معماری فنی شارژ هوشمند خودروهای برقی: متعادل‌سازی بار پویا و بهینه‌سازی BESS

معماری فنی جامع شارژ هوشمند خودروهای برقی: تسلط بر متعادل‌سازی بار پویا از طریق حلقه‌های کنترل پیشرفته، یکپارچه‌سازی ابر محلی، بهینه‌سازی چند انرژی با PV و BESS، و مدیریت پایداری شبکه پیش‌بینی‌کننده در مقیاس بزرگ

فصل 1: مقدمه‌ای بر شارژ هوشمند خودروهای برقی و ضرورت متعادل‌سازی بار پویا (DLB)

گذار جهانی به سمت حمل و نقل الکتریکی دیگر یک روند فرعی نیست، بلکه ستون اصلی نوسازی بخش حمل و نقل است. با جایگزینی میلیون‌ها وسیله نقلیه موتور احتراق داخلی (ICE) با وسایل نقلیه الکتریکی (EV)، تقاضا برای برق از سوخت‌های مایع به شبکه برق تغییر می‌کند. این تغییر الگو، چالشی عظیم برای زیرساخت‌های برق ایجاد می‌کند که در بسیاری از موارد، دهه‌ها پیش طراحی شده‌اند. ماهیت متناوب و پرقدرت شارژ خودروهای برقی می‌تواند منجر به تراکم محلی شبکه، تخریب ترانسفورماتور و در نهایت، خرابی‌های فاجعه‌بار در صورت عدم مدیریت دقیق شود.

شارژ هوشمند خودروهای برقی، پلی تکنولوژیکی بین تقاضای فزاینده برای جابجایی و محدودیت‌های فیزیکی شبکه برق است. شارژ هوشمند در اصل به هوشمندی مربوط می‌شود - دانستن اینکه یک خودروی برقی چه زمانی، با چه سرعتی و با چه اولویتی باید شارژ شود. با این حال، مهم‌ترین جزء در این لایه هوشمند، متعادل‌سازی بار پویا (DLB) است.

تعادل بار پویا فرآیندی است که به طور مداوم ظرفیت الکتریکی موجود یک سایت را رصد می‌کند و آن توان را بین شارژرهای فعال خودروهای برقی به صورت بلادرنگ توزیع می‌کند. بدون DLB، یک ساختمان یا یک ایستگاه شارژ مجبور می‌شود در یک محدودیت استاتیک کار کند، که اغلب توسط "بدترین سناریوی ممکن" اوج بار تعیین می‌شود. این امر منجر به ناکارآمدی‌های گسترده می‌شود: یا سایت به اندازه کافی مجهز نیست که منجر به شارژ کند برای کاربران می‌شود، یا سایت برای مدیریت اوج‌های نظری که فقط برای چند ساعت در هفته رخ می‌دهند، نیاز به ارتقاء زیرساخت‌های بسیار پرهزینه دارد.

ضرورت DLB از سه محرک اصلی ناشی می‌شود:

1. حفظ زیرساخت‌هاجلوگیری از قطع شدن کلیدهای اصلی و محافظت از ترانسفورماتورها در برابر گرمای بیش از حد.
2. کارایی اقتصادیاجتناب از هزینه‌های بالای تقاضا و هزینه‌های گزاف ارتقاء پنل‌های خدمات یا شبکه‌های توزیع محلی.
3. رضایت کاربر: به حداکثر رساندن سرعت شارژ برای همه کاربران با استفاده هوشمندانه از هر کیلووات ساعت ظرفیت موجود.

در این کاوش فنی عمیق، ما مکانیک DLB را از حلقه‌های کنترلی سطح میلی‌ثانیه‌ای که الکترونیک قدرت را کنترل می‌کنند تا هماهنگی مبتنی بر ابر هزاران نقطه شارژ، بررسی خواهیم کرد. ما بررسی خواهیم کرد که چگونه DLB هنگام ادغام با منابع انرژی تجدیدپذیر مانند فتوولتائیک (PV) و سیستم‌های ذخیره انرژی باتری (BESS) تکامل می‌یابد و چگونه مدل‌سازی پیش‌بینی‌کننده به هاب‌های شارژ در مقیاس بزرگ اجازه می‌دهد تا نوسانات شبکه را قبل از وقوع پیش‌بینی کنند. همانطور که به سمت آینده‌ای حرکت می‌کنیم که در آن خودروی برقی نه تنها یک مصرف‌کننده، بلکه یک منبع انرژی توزیع‌شده است، درک ظرافت‌های DLB برای مهندسان، برنامه‌ریزان شهری و تأمین‌کنندگان انرژی بسیار مهم است.

فصل 2: ​​اصول اساسی متعادل‌سازی بار پویا

برای درک نحوه عملکرد DLB، ابتدا باید جایگزین «استاتیک» را درک کرد. در یک محیط متعادل‌سازی بار استاتیک، به هر شارژر مقدار ثابتی از جریان اختصاص داده می‌شود. به عنوان مثال، اگر یک مرکز دارای محدودیت ۱۰۰ آمپر و ۵ شارژر باشد، هر کدام ممکن است به ۲۰ آمپر محدود شوند. اگر فقط یک ماشین در حال شارژ باشد، هنوز فقط ۲۰ آمپر دریافت می‌کند و ۸۰ آمپر از ظرفیت موجود را هدر می‌دهد. برعکس، اگر هر ۵ ماشین در حال شارژ باشند و کسی یک سیستم HVAC پرقدرت را در ساختمان روشن کند، کل بار ممکن است از ۱۰۰ آمپر فراتر رود و باعث خاموشی شود.

DLB این تخصیص سفت و سخت را با یک سیستم روان و پاسخگو جایگزین می‌کند. اصل اساسی، یک حلقه بازخورد بین «ظرفیت کل موجود» و «تقاضای شارژ فعال» است.

بنیاد ریاضی

در ساده‌ترین حالت، DLB را می‌توان با معادله زیر بیان کرد:P_available_for_EVs(t) = P_total_limit – P_non_EV_loads(t)

کجا:

• محدودیت کل Pحد فیزیکی یا قراردادی سایت است.
• بارهای غیر EV (P)مصرف لحظه‌ای چراغ‌ها، ماشین‌آلات، آسانسورها و غیره است که توسط یک کنتور هوشمند اندازه‌گیری می‌شود.
• P_available_for_EVs(t)توان باقیمانده‌ای است که می‌تواند به طور ایمن بین خودروهای برقی توزیع شود.

پیچیدگی زمانی ایجاد می‌شود که سیستم باید تصمیم بگیرد که چگونه توزیع کند.P_available_for_EVs(t)در میانNشارژرها. این توزیع توسط الگوریتم‌هایی اداره می‌شود که موارد زیر را در نظر می‌گیرند:

• وضعیت شارژ (SoC): خودرویی که باتری تقریباً خالی دارد ممکن است اولویت بالاتری داشته باشد.
• زمان حرکت: خودرویی که شب را در خودرو اقامت دارد می‌تواند به آرامی شارژ شود، در حالی که خودرویی که نیاز به شارژ سریع دارد، شارژ بیشتری دریافت می‌کند.
• متعادل‌سازی فاز: در سیستم‌های سه فاز، DLB باید اطمینان حاصل کند که هیچ فاز واحدی بیش از حد بارگذاری نشود، کاری که نیاز به منطق سوئیچینگ پیچیده یا توزیع آگاه از فاز دارد.

