• 研究方法 [page::2]

- 结合序列聚类分析德国全国出行数据，生成私家与共享电动车的出行序列概率分布。
- 基于emobpy工具，合成不同车辆类型的电耗和电网可用时间序列。
- 使用DIETER电力系统模型进行容量规划及调度，评估电动汽车充电策略对系统成本及可再生能源消纳的影响。

• 汽车出行数据聚类特点及车队假设 [page::2][page::3][page::19]

| 位置类型 | 聚类数 | 每日平均行程次数 | 平均每日总行驶距离(km) | 平均单程路程(km) | 平均单程时长(分钟) |
|----------|--------|------------------|---------------------------|-------------------|---------------------|
| 大都市 | 6 | 2.1~3.9 | 10.6~410.3 | 5.5~249.2 | 14.1~343.7 |
| 大城市 | 6 | 2.3~3.9 | 13.4~407.2 | 6.2~256.2 | 14.5~438.7 |
| 中城市 | 6 | 2.5~4.0 | 13.2~340.6 | 6.0~228.5 | 13.0~375.0 |
| 小城市 | 6 | 2.5~3.9 | 14.0~328.5 | 6.4~215.2 | 12.5~485.6 |
| 农村 | 6 | 2.5~3.7 | 17.1~276.3 | 7.9~172.9 | 13.0~421.6 |
- 假设共享电动车拥有更大容量电池（约100kWh）以支持多次连续出行需求，私家车一般为58kWh。

• 场景设计及车队分布 [page::5][page::6]

| 框架 | 方案 | 私家车数(百万) | 共享车数(百万) | 替代车辆数(百万) | 总电池容量(GWh) | 整体电力消耗(TWh) |
|-------------|-----------|----------------|----------------|-----------------|-----------------|-----------------|
| 共享仅切换 | 低采纳 | 0.0 | 1.0 | 3.9 | 98 | 7.7 |
| 共享仅切换 | 高采纳 | 0.0 | 1.6 | 6.2 | 161 | 17.7 |
| 共享+其他车 | 低采纳 | 10.2 | 1.0 | 3.9 | 729 | 46.7 |
| 共享+其他车 | 高采纳 | 7.2 | 1.6 | 6.2 | 613 | 46.7 |
- 低采纳对应仅cluster 6切换共享车，高采纳为大都市cluster 3-6大范围共享。
- 按假设，切换不改变整体出行需求。

• 成本影响总结 [page::7][page::8][page::12][page::25]

- 切换到共享电动车导致电力系统成本略增，主框架增幅<110欧元/替代辆/年。
- 双向充电情景下成本上升最大，可达参考情景下2-3倍。
- 不受控充电时偶有成本下降，但该模式整体成本最高，非现实。
- 额外成本占整体系统成本比例1.5%-2.2%，替代车负载占比约1.1%-2.6%。
- 增加电力系统投资需求，主要用于风电、光伏及储能容量调整。

• 电力容量和发电结构变化 [page::8][page::9][page::26]

- 智能充电场景：风电容量小幅上升，光伏容量变化显著且受天气影响明显。
- 双向充电场景：风电容量下降，光伏容量和长期储能容量增加，天然气火电容量适度提升。
- 共享车替代私家车降低了车队长期储能及电网反充电能力，需更多固定储能及调峰能力。

• 充电与放电时序特征 [page::11]

- 共享车队充电放电模式多变，因车辆使用频繁充电窗口缩短。
- 共享车仍能在高可再生能源产出时充电，在需求高峰时释放电能，但幅度较私家车队小。

• 绿色氢能需求的影响 [page::10][page::12][page::35]

- 年产氢需求30TWh下，氢能电解负荷可提供系统灵活性，降低共享造成的成本增长。
- 添加氢需求使智能和双向充电的灵活性价值下降，成本增长幅度略缩小。
- 电力系统组合和成本变化对比基线无显著差异，彰显共享车影响结果的鲁棒性。

• 关键假设与局限 [page::12][page::13]

- 假设车辆出行需求不变，未考虑共享带来的出行减少或模式转移，实际成本增幅或更低。
- 同时假设乘车出行提前得知，具备完美预测能力，估计为共享和私家车灵活性的上限。
- 电池容量和充电站假设偏乐观，未来车队充放电能力可能受限，成本影响可能更大。
- 电力系统未考虑跨国互联及其他需求侧灵活性，结果为影响的上界估计。

