)投資方案是通過不斷調(diào)整風電、光伏電源和電動汽車充電站規(guī)劃期內(nèi)裝機容量狀態(tài)獲得的，用一個細菌代表一種配置方案。規(guī)劃期為20年，則每個細菌為4×20維矢量。若一共有N個細菌，則

(18)

式中，x1～x20為光伏電源在規(guī)劃期20年內(nèi)裝機容量；x21～x40為風電在規(guī)劃期20年內(nèi)裝機容量；x41～x60為電動公交車充電站在規(guī)劃期20年內(nèi)裝機容量；x61～x80為電動私家車充電站在規(guī)劃期20年內(nèi)裝機容量。開始時隨機生成1個80維的矢量，然后依次對約束條件進行判斷，如果滿足所有的約束條件，那么就得到一個初始細菌。否則重新生成，直到產(chǎn)生N個符合要求的細菌為止，有N個細菌的種群則表示一個含N種協(xié)調(diào)投資方案的方案集，即初始種群大小為N。

5　算例分析

5.1基礎數(shù)據(jù)

依據(jù)《某省電力“十二五”規(guī)劃》的要求[30]，到2015 年，全省發(fā)電裝機容量達到6 565 萬kW。其中，燃煤火電5 360 萬kW、水電205 萬kW(含抽水蓄能電站130 萬kW、小水電75 萬kW)、風電900 萬kW、生物質(zhì)能發(fā)電70 萬kW、光伏發(fā)電30 萬kW。全年用電量3 810億 kW·h。全省燃煤火電廠平均碳排放因子為0.802 kg/(kW·h)，預計到2035年可降低到0.65 kg/(kW·h)。將20年的規(guī)劃周期分為4個“五年計劃”，每個“五年計劃”內(nèi)的年平均負荷增長率為6.4%、5.25%、3.5%、2.5%。算例中的所有成本已貼現(xiàn)，貼現(xiàn)率為6%。假設風電、光伏電源、電動汽車充電站價格在±5%范圍內(nèi)隨機波動。依據(jù)《電動汽車科技發(fā)展“十二五”專項規(guī)劃》，若充電站充電效率為90%，電動公交車平均單位里程耗電量a1=1.11 (kW·h)/km[31]；電動私家車平均單位里程耗電量a2=0.156 (kW·h)/km。燃油公交車單位里程排放CO2β1=1.16 kg/km；燃油私家車單位里程排放CO2β2=0.161 kg/km。 采用改進DBCC算法求解，細菌種群為N=500，迭代次數(shù)n設為150，初始準確度和結(jié)束準確度分別為εbegin=2和εend=10-6， 準確度更新常數(shù)為1.25。

5.2協(xié)調(diào)投資方案

協(xié)調(diào)投資計算結(jié)果見表1。

表1　協(xié)調(diào)投資計算結(jié)果Tab.1　The results of coordinating investment

由表1可以看出，在未來20年中，風電和光伏電源裝機容量增長量變化趨勢都為先增長后下降，于2030年達到最大增長值，且總投資裝機容量都未達到裝機容量上限。電動公交車充電站裝機容量增長量變化趨勢為在第一個5年大量投入，在2021年～2030年，由于電動公交車保有量約束增長量下降。因為充電站壽命為15年，在2031年～2035年為了保證電動公交車正常充電,新增裝機容量上升，但凈增長量因電動公交車保有量約束依然不大。電動私家車充電站裝機容量增長量在2030年之前為逐年增長，在2031年～2035年為了保證給電動私家車正常充電,新增裝機容量上升，但凈增長量因為電動私家車保有量約束而下降。電動公交車充電站和電動私家車充電站總裝機容量都達到了上限。在仿真中若改變風電和光伏電源的裝機容量上限，其裝機容量增長量變化趨勢依然為先增長后下降。

表2列出了風電、光伏和充電站的低碳效益?？梢钥闯觯S著火電廠的碳排放因子逐年減小，光伏電源的低碳效益也隨著逐年減小。但投入光伏電源可以改善電源結(jié)構(gòu)，增加充電站的低碳效益，所以光伏裝機容量增長量呈先增長后下降的趨勢。風電由于并網(wǎng)率的上升，低碳效益呈先增長后下降趨勢，在2022年低碳效益為最大值，此后其低碳效益開始逐年下降，且投入風電可以改善電源結(jié)構(gòu)，增加充電站的低碳效

