สถาปัตยกรรมทางเทคนิคของระบบชาร์จรถยนต์ไฟฟ้าอัจฉริยะ: การปรับสมดุลโหลดแบบไดนามิกและการเพิ่มประสิทธิภาพระบบจัดเก็บพลังงานแบตเตอรี่ (BESS)

สถาปัตยกรรมทางเทคนิคที่ครอบคลุมของระบบชาร์จรถยนต์ไฟฟ้าอัจฉริยะ: การควบคุมการปรับสมดุลโหลดแบบไดนามิกผ่านวงจรควบคุมขั้นสูง การบูรณาการระบบคลาวด์ในระดับท้องถิ่น การเพิ่มประสิทธิภาพพลังงานหลายรูปแบบด้วยพลังงานแสงอาทิตย์และระบบกักเก็บพลังงานแบตเตอรี่ และการจัดการเสถียรภาพโครงข่ายไฟฟ้าแบบคาดการณ์ล่วงหน้าขนาดใหญ่

บทที่ 1: บทนำเกี่ยวกับการชาร์จรถยนต์ไฟฟ้าอัจฉริยะและความจำเป็นของการปรับสมดุลโหลดแบบไดนามิก (DLB)

การเปลี่ยนผ่านสู่ระบบขนส่งไฟฟ้าทั่วโลกไม่ใช่เพียงแค่กระแสรองอีกต่อไป แต่เป็นเสาหลักสำคัญของการเปลี่ยนแปลงสู่ยุคใหม่ของภาคการขนส่ง เมื่อรถยนต์เครื่องยนต์สันดาปภายใน (ICE) หลายล้านคันถูกแทนที่ด้วยรถยนต์ไฟฟ้า (EV) ความต้องการใช้ไฟฟ้าก็เปลี่ยนจากเชื้อเพลิงเหลวไปสู่ระบบไฟฟ้า การเปลี่ยนแปลงกระบวนทัศน์นี้ก่อให้เกิดความท้าทายอย่างใหญ่หลวงต่อโครงสร้างพื้นฐานทางไฟฟ้า ซึ่งในหลายกรณีได้รับการออกแบบมาเมื่อหลายสิบปีก่อน ลักษณะการชาร์จรถยนต์ไฟฟ้าที่ไม่ต่อเนื่องและใช้พลังงานสูงอาจนำไปสู่ความแออัดของระบบไฟฟ้าในบางพื้นที่ การเสื่อมสภาพของหม้อแปลง และในที่สุดอาจนำไปสู่ความล้มเหลวร้ายแรงหากไม่ได้รับการจัดการอย่างแม่นยำ

ระบบชาร์จรถยนต์ไฟฟ้าอัจฉริยะเป็นสะพานเชื่อมทางเทคโนโลยีระหว่างความต้องการด้านการเดินทางที่เพิ่มขึ้นอย่างรวดเร็วกับข้อจำกัดทางกายภาพของโครงข่ายไฟฟ้า หัวใจสำคัญของการชาร์จอัจฉริยะคือความชาญฉลาด—การรู้ว่าเมื่อใด ด้วยความเร็วเท่าใด และควรชาร์จรถยนต์ไฟฟ้าด้วยลำดับความสำคัญใด อย่างไรก็ตาม ส่วนประกอบที่สำคัญที่สุดในชั้นความชาญฉลาดนี้คือการปรับสมดุลโหลดแบบไดนามิก (Dynamic Load Balancing หรือ DLB)

การปรับสมดุลโหลดแบบไดนามิก (Dynamic Load Balancing หรือ DLB) คือกระบวนการตรวจสอบกำลังไฟฟ้าที่มีอยู่ของสถานที่อย่างต่อเนื่อง และกระจายพลังงานนั้นไปยังเครื่องชาร์จรถยนต์ไฟฟ้าที่ใช้งานอยู่แบบเรียลไทม์ หากไม่มี DLB อาคารหรือสถานีชาร์จจะถูกบังคับให้ทำงานที่ขีดจำกัดคงที่ ซึ่งมักกำหนดโดย "สถานการณ์ที่เลวร้ายที่สุด" ของโหลดสูงสุด ส่งผลให้เกิดความไม่ eficiente อย่างมาก: ไม่ว่าจะเป็นเพราะสถานที่นั้นมีอุปกรณ์ไม่เพียงพอ ทำให้การชาร์จช้าสำหรับผู้ใช้ หรือสถานที่นั้นต้องมีการอัพเกรดโครงสร้างพื้นฐานที่แพงมากเพื่อรองรับโหลดสูงสุดตามทฤษฎี ซึ่งเกิดขึ้นเพียงไม่กี่ชั่วโมงต่อสัปดาห์เท่านั้น

ความจำเป็นของ DLB เกิดจากปัจจัยหลักสามประการ:

1. การบำรุงรักษาโครงสร้างพื้นฐาน: ป้องกันไม่ให้เบรกเกอร์วงจรหลักตัดวงจร และป้องกันหม้อแปลงไฟฟ้าจากความร้อนสูงเกินไป
2. ประสิทธิภาพทางเศรษฐกิจ: หลีกเลี่ยงค่าบริการที่มีปริมาณมากเกินความจำเป็น และค่าใช้จ่ายที่สูงเกินไปในการอัพเกรดแผงควบคุมไฟฟ้าหรือเครือข่ายจำหน่ายไฟฟ้าในพื้นที่
3. ความพึงพอใจของผู้ใช้: เพิ่มความเร็วในการชาร์จให้สูงสุดสำหรับผู้ใช้ทุกคน โดยใช้ประโยชน์จากกำลังการผลิตไฟฟ้าทุกกิโลวัตต์ชั่วโมงอย่างชาญฉลาด

ในการสำรวจเชิงลึกทางเทคนิคนี้ เราจะวิเคราะห์กลไกของ DLB ตั้งแต่ลูปควบคุมระดับมิลลิวินาทีที่ควบคุมอุปกรณ์อิเล็กทรอนิกส์กำลัง ไปจนถึงการจัดการจุดชาร์จหลายพันจุดบนระบบคลาวด์ เราจะตรวจสอบว่า DLB พัฒนาอย่างไรเมื่อผสานรวมกับแหล่งพลังงานหมุนเวียน เช่น พลังงานแสงอาทิตย์ (PV) และระบบจัดเก็บพลังงานแบตเตอรี่ (BESS) และแบบจำลองการคาดการณ์ช่วยให้ศูนย์กลางการชาร์จขนาดใหญ่สามารถคาดการณ์ความผันผวนของโครงข่ายไฟฟ้าก่อนที่จะเกิดขึ้นได้อย่างไร ในขณะที่เรากำลังก้าวไปสู่อนาคตที่รถยนต์ไฟฟ้าไม่ได้เป็นเพียงผู้บริโภค แต่เป็นแหล่งพลังงานแบบกระจาย การทำความเข้าใจรายละเอียดปลีกย่อยของ DLB จึงมีความสำคัญอย่างยิ่งสำหรับวิศวกร นักวางผังเมือง และผู้ให้บริการด้านพลังงาน

