Giriş: Optimizeed EV Şarj Altyapısı Altyapısının Eleştirel Rolü
Elektrikli araçların (EV) hızlı bir şekilde benimsenmesi, dünya çapında ulaşım sistemlerinin yeniden şekillendirilmesi, çevresel düzenlemeler tarafından yönlendirilme, batarya maliyetleri azaltma ve tüketicinin sürdürülebilir mobilite için talep edilmesidir. Ancak, elektrikli mobilitenin başarısı, şarj altyapılarının performansına bağlıdır. EV şarj istasyonları artık basit bir enerji noktası değildir; onlar birbiriyle bağlantılı enerji ekosisteminde karmaşık düğümlerdir.
Bu, çok-objective optimizasyonun (MOO) bir dönüştürücü yaklaşım olarak ortaya çıktığı yerdir. Aynı zamanda gerçek dünya operasyonel öncelikleri yansıtan bir ticaret platformu bulmakta olan MOO, istasyonların top verimliliğini artırmasını sağlar.
Multi-objective Optimizasyonu Anlamak
Multi-objective optimizasyon, iki veya daha fazla objektif işlevin aynı anda optimize edilmesi gereken sorunları çözme sürecine atıfta bulunur. mühendislik ve operasyonlar araştırmalarında, bu hedefler genellikle çatışmada bulunur. Örneğin, bekleme süreleri, yüksek talep ücretleri nedeniyle enerji maliyetlerini azaltır, bu da yavaş yavaş yavaş yavaş şarj edilebilir, bekleme süreleri azaltır.
Matematiksel olarak, tipik bir MOO sorunu şöyle ifade edilebilir:
- Minik (veya en üst) f1 (x), f2 (x)
- Sınırlara dikkat edin gj(x) ≤ 0, hl (x) = 0
EV şarj istasyonları için, karar değişkenleri x şarj güç seviyelerini, zamanları, istasyon atamasını ve fiyatlarını içerebilir. kısıtlamalar şarj kapasitesi, şebeke kapasitesi, gelen araçların durumu ve kullanıcı tercihleri içerebilir.
Algoritma Vakfı
Çeşitli algoritmaların aileleri MOO'yu şarj altyapısı için uyarıldı.ETHFLT:0)Genetik algoritmaları) (SeksGA-II ve MOEA/D) çok popüler çünkü aday çözümleri arasında büyük, doğrusal olmayan arama alanları araştırabilirler.Sıklama işlemleri, Pareto sınırındaki çözümlerin bir popülasyonu geliştirmesi için kullanılır.).
Bu nedenle, problemin karmaşıklığının gerçek zamanlı işlemler için optimizasyon teknikleri dahil olmak üzere son araştırmalarda yer alan gerçek zamanlı işlemler için optimizasyon teknikleri içerir.
EV Şarj İstasyonlarında Anahtar Hedefler Optimizasyon
EV şarj istasyonlarının performansı birden fazla boyutta ölçülebilir. Aşağıdaki hedefler araştırma ve uygulamada en sık görülenler arasındadır. Her hedef, diğerleriyle etkileşime girer, çok fazla vuruş için gerekli olan ticaret-offlar için ihtiyaç yaratır.
Minimiz Bekle Times
Uzun bekleme süreleri, kullanıcıların birincil bir kaynağıdır, hızlı şarj istasyonları için, hatta 15 dakikalık bir gecikme bile önceden konumlanmış ve müşterileri kaybetmiş durumda. Minimiz bekleme süreleri, şarj edilen araçların verimli bir şekilde hesaplanması, şarj edilebilir ücretlerinin önceliklendirilmesi ve muhtemelen önceliklendirme stratejileri. Tahmin edici modeller, önceden belirlenmiş zaman yuvalara yardımcı olabilir. Ancak, minimiz enerji maliyetleri ile sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık
Enerji Maliyetlerini Yeniden Üretmek
Elektrik fiyatlandırma programları - zaman kullanım oranları gibi, üst talep ücretleri ve gerçek zamanlı fiyat - maliyet tasarrufları için fırsatlar yaratabilir. - maliyetle şarj süresi boyunca veya sabit kesintiler olduğunda, istasyon operatörleri elektrik faturalarını azaltabilir.Bu hedef kontrol edilen şarj oranlarına ve gecikmiş zamanlara neden olabilir.
