1.配電網能源轉型規(guī)劃研究
睿博能源智庫（RAP）、Agora Energiewende和Agora Verkehrswende分析總結了配電網能源轉型規(guī)劃研究的結論，聚焦電動汽車，并提供了更廣泛的思考。由Navigant、Kompetenzzentrum Elektromobilit?t和RE-xpertise承擔了本項研究。有關研究的主要結果詳見下文圖1。在配電方面，能源轉型面臨兩大挑戰(zhàn)：一方面在天氣條件較好，大量的太陽能和風能并網時，就會出現電力峰值。另一方面伴隨著同時性因素和功率變化，熱泵和電氣化交通導致峰值負荷增加。因此，電網峰值容量需要滿足需求的增長。從傳統(tǒng)電網規(guī)劃的角度來看，這三個驅動因素—可再生能源的并網，來自熱泵以及電動車輛的額外需求—表明需要擴大配電網。
然而，所謂的“智能充電”的電動汽車可以幫助減少電網峰值負荷，反過來，延遲或避免電網擴展的需要。因此，充電過程應該轉換到有利于電網的次數，以確保更好地利用電網容量。
由于這三個驅動因素（額外的可再生能源、電氣化數字加熱和電動汽車）交織在一起，不能確定成本驅動因素需要多大程度的電網擴張。雖然電氣化交通是研究項目的重點，所有關于投資要求的研究結果均適用于3個驅動因素。
除了有管理的電動汽車的充電潛力之外，這項研究還考察了交通轉型對電網擴張需求的影響。我們所說的交通轉型，是指更廣泛的向公共和共享汽車的轉變，而不是以私家車為基礎的交通。
因此，研究假設乘客行走公里數維持不變，而公共交通、共享汽車、騎單車和步行增加，以及私家車出行減少。
這個研究項目解決了以下問題：
1.需要對低壓和中壓電網的線路和變壓器進行哪些投資，以促進電力、熱力和交通領域的能源轉型？
2.電動汽車的電網友好充電在多大程度上減少了電網擴張的需求和相關的投資？
3.交通轉型對增加公共交通、騎自行車、步行和共享汽車選擇有何影響？
4.為電動汽車充電需要什么樣的監(jiān)管框架？
研究人員首先為2030年和2050年電網擴張的三個驅動因素的發(fā)展設定了方案。然后，他們基于這些假設開發(fā)了一個模型，計算了電力、熱力和交通部門的轉型在不同情景下的影響。由此提出的智能充電收費建議旨在確定如何實現投資需求的減少。
2.建立未來投資需求模型的兩種設想方案和假設
在模擬配電網能源轉型的未來發(fā)展時，研究人員考慮了兩種完全不同的交通系統(tǒng)情景。
在“延續(xù)目前的交通系統(tǒng)”的方案中，構成德國運輸能力的不同交通模式的份額沒有變化。結果是目前德國4500萬輛客車的電氣化。2030年，600萬到1500萬輛電動汽車被認為是“市場增長”，到2050年，將有4500萬輛電池電動汽車進入“全面電氣化”階段。根據完全電氣化的方案，假設2030年電氣化的速度就是電動汽車在客車中所占的份額，目前在德國注冊的80000輛公交車中，有6,000輛將在2050年完全使用電池電動車。
在第二種情況下，“交通轉型”，3000萬輛電動汽車和60000輛全電動公交車被認為構成了“全電氣化”。
我們進一步假設2030年65%的電力消費是由可再生能源提供的，正如德國政府制定的目標，就是到2050年達到100%。2030年可再生能源的份額，我們假設88%將來自風能，太陽能，生物質能和水力發(fā)電，剩下的12%由燃氣發(fā)電廠產生的合成綠色氣體提供。圖2顯示太陽能光伏和陸上風電的裝機容量。到2030年，熱泵的總裝機容量為13GW，到2050年為17GW。在我們的模型中只考慮中低壓電網。
圖2 情景概述
除了車輛的數量，關于充電的數量和性能的假設對模型的建立也很重要。此外，這種額外負荷的同步峰值決定了結果：高同步因素導致（新的）負荷峰值和更高的配電網擴張需求。我們研究所模擬的大部分充電點都接至低壓電網，同步峰值相對較低，例如在家中和工作時。私家車的同步峰值是用蒙特卡羅方法來確定的，它映射了私家車的典型用例。對于假設使用的重合因素的詳細描述，請參閱完整的研究。
正如所展示的，對電網友好的充電降低了同步因素，隨之而來的是峰值負荷，從而降低了對電網擴張的需求。
在建模方面，充電行為和標準是根據以下三種情況確定的：
1、非控制充電
2、智能充電
3、智能充電+
由于非控制充電，汽車一到充電點就直接連接到電網充電。一旦出行所需的能量得到補充，或者只是在車輛再次離開時（充電完畢），充電過程就完成了。該模型中假定的到達、出發(fā)時間和出行距離是基于德國聯邦交通和數字基礎設施部進行的一項研究—德國的交通。
智能充電還假定充電是用戶的偏好。這不同于非控制的充電情況，車輛停放時充電可以在時間框架內轉移。這使得消費者可以避開需求高峰，并且電網利用率可以在非高峰期間增加。然而，這種充電方案仍然需要在車輛停放時進行充電ー因此峰值負荷仍然會出現。
智能充電+進一步改善了車輛停放時的充電行為，以進一步降低剩余的負荷峰值。這個場景假設一個驅動程序，或者一個優(yōu)化應用程序（軟件），有足夠的信息來決定在以后的時間里將電池充電到所需的水平是否更具成本效益。這樣可以優(yōu)化多種用途和停車時段的充電過程。因此，用戶不會受到任何峰值需求上限的影響，而智能充電+比智能充電更能平滑電網負載。作為最后的選擇，如果電網環(huán)境不能支持收費，這種情況允許最高達到年峰值需求的3%。例如，在這種情況下，用戶將不得不放棄他或她的私人充電點，使用（公共）快速充電站。
第四章探討了在不影響電動汽車駕駛者的需求和舒適度的前提下實現這種優(yōu)化充電的最佳監(jiān)管框架。
圖3 通過智能充電減少配電網累計投資需求
