清洁能源与电动汽车充电站协调投资的低碳效益分析

卢志刚　姜春光，2　李学平　赵　号　王荟敬

(1. 河北省电力电子节能与传动控制重点实验室(燕山大学) 　秦皇岛　066004 2. 国网冀北电力有限公司滦平县供电分公司　承德　068250)



清洁能源与电动汽车充电站协调投资的低碳效益分析

卢志刚1姜春光1，2李学平1赵号1王荟敬1

(1. 河北省电力电子节能与传动控制重点实验室(燕山大学) 秦皇岛066004 2. 国网冀北电力有限公司滦平县供电分公司承德068250)

针对CO2减排规划目标，引入低碳效益的概念，即使用全寿命周期内某减排项目单位投资的碳减排量来评价不同减排技术的减排效率。以低碳效益最大化为目标建立风电、光伏电源和电动汽车充电站协调投资模型。采用改进的离散细菌群体趋药性算法进行求解，通过对实例的计算分析得到符合减排要求的投资规划方案。最后对比以CO2减排量最大为目标函数的投资策略，证明所提模型和优化算法的正确性和有效性。

低碳效益风电光伏电源电动汽车充电站协调投资模型

0　引言

全球气候变暖是人类面临的巨大挑战之一，而减少CO2排放是缓解温室效应的主要方法。中国在《国家“十二五”规划纲要》中提出了单位国内生产总值二氧化碳排放降低17%的目标。清洁能源和电动汽车的引入将对CO2减排产生重大影响[1-3]。风电和光伏电源是当前最主要的清洁能源发电形式[4]，能够减少CO2排放同时节省化石能源的消耗。但清洁能源存在初期投资较高、出力不稳定的问题，影响了其发展速度。电动汽车所消耗的电力由发电厂提供，相当于“以煤代油”，并非真正意义上的新能源汽车[5]；在完全由火电发电对电动汽车充电时，电动汽车行驶时每公里排放的CO2与燃油汽车基本相同[6]。但随着电力系统发电侧低碳化进程不断推进，电动汽车的节能减排效益还会继续增加[7]。本文以电力行业为投资主体，故只考虑对电动汽车充电站的投资，不考虑用户购买电动汽车的费用。如何协调清洁能源和电动汽车充电站投资，使得投资的减排效率最大化是一个重要的问题。

国内外对风电、光伏电源和电动汽车充电站投资决策与碳减排效益已有一些研究。文献[8]概括了中国电动汽车的发展规划，并进行定性估计。文献[9]对风电和电动汽车的碳减排效益进行了分析。文献[10，11]建立了近似的线性模型来计算电动汽车的减排效益，指出电动汽车充放电与清洁能源出力协调调度可以达到减排CO2的目的。文献[12]对德国的电动汽车低碳效益进行计算，认为电动汽车减排的CO2和电厂增加排放的CO2质量基本相等。文献[13，14]证明通过协调调度电动汽车充电和可再生能源发电，可提高电网对可再生能源的消纳能力。文献[15-18]从不同角度定义了低碳效益的概念，并给出不同的分析模型。

综上所述，现有文献对低碳效益的定义各不相同，本文采用文献[18]中的定义方法，即以全寿命周期内某减排项目单位投资的CO2减排量来评价不同减排技术的减排效率。此方法的优点在于使不同投资项目具有可比性，且强调投资的减排效率，避免盲目投资，投资策略更具合理性；然后，根据各减排技术的特点，对风电、光伏电源和电动汽车充电站的低碳效益进行分析；最后采用改进的离散细菌群体趋药性算法(Discrete Bacterial Colony Chemotaxis，DBCC)对该协调投资问题进行求解，并对比以CO2减排量最大为目标函数的投资策略证明该方案的合理性与有效性。

1　低碳效益模型

1.1碳排放因子的计算方法

根据火电厂的年发电量、厂用电率、消耗燃料质量、燃料类型和碳捕集装置的捕集率，计算火电厂单位上网电量所排放的CO2质量，即

(1)

