Smart EV အားသွင်းခြင်း၏ နည်းပညာဆိုင်ရာ ဗိသုကာ- Dynamic Load Balancing နှင့် BESS Optimization

Smart EV အားသွင်းခြင်း၏ ပြီးပြည့်စုံသော နည်းပညာဆိုင်ရာ ဗိသုကာပုံစံ- အဆင့်မြင့် ထိန်းချုပ်မှု ကွင်းဆက်များ၊ ဒေသတွင်း-Cloud ပေါင်းစပ်မှု၊ PV နှင့် BESS ဖြင့် Multi-Energy Optimization နှင့် ကြီးမားသော Predictive Grid Stability Management မှတစ်ဆင့် Dynamic Load Balancing ကို ကျွမ်းကျင်စွာ စီမံခန့်ခွဲခြင်း

အခန်း ၁: Smart EV အားသွင်းခြင်းနိဒါန်းနှင့် Dynamic Load Balancing (DLB) ၏ လိုအပ်ချက်

လျှပ်စစ်သယ်ယူပို့ဆောင်ရေးဆီသို့ ကမ္ဘာလုံးဆိုင်ရာ အသွင်ကူးပြောင်းမှုသည် အပြင်ဘက်ခေတ်ရေစီးကြောင်းတစ်ခု မဟုတ်တော့ဘဲ သယ်ယူပို့ဆောင်ရေးကဏ္ဍ ယိုယွင်းပျက်စီးခြင်း၏ အဓိကအချက်အချာတစ်ခု ဖြစ်လာပါသည်။ အတွင်းပိုင်းလောင်ကျွမ်းအင်ဂျင် (ICE) ယာဉ်သန်းပေါင်းများစွာကို လျှပ်စစ်ယာဉ်များ (EV) များဖြင့် အစားထိုးလာသည်နှင့်အမျှ လျှပ်စစ်ဓာတ်အား လိုအပ်ချက်သည် အရည်လောင်စာများမှ လျှပ်စစ်ဓာတ်အားကွန်ရက်သို့ ပြောင်းလဲလာပါသည်။ ဤပုံစံပြောင်းလဲမှုသည် ဆယ်စုနှစ်များစွာက ဒီဇိုင်းထုတ်ခဲ့သော လျှပ်စစ်အခြေခံအဆောက်အအုံအတွက် ကြီးမားသောစိန်ခေါ်မှုတစ်ရပ်ကို ဖြစ်ပေါ်စေပါသည်။ EV အားသွင်းခြင်း၏ ရံဖန်ရံခါနှင့် မြင့်မားသောပါဝါသဘောသဘာဝသည် ဒေသတွင်းကွန်ရက်ပိတ်ဆို့မှု၊ ထရန်စဖော်မာယိုယွင်းပျက်စီးမှုနှင့် နောက်ဆုံးတွင် တိကျစွာမစီမံခန့်ခွဲပါက ကြီးမားသောပျက်စီးမှုများဖြစ်ပေါ်စေနိုင်သည်။

Smart EV အားသွင်းခြင်းသည် ရွေ့လျားနိုင်မှုအပေါ် မြင့်တက်လာသော ၀ယ်လိုအားနှင့် ဓာတ်အားလိုင်း၏ ရုပ်ပိုင်းဆိုင်ရာ ကန့်သတ်ချက်များကြားရှိ နည်းပညာဆိုင်ရာ တံတားကို ကိုယ်စားပြုသည်။ ၎င်း၏ အဓိကအချက်မှာ smart charging သည် EV တစ်စီးကို မည်သည့်အချိန်တွင်၊ မည်သည့်အမြန်နှုန်းဖြင့်၊ မည်သည့်ဦးစားပေးဖြင့် အားသွင်းရမည်ကို သိရှိခြင်းဖြစ်သည့် ဉာဏ်ရည်ဉာဏ်သွေးနှင့် ပတ်သက်သည်။ သို့သော် ဤဉာဏ်ရည်ဉာဏ်သွေးအလွှာအတွင်းရှိ အရေးကြီးဆုံး အစိတ်အပိုင်းမှာ Dynamic Load Balancing (DLB) ဖြစ်သည်။

Dynamic Load Balancing ဆိုသည်မှာ နေရာတစ်ခု၏ ရရှိနိုင်သော လျှပ်စစ်စွမ်းရည်ကို အဆက်မပြတ် စောင့်ကြည့်ခြင်းနှင့် ထိုပါဝါကို တက်ကြွသော EV အားသွင်းကိရိယာများအကြား အချိန်နှင့်တပြေးညီ ဖြန့်ဝေခြင်းလုပ်ငန်းစဉ်ဖြစ်သည်။ DLB မရှိပါက အဆောက်အဦ သို့မဟုတ် အားသွင်းစခန်းတစ်ခုသည် static limit တွင် လည်ပတ်ရန် အတင်းအကျပ်ခိုင်းစေခံရမည်ဖြစ်ပြီး၊ မကြာခဏဆိုသလို အမြင့်ဆုံးဝန်အား၏ “အဆိုးဆုံးအခြေအနေ” ဖြင့် သတ်မှတ်ခံရလေ့ရှိသည်။ ၎င်းသည် ကြီးမားသော စွမ်းဆောင်ရည်မပြည့်ဝမှုများကို ဖြစ်ပေါ်စေသည်- နေရာသည် ပစ္စည်းကိရိယာမလုံလောက်ခြင်း၊ အသုံးပြုသူများအတွက် အားသွင်းမှုနှေးကွေးခြင်း သို့မဟုတ် နေရာသည် တစ်ပတ်လျှင် နာရီအနည်းငယ်သာဖြစ်ပေါ်သော သီအိုရီအရ အမြင့်ဆုံးအချိန်များကို ကိုင်တွယ်ရန် အလွန်စျေးကြီးသော အခြေခံအဆောက်အအုံ အဆင့်မြှင့်တင်မှုများ လိုအပ်ခြင်း စသည်တို့ ဖြစ်သည်။

DLB ရဲ့ လိုအပ်ချက်ဟာ အဓိက မောင်းနှင်အား သုံးချက်ကနေ ပေါက်ဖွားလာတာပါ-

1. အခြေခံအဆောက်အအုံ ထိန်းသိမ်းစောင့်ရှောက်ရေးအဓိက ဆားကစ်ဖြတ်တောက်ကိရိယာများ ခလုတ်မထိအောင် ကာကွယ်ပေးခြင်းနှင့် ထရန်စဖော်မာများ အပူလွန်ကဲခြင်းမှ ကာကွယ်ပေးခြင်း။
2. စီးပွားရေးထိရောက်မှုဝန်ဆောင်မှုပြားများ သို့မဟုတ် ဒေသတွင်းဖြန့်ဖြူးရေးကွန်ရက်များ အဆင့်မြှင့်တင်ခြင်း၏ မြင့်မားသောဝယ်လိုအားကျသင့်ငွေများနှင့် ကန့်သတ်မထားသောကုန်ကျစရိတ်များကို ရှောင်ရှားခြင်း။
3. အသုံးပြုသူ စိတ်ကျေနပ်မှုရရှိနိုင်သော ကီလိုဝပ်နာရီ စွမ်းရည်တိုင်းကို ဉာဏ်ပညာရှိရှိ အသုံးပြုခြင်းဖြင့် အသုံးပြုသူအားလုံးအတွက် အားသွင်းမြန်နှုန်းကို အမြင့်ဆုံးဖြစ်အောင် လုပ်ဆောင်ခြင်း။

ဤနက်ရှိုင်းသော နည်းပညာဆိုင်ရာ စူးစမ်းလေ့လာမှုတွင်၊ ပါဝါအီလက်ထရွန်းနစ်ပစ္စည်းများကို ထိန်းချုပ်သည့် မီလီစက္ကန့်အဆင့် ထိန်းချုပ်မှုကွင်းဆက်များမှသည် အားသွင်းနေရာထောင်ပေါင်းများစွာ၏ cloud-based orchestration အထိ DLB ၏ ယန္တရားကို ကျွန်ုပ်တို့ ခွဲခြမ်းစိတ်ဖြာပါမည်။ Photovoltaics (PV) နှင့် Battery Energy Storage Systems (BESS) ကဲ့သို့သော ပြန်လည်ပြည့်ဖြိုးမြဲစွမ်းအင်အရင်းအမြစ်များနှင့် ပေါင်းစပ်လိုက်သောအခါ DLB မည်သို့တိုးတက်ပြောင်းလဲလာသည်နှင့် ခန့်မှန်းမော်ဒယ်လ်သည် ကြီးမားသော အားသွင်းဗဟိုချက်များအား grid အတက်အကျများ မဖြစ်ပွားမီ မည်သို့ကြိုတင်ခန့်မှန်းနိုင်စေသည်ကို ကျွန်ုပ်တို့ ဆန်းစစ်ပါမည်။ EV သည် စားသုံးသူတစ်ဦးသာမက ဖြန့်ဝေထားသော စွမ်းအင်အရင်းအမြစ်တစ်ခုဖြစ်သည့် အနာဂတ်သို့ ကျွန်ုပ်တို့ ရွေ့လျားနေသည်နှင့်အမျှ DLB ၏ သိမ်မွေ့သောအချက်များကို နားလည်ခြင်းသည် အင်ဂျင်နီယာများ၊ မြို့ပြစီမံကိန်းရေးဆွဲသူများနှင့် စွမ်းအင်ပံ့ပိုးပေးသူများအတွက် အလွန်အရေးကြီးပါသည်။

အခန်း ၂: Dynamic Load Balancing ၏ အခြေခံမူများ

DLB ဘယ်လိုအလုပ်လုပ်လဲဆိုတာကို နားလည်ဖို့အတွက် “Static” အစားထိုးနည်းလမ်းကို ဦးစွာနားလည်ရပါမယ်။ static load balancing environment မှာ charger တစ်ခုစီကို ပုံသေလျှပ်စီးကြောင်းပမာဏတစ်ခု ခွဲဝေပေးထားပါတယ်။ ဥပမာအားဖြင့်၊ စက်ရုံတစ်ခုမှာ 100A ကန့်သတ်ချက်နဲ့ charger ၅ ခုရှိရင် တစ်ခုစီကို 20A မှာ ကန့်သတ်ထားနိုင်ပါတယ်။ ကားတစ်စီးတည်းသာ အားသွင်းနေတယ်ဆိုရင် 20A ပဲရပြီး ရရှိနိုင်တဲ့ စွမ်းရည် 80A ကို အလဟဿဖြစ်စေပါတယ်။ ဆန့်ကျင်ဘက်အနေနဲ့၊ ကား ၅ စီးလုံးစလုံး အားသွင်းနေပြီး တစ်စုံတစ်ယောက်က အဆောက်အဦထဲမှာ မြင့်မားတဲ့ပါဝါ HVAC စနစ်ကို ဖွင့်ထားရင် စုစုပေါင်းဝန်ဟာ 100A ထက်ကျော်လွန်ပြီး မီးပျက်သွားနိုင်ပါတယ်။

DLB သည် ဤတင်းကျပ်သော ခွဲဝေမှုတွင် ချောမွေ့ပြီး တုံ့ပြန်မှုကောင်းသော စနစ်ဖြင့် အစားထိုးသည်။ အခြေခံမူမှာ “စုစုပေါင်း ရရှိနိုင်သော စွမ်းရည်” နှင့် “တက်ကြွသော အားသွင်းမှု လိုအပ်ချက်” အကြား တုံ့ပြန်ချက် ကွင်းဆက်တစ်ခုဖြစ်သည်။

သင်္ချာဆိုင်ရာ အခြေခံအုတ်မြစ်

အရိုးရှင်းဆုံးအနေနဲ့ DLB ကို အောက်ပါညီမျှခြင်းဖြင့် ဖော်ပြနိုင်ပါတယ်။P_available_for_EVs(t) = P_total_limit – P_non_EV_loads(t)

ဘယ်နေရာမှာ

• P_စုစုပေါင်း_ကန့်သတ်ချက်သည် နေရာ၏ ရုပ်ပိုင်းဆိုင်ရာ သို့မဟုတ် စာချုပ်ဆိုင်ရာ ကန့်သတ်ချက်ဖြစ်သည်။
• P_non_EV_loads(t)စမတ်မီတာဖြင့် တိုင်းတာထားသော မီးများ၊ စက်ပစ္စည်းများ၊ ဓာတ်လှေကားများ စသည်တို့၏ အချိန်နှင့်တပြေးညီ သုံးစွဲမှုဖြစ်သည်။
• EV များအတွက် ရရှိနိုင်သော P(t)EV များအကြား ဘေးကင်းစွာ ဖြန့်ဝေနိုင်သော ကျန်ရှိသော ပါဝါဖြစ်သည်။