سنجش و اندازه‌گیری

دقت DLB کاملاً به کیفیت داده‌های دریافتی آن بستگی دارد. این امر معمولاً شامل ترانسفورماتورهای جریان (CT) یا کنتورهای هوشمند اختصاصی نصب شده در نقطه اتصال مشترک (PCC) می‌شود. این دستگاه‌ها باید داده‌های بار را با فرکانس بالا (اغلب ۱ هرتز یا بالاتر) گزارش دهند تا به کنترل‌کننده DLB اجازه دهند تا در عرض چند ثانیه به افزایش ناگهانی بار ساختمان - مانند روشن شدن یک موتور صنعتی - واکنش نشان دهد و از قطع شدن کلید اصلی جلوگیری کند.

ساختار سلسله مراتبی

DLB اغلب به صورت سلسله مراتبی عمل می‌کند. در سطح «محلی»، یک کنترل‌کننده، خوشه‌ای از شارژرها را مدیریت می‌کند. در سطح «محل»، با سیستم مدیریت ساختمان هماهنگ می‌شود. در سطح «شبکه»، ممکن است به سیگنال‌های پاسخ تقاضا (DR) از شرکت برق پاسخ دهد. این رویکرد چندلایه تضمین می‌کند که ایمنی محلی حفظ می‌شود و در عین حال در بازارهای انرژی گسترده‌تر نیز مشارکت دارد.

فصل 3: طراحی حلقه کنترل برای الگوریتم‌های DLB: کنترل PID و کنترل پیش‌بین مدل (MPC)

اثربخشی یک سیستم متعادل‌سازی بار پویا در نهایت با تأخیر و دقت آن سنجیده می‌شود. اگر بار ساختمان افزایش یابد و سیستم DLB 30 ثانیه طول بکشد تا جریان شارژ خودروی برقی را تنظیم کند، احتمالاً قبل از وقوع اصلاح، بریکر اصلی قطع می‌شود. بنابراین، طراحی حلقه کنترل، "مغز" ایستگاه شارژ هوشمند است. در این فصل، به مشخصات مهندسی این مکانیسم‌های کنترلی خواهیم پرداخت و بر کنترل‌کننده‌های تناسبی-انتگرالی-مشتقی (PID) و کنترل پیش‌بینی‌کننده مدل پیشرفته‌تر (MPC) تمرکز خواهیم کرد.

چارچوب کنترل PID در DLB

کنترل‌کننده‌های PID نیروی محرکه اتوماسیون صنعتی هستند و کاربرد طبیعی آنها در DLB است. هدف حلقه PID حفظ بار کل سایت ($P_{total}$) در یا کمتر از یک نقطه تنظیم ($P_{limit}$) با تنظیم متغیر کنترل است که حداکثر حد جریان ارسالی به EVSEها (تجهیزات تامین برق خودروهای الکتریکی) است.

• تناسبی (P): عبارت P پاسخی فوری به خطا (اختلاف بین $P_{limit}$ و $P_{total}$) ارائه می‌دهد. اگر خطا بزرگ باشد (مثلاً افت شدید بار ساختمان)، عبارت P به سرعت جریان شارژ مجاز خودروی برقی را افزایش می‌دهد. با این حال، کنترل فقط P اغلب منجر به "خطای حالت پایدار" می‌شود که در آن سیستم هرگز کاملاً به حد مجاز نمی‌رسد.
• انتگرال (I)عبارت I، انباشت خطاهای گذشته را در نظر می‌گیرد. این عبارت به آرامی جریان را افزایش یا کاهش می‌دهد تا خطای حالت پایدار را از بین ببرد و تضمین کند که سیستم در طول زمان از هر آمپر موجود استفاده می‌کند.
• مشتق (D): اصطلاح D با بررسی نرخ تغییر، خطاهای آینده را پیش‌بینی می‌کند. این امر برای جلوگیری از «افزایش بیش از حد» بسیار مهم است. اگر بار به سرعت در حال افزایش باشد، اصطلاح D قبل از رسیدن به حد مجاز، شارژرهای خودروهای برقی را به شدت محدود می‌کند.

در یک محیط DLB، حلقه PID باید با دقت تنظیم شود. اگر خیلی شدید باشد، EVSE ها دائماً جریان خود را تعدیل می‌کنند که می‌تواند باعث فرسودگی شارژر داخلی خودرو (OBC) شود و به طور بالقوه نرم‌افزار EV را تحریک کند و منجر به خطاهای شارژ شود. اگر خیلی کند باشد، هدف اصلی خود که محافظت از شبکه است را از دست می‌دهد.

فراتر از PID: کنترل پیش‌بین مبتنی بر مدل (MPC)

در حالی که PID برای سناریوهای ساده مؤثر است، هاب‌های شارژ مدرن در مقیاس بزرگ به طور فزاینده‌ای از کنترل پیش‌بینی مدل (MPC) استفاده می‌کنند. برخلاف PID که واکنشی است، MPC پیشگیرانه است. این روش از یک مدل ریاضی سیستم برای پیش‌بینی رفتار آینده آن در یک «افق پیش‌بینی» خاص استفاده می‌کند.

در زمینه DLB، یک کنترل‌کننده MPC موارد زیر را در نظر می‌گیرد:

1. محدودیت‌های سیستممحدودیت‌های فیزیکی شارژرها، ظرفیت ترانسفورماتور و حداکثر نرخ ورودی خودرو.
2. پیش‌بینی‌های آیندهپیش‌بینی بار ساختمان بر اساس الگوهای تاریخی، پیش‌بینی‌های آب و هوا (که بر بار HVAC تأثیر می‌گذارد) و ورود وسایل نقلیه مورد انتظار.
3. تابع هدف: یک هدف ریاضی، مانند «به حداقل رساندن کل هزینه انرژی در عین اطمینان از رسیدن همه خودروها به ۸۰٪ SoC تا ساعت ۸ صبح».

الگوریتم MPC در هر گام زمانی (مثلاً هر ۵ دقیقه) یک مسئله بهینه‌سازی را حل می‌کند. این الگوریتم توالی اقدامات کنترلی بهینه را محاسبه می‌کند، اما فقط اولین مورد را پیاده‌سازی می‌کند و سپس در گام بعدی دوباره محاسبه می‌کند. این به سیستم DLB اجازه می‌دهد تا پروفایل‌های شارژ را «هموار» کند. به عنوان مثال، اگر سیستم بداند که یک افزایش شدید بار ساختمان در ساعت ۲ بعد از ظهر در راه است، ممکن است خودروهای برقی را در ساعت ۱:۳۰ بعد از ظهر از قبل شارژ کند و سپس در ساعت ۲ بعد از ظهر آنها را به شدت کنترل کند، به جای اینکه هنگام برخورد افزایش بار به طور ناگهانی واکنش نشان دهد.

پروتکل‌های تأخیر و ارتباطات

حلقه کنترل فقط به سرعت لینک ارتباطی آن بستگی دارد. در بسیاری از تنظیمات DLB، کنترل‌کننده از طریق Modbus TCP، RTU یا پروتکل نقطه شارژ باز (OCPP) با شارژرها ارتباط برقرار می‌کند.

