Оптимизирање на екосистемите за електрични возила преку динамичко мрежно одредување на цените, V2X и паметно споделување на товарот

Оптимизирање на екосистемите за полнење на електрични возила преку напредни алгоритми за динамички цени на мрежата, V2X интеграција, предвидување за обновливи извори и стратегии за споделување на оптоварувањето со повеќе објективи за подобрена профитабилност на CPO и стабилност на мрежата во 2026 година

Вовед: Новата граница на енергијата и мобилноста

Глобалната транзиција кон електрични возила (ЕВ) претставува една од најзначајните промени во инфраструктурата од индустриската револуција. Сепак, оваа транзиција не е само замена на моторите со внатрешно согорување со електрични мотори; таа е фундаментална реконфигурација на односот помеѓу транспортот и енергетската мрежа. Бидејќи милиони ЕВ се вклучуваат во мрежата, тие внесуваат огромни, стохастички оптоварувања кои можат или да ја загрозат стабилноста на мрежата или, доколку се управува правилно, да послужат како врвен ресурс за флексибилност.

Основниот предизвик лежи во временската и просторната неусогласеност на понудата и побарувачката на енергија. Традиционалното „глупаво“ полнење - каде што возилото се полни со максимална моќност штом се вклучи во струја - ја влошува врвната побарувачка, ја зголемува потребата од скапи надградби на мрежата и често се потпира на електрани за врвни периоди со интензивна емисија на јаглерод. Спротивно на тоа, „паметното полнење“ (V1G) и неговите двонасочни наследници (V2G, V2X) користат напредни алгоритми за модулирање на однесувањето на полнењето врз основа на надворешни сигнали.

Оваа статија дава длабински преглед од 6.000 зборови на архитектурите, алгоритмите и економските модели што ја дефинираат најсовремената технологија во паметното полнење. Ќе истражиме како динамичното одредување на цените на мрежата, заедно со прогнозирање на обновливи извори базирано на машинско учење и повратни јамки на ниво на хардвер, може да трансформира едноставна станица за полнење во софистициран јазол во мрежа на дистрибуирани енергетски ресурси (DER). За операторите на точки за полнење (CPO) и давателите на услуги за е-мобилност (eMSP), овие стратегии не се само за усогласеност со мрежата - тие се клучеви за отклучување нови извори на приходи и обезбедување долгорочна профитабилност на конкурентен пазар.

Глава 1: Пределот на модерната инфраструктура за полнење електрични возила

1.1 Еволуција од V0G до V4G

Индустријата ги класифицира информациите за полнење на неколку нивоа:

• V0G (стандардно полнење):Нема комуникација помеѓу полначот и мрежата. Автомобилот прифаќа колку што дозволува хардверот.
• V1G (Управувано полнење):Еднонасочна контрола. Полначот или cloud backend-от можат да ја намалат брзината на полнење или да го одложат почетокот врз основа на сигналите на мрежата или преференциите на корисникот.
• V2G (Возило-Мрежа):Двонасочен проток на енергија. Батеријата на електричното возило може да се празни назад во мрежата за да обезбеди помошни услуги или енергетска арбитража.
• V2H/V2B/V2X (Возило-до-сè):Користење на електрично возило за напојување на дом, зграда или микромрежа.

1.2 Тесни грла во инфраструктурата

Како што CPO-ата ги зголемуваат своите мрежи, тие се соочуваат со две основни хардверски ограничувања: капацитет на локалниот трансформатор и ограничувања на преносот нагоре. Во многу урбани средини, инсталирањето на ултрабрз полнач од 350 kW бара наменска трафостаница. Цената на овие надградби често е превисока. Следствено, товарот паѓа на софтверот за управување со овие ограничувања преку динамичко управување со оптоварувањето (DLM).

1.3 Улогата на податоците во инфраструктурата

Модерната инфраструктура е подеднакво поврзана со битови колку што е поврзана со атоми. Интеграцијата на OCPP (Open Charge Point Protocol) 2.0.1 и ISO 15118-20 овозможува размена на сложени пакети со податоци, вклучувајќи состојба на полнење на батеријата (SoC), распореди за полнење и сертификати за мрежа. Овие податоци ја формираат основата на алгоритмите што ќе ги разгледаме во следните поглавја.

Глава 2: Дешифрирање на динамичките механизми за ценообразување на мрежата

За да се оптимизираат трошоците, прво мора да се разбере самата структура на трошоците. Цените на мрежата повеќе не се фиксна цена; тоа е повеќедимензионален сигнал што ја одразува моменталната состојба на пазарот на енергија.

2.1 Цени според времето на користење (TOU)

TOU е наједноставната форма на динамичко одредување на цените, каде што цените се фиксни за одредени временски блокови (на пр., врв, среден врв и надвор од врв). Иако подобри од фиксните цени, TOU е статичен и не ги зема предвид ненадејните временски промени или итни случаи во мрежата.

2.2 Цени во реално време (RTP) и спот пазари

RTP го следи пазарот на електрична енергија на големо (на пр., EPEX SPOT, Nord Pool). Цените варираат на час или на секои 15 минути. Во региони со висока пенетрација на обновливи извори, RTP повремено може да стане негативен, што значи дека CPO-ите всушност се плаќаат за потрошувачка на енергија. Нашите алгоритми мора да бидат дизајнирани да ја максимизираат потрошувачката за време на овие временски периоди со негативни цени.