စနစ်က ဘယ်လိုဖြန့်ဝေရမလဲဆိုတာ ဆုံးဖြတ်ရတဲ့အခါ ရှုပ်ထွေးမှုတွေ ပေါ်ပေါက်လာပါတယ်။EV များအတွက် ရရှိနိုင်သော P(t)အကြားNအားသွင်းကိရိယာများ။ ဤဖြန့်ဖြူးမှုကို အောက်ပါတို့ကို ထည့်သွင်းစဉ်းစားသည့် အယ်လဂိုရီသမ်များဖြင့် ထိန်းချုပ်ထားသည်-

• အားသွင်းမှုအခြေအနေ (SoC)ဘက်ထရီကုန်လုနီးပါးဖြစ်နေတဲ့ ကားတစ်စီးဟာ ဦးစားပေး ပိုရနိုင်ပါတယ်။
• ထွက်ခွာချိန်တစ်ညလုံးအိပ်တဲ့ ကားတစ်စီးကို ဖြည်းဖြည်းချင်း အားသွင်းနိုင်ပြီး အမြန်ပြန်ဖြည့်ဖို့ လိုအပ်တဲ့ ကားတစ်စီးကိုတော့ အားသွင်းပေးပါတယ်။
• အဆင့်ချိန်ခွင်လျှာညှိခြင်းthree-phase စနစ်များတွင် DLB သည် single phase overload မဖြစ်စေရန် သေချာစေရမည်ဖြစ်ပြီး၊ ၎င်းသည် ရှုပ်ထွေးသော switching logic သို့မဟုတ် phase-aware distribution လိုအပ်သည့် အလုပ်တစ်ခုဖြစ်သည်။

အာရုံခံခြင်းနှင့် တိုင်းတာခြင်း

DLB ၏ တိကျမှုသည် ၎င်းလက်ခံရရှိသောဒေတာ၏ အရည်အသွေးပေါ်တွင် အပြည့်အဝမူတည်ပါသည်။ ၎င်းတွင် ယေဘုယျအားဖြင့် Current Transformers (CTs) သို့မဟုတ် common coupling (PCC) တွင် တပ်ဆင်ထားသော dedicated smart meters များ ပါဝင်သည်။ ဤစက်ပစ္စည်းများသည် DLB controller သည် အဆောက်အဦဝန်ထုပ်ဝန်ပိုးတွင် ရုတ်တရက်မြင့်တက်လာခြင်း (ဥပမာ စက်မှုလုပ်ငန်းသုံးမော်တာ စတင်ခြင်းကဲ့သို့သော) ကို စက္ကန့်ပိုင်းအတွင်း တုံ့ပြန်နိုင်စေရန်အတွက် မြင့်မားသောကြိမ်နှုန်း (များသောအားဖြင့် 1Hz သို့မဟုတ် ထို့ထက်ပိုမြင့်သော) ဖြင့် load data ကို အစီရင်ခံရမည်။ အဓိက breaker ရပ်တန့်ခြင်းမှ ကာကွယ်ရန်။

အဆင့်ဆင့်ဖွဲ့စည်းပုံ

DLB သည် မကြာခဏ အဆင့်ဆင့်လည်ပတ်လေ့ရှိသည်။ “ဒေသတွင်း” အဆင့်တွင်၊ ထိန်းချုပ်ကိရိယာတစ်ခုသည် အားသွင်းကိရိယာများကို စီမံခန့်ခွဲသည်။ “နေရာ” အဆင့်တွင်၊ ၎င်းသည် အဆောက်အဦစီမံခန့်ခွဲမှုစနစ်နှင့် ညှိနှိုင်းဆောင်ရွက်သည်။ “ဇယားကွက်” အဆင့်တွင်၊ ၎င်းသည် လျှပ်စစ်ဓာတ်အားကုမ္ပဏီမှ ಉಪನ್ಯಾವ ...

အခန်း ၃: DLB အယ်လဂိုရီသမ်များအတွက် Control Loop Design: PID နှင့် Model Predictive Control (MPC)

Dynamic Load Balancing စနစ်ရဲ့ ထိရောက်မှုကို နောက်ဆုံးမှာ ၎င်းရဲ့ latency နဲ့ တိကျမှုနဲ့ တိုင်းတာပါတယ်။ အဆောက်အဦဝန်အား မြင့်တက်လာပြီး DLB စနစ်က EV အားသွင်းလျှပ်စီးကြောင်းကို ချိန်ညှိဖို့ စက္ကန့် ၃၀ ကြာရင်၊ ပြင်ဆင်မှုမဖြစ်ပေါ်ခင် main breaker ဟာ trip ဖြစ်သွားနိုင်ပါတယ်။ ဒါကြောင့် control loop ရဲ့ ဒီဇိုင်းဟာ smart charging station ရဲ့ “ဦးနှောက်” ပါပဲ။ ဒီအခန်းမှာ၊ ဒီ control mechanism တွေရဲ့ အင်ဂျင်နီယာဆိုင်ရာ သတ်မှတ်ချက်တွေကို လေ့လာသွားမှာဖြစ်ပြီး Proportional-Integral-Derivative (PID) controllers တွေနဲ့ ပိုမိုအဆင့်မြင့်တဲ့ Model Predictive Control (MPC) တွေကို အဓိကထား လေ့လာသွားမှာပါ။

DLB ရှိ PID ထိန်းချုပ်မှု မူဘောင်

PID ထိန်းချုပ်ကိရိယာများသည် စက်မှုလုပ်ငန်းသုံး အလိုအလျောက်စနစ်၏ လုပ်ဆောင်ချက်များစွာကို လုပ်ဆောင်ပေးပြီး DLB တွင် သဘာဝအလျောက် အသုံးချမှုကို ရှာဖွေတွေ့ရှိသည်။ PID ကွင်းဆက်၏ ရည်ရွယ်ချက်မှာ EVSE (လျှပ်စစ်ယာဉ်ထောက်ပံ့ရေးပစ္စည်းကိရိယာများ) သို့ ပေးပို့သော အမြင့်ဆုံး လျှပ်စီးကြောင်းကန့်သတ်ချက်ဖြစ်သော ထိန်းချုပ်မှုကိန်းရှင်ကို ချိန်ညှိခြင်းဖြင့် စုစုပေါင်းဆိုက်ဝန် ($P_{total}$) ကို သတ်မှတ်အမှတ် ($P_{limit}$) တွင် သို့မဟုတ် အောက်တွင် ထိန်းသိမ်းရန်ဖြစ်သည်။

• အချိုးကျ (P): P-term သည် အမှားအယွင်း ($P_{limit}$ နှင့် $P_{total}$ အကြား ကွာခြားချက်) ကို ချက်ချင်းတုံ့ပြန်မှုပေးသည်။ အမှားအယွင်း ကြီးမားပါက (ဥပမာ- အဆောက်အဦ ဝန်အား အလွန်ကျဆင်းခြင်း)၊ P-term သည် ခွင့်ပြုထားသော EV အားသွင်း လျှပ်စီးကြောင်းကို လျင်မြန်စွာ မြင့်တက်စေသည်။ သို့သော် P-only ထိန်းချုပ်မှုသည် စနစ်သည် ကန့်သတ်ချက်သို့ ဘယ်တော့မှ မရောက်ရှိသည့် “တည်ငြိမ်သောအခြေအနေ အမှား” ကို မကြာခဏ ဖြစ်ပေါ်စေပါသည်။
• အင်တီဂရယ် (I): I-term သည် ယခင်အမှားအယွင်းများစုပုံလာမှုကို ထည့်သွင်းစဉ်းစားသည်။ စနစ်သည် ရရှိနိုင်သော ampere တိုင်းကို အချိန်နှင့်အမျှ အသုံးချနိုင်စေရန်အတွက် steady-state error ကို ဖယ်ရှားရန် လျှပ်စီးကြောင်းကို ဖြည်းဖြည်းချင်း အပေါ် သို့မဟုတ် အောက်သို့ မြှင့်တင်ပေးသည်။
• ဆင်းသက်လာမှု (D): D-term သည် ပြောင်းလဲမှုနှုန်းကိုကြည့်ခြင်းဖြင့် အနာဂတ်အမှားများကို ခန့်မှန်းသည်။ ၎င်းသည် “overshoot” ကို ကာကွယ်ရန်အတွက် အရေးကြီးပါသည်။ ဝန်အားသည် လျင်မြန်စွာ မြင့်တက်လာပါက၊ D-term သည် ကန့်သတ်ချက်သို့ မရောက်မီ EV အားသွင်းကိရိယာများကို အရှိန်မြှင့်လိုက်မည်ဖြစ်သည်။

DLB ပတ်ဝန်းကျင်တွင် PID ကွင်းဆက်ကို ဂရုတစိုက်ချိန်ညှိရပါမည်။ ၎င်းသည် အလွန်ပြင်းထန်ပါက EVSE များသည် ၎င်းတို့၏ လျှပ်စီးကြောင်းကို အဆက်မပြတ် ချိန်ညှိပေးမည်ဖြစ်ပြီး ၎င်းသည် ယာဉ်၏ onboard charger (OBC) ကို ယိုယွင်းစေပြီး EV ၏ software ကို ယားယံစေပြီး အားသွင်းမှုအမှားများ ဖြစ်စေနိုင်သည်။ ၎င်းသည် အလွန်နှေးကွေးပါက grid protection ၏ အဓိကရည်ရွယ်ချက်ကို ပျက်ကွက်စေပါသည်။

PID ထက်ကျော်လွန်၍- မော်ဒယ်ခန့်မှန်းထိန်းချုပ်မှု (MPC)

PID သည် ရိုးရှင်းသော အခြေအနေများအတွက် ထိရောက်မှုရှိသော်လည်း၊ ခေတ်မီ ကြီးမားသော အားသွင်းဗဟိုချက်များသည် Model Predictive Control (MPC) ကို ပိုမိုအသုံးပြုလာကြသည်။ တုံ့ပြန်မှုရှိသော PID နှင့်မတူဘဲ MPC သည် ကြိုတင်ကာကွယ်မှုရှိသည်။ ၎င်းသည် စနစ်၏ သင်္ချာပုံစံကို အသုံးပြု၍ ၎င်း၏ အနာဂတ်အပြုအမူကို သတ်မှတ်ထားသော “ခန့်မှန်းချက် မိုးကုပ်စက်ဝိုင်း” တွင် ခန့်မှန်းသည်။

DLB ၏ အခြေအနေတွင် MPC ထိန်းချုပ်သူသည် အောက်ပါတို့ကို ထည့်သွင်းစဉ်းစားသည်-

1. စနစ်ကန့်သတ်ချက်များအားသွင်းကိရိယာများ၏ ရုပ်ပိုင်းဆိုင်ရာ ကန့်သတ်ချက်များ၊ ထရန်စဖော်မာ စွမ်းရည်နှင့် ယာဉ်၏ အများဆုံး စုပ်ယူမှုနှုန်း။
2. အနာဂတ်ခန့်မှန်းချက်များသမိုင်းဝင်ပုံစံများ၊ ရာသီဥတုခန့်မှန်းချက်များ (HVAC ဝန်ထုပ်ဝန်ပိုးကို သက်ရောက်မှုရှိသော) နှင့် ခန့်မှန်းထားသော ယာဉ်ရောက်ရှိမှုတို့အပေါ် အခြေခံ၍ ခန့်မှန်းထားသော အဆောက်အဦဝန်ထုပ်ဝန်ပိုး။
3. ရည်ရွယ်ချက်ဆိုင်ရာ လုပ်ဆောင်ချက်"ကားအားလုံးသည် မနက် ၈ နာရီတွင် SoC ၏ ၈၀% ရောက်ရှိစေရန် သေချာစေခြင်းဖြင့် စုစုပေါင်းစွမ်းအင်ကုန်ကျစရိတ်ကို လျှော့ချပါ" ကဲ့သို့သော သင်္ချာဆိုင်ရာရည်မှန်းချက်တစ်ခု။

MPC အယ်လဂိုရီသမ်သည် အချိန်အဆင့်တိုင်း (ဥပမာ ၅ မိနစ်တိုင်း) တွင် အကောင်းဆုံးဖြစ်အောင်လုပ်ဆောင်ခြင်းပြဿနာကို ဖြေရှင်းပေးသည်။ ၎င်းသည် အကောင်းဆုံးထိန်းချုပ်မှုလုပ်ဆောင်ချက်များ၏ အစီအစဉ်တစ်ခုကို တွက်ချက်သော်လည်း ပထမတစ်ခုကိုသာ အကောင်အထည်ဖော်ပြီးနောက် နောက်တစ်ဆင့်တွင် ပြန်လည်တွက်ချက်သည်။ ၎င်းသည် DLB စနစ်အား အားသွင်းပရိုဖိုင်များကို "ချောမွေ့စေရန်" ခွင့်ပြုသည်။ ဥပမာအားဖြင့် စနစ်သည် နေ့လယ် ၂ နာရီတွင် အဆောက်အဦဝန်အား အလွန်အမင်းမြင့်တက်နေမည်ကို သိပါက၊ ၎င်းသည် EV များကို နေ့လယ် ၁:၃၀ နာရီတွင် ကြိုတင်အားသွင်းပြီးနောက် နေ့လယ် ၂ နာရီတွင် ၎င်းတို့ကို အရှိန်မြှင့်ပေးနိုင်သည်။ မြင့်တက်မှုဖြစ်ပွားသောအခါ ရုတ်တရက်တုံ့ပြန်မည့်အစား။