• مودباس: تأخیر بسیار کمی (میلی‌ثانیه) ارائه می‌دهد، که آن را برای DLB محلی و حیاتی از نظر ایمنی ایده‌آل می‌کند.
• او سی پی پی ۱.۶/۲.۰.۱استاندارد صنعتی برای ارتباط بین ابر و شارژر. اگرچه از ویژگی‌های غنی‌تری (مدیریت صورتحساب، احراز هویت و به‌روزرسانی‌های سیستم‌عامل) برخوردار است، اما به دلیل سربار پیام‌های JSON از طریق WebSockets و پیمایش اینترنت عمومی، تأخیر قابل توجهی (اغلب ۱ تا ۵ ثانیه) ایجاد می‌کند.

مهندسان باید پروتکل مناسب را بر اساس اهمیت تعادل بار انتخاب کنند. برای یک خانه مسکونی، یک DLB مبتنی بر ابر با سرعت کمی کمتر ممکن است کافی باشد. برای یک کارخانه صنعتی که قطع برق هزاران دلار در زمان از کار افتادگی هزینه دارد، یک حلقه محلی مبتنی بر Modbus الزامی است.

فصل 4: معماری DLB محلی در مقابل معماری DLB مبتنی بر ابر: تحلیل مقایسه‌ای

هنگام طراحی زیرساخت شارژ هوشمند، یکی از اساسی‌ترین تصمیمات معماری، محل قرارگیری «هوش» است. آیا منطق متعادل‌سازی بار باید روی یک سخت‌افزار در محل (DLB محلی) اجرا شود، یا باید توسط یک سرور از راه دور (DLB ابری) مدیریت شود؟ هر دو رویکرد از نظر قابلیت اطمینان، هزینه و مقیاس‌پذیری، مزایا و معایب متمایزی دارند.

DLB محلی: رویکرد محاسبات لبه‌ای

DLB محلی شامل یک کنترل‌کننده فیزیکی - اغلب یک PLC (کنترل‌کننده منطقی قابل برنامه‌ریزی)، یک دروازه اختصاصی یا یک شارژر "Master" - است که مستقیماً با سایر شارژرها در شبکه محلی (LAN) ارتباط برقرار می‌کند.

مزایا:

1. قابلیت اطمینان و قابلیت آفلایناین سیستم به اتصال اینترنت وابسته نیست. اگر خط فیبر نوری قطع شود، شارژرها به متعادل کردن بار به صورت محلی ادامه می‌دهند و ایمنی برق ساختمان را تضمین می‌کنند.
2. تأخیر کمهمانطور که در فصل ۳ بحث شد، ارتباط محلی (مودباس یا OCPP محلی) با سرعت زیر ثانیه اتفاق می‌افتد. این امر برای مکان‌هایی با بارهای غیر EV ناپایدار، مانند کارخانه‌ها یا بیمارستان‌ها، ضروری است.
3. امنیتنگه داشتن سیگنال‌های کنترل در داخل شبکه محلی، سطح حمله برای تهدیدات سایبری که می‌توانند برای دستکاری پایداری شبکه تلاش کنند را کاهش می‌دهد.

معایب:

1. هزینه سخت‌افزار: نیاز به خرید و نصب سخت‌افزار اضافی در محل دارد.
2. پیچیدگی تعمیر و نگهداریبه‌روزرسانی منطق DLB ممکن است نیاز به بازدیدهای حضوری یا مدیریت پیچیده از راه دور دستگاه‌های لبه داشته باشد.
3. داده‌های سیلو شدهیک کنترل‌کننده محلی، مگر اینکه به‌طور خاص با یک زیرساخت ابری یکپارچه شده باشد، دید محدودی نسبت به شرایط شبکه گسترده‌تر یا قیمت انرژی شرکت برق دارد.

DLB مبتنی بر ابر: هماهنگ‌سازی در مقیاس بزرگ

در یک معماری مبتنی بر ابر، کنتور هوشمند و شارژرها همگی داده‌های خود را به یک پلتفرم مدیریت مرکزی گزارش می‌دهند. ابر، توان بهینه را برای هر شارژر محاسبه کرده و ارسال می‌کند.شارژ هوشمند.تنظیم پروفایل شارژبه EVSE ها دستور برگشت بده.

مزایا:

1. مقیاس‌پذیریمدیریت ۱۰۰۰ سایت از یک داشبورد ابری بی‌نهایت آسان‌تر از مدیریت ۱۰۰۰ کنترل‌کننده محلی مجزا است.
2. بهینه‌سازی سراسریابر می‌تواند داده‌ها را از چندین سایت جمع‌آوری کند تا در نیروگاه‌های مجازی (VPP) شرکت کند یا به استرس شبکه منطقه‌ای پاسخ دهد.
3. ادغام پیشرفته هوش مصنوعیاجرای مدل‌های پیچیده یادگیری ماشین برای پیش‌بینی (که در فصل ۸ به آن خواهیم پرداخت) روی سرورهای ابری قدرتمند بسیار امکان‌پذیرتر از سخت‌افزارهای لبه‌ای محدود است.
4. هزینه اولیه کمتراگر شارژرها بتوانند مستقیماً با فضای ابری ارتباط برقرار کنند، نیازی به یک کنترل‌کننده محلی اختصاصی نیست.

معایب:

1. وابستگی به اتصالاگر اینترنت قطع شود، سیستم معمولاً به «وضعیت امن» (مثلاً حداقل جریان شارژ برای همه خودروها) برمی‌گردد، که می‌تواند بسیار ناکارآمد باشد و منجر به شکایت مشتری شود.
2. تأخیر بالا: زمان رفت و برگشت بین کنتور، ابر و شارژر می‌تواند چند ثانیه باشد. این امر واکنش به افزایش ناگهانی بار را دشوار می‌کند.
3. نگرانی‌های مربوط به حریم خصوصیجریان مداوم داده‌های انرژی به فضای ابری، مسائل مربوط به حاکمیت داده‌ها و حریم خصوصی را برای برخی از مشتریان شرکتی افزایش می‌دهد.

مدل ترکیبی: بهترین‌های هر دو جهان

با توجه به این بده‌بستان‌ها، صنعت به سمت یک مدل ترکیبی حرکت می‌کند. در این حالت، یک دروازه محلی، تعادل بار در سطح میلی‌ثانیه و از نظر ایمنی حیاتی را مدیریت می‌کند (و تضمین می‌کند که کلید قطع نمی‌شود). در همین حال، ابر، استراتژی سطح بالا را ارائه می‌دهد - تنظیم «بودجه» برای کنترل‌کننده محلی بر اساس قیمت انرژی، برنامه‌های کاربر و سیگنال‌های شبکه. این رویکرد «با لبه‌های سنگین و هماهنگ‌شده با ابر»، قابلیت اطمینان مورد نیاز برای حفاظت از زیرساخت را فراهم می‌کند و در عین حال انعطاف‌پذیری مدیریت ابر را حفظ می‌کند.

فصل 5: استراتژی‌ها و اولویت‌های تخصیص توان بلادرنگ

تعیین چگونگی تقسیم توان موجود بین چندین خودروی برقی، پیچیده‌ترین چالش الگوریتمی در متعادل‌سازی بار پویا است. این صرفاً تقسیم کل کیلووات بر تعداد خودروها نیست. یک سیستم DLB پیشرفته باید عدالت، کارایی و نیازهای فردی کاربران را متعادل کند. در این فصل، استراتژی‌های مختلف تخصیص توان مورد استفاده در این حوزه را بررسی خواهیم کرد.

