Az intelligens elektromosjármű-töltés műszaki architektúrája: dinamikus terheléselosztás és BESS optimalizálás

Az intelligens elektromosjármű-töltés átfogó műszaki architektúrája: Dinamikus terheléselosztás elsajátítása fejlett szabályozási hurkok, helyi felhőintegráció, több energiaforrás optimalizálása fotovoltaikus és töltőrendszerekkel, valamint nagyléptékű prediktív hálózati stabilitáskezelés segítségével

1. fejezet: Bevezetés az intelligens elektromosjármű-töltésbe és a dinamikus terheléselosztás (DLB) szükségessége

Az elektromos mobilitás felé való globális átállás már nem periférikus trend, hanem a közlekedési szektor deboranizációjának központi pillére. Ahogy a belső égésű motorral (ICE) hajtott járművek millióit elektromos járművek (EV-k) váltják fel, az áram iránti kereslet a folyékony üzemanyagokról az elektromos hálózatra helyeződik át. Ez a paradigmaváltás monumentális kihívást jelent az elektromos infrastruktúra számára, amelyet sok esetben évtizedekkel ezelőtt terveztek. Az elektromos járművek töltésének szakaszos és nagy teljesítményű jellege lokalizált hálózati torlódásokhoz, transzformátor-leromláshoz és végső soron katasztrofális meghibásodásokhoz vezethet, ha nem kezelik pontosan.

Az intelligens elektromosjármű-töltés technológiai hidat képez a mobilitás iránti növekvő igény és az elektromos hálózat fizikai korlátai között. Az intelligens töltés lényege az intelligencia – tudni, hogy mikor, milyen sebességgel és milyen prioritással kell tölteni egy elektromos járművet. Ezen az intelligenciarétegen belül azonban a legfontosabb elem a dinamikus terheléselosztás (DLB).

A dinamikus terheléselosztás (DLB) egy olyan folyamat, amely folyamatosan figyeli egy telephely rendelkezésre álló elektromos kapacitását, és valós időben osztja el ezt az energiát az aktív elektromosjármű-töltők között. DLB nélkül egy épület vagy egy töltőállomás kénytelen lenne statikus határértéken működni, amelyet gyakran a csúcsterhelés „legrosszabb forgatókönyve” diktál. Ez hatalmas hatékonyságvesztéshez vezet: vagy a telephely nincs kellően felszerelve, ami lassú töltést eredményez a felhasználók számára, vagy a telephely rendkívül drága infrastrukturális fejlesztéseket igényel az elméleti csúcsok kezeléséhez, amelyek csak heti néhány órára fordulnak elő.

A DLB szükségessége három fő ok miatt alakul ki:

1. Infrastruktúra megőrzése: Megakadályozza a főkapcsolók kioldását és védi a transzformátorokat a túlmelegedéstől.
2. Gazdasági hatékonyságA magas keresleti díjak és a szolgáltató panelek vagy a helyi elosztóhálózatok korszerűsítésének megfizethetetlen költségei elkerülése.
3. Felhasználói elégedettségA töltési sebesség maximalizálása minden felhasználó számára az összes rendelkezésre álló kilowattóra kapacitás intelligens kihasználásával.

Ebben a mélyreható műszaki feltárásban a DLB (Digital Load Base, azaz közvetlen töltés) mechanizmusát boncolgatjuk, az erősáramú elektronikát irányító milliszekundumos szintű szabályozási hurkoktól kezdve a több ezer töltőpont felhőalapú vezényléséig. Megvizsgáljuk, hogyan fejlődik a DLB, ha megújuló energiaforrásokkal, például fotovoltaikus rendszerekkel (PV) és akkumulátoros energiatároló rendszerekkel (BESS) integrálják, és hogyan teszi lehetővé a prediktív modellezés a nagyméretű töltőközpontok számára, hogy előre jelezzék a hálózati ingadozásokat, mielőtt azok bekövetkeznének. Ahogy egy olyan jövő felé haladunk, ahol az elektromos járművek nem csupán fogyasztók, hanem elosztott energiaforrások is, a DLB árnyalatainak megértése kiemelkedő fontosságú a mérnökök, a várostervezők és az energiaszolgáltatók számára egyaránt.

2. fejezet: A dinamikus terheléselosztás alapelvei

A DLB működésének megértéséhez először meg kell érteni a „statikus” alternatívát. Statikus terheléselosztási környezetben minden töltőhöz fix áramerősség tartozik. Például, ha egy létesítményben 100 A-es korlát és 5 töltő van, akkor mindegyik 20 A-ra korlátozható. Ha csak egy autó töltődik, az is csak 20 A-t kap, ami 80 A rendelkezésre álló kapacitást pazarol el. Fordítva, ha mind az 5 autó töltődik, és valaki bekapcsol egy nagy teljesítményű HVAC-rendszert az épületben, a teljes terhelés meghaladhatja a 100 A-t, ami áramszünetet okozhat.

A DLB ezt a merev elosztást egy rugalmas, reagáló rendszerrel helyettesíti. Az alapelv egy visszacsatolási hurok a „teljes rendelkezésre álló kapacitás” és az „aktív töltési igény” között.

A Matematikai Alapítvány

A legegyszerűbben a DLB a következő egyenlettel fejezhető ki:P_elérhető_EV-khez(t) = P_teljes_korlát – P_nem_EV_terhelések(t)

Ahol:

• P_teljes_korláta telephely fizikai vagy szerződéses határa.
• P_nem_EV_terhelések(t)a világítás, gépek, liftek stb. valós idejű fogyasztása, amelyet egy okosmérő mér.
• P_elérhető_EV-khez(t)az a fennmaradó teljesítmény, amely biztonságosan elosztható az elektromos járművek között.

A bonyolultság akkor merül fel, amikor a rendszernek el kell döntenie, hogyan ossza el az adatokat.P_elérhető_EV-khez(t)közöttNtöltők. Ezt az eloszlást olyan algoritmusok szabályozzák, amelyek figyelembe veszik:

• Töltési állapot (SoC)Egy majdnem lemerült akkumulátorral rendelkező autó magasabb prioritást kaphat.
• Indulási időEgy éjszakára ott maradó autó lassan tölthető, míg egy gyors feltöltés szükségessé teheti a gyorsítást.
• FáziskiegyenlítésHáromfázisú rendszerekben a DLB-nek biztosítania kell, hogy egyetlen fázis se legyen túlterhelve, ami összetett kapcsolási logikát vagy fázisérzékeny elosztást igényel.