နှောင့်နှေးမှုနှင့် ဆက်သွယ်ရေးပရိုတိုကောများ

ထိန်းချုပ်မှုကွင်းဆက်သည် ၎င်း၏ဆက်သွယ်ရေးလင့်ခ်ကဲ့သို့သာ မြန်ဆန်သည်။ DLB စနစ်များစွာတွင်၊ ထိန်းချုပ်ကိရိယာသည် Modbus TCP၊ RTU သို့မဟုတ် Open Charge Point Protocol (OCPP) မှတစ်ဆင့် အားသွင်းကိရိယာများနှင့် ဆက်သွယ်သည်။

• မော့ဘ်စ်: အလွန်နိမ့်သော latency (မီလီစက္ကန့်) ကို ပေးစွမ်းသောကြောင့် ဒေသတွင်း၊ ဘေးကင်းရေးအရ အရေးကြီးသော DLB အတွက် အသင့်တော်ဆုံးဖြစ်သည်။
• OCPP ၁.၆/၂.၀.၁cloud-to-charger ဆက်သွယ်ရေးအတွက် လုပ်ငန်းစံနှုန်း။ ပိုမိုအင်္ဂါရပ်ကြွယ်ဝသော်လည်း (ငွေတောင်းခံခြင်း၊ အထောက်အထားစိစစ်ခြင်းနှင့် firmware အပ်ဒိတ်များကို ကိုင်တွယ်ခြင်း)၊ WebSockets မှတစ်ဆင့် JSON မက်ဆေ့ချ်များ၏ overhead နှင့် အများသုံးအင်တာနက်ကို ဖြတ်သန်းခြင်းကြောင့် သိသာထင်ရှားသော နှောင့်နှေးမှု (များသောအားဖြင့် ၁-၅ စက္ကန့်) ကို မိတ်ဆက်ပေးသည်။

အင်ဂျင်နီယာများသည် ဝန်ချိန်ဟန်ချက်ညီမှု၏ အရေးပါမှုအပေါ် အခြေခံ၍ မှန်ကန်သော protocol ကို ရွေးချယ်ရမည်။ လူနေအိမ်အတွက် အနည်းငယ်နှေးကွေးသော cloud-based DLB သည် လုံလောက်နိုင်ပါသည်။ breaker trip သည် downtime တွင် ဒေါ်လာထောင်ပေါင်းများစွာ ကုန်ကျသည့် စက်မှုလုပ်ငန်းစက်ရုံအတွက် ဒေသတွင်း Modbus-based loop ကို မဖြစ်မနေ အသုံးပြုရမည်။

အခန်း ၄: ဒေသတွင်းနှင့် Cloud-Based DLB ဗိသုကာ- နှိုင်းယှဉ်ချက်

စမတ်အားသွင်းစနစ် အခြေခံအဆောက်အအုံကို ဒီဇိုင်းဆွဲတဲ့အခါ အခြေခံအကျဆုံး ဗိသုကာဆိုင်ရာ ဆုံးဖြတ်ချက်တစ်ခုကတော့ “ဉာဏ်ရည်” ရှိတဲ့နေရာပါပဲ။ load balancing logic ကို on-site hardware တစ်ခုမှာ run ရမှာလား (Local DLB) လား၊ ဒါမှမဟုတ် remote server (Cloud DLB) တစ်ခုက စီမံခန့်ခွဲရမှာလား။ ချဉ်းကပ်မှုနှစ်ခုစလုံးမှာ ယုံကြည်စိတ်ချရမှု၊ ကုန်ကျစရိတ်နဲ့ တိုးချဲ့နိုင်မှုတို့အရ အားသာချက်တွေနဲ့ အပေးအယူတွေ ကွဲပြားပါတယ်။

Local DLB: Edge Computing ချဉ်းကပ်မှု

Local DLB တွင် ရုပ်ပိုင်းဆိုင်ရာ ထိန်းချုပ်ကိရိယာတစ်ခု—များသောအားဖြင့် PLC (Programmable Logic Controller)၊ သီးသန့် gateway သို့မဟုတ် “Master” charger တစ်ခု—ပါဝင်ပြီး ၎င်းသည် local area network (LAN) ရှိ အခြား charger များနှင့် တိုက်ရိုက်ဆက်သွယ်သည်။

အားသာချက်များ:

1. ယုံကြည်စိတ်ချရမှုနှင့် အော့ဖ်လိုင်းစွမ်းဆောင်ရည်စနစ်သည် အင်တာနက်ချိတ်ဆက်မှုပေါ်တွင် မှီခိုမနေပါ။ ဖိုက်ဘာလိုင်းပြတ်တောက်သွားပါက အားသွင်းကိရိယာများသည် ဒေသတွင်းဝန်ကို ဆက်လက်ဟန်ချက်ညီစေပြီး အဆောက်အဦ၏ လျှပ်စစ်ဘေးကင်းရေးကို သေချာစေသည်။
2. နှောင့်နှေးမှုနည်းခြင်းအခန်း ၃ တွင် ဆွေးနွေးထားသည့်အတိုင်း ဒေသတွင်းဆက်သွယ်ရေး (Modbus သို့မဟုတ် ဒေသတွင်း OCPP) သည် စက္ကန့်အောက် အမြန်နှုန်းများဖြင့် ဖြစ်ပေါ်သည်။ ၎င်းသည် စက်ရုံများ သို့မဟုတ် ဆေးရုံများကဲ့သို့ မတည်ငြိမ်သော EV မဟုတ်သော ဝန်များရှိသည့် နေရာများအတွက် မရှိမဖြစ်လိုအပ်သည်။
3. လုံခြုံရေးထိန်းချုပ်မှုအချက်ပြမှုများကို ဒေသတွင်းကွန်ရက်အတွင်း ထိန်းသိမ်းထားခြင်းသည် grid တည်ငြိမ်မှုကို ခြယ်လှယ်ရန်ကြိုးစားနိုင်သည့် ဆိုက်ဘာခြိမ်းခြောက်မှုများအတွက် တိုက်ခိုက်မှုမျက်နှာပြင်ကို လျော့နည်းစေသည်။

အားနည်းချက်များ:

1. ဟာ့ဒ်ဝဲကုန်ကျစရိတ်: အပိုဆောင်း လုပ်ငန်းခွင်တွင် အသုံးပြုသော ဟာ့ဒ်ဝဲများ ဝယ်ယူခြင်းနှင့် တပ်ဆင်ခြင်း လိုအပ်သည်။
2. ပြုပြင်ထိန်းသိမ်းမှု ရှုပ်ထွေးမှု: DLB ယုတ္တိဗေဒကို အပ်ဒိတ်လုပ်ရန် လုပ်ငန်းခွင်သို့ သွားရောက်ခြင်း သို့မဟုတ် edge devices များကို ရှုပ်ထွေးသော အဝေးထိန်း စီမံခန့်ခွဲမှု လိုအပ်နိုင်သည်။
3. သီးခြားခွဲထားသောဒေတာcloud backend နှင့် သီးခြားပေါင်းစပ်ထားခြင်းမရှိပါက ဒေသတွင်းထိန်းချုပ်ကိရိယာတစ်ခုသည် ပိုမိုကျယ်ပြန့်သော grid အခြေအနေများ သို့မဟုတ် utility ၏ စွမ်းအင်ဈေးနှုန်းများကို မြင်နိုင်စွမ်း အကန့်အသတ်ရှိသည်။

Cloud-Based DLB: အတိုင်းအတာအလိုက် စီစဉ်ညှိနှိုင်းမှု

cloud-based architecture မှာ smart meter နဲ့ charger တွေအားလုံးက သူတို့ရဲ့ data တွေကို central management platform တစ်ခုဆီ report လုပ်ပါတယ်။ cloud က charger တစ်ခုချင်းစီအတွက် အကောင်းဆုံး power ကို တွက်ချက်ပြီး ပို့ပေးပါတယ်။SmartCharging.အားသွင်းပရိုဖိုင်ကို သတ်မှတ်ပါEVSE များထံ ပြန်၍ အမိန့်ပေးပါသည်။

အားသာချက်များ:

1. တိုးချဲ့နိုင်မှု: တစ်ဦးချင်း local controller ၁၀၀၀ ထက် cloud dashboard တစ်ခုတည်းမှ site ၁၀၀၀ ကို စီမံခန့်ခွဲခြင်းသည် အလွန်လွယ်ကူပါသည်။
2. ကမ္ဘာလုံးဆိုင်ရာ အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းcloud သည် Virtual Power Plants (VPPs) တွင် ပါဝင်ရန် သို့မဟုတ် ဒေသတွင်း grid ဖိစီးမှုကို တုံ့ပြန်ရန် site များစွာမှ အချက်အလက်များကို စုစည်းနိုင်သည်။
3. အဆင့်မြင့် AI ပေါင်းစပ်မှုကန့်သတ်ချက်ရှိသော edge hardware များထက် အစွမ်းထက်သော cloud server များတွင် forecasting အတွက် ရှုပ်ထွေးသော machine learning model များကို run ခြင်းသည် (အခန်း ၈ တွင် ကျွန်ုပ်တို့ ဆွေးနွေးပါမည်) ပိုမိုဖြစ်နိုင်ချေရှိပါသည်။
4. ကြိုတင်ကုန်ကျစရိတ် နည်းပါးခြင်းအားသွင်းကိရိယာများသည် cloud နှင့် တိုက်ရိုက်ဆက်သွယ်နိုင်ပါက သီးသန့်ဒေသခံထိန်းချုပ်ကိရိယာတစ်ခု မလိုအပ်ပါ။

အားနည်းချက်များ:

1. ချိတ်ဆက်မှု မှီခိုမှုအင်တာနက်ပြတ်တောက်သွားပါက စနစ်သည် “ဘေးကင်းသောအခြေအနေ” (ဥပမာ- ကားအားလုံးအတွက် အနည်းဆုံးအားသွင်းလျှပ်စီးကြောင်း) သို့ ပြန်သွားလေ့ရှိပြီး ၎င်းသည် အလွန်ထိရောက်မှုမရှိပဲ ဖောက်သည်များ၏ တိုင်ကြားမှုများ ဖြစ်ပေါ်စေနိုင်သည်။
2. မြင့်မားသော နှောင့်နှေးမှုမီတာ၊ cloud နှင့် charger အကြား သွားလာချိန်သည် စက္ကန့်အနည်းငယ်ကြာနိုင်သည်။ ထို့ကြောင့် “ချက်ချင်း” ဝန်အားမြင့်တက်မှုများကို တုံ့ပြန်ရန် ခက်ခဲစေသည်။
3. ကိုယ်ရေးကိုယ်တာဆိုင်ရာ စိုးရိမ်မှုများစွမ်းအင်ဒေတာကို cloud သို့ စဉ်ဆက်မပြတ် streaming လုပ်ခြင်းသည် အချို့သော corporate client များအတွက် ဒေတာအချုပ်အခြာအာဏာနှင့် privacy ပြဿနာများ ပေါ်ပေါက်စေသည်။

Hybrid မော်ဒယ်- နှစ်မျိုးလုံး၏ အကောင်းဆုံး

ဤအပေးအယူများကို သိရှိခြင်းဖြင့် လုပ်ငန်းသည် hybrid မော်ဒယ်သို့ ဦးတည်နေပါသည်။ ဤ setup တွင်၊ local gateway သည် ဘေးကင်းရေး-အရေးပါသော၊ millisecond-level load balancing (breaker သည် ဘယ်တော့မှ trip မလုပ်ကြောင်း သေချာစေခြင်း) ကို ကိုင်တွယ်သည်။ တစ်ချိန်တည်းမှာပင်၊ cloud သည် အဆင့်မြင့် မဟာဗျူဟာကို ပေးသည်—စွမ်းအင်ဈေးနှုန်းများ၊ အသုံးပြုသူအချိန်ဇယားများနှင့် grid signal များအပေါ် အခြေခံ၍ local controller အတွက် “budgets” များကို သတ်မှတ်သည်။ ဤ “edge-heavy, cloud-orchestrated” ချဉ်းကပ်မှုသည် cloud စီမံခန့်ခွဲမှု၏ ပြောင်းလွယ်ပြင်လွယ်ရှိမှုကို ထိန်းသိမ်းထားစဉ်တွင် အခြေခံအဆောက်အအုံကာကွယ်မှုအတွက် လိုအပ်သော ယုံကြည်စိတ်ချရမှုကို ပေးစွမ်းသည်။

