החלת אופטימיזציה רב-אובייקטיבית לשיפור ביצוע רכב חשמלי תחנות

הקדמה: התפקיד הקריטי של אופטימיזציה של תשתיות EV

אימוץ מהיר של כלי רכב חשמליים (EVs) מעצב מחדש מערכות תחבורה ברחבי העולם, מונע על ידי תקנות סביבתיות, ירידה בעלויות הסוללה, וביקוש הצרכנים ניידות בת קיימא.עם זאת, ההצלחה של ניידות חשמלית תלויה בביצוע תשתיות טעינה. תחנות טעינה EV אינן נקודות פשוטות יותר של משלוח אנרגיה; הם צמתים מורכבים במערכת אקולוגית אנרגיה מקושרת.

זה המקום שבו אופטימיזציה רב-אובייקטיביים (MOO) מופיעה כגישה טרנספורמטיבית.על ידי התייחסות בו זמנית למטרות סותרות כגון צמצום זמני ההמתנה, צמצום עלויות האנרגיה, ומקסימום את התחנה באמצעות ספוט, MOO מאפשר תחנות טעינה לפעול ביעילות שיא.בניגוד אופטימיזציה חד-משמעית לשיפור מדד אחד על חשבון אחרים, MOO מוצא סט של פתרונות מסחר-off אמיתי שמשקף את ההנחיות בעולם, כגון פתרונות פונקציונליים, פתרונות אלגוריתמים, פתרונות תפעוליים, ופעולות של אלגוריתמים, אשר משפרות, אלגוריתמים, אלגוריתמים, אלגוריתמים, אלגוריתמים, אלגוריתמים, פתרונות אלגוריתמים, אלגוריתמים, אשר משפרים, אלגוריתמים, אשר משפרים, אלגוריתמים, אלגוריתמים, אשר משפרים, אלגוריתמים, אלגוריתמים, אלגוריתמים, אלגוריתמים, אשר משפרים, אלגוריתמים, אלגוריתמים, אשר משפרים, אלגוריתמים, אשר משפרים, אלגוריתמים, אשר משפרים עתידיים, אלגוריתמים, פתרונות תפעוליים, אלגוריתמים, אשר משפרים, אשר משפרים, אלגוריתמים, אלגוריתמים, אלגוריתמים, אלגוריתמים, אלגוריתמים, כלומר,

הבנה של Multi-objective Optimization

אופטימיזציה רב-אובייקטיבית מתייחסת לתהליך של בעיות לפתרון הכוללות שני פונקציות אובייקטיביות או יותר כדי להיות מותאם בו-זמנית.במחקר הנדסי ותפעולי, מטרות אלה הן לעתים קרובות בקונפליקט.לדוגמה, צמצום זמני ההמתנה עשויים לדרוש שיעורי טעינה מהירים יותר, אשר מגביר את עלויות האנרגיה עקב חיובים שיא.comverse, minimizing עלויות עלולות להאט את הטעינה, הגדלת זמני ההמתנה.

מבחינה מתמטית, ניתן לבטא בעיה טיפוסית של MOO:

• מינימיזציה (או ממקסימה) f1(x), f2(x, fk(x)
• בכפוף למגבלות gj(x) ⁇ 0,hl(x) = 0

עבור תחנות טעינה EV, משתנה ההחלטה x עשוי לכלול רמות כוח טעינה, זמני התחלה, הקצאת התחנה ותמחור.ההגבלות יכולות לכלול יכולת תשלום, יכולת רשת, מצב של תשלום של כלי רכב המגיעים, והעדפות משתמשים.

קרנות אלגוריתמית

(ב) כמה משפחות של אלגוריתמים מותאמות ל-MOO בתשתיות טעינה (FLT:0 אלגוריתמים Genetic אלגוריתמים גלקסיות:0 אלגוריתמים אלגוריתמים של אלגוריתמים) הם פופולריים כי הם יכולים לחקור מרחבים גדולים, לא לינאריים באופן יעיל.הם משתמשים בבחירה, מעבר, ופעולות מוטציות כדי לפתח אוכלוסייה של פתרונות לגדר:2Pir-FIS) מבצעים גם אפשרויות בחירה רציפה (אופטימיות (אופטימיות) הן יכולות ל-D2, כלומר: 4.