• 社会经济视角 [page::13]

- 私家车外部成本估计约364欧/年以上，明显高于电力系统成本增量。
- 共享减少私车拥有潜力远大于带来的电力系统成本上涨，整体有利于社会福利。
- 共享运营商可能有动力优化车队管理，实现灵活收费与充电以降低运营费用。

金融研究报告详尽分析报告

---

1. 元数据与概览

报告标题：《Impacts of electric carsharing on a power sector with variable renewables》（电动汽车共享对可变可再生能源主导电力部门的影响）

作者：Adeline Guéret，Wolf-Peter Schill，Carlos Gaete-Morales

发布机构：DIW Berlin（德国经济研究所），Technische Universität Berlin，OFCE - Sciences Po Paris

发布日期：未具体标明，但内容涵盖到最新的2024年研讨会

主题：电动汽车共享对未来可再生能源主导电力系统的影响，聚焦于德国2030年电力系统情景的模拟与成本分析

核心论点：随着电动汽车(BEVs)的普及及电动汽车共享的兴起，这种转变对电力系统的灵活性和成本结构会产生何种影响？本研究通过数据驱动和电力系统建模，探讨了电动汽车共享对于电力系统中可变可再生能源（vRES）的集成影响。结论表明，电动汽车共享会降低车队提供给电网的灵活性，导致电力系统成本适度上升，但总体影响有限，电动汽车共享经营的车队依然能较好地与可变可再生能源匹配，支持电力系统的绿色转型。主场景下，每替代一台私人电动车换为共享电动车，额外产生的电力系统成本不足110欧元/年。[page::0,1]

---

2. 逐节深度解读

2.1 摘要与介绍

• 电动车普及和共享的双重趋势

电动车被视为减少交通部门温室气体排放的核心战略，但仅电气化无法解决交通的全部负面外部性，减少车队规模亦十分关键。电动汽车共享（carsharing）通过缩减总车辆量，同时满足出行需求，有望改善城市空间占用，并促进电动车扩散。

• 挑战：灵活性降低

由个人拥有的BEVs具备较强的充电灵活性，可与电网协调充放电，帮助平抑可再生能源的间歇性和波动性，减少峰值负荷和储能需求。但共享车辆因使用频率更高、待机时长短，带来较低的充电灵活性和更小电池容量总和，从而可能弱化电动车带来的电网灵活性贡献。

• 研究目标

量化探讨替换私人BEVs为共享BEVs对德国2030年高可再生能源渗透（约85%）电力系统的影响，结合三种定量方法：（1）基于德国Mobilität in Deutschland（MiD）调查的行驶行为序列聚类；（2）emobpy工具合成电动车驾驶与充电时间序列；（3）DIETER电力系统容量扩张和调度模型，分析功率系统成本、发电组合、调度变化等。[page::0-1]

2.2 方法论（第2章）

2.2.1 三步方法框架

• Step 1: 利用MiD调查数据进行车行程序列聚类，获得私家车和共享车的出行概率分布，细分为不同城市等级、时间类型等。
• Step 2: 使用emobpy合成基于簇特征的电动车电耗与系统连接时序（5分钟分辨率），设定共享BEVs容量较大(100kWh)以应对高频出行。
• Step 3: 将时间序列输入DIETER模型，模拟2030年德国电力系统（假设电气岛模式，新能源占比85%），考察不同车队规模、充电策略（不受控、智能充电、双向充放电）下的发电成本与容量扩展。[page::2-4]

2.2.2 车行程数据处理

• 数据来源为2017年MiD调查，涵盖31.6万个人、15.6万户家庭，处理去除了乘客行程、存在时间重叠的异常数据，最终355,136条车程信息。
• 将行程重塑为288个5分钟时间段的序列，每段标记状态“静止”或“行驶”，通过层次聚类（HAC算法、Levenshtein距离）划分6个用车簇，对应用户日行驶距离和平均行程差异明显，如簇6日均行驶11公里、簇4日均50公里。
• 根据城市等级归类聚类，有别于大都市、农村区域，体现不同地区交通行为差异（城市中拥堵增加平均行程时长）。[page::2-3]