式中，Fi,t为火电机组在t年消耗燃料i的质量；Ci为机组正常工作下消耗单位质量燃料i产生的CO2质量；γt为火电机组在第t年的碳捕集率，在没有装碳捕集装置的情况下γt取0；St为机组在t年的发电量；ηt为t年的厂用电率。φt会随着火电厂发电效率的上升和碳捕集与封存装置的普及而逐年下降。

因为清洁能源发电不排放CO2，负荷消耗单位电量对应发电侧排放的CO2质量与φt并不相等，其计算方法为

(2)

式中，SL,t为t年负荷用电量；Sclear,t为t年清洁能源总发电量。定义φt为负荷侧碳排放因子。

1.2低碳效益的数学描述

按照低碳效益定义，碳减排量为投入减排项目前这段时间内的碳排放量与实际排放量之差。因此减排项目i的低碳效益χLCP,i可表示为

(3)

式中，QCce,i,t为项目i在t时段内的碳减排量，kg；CInv,i,t为项目i在t时段内的投资，元。

2　低碳效益的应用

2.1新型减排技术概述

近年来，随着我国对节能减排问题日渐重视，电力行业加强了对节能减排技术的投资。对清洁能源的投资主要包括风电、光伏电源、核电与水电。而核电与水电的一次性投资巨大且主要由政府主导规划，故不在本文研究范围之内。

风力发电与光伏发电是目前较为成熟的清洁能源发电技术，其特点为一次投资费用较大，运行维护费用较低，出力不稳定。光伏电源仅在白天发电，负荷处于高峰，一般不存在弃光现象，并网率较高。风力发电出力高峰一般在晚上，而晚上负荷用电较低，火电厂有最低出力要求，所以会存在弃风现象。

电动汽车是新兴的减排技术，负荷侧碳排放因子φt越小，其低碳效益越大。所以电动汽车充电站的投资策略与清洁能源的投入息息相关。

2.2风电的低碳效益

在负荷一定的情况下，增加风电出力相应就会减少火电厂出力。由于风电不排放CO2，因此风电每发1 kW·h电量减排的CO2质量为φt。 风电的低碳效益为

(4)

式中，PIC为装机容量，kW；下标W表示风力发电；hW,t为第t年利用小时数；α为并网率，目前我国风电开发较快，电网消纳风电能力不强，并网率较低，随着对电网主动控制能力增强，α会逐年上升；风电一次投资成本较高，一般在800～900 万元/MW[19]；CInv,Wt,fix为等年值固定投资费用,可由装机容量乘以单位投资求得；CInv,Wt,OM为运行维护费用，按其一次投资费用的百分数给出，一般占一次投资成本的1.6%；CInv,Wt,AS为由风电导致的调峰和备用辅助服务成本，当前辅助服务成本约为0.084元/(kW·h)[20]，由此可知，CInv,Wt,AS可由单位辅助服务成本与风电上网电量的乘积求得。

2.3光伏电源的低碳效益

光伏电源的低碳效益为

(5)

式中，下标S表示光伏电源；在不过量投入光伏电源的情况下，光伏发电并网率较高且基本保持稳定，本文αS，t取0.95。光伏电源的一次投资成本比风电高，取微逆系统和组串系统的平均值一般在1 500万元/MW(包括寿命周期内部分组件更新费用)[13]；但其运行维护成本较低，一般占一次投资成本的1%[21]。

2.4电动汽车充电站的低碳效益

电动汽车充电站的低碳效益是指单位投资的充电站给电动汽车充电后，电动汽车相对于燃油汽车所减排的CO2质量。由于电动汽车种类不同，其对应燃油汽车CO2排放强度不同，年行驶里程、充电策略也不同。本文考虑最常见的两类电动汽车，即电动公交车和电动私家车，其低碳效益表达式相同，即