חשוב לציין כי המורכבות של הבעיה גדלה עם מספר המטרות והמגבלות.לכן, המחקר האחרון משלב טכניקות מודלים חלופיים והפחתה של מימדיות כדי להפוך אופטימיזציה עבור פעולות בזמן אמת.

מטרות מפתח ב- EV Charging Station Optimization

הביצועים של תחנות טעינה EV ניתן למדוד לאורך ממדים מרובים.היעדים הבאים הם בין התדירות הגבוהה ביותר שנחשבת במחקר ופרקטיקה.כל מטרה אינטראקציה עם האחרים, יצירת צורך בהתקפי מסחר רב-אובייקטיביים.

« תזמון מינימלי

זמני המתנה ארוכים הם מקור עיקרי של אי שביעות רצון המשתמש.עבור תחנות טעינה מהירה, אפילו עיכוב של 15 דקות יכול קזק, גרימת גודש ולקוחות אבודים.זמני המתנה כרוך בתזמון יעיל של כלי רכב המגיעים, הקצאה דינמי של מטעני, ואולי אסטרטגיות חיזוי.מודלים חיזוי המבוססים על דפוסי הגעה היסטוריים יכולים לעזור לפני זמן פנוי.

צמצום עלויות האנרגיה

תוכניות תמחור חשמל - כגון שיעורי שימוש בזמן, עלויות הביקוש שיא, ותמחור בזמן אמת - ליצור הזדמנויות חיסכון בעלויות. על ידי תזמון טעינה בשעות מחוץ לפסאק או להאט כאשר מגבלות רשת מעוררות תשלום, מפעילי התחנה יכולים להפחית את חשבונות החשמל שלהם. מטרה זו מעודדת שיעורי טעינה מבוקרת ועיכוב זמני התחלה.אבל עלות עלולה לגרום יותר זמני המתנה עבור משתמשים, במיוחד במהלך שיא בין תקופות זמן פנויות הוא זמן ההמתנה חיוני.

בסביבה הקרובה של Maximizing Station Availability and Throughput

זמינות נמדדת לעתים קרובות כשבריר של מטען הזמן נמצאים בשימוש מול idle. High הזמינות מעידה על ניצול טוב אבל יכול גם להוביל לעומס אם הביקוש עולה על היצע.באמצעותput - מספר המכוניות המוגשות לשעה - הוא עוד מדד. Balancing זמינות ודרך חישוב מונע הן תחת הפחתת (יכולת מוצתה) ועומס יתר.

תמיכה ב-Gird Stability

תחנות טעינה יכולות לפעול כעומסים גמישים התומכים ברשת החשמל.על ידי התאמת שיעורי הטעינה בתגובה לסיגות תדירות או להגבלות של הטרנספורמציה המקומית, תחנות יכולות להימנע מגורמים לעומס מתח או לעומס יתר על יתר על המידה.מטרות יציבות גריידיות עלולות להתנגש עם מטרות ממוקדות משתמשים כמו טעינה מהירה.עם זאת, אופטימיזציה כגון תוכניות תגובה או תשלומי שירות רשת יכולים להפוך את המטרה הזו אטרקטיבית יותר בטווח הארוך, ל-לתקן (למשל, ל-to-to-to-to-line) עם טעינה (G) עם טעינה) עם טעינה מהירה.

מטרות נוספות

• (הופנה מהדף ההרחבה) ,0User Fairness:FLT:1 מבטיח כי אף קבוצה של משתמשים אינה מוגבלת באופן שיטתי (למשל, על ידי טעינה של מהירות או תמחור).
• (FLT:0) השפעות סביבתיות:FLT:1) צמצום פליטות הקשורות למיקור אנרגיה, במיוחד כאשר תערובת הרשת כוללת דלקים מאובנים.
• (ב) ⁇ :0) ⁇ : ⁇ : להימנע משיעורי C גבוהים או מצבים קיצוניים של מטען אשר מאיצים את ההזדקנות של סוללות.
• (ב) [15] ,0 ,13 ,5 ,5 ,5 ,1) לתחנות מסחריות, למקסם את הרווחים באמצעות תמחור ואסטרטגיות ניצול.

