ディープ電気自動車導入による電力網への影響を軽減するための充電インフラへのアクセスと運用

Nature Energy volume 7、pages 932–945 (2022)この記事を引用

29,000 アクセス

12 件の引用

849 オルトメトリック

メトリクスの詳細

電気自動車は米国の排出量削減に貢献しますが、その充電は電力網の運用に課題をもたらす可能性があります。私たちは、米国西部相互接続における将来の導入者の多様な充電行動を捉えた、データ駆動型の現実的な充電需要モデルを提示します。私たちは、充電負荷を形成する重要な要素として充電制御とインフラ整備を研究し、2035 年世代の詳細な経済送電モデルを使用して電気自動車の急速な普及の下で送電網への影響を評価します。ピークの正味電力需要は、導入予測により最大 25% 増加し、完全電化のストレステストでは 50% 増加することがわかりました。ローカルに最適化された制御と家庭での高額な充電により、電力網に負担がかかる可能性があります。代わりに制御されていない昼間の充電に移行すると、貯蔵要件、過剰な非化石燃料の生成、ランピング、および排出量を削減できます。私たちの結果は、政策立案者に対し、世代レベルの影響を公共料金に反映させ、家庭から昼間の充電への移行を促進する充電インフラを導入するよう促しています。

電気自動車 (EV) の使用と、脱炭素化を進めている送電網の併用は、米国の排出削減目標の達成に役立つ可能性があります 1,2。業界アナリストは、小型 EV とその充電プラグの数は、2035 年までに世界中でそれぞれ 3 億台と 1 億 7,500 万台以上に増加すると予測しています。これは、2021 年と比較すると桁違いに増加しています13。EV の充電は送電網への輸送と連動していますが、まだ排出削減という共通の目標にもかかわらず、2 つの部門の変革はほとんど連携していない4、5、6、7、8、9、10。交通網への電化の影響は、導入の低い短期的なレベルで研究されてきましたが、EV導入の深いレベルでのシステムへの影響を特定して軽減することは、自動車の多様な動作や条件を捉えるモデルが必要であるため、依然として重要な課題です。将来のドライバー11.

充電インフラ、制御、ドライバーの行動は送電網の運用に影響を与えるため、高電化シナリオの下で毎日の充電需要をサポートするための長期計画を立てることが困難になります。ドライバーの動作は非常に不均一かつ確率的です12、13、14、15、16。ドライバーがどこで、いつ、どのくらいの頻度でプラグインを選択するかによって、グリッド上の負荷の形状と需要が決まります。充電制御を追加し、さまざまな充電オプションの可用性を増減することによって充電インフラストラクチャの状況を変えることは、将来の深いレベルの EV 導入における電力網への影響を改善するために充電を再構築するための強力なツールとなります。スマート充電またはマネージド充電とも呼ばれる充電制御は、あらかじめ設定された時間まで充電を遅らせたり、電気料金に応じて車両の充電セッション全体で供給される電力を調整したりすることで、需要を再形成します。充電インフラストラクチャネットワークの設計と地理的条件により、ドライバーが利用できる選択肢が変わり、充電場所と時刻を変更することでシステム全体の充電需要が再形成されます (たとえば、自宅で充電する場合は夜間、仕事中に充電する場合は正午) ）。

充電へのアクセスは、EV の導入と継続使用の両方の障壁となる可能性がある充電の不便を回避するための鍵です16、17、18、19、20。一戸建て住宅（SFH）の裕福な居住者は、EV の初期導入者に多く存在しており、家庭用充電器を利用できる可能性が高い21。一方、低所得世帯、賃貸人、アパートや集合住宅（MUD）の居住者は、対象を絞った補助金にもかかわらず、家庭用充電器を利用できる可能性が低い12、13、16、17、22、2324。充電インフラの使用が早期導入者の行動と一致し続けると仮定すると、将来のドライバーの選択肢が誤って伝えられ、家庭、電力会社、規制当局にとって貴重な機会を逃す可能性があります。

大規模な充電需要をモデル化する既存のアプローチでは、早期導入者の行動やドライバーの行動に関するモデラーの仮定に基づいて充電の決定を行っています9、10、25、26、27。これまでの多くの研究では、EV の電力網への影響とコストを改善するために充電制御が使用されてきました8、9、25、26、28、29、30、31、32、33、34、35、36。しかし、ほとんどの研究では、充電インフラへのアクセスに関する限定的なシナリオがあり、サイトごとではなく中央で最適化された制御を使用し、スケジュールに基づいた最適化を評価したり、現在のグリッドリソースと条件に焦点を当てたりしており、グリッドストレージを含めて排出量を計算しているものはほとんどありません（補足注1）。さまざまな充電インフラストラクチャのシナリオに関するこれまでの研究は、主に早期導入者に焦点を当てており、インフラストラクチャを充電制御のツールとして概念化していません9、10、26、34、37、38。 EV の導入をサポートするための長距離旅行やエネルギーの多い日のための充電インフラの重要性は、他の最近の研究でも焦点となっています 18,39,40。

EV の充電は、配電、送電、発電に影響を与えます41。たとえば、制御されていない充電は、ピーク需要を増加させ、変圧器の過負荷5、機器の早期交換の強制7、送電線の過負荷28、電力品質の悪化4,6、または変電所のアップグレード42の必要を引き起こすことが示されています。配電システムのアップグレードにかかる高額なコストを回避できることは、制御された充電によってもたらされる重要な価値です。 EV は、周波数調整とリアルタイムランピングのサービスを提供することで、電力網に価値を提供することもできます 43,44。

この研究では、人口 7,500 万人を超える 11 州をカバーする西部相互接続 (WECC) 送電網の米国部分について、2035 年の高度電化シナリオの下での個人用 EV の毎日の充電需要をモデル化しました45。私たちは、さまざまな将来シナリオを比較して、充電インフラ、制御、ドライバーの動作が連携して送電網にどのような影響を与えるかを理解します。私たちの研究には 2 つの戦略 (制御とインフラストラクチャの構築) が含まれており、ドライバーの行動、制御、送電網のディスパッチという 3 つの要素すべての現実的で詳細なモデルが使用されています。私たちは、世代レベルの電力網への影響をもたらす要因として、個人用小型車両の典型的な集合的な充電パターンに焦点を当てます。私たちの目的は、大規模な EV 導入のどのシナリオが充電による悪影響を最も軽減するかを特定し、車両と送電網の統合による効果的な脱炭素化の道筋を描くことです。私たちの結果は、充電と送電網計画の対策を組み合わせる必要があることを示唆しています。充電制御をより効果的にするために、政策立案者は送電網の発電と配電への影響の管理を調整することを検討する必要があります。最も重要なことは、WECC における家庭から昼間の充電への移行をサポートする、今後 10 年間にわたる充電インフラの構築を計画の対象とする必要があることです。

ドライバーの動作は非常に多様です。当社では、確率的でデータ駆動型の方法を使用して、実際の充電データ (メソッド) で観察されたパターンに基づいてドライバーの充電設定をキャプチャします。私たちは、2019 年にカリフォルニアのベイエリアで 277,000 人のバッテリー式電気自動車ドライバーについて記録された 280 万セッションのデータセットを使用してモデルを調整しました。充電行動クラスターとドライバーの収入、住居、走行距離、充電オプションへのアクセスとの関係を次のようにモデル化します。図 1 に示すように、電気料金に対する現実的な反応をシミュレートするために、サイトごとに制御された充電を実装します。私たちは WECC グリッドの米国部分に焦点を当て、主要 11 州で 4,800 万台を超える自家用車の充電をシミュレーションします (方法)。

a, モデリングアプローチの概要。 EV充電シナリオのグリッドへの影響を研究するために、ドライバーの行動モデルを使用して地域ごとに充電需要がシミュレーションされ、地域プロファイルが集約され、非化石燃料の生成、貯蔵、化石燃料発電機の配電を含むグリッドダイナミクスがモデル化されました。充電制御を伴うシナリオでは、住宅充電におけるタイマー制御が各郡の需要を生成しながら適用され、職場充電における負荷変調制御が WECC の未制御の職場プロファイルの集合体に適用されました。州は郵便略称によって識別されます。化石燃料と非化石燃料の両方の発電リソースにわたる正味需要と総需要の時間ごとのディスパッチが、「モデルグリッド」ステップの下のサンプル日について示されています。元の純需要プロファイルと総需要プロファイルはそれぞれ一点鎖線と点線で示され、10 GW のグリッドストレージのディスパッチによって達成されたより滑らかな純需要プロファイルと総需要プロファイルはそれぞれ実線と破線で示されています。 b. 近隣地域の特性、充電へのアクセス、ドライバーの行動に応じた各地域の EV 充電需要のモデル (方法)。矢印はデータソースに従って色分けされています。米国国勢調査およびコミュニティ調査 45 および EASI MRI 消費者調査 69 (水色)、カリフォルニア自動車リベートプロジェクト (紫) 71、カリフォルニアエネルギー委員会 70 および国立再生可能エネルギー研究所の調査 (赤)、University of Universityカリフォルニア州デイビスの研究 12 (黄色)、観察されたドライバーの充電セッションのセット (緑色)、および方法で詳細に説明されているモデル化されたセッション (灰色)。 EASI MRI は Easy Analytic Software Inc. Mediamark Research の略で、郡レベルの年間走行距離データにアクセスするデータベースです。

カリフォルニア州の最近の計画では、今後の脱炭素化の期限を達成し、内燃機関車の販売終了のスケジュールを追跡するには、2035 年までに小型車両の 50% を電動化する必要があることが判明しています10,46。これらおよび高度電動化に関する他の研究47,48と同様に、2035 年の WECC における 50% の導入または 2,400 万台の EV (自家用車の半分の電動化) の結果が含まれています。ただし、業界と政策立案者は、電動化の加速に取り組んでいます。導入がさらに早くなります。当社では、グリッドの本格的な導入への準備状況を特徴づけ、グリッドまたは充電にどのような追加の変更が必要かを特定するためのストレステストとして、100% 導入 (個人用車両フリートの完全電化) の結果を含めています。また、論文全体で採用レベルの高低に対するすべての主要な結果の感度も示します。

各充電シナリオの下で発電レベルでのグリッドへの影響を計算するために、年間の総電力需要を、化石燃料発電機の予測廃止と追加、および風力、太陽光、グリッド蓄電の増加を反映する将来のグリッド発電リソースのモデルにディスパッチします。 (方法)。風力発電と太陽光発電は、2019 年と同様に年間を通じて時間ごとに変動すると想定しています。

ベースラインの年間電力消費量は、暖房や冷房など輸送以外の用途での電化により、2035 年までに平均 16% 増加すると想定されています48。 EV 充電の普及が進むと、年間電力消費量がさらに同桁増加することがわかりました。 EV の導入がパーセント増加するごとに、このシステムでは総消費量が約 0.11% 増加します (補足図 7)。導入率が 50% の場合、これは 2035 年のベースラインより 5% 増加することになります。すべてのセクターの電化による合計増加率は、2019 年のレベルと比べて最大 22% になります。 100% EV 導入によるストレステストでは、2019 年のレベルと比較して、消費量は EV によって 11% 増加し、全体で最大 28% 増加しました。