Érzékelés és mérés

A DLB pontossága teljes mértékben a fogadott adatok minőségétől függ. Ez jellemzően áramváltókat (CT) vagy a közös csatlakozási ponton (PCC) telepített intelligens mérőket jelent. Ezeknek az eszközöknek nagy frekvencián (gyakran 1 Hz-en vagy magasabban) kell jelenteniük a terhelési adatokat, hogy a DLB vezérlő másodperceken belül reagálni tudjon az épület terhelésének hirtelen megugrásaira – például egy ipari motor beindulására –, és megakadályozza a főkapcsoló kioldását.

A hierarchikus struktúra

A DLB gyakran hierarchikusan működik. A „helyi” szinten a vezérlő egy töltőcsoportot kezel. A „telephelyi” szinten koordinál az épületfelügyeleti rendszerrel. A „hálózat” szintjén reagálhat a szolgáltatótól érkező keresletoldali válasz (DR) jelekre. Ez a többrétegű megközelítés biztosítja a helyi biztonság fenntartását, miközben továbbra is részt vesz a szélesebb energiapiacokon.

3. fejezet: Szabályozóhurok tervezése DLB algoritmusokhoz: PID és modellprediktív szabályozás (MPC)

A dinamikus terheléselosztási rendszer hatékonyságát végső soron a késleltetése és a pontossága méri. Ha az épület terhelése megnő, és a DLB rendszernek 30 másodpercre van szüksége az elektromos jármű töltési áramának beállításához, a főkapcsoló valószínűleg leold, mielőtt a korrekció megtörténne. Ezért a vezérlőhurok kialakítása az intelligens töltőállomás „agya”. Ebben a fejezetben elmélyedünk ezen vezérlőmechanizmusok mérnöki specifikációiban, különös tekintettel a proporcionális-integrál-derivált (PID) szabályozókra és a fejlettebb modellprediktív vezérlésre (MPC).

A PID szabályozó keretrendszer DLB-ben

A PID-szabályozók az ipari automatizálás igáslovai, és természetes alkalmazást találnak a DLB-ben. A PID-hurok célja, hogy a teljes helyszíni terhelést ($P_{total}$) egy alapértéken ($P_{limit}$) vagy az alatt tartsa a szabályozási változó módosításával, amely az EVSE-knek (elektromos járművek tápegységei) küldött maximális áramkorlát.

• Arányos (P)A P-tag azonnali választ ad a hibára (a $P_{limit}$ és a $P_{total}$ közötti különbségre). Ha a hiba nagy (pl. az épület terhelésének jelentős csökkenése), a P-tag gyorsan növeli az engedélyezett elektromos jármű töltési áramát. A csak P-vezérlés azonban gyakran „állandó állapotú hibához” vezet, ahol a rendszer soha nem éri el teljesen a határértéket.
• Integrál (I)Az I-tag figyelembe veszi a múltbeli hibák felhalmozódását. Lassan növeli vagy csökkenti az áramot, hogy kiküszöbölje az állandósult állapotbeli hibát, biztosítva, hogy a rendszer idővel minden rendelkezésre álló ampert kihasználjon.
• Származék (D)A D-tag a változás mértékének vizsgálatával előrejelzi a jövőbeni hibákat. Ez kulcsfontosságú a „túllövés” megakadályozásához. Ha a terhelés gyorsan növekszik, a D-tag agresszívan szabályozza az elektromosjármű-töltőket, mielőtt a terhelés ténylegesen elérné a határértéket.

DLB környezetben a PID hurkot gondosan kell hangolni. Ha túl agresszív, az elektromos járművek akkumulátorai (EVSE-k) folyamatosan modulálják az áramukat, ami kopást okozhat a jármű fedélzeti töltőjén (OBC), és potenciálisan irritálhatja az elektromos jármű szoftverét, ami töltési hibákhoz vezethet. Ha túl lassú, akkor nem tudja betölteni elsődleges célját, a hálózat védelmét.

A PID-n túl: Modellprediktív szabályozás (MPC)

Míg a PID hatékony az egyszerű forgatókönyvek megoldásában, a modern, nagyméretű töltőközpontok egyre inkább a modellprediktív vezérlést (MPC) alkalmazzák. A reaktív PID-del ellentétben az MPC proaktív. A rendszer matematikai modelljét használja a jövőbeni viselkedés előrejelzésére egy adott „előrejelzési horizonton”.

A DLB kontextusában egy MPC vezérlő a következőket veszi figyelembe:

1. RendszerkorlátozásokA töltők fizikai korlátai, a transzformátor kapacitása és a jármű maximális beviteli sebessége.
2. Jövőbeli előrejelzésekAz épületterhelés előrejelzett értéke a korábbi minták, az időjárás-előrejelzések (amelyek befolyásolják a HVAC-terhelést) és a várható járműérkezések alapján.
3. CélfüggvényMatematikai cél, például: „A teljes energiaköltség minimalizálása, miközben biztosítjuk, hogy minden autó reggel 8 órára elérje a 80%-os energiahatékonysági szintet.”

Az MPC algoritmus minden egyes időlépésben (pl. 5 percenként) megold egy optimalizálási problémát. Kiszámítja az optimális szabályozási műveletek sorozatát, de csak az elsőt hajtja végre, majd a következő lépésben újraszámol. Ez lehetővé teszi a DLB rendszer számára a töltési profilok „kisimítását”. Például, ha a rendszer tudja, hogy délután 2 órakor hatalmas épületterhelési csúcs várható, akkor délután 1:30-kor előtöltheti az elektromos járműveket, majd délután 2 órakor mélyrehatóan lefojthatja őket, ahelyett, hogy hirtelen reagálna a csúcs bekövetkeztekor.

Késleltetés és kommunikációs protokollok

A vezérlőhurok csak annyira gyors, mint a kommunikációs kapcsolata. Számos DLB-beállításban a vezérlő Modbus TCP, RTU vagy Open Charge Point Protocol (OCPP) protokollon keresztül kommunikál a töltőkkel.