2.2.3 合成BEV时间序列与参数假设

• shared BEVs假设替代率为5，意指1辆共享车替代约5辆私家车，较文献保守。共享车行驶频次分布由私家车转换，去除某些条件依赖，且电池容量取100kWh，私家车58kWh。假设所有共享车均能找到75 kW充电桩充电。
• 时间序列合成包括每天车程次数、出发时间、行驶距离与时长等联合概率分布，weekday和weekend分开计算，保证时序数据覆盖一周。
• DIETER模型中假设2030年总BEV车队1500万辆，分布按城市等级、簇的比例布局。剔除长途簇约2.4%，假定长途电动车行驶不频繁。模型还设定供热系统（750万供热泵）和绿氢生产（30TWh电力需求）场景，涵盖电力系统负荷交错。[page::3-5]

2.2.4 场景设计

• 两大分析框架：“Shared only”（仅替代部分BEV为共享车）与“Shared + other BEVs”（共享车加上剩余私家车共存），后者更贴近现实。
• 低高采纳率两个场景：低采纳仅簇6（短途低用车）车辆共享，高采纳则大都市多簇车辆共享，小城镇仅簇6共享，农村无共享。替代车辆分别约3.9M和6.2M。共享车在车队中的占比（百分比）分别8.7%-17.9%等。
• 各场景均设置不同充电策略（不受控、智能、双向），充电策略全车队统一，便于比较极端情况。[page::5-6]

---

2.3 结果分析（第3章）

2.3.1 电力系统成本影响（图3）

• 代替私家车为共享车普遍增加电力系统成本，主框架（Shared + other BEVs）中，每替代一辆车成本增加不超过110欧元/年，约占total sector costs的1.5%；“Shared only”框架增幅更高2.2%。
• 不受控充电下，反而略降成本，因共享车充电时间错开减轻部分供电峰值压力，但整体仍是成本最高充电策略，且不现实。
• 智能和双向充电场景成本较低，且在共享采纳越高成本增幅越大，双向充电情形下成本增幅为智能充电的2-3倍。
• 共享车削弱了私人车提供的电网灵活性，后者提供的负荷调节能力减少导致发电厂投资及运行成本上升。
• 由于共享车更频繁使用，充电时间受限，导致其充放电灵活性较差，这在双向充电情景下导致成本提升更加明显。[page::7-8]

2.3.2 发电能力与调度变化（图4、图5）

• 智能充电场景中，电力系统发电结构变化较小，略微增加了2 GW陆上风电和部分光伏容量，具体依赖年际气象差异。
• 双向充电下，风电容量反而减小，光伏容量增加。原因为私家车电池储能容量大，尤其有助于缓和风电的时间尺度更长波动，替换为共享车后电池容量总和减少，更倾向以光伏调节短期波动。
• 伴随共享车替代，系统中长期储能建设增加（长时储能容量增长0.5-7.5GW），天然气CCGT及OCGT备用容量提升，但发电量仅CCGT增加明显，OCGT多为备用，发电变化较小。
• 共享车降低了车队的灵活储能能力，因此系统被迫增加固定发电、储能等资源维持供需平衡。
• 因此，电力系统碳排放略有增加，绿能比例小幅下降（~1-2%）。[page::8-10]

2.3.3 BEV充放电灵活性（图6）

• 共享车依然能按需配合电网电力充放电，尤其在高生产（负剩余负荷）与需求峰值（正剩余负荷）期间提供调节。
• 但共享车车队的充放电持续时间和容量均比私人车车队更低，灵活性减弱明显，充放电模式更为波动，充电间隔较短，导致“空档”存在。
• 这影响其对电网峰谷调节的贡献，但整体仍有一定的支持作用。[page::11]

2.3.4 绿氢系统耦合影响

• 额外加入30TWh绿氢工业需求作为灵活负荷减少了BEV灵活充电的需求弹性，电力系统对BEV灵活性依赖减弱，降低了共享带来的成本增幅约4-6%。
• 绿氢需求灵活可调，更多依赖廉价可再生电力，影响系统发电结构和成本。
• 但若新能源比例硬约束，则绿氢反而与智能充电或V2G竞争廉价电力，导致成本影响加剧。
• 绿氢在某种程度上可补偿共享车辆灵活性下降的系统效应。[page::12]