2.3 Цени на критични врвни вредности (CPP) и намалување на врвните вредности

CPP настани се случуваат за време на екстремен стрес на мрежата. Цените скокаат 10x-50x од нормалната стапка. Паметните алгоритми за полнење мора да бидат „свесни за CPP“, способни за моментално исклучување на оптоварувањето за да ја заштитат маржата на CPO и интегритетот на мрежата.

2.4 Надоместоци за користење на системот за дистрибуција (DUoS) и пренос (TNUoS)

Освен трошоците за енергија, CPO-ата мора да управуваат со „трошоците за побарувачка“ врз основа на нивниот највисок 15-минутен врв во месецот. Една неуправувана сесија за брзо полнење за време на врвниот период може да ја удвои месечната сметка за комунални услуги. Нашите алгоритми мора да дадат приоритет на намалувањето на врвните вредности исто толку високо колку и на енергетската арбитража.

Поглавје 3: Архитектури на напредни алгоритми за паметно полнење

Во срцето на екосистемот за паметно полнење е моторот за оптимизација. Ги категоризираме овие алгоритми во три главни типа врз основа на нивната сложеност и предвидливост.

3.1 Линеарно и целоброено програмирање (LP/MILP)

За статички сценарија каде што цените на електричната енергија и времето на поаѓање се познати, мешаното линеарно програмирање со цели броеви (MILP) обезбедува оптимално решение.

• Целна функција:Минимизирај $\sum (Price_t \times Power_t)$
• Ограничувања:$Power_{min} ≤ Power_t ≤ Power_{max}$, $\sum Power_t ≤ Delta t = Energy_{required}$.

MILP е пресметковно ефикасен, но се бори со неизвесноста својствена за полнење на електрични возила во реалниот свет (на пр., возач кој заминува порано од очекуваното).

3.2 Моделска предикативна контрола (MPC)

MPC е златен стандард за паметно полнење во реално време. Работи на „променлив хоризонт“. На секои 5 или 15 минути, алгоритмот решава проблем со оптимизација во следните 24 часа, но го извршува само првиот чекор.

• Предвидлив елемент:Користи прогнози за времето, цените на мрежата и зафатеноста на локацијата.
• Елемент за повратни информации:Се прилагодува за отстапувања во претходниот чекор (на пр., автомобилот потрошил помалку енергија од предвиденото).

MPC совршено се справува со ограничувањата, осигурувајќи дека дури и кога ги минимизира трошоците, никогаш не ја надминува вкупната граница на моќност на зградата.

3.3 Засилено учење (RL) и вештачка интелигенција

Во средини со висока сложеност - како што е микромрежа со соларна енергија, складирање и 50 полначи - RL (на пр., Deep Q-Networks или PPO) може да ги надмине традиционалните методи. RL ја учи „политиката“ преку интеракција со околината. Може да ги долови нелинеарните шеми во однесувањето на возачите и волатилноста на обновливите извори што експлицитните модели може да ги пропуштат. Сепак, RL бара огромни количини на податоци за обука и нема „безбедносни гаранции“ на MPC, честопати барајќи „безбедносен слој“ за да се спречи оштетување на хардверот.

Глава 4: V2G и V2X: Трансформирање на електрични возила во мобилни енергетски средства

Поврзувањето на возилото со мрежата (V2G) претставува врв на паметното полнење. Со третирање на батеријата на електричните возила како уред за складирање, можеме да го решиме најголемиот проблем на мрежата: флексибилноста.

4.1 Технички барања за V2G

V2G бара двонасочен полнач на еднонасочна струја или електрично возило со двонасочен вграден полнач на наизменична струја (OBC). Комуникацијата мора да го следи ISO 15118-20, кој го поддржува режимот на „динамично“ полнење, дозволувајќи ѝ на мрежата да побара специфични нивоа на моќност од возилото.

4.2 Енергетска арбитража наспроти помошни услуги

• Арбитража:Полнете по 0,05 долари/kWh ноќе, празнете по 0,25 долари/kWh преку ден.
• Дополнителни услуги:Ова вклучува обезбедување на брз фреквентен одзив (FCR). Батериите можат да реагираат во милисекунди за да ја стабилизираат фреквенцијата на мрежата на 50Hz/60Hz. Бидејќи FCR плаќа задостапностнаместо самопропусен опсег, тоа е често попрофитабилно од едноставната арбитража.

4.3 Парадоксот на деградација на батеријата

Примарната пречка за V2G е стравот од скратен век на траење на батеријата. Сепак, неодамнешните студии сугерираат дека „плиткото“ циклирање (празнење само 5-10% од капацитетот) при ниски C-стапки всушност може да го подобри здравјето на батеријата со одржување на SoC во оптималниот опсег од 40-60%. Паметните алгоритми мора да вклучуваат ограничувања „свесни за деградација“ за да се осигура дека приходите генерирани од V2G ги надминуваат трошоците за постепено абење на батеријата.

Поглавје 5: Регулација на фреквенцијата на мрежата и помошни услуги

Освен едноставното наплата базирано на цени, најсофистицираните CPO се префрлаат на пазарот на „дополнителни услуги“. Бидејќи традиционалните резерви за предење (јагленови и гасни централи) се деактивираат, мрежата ја губи својата природна инерција. Батериите за електрични возила, со нивното речиси моментално време на одговор, се совршено прилагодени за да ја пополнат оваа празнина.