اولویت با متقاضیانی است که زودتر اقدام کنند (FCFS)

ساده‌ترین استراتژی تخصیص، FCFS است. اولین وسیله نقلیه‌ای که به برق متصل می‌شود، حداکثر توان درخواستی خود را دریافت می‌کند. وسایل نقلیه بعدی هر چه باقی مانده باشد، دریافت می‌کنند.

مزایا:

• ساده برای اجرا.
• برای اولین کاربران واضح و شفاف است.

معایب:

• بسیار ناعادلانه. پنجمین کاربری که می‌رسد، حتی اگر سفر فوری داشته باشد، ممکن است هیچ شارژی دریافت نکند، در حالی که اولین کاربر در حال حاضر ۹۰٪ شارژ دارد و می‌تواند به راحتی منتظر بماند.
• منجر به «احتکار برق» می‌شود، که در آن یک خودرو ساعت‌ها یک جایگاه پرقدرت را اشغال می‌کند و در عین حال چند درصد آخر شارژ خود را با سرعت بسیار کمی شارژ می‌کند.

اشتراک‌گذاری برابر

در این مدل، توان موجود به طور مساوی بین تمام جلسات فعال تقسیم می‌شود. اگر ۱۰۰ کیلووات در دسترس باشد و ۴ خودرو در حال شارژ باشند، هر کدام ۲۵ کیلووات دریافت می‌کنند. اگر خودروی پنجم به شبکه بپیوندد، توان همه به ۲۰ کیلووات کاهش می‌یابد.

مزایا:

• ذاتاً به معنای اساسی «منصفانه» است.
• تعداد خودروهایی که حداقل مقداری هزینه دریافت می‌کنند را به حداکثر می‌رساند.

معایب:

• برای خودروهایی با باتری‌های کوچک یا خودروهایی که نزدیک به شارژ کامل هستند، ناکارآمد است. به خودرویی که فقط می‌تواند ۷ کیلووات برق دریافت کند، ۲۰ کیلووات «اختصاص داده می‌شود» و ۱۳ کیلوواتی را که می‌توانست به خودرویی با ظرفیت ۵۰ کیلووات اختصاص داده شود، هدر می‌دهد.

تخصیص مبتنی بر اولویت (SoC و ظرفیت باتری)

سیستم‌های DLB مدرن از بهینه‌سازی هوشمندانه‌تر و چند متغیره استفاده می‌کنند. آن‌ها خودروها را بر اساس وضعیت شارژ (SoC) اولویت‌بندی می‌کنند. خودرویی با 10٪ SoC نسبت به خودرویی با 80٪ اولویت دارد زیرا خودروی 10٪ نیاز مبرم‌تری به پیمایش دارد و همچنین به دلیل منحنی شارژ لیتیوم-یون (فاز جریان ثابت) می‌تواند نرخ شارژ بسیار بالاتری را بپذیرد.

علاوه بر این، سیستم موارد زیر را در نظر می‌گیردحداکثر نرخ پذیرشاز وسیله نقلیه. با استفاده ازحداکثر جریانبا گزارش توسط وسیله نقلیه (از طریق PWM در شارژ AC یا ارتباط دیجیتال در شارژ DC)، کنترل‌کننده DLB تضمین می‌کند که هرگز توان بیشتری از آنچه که یک ماشین واقعاً می‌تواند استفاده کند، اختصاص نمی‌دهد و در نتیجه «مازاد» را بین سایر وسایل نقلیه توزیع می‌کند.

اولویت‌های تعریف‌شده توسط کاربر و شارژ «پریمیوم»

در محیط‌های تجاری، DLB می‌تواند به یک سیستم صدور صورتحساب متصل شود. یک کاربر ممکن است برای شارژ «سریع» هزینه بیشتری بپردازد و مطمئن شود که همیشه حداکثر توان ممکن را صرف نظر از بارهای دیگر دریافت می‌کند. برعکس، ممکن است به وسایل نقلیه ناوگان بر اساس زمان حرکت برنامه‌ریزی‌شده‌شان اولویت‌های مختلفی اختصاص داده شود. یک ون تحویل بار که ساعت ۵ صبح حرکت می‌کند، نسبت به ونی که ساعت ۹ صبح حرکت می‌کند، در ساعت ۳ صبح اولویت دارد.

الگوریتم تناسب-انصاف

این الگوریتم که از مخابرات (زمان‌بندی LTE/5G) گرفته شده است، تلاش می‌کند تا «سودمندی» کل سیستم را به حداکثر برساند. این الگوریتم، نیاز فوری به توان بالا (بهره‌وری) را با نیاز بلندمدت به اطمینان از اینکه هیچ خودرویی بدون شارژ باقی نمی‌ماند (انصاف) متعادل می‌کند. این الگوریتم برای هر خودرو یک امتیاز اولویت محاسبه می‌کند:امتیاز = (توان درخواستی / میانگین توان دریافتی تاکنون)خودروهایی که بالاترین امتیاز را کسب کنند، سهم بعدی از قدرت موجود را دریافت می‌کنند.

فصل 6: پایداری شبکه و مکانیسم‌های جلوگیری از اضافه بار

متعادل‌سازی بار پویا فقط یک ویژگی برای راحتی کاربر نیست؛ بلکه یک سیستم ایمنی حیاتی برای پایداری شبکه است. با افزایش نفوذ خودروهای برقی، شبکه توزیع با انواع جدیدی از استرس، از جمله نوسانات سریع تقاضا و اعوجاج هارمونیکی، روبرو می‌شود. این فصل مکانیسم‌هایی را که DLB برای محافظت از شبکه و جلوگیری از اضافه بارهای فاجعه‌بار استفاده می‌کند، بررسی می‌کند.

منطق حفاظت «منحنی لغزش»

قطع‌کننده‌های مدار الکتریکی یک «منحنی قطع» دارند - آن‌ها می‌توانند اضافه بار جزئی را برای چند دقیقه تحمل کنند، اما اگر یک افزایش شدید ولتاژ رخ دهد، فوراً قطع می‌شوند. یک کنترل‌کننده DLB قوی باید این منحنی قطع را مدل‌سازی کند. این کنترل‌کننده باید امکان افزایش ناگهانی ولتاژ (مثلاً روشن شدن آسانسور) را فراهم کند تا از کاهش غیرضروری شارژ خودروهای برقی جلوگیری شود، اما اگر اضافه بار ادامه یابد، باید قاطعانه عمل کند.

کنترل‌کننده‌های پیشرفته از رویکرد «دو آستانه‌ای» استفاده می‌کنند:

1. آستانه هشدار (مثلاً ۹۰٪ حد مجاز)کنترل‌کننده، یک «کنترل ملایم» برای شارژرهای خودروهای برقی آغاز می‌کند تا از رسیدن به حد مجاز جلوگیری کند.
2. آستانه بحرانی (مثلاً ۹۸٪ حد مجاز)کنترل‌کننده برای محافظت از فیوز اصلی، یک «توقف اضطراری» یا کاهش شدید جریان به حداقل مجاز (معمولاً ۶ آمپر برای شارژ AC) اعمال می‌کند.

