本文构建统一的全球气候控制模拟框架,在5,000个陆地网格中耦合屋顶光伏、气候驱动用电需求与V2H/V2B电动汽车储能,发现PV-EV系统自给率可达84.2%,且相较仅配置光伏的系统,中位自给率提高21.1个百分点。 太阳能资源、日间需求匹配度和年度需求压力共同解释98%的空间差异。 仅依据光伏容量因子筛选会低估全球1,000座人口最多城市中21.9%的PV-EV潜力,报告据此主张将城市光伏选址从资源排名转向气候驱动的供需匹配评估。
这不是一份证券研究报告,因此不存在股票评级、目标价、盈利预测或传统意义上的企业估值。报告的核心问题是:在相同技术和社会行为条件下,不同气候如何影响“屋顶光伏发电—建筑需求—电动汽车储能”之间的时间匹配,以及仅依据太阳能资源筛选城市是否会误判 SolarEV 潜力。,
报告的主要结论可以概括为:
研究者以京都作为社会技术配置的参考城市,把京都的屋顶面积、电动汽车保有量、出行行为、用电结构和需求响应方式投射到全球约5,000个陆地网格中,同时为每个网格输入当地逐小时气象数据。,
这种设计的优点是能够进行“受控实验”:各地技术规模和行为假设基本一致,空间差异主要来自气候及其对光伏发电和用电需求的影响。京都被选作基准,是因为它既有既往 PV-EV 研究基础,又处于中纬度,能够同时体现采暖和制冷需求。报告还指出,京都标准化后的热中性工作日负荷曲线没有明显偏离其他11个外部电力系统的观测范围,因此作者认为京都并非一个异常样本。
但这一设计也决定了结果不能直接等同于现实中的国家或城市排名。真实部署中,各地的建筑密度、停车条件、电动汽车拥有率、收入水平、出行规律、电价和电网约束都不同。报告本身也强调,京都是全球比较的标准化参考,而不是各地现实部署的模板。,
基准系统包含:
调度逻辑是先由光伏直接满足建筑需求;若有剩余光伏且车辆连接,则给电动汽车充电;若光伏不足且车辆连接,则由电池向建筑放电。每日结束时,如果电池低于50%的出行储备水平,电网会补充充电,但这部分电力不被计入本地光伏自供电。
电动汽车每天有三个一小时的出行不可用时段,随机安排在07:00至18:00之间;出行期间每辆车每小时消耗1.1 kWh。这一设定体现了交通需求会减少白天车辆作为储能设备的可用时间,但它仍然是一个高度概括的系统级假设。,
图1展示了研究的五步流程:
图中最重要的设计是:气象数据同时进入光伏模型和需求模型。因此,气候不仅影响“能发多少光伏电”,也影响“什么时候需要多少电”。研究的创新就在于把这两种气候影响放在同一套逐小时仿真中处理,而不是只比较年太阳辐射或光伏容量因子。
图2a显示,PV-EV 自给率最低约为21.6%,最高约为84.2%,多数位于北纬45度以南的地区超过60%。高自给率并不只出现在北非、中东和澳大利亚内陆等高太阳能资源区域,也出现在地中海沿岸、美国南部至墨西哥北部、澳大利亚南部以及若干低纬沿海地区。
地图说明,光伏资源是必要条件,但不是充分条件。某地即使年发电量较高,如果需求主要集中在夜间,或者高光伏季节与低需求季节重合,最终自给率仍可能不高。
图2b将带电动汽车储能的 PV-EV 系统与没有储能的 PV-only 系统进行比较。PV-EV 的自给率中位数比 PV-only 高21.1个百分点,而 PV-only 的自给率中位数为44.8%。图中 PV-EV 的最大自给率约为84.2%,PV-only 的最大值约为53.7%。
这说明电动汽车的价值不只在于增加交通电气化,也在于提供日内储能。需要注意的是,PV-EV 同时增加了电动汽车行驶用电,因此其优势不是来自减少需求,而是来自把光伏剩余电量转移到原本需要电网供电的时段。
图2c将光伏容量因子划分为多个窄区间,并以纬度为颜色变量。即使在相近的年度光伏生产率下,不同地点的 PV-EV 自给率仍存在明显差异,并呈现出与纬度相关的变化。这直接支持作者的核心论点:光伏容量因子只能描述发电侧的年平均产出,无法描述发电时间与需求时间是否匹配。