အခန်း ၅: အချိန်နှင့်တပြေးညီ အာဏာခွဲဝေမှု မဟာဗျူဟာများနှင့် ဦးစားပေးမှုများ

Dynamic Load Balancing မှာ ရရှိနိုင်တဲ့ ပါဝါကို EV အများအပြားကြားမှာ ဘယ်လိုခွဲဝေရမလဲဆိုတာ ဆုံးဖြတ်တာဟာ အရှုပ်ထွေးဆုံး အယ်လဂိုရီသမ်ဆိုင်ရာ စိန်ခေါ်မှုတစ်ခုပါ။ စုစုပေါင်းကီလိုဝပ်ကို ကားအရေအတွက်နဲ့ ပိုင်းခြားရုံတင် မဟုတ်ပါဘူး။ ခေတ်မီတဲ့ DLB စနစ်တစ်ခုဟာ တန်းတူညီမျှမှု၊ ထိရောက်မှုနဲ့ အသုံးပြုသူတစ်ဦးချင်းစီရဲ့ လိုအပ်ချက်တွေကို ဟန်ချက်ညီအောင် ထိန်းညှိပေးရပါမယ်။ ဒီအခန်းမှာ ဒီနေ့ခေတ် နယ်ပယ်မှာ အသုံးပြုနေတဲ့ ပါဝါခွဲဝေမှု မဟာဗျူဟာအမျိုးမျိုးကို လေ့လာသွားပါမယ်။

ဦးရာလူစနစ် (FCFS)

အရိုးရှင်းဆုံး ခွဲဝေချထားပေးသည့် ဗျူဟာမှာ FCFS ဖြစ်သည်။ ပလပ်ထိုးသည့် ပထမဆုံးယာဉ်သည် ၎င်း၏ အများဆုံးတောင်းဆိုထားသော ပါဝါကို ရရှိသည်။ နောက်ပိုင်းယာဉ်များသည် ကျန်ရှိနေသမျှကို ရရှိသည်။

အားသာချက်များ-

• အကောင်အထည်ဖော်ရန်ရိုးရှင်းပါသည်။
• ပထမဆုံးအသုံးပြုသူများအတွက် ရှင်းလင်းပြတ်သားစွာ ဖော်ပြထားပါသည်။

အားနည်းချက်များ-

• အလွန်မမျှတပါ။ ၅ ယောက်မြောက် အသုံးပြုသူသည် အရေးပေါ်ခရီးတစ်ခုရှိလျှင်ပင် လျှပ်စစ်ဓာတ်အား လုံးဝမရရှိဘဲ ပထမအသုံးပြုသူမှာ ၉၀% အားသွင်းထားပြီးဖြစ်သောကြောင့် အလွယ်တကူစောင့်ဆိုင်းနိုင်ပါသည်။
• ကားတစ်စီးသည် ၎င်း၏နောက်ဆုံးရာခိုင်နှုန်းအနည်းငယ်ကို အလွန်နှေးကွေးသောနှုန်းဖြင့် အားသွင်းနေစဉ် မြင့်မားသောပါဝါနေရာတစ်ခုတွင် နာရီပေါင်းများစွာနေရာယူထားသည့် “ပါဝါစုဆောင်းခြင်း” သို့ ဦးတည်စေသည်။

တန်းတူမျှဝေခြင်း

ဒီမော်ဒယ်မှာ ရရှိနိုင်တဲ့ ပါဝါကို တက်ကြွတဲ့ session အားလုံးမှာ ညီတူညီမျှ ခွဲဝေပေးပါတယ်။ 100kW ရှိပြီး ကား ၄ စီး အားသွင်းနေရင် တစ်စီးစီမှာ 25kW ရရှိပါတယ်။ ၅ စီးမြောက် ကား ပါဝင်လာရင် အားလုံး 20kW အထိ ကျဆင်းသွားပါတယ်။

အားသာချက်များ-

• အခြေခံအားဖြင့် "တရားမျှတ" သည်ဟု ဆိုလိုသည်။
• အနည်းဆုံး အားသွင်းမှုအချို့ ရရှိသည့် ကားအရေအတွက်ကို အမြင့်ဆုံးဖြစ်အောင် လုပ်ဆောင်ပေးသည်။

အားနည်းချက်များ-

• ဘက်ထရီငယ်များပါသော ကားများ သို့မဟုတ် အားပြည့်တော့မည့် ကားများအတွက် ထိရောက်မှုမရှိပါ။ 7kW သာလက်ခံနိုင်သော ကားသည် 20kW ကို “ခွဲဝေ” ပေးထားပြီး 50kW ရှိသော ကားသို့ ရောက်သွားနိုင်သည့် 13kW ကို အလဟဿဖြစ်စေသည်။

ဦးစားပေးအလိုက် ခွဲဝေမှု (SoC နှင့် ဘက်ထရီစွမ်းရည်)

ခေတ်သစ် DLB စနစ်များသည် ပိုမိုထက်မြက်သော၊ ဘက်စုံပြောင်းလဲနိုင်သော အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းကို အသုံးပြုသည်။ ၎င်းတို့သည် ၎င်းတို့၏ State of Charge (SoC) ပေါ်အခြေခံ၍ ကားများကို ဦးစားပေးသည်။ SoC ၁၀% ရှိသောကားကို ၈၀% ရှိသောကားထက် ဦးစားပေးသည်၊ အဘယ်ကြောင့်ဆိုသော် ၁၀% ရှိသောကားသည် အကွာအဝေးပိုမိုလိုအပ်ပြီး လစ်သီယမ်-အိုင်းယွန်းအားသွင်းမျဉ်းကွေး (စဉ်ဆက်မပြတ်လျှပ်စီးကြောင်းအဆင့်) ကြောင့် ပိုမိုမြင့်မားသော အားသွင်းနှုန်းကိုလည်း လက်ခံနိုင်သောကြောင့်ဖြစ်သည်။

ထို့အပြင် စနစ်က ထည့်သွင်းစဉ်းစားသည်မှာ-အများဆုံးလက်ခံမှုနှုန်းယာဉ်၏။ ကို အသုံးပြုခြင်းဖြင့်အများဆုံးလက်ရှိယာဉ်မှ အစီရင်ခံတင်ပြချက် (AC အားသွင်းခြင်းတွင် PWM သို့မဟုတ် DC အားသွင်းခြင်းတွင် ဒစ်ဂျစ်တယ်ဆက်သွယ်ရေးမှတစ်ဆင့်)၊ DLB ထိန်းချုပ်ကိရိယာသည် ကားတစ်စီး အမှန်တကယ်အသုံးပြုနိုင်သည်ထက် ပိုမိုသော ပါဝါကို ဘယ်သောအခါမှ မခွဲဝေပေးကြောင်း သေချာစေပြီး ထို့ကြောင့် “ပိုလျှံမှု” ကို အခြားယာဉ်များထံ ပြန်လည်ဖြန့်ဝေပေးသည်။

အသုံးပြုသူသတ်မှတ်ထားသော ဦးစားပေးမှုများနှင့် “ပရီမီယံ” အားသွင်းခြင်း

စီးပွားဖြစ်ပတ်ဝန်းကျင်တွင် DLB ကို ငွေတောင်းခံလွှာစနစ်နှင့် ချိတ်ဆက်နိုင်သည်။ အသုံးပြုသူသည် အခြားဝန်များ မည်သို့ပင်ရှိစေကာမူ ၎င်းတို့သည် အမြင့်ဆုံးပါဝါကို အမြဲရရှိစေရန် “Fast Track” အားသွင်းခြင်းအတွက် ပရီမီယံပေးဆောင်နိုင်သည်။ ဆန့်ကျင်ဘက်အားဖြင့် ယာဉ်ငယ်များကို ၎င်းတို့၏ စီစဉ်ထားသော ထွက်ခွာချိန်များအပေါ် အခြေခံ၍ မတူညီသော ဦးစားပေးမှုများ သတ်မှတ်ပေးနိုင်သည်။ မနက် ၅ နာရီတွင် ထွက်ခွာသော ပို့ဆောင်ရေးဗင်ကားသည် မနက် ၉ နာရီတွင် ထွက်ခွာသော ဗင်ကားထက် မနက် ၃ နာရီတွင် ဦးစားပေးခံရသည်။

အချိုးကျတရားမျှတမှု အယ်လဂိုရီသမ်

ဆက်သွယ်ရေး (LTE/5G အချိန်ဇယားဆွဲခြင်း) မှ ဆင်းသက်လာသော ဤအယ်လဂိုရီသမ်သည် စနစ်၏ စုစုပေါင်း “အသုံးဝင်မှု” ကို အမြင့်ဆုံးဖြစ်အောင် ကြိုးစားသည်။ ၎င်းသည် မြင့်မားသော ပါဝါအတွက် လက်ငင်းလိုအပ်ချက် (ထိရောက်မှု) နှင့် မည်သည့်ကားတစ်စီးမျှ အားမသွင်းဘဲ မထားခဲ့စေရန် ရေရှည်လိုအပ်ချက် (တရားမျှတမှု) ကို ဟန်ချက်ညီစေသည်။ ၎င်းသည် ကားတစ်စီးချင်းစီအတွက် ဦးစားပေးရမှတ်ကို တွက်ချက်သည်-ရမှတ် = (တောင်းဆိုထားသော ပါဝါ / ယခုအချိန်အထိ ရရှိထားသော ပျမ်းမျှပါဝါ)အမြင့်ဆုံးရမှတ်ရရှိသောကားများသည် ရရှိနိုင်သောပါဝါ၏ နောက်ထပ်ခွဲဝေမှုကို ရရှိကြသည်။

အခန်း ၆: Grid တည်ငြိမ်မှုနှင့် Overload ကာကွယ်တားဆီးရေး ယန္တရားများ

Dynamic Load Balancing သည် အသုံးပြုသူအဆင်ပြေစေရန်အတွက်သာ အင်္ဂါရပ်တစ်ခုမဟုတ်ဘဲ ဓာတ်အားလိုင်းတည်ငြိမ်မှုအတွက် အရေးကြီးသော ဘေးကင်းရေးစနစ်တစ်ခုဖြစ်သည်။ EV ဓာတ်အားထိုးဖောက်မှု မြင့်တက်လာသည်နှင့်အမျှ ဖြန့်ဖြူးရေးကွန်ရက်သည် চাহিদာတွင် လျင်မြန်စွာ အတက်အကျနှင့် harmonic distortion အပါအဝင် ဖိစီးမှုအမျိုးအစားအသစ်များနှင့် ရင်ဆိုင်နေရသည်။ ဤအခန်းတွင် DLB သည် ဓာတ်အားလိုင်းကိုကာကွယ်ရန်နှင့် ကပ်ဘေးကြီးသော ဝန်ပိမှုများကို ကာကွယ်ရန် အသုံးပြုသည့် ယန္တရားများကို စစ်ဆေးသည်။

“Trip-Curve” အကာအကွယ်ယုတ္တိဗေဒ

လျှပ်စစ်ပတ်လမ်းဖြတ်တောက်စက်များတွင် “trip curve” ရှိသည်—၎င်းတို့သည် မိနစ်အနည်းငယ်ခန့် အနည်းငယ် overload ကို ခံနိုင်ရည်ရှိသော်လည်း ကြီးမားသော surge ဖြစ်ပေါ်ပါက ချက်ချင်း trip လုပ်လိမ့်မည်။ ခိုင်မာသော DLB controller သည် ဤ trip curve ကို ပုံစံထုတ်ရမည်။ EV charger များကို မလိုအပ်ဘဲ throttling လုပ်ခြင်းမှ ရှောင်ရှားရန် အလွန်တိုတောင်းသော spikes (ဥပမာ၊ ဓာတ်လှေကားစတင်ခြင်း) ကို ခွင့်ပြုသင့်သော်လည်း overload ဆက်လက်ဖြစ်ပေါ်နေပါက ပြတ်ပြတ်သားသား လုပ်ဆောင်ရမည်။

အဆင့်မြင့် ထိန်းချုပ်ကိရိယာများသည် “dual-threshold” ချဉ်းကပ်မှုကို အသုံးပြုသည်-

1. သတိပေးချက် ကန့်သတ်ချက် (ဥပမာ၊ ကန့်သတ်ချက်၏ ၉၀%): ကန့်သတ်ချက်သို့ မရောက်ရှိစေရန် ထိန်းချုပ်ကိရိယာသည် EV အားသွင်းကိရိယာများ၏ “soft-throttle” ကို စတင်သည်။
2. အရေးကြီးသော ကန့်သတ်ချက် (ဥပမာ၊ ကန့်သတ်ချက်၏ ၉၈%): ထိန်းချုပ်ကိရိယာသည် အဓိကဖျူ့စ်ကိုကာကွယ်ရန် အနည်းဆုံးခွင့်ပြုထားသော လျှပ်စီးကြောင်း (ပုံမှန်အားဖြင့် AC အားသွင်းခြင်းအတွက် 6A) အထိ “အရေးပေါ်ရပ်တန့်ခြင်း” သို့မဟုတ် တက်ကြွစွာလျှော့ချခြင်းကို အကောင်အထည်ဖော်သည်။

