當(dāng)前我國(guó)配電網(wǎng)正面臨如何在保證電力安全、可靠供應(yīng)的前提下實(shí)現(xiàn)低碳減排、能源效率提升和電力可持續(xù)發(fā)展等挑戰(zhàn)，這使得配電網(wǎng)中新能源的比例不斷提升。然而，新能源的間歇性和波動(dòng)性不可避免地給電網(wǎng)帶來(lái)一些經(jīng)濟(jì)和安全風(fēng)險(xiǎn)。為解決這些問(wèn)題，具有快速響應(yīng)能力的儲(chǔ)能技術(shù)被認(rèn)為是一種很有前景的技術(shù)，配置儲(chǔ)能成為電網(wǎng)實(shí)現(xiàn)新能源消納和維持穩(wěn)定運(yùn)行的主流發(fā)展路徑。儲(chǔ)能在配電網(wǎng)中能夠提供多種輔助服務(wù)，而輔助服務(wù)效果很大程度上取決于投資規(guī)劃的決策結(jié)果。

針對(duì)配電網(wǎng)儲(chǔ)能的投資規(guī)劃(即選址與定容)問(wèn)題已有廣泛研究。在目前研究中通常會(huì)考慮儲(chǔ)能在配電網(wǎng)中的多種應(yīng)用場(chǎng)景，如降低網(wǎng)絡(luò)損耗、提供電壓支撐、緩解線路傳輸堵塞、提高電能質(zhì)量等。此外，也有部分研究考慮配電網(wǎng)儲(chǔ)能向輸電網(wǎng)提供輔助服務(wù)(如分時(shí)電價(jià)激勵(lì)下實(shí)現(xiàn)削峰填谷)，以最小化運(yùn)行成本為目標(biāo)，挖掘儲(chǔ)能的經(jīng)濟(jì)效益。然而，很少有儲(chǔ)能規(guī)劃研究考慮電動(dòng)汽車的影響。

電動(dòng)汽車(electric vehicles，EV)日益普及，其對(duì)電網(wǎng)的影響以及可控能力與調(diào)控方法越來(lái)越受到人們關(guān)注。對(duì)配電網(wǎng)管理、運(yùn)營(yíng)而言，具有小容量、分散式、大規(guī)模的電動(dòng)汽車難以有效調(diào)度。這是因?yàn)榇罅侩妱?dòng)汽車直接參與電力市場(chǎng)或系統(tǒng)調(diào)度，會(huì)產(chǎn)生高維優(yōu)化問(wèn)題，進(jìn)而帶來(lái)沉重的計(jì)算負(fù)擔(dān)和通信開銷。為應(yīng)對(duì)這一問(wèn)題，電動(dòng)汽車集群將作為一個(gè)聚合整體參與調(diào)度。針對(duì)電動(dòng)汽車聚合模型的研究，文獻(xiàn)[17]提出一種基于數(shù)據(jù)驅(qū)動(dòng)的電動(dòng)汽車聚合方法，將各類充電站(charging stations，CS)建模為虛擬儲(chǔ)能參與電網(wǎng)輔助服務(wù)；文獻(xiàn)[18]將電動(dòng)汽車聚合模型近似為等效儲(chǔ)能模型，利用自回歸積分移動(dòng)平均模型預(yù)測(cè)等效儲(chǔ)能模型參數(shù)。然而，這些模型具有較高復(fù)雜程度，并且未利用歷史實(shí)際充電數(shù)據(jù)，無(wú)法應(yīng)用于配電網(wǎng)規(guī)劃中。因此，適用于配電網(wǎng)規(guī)劃的EV聚合模型，以及考慮EV聚合可行域和新能源(與剛性負(fù)荷)隨機(jī)性的低碳配電網(wǎng)儲(chǔ)能配置方法有待研究。