图3将三个变量分别按照全球中位数划分为高、低两类:
由此形成八种互斥类型:
| 类型 | 全球网格占比 | 中位自给率 |
|---|---|---|
| Near-ideal | 20.8% | 75.1% |
| Pressure-constrained | 16.7% | 69.2% |
| Alignment-constrained | 9.1% | 68.9% |
| Alignment-demand constrained | 3.4% | 64.1% |
| Resource-constrained | 6.3% | 67.7% |
| Resource-pressure constrained | 6.2% | 63.7% |
| Resource-alignment constrained | 13.8% | 56.3% |
| Compound-constrained | 23.7% | 38.6% |
这些占比合计约100%,说明该分类覆盖了全部模拟网格。,
作者的定量解释是:在太阳能资源较好的区域,如果需求压力较高,自给率会下降约5.9个百分点;如果白天需求匹配度较差,自给率会下降约6.1个百分点;两者同时不利时,降幅约为11个百分点。相反,在资源较弱但需求匹配良好的地区,自给率中位数仍可达到67.7%,接近资源较强但匹配度较差地区的68.9%。当资源和匹配度都较差时,需求压力的负面影响最大,可造成17.7个百分点的自给率损失。
因此,三个因素的分工可以理解为:
图4上方的城市日内能量平衡图把需求拆分为光伏直接供电、EV 放电和电网进口。下方地图则展示 Near-ideal 和 Compound-constrained 两类的全球分布。
这些城市的共同点不是单纯的高太阳辐射,而是白天存在较强的制冷或建筑用电需求,使光伏发电高峰与负荷高峰相互接近。日间产生的剩余光伏再由EV电池转移到夜间,形成较高的综合自给率。
新西伯利亚的主要问题是冬季采暖需求高,而光伏发电低且需求更多发生在非太阳时段。哈科特港、新加坡和泗水则受到热带降雨、对流天气或湿季云量的影响,光伏发电在本可以与白天需求匹配的时段受到削弱。
图4还揭示了一个重要细节:低纬度并不自动意味着高自给率。低纬度通常具有较稳定的日照长度,但热带云雨会降低实际辐射;如果高温需求没有足够地落在光伏发电时段,系统仍然需要大量电网进口。
图5同时展示每月自给率、光伏发电量、建筑需求和温度,并在右侧比较需求匹配度最高和最低月份的日内曲线。图中的需求匹配度变异系数越低,说明一年中负荷相对于白天时段的变化越稳定。
新西伯利亚最能说明短时储能的局限:电动汽车电池可以解决小时级或日内错配,但无法把夏季的光伏盈余保存数月以供冬季使用。因此,年自给率背后还存在季节储能和系统韧性问题。
图6定义误差为:
ΔR = PV-EV 自给率百分位 − PV 容量因子百分位。
当 ΔR 大于15个百分点时,说明仅按光伏容量因子会低估 PV-EV 潜力;当 ΔR 小于−15个百分点时,则表示会高估潜力。
在5,000个全球陆地网格中,低估和高估的严重误判比例都为12.4%,表面上看是对称的。但在全球人口最多的1,000座城市中,严重低估城市有219座,占21.9%;严重高估城市只有37座,占3.7%。这说明城市层面的误判明显偏向“低估”,原因可能是人口密集城市通常具有更强的白天制冷、商业和建筑需求,供需匹配能够弥补部分太阳能资源不足。
219座被严重低估的城市中,东亚82座、非洲51座、南美洲39座,三者合计超过四分之三。图6b进一步显示:
这一结果支持报告的政策含义:在人口和用电需求快速增长的地区,选址不能只查看太阳辐射地图,还需要评估本地需求的日内和季节性结构。
研究使用 NASA MERRA-2 逐小时再分析气象数据,包括温度、湿度、风速、气压和短波辐射。光伏发电由 NREL SAM 模型模拟,屋顶面积和电动汽车保有量等参数主要参考日本市町村数据及既有 SolarEV 研究。