บทที่ 2: หลักการพื้นฐานของการปรับสมดุลโหลดแบบไดนามิก

เพื่อให้เข้าใจวิธีการทำงานของ DLB (Dynamic Load Balancing) เราต้องเข้าใจทางเลือกแบบ "คงที่" ก่อน ในสภาพแวดล้อมการปรับสมดุลโหลดแบบคงที่ เครื่องชาร์จแต่ละเครื่องจะได้รับกระแสไฟฟ้าในปริมาณคงที่ ตัวอย่างเช่น หากสถานที่นั้นมีขีดจำกัด 100A และมีเครื่องชาร์จ 5 เครื่อง แต่ละเครื่องอาจถูกจำกัดไว้ที่ 20A หากมีรถเพียงคันเดียวที่กำลังชาร์จอยู่ ก็จะยังคงได้รับกระแสไฟฟ้าเพียง 20A ทำให้เสียกำลังการผลิตที่มีอยู่ไป 80A ในทางกลับกัน หากรถทั้ง 5 คันกำลังชาร์จอยู่ และมีคนเปิดระบบปรับอากาศกำลังสูงในอาคาร โหลดรวมอาจเกิน 100A ทำให้เกิดไฟดับได้

DLB แทนที่การจัดสรรแบบตายตัวด้วยระบบที่ยืดหยุ่นและตอบสนองได้ดี หลักการพื้นฐานคือวงจรป้อนกลับระหว่าง "กำลังการผลิตทั้งหมดที่มีอยู่" และ "ความต้องการการชาร์จที่ใช้งานอยู่"

มูลนิธิคณิตศาสตร์

โดยง่ายที่สุด DLB สามารถแสดงได้ด้วยสมการต่อไปนี้:P_available_for_EVs(t) = P_total_limit – P_non_EV_loads(t)

ที่ไหน:

• ขีดจำกัดรวม Pคือขอบเขตทางกายภาพหรือตามสัญญาของสถานที่นั้น
• โหลดที่ไม่ใช่ EV (t)คือการวัดปริมาณการใช้พลังงานแบบเรียลไทม์ของไฟส่องสว่าง เครื่องจักร ลิฟต์ ฯลฯ โดยใช้มิเตอร์อัจฉริยะ
• P_available_for_EVs(t)คือพลังงานที่เหลืออยู่ซึ่งสามารถกระจายไปยังรถยนต์ไฟฟ้าได้อย่างปลอดภัย

ความซับซ้อนเกิดขึ้นเมื่อระบบต้องตัดสินใจว่าจะกระจายอย่างไรP_available_for_EVs(t)ท่ามกลางNเครื่องชาร์จ การกระจายนี้ถูกควบคุมโดยอัลกอริทึมที่พิจารณาถึง:

• สถานะการชาร์จ (SoC)รถยนต์ที่มีแบตเตอรี่ใกล้หมดอาจได้รับความสำคัญเป็นลำดับแรก
• เวลาออกเดินทางรถที่จอดค้างคืนจะถูกชาร์จอย่างช้าๆ ในขณะที่รถที่ต้องการชาร์จเพิ่มอย่างรวดเร็วจะได้รับการชาร์จแบบเร่งด่วน
• การปรับสมดุลเฟสในระบบสามเฟส DLB ต้องตรวจสอบให้แน่ใจว่าไม่มีเฟสใดเฟสหนึ่งรับภาระเกินพิกัด ซึ่งเป็นงานที่ต้องใช้ตรรกะการสวิตช์ที่ซับซ้อนหรือการกระจายพลังงานที่คำนึงถึงเฟส

การตรวจจับและการวัด

ความแม่นยำของ DLB ขึ้นอยู่กับคุณภาพของข้อมูลที่ได้รับโดยสิ้นเชิง ซึ่งโดยทั่วไปแล้วจะเกี่ยวข้องกับหม้อแปลงกระแส (CT) หรือมิเตอร์อัจฉริยะเฉพาะที่ติดตั้ง ณ จุดเชื่อมต่อร่วม (PCC) อุปกรณ์เหล่านี้ต้องรายงานข้อมูลโหลดด้วยความถี่สูง (มักจะ 1Hz หรือสูงกว่า) เพื่อให้ตัวควบคุม DLB สามารถตอบสนองต่อการเปลี่ยนแปลงโหลดของอาคารอย่างฉับพลัน เช่น การสตาร์ทมอเตอร์อุตสาหกรรม ภายในไม่กี่วินาที เพื่อป้องกันไม่ให้เบรกเกอร์หลักตัดวงจร

โครงสร้างแบบลำดับชั้น

ระบบ DLB มักทำงานในรูปแบบลำดับชั้น ในระดับ "ท้องถิ่น" ตัวควบคุมจะจัดการกลุ่มของเครื่องชาร์จ ในระดับ "ไซต์" จะประสานงานกับระบบจัดการอาคาร และในระดับ "โครงข่ายไฟฟ้า" อาจตอบสนองต่อสัญญาณการจัดการความต้องการ (Demand Response: DR) จากบริษัทผู้ให้บริการไฟฟ้า วิธีการแบบหลายชั้นนี้ช่วยให้มั่นใจได้ว่าความปลอดภัยในระดับท้องถิ่นได้รับการรักษาไว้ ในขณะเดียวกันก็ยังสามารถมีส่วนร่วมในตลาดพลังงานที่กว้างขึ้นได้

บทที่ 3: การออกแบบวงจรควบคุมสำหรับอัลกอริธึม DLB: PID และการควบคุมแบบทำนายโมเดล (MPC)

ประสิทธิภาพของระบบปรับสมดุลโหลดแบบไดนามิก (Dynamic Load Balancing หรือ DLB) นั้นวัดได้จากความหน่วงและความแม่นยำ หากโหลดของอาคารเพิ่มขึ้นอย่างฉับพลัน และระบบ DLB ใช้เวลา 30 วินาทีในการปรับกระแสไฟชาร์จรถยนต์ไฟฟ้า เบรกเกอร์หลักอาจตัดวงจรเสียก่อนที่การแก้ไขจะเกิดขึ้น ดังนั้น การออกแบบวงจรควบคุมจึงเป็น "สมอง" ของสถานีชาร์จอัจฉริยะ ในบทนี้ เราจะเจาะลึกถึงข้อกำหนดทางวิศวกรรมของกลไกควบคุมเหล่านี้ โดยเน้นที่ตัวควบคุมแบบสัดส่วน-อินทิกรัล-อนุพันธ์ (Proportional-Integral-Derivative หรือ PID) และตัวควบคุมแบบทำนายโมเดล (Model Predictive Control หรือ MPC) ที่มีความซับซ้อนกว่า

กรอบการควบคุม PID ใน DLB

ตัวควบคุม PID เป็นหัวใจสำคัญของระบบอัตโนมัติทางอุตสาหกรรม และมีการนำมาประยุกต์ใช้อย่างเหมาะสมในระบบ DLB เป้าหมายของวงจร PID คือการรักษาระดับโหลดรวมของไซต์ ($P_{total}$) ให้อยู่ที่หรือต่ำกว่าจุดตั้งค่า ($P_{limit}$) โดยการปรับตัวแปรควบคุม ซึ่งก็คือขีดจำกัดกระแสสูงสุดที่ส่งไปยัง EVSEs (อุปกรณ์จ่ายไฟสำหรับรถยนต์ไฟฟ้า)