表2　低碳效益對比Tab.2　Contrast of low-carbon profit

益，故風電裝機容量增長量也為先增長后下降。電動公交車充電站因其利用率較高，低碳效益在2016年已經(jīng)很高且逐年增長，所以在最初5年就進行大量投入。電動私家車充電站低碳效益在2016年為最低，隨著電源結(jié)構(gòu)的改善其裝機容量增長量逐步增加。在2031年～2035年，因為電動私家車保有量達到上限，所以凈增長量有所下降。此模型是通過協(xié)調(diào)投資達到總體低碳效益最大化，而不是單獨追求某一項減排技術低碳效益最大化。當清潔能源本身低碳效益降低時，因其可以增加電動汽車充電站的低碳效益，所以裝機容量增長量仍有可能呈增長趨勢。總體而言，風電的低碳效益好于光伏。在前15年電動公交車充電站低碳效益好于電動私家車充電站，在后5年兩者基本持平。

5.3協(xié)調(diào)投資結(jié)果分析

本文以低碳效益最大為目標函數(shù)，計算出風電、光伏電源、電動公交車充電站和電動私家車充電站的協(xié)調(diào)投資策略。計算結(jié)果表明：在電源側(cè)，風電的低碳效益大于光伏電源，在保證風電并網(wǎng)率較高的情況下，為了投資效率較高應優(yōu)先投資風電。值得一提的是，本文以低碳效益最大化建立投資模型，所以在2031年～2035年風電和光伏電源的裝機容量增長量出現(xiàn)了下降。但在圖2中可以看出風電的低碳效益仍為最大，而光伏的低碳效益也處于較高水平。在實際規(guī)劃中，考慮到清潔能源在環(huán)境保護、能源安全等方面的優(yōu)勢，在2031年～2035年可以根據(jù)實際情況增加風電和光伏電源的裝機容量增長量。在負荷側(cè)，電動公交車充電站因其利用率較高，現(xiàn)在即可大量投入，而電動私家車充電站因其利用率較低，充電負荷波動大，應隨發(fā)電側(cè)電源結(jié)構(gòu)改善和電網(wǎng)主動控制能力的加強逐步放開投入。

圖2　低碳效益對比Fig.2　Contrast of low-carbon profit

5.4低碳效益協(xié)調(diào)投資模型優(yōu)點分析

低碳效益協(xié)調(diào)投資模型優(yōu)點在于強調(diào)投資的效率，避免盲目的大量投資。下面對比以減排CO2質(zhì)量最大為目標函數(shù)的投資策略來說明。在此模型中清潔能源的投資一定會達到投資上限；但對于充電站的投資，在風電和光伏電源出力一定的情況下，增加充電站的裝機容量會增加火電廠出力，使負荷側(cè)碳排放因子增大，充電站的減排能力會隨之減小。所以對充電站的投資策略需要計算得出，計算結(jié)果見表3。

表3　以減排CO2質(zhì)量最大為目標函數(shù)的投資策略Tab.3　The investment strategy of the target function of the maximum quality of CO2 emission reduction

由表3可以看出，在以減排CO2質(zhì)量最大為目標函數(shù)的投資策略中，4種投資總量都達到了約束上限。投資策略與風電、光伏電源、充電站的價格和減排效率無關，只是盲目的大量投入，也無法分辨出4種減排技術的優(yōu)劣。

6　結(jié)論

本文引入了低碳效益的概念，即全壽命周期內(nèi)某減排項目單位投資的碳減排量；然后以低碳效益最大化為目標函數(shù)建立風電、光伏電源、電動公交車充電站和電動私家車充電站的協(xié)調(diào)投資模型。通過算例分析可得如下結(jié)論：

1)風電一次投資成本低于光伏電源，發(fā)電小時數(shù)大于光伏電源；在風力充足且能保證較高風電并網(wǎng)率的情況下，為了提高投資的減排效率應優(yōu)先投入風電。

2)電動公交車充電站因其利用小時數(shù)較高，且對應燃油公交車單位里程排放CO2較高；現(xiàn)在即可大量投入；電動私家車充電站因在初期利用率較低，充電負荷波動大，不宜馬上大量投入，應隨著未來火電廠碳排放因子減小、清潔能源投入的增加、電網(wǎng)主動控制能力的加強逐步放開投入。