5.1 Резерва за задржување на фреквенцијата (FCR)

FCR е првата линија на одбрана во стабилноста на мрежата. Кога фреквенцијата на мрежата отстапува од својата номинална вредност (50 Hz во Европа, 60 Hz во САД), средствата квалификувани за FCR мора автоматски да ја прилагодат својата излезна моќност во рок од неколку секунди. Алгоритмот за паметно полнење што учествува во FCR мора да ја следи локалната фреквенција преку високопрецизен мерач и да го прилагоди сигналот PWM (Модулација на ширината на пулсот) на електричното возило.

• Пречеста фреквенција (на пр., 50,1 Hz):Мрежата има вишок енергија. Алгоритмот ја зголемува стапката на полнење.
• Подфреквенција (на пр., 49,9 Hz):Мрежата е под притисок. Алгоритмот го намалува или го менува (V2G) протокот на енергија.

5.2 Резерва за автоматско обновување на фреквенцијата (aFRR)

aFRR, познат и како секундарна контрола, го управува Операторот на преносен систем (TSO) преку централизиран сигнал. За разлика од FCR, кој е локална автономна реакција, aFRR бара од облак платформата на CPO да прима „SetPoint“ на секои 2-4 секунди и да ја дистрибуира низ илјадници точки за полнење. Предизвикот тука е латенцијата; времето на враќање од TSO до Cloud, Edge и EV мора да се минимизира за да се избегнат казни.

5.3 Стратегија за стекнување приходи

Клучот за профитабилност на CPO е „Стекнување на приходи“ - можноста да се користи истата батерија на електрично возило за извршување на повеќе задачи истовремено. Алгоритмот може да оптимизира за ниски цени на енергија (арбитража), додека резервира 20% од достапниот капацитет на енергија за FCR. Ова бара рамка за оптимизација со повеќе цели што може да ги приоритизира сигналите врз основа на нивната маргинална вредност.

Глава 6: Балансирање на врвните долини и стратегии за одговор на побарувачката (DR)

Балансирањето на врвните вредности е процес на префрлање на оптоварувањето од периоди на голема побарувачка во периоди на ниска побарувачка. За CPO, ова е од суштинско значење и за здравјето на мрежата и за намалување на трошоците за побарувачка.

6.1 „Кривата на патка“ и решението за електрични возила

Во региони со голема пенетрација на сончева енергија (како Калифорнија или Јужна Австралија), кривата на нето оптоварувањето има облик на патка: ниска во текот на денот кога сончевата енергија е во најголем број, а нагло се зголемува навечер кога сонцето заоѓа и луѓето се враќаат дома. Електричните возила се „против патката“. Со стимулација на полнењето преку ден (полнење на работното место) и одложување на полнењето преку ноќ до раните утрински часови, паметните алгоритми можат да ја израмнат оваа крива.

6.2 Логика на настани за одговор на побарувачката (DR)

Кога DR настанот е активиран од страна на комуналната компанија, платформата за паметно полнење мора да дејствува како „Виртуелна електрана“ (VPP). Логиката ги следи овие чекори:

1. Известување:Примајте го DR сигналот (преку OpenADR или прилагодено API).
2. Проценка:Пресметајте го моменталниот „бафер на флексибилност“ - колку енергија може да се намали без да се задоволат енергетските потреби на корисниците (SoC при поаѓање).
3. Извршување:Испраќајте команди до полначи со намалена моќност. Предност им се дава на возилата со најдолго време на задржување и највисок SoC.
4. Верификација:Евидентирајте го намалувањето во реално време за да го побарате попустот за DR.

6.3 Економија на однесувањето и кориснички стимулации

Само технологијата не е доволна; учеството на корисниците е од витално значење. CPO користат „Динамично одредување цени за возачите“ за да ги пренесат сигналите на мрежата. Ако возачот избере „Еко режим“ (овозможувајќи му на алгоритмот целосна контрола), тој плаќа пониска цена. Ако избере „Режим за зголемување“ (непосредна полна моќност), тој плаќа премија што ги покрива трошоците на CPO за време на врвната побарувачка.

Поглавје 7: Интегрирање на предвидувањата за обновлива енергија

Вистинското ветување на електричните возила е „возење на сонце“. Сепак, обновливата енергија е повремена. Интегрирањето на прогнозите во алгоритмот за полнење е она што го разликува основното паметно полнење од напредното управување со енергијата.

7.1 Модели на сончево зрачење и брзина на ветерот

За обновливи извори на енергија на лице место, алгоритмот мора да предвиди производство.

• Модели на перзистенција:Претпоставете дека следниот час ќе биде како претходниот. Добро е за ведри денови, не успева за време на временски фронтови.
• Нумеричко предвидување на времето (NWP):Користење на глобални модели (како GFS или ECMWF) за предвидување на облаците и ветерот.
• Сателитско снимање и небесни камери:За ултракраткорочно предвидување (0-30 минути), локализираните камери можат да го следат движењето на облаците за да предвидат „сончеви рампи“.

7.2 Стохастичкиот проблем на оптимизација

Бидејќи прогнозите никогаш не се 100% точни, алгоритмот мора да ја земе предвид неизвесноста. Наместо една детерминистичка патека, „Оптимизација со ограничени шанси“ гарантира дека веројатноста за прекршување на ограничувањето на мрежата (на пр., поради ненадеен пад на сончевата енергија) останува под прагот (на пр., 1%).

7.3 Оценки и сертификати за зелено полнење

Корпоративните возни паркови се сè повеќе фокусирани на емисиите од Опсег 3. Паметните алгоритми сега можат да дадат приоритет на полнењето конкретно кога „интензитетот на јаглерод“ на мрежата е најнизок. Со интегрирање на API-ја како што се „Енергетски мапи“ или „WattTime“, CPO може да им обезбеди „Сертификат за обновливо полнење“ на своите клиенти, создавајќи премиум ниво на услуги.