תהליך אופטימיזציה רב-Objective עבור תחנות צ'ינג

יישום MOO בתחנת טעינה אמיתית כרוך במספר שלבים: ניסוח בעיות, איסוף נתונים, בחירת אלגוריתם, דור פתרון וקבלת החלטות.

שלב 1: בעיות פורמולציה

הצעד הראשון הוא להגדיר את משתנים ההחלטה, מטרות ומגבלות.לדוגמה, תחנה עם 10 מטען מהיר עשוי להגדיר כוח טעינה משתנה (מ 50 קילוואט ל 350 קילוואט), להתחיל זמן (בינוני או איחור), ותמחור (זמן מבוסס או מבוסס אנרגיה) מטרות יכול להיות: למזער זמן המתנה הממוצע, להפחית את העלות הכוללת של אנרגיה על פני יום, למקסם את התמיכה ברשת (למשל, לשמור על כוח תחת מגבלות שירות).

שלב 2: איסוף נתונים ומודל

נתונים מדויקים על דפוסי ההגעה של משתמשים, משך הנסיעה, יכולות סוללות רכב, ומחירי חשמל הם הכרחיים.הנתונים ההיסטוריים יכולים לשמש כדי להתאים מודלים סטיגמיים, בעוד שהזנת נתונים בזמן אמת מאפשרת אופטימיזציה הסתגלותית. למידת מכונה יכולה לחזות ביקוש לטווח קצר, המאפשר תזמון פעיל.לדוגמה, חוקרים ב-FLT:0IEEE עסקאות על Smart GridFLT:1 הראו כי תחזיות עצביות לשיפור פתרונות האיכותיים.

שלב 3: אלגוריתאם בחירה ומימוש

בהתאם לאופק הזמן (יום ראש לעומת בזמן אמת), אלגוריתמים שונים מתאימים.עבור תכנון יום-ראש, אלגוריתמים אבולוציוניים כמו NSGA-III עבודה טובה. עבור התאמות בזמן אמת, שיטות קלות משקל כגון סכום משקל או epsilon-constra בשילוב עם פתרון מהיר מועדפים.

שלב 4: הערכת פתרון והחלטות

ברגע שחזית Pareto מושגת, מפעיל התחנה (או מערכת אוטומטית) בוחר נקודת הפעלה מסוימת.הבחירה הזו יכולה להיות מבוססת על סדרי עדיפויות מוגדרים על ידי משתמשים, כגון "מחיר כפול חשוב כמו זמן המתנה", או על טכניקות מתוחכמות יותר של MCDM.השיטה של ה- TOPSIS מדרגת פתרונות על ידי המרחק שלהם לנקודה אידיאלית.המפעיל יכול גם לדמות את ההשפעה של כל פתרון על ביצועי מפתח לפני אינדיקטורים של פריסה.

שלב 5: יישום ומזון

לאחר מכן, לוח הזמנים הנבחר או מדיניות הבקרה הוא מיושם. ניטור בזמן אמת מספק משוב שניתן להשתמש בו כדי לעדכן מודלים ולחדד אופטימיזציה עתידיים.תהליך סגור זה מאפשר שיפור מתמשך כמו דפוסי הביקוש ומחירי החשמל מתפתחים.

יתרונות של אופטימיזציה רב-אובייקטיבית בפרקטיקה

מחקרים רבים של מקרים ומחקר מבוסס סימולציה הוכיחו את היתרונות המוחשיים של MOO לתחנות טעינה, בעוד שרווחים מדויקים תלויים בתרחיש, שיפורים אופייניים כוללים:

• (FLT:0) ,Reduced Wait Times עד 20–40%, לעומת מדיניות ראשונה-הראשון-הראשון-הראשון-הראשון-הראשון, במיוחד בשעות השיא, תוך שמירה על על עלויות מתחת ל-5%.
• (FLT:0) חסכון בעלויות של 10-25% אנדרוואט 1:1 באמצעות תזמון אינטליגנטי שמשנה את החיוב לתקופות נמוכות של מכס ללא הגדלת זמני ההמתנה באופן משמעותי.
• תחנת הכוח:0 (בשיתוף פעולה) באמצעות חישוב 1:1 על ידי התאמת כוח טעינה לצרכי רכב ולטפל טוב יותר בפגישות חפיפות.
• (FLT:0) שיפור שילוב גריד'ר 1 (Galal IntegrationFLT) בהשתתפות בתוכניות תגובה תובעות המספקות הכנסות נוספות תוך שמירה על שביעות רצון המשתמש.