綜上問(wèn)題與研究，本文提出考慮電動(dòng)汽車聚合調(diào)控的配電網(wǎng)儲(chǔ)能優(yōu)化配置方法。首先，計(jì)及抵達(dá)時(shí)間、離開時(shí)間和期望電量等特征參數(shù)刻畫單個(gè)電動(dòng)汽車的運(yùn)行域，進(jìn)而基于電動(dòng)汽車閔可夫斯基和得到充電站的精確運(yùn)行域和二階近似實(shí)用模型。然后，建立由理想儲(chǔ)能、等效電阻和無(wú)功補(bǔ)償組成的儲(chǔ)能模型，該模型將儲(chǔ)能充放電效率用等效電阻代替，避免了充放互補(bǔ)約束帶來(lái)的計(jì)算負(fù)擔(dān)。隨后，提出嵌入充電站二階近似實(shí)用模型的儲(chǔ)能配置方法，采用基于K-Medoids聚類的場(chǎng)景生成算法處理新能源和負(fù)荷的不確定性，采用Benders分解算法處理儲(chǔ)能規(guī)劃-運(yùn)行兩階段優(yōu)化問(wèn)題。最后，算例以改進(jìn)IEEE-33節(jié)點(diǎn)配電系統(tǒng)為例進(jìn)行分析，結(jié)果驗(yàn)證了所提方法的有效性。

1 充電站可調(diào)能力建模

1.1 電動(dòng)汽車充電可行域

電動(dòng)汽車(EV)作為一種良好的移動(dòng)儲(chǔ)能單元，其響應(yīng)行為受到電池類型、汽車類型、用戶交通出行規(guī)律和充電方式等因素的影響。通過(guò)對(duì)電動(dòng)汽車響應(yīng)行為影響因素的分析，可歸納出幾個(gè)關(guān)鍵參數(shù)。EV的關(guān)鍵參數(shù)包含容易獲取的額定功率和充電效率，以及具有較強(qiáng)隨機(jī)性的抵達(dá)時(shí)段、離開時(shí)段和需充電量。單體電動(dòng)汽車的模型如下。

圖1單個(gè)電動(dòng)汽車的運(yùn)行域

1.2 充電站調(diào)控可行域

1.2.1 精確的充電站可行域一座充電站的可調(diào)能力是由多臺(tái)電動(dòng)汽車的靈活充電能力組成，即充電站運(yùn)行可行域?qū)嶋H上是所有電動(dòng)汽車個(gè)體可行域的閔可夫斯基和(Minkowski sum)。閔可夫斯基和的計(jì)算可轉(zhuǎn)換為可行域的投影問(wèn)題：調(diào)度周期內(nèi)的個(gè)電動(dòng)汽車可行域構(gòu)成了維歐氏空間中的多面體。該多面體在維空間的投影計(jì)算采用傅里葉-莫茨金消元法(Fourier-Motzkin elimination，F(xiàn)ME)。基于電動(dòng)汽車單體可行域即式(1)～(6)，通過(guò)FME法可得到精確的充電站可行域。基本思路為：首先，將消除所有的定義為FME法的消除步驟；然后，對(duì)多臺(tái)電動(dòng)汽車可行域的初步表達(dá)式進(jìn)行FME消除步驟，并將得到的約束進(jìn)行分類，分別討論各類約束的冗余性；最后，去除冗余約束并重構(gòu)剩余約束，得到充電站精確可行域的數(shù)學(xué)通用形式如公式(7)。

圖2系數(shù)向量的變化

式(7)～(12)構(gòu)成了充電站通用的精確可行域。除無(wú)效情況以外，式(7)表示充電站在所有時(shí)間區(qū)間的任何非空集合的能量變化應(yīng)該受到上邊界和下邊界約束。對(duì)于某個(gè)時(shí)間段的集合(即圖2路徑)，式(8)和式(10)表示每個(gè)電動(dòng)汽車電量變化上限的線性疊加，即充電站的能量變化上邊界；式(9)和式(11)表示每個(gè)電動(dòng)汽車電量變化下限的線性疊加，即充電站的能量變化下邊界。結(jié)合圖2可知，充電站的精確可行域包含條有效約束(最左邊的路徑為無(wú)效路徑)。該模型的復(fù)雜程度與電動(dòng)汽車數(shù)目無(wú)關(guān)，僅與調(diào)度時(shí)刻數(shù)目有關(guān)，這有利于處理大規(guī)模電動(dòng)汽車聚合問(wèn)題。

雖然充電站精確可行域模型的復(fù)雜程度不會(huì)隨電動(dòng)汽車聚合數(shù)目的增加而增加，但條有效約束仍會(huì)帶來(lái)巨大的計(jì)算負(fù)擔(dān)。因此，需權(quán)衡模型的復(fù)雜性和準(zhǔn)確性，合理簡(jiǎn)化模型進(jìn)而得到實(shí)用的充電站近似可行域。