この電力使用量の増加のタイミングは非常に重要であり、充電による系統への影響は、需要プロファイルの違いによって大幅に異なります。したがって、最近のカリフォルニア州の調査データに基づいて、家庭での充電アクセスをユニバーサルから低レベルまで変化させる将来の充電インフラストラクチャの 4 つのシナリオをモデル化します (方法)。ユニバーサルホームアクセスでは、総電力消費量の 86% が家庭で発生しますが、ローホームアクセスの場合は 22% です (補足注 5 および補足表 2)。各アクセスシナリオ内で、今日の米国で一般的な実装を表す 49 種類の従来の充電制御をモデル化します。 SFH タイマーは、住宅用 EV 料金 50,51 とサイトレベルの一方向負荷に基づいて午後 9 時と午前 12 時に開始時間を設定します。職場での変調制御は、ピークの最小化によるデマンド料金、または平均系統排出量 (Avg Em) に基づく使用時間料金に対応します。同期タイマーからの需要の急増は今日の充電データで観察されており、系統の安定性への影響にもかかわらず、多くの計画シナリオ 10,52 で持続しています 53,54。対照的に、参加ドライバーに午後 8 時から午前 2 時 30 分の間の 30 分に開始時間をランダムに割り当てる 3 番目のタイプの SFH タイマー制御をモデル化します。最後に、高水準の特別なケースとして、追加のシナリオである通常通りの業務をモデル化します。職場制御とタイマーの両方を備えたホームアクセスは、今日の主要な制御戦略の組み合わせを表します。これにより、合計 25 のシナリオが生成され、そのサブセットが図 2 に示されています。

a、b、d、e、ユニバーサルホームアクセス (a) について、典型的な平日 (左) と週末 (右) の制御されていないプロファイルを示します。高いホームアクセス (b); 低い家、高い仕事へのアクセス (d) と低い家、低い仕事へのアクセス (e)。 f–j、各タイプの制御の一例として平日プロファイルを示します。ユニバーサルホームアクセスを備えた深夜 SFH タイマー (f)。午後 9 時、ハイホームアクセス (g) の SFH タイマー。自宅を低くし、仕事を多くするアクセス (h) により、職場のピークを最小限に抑えます。低住宅、低職場アクセスによる職場の平均排出量の最小化 (i); そして、午後 8 時から午前 2 時 30 分までのランダムな SFH タイマーと、高ホームアクセス (j) (方法)。最大モデル化された需要を示すために、WECC における米国各州の完全電化のプロファイルが示されています。この図では需要が現地時間で集計されていますが、シミュレーションでは 2 つのタイムゾーンが反映されており、太平洋時間と山岳時間に設定されたタイマーの間には 1 時間の遅れが生じます。 c. Business As Usual は、午後 8 時、午後 9 時、午後 10 時、深夜の住宅用タイマーとピーク最小化の職場制御を組み合わせたハイホームアクセスの特別なケースです。各シナリオの平日と週末のプロファイルを繰り返して、年間の充電需要をまとめます。 L2 はレベル 2 充電を表し、DCFC は直流高速充電を表します。

WECC のベースライン需要は午後遅くと夕方に最も高くなります。 EV のない 2035 年の典型的な平日のピーク総電力需要は、午後 5 時に約 109 GW になるとモデル化されています。図 3 に示すように、各充電シナリオはこれと異なる関係にあります。家庭での高い充電により、夕方に需要が増加し、ピークが押し上げられます。その後、午後 7 時にかけて、日中の充電により午前中午前 10 時と午前 11 時に新たなピークが生じます。ピークの値は、EV 充電の追加により導入率が約 30% になるまで緩やかに増加し、その後、いくつかのシナリオでブレークポイントが発生します。ピーク総需要とピーク充電需要のタイミングが一致すると、最も高いピークを持つ充電シナリオで最も急激な増加が発生します。図 4 に示すように、導入率が 50% の場合、増加はシナリオに応じて 3% ～ 9% の範囲になります。導入率 100% のストレステストでは、充電によりピーク総需要が 9 ～ 26% 増加します。日中の充電シナリオでは、午後 9 時のタイマーを使用する場合を除き、ハイホームおよびユニバーサルホームの充電シナリオよりもピーク総需要が増加します。

ピーク総需要のタイミングは、充電とベースライン需要の相互作用によって異なります。 a、2035 年のベースラインの非 EV 需要に対する制御されていない充電を伴う各アクセスシナリオの需要プロファイル。L2 はレベル 2 充電を表し、DCFC は直流高速充電を表します。 b、c、各プロファイルの下の文字盤は、50% EV 導入 (b) および 100% EV 導入 (c) のすべての制御オプションの下でのアクセスシナリオのピーク総需要のタイミングを示しています。 Min(peak) はピーク最小化職場制御を指し、Min(Avg Em) は平均グリッド排出量を最小化するように設計された職場制御を指します。太い境界線は午後のピークを示すために使用されます。ピークのタイミングは、EV が登場する前の午後 5 時から、多くの家庭用充電シナリオでは夕方遅く、日中充電シナリオでは午前中にシフトすることが観察されています。 d. EV の導入に伴うピーク総需要の変化率は 10% から 100% まで変化します。

a. 正味需要の計算を説明するために、EV が供給される前の典型的な 1 日が使用されます。非化石燃料の発電が最初に供給されます。純需要は、総需要からその世代を差し引くことによって計算されます。総需要は破線で示され、純需要は実線で示されます。 b、c、EV以前の電力需要と比較した場合のピーク合計需要(b)とピーク純需要(c)の増加の比較。 EV導入率50%と100%の両方の値が示されています。ホームアクセスが多い場合、ピーク総需要の増加が最も少なくなりますが、日中充電シナリオでは、ピーク純需要の増加が最も少ないことが観察されました。アクセスシナリオでは、次の短い形式が使用されます。 UH = ユニバーサルホーム。 HH = ハイホーム; LHLW = ローホーム、ローワーク。 LHHW = 家は低く、仕事は多い。 d、e、50% EV 導入 (d) および 100% EV 導入 (e) の各シナリオにおけるピーク純需要のタイミング。日中の充電のほとんどが非化石燃料発電によって賄われているため、正味需要のピークはどのシナリオでも夕方に発生することがわかりました。

ただし、総需要は送電網への影響を完全に語るものではなく、この需要がさまざまな発電源でどのように感じられるかを研究することが重要です。非化石燃料による発電の寄与を除いて計算される純需要は、化石燃料発電装置の派遣を促進します。

これらの影響をより深く理解するために、私たちは最近の州レベルおよび地域レベルの容量拡張計画の成果に基づいて、2035 年の送電網の詳細なモデルを開発しました55,56。私たちは、発表された発電機の廃止と追加を反映するために、Deetjen と Azevedo57 が提示したメリットオーダーベースの派遣モデルを拡張し、ベースライン需要を増加させ、太陽光発電と風力発電をそれぞれ 2019 年の基本ケースの 3.5 倍と 3 倍のレベルに増加しました。私たちは、大規模電力システムへの影響を調査するために、速い駅と遅い駅、家庭、職場、公共の充電にわたる充電需要を合計し、配電システムが需要に対応できると仮定しました（方法）。

図 4 に示すピーク純需要の変化は、総需要とは逆の影響を明らかにしています。日中充電シナリオではなく、家庭での充電シナリオは、ピークの純需要にさらに悪い影響を与え、残りの化石燃料発電機群にさらなるストレスを与えます。日中の太陽光発電量が多いため、純需要のピークはどのシナリオでも夕方に発生します。通常通りのシナリオでは、典型的なピーク純需要は、EV が 50% の場合は低住宅、多労働のシナリオよりも 1.6 倍、100% の場合は 1.8 倍増加します。最悪の場合、午後 9 時の SFH タイマーを使用したユニバーサルホームアクセスシナリオでは、3.3 倍または 3.4 倍に増加します。

系統への影響を最小限に抑えるために昼間の充電に焦点を当てることが、この研究の最初の主要な結論である。最初にここで描かれたものは、以下のすべての分析によって裏付けられています。再生可能エネルギー発電が増加する将来の送電網では、追加の需要のタイミングがより重要になります。日中充電シナリオは太陽光発電との連携から恩恵を受けますが、夜間充電シナリオはその機会を逃します。

EV の普及率が高い場合に充電をサポートする送電網の容量を確保するには、ストレージが必要になります。ベースライン需要を満たすには、0.39 GW という少量が必要です。カリフォルニア州の最近の計画では、2030 年までに 4 時間持続のグリッドストレージを 9.7 GW にすることを目標としています58。これは、2019 年のレベルと比較して 40 倍以上の増加となります。

WECC に設置された 10 GW のストレージは、電力網が少なくとも 50% の EV 導入をサポートするには十分であることがわかりました。 2035 年の WECC で通常通りの EV 充電が行われる場合、10 GW は通常の平日のピーク総需要の 8% ～ 9%、極端な日のピーク総需要の 6% ～ 7% に相当します。図 5a に示すように、グリッドは日中の充電が多いシナリオではより多くの EV をサポートし、家庭での充電が多いシナリオではより少ない EV をサポートできます。

a, 2035 年の送電網において、発電容量が年間少なくとも 1 時間不足する前に充電をサポートできる EV 導入の最大レベル。ベースライン需要が低い時間帯とより多くの再生可能発電量に合わせて充電を適切に調整することで、低住宅アクセスシナリオでより多くの EV をサポートする能力があります。 2035 年のこのグリッドモデルには、純需要を平滑化するために運用される、テクノロジに依存しない 4 時間持続のストレージ 10 GW が含まれています。 BAUはBusiness As Usualの略です。マックスはマキシマムの略です。 b. EV 導入レベルの増加に合わせて送電網が充電をサポートできる、4 時間持続の貯蔵の最小容量。このタイプのストレージは、満たされていない需要をカバーするために他のすべての発電リソースの後に派遣され、それを充電するために追加の太陽光発電が配備されると想定しています（方法）。 c. 2035 年に 50% または 100% の EV 導入をサポートするために必要なストレージの量を詳しく見る。最良のケースで制御されていない充電を使用すると、低家庭、高勤務のアクセスシナリオでは、わずか 4.2 GW、または 3.6% のストレージが必要になります。そのシナリオにおける典型的な平日のピーク総需要。 EV を 100% 採用した場合のストレステストでは、グリッドには 8.1 GW のストレージ、または典型的な平日のピーク総需要の 6.1% が必要になります。 50% では、シナリオ間でストレージ要件が 3.9 GW から 7.4 GW まで 1.9 倍異なることがわかります。 100% の場合、シナリオ間で要件が 7.4 GW から 24.5 GW まで 3.3 倍異なることがわかります。

最良のケースでは、低ホームアクセス、通常業務、または深夜またはランダムタイマーによる高ホームアクセスにより、グリッドは 100% EV 導入に向けた充電をサポートできます。最悪の場合、ユニバーサルホームアクセスと午後 9 時タイマーでは、送電網は 59% の EV 導入しかサポートできません。

充電制御は、系統容量の制約に対する解決策として提示されることが多く、実際、午前 12 時の SFH タイマーとランダム化された SFH タイマーにより、系統がサポートできる EV 導入のレベルが大幅に向上することがわかりました。ユニバーサルホームアクセスシナリオでは、容量が 67% から 86%、そして 83% に増加します。