Глава 8: Екосистем на API: Интеграција на податоци во реално време и комуникација од облак до крај

Динамичкиот алгоритам за цени на мрежата е добар колку што се добри податоците што ги троши. Ова поглавје ги детализира техничките стекови потребни за поврзување на пазарот со металот.

8.1 API-ја за пазарни податоци

За да ги добие промотивните цени, системот се поврзува со берзите за енергија.

• Платформа за транспарентност на ENTSO-E:Извор на податоци за електрична енергија во Европа. Обезбедува цени за еден ден однапред, реално производство по тип и прекугранични текови.
• RESTful имплементација:Типично, cron задачата ги добива цените за денот однапред во 13:00 часот по средноевропско време за следниот ден. Потоа алгоритмот однапред ги планира оптималните распореди за наплата.

8.2 Мост на протоколот: OCPP и OCPI

• OCPP (Протокол за отворена точка за полнење):Јазикот помеѓу полначот и системот за управување (CSMS). Верзијата 2.0.1 е клучна за паметното полнење бидејќи поддржува функционални блокови „Cost and Price“ и профили „Smart Charging“ со распореди од 25 периоди.
• OCPI (Отворен интерфејс за точка на полнење):Јазикот помеѓу CPO и eMSP. Овозможува размена на сигнали за цена во реално време, така што апликацијата на возачот може да ја прикаже „тековната цена за наплата“.

8.3 Управување со латенцијата од облак до крај

За временски чувствителни услуги како што е регулирањето на фреквенцијата, облакот е премногу бавен.

• Edge Computing:Логиката за оптимизација е делумно распоредена на „Контролор на локацијата“ (индустриска порта). Облакот ги обезбедува целите на високо ниво (на пр., „Минимизирање на трошоците“), додека локалниот контролер ги обработува прилагодувањата милисекунда по милисекунда врз основа на локалните отчитувања на броилата.
• MQTT наспроти HTTP:Современите стекови го користат MQTT за неговите ниски надземни трошоци и перзистентни врски, осигурувајќи дека командата „Стоп“ за време на вонредна состојба во мрежата се прима веднаш.

8.4 ISO 15118: Врската помеѓу возилото и полначот

Последната врска е комуникацијата помеѓу електричното возило и полначот. ISO 15118 му овозможува на автомобилот да го сподели својот „Енергетски капацитет“ и „Целна SoC“ со полначот. Без ова, алгоритмот е „слеп“ - не знае колку енергија всушност му е потребна на автомобилот, што доведува до неоптимално закажување. Функцијата „Вклучи и наполни“ на ISO 15118, исто така, овозможува безбедна автентикација, што е предуслов за финансиски трансакции во V2G.

Поглавје 9: Хардверски повратни јамки и контролни јамки

Додека логиката на високо ниво се наоѓа во облакот или во контролер на локацијата, физичкото извршување на паметното полнење се случува на ниво на електроника за напојување. Разбирањето на повратните јамки помеѓу полначот и електричното возило е од суштинско значење за имплементирање на прецизна модулација на моќност.

9.1 PWM сигнал и работен циклус

При полнење со наизменична струја (Ниво 2), полначот не ја контролира директно моќноста; наместо тоа, тој комуницира „ограничување“ на вградениот полнач (OBC) на возилото преку сигнал за модулација на ширината на пулсот (PWM) на линијата на контролниот пилот (CP).

• Правило од 10% до 90%:Работниот циклус на квадратниот бран од 1kHz ја дефинира максималната дозволена струја. На пример, работен циклус од 16% одговара на 10A, додека работен циклус од 50% одговара на 30A.
• Време на одговор:Стандардот IEC 61851 бара од возилото да реагира на промена во PWM сигналот во рок од 5 секунди (иако многу модерни електрични возила реагираат за помалку од 1 секунда). Нашиот алгоритам мора да го земе предвид ова „доцнење на зголемувањето“ за да се избегне пречекорување на ограничувањата на мрежата.

9.2 Брзо полнење на еднонасочна струја и контрола на модулот за напојување

При полнење со еднонасочна струја, „интелигенцијата“ се движи од автомобилот до полначот. Внатрешните модули за напојување на полначот (конвертори од наизменична во еднонасочна струја) мора да бидат модулирани.

• CAN магистрална комуникација:Автомобилот испраќа пакети „Тековни барања“ до полначот на секои 10-50 милисекунди. Алгоритмот за паметно полнење мора да ги пресретне или измени овие барања за да ја намали моќноста.
• Тековни бранувања и ефикасност:Ефикасноста не е константна. Повеќето модули за напојување имаат „крива на ефикасност“ што достигнува врв при оптоварување од 70-90%. Намалувањето на полначот од 350 kW на 50 kW може значително да ги зголеми загубите од конверзија. Алгоритмот „свесен за загуби“ ќе се обиде да ги одржи модулите да работат во нивната идеална точка или целосно да ги исклучи излишните модули.

9.3 Имплементација на пропорционален интегрален извод (PID)

За да одржиме стабилно ограничување на моќноста на целата локација, користиме PID контролер.

• Пропорционално (P):Реагира на струјниот јаз помеѓу зададената вредност и вистинското оптоварување.
• Интеграл (I):Ги корегира постојаните грешки (на пр., ако еден автомобил не реагира на гасот).
• Извод (D):Предвидува идни пренапони (на пр., ако повеќе автомобили се приклучат на струја).