مدیریت عدم تعادل فاز

در سیستم‌های الکتریکی سه فاز (که در اروپا و سایت‌های صنعتی رایج است)، حتی اگر کل توان سه فاز در محدوده مجاز باشد، ممکن است یک فاز بیش از حد بارگذاری شود. این اتفاق زمانی می‌افتد که بیشتر خودروهای برقی موجود در محل، شارژرهای تک فاز باشند و اتفاقاً به یک فاز (مثلاً فاز L1) متصل باشند.

یک سیستم DLB آگاه از فاز، هر فاز را به طور مستقل رصد می‌کند. اگر فاز L1 به حد مجاز خود برسد در حالی که L2 و L3 کمتر از حد مجاز استفاده شوند، کنترل‌کننده فقط خودروهای متصل به L1 را کنترل می‌کند. برخی از خودروهای برقی پیشرفته حتی می‌توانند فازها را به صورت پویا تغییر دهند (تعویض فاز)، و یک خودرو را از یک فاز شلوغ به یک فاز باز منتقل کنند بدون اینکه وقفه‌ای در جلسه شارژ ایجاد شود.

اعوجاج هارمونیکی و کیفیت توان

شارژرهای خودروهای برقی بارهای غیرخطی هستند که از قطعات الکترونیکی قدرت (یکسوکننده‌ها) استفاده می‌کنند. این قطعات می‌توانند هارمونیک‌ها را به شبکه تزریق کنند که می‌تواند باعث گرم شدن بیش از حد هادی‌های خنثی و تداخل با تجهیزات الکترونیکی حساس شود. در حالی که DLB در درجه اول "توان حقیقی" (کیلووات) را مدیریت می‌کند، سیستم‌های پیشرفته "اعوجاج هارمونیکی کل" (THD) و "ضریب توان" (PF) را نیز کنترل می‌کنند. اگر THD از محدودیت‌های نظارتی (مثلاً IEEE 519) فراتر رود، سیستم DLB ممکن است سرعت شارژ را کاهش دهد تا تأثیر آن بر کیفیت برق را کاهش دهد.

پاسخگویی به تقاضا و تنظیم فرکانس

در سطح کلان، سیستم‌های DLB می‌توانند در برنامه‌های پاسخگویی به تقاضا (DR) شرکت کنند. هنگامی که فرکانس شبکه کاهش می‌یابد (که نشان‌دهنده کمبود عرضه است)، شرکت برق سیگنالی ارسال می‌کند. کنترل‌کننده DLB می‌تواند در عرض چند میلی‌ثانیه واکنش نشان دهد و بار خودروهای برقی را به طور همزمان در صدها شارژر کاهش دهد. این یک اثر «باتری مجازی» ایجاد می‌کند که بسیار سریع‌تر و مقرون‌به‌صرفه‌تر از روشن کردن یک کارخانه گازسوز است. این گذار از یک «بار غیرفعال» به یک «دارایی فعال شبکه» آینده شارژ هوشمند است.

نقش ایالت‌های پشتیبان

یکی از اجزای حیاتی جلوگیری از اضافه بار، «وضعیت ایمن» یا «جریان برگشتی» است. در صورت قطع ارتباط بین کنترل‌کننده و کنتور (یا ابر)، سیستم DLB باید به طور پیش‌فرض روی یک حد جریان ایمن از پیش تعریف‌شده تنظیم شود. معمولاً این مقدار روی یک مقدار بسیار کم (مثلاً 6 آمپر در هر شارژر) یا صفر تنظیم می‌شود تا اطمینان حاصل شود که حتی در صورت خرابی کامل سیستم، زیرساخت ساختمان محافظت می‌شود.

فصل 7: یکپارچه‌سازی سیستم‌های چند انرژی: بهینه‌سازی DLB با PV و BESS

ادغام منابع انرژی تجدیدپذیر، به ویژه فتوولتائیک (PV) و ذخیره‌سازی محلی، مانند سیستم‌های ذخیره‌سازی انرژی باتری (BESS)، بُعد جدیدی از پیچیدگی را به متعادل‌سازی بار پویا اضافه می‌کند. در یک سیستم سنتی DLB، هدف ماندن زیر محدودیت شبکه است. در یک سیستم چند انرژی، هدف هماهنگ کردن این دارایی‌های مختلف برای به حداکثر رساندن مصرف خود، به حداقل رساندن هزینه‌های شبکه و تضمین قابلیت اطمینان است.

معادله تعادل توان چند منبعی

در یک سایت با PV و BESS، توان موجود برای شارژ خودروهای برقی دیگر فقط «محدودیت شبکه منهای بار ساختمان» نیست، بلکه به صورت زیر در می‌آید:P_ev(t) = P_grid_limit – P_building(t) + P_pv(t) + P_bess_discharge(t) – P_bess_charge(t)

این معادله چندین متغیر کنترلی جدید را معرفی می‌کند. کنترل‌کننده DLB اکنون نه تنها باید نحوه توزیع توان به خودروهای برقی را تعیین کند، بلکه باید زمان شارژ یا دشارژ BESS را نیز تعیین کند.

شارژ بهینه شده با انرژی خورشیدی (جلوگیری از قطع برق با استفاده از پنل‌های خورشیدی)

یکی از موارد استفاده اصلی برای DLB چند انرژی، «ردیابی خورشیدی» است. هنگامی که خورشید می‌تابد، سیستم PV ممکن است انرژی بیشتری نسبت به مصرف ساختمان تولید کند. اگر شبکه اجازه تزریق (صادرات صفر) را ندهد یا اگر تعرفه تغذیه پایین باشد، این انرژی هدر می‌رود (محدود می‌شود). یک سیستم DLB هوشمند، خروجی PV را رصد می‌کند و به طور خودکار سرعت شارژ خودروهای برقی را برای مطابقت با تولید خورشیدی افزایش می‌دهد. این حالت «شارژ سبز» در محیط‌های مسکونی و شرکتی بسیار محبوب است زیرا امکان جابجایی ۱۰۰٪ تجدیدپذیر با تأثیر صفر بر شبکه را فراهم می‌کند.

اصلاح کامل با BESS

BESS به عنوان یک بافر عمل می‌کند. در طول دوره‌های اوج تقاضا - مانند زمانی که چندین شارژر سریع DC با توان بالا به طور همزمان فعال هستند - BESS می‌تواند برای تکمیل تغذیه شبکه، دشارژ شود. این امر به یک سایت اجازه می‌دهد تا از شارژرهای بیشتری نسبت به آنچه اتصال شبکه آن به طور معمول اجازه می‌دهد، پشتیبانی کند. کنترل‌کننده DLB "وضعیت انرژی" (SoE) BESS را مدیریت می‌کند. این کنترل‌کننده باید اطمینان حاصل کند که باتری ظرفیت کافی برای مدیریت اوج مورد انتظار بعدی را دارد و در عین حال شارژ مجدد را در دوره‌های تقاضای کم یا تولید بالای انرژی خورشیدی برنامه‌ریزی می‌کند.