1.2.2 實(shí)用的充電站二階近似模型

選擇不同的路徑可實(shí)現(xiàn)充電站精確可行域模型的近似。對(duì)式(7)進(jìn)行簡(jiǎn)化，得到二階近似模型如下：

為進(jìn)一步檢驗(yàn)充電站二階近似模型的實(shí)用性，以某省電網(wǎng)充電服務(wù)記錄數(shù)據(jù)(電動(dòng)汽車數(shù)據(jù)包含充電服務(wù)開始時(shí)間、結(jié)束時(shí)間和總充電量)為例進(jìn)行說(shuō)明，結(jié)果如圖3所示。以每輛電動(dòng)汽車單獨(dú)建模進(jìn)行削峰填谷優(yōu)化的計(jì)算結(jié)果為標(biāo)準(zhǔn)，采用二階近似模型計(jì)算得到的實(shí)時(shí)電量曲線的均方誤差(MSE)較小，特別當(dāng)電動(dòng)汽車聚合超過(guò)50輛時(shí)，誤差基本為0。在求解時(shí)間上，二階近似模型均在0.5 s以內(nèi)，且計(jì)算復(fù)雜程度不會(huì)隨著電動(dòng)汽車數(shù)目的增加而增加。這說(shuō)明充電站二階近似模型實(shí)現(xiàn)了負(fù)荷聚合準(zhǔn)確性與復(fù)雜性之間的權(quán)衡，可進(jìn)一步應(yīng)用于考慮電動(dòng)汽車充電站調(diào)控的配電網(wǎng)儲(chǔ)能規(guī)劃研究。

圖3充電站二階近似模型的性能

2 基于等效電阻的儲(chǔ)能模型

儲(chǔ)能的充電損耗和放電損耗通過(guò)在電網(wǎng)潮流計(jì)算方程中添加虛擬支路來(lái)表示，虛擬支路的電阻表征了儲(chǔ)能在充放電過(guò)程中的能量損耗特性。也就是說(shuō)，儲(chǔ)能模型由理想儲(chǔ)能、等效電阻和無(wú)功補(bǔ)償組合而成，結(jié)構(gòu)如圖4所示。這樣的建模方式避免了引入二進(jìn)制變量或其他類型的松弛，有利于提高模型的求解效率和精度。

圖4基于等效電阻的儲(chǔ)能模型結(jié)構(gòu)

3 儲(chǔ)能配置方法

儲(chǔ)能配置旨在確定最優(yōu)的儲(chǔ)能接入位置和接入容量，即選址與定容。所提儲(chǔ)能配置方法框架如圖5所示，包含基于K-Medoids聚類算法的場(chǎng)景生成和基于Benders分解算法的儲(chǔ)能優(yōu)化配置。

圖5儲(chǔ)能配置方法框架

基于K-Medoids聚類的場(chǎng)景生成是為了處理不確定性，使儲(chǔ)能選址與定容的決策考慮整個(gè)規(guī)劃周期內(nèi)配電系統(tǒng)的運(yùn)行情況。假設(shè)每年產(chǎn)消功率以恒定速率增長(zhǎng)(產(chǎn)消功率定義為用戶節(jié)點(diǎn)的功率凈值，即負(fù)荷功率與自發(fā)電功率的差值)，將規(guī)劃年的全年時(shí)序變化聚類為幾個(gè)典型日，則產(chǎn)消功率的不確定性(是由負(fù)荷和新能源的隨機(jī)性造成的)可由每個(gè)典型日下的多個(gè)運(yùn)行場(chǎng)景及其概率來(lái)刻畫?；贐enders分解算法的儲(chǔ)能優(yōu)化配置是一個(gè)兩階段決策問(wèn)題：第一階段決策儲(chǔ)能位置0～1變量和容量連續(xù)變量；第二階段模擬典型日下的優(yōu)化運(yùn)行，決策儲(chǔ)能和充電站的功率變量。