Оваа јамка гарантира дека дури и кога автомобилите влегуваат и излегуваат од станицата, вкупното оптоварување на трансформаторот останува совршено рамномерно.

Глава 10: Модели на приходи на операторот на точка за полнење (CPO) и економска анализа

Технолошката извонредност мора да се претвори во финансиска одржливост. Бизнис моделот на CPO еволуира од модел на „маржа на електрична енергија“ до софистициран модел на „енергетски услуги“.

10.1 Капитални расходи (CAPEX) наспроти оперативни расходи (OPEX)

• Оптимизација на CAPEX:Со користење на паметно полнење за да се избегнат надградби на мрежата, CPO може да заштеди од 50.000 до 200.000 долари по локација во трошоци за трафостаница. Овој „избегнат трошок“ е директно зголемување на внатрешната стапка на поврат (IRR).
• Намалување на оперативните трошоци:Енергетската арбитража и управувањето со трошоците за побарувачката можат да ја намалат месечната сметка за комунални услуги за 15-30%.

10.2 LCOE на полнење на електрични возила

Нивелизираниот трошок за енергија (LCOE) за станица за полнење ги вклучува трошоците за опрема, инсталација, одржување и електрична енергија. Паметното полнење ја намалува компонентата „електрична енергија“. Во V2G сценарио, LCOE всушност може да стане негативен ако приходите од помошни услуги ги надминат сите други трошоци.

10.3 Динамичка оптимизација на маргините

CPO-ата честопати се соочуваат со „двоен притисок“: променливи големопродажни цени и фиксни малопродажни цени. Паметен алгоритам имплементира „Динамично управување со маржи“.

• Формула:$Малопродажна\_Цена = Промотивна\_Цена + Мрежа\_Надоместоци + Управување\_Маржа + Флексибилност\_Попуст$

Со прилагодување наФлексибилност_ПопустВо реално време, CPO може да го поттикне однесувањето на возачите кон најпрофитабилните времиња за мрежата.

10.4 Анализа на чувствителност на нето сегашна вредност (NPV)

Кога планираат 10-годишно распоредување, директорите за услуги на клиентите мора да моделираат различни сценарија:

• Сценарио А (без паметно полнење):Високите такси за врвна побарувачка водат до период на отплата од 7 години.
• Сценарио Б (V1G):Оптимизираното полнење ги намалува трошоците, скратувајќи го отплатата на 5 години.
• Сценарио C (V2X + Дополнителни услуги):Високите приходи од мрежните услуги водат до 3-годишна отплата, но бараат поголема почетна инвестиција во двонасочен хардвер.

Поглавје 11: Оптимизација на распределба на оптоварувањето во микромрежи

Станицата за полнење ретко е изолирана актива; таа е дел од локална микромрежа, вклучувајќи згради, соларни панели и складирање батерии (BESS).

11.1 Статичко наспроти динамичко управување со оптоварување (DLM)

• Статички:На секој полнач му е даден фиксен максимум (на пр., 7kW). Неефикасен, бидејќи многу полначи ќе бидат неактивни, додека други ќе бидат празни.
• Динамичен:Контролорот на локацијата го следи „Главниот прекинувач“ и го дистрибуирадостапенкапацитет до активни полначи.
• Приоритетен DLM:Не се сите автомобили еднакви. Комбе за достава со рок до 9:00 часот наутро добива повеќе моќност од автомобил за патување на работа кој ќе остане 8 часа.

11.2 Фазно балансирање и неурамнотежени оптоварувања

Повеќето електрични возила се еднофазни или трифазни. Ако три еднофазни електрични возила се приклучат во фаза А, тоа може да предизвика „фазен дисбаланс“, што доведува до дефект на топлината и опремата во трансформаторот. Паметните контролери на локацијата можат динамички да ги менуваат фазите (доколку хардверот го поддржува тоа) или да ги забават специфичните полначи за да одржат избалансирано 3-фазно оптоварување.

11.3 Вкупна хармонична дисторзија (THD) и квалитет на енергија

Високофреквентното префрлување кај полначите може да внесе „шум“ во мрежата. Како што се зголемува густината на полначите, THD станува проблем. Паметните алгоритми можат да ги „испреплетеат“ префрлувачките фреквенции на повеќе модули за напојување за да ги поништуваат хармониците, обезбедувајќи висок квалитет на енергија и избегнувајќи казни за комуналните услуги.

Поглавје 12: Машинско учење за предвидување на однесувањето на возачите

Најголемата непозната работа кај паметното полнење е човечкиот фактор. Кога ќе замине автомобилот? Колку енергија навистина му е потребна?

12.1 Предвидување на времето на пристигнување и заминување

Користејќи историски податоци од RFID картички или најавувања во апликации, можеме да изградиме „Функција на густина на веројатност“ (PDF) за секој корисник.

• Карактеристики:Време од денот, ден од неделата, временска прогноза, историски SoC при пристигнување.
• Алгоритам:Мрежите Random Forest или LSTM (Long Short-Term Memory) се користат за предвидување на „Времетраењето на престојот“.

Ако алгоритмот знае со 95% сигурност дека автомобилот ќе остане 10 часа, може агресивно да го одложи полнењето до апсолутно најевтиниот ценовен прозорец.

12.2 Проценка на потребите од енергија без податоци од SoC

Многу постари електрични возила не го делат својот SoC преку кабелот за полнење (ограничување на стандардот J1772/Тип 2). Паметните алгоритми користат „Анализа на кривата на оптоварување“ за да го проценат SoC. Со набљудување како струјата се намалува како што се полни батеријата („фаза на CV“), алгоритмот може да ја процени струјата на SoC и соодветно да го прилагоди распоредот.