---

3. 图表深度解读

3.1 图1（方法流程图，page 2）

• 展示整合三大矩阵的方法：

- 序列聚类：处理MiD行程数据，获取私有与共享BEV的出行概率分布。

- emobpy：生成包含行驶、耗电、插电可用性（功率等级）和负荷等时序数据。

- DIETER：基于上述时序数据，进行电力系统容量扩容、调度优化，输出系统成本和发电组合。

• 明确各方法依赖假设和参数，为后续分析数据基础打牢。[page::2]

3.2 表1（BEV分布，page 5）

• 列出按城市类别（大都市至乡村）和出行簇（3至6簇）对1500万BEV分布的假设，最高集中在簇6（短距离低频用车）和中小城市。
• 表明BEV车队多样性和地域空间分布，剔除特别长途簇，有助于模拟日常用车行为和充电需求。[page::5]

3.3 表2（BEV规模与特征，page 6）

• 对比“Shared only”与“Shared + other BEVs”两框架下不同共享采纳率（低/高）的车数分布、私家车与共享车数量、总电池容量和电力消耗。
• 反映共享车替代率及车队总电容量的变化。例如共享车电池容量总量大幅减少，负荷保持不变，显示共享背后更高使用率和灵活性降低的矛盾。
• 对应能源系统调度输入和成本计算基础。[page::6]

3.4 图3（电力系统成本，page 7）

• 左图为不同充电策略下基准场景（无共享）的系统总成本，三个条形接近450亿欧元。
• 右图为相对于基准，低/高采纳率共享情境的系统成本变化：

- 不受控充电可能带来成本负增长（降低）。

- 智能充电下成本轻微增加（约2-3亿欧元）。

- 双向充放电成本增幅最大（0.4亿欧元以上），对应95-110欧元/车。

• 该图直观展示共享替代对系统成本中度影响，且与充电灵活性密切相关。[page::7]

3.5 图4（发电结构变化，page 9）

• 左侧两竖柱为智能与双向充电基准电力容量组合，均有近450 GW容量。
• 右侧堆积图表示相对基准，在不同采纳率下共享的影响：

- 智能充电场景下，共享带来较小容量变化，海上风略增，光伏变化较大但整体增加。

- 双向充电下，光伏增加显著（高采纳达近6 GW），而海上风减少（约4-6GW），天然气容量尤其是CCGT较大增长，长周期储能容量也增加。

• 表明共享电动车队灵活性降低导致电力系统宽时变动调节能力减弱，需靠固定容量补充。[page::9]

3.6 图5（年度发电量变化，page 10）

• 左双柱为智能和双向充电基准时各发电技术年度发电量，右侧堆积图表示与基准的差异。
• 共享替代增加天然气发电，特别是CCGT，降低风电和光伏的发电占比。
• 总体已体现系统碳排放小幅上升趋势。[page::10]

3.7 图6（BEV充放电与剩余负荷，page 11）

• 通过夏季（上图）和冬季（下图）典型区段展示电网剩余负荷与电动车充放电动态。
• 蓝色曲线为基准智能及双向充电充放电，紫色为共享车充放电。可见共享车充电时段更分散，次数更频繁但时长更短。
• 共享车弹性降低导致其对电网负荷调节的支持空间减少，但整体依然能够合理协调充放电助力新能源集成。
• 充放电与剩余负荷的时变关系说明BEVs仍然是有效的可调资源，但共享车限制这调节潜能。[page::11]

---

4. 估值分析

本文核心估值依据为电力系统建模结果，呈现为不同场景下电力系统投资和运行成本。

• 方法：采用线性规划优化模型DIETER，对不同功率容量和调度路径定价，综合燃料成本、资本回报和变动成本，求解最优的发电和储能配置。
• 关键假设：2030年德国电力系统假设高达85%可再生能源，且不同充电模式代表了灵活性的不同边界条件。新能源汽车总数及共享车比例为外部输入，驱动系统负荷成长及灵活性供给。
• 估价表现：共享车辆比例越高、充电越灵活（特别是双向放电）时，灵活资源减少导致系统成本提升更明显，约增1.5%-2.2%。成本增幅与电动车的电池容量减少和充电时长减少直接相关。
• 灵敏度分析：不同气象年和技术成本变量对结果影响有限，模型稳定性较高；绿氢需求作为灵活负荷加入稍微降低共享成本增幅。[page::3,7-12,36-43]