ただし、10 GW のストレージを追加するとコストがかかるため、各シナリオで必要なストレージの量を計算します。図 5b では、すべての満たされていない需要をカバーするのに十分な 4 時間グリッドストレージの最小量を示しています。幸いなことに、図 5b、c に示すように、ほとんどのシナリオでは EV の導入率が 50%、さらには 100% に達するまでに必要な電力は 10 GW 未満です。繰り返しますが、日中の充電が多いシナリオの方が、家庭での充電が多いシナリオよりも優れていることがわかります。

在宅でのアクセスが少なく、職場でのアクセスが多いという将来をサポートする政策は、顕著なストレージ節約につながる可能性があります。制御されていない充電と 50% の EV の導入により、このシナリオでは、ストレージ要件が通常のビジネスと比較して 1.3 倍、または制御されていないユニバーサルホームアクセスと比較して 1.7 倍減少します。 Business As Usual 課金から Low Home, High Work Access 課金シナリオに切り替えると、設置済みストレージのコストが 143 米ドル kWh-1 と楽観的に予測されれば 7 億米ドル削減され、より高い予測があれば 15 億米ドル削減されます。コストは 299 US$ kWh−1 (参考文献 59、60)。これらの節約額は総電気代と比較して大幅であり (補足注 6)、EV の導入がさらに進むにつれて大幅に増加します。 EV を 100% 導入するストレステストでは、低在宅、高仕事のアクセスへの切り替えにより、どちらのコスト予測でも 16 億米ドルまたは 34 億米ドルの節約が得られます。

ストレージはグリッドに他の値を提供することもできます。日中の充電を奨励する政策は、EVの充電によって引き起こされるピーク需要をカバーするのではなく、極端な日の予備として機能したり、他のグリッドサービスを提供したりするために蓄電容量を解放することで、グリッドの信頼性を向上させる可能性があります。

この調査の 2 番目の主要な結論は、一般的な充電制御の実装は、広く普及すると世代レベルで深刻な影響を引き起こす可能性があるということです。特にタイマー制御は多大な悪影響を与える可能性があります。図 4 でピークの純需要の増加を調べると、午後 9 時の SFH タイマーにより、50% の EV 導入で最大 25%、100% の EV 導入で最大 50% という高い増加が見られました。導入率 50% ではストレージへの影響はそれほど深刻ではありませんが、図 5b を見ると、より高いレベルではストレージ需要が非常に急速に増加していることがわかります。 2035 年の典型的なピーク総需要の 18% を超える量である 24 GW を超えるストレージ需要を回避するには、ユニバーサルホームアクセスシナリオで EV の導入が 100% に達する前に、午後 9 時の追加の発電容量を追加する必要があります。作業アクセス、ピーク最小化制御では、ベースライン需要がすでに高い午後遅くに充電を押し込み、ピークの正味需要が増加するため、ストレージ要件が制御されていない量の 1.5 倍に増加します。

このセクションでは、純需要を平滑化するために、計画量の 10 GW のグリッドストレージが追加および運用されると仮定します。それでも、図 6 に示すように、化石燃料発電機に送られる最終プロファイルには 1 時間の実質的なランプが存在します。化石燃料発電機の頻繁かつ高速なランプ動作はプラントの寿命を短縮する可能性があるため、これはグリッドの信頼性にとって重要な指標です。運用コストが増加します43,61。すべてのシナリオはEVが存在しない状況から始まり、昼間の充電を追加すると純需要が平坦化することでランピングが減少する一方、家庭用充電を追加するとベースラインのピークと一致するためランピングが増加します（図5および補足ノート7）。ランダムおよび午前 12 時の SFH タイマーは、一部のシナリオでランピングを減少させる可能性がありますが、制御を追加する効果は、充電アクセスシナリオ間の切り替えの効果と比較すると小さいです。

a、c、50% (破線) および 100% EV 導入 (実線) (a) およびすべての導入レベルにわたる各充電シナリオにおける化石燃料発電の需要の平均日プロファイルの最大 1 時間の増加 ( c)。 b、d、非化石燃料の年間総過剰生成量の50％、100％（b）およびその他のEV導入レベル（d）の値。各シナリオでは、10 GW のグリッドストレージが運用され、純需要が平滑化されました。家庭での充電量が少なく、日中の充電量が多いシナリオでは、非化石燃料の発電量の増加と過剰な発電量の両方が低いことがわかりました。家庭での充電量が多いシナリオでは EV の追加によりランプが増加しますが、日中の充電量が多いシナリオではランプが減少します。 EV の充電需要を追加すると、すべてのシナリオで過剰な非化石燃料の生成量が減少し、昼間の充電が多いシナリオで最も早く減少します。

年間のモデル化された日によっては、非化石燃料による発電量が需要を上回っていることもあります。送電のモデリングがなければ、この過剰発電が削減されるのか、それとも別の地域に輸出されるのかを判断することはできません。いずれの場合も、WECCが排出量を削減し、非化石燃料源の使用を増やす機会を逃したことになる可能性がある。 EV がなければ、非化石燃料による年間余剰発電量は約 2.8 TWh になります。この量は、EV が追加されるとすべてのシナリオで減少しますが、図 6 に示すように、日中の充電が増えるシナリオで最も早く減少します。EV 導入率が 50% の通常業務シナリオでは、1.3 TWh になります。 EV が 100% 普及すると、これはわずか 0.5 TWh に下がります。日中の充電量が多いシナリオは、再生可能発電とより調和しており、その余剰エネルギーをより多く利用します（補足注7）。繰り返しますが、充電アクセスの変更は、制御の追加よりも大きな効果があります。

米国で販売される内燃機関乗用車のテールパイプ排出量は、タイプによって異なります（補足注 8）。小型トラックとスポーツ用多目的車 (SUV) が最も人気のあるセグメントであるため、米国環境保護庁 (EPA) は、米国の平均的な乗用車がテールパイプから 1 マイルあたり約 404 g の CO2 を排出すると推定しています62。セダンは排出量が少ない。たとえば、2019 ホンダシビックは 1 マイルあたり約 276 g の CO2 を排出します (参考文献 63)。 WECC での EV 充電 1 マイルあたりの追加グリッド CO2 排出量は大幅に低く、2035 年の再生可能エネルギーの 50% 普及の基本シナリオでは 1 マイルあたり CO2 が 84 g から 88 g、または 89 g から 93 g の間であることがわかりました。 100% EV 採用で 1 マイルあたりの CO2 排出量を削減します。これは、平均的な内燃機関車両と比較して走行時の排出量が 4 倍以上改善され、セダンと比較して 3 倍以上の改善を表しており、ここでモデル化した EV とサイズとスタイルが同等です (方法および補足注 8)。 SO2 と NOX の同様の低下も観察されます (補足図 8 および 9)。

図 7 に示すように、家庭での充電が少ないシナリオでは、1 マイルあたりの CO2 排出量が低くなります。この結果は、グリッドシナリオと EV 導入レベルの両方で一貫しています。 2019 年の太陽光発電と風力発電のレベルが 3.5 倍および 3 倍である基本ケースの「中型再生可能エネルギー」シナリオでは、最良ケースと最悪ケースの間のスプレッドは 50% EV 導入で 5%、100% EV 導入で 4.5% になります。再生可能エネルギーが 2019 年のレベルの 5 倍に達すると、シナリオ間の排出量の差がさらに大きくなることがわかります。ユニバーサルホームは、50% EV の場合はローホーム、ハイワークアクセスと比べて 1 マイルあたりの排出量が最大 36% 高く、100% EV の場合は最大 23% 高くなります。

a～d、EV 充電需要の増加に伴う追加の CO2 排出量は、EV 導入の 2 つのレベル (50% (a、c) と 100% (b、d))、および 2035 年の再生可能エネルギー発電の 2 つのシナリオで示されています。ケースでは、2019 年の風力と太陽光の 3.5 倍および 3 倍の中規模再生可能エネルギー (a、b) と、2019 年の各レベルの 5 倍の高再生可能エネルギー (c、d)。どちらの系統条件でも、昼間の充電シナリオは家庭用充電シナリオよりも排出量が少ないことがわかりました。最悪シナリオの排出量は、EV導入率が50%の2つのグリッドにおいて、最良シナリオよりそれぞれ5.0%と36.6%高い。 100% EV 導入でも同様の傾向が見られ、最良のシナリオと最悪のシナリオの間のスプレッドは 4.5% と 23.0% とわずかに小さくなります。 e. 2035 年の平日の平均および限界排出量の中央値 (50 パーセンタイル) プロファイル。影付きのバンドは 25 パーセンタイルから 75 パーセンタイルの範囲を示し、不確実性を強調しています。 f、g、派遣モデルで使用されるコスト別に整理された発電機のメリットオーダー77: 各発電機の発電コスト (f) と CO2 排出率 (g)。各発電機のバーの幅はその容量を示します。過去の燃料価格が変動するため、派遣命令は年間を通じて非常に変動しており、毎週のメリットオーダーによって発電機がこのように混合されます。追加の週を補足図12に示します。

充電制御戦略が異なっても、結果は 2% 以上変わりません。管理されていない職場での充電は太陽光発電とよく一致しており、平均排出量最小化制御では、管理されていない場合と比べて排出量が有意に削減されないことがわかります。これは、部分的には、平均排出量と限界排出量がずれていることが原因で発生します。太陽光発電が多いため、日中の平均排出量は低くなりますが、限界排出量は他の時間帯よりも日中の方が高くなることがよくあります（補足図10および11）。過去 10 年間、米国では平均排出量は減少しているものの、限界排出量は増加しています64。この管理では、年間を通じて平均排出量を固定目標として使用しました。これにより、図 7 に示すように、非化石燃料の余剰発電量がわずかに有効に活用されるようになりましたが、非化石燃料の余剰発電量を目標にできる日は年間で最大 100 日しかありませんでした。他の日には、この制御により、限界排出量が高いことが多い化石燃料発電機の日中の需要が増加しました。

しかし、限界排出量のプロファイルと発電機の派遣順序は年間を通じて変化するため、この制御設計を改善することは困難です。図7bは、多くの場合正午に高くなる限界排出係数と、正午に最低となる平均排出係数の不確実性が高いことを示しています。図7cは、年の真ん中の1週間における化石燃料発電機のメリットオーダーを示しています。高排出量発電機と低排出量発電機の両方がメリットオーダー全体に存在し、限界排出係数の毎日のプロファイルは非常に変動しており、これらの発電機に対する需要の変化は総排出量に一貫性がなく、わずかな影響を及ぼします。

現在のグリッド計画は、将来の充電需要のモデルに依存しています。この研究では、ドライバーの行動、インフラストラクチャー、制御のシナリオに基づいて、充電のさまざまな実現に対するこれらの計画の感度をテストしました。図 8 では、グリッド計画の更新に対する結果の感度をテストします。いずれの場合も、私たちは同じ結論を導き出します。つまり、低家庭用充電アクセスは、高またはユニバーサル家庭用充電アクセスのシナリオと比較して、EV グリッドの排出量、貯蔵要件、増加、および過剰な非化石燃料の生成を削減します。各充電シナリオのコストと排出量の利点については、補足ノート 9 で説明されています。