(6)

式中，下标C表示充电站；β为电动汽车对应同类型燃油汽车平均行驶每千米排放CO2质量，kg/km；a为电动汽车平均每千米耗电量，(kW·h)/km。电动公交车每天晚上充电，每天耗电量基本相同，故其充电站利用小时数较为稳定，平均在1 825 h左右。电动私家车充电站利用小时数与电动私家车保有量、电价引导和电网主动控制有关，其装机容量要满足电动私家车峰值负荷功率[22]。随着实时电价的实行和对电网主动控制的加强，电动汽车充电更加有序，电动私家车充电站利用小时数会增加。本文假设其利用小时数从1 640 h到1 830 h呈指数变化[8]。电动汽车充电站一次固定投资较低，为450 万元/MW[23]；但其维护费用较高，包括充电站维护费用、材料费用和人员工资等，一般占一次投资成本的10%左右[24]。

3　协调投资模型

3.1目标函数

本文以规划期内低碳效益最大为目的确定风电、光伏电源、电动汽车充电站协调投资的最优策略。目标函数为

(7)

式中，χLCP为低碳效益；QCce,W,t、 QCce,S,t、 QCce,C,t分别为风电、光伏电源和电动汽车充电站减排的CO2质量；CInv,W,t、 CInv,S,t、 CInv,C,t分别为风电、光伏电源和电动汽车充电站在规划期内的投资。需要注意的是投资策略是以5年为一个时间阶段给出的。

3.2约束条件

1)风电并网率约束。

随着电网储能元器件的发展与电网主动控制能力的增强，风电并网率会逐年上升。本文假设风电并网率如图1所示，使结果更符合实际。

图1　风电并网率变化趋势Fig.1　Diagram of the variation trend of wind power grid-connected rate

2)电量平衡约束。

规划期内每年所有电源的发电量应该与负荷的用电量相等。

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为火电厂第t年发电量；Selse,t为除风电和光伏电源其他清洁能源的发电量；Sg,t为除充电站负荷外其他负荷用电量；PIC,C1,t为电动公交车充电站的装机容量；PIC,C2,t为电动私家车充电站的装机容量。

3)规划期内风电和光伏电源最大装机容量约束。

由于风电和光伏电源的投资建设受地理环境的影响，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为第t年允许风电最大装机容量；PIC,Smax,t为第t年允许光伏电源最大装机容量。

4)规划期内电动汽车充电站装机容量约束。

因为电动汽车的负荷具有波动性，为了电网的安全起见应规定其充电站接入容量上限。电动汽车充电站的寿命约为15年，在规划期内会存在退运现象。但因为电动汽车数量不会减少，为了满足用户充电要求，电动汽车充电站的装机容量也不允许下降[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为第t年允许电动公交车充电站最大装机容量；PIC,C2max,t为第t年允许电动私家车充电站最大装机容量。

5)电动车保有量约束。

受交通影响和用户需求量影响，电动汽车保有量会有上限约束。

xC1,t≤xC1max,tt∈T

(13)

xC2,t≤xC2max,tt∈T

(14)

式中，xC1,t为第t年电动公交车保有量；xC1max,t为第t年电动公交车保有量上限约束；xC2,t为第t年电动私家车保有量；xC2max,t为第t年电动私家车保有量上限约束。

6)电动私家车充电站利用小时数约束。

随着主动配电网技术的发展，对电动汽车进行主动管理、有序充电，可以减小电动私家车负荷的峰谷差，提高充电站的利用小时数hC2,t。 hC2,t满足指数增长规律。

(15)

4　DBCC算法的改进和求解

4.1BCC算法简介

本文运用离散细菌群体趋药性优化算法解决风电、光伏电源和电动汽车充电站协调投资问题。细菌群体趋药性算法(Bacterial Colony Chemotaxis，BCC)是一种新的从生物行为中取得灵感的智能优化算法，其收敛速度快，单个细菌具备寻优能力[26，27]。文献[28]给出了BCC的具体算法，在这里不再详细介绍。