• สัดส่วน (P)เทอม P จะตอบสนองต่อข้อผิดพลาด (ความแตกต่างระหว่าง $P_{limit}$ และ $P_{total}$) ได้ทันที หากข้อผิดพลาดมีขนาดใหญ่ (เช่น โหลดของอาคารลดลงอย่างมาก) เทอม P จะเพิ่มกระแสการชาร์จรถยนต์ไฟฟ้าที่อนุญาตได้อย่างรวดเร็ว อย่างไรก็ตาม การควบคุมด้วยเทอม P เพียงอย่างเดียวมักนำไปสู่ ​​"ข้อผิดพลาดในสภาวะคงที่" ซึ่งระบบจะไม่ถึงขีดจำกัดอย่างแท้จริง
• อินทิกรัล (I)เทอม I แสดงถึงการสะสมของข้อผิดพลาดในอดีต โดยจะค่อยๆ เพิ่มหรือลดกระแสไฟฟ้าเพื่อกำจัดข้อผิดพลาดในสภาวะคงที่ ทำให้มั่นใจได้ว่าระบบจะใช้กระแสไฟฟ้าทุกแอมแปร์ที่มีอยู่ได้อย่างคุ้มค่าตลอดเวลา
• อนุพันธ์ (D): เทอม D ทำนายข้อผิดพลาดในอนาคตโดยพิจารณาจากอัตราการเปลี่ยนแปลง ซึ่งมีความสำคัญอย่างยิ่งในการป้องกัน "การโอเวอร์ชูต" หากโหลดเพิ่มขึ้นอย่างรวดเร็ว เทอม D จะลดกำลังการชาร์จของเครื่องชาร์จรถยนต์ไฟฟ้าลงอย่างรวดเร็วก่อนที่จะถึงขีดจำกัดที่แท้จริง

ในสภาพแวดล้อม DLB (Distributed Load Balancer) วงจร PID ต้องได้รับการปรับแต่งอย่างระมัดระวัง หากตั้งค่าให้ทำงานรุนแรงเกินไป อุปกรณ์ชาร์จ EV จะปรับกระแสไฟอย่างต่อเนื่อง ซึ่งอาจทำให้เกิดการสึกหรอของอุปกรณ์ชาร์จในตัวรถ (OBC) และอาจทำให้ซอฟต์แวร์ของรถยนต์ไฟฟ้าทำงานผิดปกติ ส่งผลให้เกิดข้อผิดพลาดในการชาร์จ ในทางกลับกัน หากตั้งค่าให้ทำงานช้าเกินไป ก็จะล้มเหลวในการทำหน้าที่หลักในการปกป้องโครงข่ายไฟฟ้า

นอกเหนือจาก PID: การควบคุมแบบทำนายผลตามแบบจำลอง (MPC)

แม้ว่า PID จะมีประสิทธิภาพสำหรับสถานการณ์ที่ไม่ซับซ้อน แต่สถานีชาร์จขนาดใหญ่ในปัจจุบันกลับใช้การควบคุมแบบทำนายผลล่วงหน้า (Model Predictive Control หรือ MPC) มากขึ้นเรื่อยๆ ซึ่งแตกต่างจาก PID ที่เป็นการตอบสนองต่อเหตุการณ์ที่เกิดขึ้น MPC เป็นการทำนายผลล่วงหน้า โดยใช้แบบจำลองทางคณิตศาสตร์ของระบบเพื่อทำนายพฤติกรรมในอนาคตในช่วง "ระยะเวลาการทำนาย" ที่กำหนดไว้

ในบริบทของ DLB ตัวควบคุม MPC จะพิจารณาสิ่งต่อไปนี้:

1. ข้อจำกัดของระบบข้อจำกัดทางกายภาพของเครื่องชาร์จ ความจุของหม้อแปลง และอัตราการรับพลังงานสูงสุดของรถยนต์
2. การพยากรณ์ในอนาคต: การคาดการณ์ภาระของอาคารโดยอิงจากรูปแบบในอดีต การพยากรณ์อากาศ (ซึ่งส่งผลต่อภาระของระบบปรับอากาศ) และจำนวนยานพาหนะที่คาดว่าจะเข้ามา
3. ฟังก์ชันวัตถุประสงค์เป้าหมายทางคณิตศาสตร์ เช่น “ลดต้นทุนพลังงานโดยรวมให้เหลือน้อยที่สุด พร้อมทั้งตรวจสอบให้แน่ใจว่ารถยนต์ทุกคันมีระดับประจุแบตเตอรี่ 80% ภายในเวลา 8 โมงเช้า”

อัลกอริทึม MPC แก้ปัญหาการหาค่าที่เหมาะสมที่สุดในแต่ละช่วงเวลา (เช่น ทุก 5 นาที) โดยจะคำนวณลำดับของการควบคุมที่เหมาะสมที่สุด แต่จะดำเนินการเฉพาะขั้นตอนแรกเท่านั้น จากนั้นจึงคำนวณใหม่ในขั้นตอนถัดไป วิธีนี้ช่วยให้ระบบ DLB สามารถ "ปรับให้การชาร์จราบรื่น" ได้ ตัวอย่างเช่น หากระบบทราบว่าจะมีปริมาณการใช้ไฟฟ้าในอาคารเพิ่มขึ้นอย่างมากในเวลา 14:00 น. ระบบอาจทำการชาร์จรถยนต์ไฟฟ้าล่วงหน้าในเวลา 13:30 น. แล้วจึงลดกำลังไฟลงอย่างมากในเวลา 14:00 น. แทนที่จะตอบสนองอย่างกะทันหันเมื่อปริมาณการใช้ไฟฟ้าเพิ่มขึ้นอย่างรวดเร็ว

ความหน่วงและโปรโตคอลการสื่อสาร

ความเร็วของวงจรควบคุมขึ้นอยู่กับความเร็วในการสื่อสาร ในระบบ DLB หลายๆ ระบบ ตัวควบคุมจะสื่อสารกับเครื่องชาร์จผ่านทาง Modbus TCP, RTU หรือ Open Charge Point Protocol (OCPP)

• มอดบัส: ให้ความหน่วงต่ำมาก (มิลลิวินาที) ทำให้เหมาะอย่างยิ่งสำหรับ DLB ในพื้นที่ที่ต้องการความปลอดภัยสูง
• OCPP 1.6/2.0.1: มาตรฐานอุตสาหกรรมสำหรับการสื่อสารระหว่างระบบคลาวด์กับเครื่องชาร์จ แม้ว่าจะมีฟังก์ชันการทำงานที่ครบครันกว่า (เช่น การจัดการการเรียกเก็บเงิน การตรวจสอบสิทธิ์ และการอัปเดตเฟิร์มแวร์) แต่ก็ทำให้เกิดความล่าช้าอย่างมาก (มักจะ 1-5 วินาที) เนื่องมาจากค่าใช้จ่ายเพิ่มเติมของข้อความ JSON ผ่าน WebSockets และการส่งผ่านอินเทอร์เน็ตสาธารณะ