12.3 Гемификација и „поттикнување“

Алгоритмот може да комуницира со возачот преку апликација. „Ако се согласите да го одложите вашето плаќање за 2 часа, ќе заштедите 3 долари и ќе заработите 50 зелени поени.“ Овие податоци за однесувањето се враќаат во моделот за машинско учење за да се рафинира „Еластичноста на побарувачката“ - колку се менува однесувањето на возачот како одговор на цената.

Поглавје 13: Кибербезбедност во мрежите за паметно полнење

Бидејќи полначите стануваат интегрирани во мрежата, тие стануваат мети за сајбер напади. „Ботнет од полначи“ би можел да се користи за да предизвика затемнување на електричната енергија со ненадејно вклучување на илјадници единици истовремено.

13.1 Безбедна комуникација: TLS и PKI

Секоја OCPP врска мора да биде криптирана со TLS 1.2 или 1.3. Инфраструктурата со јавен клуч (PKI) гарантира дека CSMS знае дека комуницира со вистински полнач, а не со злонамерен актер.

13.2 ISO 15118-2 и V2G безбедност

V2G бара високо ниво на доверба. Автомобилот мора да ги „потпише“ своите барања за енергија. Ова спречува „кражба на енергија“ каде што корисникот може да се обиде да го лажира својот идентитет за да наплати на туѓа сметка.

13.3 Заштита од „човек во средината“ (MitM)

Контролерите на локацијата мора да бидат заштитени од физичко неовластено ракување. Доколку напаѓачот добие пристап до локалниот Modbus или CAN шина, тој би можел да ги прекрши безбедносните ограничувања. Алгоритмите за „детекција на аномалии“ го следат протокот на податоци за необични шеми - како што е полнач кој бара повеќе енергија од неговата хардверска номинална вредност - и предизвикуваат итно исклучување.

Поглавје 14: Регулаторни рамки и глобална стандардизација

Брзината на усвојување на паметното полнење е диктирана од политиката исто колку и од технологијата.

14.1 Регулатива на ЕУ за инфраструктура за алтернативни горива (AFIR)

AFIR налага сите нови јавни полначи да поддржуваат ad-hoc плаќање и, сè повеќе, можности за паметно полнење. „Индикаторот за паметна подготвеност“ (SRI) за згради, исто така, се залага за интегрирано управување со електрични возила.

14.2 US NEVI и член 40101(d)

Програмата Национална инфраструктура за електрични возила (NEVI) во САД обезбедува милијарди долари за брзо полнење, но бара 97% време на работа и „подготвеност за иднината“ за V2G.

14.3 Улогата на IEC 63110 и IEEE 2030.5

Овие нови стандарди имаат за цел да го обединат управувањето со електричните возила и другите дистрибуирани енергетски ресурси. IEEE 2030.5, особено, е претпочитаниот протокол во Калифорнија за комуникација помеѓу комуналните претпријатија и VPP, овозможувајќи електричните возила да се испраќаат исто како кај традиционалните електрани.

Глава 15: Длабоко нурнување во линеарното програмирање за оптимизација на повеќекратни полначи

За вистински да ја разбереме „интелигенцијата“ во паметното полнење, мора да ја погледнеме математиката. Да разгледаме CPO кој управува со 10 полначи на локација со ограничување на трансформаторот од 100 kW.

15.1 Математички модел

Го дискретизираме времето во $T$ интервали (на пр., 15 минути). За секој полнач $i$ и време $t$, ја дефинираме променливата за одлучување $P_{i,t}$ (Моќност).

Цел:Минимизирајте го вкупниот трошок. $$\min \sum_{t=1}^T \sum_{i=1}^{10} (Price_t \cdot P_{i,t} \cdot \Delta t)$$

Ограничувања:

1. Граница на трансформаторот:Збирот на енергија на сите полначи не може да го надмине ограничувањето на локацијата $L$.

$$\sum_{i=1}^{10} P_{i,t} ≤ L ≤ ...

1. Потребни услови за возилото:Секој автомобил $i$ мора да ја добие потребната енергија $E_i$ пред времето на поаѓање $D_i$.

$$\sum_{t=A_i}^{D_i} P_{i,t} \cdot \Delta t \ge E_i$$

1. Ограничувања на хардверот:Секој полнач има минимална и максимална моќност.

$$P_{min} \le P_{i,t} \le P_{max}$$

15.2 Решавање со методот симплекс

Ова е класичен проблем со линеарно програмирање (LP). „Симплекс методот“ ги преминува темињата на изводливата област за да го пронајде оптимумот. Меѓутоа, кога ќе додадеме „V2G“ (дозволувајќи $P_{i,t}$ да биде негативен), просторот за пребарување се дуплира. Ако додадеме „бинарни ограничувања“ (на пр., автомобил не може да се полни и празни во истиот 15-минутен прозорец), тоа станува проблем со мешано целоброено линеарно програмирање (MILP), кој е NP-тежок, но решлив за мали локации со користење на алгоритмот „разгранување и врзување“.

15.3 Справување со нелинеарност при полнење на батерии

Всушност, моќноста $P$ не е константна. Како што SoC надминува 80%, батеријата влегува во фаза на константен напон (CV), а максималната моќност $P_{max}$ опаѓа линеарно. Софистициран алгоритам го вклучува ова „ограничување на стеснување“: $$P_{i,t} \le f(SoC_{i,t})$$ Ова бара пристап на рекурзивна оптимизација, каде што SoC се ажурира во секој чекор.