အဆင့်မညီမျှမှုစီမံခန့်ခွဲမှု

သုံးဆင့်လျှပ်စစ်စနစ်များတွင် (ဥရောပနှင့် စက်မှုလုပ်ငန်းခွင်များတွင် အသုံးများသည်)၊ စုစုပေါင်း သုံးဆင့်ဓာတ်အားသည် ကန့်သတ်ချက်အတွင်း၌ရှိနေသော်လည်း တစ်ခုတည်းသောအဆင့်ကို ဝန်ပိစေနိုင်သည်။ ၎င်းသည် လုပ်ငန်းခွင်ရှိ EV အများစုသည် တစ်ခုတည်းသောအဆင့် အားသွင်းကိရိယာများဖြစ်ပြီး ၎င်းတို့သည် တူညီသောအဆင့် (ဥပမာ၊ အဆင့် L1) နှင့် ချိတ်ဆက်ထားပါက ဖြစ်တတ်သည်။

phase-aware DLB စနစ်သည် phase တစ်ခုချင်းစီကို သီးခြားစီ စောင့်ကြည့်သည်။ L2 နှင့် L3 တို့ကို အသုံးမပြုဘဲ Phase L1 သည် ၎င်း၏ကန့်သတ်ချက်သို့ ရောက်ရှိပါက ထိန်းချုပ်ကိရိယာသည် L1 နှင့် ချိတ်ဆက်ထားသော ကားများကိုသာ အရှိန်လျှော့ပေးမည်ဖြစ်သည်။ အဆင့်မြင့် EVSE အချို့သည် အားသွင်းခြင်းကို မနှောင့်ယှက်ဘဲ ကားကို ပွင့်လင်းသော phase သို့ ရွေ့လျားစေပြီး အဆင့်များကို ပြောင်းလဲနိုင်သည် (Phase Switching)။

သဟဇာတဖြစ်မှု ပုံပျက်ခြင်းနှင့် ပါဝါအရည်အသွေး

EV အားသွင်းကိရိယာများသည် ပါဝါအီလက်ထရွန်းနစ်ပစ္စည်းများ (rectifiers) များကို အသုံးပြုသည့် non-linear load များဖြစ်သည်။ ၎င်းတို့သည် grid ထဲသို့ harmonics များထိုးသွင်းနိုင်ပြီး ကြားနေ conductor များတွင် အပူလွန်ကဲခြင်းနှင့် အာရုံခံနိုင်သော အီလက်ထရွန်းနစ်ပစ္စည်းများကို အနှောင့်အယှက်ဖြစ်စေနိုင်သည်။ DLB သည် အဓိကအားဖြင့် “Real Power” (kW) ကို စီမံခန့်ခွဲသော်လည်း၊ ခေတ်မီစနစ်များသည် “Total Harmonic Distortion” (THD) နှင့် “Power Factor” (PF) ကိုလည်း စောင့်ကြည့်ပေးသည်။ THD သည် စည်းမျဉ်းကန့်သတ်ချက်များ (ဥပမာ IEEE 519) ကို ကျော်လွန်ပါက DLB စနစ်သည် ပါဝါအရည်အသွေးအပေါ် သက်ရောက်မှုကို လျှော့ချရန် အားသွင်းမြန်နှုန်းကို လျှော့ချနိုင်သည်။

ဝယ်လိုအားတုံ့ပြန်မှုနှင့် ကြိမ်နှုန်းထိန်းညှိခြင်း

မက်ခရိုအဆင့်တွင် DLB စနစ်များသည် Demand Response (DR) အစီအစဉ်များတွင် ပါဝင်နိုင်သည်။ grid frequency ကျဆင်းသွားသောအခါ (ထောက်ပံ့မှုပြတ်လပ်မှုကို ညွှန်ပြသည်)၊ utility သည် signal တစ်ခုပေးပို့သည်။ DLB controller သည် milliseconds အတွင်း တုံ့ပြန်နိုင်ပြီး charger ရာပေါင်းများစွာတွင် EV load ကို တစ်ပြိုင်နက်တည်း လျှော့ချနိုင်သည်။ ၎င်းသည် peaker gas plant တစ်ခုကို မီးရှို့ခြင်းထက် များစွာပိုမြန်ပြီး ပိုမိုကုန်ကျစရိတ်သက်သာသော “Virtual Battery” effect ကို ပေးစွမ်းသည်။ “passive load” မှ “active grid asset” သို့ ဤကူးပြောင်းမှုသည် smart charging ၏ အနာဂတ်ဖြစ်သည်။

Fallback States များ၏ အခန်းကဏ္ဍ

ဝန်ပိမှုကာကွယ်ခြင်း၏ အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုမှာ “ဘေးကင်းသောအခြေအနေ” သို့မဟုတ် “Fallback Current” ဖြစ်သည်။ ထိန်းချုပ်ကိရိယာနှင့် မီတာ (သို့မဟုတ် cloud) အကြား ဆက်သွယ်ရေးချို့ယွင်းမှုဖြစ်ပေါ်ပါက DLB စနစ်သည် ကြိုတင်သတ်မှတ်ထားသော၊ ဘေးကင်းသော လျှပ်စီးကြောင်းကန့်သတ်ချက်သို့ ပုံသေသတ်မှတ်ရမည်။ ပုံမှန်အားဖြင့် ၎င်းကို အလွန်နိမ့်သောတန်ဖိုး (ဥပမာ၊ အားသွင်းကိရိယာတစ်ခုလျှင် 6A) သို့မဟုတ် သုညသို့ သတ်မှတ်ထားပြီး စနစ်တစ်ခုလုံးချို့ယွင်းမှုတွင်ပင် အဆောက်အအုံအခြေခံအဆောက်အအုံကို ကာကွယ်ထားနိုင်မည်ဖြစ်သည်။

အခန်း ၇: ဘက်စုံစွမ်းအင်စနစ်များ ပေါင်းစပ်ခြင်း- PV နှင့် BESS ဖြင့် DLB အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း

ပြန်လည်ပြည့်ဖြိုးမြဲစွမ်းအင်အရင်းအမြစ်များ၊ အထူးသဖြင့် Photovoltaics (PV) နှင့် Battery Energy Storage Systems (BESS) ကဲ့သို့သော ဒေသတွင်းသိုလှောင်မှုတို့ကို ပေါင်းစပ်ခြင်းသည် Dynamic Load Balancing တွင် ရှုပ်ထွေးမှု၏ ရှုထောင့်အသစ်တစ်ခုကို ထပ်လောင်းပေးသည်။ ရိုးရာ DLB စနစ်တွင် ရည်မှန်းချက်မှာ grid ကန့်သတ်ချက်အောက်တွင် ရှိနေရန်ဖြစ်သည်။ multi-energy စနစ်တွင် ရည်မှန်းချက်မှာ ကိုယ်တိုင်သုံးစွဲမှုကို အမြင့်ဆုံးဖြစ်စေရန်၊ grid ကုန်ကျစရိတ်များကို လျှော့ချရန်နှင့် ယုံကြည်စိတ်ချရမှုကို သေချာစေရန် ဤမတူညီသောပိုင်ဆိုင်မှုများကို စီစဉ်ပေးရန်ဖြစ်သည်။

ဘက်စုံရင်းမြစ် ပါဝါချိန်ခွင်လျှာညီမျှခြင်း

PV နှင့် BESS ရှိသော နေရာတစ်ခုတွင် EV အားသွင်းရန် ရရှိနိုင်သော ပါဝါသည် “Grid Limit မှ Building Load” သက်သက် မဟုတ်တော့ပါ။ ၎င်းသည် အောက်ပါအတိုင်း ဖြစ်လာသည်-P_ev(t) = P_grid_limit – P_building(t) + P_pv(t) + P_bess_discharge(t) – P_bess_charge(t)

ဤညီမျှခြင်းသည် ထိန်းချုပ်မှုကိန်းရှင်အသစ်များစွာကို မိတ်ဆက်ပေးသည်။ DLB ထိန်းချုပ်ကိရိယာသည် ယခုအခါ EV များသို့ ပါဝါကို မည်သို့ဖြန့်ဖြူးရမည်ကိုသာမက BESS ကို မည်သည့်အချိန်တွင် အားသွင်းရမည် သို့မဟုတ် အားကုန်စေရမည်ကိုပါ ဆုံးဖြတ်ရမည်။

နေရောင်ခြည်စွမ်းအင်ဖြင့် အကောင်းဆုံးဖြစ်အောင် အားသွင်းခြင်း (PV လျှော့ချမှု ကာကွယ်ခြင်း)

ဘက်စုံစွမ်းအင် DLB အတွက် အဓိကအသုံးပြုမှုတစ်ခုမှာ “Solar Tracking” ဖြစ်သည်။ နေရောင်ကျရောက်နေချိန်တွင် PV စနစ်သည် အဆောက်အအုံသုံးစွဲနိုင်သည်ထက် ပိုမိုသော စွမ်းအင်ကို ထုတ်လုပ်နိုင်သည်။ ဓာတ်အားလိုင်းသည် ထိုးသွင်းခြင်းကို ခွင့်မပြုပါက (zero-export) သို့မဟုတ် feed-in tariff နည်းပါက ဤစွမ်းအင်ကို အလဟဿဖြစ်စေသည် (လျှော့ချထားသည်)။ စမတ် DLB စနစ်သည် PV output ကို စောင့်ကြည့်ပြီး နေရောင်ခြည်စွမ်းအင်ထုတ်လုပ်မှုနှင့် ကိုက်ညီစေရန် EV အားသွင်းအမြန်နှုန်းကို အလိုအလျောက် မြှင့်တင်ပေးသည်။ ဤ “Green Charging” မုဒ်သည် ဓာတ်အားလိုင်းသက်ရောက်မှု သုညဖြင့် ၁၀၀% ပြန်လည်ပြည့်ဖြိုးမြဲ ရွေ့လျားနိုင်စေသောကြောင့် လူနေအိမ်များနှင့် ကော်ပိုရိတ်ဆက်တင်များတွင် အလွန်ရေပန်းစားသည်။

BESS ဖြင့် အမြင့်ဆုံးရိတ်ခြင်း

BESS သည် ကြားခံအဖြစ် လုပ်ဆောင်သည်။ အမြင့်ဆုံးဝယ်လိုအားရှိသောကာလများ — ဥပမာ မြင့်မားသောပါဝါ DC အမြန်အားသွင်းကိရိယာများစွာ တစ်ပြိုင်နက်တည်း အသက်ဝင်နေချိန်ကဲ့သို့ — BESS သည် ဓာတ်အားလိုင်းထောက်ပံ့မှုကို ဖြည့်စွက်ရန် ထုတ်လွှတ်နိုင်သည်။ ၎င်းသည် နေရာတစ်ခုအား ၎င်း၏ဓာတ်အားလိုင်းချိတ်ဆက်မှု ပုံမှန်ခွင့်ပြုသည်ထက် ပိုမိုသော အားသွင်းကိရိယာများကို ပံ့ပိုးပေးနိုင်စေပါသည်။ DLB ထိန်းချုပ်ကိရိယာသည် BESS ၏ “စွမ်းအင်အခြေအနေ” (SoE) ကို စီမံခန့်ခွဲသည်။ ၀ယ်လိုအားနည်းသောကာလများ သို့မဟုတ် နေရောင်ခြည်စွမ်းအင်ထုတ်လုပ်မှုမြင့်မားသောကာလများတွင် ပြန်လည်အားသွင်းခြင်းကိုလည်း အချိန်ဇယားဆွဲနေစဉ်တွင် ဘက်ထရီတွင် နောက်ထပ်မျှော်လင့်ထားသည့် အမြင့်ဆုံးကို ကိုင်တွယ်ရန် လုံလောက်သောစွမ်းရည်ရှိကြောင်း သေချာစေရမည်။

ပေါင်းစပ်ညှိနှိုင်းထားသော ဘက်စုံပိုင်ဆိုင်မှု အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း

အဆင့်မြင့်ဆုံးစနစ်များသည် “Co-optimization” ချဉ်းကပ်မှုကို အသုံးပြုသည်။ PV၊ BESS နှင့် EV များကို သီးခြားအရာများအဖြစ် သဘောထားမည့်အစား ၎င်းတို့ကို ပေါင်းစည်းထားသော microgrid အဖြစ် စီမံခန့်ခွဲသည်။ ထိန်းချုပ်ကိရိယာသည် စက္ကန့်အနည်းငယ်တိုင်းတွင် စွမ်းအင်ချိန်ခွင်လျှာညှိမှုပြဿနာကို ဖြေရှင်းရန် linear programming သို့မဟုတ် evolutionary algorithms များကို အသုံးပြုသည်။ ဥပမာအားဖြင့်၊ ကားတစ်စီးသည် ၁ နာရီအတွင်း ထွက်ခွာရန် လိုအပ်ပြီး cloud ကြောင့် PV ထုတ်လုပ်မှု ကျဆင်းနေပါက ထိန်းချုပ်ကိရိယာသည် အောက်ပါတို့ကို ဆုံးဖြတ်ရမည်- grid မှ ပိုမိုထုတ်ယူသင့်သည် (စျေးကြီးသည်)၊ BESS (စက်ဘီးစီးခြင်းကုန်ကျစရိတ်) ကို ထုတ်လွှတ်သင့်သည် သို့မဟုတ် ကားကို throttle လုပ်သင့်သည် (အသုံးပြုသူ မကျေနပ်မှု)။ “Economic Dispatch” logic (အခန်း ၉ တွင် ဖော်ပြထားသည်) သည် ဤဆုံးဖြတ်ချက်များအတွက် မူဘောင်ကို ပံ့ပိုးပေးသည်။