بهینه‌سازی هماهنگ چند دارایی

پیشرفته‌ترین سیستم‌ها از رویکرد «بهینه‌سازی مشترک» استفاده می‌کنند. به جای اینکه PV، BESS و EVها به عنوان موجودیت‌های جداگانه در نظر گرفته شوند، آنها به عنوان یک ریزشبکه یکپارچه مدیریت می‌شوند. کنترل‌کننده از برنامه‌ریزی خطی یا الگوریتم‌های تکاملی برای حل مسئله تعادل انرژی هر چند ثانیه یکبار استفاده می‌کند. به عنوان مثال، اگر یک ماشین نیاز به حرکت در عرض ۱ ساعت داشته باشد و تولید PV به دلیل ابر در حال کاهش باشد، کنترل‌کننده باید تصمیم بگیرد: آیا باید از شبکه بیشتر بکشد (گران)، BESS را تخلیه کند (هزینه چرخه) یا ماشین را کنترل کند (نارضایتی کاربر)؟ منطق «توزیع اقتصادی» (که در فصل ۹ به آن پرداخته شده است) چارچوبی برای این تصمیمات فراهم می‌کند.

فصل 8: مدل‌های پیشرفته پیش‌بینی توان برای ایستگاه‌های شارژ در مقیاس بزرگ

برای مراکز شارژ در مقیاس بزرگ - مانند ایستگاه‌های خدمات بزرگراه یا پایانه‌های اتوبوس شهری - DLB واکنشی کافی نیست. برای جلوگیری از بی‌ثباتی شبکه و بهینه‌سازی هزینه‌های انرژی، این سایت‌ها باید از مدل‌های پیش‌بینی برای پیش‌بینی تقاضا استفاده کنند. این فصل به بررسی علم داده و تکنیک‌های مدل‌سازی مورد استفاده برای پیش‌بینی توان در شارژ هوشمند می‌پردازد.

پیش‌بینی تقاضا: پیش‌بینی ورود وسایل نقلیه

اولین قدم در پیش‌بینی، پیش‌بینی زمان و تعداد خودروهای برقی است. برای یک مرکز تجاری، این شامل تجزیه و تحلیل موارد زیر است:

1. الگوهای ورود تاریخیروندهای زمانی، روزهای هفته و فصلی.
2. داده‌های خارجیشرایط ترافیک، آب و هوا (که بر برد وسیله نقلیه برقی و بار گرمایشی/سرمایشی تأثیر می‌گذارد) و رویدادهای محلی.
3. نظریه صف‌بندیاستفاده از مدل‌های تصادفی مانند صف‌های M/M/s برای تخمین احتمال اشغال بودن همه شارژرها.

مدل‌های پیشرفته از شبکه‌های عصبی با حافظه کوتاه‌مدت بلندمدت (LSTM) یا درخت‌های تقویت‌شده با گرادیان (XGBoost) برای پیش‌بینی «نمایه تقاضای کل» برای ۲۴ ساعت آینده با دقت بالا استفاده می‌کنند.

پیش‌بینی بار ساختمان

برای اینکه DLB کار کند، باید پیش‌بینی نیز بکندبار غیر EVدر یک ساختمان اداری، این امر بسیار قابل پیش‌بینی است (در ساعات کاری به اوج خود می‌رسد). در یک سایت صنعتی، می‌تواند متغیر باشد. مدل‌های پیش‌بینی بارهای ساختمان معمولاً از موارد زیر استفاده می‌کنند:

• میانگین متحرک خودرگرسیون یکپارچه (ARIMA): برای داده‌های فصلی و پایدار.
• پیامبر (نوشته‌ی متا): برای مدیریت داده‌های گمشده و داده‌های پرت در داده‌های انرژی سری زمانی عالی است.
• مدل‌های مبتنی بر فیزیکپیش‌بینی بار سیستم تهویه مطبوع (HVAC) با در نظر گرفتن جرم حرارتی ساختمان و پیش‌بینی دمای بیرون.

پیش‌بینی تولید PV

پیش‌بینی تولید انرژی خورشیدی برای DLB چند انرژی حیاتی است. این امر مستلزم ادغام با APIهای آب و هوایی با وضوح بالا (داده‌های تابش خورشیدی) و حسگرهای موجود در محل است. پیش‌بینی کوتاه‌مدت (0 تا 15 دقیقه) اغلب از دوربین‌های «تصویربرداری آسمان» استفاده می‌کند که حرکت ابرها را ردیابی می‌کنند تا افت ناگهانی در خروجی PV را پیش‌بینی کنند و به سیستم DLB اجازه دهند تا به طور فعال شارژرها را کنترل کند یا BESS را برای تخلیه آماده کند.

رابط پیش‌بینی-کنترل

خروجی این پیش‌بینی‌ها به حلقه کنترل پیش‌بینی مدل (MPC) که در فصل 3 توضیح داده شده است، وارد می‌شود. پیش‌بینی، «افق پیش‌بینی» را فراهم می‌کند و به کنترل‌کننده اجازه می‌دهد تا امروز تصمیماتی بگیرد که شرایط مورد انتظار دو ساعت بعد را در نظر بگیرد. این قابلیت «نگاه به آینده» همان چیزی است که یک شارژر هوشمند ساده را از یک سیستم مدیریت انرژی یکپارچه با شبکه متمایز می‌کند.

فصل 9: بهینه‌سازی هزینه و توزیع اقتصادی در شارژ هوشمند

در حالی که هدف اصلی DLB فنی (جلوگیری از اضافه بار) است، هدف ثانویه و به طور فزاینده‌ای مهم، اقتصادی است. در این فصل، ما در مورد چگونگی بهینه‌سازی سیستم‌های DLB برای کمترین هزینه انرژی بحث می‌کنیم.

آربیتراژ زمان استفاده (ToU)

اکنون اکثر شرکت‌های برق قیمت‌گذاری پویا ارائه می‌دهند. ممکن است هزینه برق در ساعت ۵ بعد از ظهر ۰.۳۰ دلار در هر کیلووات ساعت باشد، اما در ساعت ۲ بامداد فقط ۰.۰۵ دلار در هر کیلووات ساعت. یک سیستم هوشمند DLB این سیگنال‌های قیمت را به عنوان ورودی دریافت می‌کند. «زمانبند بهینه هزینه» تا حد امکان بار خودروهای برقی را به دوره‌های کم‌هزینه منتقل می‌کند. با این حال، باید این را با نیازهای کاربر متعادل کند. اگر کاربری در ساعت ۸ شب به ماشین خود نیاز داشته باشد، سیستم نمی‌تواند تا ساعت ۲ بامداد برای شروع شارژ صبر کند. الگوریتم «هزینه فرصت» تأخیر در هر جلسه را محاسبه می‌کند.

مدیریت هزینه تقاضا

برای مشتریان تجاری، صورتحساب برق اغلب به دو بخش تقسیم می‌شود: مصرف انرژی (کیلووات ساعت) و اوج مصرف (کیلووات). هزینه اوج مصرف بر اساس بالاترین بازه ۱۵ دقیقه‌ای ماه محاسبه می‌شود. یک اوج مصرف مدیریت نشده می‌تواند هزاران دلار هزینه داشته باشد. سیستم DLB به عنوان یک "قطع‌کننده اوج مصرف" عمل می‌کند. با تعیین یک محدودیت سخت برای کل بار سایت و استفاده از BESS یا تنظیم فشار برای حفظ آن، سیستم تضمین می‌کند که هزینه اوج مصرف در محدوده بودجه‌بندی شده باقی بماند.