太陽光、風力、ガス、石炭の発電能力の 10% 増加 (実線) と 10% 減少 (破線) をテストします。読みやすくするために、制御されていない充電シナリオの結果のみを表示します。 a～h、EV導入率50％の結果（a～d）とEV導入率100％の結果（e～h）。どのケースにおいても、主な結論が成り立つことがわかります。それは、日中充電シナリオは、家庭での充電量が多いシナリオと比較して、送電網への影響を軽減するということです。風力と太陽光の容量を追加すると、特に昼間の充電でグリッド排出量が改善されます。ガスと石炭の容量を 10% 増加すれば、追加された容量とグリッドストレージの両方がピーカーのように機能するため、EV 導入の 50% の充電を賄うグリッドストレージの必要性を排除するのに十分です。両方の結果が純需要のプロファイルに依存するため、太陽光と風力だけが非化石燃料生成の増加量または過剰な量を変更します。ここでは、アクセスシナリオの次の短い形式が使用されます。 UH = ユニバーサルホーム。 HH = ハイホーム; LHLW = ローホーム、ローワーク。 LHHW = 家は低く、仕事は多い。ラベル付けでは次の略語が使用されます。キャップ = 容量; そしてgen = 世代。

天然ガス価格、車両バッテリー容量、急速充電の普及率に対する感度分析を補足図に示します。 17〜19。

私たちの結果は、充電インフラがWECCにおけるEVのグリッド統合を深いレベルで改善する可能性を示しています。再生可能エネルギーによる発電量が増加する将来の送電網では、タイミングがより重要になり、純需要は総需要とはまったく異なる物語を伝えます。ドライバーが自宅から昼間の充電に移行すると、電力供給の増加、非化石燃料発電の使用、保管要件、排出量など、グリッドへの影響に関するすべての指標が改善されます。この洞察は、EV 導入のさまざまなレベルにわたって堅牢です。

私たちの結果は、日中の充電アクセスの拡大を必要としています。家庭での充電を単に制限するだけでは、普及に悪影響を及ぼし、EV 所有権への不公平なアクセスにつながる可能性があります。政策立案者は、日中充電オプションが便利で、安価で、広く普及し、一般にオープンにアクセスできるようにする必要があります。

充電シナリオの切り替えによって実現される排出削減量は、中レベルの再生可能エネルギーでは控えめですが、必要なグリッドストレージ要件はかなりのものです。ストレージは高価であり、現在のグリッドの普及率は低く、業界はすでに他のグリッドの課題に直面してスケールアップする圧力にさらされています。夜間のピークを回避し、再生可能エネルギーとの連携を強化することで、日中の充電シナリオでは、EV の充電をサポートするために必要なストレージの量が削減され、他のサービスの提供に使用できるようになります。

私たちの結果では、既存および提案されている料金スケジュールに基づく充電制御の課題も明らかになりました。系統運用者集中制御によりこの状況を変え、スムーズな系統運用を保証できます。

システムレベルとサイトレベルの利点の間に矛盾があることが明らかになります。ピーク最小化制御は、配電システムのインフラを保護するために設計された設備容量制限と電気料金に基づいて商用サイトで広く実施されています7。しかし、職場での充電を 1 日を通して分散させると、午後遅くの需要が増加します。このとき、高いベースライン需要と太陽光発電の減少により、すでに発電レベルで電力網に負担がかかり、ストレージ要件の増加につながります。グリッドストレージと配信システムのアップグレードのコストが高いことを考慮すると、これらの目的間のトレードオフを評価するにはさらなる研究が必要です。

最近、英国における家庭用充電の谷埋め規制でも同様の矛盾が確認されました28。これはまた、インフラのアップグレードに関する短期的な懸念と送電網の脱炭素化に関する長期的な懸念の間の緊張を表しています。カリフォルニアの電力会社は、駅運営者の経済的理由を改善し、導入を促進するために、商用 EV サイトでのデマンド料金からの移行を進めています65。同様の問題は、単純な構造と複雑な構造の間の住宅料金設計でも発生します。これは、送電網への影響が大きくなります 54 が、近隣の顧客に異なる料金を割り当てる際に、現実的、規制的、倫理的な課題が生じます。

充電を低い平均系統排出量に合わせるように設計された職場制御は、実施しても意味のある削減を実現しないことがわかりました。発電機の派遣順序や限界排出量のプロファイルは変動しやすいため、排出削減率スケジュールの設計が困難になります。配電レベルと発電レベルの影響のバランスを取ることに加えて、将来の電気料金は卸売電力価格とより調和する必要があり、送電網の発電状況に応じて日々変動する可能性があります。

将来のベースライン需要と発電リソースに関する仮定が異なると、異なる結果が生じる可能性があり、昼間と夜間の充電のダイナミクスが逆転する可能性があります。たとえば、制御された家庭用充電は、夜間の需要が低く、夜間の風力発電への依存度が高いシステムに最適である可能性があります。同様に、屋外温度の変化によって引き起こされる季節的影響は、一部の地域では結果に影響を与える可能性があります。また、輸送以外の部門における電化のさまざまなシナリオや送電網の脱炭素化のためのさまざまな経路との組み合わせも検討する必要があります。いずれの場合も、充電する時間帯が重要です。

新しい充電ステーションの建設は、EV充電の影響を改善し、公平な普及をサポートし、排出量を削減し、再生可能エネルギーの統合をサポートし、脱炭素化された未来へのスムーズな移行を実現するための、複数年にわたる強力なタイムスケール形式の充電制御を表しています。

私たちは、2035 年の排出量、系統容量、コスト、貯蔵、再生可能エネルギーの統合に対する充電需要の影響を研究するために、EV 充電と電力網のモデルを開発しました (図 1a)。まず、ドライバーの行動と充電に関する確率的でデータ駆動型のモデルを使用して、WECC の州全体でドライバーの充電行動をモデル化し、将来の分刻みの EV 充電需要のシナリオを開発します。次に、制御された充電、または自宅や職場でのドライバーの充電へのアクセスを変更するためのさまざまなシナリオを検討します。既存の電気料金に基づいて、住宅環境と職場環境の両方で制御された充電をモデル化します。充電シナリオごとに典型的な平日と週末のプロファイルを繰り返し、1 年間の充電需要を表します。第 2 に、化石燃料発電機の使用をシミュレートするために次数を削減した配電モデルを使用し、再生可能発電と送電網の将来のレベルを考慮して、2035 年の状況と運用を表すために送電網の既存のモデルを拡張します。次に、2 つの要素を組み合わせて、年間 8,760 時間全体にわたる送電網の送電量と、EV 充電による追加需要に関連する排出量を計算し、各シナリオの影響を調査します。

EV の充電需要は、ドライバーの行動と車両の種類、つまり各ドライバーがどこで、いつ、どのように、どのくらいの頻度で、いくら充電するかによって決まります。 WECC で充電需要をモデル化するために、観察された充電行動に基づいてドライバーを異なるグループに分類する以前の充電モデルを基にして大幅に拡張しました52。完全なモデリング手法については、ここで詳しく説明します。

ここでは個人用の軽量車両のみをモデル化し、商用の中型車両および大型車両のシナリオはモデル化しません。商用車は、個々のドライバーの行動や好みよりもスケジュールによって決定される、非常に異なる充電パターンに従います。中型および大型車両も、異なる採用スケジュールを経験することになる66。

ドライバーの充電プロファイルは、モビリティのニーズ、車両の特性、そして重要なことに、さまざまな場所での充電へのアクセスによって影響を受けます。この研究に使用されたデータは、さまざまなメーカーやモデルの EV ドライバーの幅広い行動を捕捉しています。

低所得層のドライバー、将来の採用者、および過去の充電データで過小評価されているその他のドライバーの充電行動をモデル化するために、これら 3 つの要素を中間要素として使用しました。現在のドライバーの観察された行動グループをエネルギー需要、車両バッテリーに関してパラメータ化しました。米国のさまざまな地域におけるさまざまな収入や住宅の将来の推進力を表すために、これらの要因がどのように変化するかをモデル化します。これらの機能を接続する充電需要の確率モデルを図 1b に示します。

図 1b の各接続は、条件付きの依存関係を表しています。ドライバーの地域を考慮して、ドライバーが特定の種類の住宅、収入レベル、年間移動距離を持つ確率をモデル化します。ドライバーの収入と住居の種類を考慮して、ドライバーが大容量または小型バッテリー容量の車両を所有する確率と、さまざまな種類の家庭または職場の充電器を利用できる確率をモデル化します。そして、ドライバーの年間走行距離を考慮して、充電エネルギーの年間総需要をモデル化します。リンクは、以下で説明するさまざまな入力とデータセットを使用して適合されました。

初期、中期、後期段階の導入者の全範囲をモデル化することは、EV の長期計画にとって重要な課題です。今日のデータでは、後期採用者は、MUD の居住者、家庭で充電できないドライバー、小型バッテリー車のドライバーに最もよく表れています。この方法では、これらの各セグメントのドライバーの固有の行動パターンがキャプチャされ、将来の充電シナリオを構築するために再スケーリングされます。

ドライバーの行動グループは、実際の充電セッションの大規模なデータセットからドライバーをクラスタリングすることによって識別されます52。各クラスターは、異なるセグメントにわたる充電、異なる時間帯での充電、異なる頻度での充電のパターンを持つ固有のタイプのドライバーを表していました。各ドライバーの特徴ベクトルには、車両のバッテリー容量と、各充電セグメントの使用状況を記述する統計（セッション数、平日ではなく週末の充電頻度、平均セッション開始時間、エネルギー、持続時間）が含まれるように設計されています。セグメント。毎日の充電決定とセッションパラメータを各グループのドライバーごとにモデル化します。データは、アクセス、エネルギー使用、車両のバッテリー容量を考慮した後、ドライバーの行動グループと社会経済指標との間に明確な直接的な関係を明らかにしていません。これらのクラスターによって観察および捕捉された行動は、実際のドライバーの明らかにされた好みを表します。他の研究で特定されたいくつかの行動は、例えば、リスク回避ドライバーの存在、定期的な充電の強い習慣、さまざまなインフラストラクチャの混合使用など、このデータで確認されています13,67。これらの明らかにされた行動は、表明された嗜好調査によって特定された行動とは異なります17。到着時間は、ベイエリアの回答者のさまざまな世帯収入レベルにわたる 2016 年から 2017 年の全国世帯交通調査 68 のデータを使用してさらに検証されました (補足注 4)。

この論文で提示されているシナリオを生成するために、WECC の主要 11 州の各郡の充電需要を個別にモデル化し、地域プロファイルを集計します。 WECC は西部電力調整評議会によって監督される西部相互接続を指します。この研究では、領土のカナダとメキシコの部分を除外しました。総需要を作成する際に、すべての充電需要を太平洋時間に移行します。