3)電動汽車充電站的低碳效益與發(fā)電測電源結(jié)構(gòu)有很大關系；減小火電廠碳排放因子，投入清潔能源可以增大電動汽車充電站的低碳效益。在某些主要以高耗能燃煤火電廠供電的地區(qū)，使用電動汽車僅相當于“以煤代油”，不能起到節(jié)能減排的作用；應在改善電源結(jié)構(gòu)以后再投入使用電動汽車。

附　　錄 附表1　相關基礎數(shù)據(jù) App.Tab.1　Relative basic data

[1]Battistelli C，Baringo L，Conejo A J.Optimal energy management of small electric energy systems including V2G facilities and renewable energy sources[J].Electric Power Systems Research，2012，92: 50-59.

[2]Boulanger A G，Chu A C，Maxx S，et al.Vehicle electrification: status and issues[J].Proceedings of the IEEE，2011，99(6): 1116-1138.

[3]董永平，何世恩，劉峻，等.低碳電力視角下的風電消納問題[J].電力系統(tǒng)保護與控制，2014，42(5):12-16.

Dong Yongping，He Shien，Liu Jun，et al.Wind power consumption problem in the view of low carbon power[J].Power System Protection and Control，2014，42(5):12-16.

[4]曹陽，黃越輝，袁越，等.基于時序仿真的風光容量配比分層優(yōu)化算法[J].中國電機工程學報，2015，35(5): 1072-1078.

Cao Yang，Huang Yuehui，Yuan Yue，et al.Stratified optimization algorithm for optimal proportion of wind and solar capacity based on time sequence simulation[J].Proceedings of the CSEE，2015，35(5): 1072-1078.

[5]Zhang Q，Tezuka T，Esteban M，et al.A study of renewable power for a zero-carbon electricity system in Japan using a proposed integrated analysis model[C]//2010 The 2nd International Conference on Computer and Automation Engineering (ICCAE)，Singapore，2010，5: 166-170.

[6]Doucette R T，McCulloch M D.Modeling the CO2emissions from battery electric vehicles given the power generation mixes of different countries[J].Energy Policy，2011，39(2): 803-811.

[7]施曉清，李笑諾，楊建新.低碳交通電動汽車碳減排潛力及其影響因素分析[J].環(huán)境科學，2013，34(1): 385-394.

Shi Xiaoqing，Li Xiaonuo，Yang Jianxin.Research on carbon reduction potential of electric vehicles for low-carbon transportation and its influencing factors[J].Environmental Science，2013，34(1): 385-394.

[8]肖湘寧，溫劍鋒，陶順，等.電動汽車充電基礎設施規(guī)劃中若干關鍵問題的研究與建議[J].電工技術學報，2014，29(8): 1-10.

Xiao Xiangning，Wen Jianfeng，Tao Shun，et al.Study and recommendations of the key issues in planning of electric vehicles’ charging facilities[J].Transactions of China Electrotechnical Society，2014，29(8): 1-10.

[9]于大洋，黃海麗，雷鳴，等.電動汽車充電與風電協(xié)同調(diào)度的碳減排效益分析[J].電力系統(tǒng)自動化，2012，36(10): 14-18.

Yu Dayang，Huang Haili，Lei Ming，et al.CO2reduction benefit by coordinated dispatch of electric vehicle charging and wind power[J].Automation of Electric Power Systems，2012，36(10): 14-18.

[10]Saber A Y，Venayagamoorthy G K.One million plug-in electric vehicles on the road by 2015[C]//12th International IEEE Conference on Intelligent Transportation Systems，Louis，MO，2009: 1-7.

[11]Saber A Y，Venayagamoorthy G K.Plug-in vehicles and renewable energy sources for cost and emission reductions[J].IEEE Transactions on Industrial Electronics，2011，58(4): 1229-1238.

[12]Hubner M，Zhao L，Mirbach T，et al.Impact of large-scale electric vehicle application on the power supply[C]//2009 IEEE Electrical Power & Energy Conference (EPEC)，Montreal，QC，2009: 1-6.