مشارکت در بازارهای پاسخ فرکانسی

اپراتورهای شبکه (TSO/DSO) برای «انعطاف‌پذیری» هزینه پرداخت می‌کنند. اگر یک شبکه شارژ بتواند ثابت کند که می‌تواند بار خود را بر اساس دستور کاهش دهد، می‌تواند در بازارهایی مانند FFR (پاسخ فرکانسی ثابت) یا DSR (پاسخ سمت تقاضا) شرکت کند. کنترل‌کننده DLB به عنوان رابط عمل می‌کند. هنگامی که یک «درخواست انعطاف‌پذیری» دریافت می‌شود، کنترل‌کننده محاسبه می‌کند که چقدر می‌تواند با خیال راحت بار را بدون نقض حداقل الزامات SoC کاربران کاهش دهد و یک پیشنهاد در بازار ارائه می‌دهد. درآمد حاصل از این خدمات می‌تواند به طور قابل توجهی هزینه زیرساخت شارژ را جبران کند.

تابع هدف توزیع اقتصادی

ریاضیات پشت این بهینه‌سازی معمولاً یک تابع چند هدفه است:به حداقل رساندن: (هزینه انرژی شبکه) + (هزینه استهلاک باتری) + (جریمه دیرکرد در شارژ) منوط به: (ظرفیت شبکه) و (مهلت‌های کاربر)

با حل این مشکل هر چند دقیقه، سیستم DLB تضمین می‌کند که ایستگاه در «مرز بهره‌وری» - تعادل کامل بین هزینه و عملکرد - عمل می‌کند.

فصل 10: روندهای آینده: V2G، DLB مبتنی بر هوش مصنوعی و استانداردسازی (OCPP 2.0.1)

حوزه شارژ هوشمند خودروهای برقی با سرعت سرسام‌آوری در حال تکامل است. با بلوغ این فناوری، ما از مدیریت بار ساده به سمت یکپارچه‌سازی کامل شبکه و بهینه‌سازی خودکار حرکت می‌کنیم. این فصل به بررسی سه روند مهم که آینده متعادل‌سازی بار پویا را شکل می‌دهند، می‌پردازد: خودرو به شبکه (V2G)، هوش مصنوعی و پذیرش استانداردهای ارتباطی نسل بعدی.

خودرو به شبکه (V2G) و DLB دو طرفه

V2G تکامل نهایی شارژ هوشمند است. به جای اینکه خودروی برقی فقط یک بار باشد، به یک باتری سیار تبدیل می‌شود که می‌تواند برق را به شبکه تزریق کند. برای DLB، این بدان معناست که برق موجود در معادله در واقع می‌تواند منفی باشد. در یک سایت دارای V2G، کنترل‌کننده DLB باید "تعادل بار دو طرفه" را مدیریت کند. اگر بار ساختمان از حد مجاز شبکه تجاوز کند، کنترل‌کننده می‌تواند به خودروهای برقی دستور دهد تا باتری‌های خود را برای پشتیبانی از ساختمان تخلیه کنند. این امر مستلزم "مدیریت چرخه" بسیار پیچیده‌ای است تا اطمینان حاصل شود که تخلیه بیش از حد باتری خودرو را تضعیف نمی‌کند و کاربر همچنان برد کافی برای سفر بعدی خود را دارد. V2G همچنین مستلزم ارتقاء سخت‌افزار است - به طور خاص، شارژرهای DC دو طرفه یا شارژرهای AC که از استاندارد ISO 15118-20 پشتیبانی می‌کنند.

متعادل‌سازی بار خودکار مبتنی بر هوش مصنوعی

در حالی که سیستم‌های DLB امروزی به الگوریتم‌ها و قوانین از پیش تعریف‌شده متکی هستند، نسل بعدی از هوش مصنوعی «خودآموز» استفاده خواهد کرد. با استفاده از یادگیری تقویتی (RL)، یک کنترل‌کننده DLB می‌تواند قبل از استقرار، استراتژی بهینه شارژ را از طریق آزمون و خطا در یک محیط شبیه‌سازی‌شده بیاموزد. یک کنترل‌کننده مبتنی بر هوش مصنوعی می‌تواند الگوهای ظریفی را که یک مهندس انسانی ممکن است از دست بدهد، شناسایی کند - مانند این واقعیت که هر سه‌شنبه صبح ساعت ۱۰ صبح، یک ماشین صنعتی خاص به مدت ۱۵ دقیقه کار می‌کند و باعث افزایش ناگهانی بار می‌شود. هوش مصنوعی می‌تواند یاد بگیرد که به طور فعال شارژرهای خودروهای برقی را در آن بازه زمانی خاص، حتی بدون سیگنال بلادرنگ از خود دستگاه، کنترل کند.

تأثیر OCPP 2.0.1 و ISO 15118

استانداردسازی، سنگ بنای مقیاس‌پذیری است. این صنعت به سرعت در حال گذار از OCPP 1.6 قدیمی به OCPP 2.0.1 بسیار قوی‌تر است.

• او سی پی پی ۲.۰.۱: «مدیریت دستگاه» را معرفی می‌کند که به فضای ابری اجازه می‌دهد سلامت و پیکربندی شارژرها را با جزئیات بسیار بیشتری رصد کند. از همه مهم‌تر برای DLB، شامل ویژگی‌های شارژ هوشمند پیشرفته‌ای است که امکان پروفایل‌های شارژ پیچیده‌تر و مدیریت بهتر سیستم‌های سه فاز را فراهم می‌کند.
• ISO 15118 (اتصال و شارژ)این استاندارد ارتباطی خودرو-شارژر به خودرو اجازه می‌دهد تا SoC واقعی و ظرفیت باتری خود را با شارژر به اشتراک بگذارد. امروزه، اکثر شارژرهای AC، SoC را "حدس می‌زنند" یا به کاربر متکی هستند تا آن را در یک برنامه وارد کند. با ISO 15118، کنترل‌کننده DLB داده‌های "واقعیت زمینی" را مستقیماً از سیستم مدیریت باتری (BMS) خودرو دریافت می‌کند و امکان تخصیص توان بسیار دقیق‌تر را فراهم می‌کند.

فصل 11: مطالعات موردی و چالش‌های پیاده‌سازی

برتری نظری بدون اجرای عملی هیچ است. در این فصل، به پیاده‌سازی‌های واقعی DLB و موانع فنی که مهندسان در طول پیاده‌سازی با آن مواجه هستند، نگاهی می‌اندازیم.

مطالعه موردی ۱: مجتمع اداری تجاری

یک دفتر مرکزی بزرگ در لندن می‌خواست ۵۰ شارژر خودروهای برقی نصب کند، اما اتصال شبکه برق ۲۰۰ کیلوواتی که ۷۰ درصد آن توسط سیستم‌های تهویه مطبوع و روشنایی ساختمان استفاده می‌شد، محدودیت داشت.راه حلیک سیستم DLB ترکیبی پیاده‌سازی شد. یک کنترل‌کننده لبه محلی برای نظارت بر ترانسفورماتور اصلی از طریق گیره‌های CT نصب شد. این سیستم با یک «محدوده نرم» ۱۸۰ کیلوواتی و یک «محدوده سخت» ۱۹۵ کیلوواتی پیکربندی شد.نتیجهاین سایت با موفقیت ۵۰ شارژر را بدون حتی یک بار قطع برق مدیریت کرد. با استفاده از اولویت‌بندی مبتنی بر SoC، آنها اطمینان حاصل کردند که کارمندانی که رفت و آمد طولانی دارند، همیشه تا پایان روز کاملاً شارژ می‌شوند.