平日と週末のプロファイルを連結して 1 年間の充電を集計することで、屋外温度の変化による季節の影響を無視できると想定しています。

私たちは、国勢調査、コミュニティおよび消費者調査データから、乗用車の台数と、住宅タイプ、世帯収入、旅行需要の郡レベルの分布にアクセスしました45,69。私たちは、カリフォルニア州エネルギー委員会と国立再生可能エネルギー研究所が共同で実施した 2021 年のカリフォルニア州民調査のデータを使用して、住宅の充電へのアクセスの収入と住宅タイプへの依存性をモデル化しました70。この調査では、世帯年収を 60,000 ドルまで、60,000 ドルから 100,000 ドルの間、100,000 ドルを超えるという 3 つの区分に分けて定義しています。調査対象の住宅タイプを国勢調査データの 5 つのビン (SFH 戸建て、SFH 併設、低層および中層アパート、高層アパート、トレーラーハウス) に照合します。私たちは、カリフォルニアの通勤者を対象とした 2018 年の調査に基づいて、職場での充電へのアクセスをモデル化しています12。私たちは、2010 年から 2020 年の間にカリフォルニア州で 40 万台以上の電気自動車を購入したカリフォルニアクリーンビークルリベートプロジェクトのデータを使用して、ドライバーの収入に対するバッテリー容量の依存性をモデル化しました71。

ドライバーの行動をモデル化するために、2019 年にカリフォルニア州サンフランシスコベイエリアの大手充電ステーションプロバイダーによって記録された、27.7 千人のバッテリー式電気自動車のドライバーからの 280 万件を超える充電セッションのデータセットを使用します。各セッションは一意のドライバー ID に関連付けられており、開始時刻、終了時刻、エネルギー、充電速度、場所のカテゴリがわかっています。このセッションは、職場レベル 2 (L2) 充電、公共 L2 充電、公共高速充電 (DCFC)、SFH 住宅用 L2 充電、および MUD 住宅用 L2 充電の 5 つのセグメントをカバーします。 L2 充電は 6.6 kW で発生し、DCFC は 150 kW で発生しました。

データクリーニングについては補足注 2 と補足方法でさらに詳しく説明されており、ドライバーとセッションに関する統計は補足図に示されています。 1～3。セッションの 75% は職場で行われ、次いで 17% が公共の場、8% が SFH、そして MUD で行われるのは 1% 未満 (3,592 セッション) です。車両のうち、53% は大きなバッテリー容量 (50 kWh 以上) を備え、47% はより小さいバッテリー容量を備えています。最も一般的なメーカーはテスラで、次にシボレー、日産が続きます。このデータセットは、明らかにされた嗜好データとして機能し、豊富な行動セットが含まれています。

すべてのドライバーが公共充電を利用できることを前提としています。 2019 年の充電履歴に基づいて、データセット内のドライバーの自宅または職場の充電アクセスにラベルを付けます。無料および有料の職場での充電を別個のアクセスカテゴリとしてモデル化し、2019 年のセッション料金の中央値が 0.05 米ドル未満だったドライバーに無料アクセスを割り当てます。ドライバーの充電へのアクセスを変えることで 4 つのシナリオを定義します。「ユニバーサルホームアクセス」では、あらゆる住居および収入レベルのすべてのドライバーが自宅で充電にアクセスできることを想定しています。「自宅へのアクセスが多い」については、調査70の「駐車場の変更を伴うアクセスの可能性」シナリオに基づいて自宅での充電へのアクセスをモデル化し、自宅に何らかのタイプの充電を設置できると回答したすべてのドライバーにL2充電が設置されると想定しています70。住居。「ユニバーサルホームアクセス」と「ハイホームアクセス」の両方で、2018 年の調査に基づいて、高所得のドライバーの 50% が職場での充電にアクセスできると想定しています12。低所得のドライバーはアクセスできる可能性が低いと考えられます。「Low Home, Low Work」では、調査の「既存のアクセス」シナリオに基づいて家庭用充電器へのアクセスをモデル化しました70。レベル 1 (L1) 充電設備の横にすでに駐車しているドライバーのみが L2 家庭用充電器を設置できると想定しています。。「自宅が少なく、仕事が多い」については、家庭での充電へのアクセスが低いという同じモデルを使用しましたが、通勤のために車を運転するカリフォルニア人の割合を制限して、職場での充電へのアクセスの可能性を高めました45。すべてのケースにおいて、アクセス権のある従業員の 75% は職場での充電が無料だったと仮定します。シナリオを図 1 および補足図 28 に示します。

クリーンビークルリベートプロジェクトのデータにおける車両購入の意思決定をロジスティック回帰でモデル化し、各ドライバーの収入を郵便番号の世帯収入の中央値で表し、より大型のバッテリー車両を表すために高級車のメーカーを使用します。ドライバーが大型バッテリー搭載車を購入する平均確率は、低所得層、中所得層、高所得層のドライバーでそれぞれ 30.6%、33.2%、37.9% です。将来の EV の平均効率が 5 マイル/kWh (参考文献 72) で、充電効率の損失が無視できると仮定して、ドライバーの年間総エネルギー使用量の分布をモデル化し、年間走行距離の分布に合わせて 7 つのビンを定義します。 600)、(600、1,000)、(1,000、1,600)、(1,600、2,000)、(2,000、3,000)、(3,000、4,000)、(4,000、+)kWh。この論文で調査した高レベルの EV 導入では、郡全体の EV の分布が現在の乗用車の分布と一致すると仮定します。

Ward の方法による凝集クラスタリングを使用してドライバーをクラスター化します。クラスタリングアルゴリズムは、各ドライバーを個別のクラスターとして初期化します。 xd がドライバー d を記述する正規化された特徴ベクトルを表すものとします。各ステップで、アルゴリズムは、クラスター内の合計分散 73 が最小になるように、結合する 2 つのクラスターを選択します。ここで、Cl はクラスター l 内のドライバーのセットを表し、${x}^{{C}_{l}}$ は Cl 内のドライバーの特徴ベクトルの重心を表します。これは次のように表すことができます。

これにより、クラスターの階層が作成されます。クラスター数の各増加による限界利益を示すエルボプロットは、最適なカットオフを選択するために使用されます。年間充電エネルギーの各ビンのドライバーを個別にクラスター化し、合計 136 のグループが見つかりました。各グループのドライバーの典型的な平日の負荷プロファイルを補足図 26 に示します。

各ビン内のドライバーのクラスターラベルの分布を計算することにより、アクセス、バッテリー容量、およびエネルギーに対するドライバーグループの依存性をモデル化します。具体的には、NA,B,E がバッテリー容量ビン B およびエネルギービン E 内のアクセス A を持つドライバーの数を示し、NG がグループ G 内のドライバーの数を示す場合、確率は次のように計算されます $P(G| A, B,E)={N}_{A,B,E}\!^{G}/{N}_{A,B,E}$。

特定のグループ内のドライバーが平日または週末の各セグメントで充電する確率は、グループ内のドライバーの充電履歴を使用してモデル化されます。各ドライバーグループ G と充電セグメント z について、最大 K = 10 のコンポーネントを持つガウス混合モデルを使用して、セッションパラメーター、開始時間、エネルギー s の結合分布をモデル化します。 74）。したがって、混合物の確率密度関数は次のように表すことができます。

混合モデルの各成分 k はガウス分布であり、混合におけるその重みは P(k) です。各成分は、グループ G のドライバーのセグメント z で観察されたセッションで発生する充電動作の明確なパターンを表します。この表記では、成分 k には平均 μk と標準偏差 σk があり、\({\mathcal{N}}\ ) は、標準のガウス分布式の短縮形です。

全国世帯旅行調査68を使用して、米国の州に対する充電行動の感度をテストしたところ、エネルギー需要のモデルで捉えられたものを超える行動の違いは小さいことがわかりました。

少数のバッテリーおよびエネルギービンの場合、MUD アクセスを持つドライバーはありません。MUD アクセスカテゴリの他のビンを使用して、最初にアクセス、次にエネルギー、次に可能な限り一致することにより、これらのビンの動作グループ分布をモデル化します。グループのプロファイルに対するそれぞれの相対的な影響の観察に基づいたバッテリー容量。家庭での充電アクセスをモデル化して、トレーラーハウスの居住者への充電は MUD に関するデータで表される可能性があると想定し、トレーラーハウスに L1 充電ではなく L2 充電を設置する特有の難しさを反映するために、調査結果を 50% 引き下げます。

確率的な開ループ構造と国勢調査のマイレージビンのサイズにより、年間総エネルギー量は、「低住宅高労働」シナリオの 8.654 × 107 MWh から、「低住宅高労働」シナリオの 8.994 × 107 MWh まで、制御されていないシナリオ間でわずかに異なります。「ユニバーサルホーム」シナリオでは、その差は 5% 未満です。

各シナリオで毎日の充電需要を生成するために、このモデルを使用して各充電セッションをサンプリングし、各地域の車両の総数に対する充電を繰り返しシミュレーションします。セッションの合計セット、開始時間、エネルギー、セグメント充電レートを使用して、1 分の時間分解能で制御されていない充電負荷プロファイルを定義しました。このアプローチにより、各シナリオの 4,860 万人のドライバーを表す典型的な平日と週末の需要プロファイルをラップトップコンピューターで 9 分以内に生成することができました。制御された充電またはスマート充電は、セッションパラメータのセットまたは制御されていないプロファイルのいずれかを使用して、このモジュールの出力に適用されます。

私たちは 2 つのタイプの制御された充電をモデル化します。1 つは一戸建て住宅での負荷移動制御で、制御されていないセッションは事前に設定された開始時間まで遅延されます。職場での負荷調整制御では、サイトの充電レートで各車両がセッション全体を通じて調整され、総負荷プロファイルが最適化されます。一方向充電は広く導入されているため、私たちは一方向充電に焦点を当てています。このテーマに関する学術研究は増えているにもかかわらず、双方向充電または車両からすべてへの充電 (V2X) の広範な導入には、依然としてかなりの規制的、社会的、技術的障壁が存在します。これらの課題には、バッテリーの状態に対する V2X の影響、ドライバーによる V2X プログラムの受け入れ、税金と保証への影響、十分な充電プロトコル、規制、規格の開発が含まれます41,75。

大規模での負荷変調制御の効果を推定するために、Powell et al.76 によって提案された方法に従って、小規模サイトの制御結果のデータ駆動型モデルをフィッティングしました。完全なアプローチについては、ここで詳しく説明します。いずれの場合も、ドライバーは制御なしの場合と同じ量のエネルギーを受け取ります。ピークの最小化と平均排出量の最小化を実施します。

データセット内の職場の充電セッションからランダムにサンプリングすることにより、それぞれ 150 台の車両を使用して 1,000 回の職場現場日をシミュレートします。毎日の充電の最適化問題は、充電速度、充電時間間隔を制限し、各車両が制御されていないセッションと同じ量のエネルギーを確実に受け取るようにするという制約の影響を受けます。セッションパラメータが事前にわかっていることを前提としています。一日の各時間帯 t における合計サイト負荷 L の関数として書かれると、ピーク最小化後の制御されたサイト負荷は ${L}^{* }=\,{{\mbox{argmin}}}\,\,\ mathop{\max }\nolimits_{t}{L}^{t}$。 EV 充電需要がないシナリオのディスパッチモデルによってシミュレートされた日次平均排出係数プロファイルなどを考慮すると、排出量最小化後の制御されたサイト負荷は L* = argmin∑tetLt となります。