4.2DBCC算法的改进

由于本文为未来20年的协调投资规划，导致细菌维数较大，在计算时易出现进入局部最优解的情况。针对此问题进行改进，对细菌移动步长进行自适应调整，在计算初期减小细菌移动步长，防止细菌过快收敛到局部最优点。在计算后期增大细菌移动步长，帮助细菌群体保持群体的差异性，有助于跳出局部最优点。这样是在牺牲了计算速度的情况下增大了计算的准确性。为此引入适应度方差的概念[29]，即

(16)

式中，N为种群规模；fi为第i个个体的适应度；fav为群体的平均适应度；fbest为群体最佳适应度。σ2越小代表细菌群体越密集，σ2越大代表细菌群体越分散。则移动步长自适应调整策略为

(17)

4.3初始化种群

设最优协调投资方案是通过不断调整风电、光伏电源和电动汽车充电站规划期内装机容量状态获得的，用一个细菌代表一种配置方案。规划期为20年，则每个细菌为4×20维矢量。若一共有N个细菌，则

(18)

式中，x1～x20为光伏电源在规划期20年内装机容量；x21～x40为风电在规划期20年内装机容量；x41～x60为电动公交车充电站在规划期20年内装机容量；x61～x80为电动私家车充电站在规划期20年内装机容量。开始时随机生成1个80维的矢量，然后依次对约束条件进行判断，如果满足所有的约束条件，那么就得到一个初始细菌。否则重新生成，直到产生N个符合要求的细菌为止，有N个细菌的种群则表示一个含N种协调投资方案的方案集，即初始种群大小为N。

5　算例分析

5.1基础数据

依据《某省电力“十二五”规划》的要求[30]，到2015 年，全省发电装机容量达到6 565 万kW。其中，燃煤火电5 360 万kW、水电205 万kW(含抽水蓄能电站130 万kW、小水电75 万kW)、风电900 万kW、生物质能发电70 万kW、光伏发电30 万kW。全年用电量3 810亿 kW·h。全省燃煤火电厂平均碳排放因子为0.802 kg/(kW·h)，预计到2035年可降低到0.65 kg/(kW·h)。将20年的规划周期分为4个“五年计划”，每个“五年计划”内的年平均负荷增长率为6.4%、5.25%、3.5%、2.5%。算例中的所有成本已贴现，贴现率为6%。假设风电、光伏电源、电动汽车充电站价格在±5%范围内随机波动。依据《电动汽车科技发展“十二五”专项规划》，若充电站充电效率为90%，电动公交车平均单位里程耗电量a1=1.11 (kW·h)/km[31]；电动私家车平均单位里程耗电量a2=0.156 (kW·h)/km。燃油公交车单位里程排放CO2β1=1.16 kg/km；燃油私家车单位里程排放CO2β2=0.161 kg/km。 采用改进DBCC算法求解，细菌种群为N=500，迭代次数n设为150，初始准确度和结束准确度分别为εbegin=2和εend=10-6， 准确度更新常数为1.25。

5.2协调投资方案

协调投资计算结果见表1。

表1　协调投资计算结果Tab.1　The results of coordinating investment

由表1可以看出，在未来20年中，风电和光伏电源装机容量增长量变化趋势都为先增长后下降，于2030年达到最大增长值，且总投资装机容量都未达到装机容量上限。电动公交车充电站装机容量增长量变化趋势为在第一个5年大量投入，在2021年～2030年，由于电动公交车保有量约束增长量下降。因为充电站寿命为15年，在2031年～2035年为了保证电动公交车正常充电,新增装机容量上升，但净增长量因电动公交车保有量约束依然不大。电动私家车充电站装机容量增长量在2030年之前为逐年增长，在2031年～2035年为了保证给电动私家车正常充电,新增装机容量上升，但净增长量因为电动私家车保有量约束而下降。电动公交车充电站和电动私家车充电站总装机容量都达到了上限。在仿真中若改变风电和光伏电源的装机容量上限，其装机容量增长量变化趋势依然为先增长后下降。