3.1 基于K-Medoids聚類的不確定性處理

產(chǎn)消功率的不確定性本質(zhì)是負(fù)荷和新能源出力的不確定性。本工作采用基于場(chǎng)景的隨機(jī)優(yōu)化方法，使優(yōu)化問(wèn)題計(jì)及產(chǎn)消功率不確定性，進(jìn)而實(shí)現(xiàn)負(fù)荷和新能源隨機(jī)性的刻畫。隨機(jī)優(yōu)化解的質(zhì)量在很大程度上取決于子集中的場(chǎng)景能在多大程度上保留原始場(chǎng)景集的概率特性。在已有的一些場(chǎng)景削減研究中，最小典型場(chǎng)景數(shù)目的確定通常是基于目標(biāo)值在不同典型場(chǎng)景數(shù)下收斂趨勢(shì)的后驗(yàn)判斷。為簡(jiǎn)化方法步驟，本工作采用圖6所示的算法來(lái)先驗(yàn)地獲取能夠近似描述不確定性分布函數(shù)的最小典型場(chǎng)景數(shù)目。定義向量用于表達(dá)生成的場(chǎng)景(包含負(fù)荷和新能源功率的時(shí)序變化)。首先，為隨機(jī)變量構(gòu)造累積分布函數(shù)(cumulative distribute function，CDF)，==。代表累積分布函數(shù)的逆函數(shù)。

圖6規(guī)劃場(chǎng)景生成算法

3.2 基于Benders分解的儲(chǔ)能兩階段優(yōu)化配置

3.2.1 第一階段——儲(chǔ)能的選址與定容通常儲(chǔ)能配置以成本最小或收益最大為優(yōu)化目標(biāo)，這類建模方法雖然描述了儲(chǔ)能全生命周期內(nèi)的經(jīng)濟(jì)性，但忽略了儲(chǔ)能分時(shí)套利對(duì)電網(wǎng)潮流時(shí)空均衡程度的影響，也就是說(shuō)配置較大容量的儲(chǔ)能進(jìn)行分時(shí)套利可能會(huì)造成反調(diào)峰問(wèn)題(如原先負(fù)荷曲線的平段變?yōu)榉宥?，或者峰段變?yōu)楣榷?。因此，本工作建立計(jì)及潮流分布均衡度指標(biāo)的目標(biāo)函數(shù)，同時(shí)在配置模型中嵌入利潤(rùn)機(jī)會(huì)約束以保證儲(chǔ)能生命周期內(nèi)的收益大于投入成本。

第一階段優(yōu)化問(wèn)題的約束包含利潤(rùn)機(jī)會(huì)約束和配置容量范圍約束。利潤(rùn)機(jī)會(huì)約束用于保證儲(chǔ)能配置的經(jīng)濟(jì)效益，即儲(chǔ)能投入成本不應(yīng)高于其帶來(lái)的收益，機(jī)會(huì)約束如式(27)所示，其確定性等價(jià)約束見式(28)。儲(chǔ)能配置的容量范圍約束見式(29)，其用于描述儲(chǔ)能建設(shè)受到空間可用性或土地使用政策的限制。

第二階段配電網(wǎng)運(yùn)行模擬問(wèn)題可寫為如式(45)所示的數(shù)學(xué)一般形式?；贐enders分解算法的儲(chǔ)能規(guī)劃模型需要在每一輪迭代時(shí)由第二階段向第一階段提供最優(yōu)割或者可行割，最優(yōu)割或者可行割的生成則需要得到第二階段對(duì)偶問(wèn)題的極點(diǎn)或者極射線。根據(jù)線性錐優(yōu)化的對(duì)偶理論，第二階段問(wèn)題式(45)可對(duì)偶為式(46)。

4 算例分析

4.1 仿真條件

算例以改進(jìn)IEEE-33節(jié)點(diǎn)配電網(wǎng)為例進(jìn)行分析，網(wǎng)架結(jié)構(gòu)見圖7。電動(dòng)汽車充電站接入系統(tǒng)的位置為節(jié)點(diǎn)5、10、22、30，每座充電站均覆蓋100臺(tái)電動(dòng)汽車，充電站內(nèi)充電樁的額定功率為7 kW。分布式光伏電源接入系統(tǒng)的位置為節(jié)點(diǎn)17、18、21、22，額定容量分別為0.5 MW、0.5 MW、1.5 MW、1.5 MW。儲(chǔ)能候選安裝節(jié)點(diǎn)為16、21、31，單位功率成本為1468.8元/kW，單位容量成本為2203.2元/kWh ，充放電效率均為0.95，SOC范圍為[0.2，0.8]。配電網(wǎng)向上級(jí)電網(wǎng)購(gòu)電的價(jià)格為1285.2元/MWh，碳交易價(jià)格為395.1元/t CO2eq(二氧化碳當(dāng)量)。各電源的二氧化碳排放當(dāng)量見表1。光伏與負(fù)荷一年的歷史時(shí)序數(shù)據(jù)如圖8(a)和圖8(b)所示，本工作采用3個(gè)典型日表征全年產(chǎn)消功率的季節(jié)性變化，如圖8(c)所示。典型日下隨機(jī)場(chǎng)景的獲取方法為基于K-Medoids的場(chǎng)景削減技術(shù)(見第3.1節(jié))，3個(gè)典型日的隨機(jī)場(chǎng)景數(shù)分別為32、31、35。仿真平臺(tái)為一臺(tái)筆記本電腦，配置有i7-1165G7的CPU和16.0 GB的RAM，仿真和編程軟件為Matlab 2021b和Mosek 9.3.20。