[13]張學清，梁軍，張利，等.計及風光電源的一種地區(qū)電網(wǎng)電動汽車充電調(diào)度方法[J].電工技術學報，2013，28(2): 28-35.

Zhang Xueqing，Liang Jun，Zhang Li，et al.Approach for plug-in electric vehicles charging scheduling considering wind and photovoltaic power in Chinese regional power grids[J].Transactions of China Electrotechnical Society，2013，28(2): 28-35.

[14]劉文霞，趙天陽，邱威，等.規(guī)模化 EV 充電與風力/火電發(fā)電系統(tǒng)協(xié)調(diào)運行[J].電工技術學報，2013，28(5): 49-57.

Liu Wenxia，Zhao Tianyang，Qiu Wei，et al.Coordinated operation of large scale electric vehicles charging with wind-thermal power system[J].Transactions of China Electrotechnical Society，2013，28(5): 49-57.

[15]賈文昭，康重慶，劉長義，等.智能電網(wǎng)促進低碳發(fā)展的能力與效益測評模型[J].電力系統(tǒng)自動化，2011，35(1): 7-12.

Jia Wenzhao，Kang Chongqing，Liu Changyi，et al.Capability of smart grid to promote low-carbon development and its benefits evaluation model[J].Automation of Electric Power Systems，2011，35(1): 7-12.

[16]Kuroda K，Magori H，Yokoyama R，et al.考慮電力系統(tǒng)低碳效益的配電網(wǎng)分布式發(fā)電系統(tǒng)最優(yōu)配置方法[J].電網(wǎng)技術，2012，36(12): 1-10.

Kuroda K，Magori H，Yokoyama R，et al.Optimal allocation of dispersed generations in distribution networks to realize low-carbonate power system[J].Power System Technology，2012，36(12): 1-10.

[17]曹培，王媚，郭創(chuàng)新，等.智能微網(wǎng)運行的低碳綜合效益分析[J].電網(wǎng)技術，2012，36(6): 15-20.

Cao Pei，Wang Mei，Guo Chuangxin，et al.Analysis on low-carbon integrative benefits of smart microgrid operation[J].Power System Technology，2012，36(6): 15-20.

[18]盧志剛，盧聰穎.碳捕集系統(tǒng)與風電協(xié)調(diào)投資的低碳效益分析[J].電網(wǎng)技術，2013，37(12): 3303-3309.

Lu Zhigang，Lu Congying.Low-carbon benefit based analysis on coordinating investment for Carbon capture system and wind power system[J].Power System Technology，2013，37(12):3303-3309.

[19]譚忠富，吳恩琦，鞠立偉，等.區(qū)域間風電投資收益風險對比分析模型[J].電網(wǎng)技術，2013，37(3): 713-719.

Tan Zhongfu，Wu Enqi，Ju Liwei，et al.A model for contrastive analysis on risk of income from investment in different wind power resource regions[J].Power System Technology，2013，37(3): 713-719.

[20]何洋，胡軍峰，閆志濤，等.大規(guī)模風電入網(wǎng)輔助服務成本補償機制研究[J].電網(wǎng)技術，2013，37(12): 189-194.

He Yang，Hu Junfeng，Yan Zhitao，et al.Compensation mechanism for ancillary service cost of grid-integration of large-scale wind farms[J].Power System Technology，2013，37(12):189-194.

[21]袁越，曹陽，傅質(zhì)馨，等.微電網(wǎng)的節(jié)能減排效益評估及其運行優(yōu)化[J].電網(wǎng)技術，2012，36(8): 12-18.

Yuan Yue，Cao Yang，F(xiàn)u Zhixin,et al.Assessment on energy-saving and emission reduction benefit of microgrid and its operation optimization[J].Power System Technology，2012，36(8): 12-18.

[22]陳衛(wèi)，楊波，張兆云，等.計及電動汽車充電站接入的配電網(wǎng)承載能力評估與優(yōu)化[J].電工技術學報，2014，29(8): 27-45.

Chen Wei，Yang Bo，Zhang Zhaoyun，et al.Distribution networks supportability evaluation and optimization considering electric vehicles charging stations[J].Transactions of China Electrotechnical Society，2014，29(8): 27-45.

[23]張國亮.城市內(nèi)和城市間電動汽車充電站的選址布局研究[D].天津：天津大學，2012.