วิศวกรต้องเลือกโปรโตคอลที่เหมาะสมตามความสำคัญของการปรับสมดุลโหลด สำหรับบ้านพักอาศัย การปรับสมดุลโหลดแบบกระจายศูนย์ (DLB) บนคลาวด์ที่ช้ากว่าเล็กน้อยอาจเพียงพอ แต่สำหรับโรงงานอุตสาหกรรมที่การตัดวงจรเพียงครั้งเดียวอาจทำให้เกิดความเสียหายหลายพันดอลลาร์จากเวลาหยุดทำงาน การปรับสมดุลโหลดแบบ Modbus ในพื้นที่จึงเป็นสิ่งจำเป็น

บทที่ 4: สถาปัตยกรรม DLB แบบโลคอลเทียบกับแบบคลาวด์: การวิเคราะห์เปรียบเทียบ

ในการออกแบบโครงสร้างพื้นฐานการชาร์จอัจฉริยะ หนึ่งในข้อตัดสินใจทางสถาปัตยกรรมที่สำคัญที่สุดคือ ตำแหน่งที่ "ระบบอัจฉริยะ" อยู่ ควรให้ตรรกะการกระจายโหลดทำงานบนฮาร์ดแวร์ในสถานที่ (Local DLB) หรือควรจัดการโดยเซิร์ฟเวอร์ระยะไกล (Cloud DLB) ทั้งสองแนวทางมีข้อดีและข้อเสียที่แตกต่างกันในแง่ของความน่าเชื่อถือ ต้นทุน และความสามารถในการขยายขนาด

DLB ระดับท้องถิ่น: แนวทางการประมวลผลแบบ Edge Computing

ระบบ DLB แบบ Local ประกอบด้วยตัวควบคุมทางกายภาพ ซึ่งมักจะเป็น PLC (Programmable Logic Controller), เกตเวย์เฉพาะ หรือเครื่องชาร์จ "หลัก" เพียงเครื่องเดียว ที่สื่อสารโดยตรงกับเครื่องชาร์จอื่นๆ บนเครือข่ายพื้นที่ท้องถิ่น (LAN)

ข้อดี:

1. ความน่าเชื่อถือและความสามารถในการใช้งานแบบออฟไลน์ระบบนี้ไม่ขึ้นอยู่กับการเชื่อมต่ออินเทอร์เน็ต หากสายไฟเบอร์ขาด เครื่องชาร์จจะยังคงปรับสมดุลโหลดในพื้นที่ต่อไป ทำให้มั่นใจได้ถึงความปลอดภัยทางไฟฟ้าของอาคาร
2. ความหน่วงต่ำดังที่ได้กล่าวไว้ในบทที่ 3 การสื่อสารภายในพื้นที่ (Modbus หรือ OCPP ภายในพื้นที่) เกิดขึ้นด้วยความเร็วระดับต่ำกว่าหนึ่งวินาที ซึ่งเป็นสิ่งสำคัญสำหรับสถานที่ที่มีโหลดที่ไม่เสถียรจากอุปกรณ์ที่ไม่ใช่รถยนต์ไฟฟ้า เช่น โรงงานหรือโรงพยาบาล
3. ความปลอดภัยการรักษาสัญญาณควบคุมไว้ภายในเครือข่ายท้องถิ่นจะช่วยลดช่องโหว่สำหรับการโจมตีทางไซเบอร์ที่อาจพยายามแทรกแซงเสถียรภาพของระบบไฟฟ้า

ข้อเสีย:

1. ต้นทุนฮาร์ดแวร์: จำเป็นต้องซื้อและติดตั้งฮาร์ดแวร์เพิ่มเติมในสถานที่
2. ความซับซ้อนของการบำรุงรักษาการอัปเดตตรรกะ DLB อาจต้องมีการเข้าตรวจสอบ ณ สถานที่ หรือการจัดการระยะไกลที่ซับซ้อนของอุปกรณ์ปลายทาง
3. ข้อมูลที่แยกส่วนตัวควบคุมระดับท้องถิ่นมีข้อจำกัดในการมองเห็นสภาพโดยรวมของโครงข่ายไฟฟ้าหรือราคาพลังงานของบริษัทผู้ให้บริการ เว้นแต่จะมีการบูรณาการเข้ากับระบบคลาวด์โดยเฉพาะ

DLB บนระบบคลาวด์: การจัดการระบบอย่างมีประสิทธิภาพในระดับขนาดใหญ่

ในสถาปัตยกรรมบนระบบคลาวด์ มิเตอร์อัจฉริยะและเครื่องชาร์จทั้งหมดจะส่งข้อมูลไปยังแพลตฟอร์มการจัดการส่วนกลาง ระบบคลาวด์จะคำนวณกำลังไฟที่เหมาะสมที่สุดสำหรับเครื่องชาร์จแต่ละเครื่องและส่งข้อมูลไปยังแพลตฟอร์มดังกล่าวการชาร์จอัจฉริยะ ตั้งค่าโปรไฟล์การชาร์จส่งคำสั่งกลับไปยังเครื่องชาร์จรถยนต์ไฟฟ้า (EVSE)

ข้อดี:

1. ความสามารถในการปรับขนาดการจัดการเว็บไซต์ 1,000 แห่งจากแดชบอร์ดบนคลาวด์เพียงแห่งเดียว ง่ายกว่าการจัดการคอนโทรลเลอร์ในแต่ละพื้นที่ 1,000 แห่งอย่างมาก
2. การเพิ่มประสิทธิภาพระดับโลกระบบคลาวด์สามารถรวบรวมข้อมูลจากหลายแหล่งเพื่อเข้าร่วมในโรงไฟฟ้าเสมือน (Virtual Power Plants หรือ VPPs) หรือตอบสนองต่อภาวะวิกฤตของโครงข่ายไฟฟ้าในระดับภูมิภาคได้
3. การบูรณาการ AI ขั้นสูงการใช้งานโมเดลแมชชีนเลิร์นนิงที่ซับซ้อนเพื่อการพยากรณ์ (ซึ่งเราจะกล่าวถึงในบทที่ 8) นั้นทำได้ง่ายกว่ามากบนเซิร์ฟเวอร์คลาวด์ที่มีประสิทธิภาพสูง มากกว่าบนฮาร์ดแวร์เอดจ์ที่มีข้อจำกัด
4. ต้นทุนเริ่มต้นที่ต่ำกว่า: ไม่จำเป็นต้องมีตัวควบคุมเฉพาะพื้นที่ หากเครื่องชาร์จสามารถสื่อสารกับระบบคลาวด์ได้โดยตรง

ข้อเสีย:

1. การพึ่งพาการเชื่อมต่อหากอินเทอร์เน็ตใช้งานไม่ได้ ระบบมักจะเปลี่ยนกลับไปสู่ ​​"สถานะปลอดภัย" (เช่น กระแสไฟชาร์จขั้นต่ำสำหรับรถยนต์ทุกคัน) ซึ่งอาจไม่มีประสิทธิภาพอย่างมากและนำไปสู่การร้องเรียนจากลูกค้า
2. ความหน่วงสูง: ระยะเวลาในการรับส่งข้อมูลไปกลับระหว่างมิเตอร์ ระบบคลาวด์ และเครื่องชาร์จอาจใช้เวลาหลายวินาที ทำให้ยากต่อการตอบสนองต่อการใช้พลังงานที่พุ่งสูงขึ้นอย่างฉับพลัน
3. ข้อกังวลด้านความเป็นส่วนตัวการส่งข้อมูลด้านพลังงานอย่างต่อเนื่องไปยังระบบคลาวด์ทำให้เกิดปัญหาด้านอธิปไตยทางข้อมูลและความเป็นส่วนตัวสำหรับลูกค้าองค์กรบางราย

รถยนต์ไฮบริด: การผสมผสานสิ่งที่ดีที่สุดจากทั้งสองโลก

ด้วยการตระหนักถึงข้อแลกเปลี่ยนเหล่านี้ อุตสาหกรรมจึงกำลังมุ่งไปสู่โมเดลแบบไฮบริด ในการตั้งค่านี้ เกตเวย์ในพื้นที่ทำหน้าที่จัดการการปรับสมดุลโหลดระดับมิลลิวินาทีซึ่งมีความสำคัญต่อความปลอดภัย (เพื่อให้แน่ใจว่าเบรกเกอร์จะไม่ตัดวงจร) ในขณะเดียวกัน คลาวด์จะให้กลยุทธ์ระดับสูง โดยกำหนด "งบประมาณ" สำหรับตัวควบคุมในพื้นที่ตามราคาพลังงาน ตารางเวลาของผู้ใช้ และสัญญาณจากโครงข่ายไฟฟ้า แนวทาง "เน้นที่อุปกรณ์ปลายทาง ควบคุมโดยคลาวด์" นี้ให้ความน่าเชื่อถือที่จำเป็นสำหรับการปกป้องโครงสร้างพื้นฐาน ในขณะที่ยังคงรักษาความยืดหยุ่นของการจัดการบนคลาวด์ไว้ได้

บทที่ 5: กลยุทธ์และลำดับความสำคัญในการจัดสรรพลังงานแบบเรียลไทม์

การกำหนดวิธีการแบ่งพลังงานที่มีอยู่ระหว่างรถยนต์ไฟฟ้าหลายคันเป็นความท้าทายทางอัลกอริทึมที่ซับซ้อนที่สุดในการปรับสมดุลโหลดแบบไดนามิก ไม่ใช่แค่การหารกำลังไฟฟ้ารวมด้วยจำนวนรถยนต์เท่านั้น ระบบ DLB ที่ซับซ้อนต้องสร้างสมดุลระหว่างความเท่าเทียม ประสิทธิภาพ และความต้องการของผู้ใช้แต่ละราย ในบทนี้ เราจะสำรวจกลยุทธ์การจัดสรรพลังงานต่างๆ ที่ใช้กันอยู่ในปัจจุบัน

มาก่อนได้ก่อน (FCFS)

กลยุทธ์การจัดสรรพลังงานที่ง่ายที่สุดคือแบบมาก่อนได้ก่อน (FCFS) รถคันแรกที่เสียบปลั๊กจะได้รับพลังงานสูงสุดตามที่ร้องขอ ส่วนรถคันต่อๆ ไปจะได้รับพลังงานที่เหลืออยู่

ข้อดี:

• ใช้งานง่าย
• ชัดเจนและโปร่งใสสำหรับผู้ใช้งานกลุ่มแรก

ข้อเสีย:

• ไม่ยุติธรรมอย่างยิ่ง ผู้ใช้คนที่ 5 ที่มาถึงอาจไม่มีไฟฟ้าใช้เลยแม้ว่าจะมีธุระด่วน ในขณะที่ผู้ใช้คนแรกมีแบตเตอรี่เหลืออยู่ 90% และสามารถรอได้อย่างสบาย
• ส่งผลให้เกิด “การกักตุนพลังงาน” ซึ่งหมายถึงรถยนต์จะใช้ช่องชาร์จพลังงานสูงเป็นเวลานานหลายชั่วโมง ในขณะที่กำลังชาร์จแบตเตอรี่ส่วนที่เหลืออีกไม่กี่เปอร์เซ็นต์ในอัตราที่ช้ามาก

การแบ่งปันอย่างเท่าเทียมกัน

ในแบบจำลองนี้ พลังงานที่มีอยู่จะถูกแบ่งอย่างเท่าเทียมกันระหว่างทุกเซสชันที่ใช้งานอยู่ หากมีพลังงาน 100 กิโลวัตต์ และมีรถยนต์ 4 คันกำลังชาร์จอยู่ แต่ละคันจะได้รับ 25 กิโลวัตต์ หากมีรถยนต์คันที่ 5 เข้าร่วม พลังงานที่แต่ละคันจะได้รับจะลดลงเหลือ 20 กิโลวัตต์

ข้อดี:

• โดยเนื้อแท้แล้ว “ยุติธรรม” ในความหมายพื้นฐาน
• เพิ่มจำนวนรถยนต์ที่ได้รับการชาร์จอย่างน้อยบางส่วนให้มากที่สุด

ข้อเสีย:

• ไม่คุ้มค่าสำหรับรถยนต์ที่มีแบตเตอรี่ขนาดเล็กหรือรถยนต์ที่ใกล้เต็ม รถยนต์ที่รับกำลังไฟได้เพียง 7 กิโลวัตต์ จะได้รับกำลังไฟ "จัดสรร" 20 กิโลวัตต์ ทำให้เสียกำลังไฟไป 13 กิโลวัตต์ ซึ่งกำลังไฟนี้สามารถนำไปใช้กับรถยนต์ที่รับกำลังไฟได้ 50 กิโลวัตต์ได้

การจัดสรรตามลำดับความสำคัญ (ระดับประจุแบตเตอรี่และความจุแบตเตอรี่)

ระบบ DLB สมัยใหม่ใช้การปรับแต่งอัจฉริยะแบบหลายตัวแปรมากขึ้น โดยจะจัดลำดับความสำคัญของรถยนต์ตามระดับประจุ (SoC) รถยนต์ที่มี SoC 10% จะได้รับความสำคัญมากกว่ารถยนต์ที่มี SoC 80% เนื่องจากรถยนต์ที่มี SoC 10% มีความต้องการระยะทางเร่งด่วนกว่า และยังสามารถรับอัตราการชาร์จที่สูงกว่าได้มากเนื่องจากเส้นโค้งการชาร์จของแบตเตอรี่ลิเธียมไอออน (เฟสกระแสคงที่)

นอกจากนี้ ระบบยังพิจารณาถึงอัตราการยอมรับสูงสุดของยานพาหนะ โดยการใช้กระแสสูงสุดโดยอาศัยข้อมูลจากตัวรถ (ผ่าน PWM ในการชาร์จ AC หรือการสื่อสารดิจิทัลในการชาร์จ DC) ตัวควบคุม DLB จะตรวจสอบให้แน่ใจว่าไม่จ่ายพลังงานมากกว่าที่รถสามารถใช้งานได้จริง และจะกระจาย "พลังงานส่วนเกิน" ไปยังรถคันอื่น ๆ