مطالعه موردی ۲: ایستگاه اتوبوس برقی

یک اپراتور اتوبوس در شنژن نیاز داشت ۱۰۰ اتوبوس برقی را در طول شب شارژ کند. چالش، بار عظیم و همزمانی بود که هنگام بازگشت همه اتوبوس‌ها به ایستگاه در ساعت ۱۱ شب رخ می‌داد.راه حلیک مدل پیش‌بینی مبتنی بر هوش مصنوعی برای پیش‌بینی SoC هر اتوبوس هنگام ورود بر اساس داده‌های مسیر آن استفاده شد. سپس سیستم DLB شارژ را به صورت «موج» برنامه‌ریزی کرد و اطمینان حاصل کرد که بار کل هرگز از ظرفیت پست ایستگاه تجاوز نمی‌کند و در عین حال هر اتوبوس تا ساعت ۵ صبح ۱۰۰٪ شارژ دارد.

چالش‌های رایج پیاده‌سازی

1. پیچیدگی ارتباطات و ادغام:هر شارژر باید به زبان محل مورد نظر صحبت کند - OCPP برای سیستم مدیریت مرکزی، ISO 15118 برای وسیله نقلیه، و اغلب Modbus یا BACnet برای سیستم مدیریت انرژی ساختمان. ایجاد تعامل قابل اعتماد بین هر سه لایه، به ویژه در بین شارژرهای فروشندگان مختلف، یکی از رایج‌ترین منابع خطاهای «فانتوم» است که در واقع عدم تطابق پروتکل‌ها هستند.
2. هزینه‌های اتصال به شبکه و دیماند:سیستم DLB مشکل فنی ظرفیت محدود را حل می‌کند، اما مشکل تجاری - هزینه‌های تقاضا و هزینه‌های اتصال به شبکه برق - همچنان پابرجاست. سایت‌ها باید مدل‌سازی کنند که آیا مشخصات بار آنها باعث اوج تقاضای شدید می‌شود یا خیر، و اینکه آیا یک BESS از اتصال به شبکه بزرگتر مقرون به صرفه‌تر است یا خیر.
3. کیفیت داده‌ها و تخمین SoC:بهینه‌سازی DLB فقط به اندازه ورودی‌هایش خوب است. خودروها در طول جلسه شارژ، وضعیت شارژ را گزارش می‌دهند، اما مقادیر می‌توانند قدیمی، متناقض یا در مدل‌های قدیمی‌تر به سادگی غیرقابل دسترس باشند. سیستم‌ها باید در برابر داده‌های از دست رفته مقاوم باشند و در صورت غیرقابل اعتماد بودن تله‌متری، به طور پیش‌فرض به برنامه‌ریزی محافظه‌کارانه روی آورند.
4. مقیاس‌پذیری لایه کنترل:سیستمی که به زیبایی ۵۰ شارژر را مدیریت می‌کند، ممکن است با ۵۰۰ شارژر به مشکل بربخورد. کنترل‌کننده‌های لبه‌ای، داشبوردهای ابری و رفتار failover باید از روز اول برای مقیاس‌پذیری طراحی شوند، و منطق کنترل در برابر بدترین حالت‌های افزایش بار - نه فقط شرایط عادی - آزمایش شود.

غلبه بر این چالش‌ها

هیچ یک از این چالش‌ها مانع نیستند؛ هر کدام یک رشته طراحی هستند. استانداردسازی OCPP 1.6J یا 2.0.1 با یک فروشنده CMS واحد، بیشتر اصطکاک پروتکل را از بین می‌برد. مدل‌سازی هزینه‌های تقاضا در طرح اولیه کسب‌وکار - و اضافه کردن BESS زمانی که اعداد به نفع آن باشند - سودآوری را حفظ می‌کند. و انتخاب یک فروشنده DLB با استقرار ناوگان بزرگ اثبات‌شده، به جای فروشنده‌ای که فقط نسخه‌های نمایشی در مقیاس آزمایشگاهی دارد، کل پروژه را از ریسک خارج می‌کند.

همچنین یک بُعد انسانی نیز برای این چالش‌ها وجود دارد. مهندسانی که یک سیستم DLB را راه‌اندازی می‌کنند باید هم سیستم‌های برق و هم نرم‌افزار را درک کنند - ترکیبی نادر. اپراتورها باید برای آموزش ساختاریافته و دفترچه‌های راهنمای مستند بودجه‌بندی کنند، به طوری که وقتی کنترل‌کننده لبه در ساعت ۲ بامداد زنگ خطر را به صدا در می‌آورد، تکنسین آماده به کار دقیقاً بداند کدام داشبوردها را بررسی کند و کدام رویه‌ها را دنبال کند. فروشندگان باتجربه این دفترچه‌های راهنمای استاندارد را ارائه می‌دهند و عدم وجود آنها در هنگام انتخاب فروشنده، یک علامت هشدار دهنده است.

نتیجه‌گیری

تعادل بار پویا و بهینه‌سازی BESS، شارژ خودروهای برقی را از یک بدهی شبکه به یک دارایی شبکه تبدیل می‌کند. آن‌ها به سایت‌ها اجازه می‌دهند تعداد شارژرهای خود را بدون ارتقاء ترانسفورماتورها سه برابر کنند، از اپراتورها در برابر هزینه‌های تقاضای تنبیهی محافظت کنند و دری را به روی جریان‌های درآمدی - اصلاح اوج مصرف، آربیتراژ انرژی و حتی خدمات شبکه - باز کنند که یک نصب ساده هرگز نمی‌تواند به آن دسترسی داشته باشد. این فناوری بالغ است؛ نظم و انضباط در ادغام، کیفیت داده‌ها و مدل‌سازی صادقانه ظرفیت نهفته است.

نکات کلیدی

• DLB به ازای هر کیلووات اتصال به شبکه، شارژرهای بیشتری را فعال می‌کند و اغلب ارتقاء ترانسفورماتورهای شش رقمی را به تعویق می‌اندازد یا حذف می‌کند.
• BESS + شارژ، یک مسئله‌ی تقاضا-هزینه را به یک مرکز سود تقاضا-هزینه تبدیل می‌کند.
• اولویت‌بندی مبتنی بر SoC و پیش‌بینی هوش مصنوعی، کاربران حیاتی (مسافران، اتوبوس‌ها) را در حین مسطح کردن منحنی بار سایت، شارژ نگه می‌دارد.
• قابلیت همکاری (OCPP، ISO 15118)، کیفیت داده‌ها و مقیاس فروشنده، سه عامل تعیین‌کننده در پیاده‌سازی‌های واقعی هستند.

تماس با ما

سیستم‌های شارژ MIDA Power با متعادل‌سازی بار پویای یکپارچه و یکپارچه‌سازی اختیاری BESS ارائه می‌شوند که همگی از طریق یک پلتفرم سازگار با OCPP مدیریت می‌شوند. از مجتمع‌های اداری گرفته تا پایانه‌های اتوبوس، ما پشتیبانی مهندسی را برای مدل‌سازی بار شما، تعیین اندازه مناسب سیستم و راه‌اندازی بدون غافلگیری ارائه می‌دهیم. برای مشاوره در مورد تحلیل بار و دریافت پیش‌فاکتور پروژه با ما تماس بگیرید.