圖7改進(jìn)IEEE-33節(jié)點(diǎn)配電系統(tǒng)拓?fù)鋱D

圖8光伏、負(fù)荷時(shí)序數(shù)據(jù)

(pu：標(biāo)幺值，表示各物理量及參數(shù)的相對(duì)值)

4.2 優(yōu)化規(guī)劃與運(yùn)行模擬結(jié)果

（1）數(shù)值計(jì)算情況。Benders分解算法迭代至29次收斂，第一階段主問(wèn)題的平均求解時(shí)間為0.71 s，第二階段問(wèn)題的平均求解時(shí)間為11.33 s。（2）規(guī)劃結(jié)果。儲(chǔ)能額定功率和額定容量的配置結(jié)果見表2，在IEEE-33節(jié)點(diǎn)配電網(wǎng)的16、21、31這3個(gè)候選節(jié)點(diǎn)中，僅有16節(jié)點(diǎn)和21節(jié)點(diǎn)配置了0.56 MW/2.25 MWh和0.83 MW/3.32 MWh的儲(chǔ)能裝置。儲(chǔ)能配置的相關(guān)經(jīng)濟(jì)指標(biāo)計(jì)算結(jié)果為儲(chǔ)能等值年建設(shè)成本為229.87萬(wàn)元，配置儲(chǔ)能后規(guī)劃年購(gòu)電成本減少266.59萬(wàn)元，變壓器與線路增容成本減少12.48萬(wàn)元，碳交易成本減少66.83萬(wàn)元。經(jīng)計(jì)算儲(chǔ)能建設(shè)的投入產(chǎn)出比(年收益/等值年投資)為150.48%。這說(shuō)明本工作以潮流均衡程度為目標(biāo)函數(shù)、嵌入利潤(rùn)機(jī)會(huì)約束的方法在追求潮流時(shí)空均衡的同時(shí)，保證了儲(chǔ)能規(guī)劃的經(jīng)濟(jì)性。

（3）運(yùn)行模擬結(jié)果。3個(gè)典型日期望場(chǎng)景下的儲(chǔ)能與充電站運(yùn)行模擬情況分別見圖9和圖10。圖9展示了配置于16節(jié)點(diǎn)的儲(chǔ)能和21節(jié)點(diǎn)的儲(chǔ)能在期望場(chǎng)景下的功率曲線和SOC曲線，規(guī)定儲(chǔ)能放電時(shí)功率為正、充電時(shí)功率為負(fù)。由圖9可知，為保證系統(tǒng)潮流時(shí)空均衡，儲(chǔ)能在午間光伏發(fā)電時(shí)段充電，在負(fù)荷早晚高峰時(shí)放電，儲(chǔ)能1和儲(chǔ)能2的SOC曲線相似。圖10展示了4座充電站(CS)在期望場(chǎng)景下的聚合功率曲線和等效能量曲線，其中算例設(shè)置電動(dòng)汽車可控比例為50%。由圖10可知，每座充電站的聚合功率均集中在白天，這說(shuō)明電動(dòng)汽車的調(diào)控發(fā)揮了可控負(fù)荷的靈活性進(jìn)而消納新能源。此外，4座充電站的能量曲線不同，即運(yùn)行策略不同，這是因?yàn)?座充電站分布在配電網(wǎng)的不同饋線上，為使配電網(wǎng)潮流時(shí)間與空間分布均衡，充電站在運(yùn)行時(shí)需考慮其所在線路的潮流時(shí)序變化。