การกำหนดลำดับความสำคัญโดยผู้ใช้และการคิดค่าบริการแบบ "พรีเมียม"

ในสภาพแวดล้อมเชิงพาณิชย์ DLB สามารถเชื่อมโยงกับระบบการเรียกเก็บเงินได้ ผู้ใช้อาจจ่ายค่าธรรมเนียมเพิ่มเติมสำหรับการชาร์จแบบ "Fast Track" เพื่อให้มั่นใจว่าพวกเขาจะได้รับพลังงานสูงสุดเท่าที่จะเป็นไปได้เสมอโดยไม่คำนึงถึงโหลดอื่นๆ ในทางกลับกัน ยานพาหนะในกลุ่มธุรกิจอาจได้รับการกำหนดลำดับความสำคัญที่แตกต่างกันตามเวลาออกเดินทางที่กำหนดไว้ รถตู้ส่งสินค้าที่ออกเดินทางเวลา 5 โมงเช้าจะได้รับลำดับความสำคัญมากกว่ารถตู้ที่ออกเดินทางเวลา 3 โมงเช้า ในขณะที่รถตู้ที่ออกเดินทางเวลา 9 โมงเช้าจะได้รับลำดับความสำคัญมากกว่า

อัลกอริทึมความยุติธรรมตามสัดส่วน

อัลกอริทึมนี้พัฒนามาจากระบบโทรคมนาคม (การจัดตารางเวลา LTE/5G) โดยมีเป้าหมายเพื่อเพิ่ม "ประโยชน์ใช้สอย" โดยรวมของระบบให้สูงสุด มันสร้างสมดุลระหว่างความต้องการพลังงานสูงในทันที (ประสิทธิภาพ) กับความต้องการในระยะยาวเพื่อให้แน่ใจว่าไม่มีรถคันใดถูกทิ้งไว้โดยไม่ได้ชาร์จ (ความเป็นธรรม) และคำนวณคะแนนลำดับความสำคัญสำหรับรถแต่ละคัน:คะแนน = (กำลังไฟฟ้าที่ร้องขอ / กำลังไฟฟ้าเฉลี่ยที่ได้รับจนถึงปัจจุบัน)รถยนต์ที่มีคะแนนสูงสุดจะได้รับการจัดสรรกำลังไฟฟ้าในลำดับถัดไป

บทที่ 6: กลไกการรักษาเสถียรภาพของระบบไฟฟ้าและการป้องกันการโอเวอร์โหลด

การปรับสมดุลโหลดแบบไดนามิก (Dynamic Load Balancing หรือ DLB) ไม่ใช่แค่คุณสมบัติเพื่อความสะดวกสบายของผู้ใช้เท่านั้น แต่เป็นระบบความปลอดภัยที่สำคัญต่อเสถียรภาพของโครงข่ายไฟฟ้า เมื่อจำนวนรถยนต์ไฟฟ้าเพิ่มขึ้น โครงข่ายการกระจายไฟฟ้าจึงเผชิญกับความเครียดรูปแบบใหม่ๆ รวมถึงความผันผวนอย่างรวดเร็วของความต้องการใช้ไฟฟ้าและการบิดเบือนฮาร์มอนิก บทนี้จะตรวจสอบกลไกที่ DLB ใช้เพื่อปกป้องโครงข่ายไฟฟ้าและป้องกันการโอเวอร์โหลดที่อาจก่อให้เกิดความเสียหายร้ายแรง

ตรรกะการป้องกันแบบ “เส้นโค้งทริป”

เบรกเกอร์วงจรไฟฟ้ามี "เส้นโค้งการตัดวงจร" กล่าวคือ สามารถรองรับการโอเวอร์โหลดเล็กน้อยได้เป็นเวลาสองสามนาที แต่จะตัดวงจรทันทีหากเกิดไฟกระชากขนาดใหญ่ ตัวควบคุม DLB ที่มีประสิทธิภาพต้องจำลองเส้นโค้งการตัดวงจรนี้ ควรอนุญาตให้เกิดไฟกระชากในช่วงเวลาสั้นๆ (เช่น ลิฟต์เริ่มทำงาน) เพื่อหลีกเลี่ยงการลดกำลังการชาร์จรถยนต์ไฟฟ้าโดยไม่จำเป็น แต่ต้องทำงานอย่างเด็ดขาดหากการโอเวอร์โหลดเกิดขึ้นอย่างต่อเนื่อง

ตัวควบคุมขั้นสูงใช้แนวทาง "เกณฑ์คู่":

1. เกณฑ์การแจ้งเตือน (เช่น 90% ของขีดจำกัด): ตัวควบคุมจะเริ่ม "ควบคุมความเร็วอย่างนุ่มนวล" สำหรับเครื่องชาร์จรถยนต์ไฟฟ้า เพื่อป้องกันไม่ให้ถึงขีดจำกัด
2. เกณฑ์วิกฤต (เช่น 98% ของขีดจำกัด)ตัวควบคุมจะทำการ "หยุดฉุกเฉิน" หรือลดกระแสไฟลงอย่างรวดเร็วจนถึงกระแสไฟต่ำสุดที่อนุญาต (โดยทั่วไปคือ 6A สำหรับการชาร์จ AC) เพื่อป้องกันฟิวส์หลัก

การจัดการความไม่สมดุลของเฟส

ในระบบไฟฟ้าสามเฟส (ซึ่งพบได้ทั่วไปในยุโรปและในโรงงานอุตสาหกรรม) อาจเกิดการโอเวอร์โหลดในเฟสใดเฟสหนึ่งได้ แม้ว่ากำลังไฟฟ้ารวมของสามเฟสจะอยู่ในขีดจำกัดก็ตาม เหตุการณ์นี้เกิดขึ้นหากเครื่องชาร์จรถยนต์ไฟฟ้าส่วนใหญ่ในสถานที่นั้นเป็นแบบเฟสเดียว และบังเอิญต่ออยู่กับเฟสเดียวกัน (เช่น เฟส L1)

ระบบ DLB ที่คำนึงถึงเฟสจะตรวจสอบแต่ละเฟสอย่างอิสระ หากเฟส L1 ถึงขีดจำกัดในขณะที่ L2 และ L3 มีการใช้งานน้อย ตัวควบคุมจะจำกัดเฉพาะรถยนต์ที่เชื่อมต่อกับ L1 เท่านั้น เครื่องชาร์จรถยนต์ไฟฟ้าขั้นสูงบางรุ่นยังสามารถสลับเฟสแบบไดนามิก (การสลับเฟส) ได้ โดยย้ายรถจากเฟสที่มีการใช้งานหนาแน่นไปยังเฟสที่ว่างโดยไม่ขัดจังหวะการชาร์จ