---

5. 风险因素评估

• 行为和技术不确定性：假设车辆拥有者和运营商具备完美的行程和负荷预测能力，实际中用户行为的不确定性可能降低灵活充放电潜力，报表本身承认该假设可能过于乐观。
• 共享车辆电池容量与充电基础设施假设：假定共享BEV电池较大且与充电桩匹配较好，若实际车辆电池容量较小或充电点不足，灵活性和替代率会进一步降低。
• 车队替代率波动：研究以5辆私家车替代1辆共享车为基础，但实际可能介于8-20或更多，政策设计对实现有效替代率关键，若替代率低则社会成本效益减弱。
• 交通需求不变假设：假定车使用需求不因共享而变化，现实中共享车可能减少总车辆行驶里程，叠加不同行为改变影响，进而影响电网负荷灵活性。
• 系统灵活性限制：模型作为电力系统孤岛，未纳入邻国电网及其他需求侧灵活资源，故成本升幅可能为上界估计。
• 建模缩写和参数限制：样本及模型规模限制了对车队多样性的完全模拟和对变电站层面的网络瓶颈考虑，可能造成灵活性估计不完全精确。[page::12-14]

---

6. 批判性视角与细微差别

• 报告谨慎保守，设定了合理但略显乐观的参数，如共享车电池容量100kWh和充电桩75kW覆盖假设，可能高估共享车灵活性。
• 完美前瞻的行为假设对灵活性提供上限，实际上用户和运营商无法完全预测未来行程，灵活优化存在实际不确定性。
• 充电策略全车队统一分析虽然简化问题，但忽略了混合充电策略可能对成本和灵活性的复杂影响。
• 替代率假设和交通需求不变假设未结合潜在的行为改变（如减少出行），可能过度高估灵活性下降和系统成本增加。
• 报告未涉及共享电动车对汽车产业供应链或电池资源需求的可能影响，尽管提及部分外部影响需进一步研究。
• 研究重点在德国，结果对其他电力系统和交通结构可能需谨慎推广。

---

7. 结论性综合

本报告系统分析了电动汽车私人拥有向共享转型对高比例可再生能源背景下电力系统的影响。核心发现如下：

• 成本影响：替代共享电动汽车会降低车队的电力系统灵活性，导致系统发电投资及运行成本增加，但增幅适中，最高约110欧元/替代车·年，且相对于整个电力系统成本占比有限。
• 资源配置变化：灵活性较强的私家车提升了风电集成和储能需求优化，替代为灵活性较低的共享车后，光伏容量增加，风电容量减少，天然气和长期储能容量上升，电力系统碳强度略微提高。
• 充放电能力：共享车电池因使用频繁导致可用充放电时长下降，灵活性减弱；但在智能及双向充电模式下，仍能较好地跟随可变可再生能源输出进行充放电。
• 系统灵活性边界：智能和双向充电是理想化充电策略，不受控充电虽成本高但共享可能略有缓解峰谷压力。绿氢需求增加系统灵活负荷，有助部分抵消共享电动车灵活性降低的影响。
• 行为与政策建议：共享车作为交通及能源系统规划重要组成部分，政策应促进车队灵活充放电能力，支持共享替代率提升，同时关注交通行为变化以实现更优减排和效率增益。
• 从社会成本角度，减少私家车保有量带来的环境效益远大于电力系统成本提升，表明共享电动车推广符合整体社会福利最优化。
• 本研究为公共决策者和电力系统规划者提供科学依据，强调支持电动车共享发展的同时应同步着力提升电网灵活性。

---

参考文献与数据完整性

报告详细列出丰富的文献支持和前人研究基础，数据和代码公开透明，采用开源模型和真实的德国全国调查数据，确保结果的可信度和可复现性。

---

总体评价

本报告基于扎实的实证数据和建模技术，深入探讨了电动车共享对未来电力系统的潜在影响，展现了电力系统灵活性与电动车使用模式之间的复杂关系。报告分析全面，图表丰富，提供详尽的场景设计和敏感性检验，保持理性客观并明确指出不确定性和局限。其研究结论对于规划交通电气化和电力系统的协调发展具有重要参考价值。

---

（全文依据页码[page::0]至[page::43]的内容编写）

报告