အခန်း ၈: ကြီးမားသော အားသွင်းစခန်းများအတွက် အဆင့်မြင့် ပါဝါခန့်မှန်းခြင်း မော်ဒယ်များ

မော်တော်ကားလမ်း ဝန်ဆောင်မှုစခန်းများ သို့မဟုတ် မြို့ပြဘတ်စ်ကားဂိတ်များကဲ့သို့သော ကြီးမားသော အားသွင်းဗဟိုချက်များအတွက် reactive DLB သည် မလုံလောက်ပါ။ ဓာတ်အားလိုင်း မတည်ငြိမ်မှုကို ကာကွယ်ရန်နှင့် စွမ်းအင်ကုန်ကျစရိတ်များကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရန်အတွက် ဤနေရာများသည် ၀ယ်လိုအားကို ခန့်မှန်းရန် ခန့်မှန်းမော်ဒယ်များကို အသုံးပြုရမည်။ ဤအခန်းသည် smart charging တွင် ပါဝါခန့်မှန်းချက်အတွက် အသုံးပြုသည့် data science နှင့် modeling နည်းပညာများကို လေ့လာသည်။

ဝယ်လိုအားခန့်မှန်းခြင်း- ယာဉ်ရောက်ရှိမှုကို ခန့်မှန်းခြင်း

ခန့်မှန်းချက်၏ ပထမခြေလှမ်းမှာ EV မည်မျှရောက်ရှိလာမည်ကို ခန့်မှန်းခြင်းဖြစ်သည်။ ကူးသန်းရောင်းဝယ်ရေးဗဟိုချက်တစ်ခုအတွက် ၎င်းတွင် အောက်ပါတို့ကို ခွဲခြမ်းစိတ်ဖြာခြင်း ပါဝင်သည်-

1. သမိုင်းဝင်ရောက်ရှိလာမှုပုံစံများအချိန်၊ ရက်သတ္တပတ်နှင့် ရာသီအလိုက် ခေတ်ရေစီးကြောင်းများ။
2. ပြင်ပဒေတာယာဉ်ကြောအခြေအနေများ၊ ရာသီဥတု (၎င်းသည် EV အကွာအဝေးနှင့် အပူပေး/အအေးပေးဝန်အားကို သက်ရောက်မှုရှိသည်) နှင့် ဒေသတွင်းဖြစ်ရပ်များ။
3. တန်းစီခြင်းသီအိုရီအားသွင်းကိရိယာအားလုံး လူပြည့်နေခြင်းဖြစ်နိုင်ခြေကို ခန့်မှန်းရန် M/M/s တန်းစီခြင်းကဲ့သို့သော စတိုကတ်စတစ်မော်ဒယ်များကို အသုံးပြုခြင်း။

အဆင့်မြင့်မော်ဒယ်များသည် နောက် ၂၄ နာရီအတွက် “Aggregate Demand Profile” ကို မြင့်မားသောတိကျမှုဖြင့် ခန့်မှန်းရန် Long Short-Term Memory (LSTM) neural networks သို့မဟုတ် Gradient Boosted Trees (XGBoost) ကို အသုံးပြုသည်။

အဆောက်အဦဝန်အား ခန့်မှန်းခြင်း

DLB အလုပ်လုပ်ရန်အတွက် ၎င်းသည် ၎င်းကိုလည်း ခန့်မှန်းရမည်EV မဟုတ်သော ဝန်ရုံးခန်းအဆောက်အအုံတစ်ခုတွင် ၎င်းသည် အလွန်ခန့်မှန်းနိုင်သည် (အလုပ်ချိန်အတွင်း အထွတ်အထိပ်သို့ ရောက်ရှိခြင်း)။ စက်မှုလုပ်ငန်းခွင်တစ်ခုတွင် ၎င်းသည် မတည်ငြိမ်ဖြစ်နိုင်သည်။ အဆောက်အအုံဝန်အားအတွက် ခန့်မှန်းမော်ဒယ်များသည် ပုံမှန်အားဖြင့် အောက်ပါတို့ကို အသုံးပြုလေ့ရှိသည်-

• အလိုအလျောက်-ပြန်လည်ဆုတ်ယုတ်ပေါင်းစပ်ရွေ့လျားပျမ်းမျှ (ARIMA): တည်ငြိမ်သော၊ ရာသီအလိုက်ဒေတာအတွက်။
• ပရောဖက် (မက်တာမှ)အချိန်စီးရီးစွမ်းအင်ဒေတာရှိ ပျောက်ဆုံးနေသောဒေတာနှင့် outliers များကို ကိုင်တွယ်ရန်အတွက် အလွန်ကောင်းမွန်ပါသည်။
• ရူပဗေဒအခြေခံ မော်ဒယ်များအဆောက်အဦ၏ အပူထုထည်နှင့် ပြင်ပအပူချိန်ကို ခန့်မှန်းခြင်းဖြင့် HVAC ဝန်ထုပ်ဝန်ပိုးကို ခန့်မှန်းခြင်း။

PV ထုတ်လုပ်မှု ခန့်မှန်းချက်

ဘက်စုံစွမ်းအင် DLB အတွက် နေရောင်ခြည်ထုတ်လုပ်မှုကို ခန့်မှန်းခြင်းသည် အရေးကြီးပါသည်။ ၎င်းတွင် မြင့်မားသော ရုပ်ထွက်အရည်အသွေးရှိသော ရာသီဥတု API များ (နေရောင်ခြည် ဖြာထွက်မှုဒေတာ) နှင့် ဆိုက်တွင်း အာရုံခံကိရိယာများနှင့် ပေါင်းစပ်ရန် လိုအပ်ပါသည်။ ရေတိုခန့်မှန်းချက် (၀-၁၅ မိနစ်) တွင် PV အထွက်နှုန်း ရုတ်တရက်ကျဆင်းမှုကို ခန့်မှန်းရန် မိုးတိမ်လှုပ်ရှားမှုကို ခြေရာခံသည့် “Sky Imaging” ကင်မရာများကို မကြာခဏ အသုံးပြုလေ့ရှိပြီး DLB စနစ်သည် အားသွင်းကိရိယာများကို ကြိုတင်ထိန်းချုပ်ခြင်း သို့မဟုတ် BESS ကို လွှတ်ထုတ်ရန် ပြင်ဆင်နိုင်စေပါသည်။

ခန့်မှန်းချက်-ထိန်းချုပ်မှု အင်တာဖေ့စ်

ဤခန့်မှန်းချက်များ၏ အထွက်ကို အခန်း ၃ တွင်ဖော်ပြထားသော Model Predictive Control (MPC) ကွင်းဆက်ထဲသို့ ထည့်သွင်းသည်။ ခန့်မှန်းချက်သည် “Prediction Horizon” ကို ပံ့ပိုးပေးပြီး ထိန်းချုပ်သူအား ယခုမှစ၍ နှစ်နာရီအကြာတွင် မျှော်မှန်းထားသော အခြေအနေများကို ထည့်သွင်းစဉ်းစားသည့် ယနေ့ ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်စေပါသည်။ ဤ “Look-Ahead” စွမ်းရည်သည် အခြေခံ smart charger နှင့် grid-integrated energy management system ကို ခွဲခြားပေးသည်။

အခန်း ၉: စမတ်အားသွင်းခြင်းတွင် ကုန်ကျစရိတ် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းနှင့် စီးပွားရေးအရ ဖြန့်ကျက်ခြင်း

DLB ရဲ့ အဓိကရည်မှန်းချက်က နည်းပညာပိုင်းဆိုင်ရာ (ဝန်ပိုလွန်ကဲမှုကို ကာကွယ်ခြင်း) ဖြစ်ပေမယ့် ဒုတိယနဲ့ ပိုပိုပြီးအရေးကြီးလာတဲ့ ရည်မှန်းချက်ကတော့ စီးပွားရေးဆိုင်ရာပါ။ ဒီအခန်းမှာ DLB စနစ်တွေက စွမ်းအင်ကုန်ကျစရိတ် အနိမ့်ဆုံးဖြစ်အောင် ဘယ်လိုအကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်သလဲဆိုတာ ဆွေးနွေးပါမယ်။

အသုံးပြုမှုအချိန် (ToU) ရောင်းဝယ်မှု

လျှပ်စစ်ဓာတ်အားအများစုသည် ယခုအခါ ပြောင်းလဲနေသော ဈေးနှုန်းများကို ပေးဆောင်ကြသည်။ လျှပ်စစ်ဓာတ်အားသည် ညနေ ၅ နာရီတွင် တစ်ကီလိုဝပ်နာရီလျှင် ဒေါ်လာ ၀.၃၀ ကုန်ကျနိုင်သော်လည်း မနက် ၂ နာရီတွင် တစ်ကီလိုဝပ်နာရီလျှင် ဒေါ်လာ ၀.၀၅ သာ ကုန်ကျနိုင်သည်။ စမတ် DLB စနစ်သည် ဤဈေးနှုန်းအချက်ပြမှုများကို အဝင်အဖြစ်ယူသည်။ “ကုန်ကျစရိတ်-အကောင်းဆုံးအချိန်ဇယားဆွဲသူ” သည် EV ဝန်ကို ဈေးနှုန်းနိမ့်ကာလများသို့ တတ်နိုင်သမျှ ရွှေ့ပေးလိမ့်မည်။ သို့သော် ၎င်းသည် အသုံးပြုသူ၏ လိုအပ်ချက်များနှင့် ချိန်ခွင်လျှာညှိရမည်။ အသုံးပြုသူသည် ည ၈ နာရီတွင် ၎င်းတို့၏ကားကို လိုအပ်ပါက စနစ်သည် အားသွင်းရန် မနက် ၂ နာရီအထိ မစောင့်နိုင်ပါ။ အယ်လဂိုရီသမ်သည် အစည်းအဝေးတစ်ခုစီကို နှောင့်နှေးခြင်း၏ “အခွင့်အလမ်းကုန်ကျစရိတ်” ကို တွက်ချက်သည်။

ဝယ်လိုအား ကောက်ခံမှု စီမံခန့်ခွဲမှု

စီးပွားဖြစ်သုံးစွဲသူများအတွက်၊ လျှပ်စစ်ဓာတ်အားခကို မကြာခဏ အပိုင်းနှစ်ပိုင်းခွဲခြားလေ့ရှိသည်- စွမ်းအင်သုံးစွဲမှု (kWh) နှင့် အမြင့်ဆုံးဝယ်လိုအား (kW)။ အမြင့်ဆုံးဝယ်လိုအားကောက်ခံမှုကို လတစ်လ၏ အမြင့်ဆုံး ၁၅ မိနစ်ကြားကာလအပေါ် အခြေခံသည်။ စီမံခန့်ခွဲမှုမရှိသော တစ်ခုတည်းသော အမြင့်ဆုံးအမြင့်ဆုံးပမာဏသည် ဒေါ်လာထောင်ပေါင်းများစွာ ကုန်ကျနိုင်သည်။ DLB စနစ်သည် “အမြင့်ဆုံးဖြတ်တောက်မှု” အဖြစ် လုပ်ဆောင်သည်။ စုစုပေါင်းဆိုက်ဝန်အားအပေါ် တင်းကျပ်သောကန့်သတ်ချက်တစ်ခု သတ်မှတ်ပြီး BESS သို့မဟုတ် throttling ကို အသုံးပြု၍ ၎င်းကိုထိန်းသိမ်းခြင်းဖြင့် စနစ်သည် အမြင့်ဆုံးဝယ်လိုအားကောက်ခံမှုသည် ဘတ်ဂျက်သတ်မှတ်ထားသောအတိုင်းအတာအတွင်း ရှိနေစေရန် သေချာစေသည်။