• ModbusNagyon alacsony késleltetést (milliszekundum) kínál, így ideális a helyi, biztonságkritikus DLB-hez.
• OCPP 1.6/2.0.1A felhő és a töltő közötti kommunikáció iparági szabványa. Bár funkciókban gazdagabb (számlázás, hitelesítés és firmware-frissítések kezelése), jelentős késleltetést okoz (gyakran 1-5 másodperc) a WebSockets-en keresztüli JSON-üzenetek terhelése és a nyilvános internet bejárása miatt.

A mérnököknek a terheléselosztás kritikussága alapján kell kiválasztaniuk a megfelelő protokollt. Egy lakóépület esetében egy valamivel lassabb, felhőalapú DLB elegendő lehet. Egy ipari üzemben, ahol egy megszakító leoldása több ezer dolláros leállási időbe kerül, kötelező egy helyi Modbus-alapú hurok.

4. fejezet: Lokális vs. felhőalapú DLB architektúra: Összehasonlító elemzés

Egy intelligens töltőinfrastruktúra tervezésekor az egyik legfontosabb építészeti döntés az, hogy hol lakozik az „intelligencia”. A terheléselosztási logikának egy helyszíni hardveren (helyi DLB) kell-e futnia, vagy egy távoli szervernek (felhőalapú DLB) kell-e kezelnie? Mindkét megközelítésnek megvannak a maga előnyei és kompromisszumai a megbízhatóság, a költségek és a skálázhatóság tekintetében.

Helyi DLB: Az Edge Computing megközelítés

A helyi DLB egy fizikai vezérlőt – gyakran egy PLC-t (programozható logikai vezérlőt), egy dedikált átjárót vagy egy „master” töltőt – foglal magában, amely közvetlenül kommunikál a helyi hálózaton (LAN) lévő többi töltővel.

Előnyök:

1. Megbízhatóság és offline képességA rendszer nem függ internetkapcsolattól. Ha a száloptika megszakad, a töltők továbbra is helyben kiegyenlítik a terhelést, biztosítva az épület elektromos biztonságát.
2. Alacsony késleltetésAmint azt a 3. fejezetben tárgyaltuk, a helyi kommunikáció (Modbus vagy helyi OCPP) másodpercnél rövidebb sebességgel történik. Ez elengedhetetlen az olyan telephelyeken, ahol ingadozó, nem elektromos járművekhez kapcsolódó terhelések vannak, például gyárakban vagy kórházakban.
3. BiztonságA vezérlőjelek helyi hálózaton belül tartása csökkenti a támadási felületet a hálózat stabilitását manipuláló kiberfenyegetések számára.

Hátrányok:

1. HardverköltségTovábbi helyszíni hardverek megvásárlását és telepítését igényli.
2. Karbantartás összetettségeA DLB logika frissítése helyszíni látogatásokat vagy a peremhálózati eszközök összetett távoli kezelését igényelheti.
3. Szilázott adatokEgy helyi vezérlő korlátozott rálátással rendelkezik a szélesebb hálózati feltételekre vagy a közmű energiaáraira, kivéve, ha kifejezetten egy felhőalapú háttérrendszerrel integrálták.

Felhőalapú DLB: Nagy léptékű vezénylés

Egy felhőalapú architektúrában az okosmérő és a töltők is egy központi felügyeleti platformnak jelentik az adataikat. A felhő kiszámítja az egyes töltők optimális teljesítményét, és elküldi aSmartCharging.SetChargingProfilparancsot adj vissza az EVSE-knek.

Előnyök:

1. SkálázhatóságVégtelenül könnyebb 1000 telephelyet egyetlen felhőalapú irányítópultról kezelni, mint 1000 egyedi helyi vezérlőt.
2. Globális optimalizálásA felhő több telephelyről származó adatokat képes összesíteni a virtuális erőművekben (VPP) való részvételhez vagy a regionális hálózati terhelés kezelésére.
3. Fejlett mesterséges intelligencia integrációAz előrejelzéshez használt komplex gépi tanulási modellek futtatása (amelyeket a 8. fejezetben tárgyalunk) sokkal megvalósíthatóbb nagy teljesítményű felhőszervereken, mint korlátozott peremhálózati hardvereken.
4. Alacsonyabb előzetes költségNincs szükség külön helyi vezérlőre, ha a töltők közvetlenül tudnak kommunikálni a felhővel.

Hátrányok:

1. Kapcsolódási függőségHa az internet kiesik, a rendszer általában „biztonságos állapotba” tér vissza (pl. minimális töltési áram minden autó számára), ami rendkívül hatástalan lehet, és ügyfélpanaszokhoz vezethet.
2. Magas késleltetésA mérő, a felhő és a töltő közötti oda-vissza útidő több másodperc is lehet. Ez megnehezíti a „pillanatnyi” terheléscsúcsokra való reagálást.
3. Adatvédelmi aggályokAz energiaadatok folyamatos felhőbe történő streamelése adatszuverenitási és adatvédelmi problémákat vet fel egyes vállalati ügyfeleknél.

A hibrid modell: Mindkét világ legjava

Felismerve ezeket a kompromisszumokat, az iparág egy hibrid modell felé halad. Ebben a beállításban egy helyi átjáró kezeli a biztonságkritikus, milliszekundumos szintű terheléselosztást (biztosítva, hogy a megszakító soha ne oldjon ki). Eközben a felhő biztosítja a magas szintű stratégiát – a helyi vezérlő „költségvetésének” meghatározását az energiaárak, a felhasználói ütemtervek és a hálózati jelek alapján. Ez a „peremhálózati, felhővezérelt” megközelítés biztosítja az infrastruktúra védelméhez szükséges megbízhatóságot, miközben megőrzi a felhőkezelés rugalmasságát.

5. fejezet: Valós idejű energiaelosztási stratégiák és prioritások

A dinamikus terheléselosztás legösszetettebb algoritmikus kihívása annak meghatározása, hogyan osszuk el a rendelkezésre álló teljesítményt több elektromos jármű között. Nem egyszerűen arról van szó, hogy el kell osztani a teljes kilowatt teljesítményt az autók számával. Egy kifinomult DLB-rendszernek egyensúlyt kell teremtenie az egyenlőség, a hatékonyság és az egyéni felhasználói igények között. Ebben a fejezetben a területen ma használt különféle teljesítményelosztási stratégiákat vizsgáljuk meg.