Maximing Station Availability and Throughput
Maliyetler genellikle zaman şarj cihazının kesildiği gibi ölçülür. Yüksek kullanılabilirlik iyi kullanım gösterir ancak ayrıca tedariki aşırken işletme puanlarını artırmanıza yardımcı olabilir.Forput - bir diğer ölçümdür. Balancing kullanılabilirliği ve throughput hem underutilization (zarar kapasiteye sahip) hem de aşırı yükleme. Multi-objective optimizasyon, yüksek kullanım süresine sahipken hizmet kalitesini koruyan işletme puanlarını bulmanıza yardımcı olur.
Beyazı Destekleme
Şarj istasyonları, güç şebekesini destekleyen esnek yükler olarak hareket edebilir. Talep yanıt programlarına veya ağ hizmetlerine ödemelerine yanıt vermek için talep etmek için, istasyonlar gerilim diplerine veya beslemeli aşırı şarj istasyonlarına yol açabilir.
Ek Hedefler Ek Hedefler Ek Hedefler
- [FONT=0] Kullanıcı Fuarı:[Dönetici:[Dönetici:0) Kullanıcı grubu sistematik olarak dezavantajlı değildir (örneğin, hız veya fiyat şarj ederek).
- [FONT:0)Environmental Etkisi: [DFLT:1] Enerji kaynağı ile ilişkili olan emisyonlar, özellikle de ızgara karışımı fosil yakıtlar içerir.
- [FONT:0)Battery Degradasyon: [Döntme: 1) Yüksek C-rates veya aşırı şarj devletlerinden kaçınarak batarya yaşlanmayı hızlandıran sorumlu.
- [FONT:0]Revenue ve Karability: [Döneticiler için, fiyat ve kullanım stratejileri aracılığıyla kâr maksimize etmek.
Şarj İstasyonları için Multi-Objective Optimizasyon Süreci
MOO'yu gerçek bir şarj istasyonunda uygulamak birkaç aşamayı içerir: problem formülasyonu, veri toplama, algoritma seçimi, çözüm nesli ve karar verme.
Adım 1: Problem Formülasyon
İlk adım karar değişkenlerini, hedefleri ve kısıtlamaları tanımlamaktır. Örneğin, günde 10 hızlı şarj cihazı olan bir istasyon değişken şarj gücü (50 kW'dan 350 kW'ye kadar), zaman (immediate veya gecikmiş), ve fiyat (zaman tabanlı veya enerji bazlı) ve hizmet garantisi (kanıda maksimum süre boyunca maksimum enerji maliyeti) ve en aza indirmek için).
2. Adım: Data Collection and Modeling
Kullanıcı varış modellerine doğru veriler, seyahat süresi, araç batarya kapasitesi ve elektrik fiyatları önemlidir. Tarihsel veriler, gerçek zamanlı veri beslemelerinin, kısa vadeli taleplerin belirlenmesini sağlarken, proaktif zamanlamayı tahmin edebilir. Örneğin, araştırmacılar DFLT:0.IEEE Transactions on Smart Grid), Pareto çözümlerinin kalitesini artırmakta olan sinir ağları tahmin etmektedir.
Adım 3: Algorithm Selection and Implementation
Zaman ufukuna bağlı olarak (günde-ahead vs. gerçek zamanlı), farklı algoritmaların uygun olması gerekir.For day-ahead planlama, NSGA-III iş iyi. Gerçek zamanlı ayarlamalar için, bir genetik algoritma ile hafif yöntemler, o zaman bir kural tabanlı sistem seçimine dayanan eylemleri tercih edilir.
Adım 4: Çözüm Değerlendirme ve Karar Verme
Bir Pareto cephesi elde edildikten sonra, istasyon operatörü (veya otomatik bir sistem) belirli bir işletim noktası seçer. Bu seçim, "maliyet süresi kadar iki kat önemlidir" veya daha sofistike MCDM teknikleri ile ilgili olarak kullanıcı tanımlı önceliklere dayalı olabilir. TOPSIS yöntemi, her çözümün dağıtım öncesindeki temel performans göstergelerine etkisini de uyarabilir.