表2列出了风电、光伏和充电站的低碳效益。可以看出，随着火电厂的碳排放因子逐年减小，光伏电源的低碳效益也随着逐年减小。但投入光伏电源可以改善电源结构，增加充电站的低碳效益，所以光伏装机容量增长量呈先增长后下降的趋势。风电由于并网率的上升，低碳效益呈先增长后下降趋势，在2022年低碳效益为最大值，此后其低碳效益开始逐年下降，且投入风电可以改善电源结构，增加充电站的低碳效

表2　低碳效益对比Tab.2　Contrast of low-carbon profit

益，故风电装机容量增长量也为先增长后下降。电动公交车充电站因其利用率较高，低碳效益在2016年已经很高且逐年增长，所以在最初5年就进行大量投入。电动私家车充电站低碳效益在2016年为最低，随着电源结构的改善其装机容量增长量逐步增加。在2031年～2035年，因为电动私家车保有量达到上限，所以净增长量有所下降。此模型是通过协调投资达到总体低碳效益最大化，而不是单独追求某一项减排技术低碳效益最大化。当清洁能源本身低碳效益降低时，因其可以增加电动汽车充电站的低碳效益，所以装机容量增长量仍有可能呈增长趋势。总体而言，风电的低碳效益好于光伏。在前15年电动公交车充电站低碳效益好于电动私家车充电站，在后5年两者基本持平。

5.3协调投资结果分析

本文以低碳效益最大为目标函数，计算出风电、光伏电源、电动公交车充电站和电动私家车充电站的协调投资策略。计算结果表明：在电源侧，风电的低碳效益大于光伏电源，在保证风电并网率较高的情况下，为了投资效率较高应优先投资风电。值得一提的是，本文以低碳效益最大化建立投资模型，所以在2031年～2035年风电和光伏电源的装机容量增长量出现了下降。但在图2中可以看出风电的低碳效益仍为最大，而光伏的低碳效益也处于较高水平。在实际规划中，考虑到清洁能源在环境保护、能源安全等方面的优势，在2031年～2035年可以根据实际情况增加风电和光伏电源的装机容量增长量。在负荷侧，电动公交车充电站因其利用率较高，现在即可大量投入，而电动私家车充电站因其利用率较低，充电负荷波动大，应随发电侧电源结构改善和电网主动控制能力的加强逐步放开投入。

图2　低碳效益对比Fig.2　Contrast of low-carbon profit

5.4低碳效益协调投资模型优点分析

低碳效益协调投资模型优点在于强调投资的效率，避免盲目的大量投资。下面对比以减排CO2质量最大为目标函数的投资策略来说明。在此模型中清洁能源的投资一定会达到投资上限；但对于充电站的投资，在风电和光伏电源出力一定的情况下，增加充电站的装机容量会增加火电厂出力，使负荷侧碳排放因子增大，充电站的减排能力会随之减小。所以对充电站的投资策略需要计算得出，计算结果见表3。

表3　以减排CO2质量最大为目标函数的投资策略Tab.3　The investment strategy of the target function of the maximum quality of CO2 emission reduction

由表3可以看出，在以减排CO2质量最大为目标函数的投资策略中，4种投资总量都达到了约束上限。投资策略与风电、光伏电源、充电站的价格和减排效率无关，只是盲目的大量投入，也无法分辨出4种减排技术的优劣。

6　结论

本文引入了低碳效益的概念，即全寿命周期内某减排项目单位投资的碳减排量；然后以低碳效益最大化为目标函数建立风电、光伏电源、电动公交车充电站和电动私家车充电站的协调投资模型。通过算例分析可得如下结论：