需求模型使用 BAIT,即建筑调整室内温度指标。它综合温度、太阳辐射、风速、湿度和建筑热惯性,比单纯室外温度更适合描述建筑采暖需求。研究先利用2024年关西电力区域负荷训练 XGBoost 模型,再把京都风格的需求响应转移到全球气候条件下。,
全球气候转移模型采用两阶段结构:
模型在留出数据上的 MAPE 为4.37%,R²为0.86,说明其对基准需求曲线具有较好的拟合能力,但这并不代表它能够准确预测每个国家真实的实际用电量。作者明确表示,该模型用于生成统一的“京都式需求响应”,而不是估计各国真实需求规模。,
模拟以8,760个小时为一个年度,并把同一代表性气象年和需求曲线重复25年,同时考虑光伏和电池衰减。光伏组件年衰减率为0.5%,电池容量每年按0.982的保持率下降。由于没有使用连续25年的真实天气序列,结果更适合解释长期平均气候条件下的结构性差异,而不是评估极端天气发生概率。
报告没有公司现金流、资本成本、可比公司倍数、DCF、P/E、EV/EBITDA或目标价,因此传统金融估值不适用。报告实际使用的是能源系统技术指标:
从系统价值角度看,作者补充指出,在 Near-ideal 类型中,80%的自给率对应约6.81 TWh的本地建筑和交通用电供给;高纬度地区夏季月度能量自足率最高可达136.8%,意味着可能需要长时或季节储能来利用夏季剩余电力。 但这些数字仍不是经济价值,因为报告没有给出光伏、电池、车辆双向充电设备、并网升级和电池寿命成本,也没有计算碳价或电价收益。
将全球城市都设定为京都式屋顶面积、电动汽车规模和需求结构,有利于隔离气候影响,却会削弱现实解释力。低收入地区可能存在较低的电动汽车拥有率和较少的屋顶并网能力,发达城市则可能面临停车位置与居民参与率问题。
报告使用三个随机一小时出行窗口表示车辆不可用,但现实中的车辆出行具有通勤、长途、周末和充电状态差异。名义电池容量40 kWh不能等同于可调度容量,实际可用储能还取决于车辆是否在家、车主是否允许放电、出行需求和当前 SOC。
EV 电池适合日内移峰,却难以解决数周或数月的低光伏时期。报告指出,高纬度地区可能出现夏季能量盈余,但冬季短缺;极端降雨、热带气旋和集中式电网中断还可能暴露自给率指标无法体现的韧性问题。
报告标题强调脱碳潜力,但核心计算指标是自给率。高自给率通常意味着较少电网购电,但实际减排量还取决于被替代电力的煤气结构、光伏和电池制造排放、车辆生命周期排放以及电网边际排放因子。文本没有提供完整的生命周期碳排放核算,因此“高自给率”更准确地表示高本地能源供给潜力,而不是已经被量化的实际减排量。
作者并非认为太阳能资源指标无用,而是指出它无法单独描述 PV-EV 系统。对于单独的屋顶光伏项目,光伏容量因子仍然是重要指标;只有在加入建筑负荷和电动汽车储能后,时间匹配才成为决定性变量。
这项研究的核心贡献,是把全球 SolarEV 评价从“哪里太阳能资源最好”转向“哪里光伏发电、建筑需求和电动汽车储能最匹配”。图2证明,EV 双向储能可以显著提高日内光伏利用率;图3说明太阳能资源、需求匹配和需求压力共同决定系统表现;图4和图5进一步表明,不同气候下的日内匹配和季节匹配同样重要;图6则显示,仅以光伏容量因子筛选城市,会特别严重地低估东亚、非洲、南美、南亚和东南亚等快速增长地区的 PV-EV 潜力。,,,
报告没有提出证券投资意义上的评级或目标价,而是提出一种能源规划判断:未来城市光伏和电动汽车系统的选址,应从太阳能资源排名转向气候驱动的供需匹配评估。该结论在受控模拟框架内具有较强一致性,但要转化为现实投资和政策决策,还需要加入真实负荷、真实出行数据、建筑和停车约束、配电网容量、电价机制、未来气候情景及长时间低可再生能源事件。总体而言,报告最有价值的发现不是“某个地区光照更强”,而是证明了同样的年光伏资源,在不同需求时序和储能可用性下,可能产生截然不同的城市脱碳效果。,
2610.29344.pdf