Adım 5: Uygulama ve Geri Bildirim
Seçilen program veya kontrol politikası daha sonra uygulanır. Gerçek zamanlı izleme, modelleri güncellemek ve gelecekteki optimizasyonları geliştirmek için kullanılabilir geri bildirim sağlar. Bu kapalı-loop süreci talep modelleri ve elektrik fiyatları geliştikçe sürekli iyileştirme sağlar.
Uygulamada Multi-objective Optimizasyonun Faydaları
Sayısal vaka çalışmaları ve simülasyon tabanlı araştırma, MOO'nun şarj istasyonları için somut faydalarını göstermiştir.Tam kazanımlar senaryoya bağlı olsa da, tipik gelişmeler şunları içerir:
- [FONT:0)Redüklenmiş Wait Times 20-40%[DDK:1] ilk önce korunan politikalara kıyasla, özellikle de en üst saat boyunca maliyet artışları yüzde 5 oranında arttı.
- [0]Enerji Maliyeti 10-25% , düşük maliyetli sürelere kadar şarj edilen akıllı zamanlama yoluyla, önemli ölçüde artan bekleme süresi olmadan.
- [FONT:0)Increased Station Throughput[Dönetici], araç ihtiyaçları ve çakışma seanslarının daha iyi işlenmesi için şarj gücü ile uyumlu şarj gücü ile uyumlu olarak.
- [0]Improv Grid Integration[[[Dönetici:0) Kullanıcı memnuniyeti korumak için ek gelir sağlayan talep yanıt programlarına katılmak.
Örneğin, Kaliforniya'daki 20 şarj cihazı ile hızlı bir şekilde yapılan bir çalışma, NSGA-II kullanarak çok sayıda hedefin değerini aynı anda dikkate alarak bir miktar azaltımının % 33 oranında azaltıldığını bildirdi.
Ayrıca MOO, elektrik araç tedarik ekipmanı (EVSE)'nin koşulları değiştirmeye adapte olmasını sağlayarak uzun vadeli sürdürülebilirliği destekler. Daha fazla yenilenebilir enerji kaynakları, şebekeye entegre edilirken, şarj istasyonları güneş veya rüzgar nesil saatlerini önceliklendirmek için optimize edilebilir.
Meydanlar ve düşünceler
Onun sözüne rağmen, gerçek şarj istasyonlarında çok-objective optimizasyon dağıtmak birkaç engelle karşı karşıyadır.
C ⁇ Kompleksiity
Çok fazla tonlu problemlerin çözümü, özellikle de bilgisayar destekli hedefler ve şarj cihazlarının sayısı arttıkça, tam yöntemlerle meydan okumalıdır. Surrogate modelleri, paralel hesaplama ve yaklaşım algoritmaları aktif bir araştırma alanlarıdır. Örneğin, bilgisayarlı pahalı simülasyonlar için bir jeotermal ağ kullanarak çözümü zaman zaman zamanlarını azaltır.
Data Uncertainty
Kullanıcı varış süreleri, şarj süresi ve elektrik fiyatları stokastiktir.Deterministic Optimizasyonu, belirsizlik altında kötü performans gösteren çözümler üretebilir. Robust optimizasyon ve stochastic programlama bu varyasyonları halledebilir, ancak karmaşıklık sağlar.Bir alternatif model tahminsel kontrol (MPC), güncel tahmin edilebilir tahmin edilebilir bir kontrol (MPC), böylece belirsizlik altında kötü performans gösteren her seferinde geri yüklemeye karşı gelir.
Kullanıcı Kabul ve Adillik
Maliyet veya ağ desteği önceliklendirmenin bazı kullanıcıları geciktirebileceği optimizasyonu, haksızlığı algılamaya yol açabilir. Ticaretten sorumlu olan şeffaflık iletişimi, “önemli fiyatta hızlı şarj” ve “slow şarj” arasında bir seçim sunmak gibi, MOO formülasyonuna yardımcı olabilir.
Scalability
5 şarj cihazı ile bir istasyon için çalışan bir çözüm, 1000 istasyon ağına ölçeklendirmeyebilir. Bulut tabanlı optimizasyon platformları, her istasyon merkezi bir koordinatör ile iletişim kuran yerel bir optimize cihazı çalıştırıyor. Bu merkezi yaklaşım gizliliği koruyor ve iletişim yükünü azaltır.