1)风电一次投资成本低于光伏电源，发电小时数大于光伏电源；在风力充足且能保证较高风电并网率的情况下，为了提高投资的减排效率应优先投入风电。

2)电动公交车充电站因其利用小时数较高，且对应燃油公交车单位里程排放CO2较高；现在即可大量投入；电动私家车充电站因在初期利用率较低，充电负荷波动大，不宜马上大量投入，应随着未来火电厂碳排放因子减小、清洁能源投入的增加、电网主动控制能力的加强逐步放开投入。

3)电动汽车充电站的低碳效益与发电测电源结构有很大关系；减小火电厂碳排放因子，投入清洁能源可以增大电动汽车充电站的低碳效益。在某些主要以高耗能燃煤火电厂供电的地区，使用电动汽车仅相当于“以煤代油”，不能起到节能减排的作用；应在改善电源结构以后再投入使用电动汽车。

附　　录 附表1　相关基础数据 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，刘峻，等.低碳电力视角下的风电消纳问题[J].电力系统保护与控制，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]曹阳，黄越辉，袁越，等.基于时序仿真的风光容量配比分层优化算法[J].中国电机工程学报，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]施晓清，李笑诺，杨建新.低碳交通电动汽车碳减排潜力及其影响因素分析[J].环境科学，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]肖湘宁，温剑锋，陶顺，等.电动汽车充电基础设施规划中若干关键问题的研究与建议[J].电工技术学报，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，黄海丽，雷鸣，等.电动汽车充电与风电协同调度的碳减排效益分析[J].电力系统自动化，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]张学清，梁军，张利，等.计及风光电源的一种地区电网电动汽车充电调度方法[J].电工技术学报，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]刘文霞，赵天阳，邱威，等.规模化 EV 充电与风力/火电发电系统协调运行[J].电工技术学报，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]贾文昭，康重庆，刘长义，等.智能电网促进低碳发展的能力与效益测评模型[J].电力系统自动化，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.考虑电力系统低碳效益的配电网分布式发电系统最优配置方法[J].电网技术，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，郭创新，等.智能微网运行的低碳综合效益分析[J].电网技术，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]卢志刚，卢聪颖.碳捕集系统与风电协调投资的低碳效益分析[J].电网技术，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]谭忠富，吴恩琦，鞠立伟，等.区域间风电投资收益风险对比分析模型[J].电网技术，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，胡军峰，闫志涛，等.大规模风电入网辅助服务成本补偿机制研究[J].电网技术，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，曹阳，傅质馨，等.微电网的节能减排效益评估及其运行优化[J].电网技术，2012，36(8): 12-18.

Yuan Yue，Cao Yang，Fu 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]陈卫，杨波，张兆云，等.计及电动汽车充电站接入的配电网承载能力评估与优化[J].电工技术学报，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]张国亮.城市内和城市间电动汽车充电站的选址布局研究[D].天津：天津大学，2012.

[24]寇凌峰，刘自发，周欢.区域电动汽车充电站规划的模型与算法[J].现代电力，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，刘念，陈征，等.电动汽车光伏充电站的多目标优化调度方法[J].电工技术学报，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]刘自发，张建华.一种求解电力经济负荷分配问题的改进微分进化算法[J].中国电机工程学报，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]张跃，杨汾艳，曾杰，等.主动配电网的分布式电源优化规划方案研究[J].电力系统保护与控制，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，李钢，田刚.城市公交车在实际道路上的CO2排放特征[J].环境科学与技术，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

国家自然科学基金(61374098)和教育部高等学校博士学科点专项科研基金(20131333110017)资助项目。

2015-06-01改稿日期2015-09-10

TM721

卢志刚男，1963年生，教授，博士生导师，研究方向电力系统经济运行分析与控制。

E-mail：Zhglu@ysu.edu.cn(通信作者)

姜春光男，1990年生，硕士研究生，研究方向为电力系统低碳效益评估。

E-mail：jiangchunguang618@163.com