ความผิดเพี้ยนฮาร์มอนิกและคุณภาพพลังงาน

เครื่องชาร์จรถยนต์ไฟฟ้าเป็นโหลดที่ไม่เป็นเชิงเส้นซึ่งใช้อุปกรณ์อิเล็กทรอนิกส์กำลัง (ตัวเรียงกระแส) อุปกรณ์เหล่านี้สามารถปล่อยฮาร์โมนิกส์เข้าสู่ระบบไฟฟ้า ทำให้เกิดความร้อนสูงเกินไปในตัวนำกลาง และรบกวนอุปกรณ์อิเล็กทรอนิกส์ที่ไวต่อสัญญาณรบกวน แม้ว่า DLB จะจัดการ "กำลังไฟฟ้าจริง" (kW) เป็นหลัก แต่ระบบที่ซับซ้อนกว่านั้นยังตรวจสอบ "ความผิดเพี้ยนของฮาร์โมนิกส์ทั้งหมด" (THD) และ "ตัวประกอบกำลัง" (PF) ด้วย หาก THD เกินขีดจำกัดตามข้อกำหนด (เช่น IEEE 519) ระบบ DLB อาจลดความเร็วในการชาร์จเพื่อลดผลกระทบต่อคุณภาพของกำลังไฟฟ้า

การตอบสนองต่อความต้องการและการควบคุมความถี่

ในระดับมหภาค ระบบ DLB สามารถเข้าร่วมในโปรแกรมการตอบสนองต่อความต้องการ (Demand Response หรือ DR) ได้ เมื่อความถี่ของระบบไฟฟ้าลดลง (ซึ่งบ่งชี้ถึงการขาดแคลนอุปทาน) บริษัทผู้ให้บริการไฟฟ้าจะส่งสัญญาณ ตัวควบคุม DLB สามารถตอบสนองได้ภายในไม่กี่มิลลิวินาที โดยลดภาระของรถยนต์ไฟฟ้าในเครื่องชาร์จหลายร้อยเครื่องพร้อมกัน ซึ่งจะสร้างเอฟเฟกต์ "แบตเตอรี่เสมือน" ที่รวดเร็วและคุ้มค่ากว่าการเดินเครื่องโรงไฟฟ้าก๊าซเพื่อเพิ่มกำลังการผลิต การเปลี่ยนจาก "ภาระแบบพาสซีฟ" ไปเป็น "สินทรัพย์ของระบบไฟฟ้าแบบแอคทีฟ" คืออนาคตของการชาร์จอัจฉริยะ

บทบาทของสถานะสำรอง

องค์ประกอบสำคัญของการป้องกันการโอเวอร์โหลดคือ “สถานะปลอดภัย” หรือ “กระแสสำรอง” ในกรณีที่การสื่อสารระหว่างตัวควบคุมและมิเตอร์ (หรือระบบคลาวด์) ล้มเหลว ระบบ DLB จะต้องเปลี่ยนไปใช้กระแสสูงสุดที่กำหนดไว้ล่วงหน้า ซึ่งโดยปกติจะตั้งค่าไว้ที่ค่าต่ำมาก (เช่น 6A ต่อเครื่องชาร์จ) หรือเป็นศูนย์ เพื่อให้มั่นใจว่าแม้ในกรณีที่ระบบล้มเหลวทั้งหมด โครงสร้างพื้นฐานของอาคารก็ยังคงได้รับการปกป้อง

บทที่ 7: การบูรณาการระบบพลังงานหลายรูปแบบ: การเพิ่มประสิทธิภาพ DLB ด้วยระบบ PV และ BESS

การบูรณาการแหล่งพลังงานหมุนเวียน โดยเฉพาะพลังงานแสงอาทิตย์ (PV) และระบบจัดเก็บพลังงานในพื้นที่ เช่น ระบบกักเก็บพลังงานแบตเตอรี่ (BESS) เพิ่มความซับซ้อนให้กับระบบการปรับสมดุลโหลดแบบไดนามิก (Dynamic Load Balancing: DLB) ในการตั้งค่า DLB แบบดั้งเดิม เป้าหมายคือการใช้พลังงานไม่เกินขีดจำกัดของระบบไฟฟ้าหลัก แต่ในระบบพลังงานหลายแหล่ง เป้าหมายคือการบริหารจัดการสินทรัพย์ต่างๆ เหล่านี้ให้มีประสิทธิภาพสูงสุดในการใช้พลังงานเอง ลดต้นทุนจากระบบไฟฟ้าหลัก และสร้างความน่าเชื่อถือ

สมการสมดุลพลังงานหลายแหล่ง

ในสถานที่ที่มีระบบผลิตไฟฟ้าจากพลังงานแสงอาทิตย์ (PV) และระบบกักเก็บพลังงานแบตเตอรี่ (BESS) พลังงานที่ใช้ได้สำหรับการชาร์จรถยนต์ไฟฟ้าจะไม่ใช่แค่ "ขีดจำกัดของระบบไฟฟ้าหลักลบด้วยภาระของอาคาร" อีกต่อไป แต่จะกลายเป็น:P_ev(t) = P_grid_limit – P_building(t) + P_pv(t) + P_bess_discharge(t) – P_bess_charge(t)

สมการนี้ได้นำเสนอตัวแปรควบคุมใหม่หลายตัว ตัวควบคุม DLB จะต้องตัดสินใจไม่เพียงแต่ว่าจะกระจายพลังงานไปยังรถยนต์ไฟฟ้าอย่างไร แต่ยังต้องตัดสินใจด้วยว่าจะชาร์จหรือคายประจุระบบกักเก็บพลังงานแบตเตอรี่เมื่อใด

การชาร์จที่เหมาะสมกับพลังงานแสงอาทิตย์ (การป้องกันการลดกำลังการผลิตของแผงโซลาร์เซลล์)

หนึ่งในกรณีการใช้งานหลักของ DLB แบบหลายพลังงานคือ “การติดตามแสงอาทิตย์” เมื่อดวงอาทิตย์ส่องแสง ระบบ PV อาจผลิตพลังงานได้มากกว่าที่อาคารต้องการใช้ หากโครงข่ายไฟฟ้าไม่อนุญาตให้ส่งพลังงานกลับเข้าไป (ส่งออกเป็นศูนย์) หรือหากอัตราค่าไฟฟ้าที่รับซื้อคืนต่ำ พลังงานส่วนเกินนี้จะถูกทิ้งไปโดยเปล่าประโยชน์ (ถูกตัดทอน) ระบบ DLB อัจฉริยะจะตรวจสอบผลผลิตของ PV และเพิ่มความเร็วในการชาร์จรถยนต์ไฟฟ้าโดยอัตโนมัติเพื่อให้ตรงกับผลผลิตพลังงานแสงอาทิตย์ โหมด “การชาร์จสีเขียว” นี้ได้รับความนิยมอย่างมากในที่อยู่อาศัยและองค์กรต่างๆ เนื่องจากช่วยให้การเดินทางด้วยพลังงานหมุนเวียน 100% โดยไม่มีผลกระทบต่อโครงข่ายไฟฟ้า