この結果を使用して、非制御サイトプロファイルから制御サイトプロファイルへのマッピングのデータ駆動型モデル、f: L → L* を学習します。 f をリッジ回帰でモデル化し、1,000 のサイトプロファイルを正規化してトレーニング、開発、テストのセットに分割し、リッジパラメーターに対する交差検証とグリッド検索でモデルをトレーニングします。ピーク最小化と排出最小化の最適化の開発セットのモデル二乗平均平方根誤差は、それぞれピーク負荷の 2.06% と 3.34% でした。

職場での充電排出量を最小限に抑えるための最適化定式化では、よりスムーズで現実的な充電ディスパッチを促進するために、集合プロファイルの傾きに比例する小さな正則化項を追加しました。

職場制御シナリオの最終プロファイルをモデル化するために、各最適化目標のトレーニング済みモデルを WECC の未制御職場充電プロファイル全体に適用します。

当社の充電データセット内の住宅用充電セッションの 31% 以上では、タイマーを使用して、地元の電力会社の最低料金期間まで夕方の開始時間を遅らせることが示されています。タイマーを使用する将来のすべてのシナリオで同じ応答率を想定します。

セッション動作を表すガウス混合モデル内のコンポーネントを特定し、その開始時間をシフトすることにより、負荷シフトタイマー制御をモデル化します。「ランダムタイマー」シナリオは、タイマーを使用している居住者に、午後 8 時 30 分、午後 9 時、午後 9 時半、午後 10 時、...、午前 2 時、および次の 2 時に始まる最低料金期間の料金スケジュールをランダムに割り当てた理論的なケースを表しています。午前 30 時制御されていない家庭用充電をモデル化するために、混合モデルのこれらのコンポーネントを削除し、その重みを夕方の開始時間を持つ他のコンポーネントに追加します。

週末には、住宅用充電需要のコンポーネントのエネルギー分布はより変動します。制御されていない住宅用充電をモデル化し、削除されるタイマーコンポーネントに最も近いエネルギーを持つ非タイマーコンポーネントを特にターゲットにします。

我々は、Deetjen と Azevedo によって提案された低次数発電機派遣モデルに基づいて WECC の米国部分をモデル化し 57,77、非化石燃料の発電と系統貯蔵の両方を考慮するようにモデルを拡張します。

派遣モデルは、過去のコストデータを使用して、年間の各週の発電機のメリットオーダーを構築し、各時間の需要を満たすために最低コストで発電機を派遣します。コストと発電機の可用性は、入手可能なデータに応じて毎週または毎月更新され、その結果、年間を通じて 52 の異なるメリットオーダーが生成されます。 2019 年から入手可能な最新データを使用してモデルを構築し、将来のグリッドを表すためにいくつかの拡張機能を追加します。2035 年までに発表された廃止および追加に基づいて発電ユニットを削除または追加します。他の分野の電化を代表するためにベースライン需要を増加させます。再生可能エネルギーの発電量を増やすための 2 つのシナリオを含めます。私たちは、予想されるグリッドスケールのストレージ追加の動作をモデル化し、EV 充電シナリオからの需要を追加します。

各プラントの発電コストの計算には燃料価格と生産量に関する履歴データが使用されるため、効率、契約の違い、立地などの要因により、同じ種類のプラントであっても発電コストが異なります。その結果、ジェネレーターは排出率によって適切に順序付けされません。

EV 充電への影響に関する文献では、トランスミッション 9,28、ユニットコミットメント 25,34 など 29,32 のモデルを含む、さまざまなグリッドモデルが使用されています。 Deetjen と Azevedo57 によって提案された低次数ディスパッチモデルは高速で計算コストが低いため、多くのシナリオを計算して比較することができます。また、オープンソースで高度にカスタマイズ可能で、公開されているデータに基づいているため、将来のグリッドのモデルをオープンソースで共有することもできます。より詳細な文献レビューは補足ノート 1 に含まれています。

EPA が継続的排出監視システムを通じて収集したデータは、WECC78 の各化石燃料生成装置の時間ごとの稼働、燃料消費量、容量、排出量を示します。 EPA が排出量と生成の統合資源データベースに収集したデータには、各プラントの建設日、燃料の種類、および位置が示されています79。米国エネルギー情報局フォーム 923 データセットによって収集されたデータは、石炭、天然ガス、石油プラントの燃料購入と価格を示しています80。原子力、水力、風力、太陽光などの非化石燃料源からの時間当たりの発電量は、米国エネルギー情報局の電気システム運用データの Web サイトを通じてアクセスされました81。

2035 年に計画および発表された世代交代は、EV 充電需要の従来通りの基本ケース予測を含む容量拡張計画モデルの結果です。私たちは、これらのモデルと発表の結果を利用して系統発電モデルを更新し、次に EV からの需要の部分を変更して、さまざまな充電シナリオに対する系統への影響の感度をテストします。

2035 年までに廃止が発表されているプラントまたはユニットは発電機セットから除外されます56。天然ガス容量 7,644 MW と石炭容量 17,175 MW です。発表された追加は、最も類似した既存のプラントを複製することによって含まれており、オンラインで追加と同じ地域にある最近のものを優先します56: 天然ガスは 14,283 MW、石炭は含まれていません。

ベースライン需要は、電化将来調査の基準電化と中程度の技術進歩シナリオの負荷プロファイルに基づいて電化を表すために 1.16 倍に拡大されています 48,82。この係数は、Mai et al.48 によって入手可能なデータを使用し、2030 年から 2040 年の間を補間して、交通機関の電化に関連するものを除く、WECC の全州にわたる 2018 年のレベルに対する消費の平均増加率として計算されました。この推定値は、人口増加の影響により、暖房、冷房、調理、その他の最終用途のための電気技術の使用が通常通り増加すると予測されており48、技術と効率は緩やかに改善されています83。

私たちは、カリフォルニア州上院法案 100、「2018 年 100 パーセントクリーンエネルギー法」58 によって促進された最近の予測に基づいて、再生可能発電の拡大に関する 2 つのシナリオを作成します。カリフォルニアで予測される生産能力の増加は、WECC 地域全体に反映される可能性があると考えられます。 2035 年の予測に基づく当社の「中程度の再生可能エネルギー」シナリオでは、風力発電と太陽光発電の発電容量はそれぞれ 2019 年のレベルの 3 倍と 3.5 倍になります。そして、2045 年の予測に基づいた「高再生可能エネルギー」シナリオでは、風力発電と太陽光発電の発電量がそれぞれ 2019 年のレベルの 5 倍になります。同じレポートに基づいて、WECC のバッテリー貯蔵量のベースライン量を 10 GW の容量と 4 時間の持続時間としてモデル化します 58,84。

化石燃料発電機が直面する将来の需要 Dff を、総需要 Dtotal から調整後の非化石燃料ベースの発電量 Gnon-ff を引くことで計算します。これは係数 αelect で電化用に調整され、追加の需要を含めるように調整されます。 EVの充電、DEVから。計算は次のように表すことができます。

私たちは、再生可能発電量を調整するためにαソーラーとα風力の乗数を使用し、将来の設備の設備利用率と運用が2019年と同じであると想定しています。ピーク時の発送前に、充電スケジュールr1でベースラインストレージの10GWを運用しました。 - シェービング、燃焼発電機が直面する需要のノルムを最小限に抑えるための操作の最適化、${r}_{1}\!^{* }=\,{{\mathrm{argmin}}}\,\,| | {D}_{{{\mathrm{comb}}}}-{r}_{1}| {| }_{2}$。この時点でオーバージェネレーションは抑制され、負でない Dff が確実にディスパッチされます。発電事業者に送られた最終的な金額は、

また、発電機の派遣後に追加のストレージを使用して満たされていない需要をカバーし、必要な最小追加容量である 4 時間のストレージを見つけるために最適化する 2 番目のタイプのストレージも適用します。

EV をサポートする送電網の容量は、年間の各週の発電機の最大合計容量によって制限されます。

容量をテストし、より低い導入レベルでの影響を調査するために、導入が一定に分布していると仮定して、EV 充電需要のモデルの出力を 100% にスケールします。

容量制限は、EV を含む総負荷をサポートできない場合の EV 導入の最初のパーセントです。この測定は、平均的な日のピークを調査するよりも極端な日に対してより敏感ですが、実際の制限と重要なグリッドへの影響を表しています。また、これはグリッドの信頼性に対する重要なしきい値を表します。この制限近くで運用すると、発電量が平均より少ない日や需要が平均より多い日には、送電網が不足する可能性があります。

派遣モデルはヒューリスティックを使用して、石炭火力発電所の最小ダウンタイム制約を実装します57。これらの制約は、将来のグリッドでも同じ期間アクティブになると想定しています。発送モデルは、2019 年に特定の発電機がオフラインだった期間の履歴データに基づいて毎週更新されるため、最大発電容量は毎週異なります。最小ダウンタイム制約がトリガーされるウィンドウが 1 週間と次の週の間の区切りをまたぐと、その期間のキャパシティは 2 週間のキャパシティのうち低い方のキャパシティによって制限されます。一方、ストレージ要件は、週次の制限に基づいて計算されるのではなく、ディスパッチモデルの実行時に満たすことができなかった需要の時間単位の時系列に基づいて計算されます。

2035 年の貯蔵容量の予測は非常に不確実であり、値の範囲も広範囲に及びます。 WECC で発表された追加は、2020 年のレベルと比較して約 8 倍の増加をもたらします56。カリフォルニア州はすでに他の州の 3 倍を超えるグリッド規模の貯蔵容量を備えている85が、上院法案 100 の報告要件である 2030 年までに 10 GW は、2019 年のレベルである 0.2 GW の 50 倍の増加に相当します (参考文献 58)。この値は、2035 年までの WECC の総設置量の公平な基本ケースの予測を表すものと想定されます。

満たされていない需要をカバーするために追加のストレージ容量を追加する 2 番目のタイプのストレージ実装では、バッテリーのスムーズな動作を目的として小さな正則化項を含めます。夜間の容量制限を満たすには、追加のストレージが必要です。追加の太陽光発電を使用して充電されることを想定しており、追加のストレージを充電するための追加の需要を繰り返したり再送信したりすることはありません。

派遣された各発電機からの排出量の合計として、各時間の総排出量を計算します。需要時間ごとに最後に派遣された発電機が限界発電機として識別され、その排出率 (kgCO2 kWh−1) が限界排出係数を決定します。各シナリオでの EV の追加によって生じる排出量を帰属させるため、EV 充電需要のない並行シナリオのディスパッチから総排出量を差し引きます。

非化石燃料の余剰発電量は、非化石燃料の発電量が需要を上回る時間帯の余剰発電量を合計することで計算されます。このモデルは、伝送、相互接続、または輻輳を表すものではありません。したがって、余剰発電が削減されるか、または別の地域に輸出されるかについてはモデル化しません。