ကြိမ်နှုန်းတုံ့ပြန်မှုစျေးကွက်များတွင် ပါဝင်ခြင်း

Grid operator များ (TSOs/DSOs) သည် “ပြောင်းလွယ်ပြင်လွယ်ရှိမှု” အတွက် ငွေပေးချေသည်။ အားသွင်းကွန်ရက်တစ်ခုသည် ၎င်း၏ဝန်ကို အမိန့်ပေးသည့်အခါ လျှော့ချနိုင်ကြောင်း သက်သေပြနိုင်ပါက FFR (Firm Frequency Response) သို့မဟုတ် DSR (Demand Side Response) ကဲ့သို့သော ဈေးကွက်များတွင် ပါဝင်နိုင်သည်။ DLB controller သည် interface အဖြစ် လုပ်ဆောင်သည်။ “ပြောင်းလွယ်ပြင်လွယ်ရှိမှု တောင်းဆိုချက်” ဝင်လာသောအခါ controller သည် အသုံးပြုသူများ၏ အနည်းဆုံး SoC လိုအပ်ချက်များကို မချိုးဖောက်ဘဲ ဝန်ကို မည်မျှဘေးကင်းစွာ လျှော့ချနိုင်သည်ကို တွက်ချက်ပြီး ဈေးကွက်တွင် တင်ဒါခေါ်ယူသည်။ ဤဝန်ဆောင်မှုများမှ ရရှိသောဝင်ငွေသည် အားသွင်းအခြေခံအဆောက်အအုံ၏ ကုန်ကျစရိတ်ကို သိသိသာသာ လျှော့ချပေးနိုင်သည်။

စီးပွားရေး ပို့ဆောင်ရေး၏ ရည်ရွယ်ချက်ဆိုင်ရာ လုပ်ဆောင်ချက်

ဒီ optimization ရဲ့နောက်ကွယ်က သင်္ချာဟာ များသောအားဖြင့် multi-objective function တစ်ခုဖြစ်ပါတယ်-အနည်းဆုံးဖြစ်အောင်လုပ်ပါ- (ဓာတ်အားလိုင်းစွမ်းအင်ကုန်ကျစရိတ်) + (ဘက်ထရီပျက်စီးမှုကုန်ကျစရိတ်) + (နောက်ကျအားသွင်းခြင်းအတွက် ပြစ်ဒဏ်) (Grid Capacity) နှင့် (User Deadlines) တို့နှင့် သက်ဆိုင်ပါသည်။

၎င်းကို မိနစ်အနည်းငယ်တိုင်း ဖြေရှင်းပေးခြင်းဖြင့် DLB စနစ်သည် ဘူတာရုံသည် “ထိရောက်မှု နယ်နိမိတ်” တွင် လည်ပတ်ကြောင်း သေချာစေပြီး ကုန်ကျစရိတ်နှင့် စွမ်းဆောင်ရည်ကြား ပြီးပြည့်စုံသော ဟန်ချက်ညီမှုကို ပေးစွမ်းသည်။

အခန်း ၁၀: အနာဂတ်ခေတ်ရေစီးကြောင်းများ- V2G၊ AI-driven DLB နှင့် စံသတ်မှတ်ခြင်း (OCPP 2.0.1)

စမတ် EV အားသွင်းခြင်းနယ်ပယ်သည် အလျင်အမြန်တိုးတက်ပြောင်းလဲနေပါသည်။ နည်းပညာရင့်ကျက်လာသည်နှင့်အမျှ ကျွန်ုပ်တို့သည် ရိုးရှင်းသော ဝန်စီမံခန့်ခွဲမှုထက်ကျော်လွန်၍ full grid integration နှင့် autonomous optimization ဆီသို့ ဦးတည်နေပါသည်။ ဤအခန်းတွင် Dynamic Load Balancing ၏အနာဂတ်ကို ပုံဖော်ပေးသည့် အရေးအကြီးဆုံးခေတ်ရေစီးကြောင်းသုံးခုဖြစ်သည့် Vehicle-to-Grid (V2G)၊ Artificial Intelligence နှင့် next generation communication standards များကို လက်ခံကျင့်သုံးခြင်းကို လေ့လာပါမည်။

ယာဉ်မှ ဂရစ်သို့ (V2G) နှင့် နှစ်လမ်းသွား DLB

V2G သည် smart charging ၏ အဆုံးစွန်သော တိုးတက်ပြောင်းလဲမှုဖြစ်သည်။ EV သည် load တစ်ခုမျှသာဖြစ်မည့်အစား၊ ၎င်းသည် grid ထဲသို့ ပါဝါပြန်ထိုးသွင်းနိုင်သော မိုဘိုင်းဘက်ထရီတစ်ခု ဖြစ်လာသည်။ DLB အတွက်၊ ဆိုလိုသည်မှာ ညီမျှခြင်းတွင် ရရှိနိုင်သော ပါဝါသည် အမှန်တကယ်တွင် အနုတ်ဖြစ်နိုင်သည်။ V2G-enabled site တွင်၊ DLB controller သည် “Bidirectional Load Balancing” ကို စီမံခန့်ခွဲရမည်။ အဆောက်အဦဝန်သည် grid ကန့်သတ်ချက်ထက် ကျော်လွန်ပါက၊ controller သည် EV များကို အဆောက်အဦကို ထောက်ပံ့ရန်အတွက် ၎င်းတို့၏ဘက်ထရီများကို အားကုန်စေရန် အမိန့်ပေးနိုင်သည်။ ၎င်းတွင် အားကုန်ခြင်းသည် ယာဉ်၏ဘက်ထရီကို အလွန်အကျွံ ယိုယွင်းပျက်စီးစေခြင်း မရှိစေရန်နှင့် အသုံးပြုသူသည် ၎င်းတို့၏ နောက်ခရီးစဉ်အတွက် လုံလောက်သော အကွာအဝေးရှိစေရန်အတွက် အလွန်ရှုပ်ထွေးသော “Cycle Management” လိုအပ်သည်။ V2G သည် hardware အဆင့်မြှင့်တင်မှုများလည်း လိုအပ်သည်—အထူးသဖြင့် ISO 15118-20 စံနှုန်းကို ပံ့ပိုးပေးသော bidirectional DC chargers သို့မဟုတ် AC chargers များ။

AI မောင်းနှင်သော အလိုအလျောက် ဝန်အားချိန်ခွင်လျှာညှိခြင်း

ယနေ့ခေတ် DLB စနစ်များသည် ကြိုတင်သတ်မှတ်ထားသော အယ်လဂိုရီသမ်များနှင့် စည်းမျဉ်းများကို အားကိုးနေရသော်လည်း၊ နောက်မျိုးဆက်တွင် “Self-Learning” AI ကို အသုံးပြုမည်ဖြစ်သည်။ Reinforcement Learning (RL) ကို အသုံးပြုခြင်းဖြင့်၊ DLB ထိန်းချုပ်ကိရိယာသည် ဖြန့်ကျက်ခြင်းမပြုမီ အတုအယောင်ပတ်ဝန်းကျင်တွင် စမ်းသပ်မှုနှင့် အမှားအယွင်းများမှတစ်ဆင့် အကောင်းဆုံးအားသွင်းဗျူဟာကို သင်ယူနိုင်သည်။ AI မောင်းနှင်သည့် ထိန်းချုပ်ကိရိယာသည် လူသားအင်ဂျင်နီယာတစ်ဦး လွတ်သွားနိုင်သည့် သိမ်မွေ့သောပုံစံများကို ဖော်ထုတ်နိုင်သည် - ဥပမာအားဖြင့် အင်္ဂါနေ့နံနက် ၁၀ နာရီတိုင်းတွင် သတ်မှတ်ထားသော စက်မှုလုပ်ငန်းသုံးစက်တစ်လုံးသည် ၁၅ မိနစ်ကြာ လည်ပတ်ပြီး ဝန်အားမြင့်တက်စေခြင်းဖြစ်သည်။ AI သည် စက်ကိုယ်တိုင်မှ အချိန်နှင့်တပြေးညီ အချက်ပြမှုမရှိဘဲပင် ထိုသတ်မှတ်ထားသော ကာလအတွင်း EV အားသွင်းကိရိယာများကို ကြိုတင်ထိန်းချုပ်ရန် သင်ယူနိုင်သည်။

OCPP 2.0.1 နှင့် ISO 15118 ၏ သက်ရောက်မှု

စံသတ်မှတ်ခြင်းသည် တိုးချဲ့နိုင်မှု၏ အခြေခံအုတ်မြစ်ဖြစ်သည်။ လုပ်ငန်းသည် အမွေအနှစ် OCPP 1.6 မှ ပိုမိုခိုင်မာသော OCPP 2.0.1 သို့ လျင်မြန်စွာ ကူးပြောင်းနေပါသည်။

• OCPP ၂.၀.၁: “Device Management” ကို မိတ်ဆက်ပေးထားပြီး cloud သည် charger များ၏ ကျန်းမာရေးနှင့် configure များကို ပိုမိုအသေးစိတ် စောင့်ကြည့်နိုင်စေပါသည်။ DLB အတွက် ပိုအရေးကြီးသည်မှာ ၎င်းတွင် ပိုမိုရှုပ်ထွေးသော charging profile များနှင့် three-phase system များကို ပိုမိုကောင်းမွန်စွာ ကိုင်တွယ်နိုင်စေမည့် ပိုမိုကောင်းမွန်သော smart charging feature များ ပါဝင်သည်။
• ISO 15118 (ပလပ်ထိုးပြီး အားသွင်းခြင်း)ဤယာဉ်မှ အားသွင်းကိရိယာသို့ ဆက်သွယ်ရေးစံနှုန်းသည် ကားအား ၎င်း၏ အမှန်တကယ် SoC နှင့် ဘက်ထရီစွမ်းရည်ကို အားသွင်းကိရိယာနှင့် မျှဝေနိုင်စေပါသည်။ ယနေ့ခေတ်တွင် AC အားသွင်းကိရိယာအများစုသည် SoC ကို “ခန့်မှန်း” ကြသည် သို့မဟုတ် အသုံးပြုသူမှ အက်ပ်တစ်ခုတွင် ထည့်သွင်းရန် အားကိုးကြသည်။ ISO 15118 ဖြင့် DLB ထိန်းချုပ်ကိရိယာသည် ကား၏ ဘက်ထရီစီမံခန့်ခွဲမှုစနစ် (BMS) မှ “Ground Truth” အချက်အလက်များကို တိုက်ရိုက်ရရှိပြီး ပိုမိုတိကျသော ပါဝါခွဲဝေမှုကို ဖြစ်စေသည်။

အခန်း ၁၁: ဖြစ်ရပ်လေ့လာမှုများနှင့် အကောင်အထည်ဖော်မှုဆိုင်ရာစိန်ခေါ်မှုများ

လက်တွေ့အကောင်အထည်ဖော်မှုမပါဘဲ သီအိုရီဆိုင်ရာထူးချွန်မှုသည် အချည်းနှီးဖြစ်သည်။ ဤအခန်းတွင်၊ DLB ၏ လက်တွေ့ကမ္ဘာတွင် ဖြန့်ကျက်မှုများနှင့် အင်ဂျင်နီယာများ အကောင်အထည်ဖော်စဉ်အတွင်း ရင်ဆိုင်ရသည့် နည်းပညာဆိုင်ရာအတားအဆီးများကို ကျွန်ုပ်တို့ လေ့လာပါမည်။

ဖြစ်ရပ်လေ့လာမှု ၁: စီးပွားရေးရုံးခန်းအဆောက်အအုံ

လန်ဒန်ရှိ ကော်ပိုရိတ်ရုံးချုပ်ကြီးတစ်ခုသည် EV အားသွင်းစက် ၅၀ တပ်ဆင်လိုခဲ့သော်လည်း အဆောက်အအုံ၏ HVAC နှင့် မီးအလင်းရောင်စနစ်မှ ၇၀% အသုံးပြုပြီးဖြစ်သော 200kW ဓာတ်အားလိုင်းချိတ်ဆက်မှုကြောင့် အကန့်အသတ်ဖြစ်ခဲ့သည်။ဖြေရှင်းချက်: hybrid DLB စနစ်ကို အကောင်အထည်ဖော်ခဲ့သည်။ CT clamps များမှတစ်ဆင့် main transformer ကို စောင့်ကြည့်ရန် local edge controller ကို တပ်ဆင်ထားသည်။ စနစ်ကို 180kW “Soft Limit” နှင့် 195kW “Hard Limit” ဖြင့် configure လုပ်ထားသည်။ရလဒ်: ဤဆိုက်သည် breaker trip တစ်ခုတည်းမရှိဘဲ charger ၅၀ ကို အောင်မြင်စွာ စီမံခန့်ခွဲနိုင်ခဲ့သည်။ SoC-based prioritization ကို အသုံးပြုခြင်းဖြင့် အလုပ်သွားအလုပ်ပြန် ရှည်လျားသော ဝန်ထမ်းများသည် နေ့ကုန်တွင် အမြဲတမ်း အပြည့်အဝ အားသွင်းနိုင်ကြောင်း ၎င်းတို့ သေချာစေခဲ့သည်။