Érkezési sorrendben (FCFS)

A legegyszerűbb elosztási stratégia az FCFS. Az elsőként csatlakozó jármű megkapja a kért maximális teljesítményt. A további járművek a maradékot kapják.

Előnyök:

• Egyszerűen megvalósítható.
• Világos és átlátható az első felhasználók számára.

Hátrányok:

• Rendkívül egyenlőtlen. Az ötödik felhasználó esetleg nulla energiát kap, még akkor is, ha sürgős útja van, míg az első felhasználó már 90%-os töltöttségen van, és könnyen várhat.
• „Energia-felhalmozáshoz” vezet, ahol egy autó órákig egy nagy töltési zónát foglal el, miközben az utolsó néhány százalékpontját nagyon lassan tölti.

Egyenlő megosztás

Ebben a modellben a rendelkezésre álló teljesítmény egyenlően oszlik meg az összes aktív munkamenet között. Ha 100 kW áll rendelkezésre és 4 autó töltődik, akkor mindegyik 25 kW-ot kap. Ha egy ötödik autó is csatlakozik, akkor mindenki 20 kW-ra kapja vissza a teljesítményét.

Előnyök:

• Alapvetően eleve „tisztességes”.
• Maximalizálja a legalább valamennyi díjat kapó autók számát.

Hátrányok:

• Nem hatékony a kis akkumulátorral rendelkező vagy a teljesen feltöltött autók esetében. Egy olyan autó, amely csak 7 kW teljesítményt tud felvenni, 20 kW-ot „oszt” ki, így 13 kW-ot pazarol el, ami egy 50 kW-os autóhoz elmehetett volna.

Prioritásalapú kiosztás (SoC és akkumulátorkapacitás)

A modern DLB rendszerek intelligensebb, többváltozós optimalizálást alkalmaznak. Az autókat a töltöttségi szintjük (SoC) alapján rangsorolják. Egy 10%-os töltöttségi szinttel rendelkező autó prioritást élvez egy 80%-os töltöttségi szinttel rendelkezővel szemben, mivel a 10%-os autónak nagyobb szüksége van a hatótávolságra, és a lítium-ion töltési görbéje (állandó áramfázis) miatt sokkal magasabb töltési sebességet is képes elfogadni.

Továbbá a rendszer figyelembe veszi amaximális elfogadási aránya jármű. A használatávalMax. áramerősségA jármű által jelzett teljesítmény (PWM-en keresztül AC töltésnél vagy digitális kommunikáción keresztül DC töltésnél) alapján a DLB vezérlő biztosítja, hogy soha ne osztson ki több energiát, mint amennyit az autó valójában fel tud használni, ezáltal a „felesleget” újraelosztja a többi jármű között.

Felhasználó által meghatározott prioritások és „prémium” töltés

Kereskedelmi környezetben a DLB összekapcsolható egy számlázási rendszerrel. A felhasználó fizethet prémiumot a „gyorsított” töltésért, amely biztosítja, hogy mindig a lehető legnagyobb teljesítményt kapja, függetlenül a többi terheléstől. Ezzel szemben a flotta járművei eltérő prioritást kaphatnak a tervezett indulási idejük alapján. Egy reggel 5-kor induló szállító furgon hajnali 3-kor elsőbbséget kap egy reggel 9-kor induló furgonnal szemben.

Arányos méltányossági algoritmus

A telekommunikációból (LTE/5G ütemezés) származó algoritmus célja a rendszer teljes „hasznosságának” maximalizálása. Egyensúlyt teremt a nagy teljesítmény iránti azonnali igény (hatékonyság) és a hosszú távú igénnyel, hogy egyetlen autó se maradjon töltetlenül (méltányosság). Minden autóhoz prioritási pontszámot számít ki:Pontszám = (Kért teljesítmény / Eddig kapott átlagos teljesítmény)A legmagasabb pontszámmal rendelkező autók kapják a rendelkezésre álló teljesítmény következő elosztását.

6. fejezet: Hálózati stabilitás és túlterhelés-megelőzési mechanizmusok

A dinamikus terheléselosztás nem csupán a felhasználói kényelmet szolgálja, hanem kritikus biztonsági rendszer a hálózat stabilitása szempontjából. Az elektromos járművek elterjedésének növekedésével az elosztóhálózat új típusú terhelésekkel néz szembe, beleértve a kereslet gyors ingadozását és a harmonikus torzítást. Ez a fejezet a DLB által a hálózat védelmére és a katasztrofális túlterhelések megelőzésére használt mechanizmusokat vizsgálja.

A „kioldási görbe” védelmi logika

Az elektromos megszakítóknak van egy „kioldási görbéjük” – néhány percig elviselnek egy kis túlterhelést, de azonnal kioldanak, ha nagy túlfeszültség keletkezik. Egy robusztus DLB-vezérlőnek modelleznie kell ezt a kioldási görbét. Figyelembe kell vennie a nagyon rövid túlfeszültségeket (pl. egy lift indulását), hogy elkerülje az elektromos jármű töltők szükségtelen lefojtását, de határozottan kell cselekednie, ha a túlterhelés továbbra is fennáll.

A fejlett vezérlők „kettős küszöbértékű” megközelítést alkalmaznak:

1. Figyelmeztetési küszöbérték (pl. a határérték 90%-a)A vezérlő megkezdi az elektromos autó töltők „lágy szabályozását”, hogy megakadályozza a határérték elérését.
2. Kritikus küszöbérték (pl. a határérték 98%-a)A vezérlő „vészleállítást” vagy agresszív áramcsökkentést hajt végre a minimálisan megengedett áramra (jellemzően 6 A AC töltés esetén) a főbiztosíték védelme érdekében.

Fáziskiegyensúlyozatlanság kezelése

Háromfázisú elektromos rendszerekben (amelyek Európában és ipari helyszíneken gyakoriak) egyetlen fázis túlterhelése is előfordulhat, még akkor is, ha a háromfázisú teljesítmény a határokon belül van. Ez akkor fordul elő, ha a helyszínen található legtöbb elektromos jármű egyfázisú töltő, és történetesen ugyanarra a fázisra (pl. L1 fázisra) vannak csatlakoztatva.