Mevcut Altyapı ile entegrasyon
Birçok mevcut şarj istasyonu standart protokolleri kullanıyor (OCPP, ISO 15118), dinamik güç kontrolünü veya gerçek zamanlı zamanlamayı destekleyemiyor. Retrofitting Hardware veya geliştirme sistemi gerekli ancak pahalı olabilir. Açık standartlar ve esnek iletişim arayüzleri yaygın olarak kabul edilebilir.
Future: Real-Time Data, AI ve V2G
EV şarj optimizasyonunda bir sonraki sınır gerçek zamanlı veri akışlarını, yapay zekayı ve araç-grid (V2G) teknolojisini bütünleştirmekte yatıyor.
Predictive Optimizasyon için Makine Öğrenme
Derin öğrenme modelleri, özellikle de tekrarlayan sinir ağları ve dönüştürücüler, yüksek doğrulukla kısa vadeli talep tahmin edebilir. Bu tahminler, her şarj cihazının sistem çapındaki hedefleri karşılamak için işbirliğine olanak sağlar.
Araç-to-Grid Entegrasyon
V2G, aktif depolama kaynaklarına pasif yüklerden EV'leri dönüştürür.Sekiz güç akışı içeren şarj istasyonu optimizasyonu, frekans düzenleme ve zirve Shaving gibi ağ hizmetleri destekleyebilir.Ancak, bu yeni hedefler ortaya koyar: maxding V2G geliri, minimizing pilleri ve diğer dergiler, gerektiğinde yeterince şarj edilebilir. Pareto cepheleri içeren bu yeni ticaret standlarını% 30'u içerecek şekilde genişletebilir.
Smart Grid Koordinasyon Koordinasyon
Şarj istasyonları, akıllı ağ sistemleri içinde kontrol edilebilir varlıklar olarak giderek daha fazla görülür. Bir bölgedeki birden çok istasyonda Aggregate optimizasyonu yükyü dengeleyebilir ve dönüştürücü aşırı yüklemeleri önlemek için bu hiyerarşik MOO yaklaşımı, her istasyon için bir sistem seviyesinde optimize edici hedefler kullanır, ki bu da yerel optimizasyon yapar.
Kullanıcı-Centric Personalization
Future şarj istasyonları, kullanıcıların tercihlerini belirtmelerine izin verebilir (örneğin, “En ucuz şarjı istiyorum, daha uzun sürerse bile” veya “30 dakika içinde ayrılmalıyım”). optimizasyon motoru daha sonra bu tercihleri her kullanıcı için kişiselleştirin.
Edge Computing ve Real-Time Optimizasyon
Uzak bilişimdeki gelişmeler, istasyon donanımını yerel olarak şarj etmek için karmaşık optimizasyon algoritmaları sağlar.Bu, bulut bağlantılarına geç kalmış ve bağımlılık azaltır. hafif ekli devre modelleri ile birlikte, kenar tabanlı MOO, şebeke sinyallerine veya aniden talep edilen değişikliklere cevap olarak şarj edilebilir.
Sonuç: Elektrikli Hareketliliğin Geleceği Sürüş
Multi-objective optimizasyon teorik bir egzersiz değildir - hesaplama karmaşıklığı, veri belirsizlikleri ve altyapı entegrasyonu gibi sorunlar devam eder. Kullanıcıyı dengelemek için zaman, enerji maliyetleri, şebeke stabilitesi ve sürdürülebilirliği sağlar, MOO daha fazla müşteriye hizmet etmek için istasyon operatörlerinin daha fazla müşteri hizmetleri sağlar, masrafları azaltır ve temiz enerji geçişi gibi zorluklara yardımcı olur.
Elektrikli araçların sayısı büyümeye devam ettikçe, akıllı şarj altyapısının önemi sadece artacaktır. Bugün çok-objective optimizasyonunu benimseyen operatörler, yüksek kullanıcı deneyimlerini sunmak için daha iyi konumlandırılmış olacaktır, daha düşük operasyonel maliyetler ve daha fazla esneklik, şebeke değişiklikleri karşısında. Politika yapıcılar ve faydalı şirketler, veri alışverişi ve dinamik fiyatlandırma için standartları destekleyerek kabul edebilir.