ဖြစ်ရပ်လေ့လာမှု ၂: လျှပ်စစ်ဘတ်စ်ကားဂိုဒေါင်

ရှန်ကျန်းရှိ ဘတ်စ်ကားအော်ပရေတာတစ်ဦးသည် လျှပ်စစ်ဘတ်စ်ကား ၁၀၀ ကို တစ်ညလုံး အားသွင်းရန် လိုအပ်ခဲ့သည်။ ဘတ်စ်ကားအားလုံး ည ၁၁ နာရီတွင် ဂိုဒေါင်သို့ ပြန်ရောက်သောအခါ ဖြစ်ပေါ်လာသော အလွန်အကျွံ တစ်ပြိုင်နက်တည်း ဝန်အား ဖြည့်သွင်းမှုမှာ စိန်ခေါ်မှုတစ်ရပ် ဖြစ်သည်။ဖြေရှင်းချက်: ဘတ်စ်ကားတစ်စီးချင်းစီ၏ လမ်းကြောင်းဒေတာအပေါ် အခြေခံ၍ ရောက်ရှိချိန်တွင် SoC ကို ခန့်မှန်းရန် AI-based ခန့်မှန်းချက်မော်ဒယ်ကို အသုံးပြုခဲ့သည်။ ထို့နောက် DLB စနစ်သည် အားသွင်းခြင်းကို “လှိုင်းများ” ဖြင့် အချိန်ဇယားဆွဲပြီး စုစုပေါင်းဝန်သည် ဂိုဒေါင်၏ ခွဲရုံစွမ်းရည်ထက် မကျော်လွန်ကြောင်း သေချာစေပြီး နံနက် ၅ နာရီတွင် ဘတ်စ်ကားတိုင်း ၁၀၀% ရှိကြောင်း သေချာစေသည်။

အဖြစ်များသော အကောင်အထည်ဖော်မှုဆိုင်ရာ စိန်ခေါ်မှုများ

1. ဆက်သွယ်ရေးနှင့် ပေါင်းစည်းမှု ရှုပ်ထွေးမှု-အားသွင်းကိရိယာတိုင်းသည် ဆိုက်၏ဘာသာစကားကို ပြောဆိုရမည်—ဗဟိုစီမံခန့်ခွဲမှုစနစ်အတွက် OCPP၊ ယာဉ်အတွက် ISO 15118 နှင့် အဆောက်အဦ၏ စွမ်းအင်စီမံခန့်ခွဲမှုစနစ်အတွက် Modbus သို့မဟုတ် BACnet။ အလွှာသုံးလွှာစလုံးကို ယုံကြည်စိတ်ချစွာ အပြန်အလှန်အလုပ်လုပ်စေရန်၊ အထူးသဖြင့် ရောင်းချသူအမျိုးမျိုးထံမှ အားသွင်းကိရိယာများတွင် ၎င်းသည် အမှန်တကယ်တွင် protocol မကိုက်ညီမှုများဖြစ်သည့် “phantom” ချို့ယွင်းချက်များ၏ အဖြစ်အများဆုံးရင်းမြစ်များထဲမှ တစ်ခုဖြစ်သည်။
2. ဓာတ်အားလိုင်းချိတ်ဆက်မှုနှင့် চাহিদার্ ... အခကြေးငွေများ-DLB စနစ်သည် စွမ်းရည်အကန့်အသတ်ရှိသော နည်းပညာဆိုင်ရာပြဿနာကို ဖြေရှင်းပေးသော်လည်း၊ ကူးသန်းရောင်းဝယ်ရေးပြဿနာ—ဝယ်လိုအားကောက်ခံမှုများနှင့် utility interconnection ကောက်ခံမှုများ—ရှိနေဆဲဖြစ်သည်။ နေရာများသည် ၎င်းတို့၏ load profile သည် ပြစ်ဒဏ်ပေးသော ဝယ်လိုအားအမြင့်ဆုံးများကို ဖြစ်ပေါ်စေမည်လား၊ နှင့် BESS သည် ပိုကြီးသော grid connection ထက် ပိုမိုကုန်ကျစရိတ်သက်သာခြင်း ရှိ၊ မရှိကို မော်ဒယ်လ်လုပ်ရမည်။
3. ဒေတာအရည်အသွေးနှင့် SoC ခန့်မှန်းချက်-DLB အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းသည် ၎င်း၏ထည့်သွင်းမှုများလောက်သာ ကောင်းမွန်ပါသည်။ ယာဉ်များသည် အားသွင်းချိန်အတွင်း အားသွင်းမှုအခြေအနေကို အစီရင်ခံသော်လည်း၊ တန်ဖိုးများသည် ဟောင်းနွမ်းနေခြင်း၊ မကိုက်ညီခြင်း သို့မဟုတ် မော်ဒယ်ဟောင်းများတွင် မရရှိနိုင်ခြင်းတို့ ဖြစ်နိုင်သည်။ စနစ်များသည် ပျောက်ဆုံးနေသောဒေတာများကို ခံနိုင်ရည်ရှိရမည်ဖြစ်ပြီး telemetry သည် ယုံကြည်စိတ်ချရမှုမရှိသည့်အခါတွင် ရှေးရိုးစွဲအချိန်ဇယားဆွဲခြင်းကို ပုံသေလုပ်ဆောင်ရမည်ဖြစ်သည်။
4. Control Layer ၏ တိုးချဲ့နိုင်မှု-charger ၅၀ ကို ကောင်းမွန်စွာ စီမံခန့်ခွဲနိုင်သော စနစ်တစ်ခုသည် ၅၀၀ ဖြင့် အခက်အခဲရှိနိုင်သည်။ Edge controller များ၊ cloud dashboard များနှင့် failover အပြုအမူများကို ပထမနေ့မှစ၍ အတိုင်းအတာအတွက် ဒီဇိုင်းထုတ်ထားရမည်ဖြစ်ပြီး၊ ထိန်းချုပ်မှုယုတ္တိဗေဒကို ပျမ်းမျှအခြေအနေများတွင်သာမက လက်တွေ့ကျသော အဆိုးဆုံးအခြေအနေ load spikes များနှင့် စမ်းသပ်ထားရမည်။

ဤစိန်ခေါ်မှုများကို ကျော်လွှားခြင်း

ဤစိန်ခေါ်မှုများထဲမှ တစ်ခုမျှ ပိတ်ဆို့ခြင်းမဟုတ်ပါ။ တစ်ခုချင်းစီသည် ဒီဇိုင်းဆိုင်ရာ ဘာသာရပ်တစ်ခုဖြစ်သည်။ CMS ရောင်းချသူတစ်ဦးတည်းဖြင့် OCPP 1.6J သို့မဟုတ် 2.0.1 တွင် စံသတ်မှတ်ခြင်းသည် protocol ပွတ်တိုက်မှုအများစုကို ဖယ်ရှားပေးပါသည်။ ကနဦးစီးပွားရေးကိစ္စတွင် ဝယ်လိုအားကောက်ခံမှုများကို မော်ဒယ်လုပ်ခြင်းနှင့် ကိန်းဂဏန်းများက ၎င်းကို ဦးစားပေးသည့်အခါ BESS ကို ထည့်သွင်းခြင်းသည် အကျိုးအမြတ်ကို ကာကွယ်ပေးသည်။ ဓာတ်ခွဲခန်းအဆင့် သရုပ်ပြမှုများသာ ပြုလုပ်သည့် ရောင်းချသူထက် သက်သေပြထားသော ကြီးမားသော fleet ဖြန့်ကျက်မှုများရှိသော DLB ရောင်းချသူကို ရွေးချယ်ခြင်းသည် ပရောဂျက်တစ်ခုလုံး၏ အန္တရာယ်များကို လျှော့ချပေးသည်။

ဤစိန်ခေါ်မှုများတွင် လူသား၏ ရှုထောင့်တစ်ခုလည်း ရှိပါသည်။ DLB စနစ်တစ်ခုကို အကောင်အထည်ဖော်သည့် အင်ဂျင်နီယာများသည် ပါဝါစနစ်များနှင့် ဆော့ဖ်ဝဲလ်နှစ်မျိုးလုံးကို နားလည်ရမည် - ရှားရှားပါးပါး ပေါင်းစပ်မှုတစ်ခုဖြစ်သည်။ အော်ပရေတာများသည် စနစ်တကျ လေ့ကျင့်မှုနှင့် မှတ်တမ်းတင်ထားသော လည်ပတ်မှုစာအုပ်များအတွက် ဘတ်ဂျက်ချထားသင့်သည်၊ ထို့ကြောင့် edge controller သည် မနက် ၂ နာရီတွင် နှိုးစက်မြည်သောအခါ၊ on-call technician သည် မည်သည့် dashboard များကို စစ်ဆေးရမည်နှင့် မည်သည့်လုပ်ထုံးလုပ်နည်းများကို လိုက်နာရမည်ကို အတိအကျသိရှိနိုင်သည်။ ရင့်ကျက်သော ရောင်းချသူများသည် ဤလည်ပတ်မှုစာအုပ်များကို စံသတ်မှတ်ထားသော ပေးပို့မှုများအဖြစ် ပံ့ပိုးပေးပြီး ၎င်းတို့မရှိခြင်းသည် ရောင်းချသူရွေးချယ်စဉ်တွင် သတိပေးလက္ခဏာတစ်ခုဖြစ်သည်။

နိဂုံးချုပ်

Dynamic load balancing နှင့် BESS optimization တို့သည် EV charging ကို grid liability မှ grid asset အဖြစ်သို့ ပြောင်းလဲပေးသည်။ ၎င်းတို့သည် transformers ကို အဆင့်မြှင့်တင်ခြင်းမရှိဘဲ site များကို ၎င်းတို့၏ charger အရေအတွက်ကို သုံးဆတိုးစေပြီး၊ operator များကို ပြစ်ဒဏ်ပေးသော demand charges များမှ ကာကွယ်ပေးပြီး ရိုးရိုးသားသားတပ်ဆင်သူများ ဝင်ရောက်ကြည့်ရှု၍မရသော ဝင်ငွေစီးဆင်းမှုများ - အမြင့်ဆုံးလျှော့ချခြင်း၊ energy arbitrage နှင့် grid services များပင် - သို့ တံခါးဖွင့်ပေးသည်။ နည်းပညာသည် ရင့်ကျက်ပြီး ဘာသာရပ်မှာ integration၊ data quality နှင့် honest capacity modeling တို့ဖြစ်သည်။

အဓိကအချက်များ

• DLB သည် ဓာတ်အားလိုင်းချိတ်ဆက်မှု တစ်ကီလိုဝပ်လျှင် အားသွင်းကိရိယာများ ပိုမိုရရှိစေပြီး မကြာခဏဆိုသလို ခြောက်ဂဏန်းတန် ထရန်စဖော်မာ အဆင့်မြှင့်တင်မှုများကို ရွှေ့ဆိုင်းခြင်း သို့မဟုတ် ဖယ်ရှားခြင်းတို့ကို ပြုလုပ်လေ့ရှိသည်။
• BESS + အားသွင်းခြင်းသည် ဝယ်လိုအား-အားသွင်းပြဿနာတစ်ခုကို ဝယ်လိုအား-အားသွင်း အကျိုးအမြတ်စင်တာအဖြစ်သို့ ပြောင်းလဲပေးသည်။
• SoC-အခြေပြု ဦးစားပေးမှုနှင့် AI ခန့်မှန်းချက်သည် အရေးကြီးသောအသုံးပြုသူများ (ခရီးသည်များ၊ ဘတ်စ်ကားများ) ကို အားသွင်းထားစဉ်တွင် site load curve ကို ပြားချပ်စေသည်။
• အပြန်အလှန်လုပ်ဆောင်နိုင်မှု (OCPP၊ ISO 15118)၊ ဒေတာအရည်အသွေးနှင့် ရောင်းချသူစကေးတို့သည် အမှန်တကယ် ဖြန့်ကျက်မှုများတွင် အောင်မြင်မှု သို့မဟုတ် ရှုံးနိမ့်မှုဆိုင်ရာ အချက်သုံးချက်ဖြစ်သည်။

MIDA Power ကို ဆက်သွယ်ပါ

MIDA Power ရဲ့ အားသွင်းစနစ်တွေမှာ ပေါင်းစပ်ထားတဲ့ dynamic load balancing နဲ့ optional BESS integration တွေ ပါရှိပြီး အားလုံးကို OCPP နဲ့ ကိုက်ညီတဲ့ platform တစ်ခုတည်းကနေ စီမံခန့်ခွဲပါတယ်။ ရုံးခန်းအဆောက်အအုံတွေကနေ ဘတ်စ်ကားဂိုဒေါင်တွေအထိ၊ သင့်ရဲ့ load ကို ပုံစံထုတ်ဖို့၊ စနစ်ကို အရွယ်အစားမှန်ကန်အောင် ပြင်ဆင်ဖို့နဲ့ အံ့အားသင့်စရာမရှိဘဲ မှာယူနိုင်အောင် အင်ဂျင်နီယာပိုင်းဆိုင်ရာ ပံ့ပိုးမှုကို ကျွန်ုပ်တို့ ပေးပါတယ်။ load-analysis အတိုင်ပင်ခံမှုနဲ့ ပရောဂျက်ဈေးနှုန်းအတွက် ကျွန်ုပ်တို့ကို ဆက်သွယ်ပါ။