Egy fázisérzékeny DLB rendszer minden fázist külön figyel. Ha az L1 fázis eléri a határértékét, miközben az L2 és L3 kihasználatlanok, a vezérlő csak az L1-hez csatlakoztatott autókat szabályozza. Egyes fejlett EVSE-k dinamikusan is képesek fázisváltásra (fázisváltás), így az autót egy túlterhelt fázisból egy nyitott fázisba mozgatják anélkül, hogy megszakítanák a töltési folyamatot.

Harmonikus torzítás és teljesítményminőség

Az elektromosjármű-töltők nemlineáris terhelések, amelyek teljesítményelektronikát (egyenirányítókat) használnak. Ezek harmonikusokat juttathatnak a hálózatba, ami túlmelegedést okozhat a nullvezetőkben, és interferenciát okozhat az érzékeny elektronikus berendezésekkel. Míg a DLB elsősorban a „valós teljesítményt” (kW) kezeli, a kifinomult rendszerek a „teljes harmonikus torzítást” (THD) és a „teljesítménytényezőt” (PF) is figyelik. Ha a THD meghaladja a szabályozási határértékeket (pl. IEEE 519), a DLB rendszer csökkentheti a töltési sebességet, hogy enyhítse az energiaminőségre gyakorolt ​​hatást.

Keresletoldali válasz és frekvenciaszabályozás

Makroszinten a DLB rendszerek részt vehetnek a keresletoldali válasz (DR) programokban. Amikor a hálózati frekvencia csökken (ami ellátási hiányt jelez), a szolgáltató jelet küld. A DLB vezérlő ezredmásodpercek alatt reagálhat, és egyszerre több száz töltőn keresztül csökkentheti az elektromos járművek terhelését. Ez egy „virtuális akkumulátor” hatást biztosít, amely sokkal gyorsabb és költséghatékonyabb, mint egy csúcsidőszaki gázerőmű beindítása. Ez az átmenet a „passzív terhelésből” az „aktív hálózati eszközbe” az intelligens töltés jövője.

A tartalék államok szerepe

A túlterhelés-megelőzés egyik kritikus eleme a „biztonságos állapot” vagy „tartalékáram”. A vezérlő és a mérő (vagy a felhő) közötti kommunikációs hiba esetén a DLB rendszernek egy előre meghatározott, biztonságos áramkorlátot kell használnia. Ezt általában nagyon alacsony értékre (pl. 6 A töltőnként) vagy nullára állítják be, biztosítva, hogy teljes rendszerkiesés esetén is az épület infrastruktúrája védett maradjon.

7. fejezet: Többenergia-rendszerek integrálása: DLB optimalizálás napelemes rendszerekkel és BESS-sel

A megújuló energiaforrások, különösen a fotovoltaikus rendszerek (PV) és a helyi tárolás, például az akkumulátoros energiatároló rendszerek (BESS) integrációja új dimenziót ad a dinamikus terheléselosztás komplexitásához. Egy hagyományos DLB-beállításban a cél a hálózati korlát alatt maradás. Egy több energiát használó rendszerben a cél ezen különböző eszközök összehangolása az önfogyasztás maximalizálása, a hálózati költségek minimalizálása és a megbízhatóság biztosítása érdekében.

A többforrású teljesítménymérleg egyenlete

Egy napelemes és épületenergetikai rendszerrel (BESS) felszerelt telephelyen az elektromos járművek töltéséhez rendelkezésre álló energia már nem csupán a „hálózati korlát mínusz épületterhelés” összegéből tevődik össze. Ez a következő lesz:P_ev(t) = P_grid_limit – P_building(t) + P_pv(t) + P_bess_discharge(t) – P_bess_charge(t)

Ez az egyenlet számos új szabályozási változót vezet be. A DLB-vezérlőnek mostantól nemcsak azt kell eldöntenie, hogyan ossza el az energiát az elektromos járművek között, hanem azt is, hogy mikor töltse vagy merítse le a BESS-t.

Napenergiára optimalizált töltés (napelemes áramkimaradás-megelőzés)

A többféle energiát hasznosító DLB (Digital Load Blast, azaz közvetlen töltés) egyik fő felhasználási területe a „napenergia-követés”. Amikor süt a nap, a fotovoltaikus rendszer több energiát termelhet, mint amennyit az épület el tud fogyasztani. Ha a hálózat nem teszi lehetővé a betáplálást (nulla export), vagy ha a betáplálási tarifa alacsony, ez az energia kárba vész (korlátozás). Egy intelligens DLB rendszer figyeli a fotovoltaikus teljesítményt, és automatikusan növeli az elektromos járművek töltési sebességét, hogy az megfeleljen a napelemes termelésnek. Ez a „zöld töltés” ​​mód rendkívül népszerű lakossági és vállalati környezetben, mivel 100%-ban megújuló mobilitást tesz lehetővé nulla hálózati hatással.

Csúcsborotválkozás a BESS-szel

A BESS pufferként működik. Csúcsigény idején – például amikor több nagy teljesítményű egyenáramú gyorstöltő aktív egyszerre – a BESS kisütéssel kiegészítheti a hálózati ellátást. Ez lehetővé teszi egy telephely számára, hogy több töltőt támogasson, mint amennyit a hálózati csatlakozása általában megengedne. A DLB vezérlő kezeli a BESS „energiaállapotát” (SoE). Biztosítania kell, hogy az akkumulátor elegendő kapacitással rendelkezzen a következő várható csúcs kezelésére, miközben az alacsony igény vagy a magas napenergia-termelés időszakaiban is ütemeznie kell a töltést.

Koordinált többeszközös optimalizálás

A legfejlettebb rendszerek „kooptimalizálási” megközelítést alkalmaznak. Ahelyett, hogy a fotovoltaikus (PV), a befecskendezős energiatároló (BESS) és az elektromos járműveket különálló entitásként kezelnék, azokat egységes mikrohálózatként kezelik. A vezérlő lineáris programozást vagy evolúciós algoritmusokat használ az energiaegyensúly problémájának néhány másodpercenkénti megoldására. Például, ha egy autónak 1 óra múlva el kell indulnia, és a fotovoltaikus (PV) termelése egy felhő miatt csökken, a vezérlőnek el kell döntenie: Többet vegyen-e fel a hálózatról (drága), merítse-e le a befecskendezős energiatárolót (ciklusköltség), vagy csökkentse-e az autó teljesítményét (felhasználói elégedetlenség)? A „gazdasági diszpécser” logika (amelyet a 9. fejezet tárgyal) biztosítja ezeknek a döntéseknek a keretét.