[24]寇凌峰，劉自發(fā)，周歡.區(qū)域電動汽車充電站規(guī)劃的模型與算法[J].現(xiàn)代電力，2010，27(4): 44-48.

Kou Lingfeng，Liu Zifa，Zhou Huan.Modeling algorithm of charging station planning for regional electric vehicle[J].Modern Electric Power，2010，27(4): 44-48.

[25]路欣怡，劉念，陳征，等.電動汽車光伏充電站的多目標優(yōu)化調(diào)度方法[J].電工技術學報，2014，29(8): 46-56.

Lu Xinyi，Liu Nian，Chen Zheng，et al.Multi-objective optimal scheduling for PV-assisted charging station of electric vehicles[J].Transactions of China Electrotechnical Society，2014，29(8): 46-56.

[26]Bremermann H J，Anderson R W.How the brain adjusts synapses—maybe[M]//Boyer R S.Automated reasoning.Berlin: Springer Netherlands，1991: 119-147.

[27]Anderson R W.Biased random-walk learning: a neurobiological correlate to trial-and-error，in neural networks and pattern recognition[M]//Omidvar O M，Dayhoff J.Neural networks and pattern recognition.New York: Academic，1998: 211-244.

[28]Muller S D，Marchetto J，Airaghi S，et al.Optimization based on bacterial chemotaxis[J].IEEE Transactions on Evolutionary Computation，2002，6(1): 16-29.

[29]劉自發(fā)，張建華.一種求解電力經(jīng)濟負荷分配問題的改進微分進化算法[J].中國電機工程學報，2008，28(10): 100-105.

Liu Zifa，Zhang Jianhua.An improved differential evolution algorithm for economic dispatch of power systems[J].Proceedings of the CSEE，2008，28(10): 100-105.

[30]張躍，楊汾艷，曾杰，等.主動配電網(wǎng)的分布式電源優(yōu)化規(guī)劃方案研究[J].電力系統(tǒng)保護與控制，2015，43(15): 67-72.

Zhang Yue，Yang Fenyan，Zeng Jie，et al.Research of distributed generation optimization planning for active distributed network[J].Power System Protection and Control，2015，43(15): 67-72.

[31]樊守彬，李鋼，田剛.城市公交車在實際道路上的CO2排放特征[J].環(huán)境科學與技術，2012，35(4): 60-64.

Fan Shoubin，Li Gang，Tian Gang.On-road CO2emission characteristics of city bus[J].Environmental Science & Technology，2012，35(4):60-64.

Low-Carbon Benefit Analysis on Coordinating Investment for Clean Energy and Electric Vehicle Charging Stations

Lu Zhigang1Jiang Chunguang1，2Li Xueping1Zhao Hao1Wang Huijing1

(1.Key Lab of Power Electronics for Energy Conservation and Motor Drive of Hebei Province Yanshan UniversityQinhuangdao066004China 2.State Grid Jibei Electric Power Co. Ltd. Luanping Supply BranchChengde068250China)

In view of the CO2emission reduction target，this paper introduces the concept of low-carbon benefits，i.e.the quantity of carbon emission reduction under specific investment for the emission reduction project of an institution within its full life cycle is used to assess the emission reduction efficiency of different carbon emission reduction technologies.By taking maximization of low-carbon benefit as the objective，a model for coordinative investment in wind power，photovoltaic power，and electric vehicle(EV) charging stations is built.The improved discrete bacterial colony chemotaxis(DBCC) algorithm is used to solve the problem.Then an example investment plan can be acquired satisfying the carbon emission reduction demand.Finally，compared with the investment strategy with the maximum CO2emission reduction，the results demonstrate the correctness and effectiveness of the model and optimization algorithm.

Low-carbon benefit，wind power，photovoltaic power，EV charging station，coordinating investment model

國家自然科學基金(61374098)和教育部高等學校博士學科點專項科研基金(20131333110017)資助項目。

2015-06-01改稿日期2015-09-10

TM721

盧志剛男，1963年生，教授，博士生導師，研究方向電力系統(tǒng)經(jīng)濟運行分析與控制。

E-mail：Zhglu@ysu.edu.cn(通信作者)

姜春光男，1990年生，碩士研究生，研究方向為電力系統(tǒng)低碳效益評估。

E-mail：jiangchunguang618@163.com