לדוגמה, מחקר שנערך על מרכז טעינה מהיר עם 20 מטעני קליפורניה דיווח כי גישה רב-אובייקטיבית באמצעות NSGA-II השיגה גבול Pareto שבו הטוב ביותר בין עלות וזמן ממוצע לחכות הביאה לירידה של 33% בזמן ההמתנה עם רק עלייה של 6% בעלות אנרגיה, בהשוואה לאופטימיזציה בסיסית של עלויות.

יתר על כן, MOO תומך בקיימות ארוכת טווח על ידי הפעלת ציוד אספקה לרכב חשמלי (EVSE) להסתגל לשינויים תנאים.כפי שמקורות אנרגיה מתחדשת משולבים ברשת, ניתן להתאים תחנות טעינה לעדיפות של שעות השמש או אנרגיית הרוח, צמצום טביעת הרגל פחמן ללא ביצוע הקרבה.

אתגרים ושיקולים

למרות הבטחתו, פריסת אופטימיזציה רב-אובייקטיבית בתחנות טעינה אמיתיות ניצבת בפני כמה מכשולים.

מורכבות

פתרון בעיות מרובות אובססיביות יכול להיות אינטנסיבי חישובי, במיוחד ככל שמספר המטרות והמטענים גדל.זמן בזמן אמת במרווחים של דקות-עשר דקות הוא מאתגר עם שיטות מדויקות.מודלים של הפרדה, מחשוב מקביל, ואלגוריתמים של חיזוי הם אזורי מחקר פעילים.לדוגמה, באמצעות רשת עצבית מלאכותית כמו סימולציה יקרה פונדקאית יכולה להפחית את הזמן מ- מילימטרים לשנייה.

נתונים בלתי בטוחים

זמני ההגעה של המשתמש, טעינה משך זמן, ומחירי חשמל הם סטוצ'יסטיק. אופטימיזציה Deterministic עשוי לייצר פתרונות ביצועים גרועים תחת אי ודאות. Robust אופטימיזציה ותכנות סטוגניות יכולים להתמודד עם שינויים אלה, אבל הם מוסיפים מורכבות. חלופה היא שליטה חיזוי מודל (MPC), אשר מתגמלת מחדש בכל שלב באמצעות תחזיות מעודכנים, ובכך הוא נגד אי הוודאות.

קבלה והוגנות

אופטימיזציה כי עדיפות עלות או תמיכה ברשת עשויה לעכב כמה משתמשים, המוביל לא הוגן.תקשורת transud של עסקאות, כגון הצעת בחירה בין "טעינה מהירה במחיר פרימיום" ו "טעינה נמוכה הנחה", יכול לעזור. שילוב מגבלות ההוגנות לניסוח MOO הוא גם כיוון מחקר פעיל.

סקלאה

פתרון שעובד בתחנת עם 5 מטענים לא יכול להגיע לרשת של 1000 תחנות.פלטפורמות אופטימיזציה מבוססות ענן עם סוכנים מבוזרים מתעוררות, שבו כל תחנה מפעילה אופטימיזציה מקומית שמתקשרת עם מתאם מרכזי. גישה מבוזרת זו שומרת על פרטיות ומפחיתה את התקשורת מעל ראש.

שילוב עם קיימות תשתיות

תחנות טעינה קיימות רבות משתמשות בפרוטוקולים סטנדרטיים (OCPP, ISO 15118) אשר עשויים שלא לתמוך בשליטה באנרגיה דינמית או בלוח זמנים בזמן אמת. רטרוfitting חומרה או שדרוג קושחה הוא הכרחי אך יכול להיות יקר.

כיוונים עתידיים: מידע בזמן אמת, AI ו- V2G

הגבול הבא ב- EV טעינה אופטימיזציה הוא שילוב של זרמי נתונים בזמן אמת, בינה מלאכותית וטכנולוגיה לרכב-ל-דריד (V2G).