8. fejezet: Fejlett energia-előrejelzési modellek nagyméretű töltőállomásokhoz

Nagyméretű töltőközpontok – például autópálya-töltőállomások vagy városi buszpályaudvarok – esetében a reaktív DLB (közös töltés) nem elegendő. A hálózati instabilitás megelőzése és az energiaköltségek optimalizálása érdekében ezeknek a helyszíneknek prediktív modelleket kell használniuk a kereslet előrejelzésére. Ez a fejezet az intelligens töltés során az energia-előrejelzéshez használt adattudományi és modellezési technikákat vizsgálja.

Kereslet-előrejelzés: Járművek érkezésének előrejelzése

Az előrejelzés első lépése annak előrejelzése, hogy mikor és hány elektromos jármű érkezik. Egy kereskedelmi központ esetében ez a következők elemzését foglalja magában:

1. Korábbi érkezési mintákNapszak, hét napja és szezonális trendek.
2. Külső adatokKözlekedési viszonyok, időjárás (ami befolyásolja az elektromos meghajtású autó hatótávolságát és a fűtési/hűtési terhelést), valamint helyi események.
3. Sorbanállási elméletSztochasztikus modellek, például M/M/s sorok használata annak valószínűségének becslésére, hogy az összes töltő foglalt.

A fejlett modellek hosszú rövid távú memórián (LSTM) alapuló neurális hálózatokat vagy gradienssel felturbózott fákat (XGBoost) használnak a következő 24 óra „aggregált keresleti profiljának” előrejelzésére nagy pontossággal.

Épületterhelés-előrejelzés

Ahhoz, hogy a DLB működjön, meg kell jósolnia a következőket is:nem elektromos jármű terhelésEgy irodaházban ez nagymértékben kiszámítható (a csúcsérték munkaidőben jelentkezik). Egy ipari telephelyen változékony lehet. Az épületterhelések előrejelzésére szolgáló modellek jellemzően a következőket használják:

• Autoregresszív integrált mozgóátlag (ARIMA)Stabil, szezonális adatok esetén.
• Próféta (Meta által)Kiválóan alkalmas hiányzó adatok és kiugró értékek kezelésére idősoros energiaadatokban.
• Fizikán alapuló modellekA HVAC terhelés előrejelzése az épület hőtömegének és az előrejelzett kültéri hőmérsékletnek a figyelembevételével.

Napelemes energiatermelés előrejelzése

A napenergia-termelés előrejelzése létfontosságú a több energiát használó DLB (Digital Load Load) rendszerekhez. Ehhez integráció szükséges nagy felbontású időjárási API-kkal (napsugárzási adatok) és helyszíni érzékelőkkel. A rövid távú előrejelzés (0-15 perc) gyakran „Sky Imaging” kamerákat használ, amelyek nyomon követik a felhők mozgását, hogy előre jelezzék a fotovoltaikus teljesítmény hirtelen csökkenését, lehetővé téve a DLB rendszer számára a töltők proaktív szabályozását vagy a BESS előkészítését a kisütésre.

Az előrejelzés-ellenőrzés interfész

Ezen előrejelzések kimenete a 3. fejezetben ismertetett modellprediktív szabályozási (MPC) ciklusba kerül. Az előrejelzés biztosítja az „előrejelzési horizontot”, amely lehetővé teszi a vezérlő számára, hogy ma olyan döntéseket hozzon, amelyek figyelembe veszik a két óra múlva várható körülményeket. Ez az „előretekintő” képesség az, ami megkülönbözteti az alapvető intelligens töltőket a hálózatba integrált energiagazdálkodási rendszerektől.

9. fejezet: Költségoptimalizálás és gazdasági diszpécserrendszer az intelligens töltésben

Míg a DLB elsődleges célja műszaki jellegű (a túlterhelés megelőzése), a másodlagos és egyre fontosabb cél a gazdaságosság. Ebben a fejezetben azt tárgyaljuk, hogyan optimalizálják a DLB rendszerek az energiaköltség legalacsonyabb szintjét.

Felhasználási idő szerinti (ToU) arbitrázs

A legtöbb közműszolgáltató ma már dinamikus árazást kínál. Az áram délután 5 órakor 0,30 dollár/kWh-ba kerülhet, de hajnali 2 órakor már csak 0,05 dollár/kWh. Egy intelligens DLB rendszer ezeket az árjeleket bemenetként veszi figyelembe. A „költségoptimális ütemező” a lehető legtöbb elektromos jármű terhelést az alacsony árú időszakokra helyezi át. Ezt azonban egyensúlyba kell hoznia a felhasználói igényekkel. Ha egy felhasználónak este 8 órakor szüksége van az autójára, a rendszer nem várhat hajnali 2 óráig a töltés megkezdésével. Az algoritmus kiszámítja az egyes munkamenetek késleltetésének „opportunitási költségét”.

Igénydíj-kezelés

Kereskedelmi ügyfelek esetében a közüzemi számla gyakran két részre oszlik: energiafogyasztásra (kWh) és csúcsidőszakra (kW). A csúcsidőszaki díj a hónap legmagasabb 15 perces intervallumán alapul. Egyetlen nem kezelt csúcsidőszak több ezer dollárba is kerülhet. A DLB rendszer „csúcsterhelés-csökkentőként” működik. A teljes telephelyi terhelés szigorú korlátozásával és a BESS vagy fojtás használatával a rendszer biztosítja, hogy a csúcsidőszaki díj a költségvetésben meghatározott tartományon belül maradjon.