この研究で使用された充電データは、個々のドライバーのプライバシー上の懸念により一般に公開することはできませんが、そのデータを使用して調整され、この研究で使用されたモデルオブジェクトと充電プロファイルは https://data で公開されています。 mendeley.com/datasets/y872vhtfrc/2https://doi.org/10.17632/y872vhtfrc.2。この最小限のデータセットにより、充電モデルを実行し、将来の新しい充電シナリオをシミュレートしてテストすることが可能になります。アクセスに関する質問は、GVC ([email protected]) までお問い合わせください。グリッドモデルは、公開されているデータを使用して実行されました。その収集と処理の手順は、https://github.com/Stanford-Sustainable-Systems-Lab/speech-grid-impact のコードに含まれています。ご質問がございましたら、SP、IA、または RR までお問い合わせください。

この論文で紹介されている分析に使用されたコードは、https://github.com/Stanford-Sustainable-Systems-Lab/speech-grid-impact から DOI 10.5281/zenodo.7031008 で入手できます。ご不明な点はSPまでお問い合わせください。

Bibra, E. et al. Global EV Outlook 2021: パンデミックにもかかわらず野心を加速 (国際エネルギー機関、2021)。

Bouckaert, S. et al. 2050 年までのネットゼロ: 世界エネルギー部門のロードマップ (国際エネルギー機関、2021)。

McKerracher、C. et al. 電気自動車の見通し 2021: エグゼクティブサマリー (ブルームバーグNEF、2021)。

Coignard, J.、MacDougall, P.、Stadtmueller, F.、Vrettos, E. 電気自動車は配電網のアップグレードを推進しますか?: カリフォルニアの場合。 IEEEエレクトリフ。マグ。 7、46–56 (2019)。

記事 Google Scholar

Muratori, M. 調整されていないプラグイン電気自動車の充電が家庭用電力需要に及ぼす影響。ナット。エネルギー 3、193–201 (2018)。

記事 Google Scholar

Quiros-Tortos, J.、Ochoa, L. & Butler, T. 電気自動車と電力網がどのように連携するか: 世界最大規模の電気自動車試験から学んだ教訓。 IEEE パワーエネルギー誌 16、64–76 (2018)。

記事 Google Scholar

パウエル、S.ら。電気自動車の職場充電の管理: 料金スケジュールが変圧器の老朽化に与える影響。応用エネルギー 276、115352 (2020)。

記事 Google Scholar

Brinkel, N.、Schram, W.、AlSkaif, T.、Lampropoulos, I. & van Sark, W. グリッドを強化する必要がありますか? さまざまな変圧器制限下での電気自動車充電のコストと排出量の最適化。応用エネルギー 276、115285 (2020)。

記事 Google Scholar

Kintner-Meyer、M. et al. 電気自動車の大規模化 – フェーズ I 分析: EV の普及が米国西部の電力網に与える影響 (パシフィックノースウェスト国立研究所、2020)。

議会法案 2127 電気自動車充電インフラ評価 (カリフォルニア州エネルギー委員会、2021 年)。 https://www.energy.ca.gov/programs-and-topics/programs/electric-vehicle-charging-infrastructor-assessment-ab-2127

村取正人ほか将来の統合モビリティとエネルギーシステム: モデリングの観点。更新します。サス。エネルギー改訂 119、109541 (2020)。

記事 Google Scholar

Chakraborty, D.、Bunch, DS、Lee, JH & Tal, G. 充電インフラの需要ドライバー - プラグイン電気自動車通勤者の充電行動。トランスペアレント解像度 D 76、255–272 (2019)。

記事 Google Scholar

Lee, JH、Chakraborty, D.、Hardman, SJ & Tal, G. 電気自動車の充電パターンの探索: 充電インフラの混合使用。トランスペアレント解像度 D 79、102249 (2020)。

記事 Google Scholar

Zhang, J.、Yan, J.、Liu, Y.、Zhang, H.、Lv, G. 車両ユーザーの人口統計を考慮した毎日の電気自動車充電負荷プロファイル。応用エネルギー 274、115063 (2020)。

記事 Google Scholar

Pan, L.、Yao, E.、MacKenzie, D. リスクに対する態度と属性の不参加を考慮した EV 充電選択のモデリング。トランスペアレント解像度 C 102、60–72 (2019)。

記事 Google Scholar

ハードマン、S.ら。電気自動車の充電インフラに対する消費者の好みと相互作用のレビュー。トランスペアレント解像度 D 62、508–523 (2018)。

記事 Google Scholar

Hardman, S. & Tal, G. カリフォルニアの電気自動車所有者の間での廃止についての理解。ナット。エネルギー 6、538–545 (2021)。

記事 Google Scholar

Wei, W.、Ramakrishnan, S.、ZA ニーデル & JE トランシック高エネルギー日のための個人車両の電化および充電ソリューション。ナット。エネルギー 6、105–114 (2021)。

記事 Google Scholar

Mersky、AC、Sprei、F.、Samaras、C.、Qian、ZS ノルウェーにおける電気自動車導入に対するインセンティブの効果。トランスペアレント解像度 D 46、56–68 (2016)。

記事 Google Scholar

Ledna, C.、Muratori, M.、Brooker, A.、Wood, E. & Greene, D. EV の導入をサポートする方法: カリフォルニアにおける充電インフラへの投資と自動車補助金のトレードオフ。エネルギー政策 165、112931 (2022)。

記事 Google Scholar

Lee, JH、Hardman, SJ、Tal, G. カリフォルニアで電気自動車を購入しているのは誰ですか? アーリーアダプターの異質性を特徴づけ、市場の普及を予測します。エネルギー抵抗社会科学 55、218–226 (2019)。

記事 Google Scholar

Brockway, AM、Conde, J. & Callaway, D. カリフォルニアの送電網インフラの制限による分散型エネルギーリソースへの不公平なアクセス。ナット。エネルギー 6、892–903 (2021)。

記事 Google Scholar

Canepa, K.、Hardman, S. & Tal, G. カリフォルニアの恵まれない地域社会におけるプラグイン電気自動車の導入に関する初期の調査。トランスペアレントポリシー 78、19 ～ 30 (2019)。

記事 Google Scholar

EV インフラの構築 (CALeVIP、2021 年 9 月 9 日にアクセス)。 https://calevip.org/

JK のシナイ、CJ のシェパード、ニュージャージー州アビヤンカール、アーカンソー州ゴパル電気自動車の充電管理により、送電網の運用コストと再生可能エネルギーの削減を削減。エネルギー政策 136、111051 (2020)。

記事 Google Scholar

Zhang, J.、Jorgenson, J.、Markel, T. & Walkowicz, K. カリフォルニアの高再生可能エネルギー研究に基づく、管理された充電による送電網への価値。 IEEEトランス。パワーシステム。 34、831–840 (2018)。

記事 Google Scholar

Wood、EW、Rames、CL & Muratori、M. 新しい EVSE 分析ツール/モデル: 電気自動車インフラ予測ツール (EVI-Pro) (国立再生可能エネルギー研究所、2018)。

Crozier, C.、Morstyn, T. & McCulloch, M. 電気自動車が送配電システムに与える影響を軽減するためのスマート充電の機会。応用エネルギー 268、114973 (2020)。

記事 Google Scholar

Manríquez, F.、Sauma, E.、Aguado, J.、de la Torre, S.、Contreras, J. 電力システム拡張計画における電気自動車充電方式の影響。応用エネルギー 262、114527 (2020)。

記事 Google Scholar

Cheng, AJ、Tarroja, B.、Shaffer, B.、Samuelsen, S. 電気自動車のスマート充電アプローチの集中型と分散型の排出メリットの比較: 2030 年カリフォルニア電力網のケーススタディ。 J. パワーソース 401、175–185 (2018)。

記事 Google Scholar

Zhang、C.、Greenblatt、JB、MacDougall、P.、Saxena、S.、Prabhakar、AJ 米国中西部の将来の電力網における電気自動車の利点を定量化します。応用エネルギー 270、115174 (2020)。

記事 Google Scholar

Doluweera, G.、Hahn, F.、Bergerson, J.、Pruckner, M. アルバータ州における電気自動車のエネルギー消費と持続可能性への影響に関するシナリオベースの研究。応用エネルギー 268、114961 (2020)。

記事 Google Scholar

Wolinetz, M.、Axsen, J.、Peters, J. & Crawford, C. 行動的に現実的なモデルを使用した電気自動車とグリッドの統合の価値のシミュレーション。ナット。エネルギー 3、132–139 (2018)。

記事 Google Scholar

チェン、Ｘら。電気自動車の車両タイプと充電モードが風力発電のさまざまな普及下での排出量に及ぼす影響。ナット。エネルギー 3、413–421 (2018)。

記事 Google Scholar

Xu, Y.、Çolak, S.、Kara, EC、Moura, SJ & González, MC 充電プロファイルと都市モビリティを組み合わせて電気自動車のニーズを計画します。ナット。エネルギー 3、484–493 (2018)。

記事 Google Scholar

Jenn, A.、Clark-Sutton, K.、Gallaher, M.、Petrusa, J. 超急速充電による環境への影響。環境。解像度レット。 15、094060 (2020)。

記事 Google Scholar

Sachan, S.、Deb, S. & Singh, SN 電気自動車向けのさまざまな充電インフラとスマートな充電戦略。持続する。都市協会 60、102238 (2020)。

記事 Google Scholar

McLaren, J.、Miller, J.、O'Shaughnessy, E.、Wood, E. & Shapiro, E. 電気自動車の充電に伴う CO2 排出量: 発電構成、充電インフラの可用性、車両タイプの影響。エレクトロ。 J. 29, 72–88 (2016)。

記事 Google Scholar

ZA ニーデル、J. McNerney、モンタナ州チャン、JE トランシック米国における自家用車移動の電動化が広範囲に及ぶ可能性。ナット。エネルギー 1、16112 (2016)。

記事 Google Scholar

He、Y.、Kockelman、KM、Perrine、KA バッテリー式電気自動車による長距離旅行を完了するための米国の急速充電ステーションの最適な場所。 J. クリーナー製品。 214、452–461 (2019)。

記事 Google Scholar

アンワル、MB 他電気自動車の管理された充電の価値の評価: 方法論と結果のレビュー。エネルギー環境。科学。 15、466–498 (2022)。

記事 Google Scholar

ボーローグ、B.ら。大型トラックの電化とデポ充電が配電システムに与える影響。ナット。エネルギー 6、673–682 (2021)。

記事 Google Scholar

Coignard, J.、Saxena, S.、Greenblatt, J.、Wang, D. クリーンな電力網を実現するためのクリーンな車両。環境。解像度レット。 13、054031 (2018)。

記事 Google Scholar

Black, D.、MacDonald, J.、DeForest, N.、Gehbauer, C. ロサンゼルス空軍基地の車両からグリッドへのデモンストレーション: 最終プロジェクトレポート (ローレンスバークレー国立研究所、2020)。

米国国勢調査局のアメリカ人コミュニティ調査データ (SimplyAnalytics、2021 年 8 月 13 日にアクセス)。 https://simplyanalytics.com/

Fideldy, A. 12 月の理事会更新草案: 2020 年のモバイルソース戦略 (カリフォルニア大気資源委員会、2020 年)。 https://ww2.arb.ca.gov/sites/default/files/2020-11/Draft_2020_Mobile_Source_Strategy.pdf

マホーン、A.ら。再生可能エネルギーの高い将来における徹底的な脱炭素化カリフォルニア・パスウェイ・モデルの結果を更新 (カリフォルニア・エネルギー委員会、2018 年)。 https://www.energy.ca.gov/sites/default/files/2021-06/CEC-500-2018-012.pdf