Глава 16: V2X во комерцијални возни паркови: Случајот со електрични автобуси и камиони

Иако патничките автомобили се важни, вистинското влијание на V2X доаѓа од тешките товарни возила (HDV). Електричниот автобус има батерија од 400-600 kWh - десет пати поголема од автомобил.

16.1 Парадоксот на полнење на депото

Автобуските станици честопати имаат 50-100 автобуси што пристигнуваат истовремено во 20:00 часот. Резултирачкиот скок на оптоварување е огромен. Сепак, автобусите следат строг распоред. Знаеме точно кога тргнуваат наутро. Оваа „висока предвидливост“ ги прави совршени кандидати за паметно полнење.

16.2 V2G за стабилизација на мрежата во градовите

Флота од 100 електрични автобуси претставува 50 MWh складирање. За време на летниот топлотен бран, агенцијата за транзит може да „продава“ енергија назад во мрежата два часа навечер, генерирајќи повеќе приходи отколку што автобусите заработуваат од продажба на билети. Овој модел „од автобус до мрежа“ моментално се тестира во Лондон и Шенжен.

16.3 Логистика на полнење на мегавати (MCS)

Електричните камиони бараат Систем за полнење со мегавати (MCS), способен за 3,75 MW. Полнењето на еден камион со оваа брзина е еквивалентно на напојување на мало село. Динамичкото споделување на оптоварувањето повеќе не е „опционално“ за постојките на камиони; тоа е услов за безбедност на животот за да се спречи колапс на мрежата. Алгоритмите мора да се координираат не само со локалната мрежа, туку и со регионалниот TSO.

Поглавје 17: Батерии во цврста состојба и иднината на брзото полнење

Како што гледаме кон 2030 година, транзицијата кон батерии во цврста состојба (SSB) ќе ги предефинира параметрите на нашите алгоритми.

17.1 Високи стапки на C и термичка стабилност

SSB батериите можат да се справат со многу повисоки стапки на полнење (до 10°C) без ризик од термичко бегство. Ова значи дека „тесното грло“ целосно се префрла од батеријата на мрежата. Нашите алгоритми ќе треба да управуваат со уште поостри врвови, што бара побрзи протоколи за комуникација (под 100ms) од она што OCPP моментално го нуди.

17.2 Подолг век на траење и V2G

Еден од главните инхибитори на V2G денес е деградацијата на батеријата. SSB-ата ветуваат 5.000 до 10.000 циклуси. Ова ефикасно го отстранува „Трошокот на деградација“ од нашата равенка за оптимизација, правејќи го V2G стандарден режим на работа за секое поврзано возило.

17.3 Мрежи за „самолекување“ управувани од вештачка интелигенција

Со милиони SSB поврзани преку брзо паметно полнење, мрежата може да премине во состојба на „самолекување“. Доколку откаже далноводот, најблиските илјада електрични возила можат веднаш да формираат микромрежа за да ја напојуваат локалната заедница додека не се извршат поправки.

Поглавје 18: Глобални студии на случај: Лекции од лидерите

18.1 Норвешка: Светската лабораторија за електрични возила

Со над 90% од продажбата на нови автомобили кои се електрични, Норвешка се соочи со секој предизвик на мрежата уште на почетокот. Лекцијата од Осло е дека „Сигналите на цените сами по себе не се доволни“. Кога сите реагираат на истиот сигнал за ниска цена во 2:00 часот наутро, тоа создава нов „вештачки врв“. Норвешките CPO сега користат алгоритми за „постепено стартување“ за да го измазнат одговорот на падот на цените.

18.2 Калифорнија: Границата на VPP

Калифорниската „Програма за намалување на оптоварувањето во итни случаи“ (ELRP) им плаќа на CPO-ата и сопствениците на домови да го намалат полнењето за време на вонредни ситуации во мрежата. Виртуелната електрана на Тесла (VPP) покажа дека со агрегирање на илјадници мали батерии, тие можат да обезбедат иста услуга како и голема електрана со врвен гас, но со многу помала цена и нула емисии.

18.3 Кина: Зголемување на инфраструктурата

Кина има најголема мрежа за полнење во светот. Фокусот овде е на „интегрирани енергетски станици“ кои комбинираат соларни, складишни и заменски станици. Заменувањето на батерии (BaaS) воведува уникатен пресврт во алгоритмот: операторот мора да одлучи дали да ги полни заменетите батерии бавно (продолжување на животниот век) или брзо (за да се задоволи големата побарувачка).

Заклучок: Автономна енергетска мрежа

Патувањето од „глупаво“ полнење до „автономна мобилност интегрирана во мрежата“ е во тек. Алгоритмите што ги дискутиравме - MPC, RL и MILP - се новите „мотори“ на 21 век.

За CPO, стратегијата е јасна:

1. Инвестирајте во инфраструктура на податоци:Не можете да оптимизирате она што не можете да го измерите. ISO 15118 и OCPP 2.0.1 не се предмет на преговори.
2. Прифатете ја мулти-објективната оптимизација:Заштедата на трошоци е почетната точка, но приходите од V2X и дополнителните услуги се иднината.
3. Дајте приоритет на корисничкото искуство:Паметното полнење мора да биде невидливо. Возачот мора секогаш да ја има потребната енергија, кога му е потребна, по фер цена.