Részvétel a frekvenciaválasz piacokon

A hálózatüzemeltetők (TSO-k/DSO-k) a „rugalmasságért” fizetnek. Ha egy töltőhálózat be tudja bizonyítani, hogy parancsra képes csökkenteni a terhelését, részt vehet olyan piacokon, mint az FFR (Firm Frequency Response – szilárd frekvenciaválasz) vagy a DSR (Demand Side Response – keresletoldali válasz). A DLB-vezérlő interfészként működik. Amikor beérkezik egy „rugalmassági kérelem”, a vezérlő kiszámítja, hogy mennyire tudja biztonságosan csökkenteni a terhelést a felhasználók minimális SoC-követelményeinek megsértése nélkül, és ajánlatot tesz a piacon. Az ezekből a szolgáltatásokból származó bevétel jelentősen ellensúlyozhatja a töltőinfrastruktúra költségeit.

A gazdasági diszpécserrendszer célfüggvénye

Az optimalizálás mögött álló matematikai művelet általában egy többcélú függvény:Minimalizálás: (Hálózati energia költsége) + (Akkumulátor leromlásának költsége) + (Késői töltésért járó büntetés) A következők függvényében: (Hálózati kapacitás) és (Felhasználói határidők)

Azzal, hogy ezt néhány percenként megoldja, a DLB rendszer biztosítja, hogy az állomás a „hatékonysági határon” működjön – a költség és a teljesítmény közötti tökéletes egyensúlyban.

10. fejezet: Jövőbeli trendek: V2G, mesterséges intelligencia által vezérelt DLB és szabványosítás (OCPP 2.0.1)

Az intelligens elektromosjármű-töltés területe szédületes tempóban fejlődik. Ahogy a technológia fejlődik, az egyszerű terheléskezelésen túl a teljes hálózati integráció és az autonóm optimalizálás felé haladunk. Ez a fejezet a dinamikus terheléselosztás jövőjét alakító három legjelentősebb trendet vizsgálja: a járműről a hálózatra (V2G), a mesterséges intelligencia és a következő generációs kommunikációs szabványok bevezetése.

Járműtől a hálózatig (V2G) és kétirányú DLB

A V2G az intelligens töltés végső fejlődési foka. Ahelyett, hogy az elektromos jármű csupán terhelés lenne, mobil akkumulátorrá válik, amely vissza tudja táplálni az energiát a hálózatba. A DLB esetében ez azt jelenti, hogy az egyenletben rendelkezésre álló teljesítmény valójában negatív is lehet. Egy V2G-képes telephelyen a DLB vezérlőnek a „kétirányú terheléselosztást” kell kezelnie. Ha az épület terhelése meghaladja a hálózati határértéket, a vezérlő utasíthatja az elektromos járműveket, hogy merítsék le akkumulátoraikat az épület támogatása érdekében. Ehhez rendkívül kifinomult „cikluskezelésre” van szükség annak biztosítására, hogy a kisütés ne merítse le túlzottan a jármű akkumulátorát, és hogy a felhasználónak továbbra is elegendő hatótávolsága legyen a következő útjára. A V2G hardverfrissítéseket is igényel – konkrétan kétirányú DC vagy AC töltőket, amelyek támogatják az ISO 15118-20 szabványt.

Mesterséges intelligencia által vezérelt autonóm terheléselosztás

Míg a mai DLB rendszerek előre meghatározott algoritmusokra és szabályokra támaszkodnak, a következő generáció az „öntanuló” mesterséges intelligenciát fogja használni. A megerősítéses tanulás (RL) segítségével a DLB vezérlő próbálgatással és hibázással megtanulhatja az optimális töltési stratégiát egy szimulált környezetben, mielőtt telepítené. Egy mesterséges intelligencia által vezérelt vezérlő képes azonosítani azokat a finom mintákat, amelyeket egy emberi mérnök esetleg nem vesz észre – például azt a tényt, hogy minden kedden reggel 10 órakor egy adott ipari gép 15 percig működik, ami terheléscsúcsot okoz. A mesterséges intelligencia képes megtanulni, hogy proaktívan szabályozza az elektromosjármű-töltők terhelését az adott időszakban, még akkor is, ha magától a géptől nem érkezik valós idejű jel.

Az OCPP 2.0.1 és az ISO 15118 hatása

A szabványosítás a skálázhatóság alapja. Az iparág gyorsan átáll a régi OCPP 1.6-ról a sokkal robusztusabb OCPP 2.0.1-re.

• OCPP 2.0.1Bemutatja az „Eszközkezelést”, amely lehetővé teszi a felhő számára a töltők állapotának és konfigurációjának sokkal részletesebb figyelését. Ami még fontosabb a DLB esetében, továbbfejlesztett intelligens töltési funkciókat tartalmaz, amelyek összetettebb töltési profilokat és a háromfázisú rendszerek jobb kezelését teszik lehetővé.
• ISO 15118 (Csatlakoztasd és töltsd)Ez a jármű és a töltő közötti kommunikációs szabvány lehetővé teszi az autó számára, hogy megossza a tényleges SoC-jét és akkumulátorkapacitását a töltővel. Manapság a legtöbb AC töltő „megtippeli” a SoC-ot, vagy a felhasználóra hagyatkozik, hogy megadja azt egy alkalmazásban. Az ISO 15118 szabványnak megfelelően a DLB vezérlő közvetlenül az autó akkumulátorkezelő rendszerétől (BMS) kapja a „Ground Truth” adatokat, ami sokkal pontosabb energiaelosztást tesz lehetővé.

11. fejezet: Esettanulmányok és megvalósítási kihívások

Az elméleti kiválóság mit sem ér gyakorlati megvalósítás nélkül. Ebben a fejezetben a DLB valós alkalmazásait és a megvalósítás során a mérnökök által tapasztalt technikai akadályokat vizsgáljuk meg.

1. esettanulmány: Kereskedelmi irodakomplexum

Egy londoni nagyvállalati központ 50 elektromosjármű-töltőt szeretett volna telepíteni, de a célját egy 200 kW-os hálózati csatlakozás korlátozta, amelynek kapacitását az épület fűtése, légkondicionáló és világítása már 70%-ban kihasználta.MegoldásEgy hibrid DLB rendszert valósítottak meg. Egy helyi élszabályozót telepítettek a főtranszformátor CT-szorítókon keresztüli monitorozására. A rendszert 180 kW-os „soft limit” és 195 kW-os „hard limit” beállítással konfigurálták.EredményA telephely sikeresen kezelt 50 töltőt egyetlen megszakító leállása nélkül. Az SoC-alapú priorizálásnak köszönhetően biztosították, hogy a hosszú ingázást tervező alkalmazottak a nap végére mindig teljesen feltöltöttek legyenek.