Machine Learning for Predictive Optimization

מודלים למידה עמוקה, במיוחד רשתות עצביות חוזרות ונשנות והופכים, יכולים לצפות ביקוש לטווח קצר עם דיוק גבוה.תחזיות אלה להאכיל לתוך מסגרת מפוס גלגול, המאפשר הסתגלות פרואקטיבית. Reinforcement Learning (RL) נחקר גם כדי ללמוד ישירות מדיניות טעינה אופטימלית מאינטראקציה עם הסביבה, ללא צורך במודלים מפורשים של התנהגות או מחירי חשמל.

אינטגרציה לרכב-to-Grid

V2G הופך EVs מעומסים פסיביים למשאבים אחסון פעילים.אופטימיזציה של תחנת טעינה הכוללת זרימת כוח דו-כיווני יכול לתמוך בשירותי רשת כמו רגולציה תדירות וגילוח שיא, עם זאת, זה מציג מטרות חדשות: למקסם את ההכנסות של V2G, מיניזציה של סוללות ללבוש, ולהבטיח כי כלי רכב הם טעונים כראוי בעת הצורך. חזיתות Pareto להרחיב כדי לכלול את המחקר החדש של הסחר-offs.

תיאום חכם

תחנות צ'ריפות נתפסות יותר ויותר כנכסים הניתנים לשליטה במערכות רשת חכמות.האופטימיזציה של אגגייט בתחנות מרובות באזור יכולה לאזן ולהימנע מעומסי יתר של טרנספורמטיביים אלה משתמשת באופטימיזציה ברמת המערכת כדי להציב מטרות לכל תחנה, אשר לאחר מכן מבצע אופטימיזציה מקומית.

User-Centric Personalization

תחנות טעינה עתידיות עשויות לאפשר למשתמשים לציין את העדפותיהם (למשל, "אני רוצה את המטען הזול ביותר, גם אם זה לוקח יותר זמן" או "אני חייב לעזוב תוך 30 דקות") מנוע האופטימיזציה משלב את ההעדפות הללו כמגבלות או מטרות נוספות, ואיש את הגישה המסחרית לכל משתמש.

צוק ומימוש זמן אמיתי

ההתקדמות במחשוב קצה מאפשרת אלגוריתמים אופטימיזציה מורכבים לרוץ באופן מקומי על חומרה תחנת טעינה.זה מקטין את הסבלנות וה התלות על קישוריות בענן. בשילוב עם מודלים קלים חלופיים, MOO מבוסס קצה יכול להתאים את לוח הזמנים של טעינה כל כמה שניות בתגובה אותות רשת או שינויים פתאומיים בביקוש.

מסקנה: נהיגה בעתיד של ניידות חשמלית

אופטימיזציה רב-אובייקטיבית אינה פעילות תיאורטית – זהו כלי מעשי שיכול לשפר באופן משמעותי את הביצועים של תחנות טעינה EV. על ידי איזון זמני המתנה של משתמשים, עלויות אנרגיה, יציבות רשת וקיימות, MOO מאפשר מפעילי התחנה לשרת יותר לקוחות, להפחית בהוצאות ולתמוך במעבר האנרגיה הנקי.למרות אתגרים כגון מורכבות חישובית, אי ודאות, תשתיות להישאר אינטגרציה, אלגוריתמים נמשכים, מכונה, תקשורת, והופכים סטנדרטים אמיתיים יותר ויותר.

ככל שמספר כלי הרכב החשמליים ממשיך לגדול, החשיבות של תשתיות טעינה חכמות רק יגדילו. מפעילי התחנה אשר מאמצים אופטימיזציה רב-אובייקטיביים היום יהיו יותר ממוצבת להציע חוויות משתמש גבוהות יותר, עלויות תפעוליות נמוכות יותר, וגמישות רבה יותר בפני שינויים ברשת. קובעי מדיניות וחברות שירות יכולים לעודד אימוץ על ידי תמיכה בסטנדרטים לחילופי נתונים ותמחור דינמי ביחד, מאמצים אלה יזרזו את המעבר לעבר עתיד תחבורה חשמלית מלא.