圖9典型日期望場(chǎng)景下的儲(chǔ)能運(yùn)行模擬情況

圖10典型日期望場(chǎng)景下的充電站運(yùn)行模擬情況

4.3 靈敏度分析

本節(jié)主要探究邊界條件對(duì)儲(chǔ)能規(guī)劃的影響，考慮電動(dòng)汽車可控比例、碳交易價(jià)格、儲(chǔ)能持續(xù)放電時(shí)間等3個(gè)重要因素。為探究前述3個(gè)重要因素對(duì)儲(chǔ)能配置容量、系統(tǒng)日均碳排放量的影響，本節(jié)假設(shè)：① 4座充電站的電動(dòng)汽車可控比例一致；②簡(jiǎn)化碳交易定價(jià)與出清機(jī)制，規(guī)定3個(gè)典型日的碳交易價(jià)格相同；③所配置的儲(chǔ)能需滿足放電持續(xù)時(shí)間，即儲(chǔ)能以額定功率放電的時(shí)間至少達(dá)到規(guī)定的“放電持續(xù)時(shí)間”；④簡(jiǎn)化每個(gè)典型日的場(chǎng)景數(shù)，以期望場(chǎng)景表征典型日產(chǎn)消功率的變化情況。電動(dòng)汽車可控比例的變化間隔為5%，碳交易價(jià)格的變化間隔為70 元/t CO2eq，儲(chǔ)能持續(xù)放電時(shí)間的變化間隔為2 h，經(jīng)過(guò)1140次儲(chǔ)能配置計(jì)算，得到如圖11和圖12所示的平面熱力圖。

圖11儲(chǔ)能配置總?cè)萘颗c重要因素的關(guān)系

圖12儲(chǔ)能配置后日均碳排放量與重要因素的關(guān)系

由圖11可知，電動(dòng)汽車可控比例升高，儲(chǔ)能配置的總?cè)萘柯杂性龃?，但變化不明顯；碳交易價(jià)格越高，儲(chǔ)能配置總?cè)萘吭酱?；放電持續(xù)時(shí)間也會(huì)影響儲(chǔ)能配置容量，放電持續(xù)時(shí)間為2 h時(shí)的儲(chǔ)能配置容量小于放電持續(xù)時(shí)間為4 h時(shí)的儲(chǔ)能配置容量，放電持續(xù)時(shí)間為6 h時(shí)的儲(chǔ)能配置容量與放電持續(xù)時(shí)間為8 h時(shí)的儲(chǔ)能配置容量相近。由圖12可知，電動(dòng)汽車可控比例越高，系統(tǒng)碳排放量越??；碳交易價(jià)格與碳排放量不具有單純的正相關(guān)性，在以潮流時(shí)空分布均衡為目標(biāo)函數(shù)時(shí)，碳排放量隨著碳交易價(jià)格的增加，先減少后增加。

5 結(jié)論

本工作考慮電動(dòng)汽車聚合調(diào)控，提出配電網(wǎng)儲(chǔ)能優(yōu)化配置方法。該方法嵌入充電站二階近似實(shí)用模型，用于刻畫電動(dòng)汽車聚合運(yùn)行特性；并且，采用K-Medoids場(chǎng)景生成算法與Benders分解算法，處理儲(chǔ)能規(guī)劃-運(yùn)行兩階段隨機(jī)優(yōu)化問(wèn)題。算例結(jié)果分析表明：（1）儲(chǔ)能規(guī)劃-運(yùn)行兩階段優(yōu)化模型以潮流均衡程度為目標(biāo)函數(shù)并嵌入利潤(rùn)機(jī)會(huì)約束，能在追求配電網(wǎng)潮流時(shí)空均衡分布的同時(shí)，保證儲(chǔ)能規(guī)劃的經(jīng)濟(jì)性；（2）充電站與儲(chǔ)能協(xié)調(diào)運(yùn)行有利于發(fā)揮可控負(fù)荷的靈活性，進(jìn)而消納更多可再生能源；（3）通過(guò)靈敏度分析可知，隨著電動(dòng)汽車可控比例的升高，儲(chǔ)能配置的總?cè)萘繒?huì)略微增大，系統(tǒng)碳排放量會(huì)顯著減少，光伏利用率會(huì)明顯提高。