2. esettanulmány: Az elektromos busztelep

Egy sencseni busztársaságnak 100 elektromos buszt kellett feltöltenie egy éjszaka alatt. A kihívást a hatalmas, egyidejű terhelés jelentette, ami akkor következett be, amikor este 11 órakor az összes busz visszatért a telephelyre.MegoldásEgy mesterséges intelligencia alapú előrejelző modellt használtak az egyes buszok érkezéskori energiafogyasztásának (SoC) előrejelzésére az útvonaladatok alapján. A DLB rendszer ezután „hullámokban” ütemezte a töltést, biztosítva, hogy a teljes terhelés soha ne haladja meg a depó alállomásának kapacitását, miközben minden busz 100%-os töltöttségű legyen reggel 5 órára.

Gyakori megvalósítási kihívások

1. Kommunikációs és integrációs komplexitás:Minden töltőnek a telephely nyelvén kell kommunikálnia – OCPP a központi kezelőrendszerrel, ISO 15118 a járművel, és gyakran Modbus vagy BACnet az épület energiagazdálkodási rendszerével. Mindhárom réteg megbízható együttműködésének biztosítása, különösen a különböző gyártók töltőjei között, az egyik leggyakoribb „fantom” hibák forrása, amelyek valójában protokoll-eltérések.
2. Hálózati csatlakozási és igénybevételi díjak:A DLB rendszer megoldja a korlátozott kapacitás technikai problémáját, de a kereskedelmi probléma – a keresleti díjak és a közmű-összekapcsolási díjak – továbbra is fennáll. A telephelyeknek modellezniük kell, hogy a terhelési profiljuk büntető keresleti csúcsokat vált-e ki, és hogy egy BESS költséghatékonyabb-e, mint egy nagyobb hálózati csatlakozás.
3. Adatminőség és SoC becslés:A DLB optimalizálás csak annyira jó, mint a bemenetei. A járművek jelentik a töltöttségi állapotot a töltési folyamat során, de az értékek elavultak, inkonzisztensek vagy egyszerűen nem elérhetők lehetnek a régebbi modelleken. A rendszereknek ellenállónak kell lenniük a hiányzó adatokkal szemben, és alapértelmezés szerint konzervatív ütemezést kell alkalmazniuk, ha a telemetria megbízhatatlan.
4. A vezérlőréteg skálázhatósága:Egy olyan rendszer, amely elegánsan kezel 50 töltőt, 500-zal küzdhet. A peremhálózati vezérlőket, a felhőalapú irányítópultokat és a feladatátvételi viselkedést az első naptól kezdve méretarányosan kell megtervezni, a vezérlőlogikát pedig a valós legrosszabb terhelési csúcsok – nem csak az átlagos körülmények – ellen kell tesztelni.

Ezen kihívások leküzdése

Ezen kihívások egyike sem akadály; mindegyik egy-egy tervezési szakterület. Az OCPP 1.6J vagy 2.0.1 szabványosítása egyetlen CMS-szállítóval kiküszöböli a protokoll okozta súrlódások nagy részét. A keresleti költségek modellezése a kezdeti üzleti tervben – és a BESS hozzáadása, amikor a számok kedveznek – védi a jövedelmezőséget. És egy olyan DLB-szállító kiválasztása, amely bizonyítottan nagyszámú telepítéssel rendelkezik, a csak laboratóriumi méretű demókkal rendelkező helyett, csökkenti a teljes projekt kockázatát.

Ezeknek a kihívásoknak emberi dimenziója is van. A DLB rendszert üzembe helyező mérnököknek ismerniük kell mind az energiaellátó rendszereket, mind a szoftvereket – ami ritka kombináció. Az üzemeltetőknek strukturált képzésre és dokumentált runbookokra kell költségvetést tervezniük, hogy amikor a peremvezérlő riasztást ad hajnali 2-kor, az ügyeletes technikus pontosan tudja, mely műszerfalakat kell ellenőriznie és milyen eljárásokat kell követnie. A tapasztalt szállítók ezeket a runbookokat standard szállítmányként biztosítják, és hiányuk figyelmeztető jel a szállító kiválasztása során.

Következtetés

A dinamikus terheléselosztás és a BESS optimalizálás az elektromos járművek töltését hálózati kötelezettségből hálózati eszközzé alakítja. Lehetővé teszik a telephelyek számára, hogy transzformátorok cseréje nélkül megháromszorozzák a töltőik számát, megvédik az üzemeltetőket a büntető keresleti díjaktól, és olyan bevételi forrásokhoz nyitnak utat – csúcsidőszaki lefedettség, energiaarbitrázs és akár hálózati szolgáltatások –, amelyekhez egy kezdő telepítés soha nem férne hozzá. A technológia kiforrott; a tudományág az integrációban, az adatminőségben és a becsületes kapacitásmodellezésben rejlik.

Főbb tanulságok

• A DLB kilowattnyi hálózati csatlakozásonként több töltőt tesz elérhetővé, gyakran elhalasztva vagy kiküszöbölve a hatszámjegyű transzformátor-fejlesztéseket.
• A BESS + díjszabás a kereslet-díj problémát kereslet-díj profitközponttá alakítja.
• Az SoC-alapú priorizálás és a mesterséges intelligencia alapú előrejelzés folyamatosan terheli a kritikus felhasználókat (ingázók, buszok), miközben ellaposítja a telephely terhelési görbéjét.
• Az interoperabilitás (OCPP, ISO 15118), az adatminőség és a szállítói skálázás a három döntő tényező a valós telepítések során.

Kapcsolatfelvétel a MIDA Powerrel

A MIDA Power töltőrendszerei integrált dinamikus terheléselosztással és opcionális BESS integrációval rendelkeznek, mindezt egyetlen, az OCPP-kompatibilis platformon keresztül kezelve. Az irodakomplexumoktól a buszpályaudvarokig mérnöki támogatást nyújtunk a terhelés modellezéséhez, a rendszer megfelelő méretezéséhez és a meglepetések nélküli üzembe helyezéséhez. Lépjen kapcsolatba velünk terheléselemzési konzultációért és projektárajánlatért.