Mai, T. 他電化の将来に関する研究: 米国の電気技術の導入と電力消費のシナリオ。 NREL/TP-6A20-71500 (国立再生可能エネルギー研究所、2018); https://doi.org/10.2172/1459351

カリフォルニア合同機関車両・送電網統合作業部会の最終報告書（カリフォルニア公共事業委員会、2020年）。 https://www.gridworks.org/wp-content/uploads/2020/09/GW_VehicleGrid-Integration-Working-Group.pdf

電気自動車 (EV) 料金プラン (Pacific Gas and Electric Company、2021 年 9 月 28 日にアクセス)。 https://www.pge.com/en_US/residential/rate-plans/rate-plan-options/electric-vehicle-base-plan/electric-vehicle-base-plan.page

クリーンエネルギーテクノロジーの料金オプション: 優れたプランで電気を導入 (南カリフォルニアエジソン、2021 年 9 月 28 日にアクセス)。 https://www.sce.com/residential/rates/electric-vehicle-plans

Powell, S.、Cezar, GV & Rajagopal, R. 観察されたドライバーの行動を考慮した電気自動車充電のスケーラブルな確率的推定。応用エネルギー 309、118382 (2022)。

記事 Google Scholar

シャシン、DP 他。観測された周波数過渡現象を使用した WECC システムの慣性の推定。 IEEEトランス。パワーシステム。 20、1190–1192 (2005)。

記事 Google Scholar

Muratori, M. & Rizzoni, G. 住宅需要応答: 動的なエネルギー管理と時間変動する電力価格設定。 IEEEトランス。パワーシステム。 31、1108–1117 (2015)。

記事 Google Scholar

SB 100 共同機関報告書 (カリフォルニア州エネルギー委員会、カリフォルニア公共事業委員会およびカリフォルニア州大気資源委員会、2021 年); https://www.energy.ca.gov/sb100

ブラウン、L. 世代の退職者: 発表された退職者と潜在的な退職者 (WECC、2020)。 https://www.wecc.org/Administrative/06_Brown_Retirements_ October%202020.pdf

TA ディーチェンおよびイリノイ州アゼベド米国の電力部門の限界排出係数をシミュレーションするための削減次数派遣モデル。環境。科学。テクノロジー。 53、10506–10513 (2019)。

記事 Google Scholar

2021 SB 100 共同機関レポートの概要: カリフォルニアにおける 100% クリーン電力の達成 (カリフォルニアエネルギー委員会、カリフォルニア公共事業委員会、およびカリフォルニア大気資源委員会、2021 年)。 https://www.energy.ca.gov/sb100

モンガード、K.ら。 2020 年のグリッドエネルギー貯蔵技術のコストとパフォーマンスの評価 (パシフィックノースウェスト国立研究所、2021 年)。

Cole, W.、Frazier, AW および Augustine, C. 実用規模のバッテリー貯蔵のコスト予測: 2021 年の最新情報 (National Renewable Energy Lab、2021)。

Kumar, N.、Besuner, P.、Lefton, S.、Agan, D. & Hilleman, D. 発電所の循環コスト (国立再生可能エネルギー研究所、2012)。

典型的な乗用車からの温室効果ガス排出量 (米国 EPA、2021 年 9 月 9 日にアクセス)。 https://www.epa.gov/greenvehicles/greenhouse-gas-emissions-typical-passenger-vehicle

米国政府の燃費情報に関する公式情報源 (米国エネルギー省および米国 EPA、2022 年 4 月 10 日にアクセス)。 https://fueleconomy.gov/feg/Find.do?action=sbsSelect

オランダ、SP、コッチェン、MJ、マンスール、ET、イェーツ、AJ 米国の電力の限界 CO2 排出量が減少しない理由: 推定値と気候政策への影響。手順国立アカデミー。科学。 USA 119、e2116632119 (2022)。

記事 Google Scholar

Fitzgerald, G. & Nelder, C. EVGO 艦隊および関税分析: フェーズ 1: カリフォルニア (ロッキーマウンテン研究所、2017)。 https://rmi.org/wp-content/uploads/2017/04/eLab_EVgo_Fleet_and_Tariff_Analysis_2017.pdf

Ledna, C.、Muratori, M.、Yip, A.、Jadun, P & Hoehne, C. 中型および大型道路用車両の脱炭素化: ゼロエミッション車両のコスト分析 (National Renewable Energy Lab、2022)。

Nicholas, M.、Tal, G. & Ji, W. 使用中の急速充電データからの教訓: なぜドライバーは家の近くにいるのか (カリフォルニア大学デービス校交通研究所、2017)。

2017 年全国世帯旅行調査 (米国運輸省、2017 年)。 https://nhts.ornl.gov

EASI MRI 消費者調査データ 2019 (SimplyAnalytics、2021 年 6 月 21 日にアクセス); https://simplyanalytics.com/

Alexander, M. カリフォルニアの家庭用充電アクセス。出版番号 CEC-600-2022-021 (カリフォルニア州エネルギー委員会、2022)。

カリフォルニア大気資源委員会のクリーンビークルリベートプロジェクト、リベート統計 (持続可能なエネルギーセンター、2021 年 2 月 19 日にアクセス)。 https://cleanvehiclerebate.org/eng/rebate-statistics

Galvin, R. 電気自動車は大きくなりすぎて重くなりすぎていますか? 脱炭素化された米国の電力網における将来の車両移動需要をモデル化します。エネルギー政策 161、112746 (2022)。

記事 Google Scholar

Xu, R. & Wunsch, D. クラスタリング Vol. 10 (ジョンワイリー & サンズ、2008)。

Friedman, J.、Hastie, T. & Tibshirani, R. 統計的学習の要素 Vol. 2 1、(Springer、2001)。

Gschwendtner, C.、Sinsel, SR & Stephan, A. Vehicle-to-X (V2X) 実装: 主な試験構成と技術的、社会的、規制上の課題の概要。更新します。サス。エネルギー改訂 145、110977 (2021)。

記事 Google Scholar

Powell, S.、Cezar, GV、Apostolaki-Iosifidou, E.、Rajagopal, R. データ駆動型制御モデルを使用した電気自動車充電の大規模シナリオ。エネルギー 248、123592 (2022)。

記事 Google Scholar

Deetjen、TA、Azevedo、IL シンプルなディスパッチのオープンソースモデル。 Github github.com/tdeetjen/simple_dispatch (2019)。

継続的排出監視システム (CEMS) データ (米国 EPA、2019 年); ftp://newftp.epa.gov/DmDnLoad/emissions/hourly/monthly/

排出量および生成資源統合データベース (eGRID) (米国 EPA、2019 年); https://www.epa.gov/energy/emissions-generation-resource-integrated-database-egrid

EIA-923 月次発電量および燃料消費時系列ファイル (米国エネルギー情報局、2019 年); https://www.eia.gov/electricity/data/eia923/

エネルギー源別の純発電量 (米国エネルギー情報局、2019 年)。 https://www.eia.gov/opendata/qb.php?category=3390101

マーフィー、C.ら。高度電化の将来: 米国の基幹電力システムへの影響。エレクトロ。 J. 33、106878 (2020)。

記事 Google Scholar

Jadun, P. et al. 電化の将来に関する研究: 2050 年までの最終用途電気技術のコストとパフォーマンスの予測 (National Renewable Energy Lab、2017)。

入力と仮定 - CEC SB 100 共同機関報告書 (カリフォルニア州エネルギー委員会、カリフォルニア州公共事業委員会、およびカリフォルニア州大気資源委員会、2021 年)。 https://www.energy.ca.gov/sb100

エネルギー貯蔵: 電気化学実用規模のバッテリーエネルギー貯蔵システムが基幹電力システムに及ぼす影響 (North American Electric Reliability Corporation、2021)。

リファレンスをダウンロードする

CEC の N. Crisosomo 氏と M. Alexander 氏の支援に感謝します。貴重なフィードバックとディスカッションを提供してくれた S3L、INES、GISMo、EV50 グループを含むスタンフォード大学と SLAC の同僚。オリジナルのグリッドディスパッチモデルについては T. Deetjen。データを提供するための ChargePoint。この研究は、カリフォルニア州エネルギー委員会から補助金 EPC-17-020 (SP および GVC) によって資金提供され、米国国立科学財団から CAREER 賞番号 1554178 (RR) を通じて、Precourt からの Stanford Bits & Watts EV50 Initiative からの資金提供を受けました。エネルギー研究所 (IMLA および LM)、およびフォルクスワーゲン (SP) からの研究です。 SLAC 国立加速器研究所は、契約 DE-AC02-76SF00515 に基づき、スタンフォード大学によって米国エネルギー省のために運営されています。

シボーン・パウエル

現在の住所: チューリッヒ工科大学管理・技術・経済学部、チューリッヒ、スイス

スタンフォード大学機械工学科、スタンフォード、カリフォルニア州、米国

シボーン・パウエル

応用科学部門、SLAC 国立加速器研究所、メンローパーク、カリフォルニア州、米国

グスタボ・ヴィアナ・セザール

プレコートエネルギー研究所、スタンフォード大学、スタンフォード、カリフォルニア州、米国

リャン・ミン、イネス ML アゼベド、ラム・ラジャゴパル

スタンフォード大学エネルギー資源工学科、スタンフォード、カリフォルニア州、米国

イネス ML アゼベド

ウッズ環境研究所、スタンフォード大学、スタンフォード、カリフォルニア州、米国

イネス ML アゼベド

スタンフォード大学土木・環境工学部、スタンフォード、カリフォルニア州、米国

ラム・ラジャゴパル

スタンフォード大学電気工学科、スタンフォード、カリフォルニア州、米国

ラム・ラジャゴパル

PubMed Google Scholar でこの著者を検索することもできます

SP、GVC、LM、IMLA、RR がこの研究を発案しました。 SP、RR、IMLA はモデリングフレームワークを設計しました。 SP はフレームワークを実装し、データを処理し、結果を分析しました。 SP と RR は原稿の初稿を作成しました。 SP、GVC、LM、IMLA、RR が原稿を編集および改訂しました。 GVC、LM、IMLA、RR は研究に対して制度的および物質的な支援を提供しました。

シボーン・パウエル、イネス・ML・アゼベド、またはラム・ラジャゴパルとの通信。

著者らは競合する利害関係を宣言していません。

Nature Energy は、この研究の査読に貢献してくれた Kara Kockelman と他の匿名の査読者に感謝します。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

付記 1 ～ 12、表 1 ～ 11、図 1 ～ 28、方法と参考文献。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

パウエル、S.、シーザー、GV、ミン、L. 他。電気自動車の普及による電力網への影響を軽減するための充電インフラへのアクセスと運用。 Nat Energy 7、932–945 (2022)。 https://doi.org/10.1038/s41560-022-01105-7

引用をダウンロード

受信日: 2022 年 1 月 1 日

受理日: 2022 年 7 月 21 日

公開日: 2022 年 9 月 22 日

発行日：2022年10月

DOI: https://doi.org/10.1038/s41560-022-01105-7

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コミュニケーション地球と環境 (2023)

自然 (2022)