Како што мрежата станува сè повеќе декарбонизирана и децентрализирана, електричното возило ќе биде препознаено по она што навистина е: моќна, мобилна и интелигентна батерија која има тркала. Директорите на локална самоуправа кои ги совладаат алгоритмите на денешницата ќе бидат енергетските титани на утрешнината. Со искористување на динамичното одредување на цените, предвидувањето на обновливите извори и напредната контрола на хардверот, ние не само што полниме автомобили; ние градиме поотпорна и поодржлива планета.

Технички речник за CPOs

• Арбитража:Купување енергија на ниско ниво, а продажба на високо ниво (или избегнување купување на високо ниво).
• C-стапка:Стапката со која батеријата се полни или празнат во однос на нејзиниот капацитет.
• ЛКОЕ:Нивелизирана цена на енергијата — холистичка мерка на трошоците за енергија во текот на животниот век на средството.
• SoC:Состојба на полнење - процентот на енергија што моментално е во батеријата.
• V2X:Возило-до-сè - општ термин за двонасочен пренос на енергија.
• OCPP:Протокол за отворена точка за полнење - стандард за комуникација помеѓу полнач и облак.
• ISO 15118:Меѓународен стандард за комуникација помеѓу возило и мрежа.

Глава 19: Симулирање на економското влијание: Студија на случај на центар за полнење од 50 јазли

За да ги потврдиме теоретските придобивки од дискутираните алгоритми, спроведовме симулација на центар за полнење од 50 јазли лоциран во метрополитенска област со голема густина на комерцијални возни паркови и станбени корисници. Симулацијата траеше една цела година (8.760 часа) користејќи податоци за реални цени од германскиот EPEX спот пазар и калифорнискиот CAISO пазар за еден ден однапред. Центарот комбинираше 350 јавни полначи, 120 работни единици и 30 депо конектори, опслужени од стационарна батерија од 2 MWh, соларен настрешник за автомобили од 1,2 MWp и мрежна врска од 5 MW ограничена со тарифа за наплата на побарувачката. Флота од 40 електрични автобуси беше моделирана на полначи способни за V2X, а секој јазол ја извршуваше логиката за распределба на оптоварувањето и арбитражата опишана во претходните поглавја.

Поставување на симулацијата и претпоставки

• Ценовни сигнали:Реалните спот цени од 2025 година го водеа моделот, со арбитражен алгоритам кој ја полнеше батеријата кога цените паѓаа под подвижниот праг и се празни кога цените го надминуваа.
• Сончев профил:Локалните податоци за зрачењето го напојуваа моделот на настрешницата за автомобили, при што самопотрошувачката на сончевата енергија беше дадена приоритет пред каков било увоз од мрежата.
• Трошоци за побарувачката:Се применуваше типична комерцијална тарифа од 18 долари/kW месечно, со што се казнуваа истовремени 15-минутни врвови низ трансформаторот на локацијата.
• Однесување на возачот:Времињата на пристигнување ги следеа измерените криви на зафатеност, а дел од возачите се одлучија за сесии за паметно полнење што дозволуваа флексибилност во распоредот од ±2 часа.
• Тестирање на робусност:Симулацијата беше повторена во 200 сценарија од Монте Карло со ±30% нестабилност на цените и случајни прекини на опремата; придобивките од намалување на врвните вредности никогаш не паднаа под 29%, што ја потврдува отпорноста на стратегијата.

Резултати: Што откри моделот

• Врвната побарувачка се намали за 38%наспроти наивната основна линија на „наплата при пристигнување“, со што се намалуваат годишните трошоци за побарувачка за приближно 210.000 долари.
• Арбитражата плус самопотрошувачката на сончева енергија додадоа 64.000 долариво годишни приходи, претворајќи ја батеријата од центар на трошоци во центар на профит.
• Користењето на полначите се зголеми за 12%бидејќи закажувањето кое е одговорно на цената ги префрли сесиите во периоди надвор од шпицот, намалувајќи го чекањето во редовите во најпрометните часови.
• Приход од V2X:Флотата од 40 автобуси придонесуваше со дополнителни 31.000 долари годишно преку услугата за регулирање на фреквенцијата, со моделирана деградација на батериите од само 2,1% годишна загуба на капацитет - удобно во рамките на очекувањата на флотата.
• Системска исплата:Вклучувајќи го хардверот, инсталацијата и батеријата, надградбата со паметна контрола достигна отплата за 4,6 години, со внатрешна стапка на поврат од 21% во период од десет години.

Клучни заклучоци од симулацијата

Броевите го потврдуваат она што го ветуваше теоријата:Најпаметната инвестиција во центар за полнење не е повеќе железо - туку подобар софтвер за контрола.Споделувањето на оптоварувањето, баферирањето на батериите и распоредот свесен за цената го претвораат истиот физички хардвер во драматично подобар бизнис случај. Моделот со 50 јазли, исто така, изложи два практични предуслови: сигурна OCPP/ISO 15118 телеметрија од секој полнач и облачна платформа способна за повторно испраќање на стотици јазли во рок од неколку секунди од настанот на цената или оптоварувањето.

Заклучоци: Од симулација до имплементација

A simulation is only as good as the hardware that executes it. The algorithms in this paper run daily on MIDA Power’s commercial chargers, which ship with integrated load-sharing controllers, V2X-capable power stages, and OCPP 2.0.1 cloud connectivity. Whether you are planning a two-charger retail site or a 50-node urban hub, our engineers will model your local tariff structure, solar profile, and fleet data to quantify your savings before you spend a dollar. Contact MIDA Power at sales@midapower.com for a free feasibility study, simulation report template, and full product specifications.