การโกนหนวดระดับสูงสุดด้วย BESS

ระบบกักเก็บพลังงานแบตเตอรี่ (BESS) ทำหน้าที่เป็นตัวกันชน ในช่วงที่มีความต้องการสูงสุด เช่น เมื่อมีเครื่องชาร์จเร็ว DC กำลังสูงหลายเครื่องทำงานพร้อมกัน BESS สามารถจ่ายไฟเพื่อเสริมการจ่ายไฟให้กับโครงข่ายไฟฟ้าได้ これにより ทำให้สถานที่นั้นสามารถรองรับเครื่องชาร์จได้มากกว่าที่การเชื่อมต่อกับโครงข่ายไฟฟ้าปกติจะอนุญาต ตัวควบคุม DLB จะจัดการ "สถานะพลังงาน" (SoE) ของ BESS โดยต้องตรวจสอบให้แน่ใจว่าแบตเตอรี่มีกำลังการผลิตเพียงพอที่จะรับมือกับความต้องการสูงสุดที่คาดการณ์ไว้ในครั้งต่อไป พร้อมทั้งกำหนดตารางการชาร์จใหม่ในช่วงที่มีความต้องการต่ำหรือการผลิตพลังงานแสงอาทิตย์สูง

การเพิ่มประสิทธิภาพสินทรัพย์หลายประเภทแบบประสานงาน

ระบบที่ทันสมัยที่สุดใช้แนวทาง “การเพิ่มประสิทธิภาพร่วมกัน” แทนที่จะมองแผงโซลาร์เซลล์ ระบบกักเก็บพลังงานแบตเตอรี่ และรถยนต์ไฟฟ้าเป็นหน่วยแยกต่างหาก ระบบจะจัดการพวกมันในฐานะไมโครกริดแบบรวมศูนย์ ตัวควบคุมจะใช้การเขียนโปรแกรมเชิงเส้นหรืออัลกอริธึมเชิงวิวัฒนาการเพื่อแก้ปัญหาความสมดุลของพลังงานทุกๆ สองสามวินาที ตัวอย่างเช่น หากรถยนต์ต้องออกเดินทางในอีก 1 ชั่วโมง และการผลิตพลังงานแสงอาทิตย์ลดลงเนื่องจากเมฆ ตัวควบคุมจะต้องตัดสินใจว่า ควรดึงพลังงานจากโครงข่ายไฟฟ้าเพิ่ม (แพง) ปล่อยประจุจากระบบกักเก็บพลังงานแบตเตอรี่ (ต้นทุนการทำงานซ้ำ) หรือลดกำลังเครื่องยนต์ของรถ (ผู้ใช้ไม่พอใจ) ตรรกะ “การจัดสรรทางเศรษฐกิจ” (กล่าวถึงในบทที่ 9) เป็นกรอบการทำงานสำหรับการตัดสินใจเหล่านี้

บทที่ 8: แบบจำลองการพยากรณ์พลังงานขั้นสูงสำหรับสถานีชาร์จขนาดใหญ่

สำหรับสถานีชาร์จขนาดใหญ่ เช่น สถานีบริการบนทางหลวง หรือสถานีจอดรถโดยสารในเมือง การวัดค่า DLB แบบตอบสนองนั้นไม่เพียงพอ เพื่อป้องกันความไม่เสถียรของระบบไฟฟ้าและเพิ่มประสิทธิภาพด้านต้นทุนพลังงาน สถานีเหล่านี้ต้องใช้แบบจำลองการคาดการณ์เพื่อคาดการณ์ความต้องการ บทนี้จะสำรวจวิทยาศาสตร์ข้อมูลและเทคนิคการสร้างแบบจำลองที่ใช้สำหรับการพยากรณ์พลังงานในการชาร์จอัจฉริยะ

การพยากรณ์ความต้องการ: การคาดการณ์การมาถึงของยานพาหนะ

ขั้นตอนแรกในการพยากรณ์คือการคาดการณ์ว่ารถยนต์ไฟฟ้าจะเข้ามาเมื่อใดและจำนวนเท่าใด สำหรับศูนย์กลางการค้า ขั้นตอนนี้เกี่ยวข้องกับการวิเคราะห์:

1. รูปแบบการเดินทางมาถึงในอดีต: แนวโน้มตามช่วงเวลาของวัน วันในสัปดาห์ และฤดูกาล
2. ข้อมูลภายนอกปัจจัยที่ส่งผลต่อระยะทางการวิ่งของรถยนต์ไฟฟ้าและภาระการทำความร้อน/ความเย็น ได้แก่ สภาพการจราจร สภาพอากาศ (ซึ่งส่งผลต่อระยะทางการวิ่งของรถยนต์ไฟฟ้าและภาระการทำความร้อน/ความเย็น) และกิจกรรมในท้องถิ่น
3. ทฤษฎีการเข้าคิว: ใช้แบบจำลองเชิงสุ่ม เช่น แบบจำลองคิว M/M/s เพื่อประมาณความน่าจะเป็นที่เครื่องชาร์จทั้งหมดจะถูกใช้งาน

โมเดลขั้นสูงใช้โครงข่ายประสาทเทียมแบบหน่วยความจำระยะยาวและระยะสั้น (LSTM) หรือ Gradient Boosted Trees (XGBoost) เพื่อทำนาย "รูปแบบความต้องการรวม" ในอีก 24 ชั่วโมงข้างหน้าด้วยความแม่นยำสูง

การพยากรณ์ภาระโหลดอาคาร

เพื่อให้ DLB ทำงานได้ มันต้องสามารถทำนายได้ด้วยโหลดที่ไม่ใช่รถยนต์ไฟฟ้าในอาคารสำนักงาน ปริมาณการใช้ไฟฟ้าสามารถคาดการณ์ได้ค่อนข้างแม่นยำ (สูงสุดในช่วงเวลาทำงาน) แต่ในพื้นที่โรงงานอุตสาหกรรม ปริมาณการใช้ไฟฟ้าอาจผันผวนได้ โดยทั่วไปแล้วแบบจำลองการพยากรณ์ปริมาณการใช้ไฟฟ้าในอาคารจะใช้ข้อมูลดังต่อไปนี้:

• แบบจำลอง ARIMA (Auto-Regressive Integrated Moving Average): สำหรับข้อมูลที่มีเสถียรภาพและเป็นไปตามฤดูกาล
• ศาสดา (โดย Meta)เหมาะอย่างยิ่งสำหรับการจัดการกับข้อมูลที่ขาดหายไปและค่าผิดปกติในข้อมูลพลังงานแบบอนุกรมเวลา
• แบบจำลองทางฟิสิกส์: การคาดการณ์ภาระความร้อนของระบบปรับอากาศโดยพิจารณาจากมวลความร้อนของอาคารและอุณหภูมิภายนอกที่คาดการณ์ไว้

การพยากรณ์การผลิตพลังงานแสงอาทิตย์

การคาดการณ์การผลิตพลังงานแสงอาทิตย์มีความสำคัญอย่างยิ่งสำหรับระบบ DLB ที่ใช้พลังงานหลายรูปแบบ ซึ่งต้องอาศัยการบูรณาการกับ API สภาพอากาศที่มีความละเอียดสูง (ข้อมูลความเข้มของแสงอาทิตย์) และเซ็นเซอร์ในสถานที่ การพยากรณ์ระยะสั้น (0-15 นาที) มักใช้กล้อง "Sky Imaging" ที่ติดตามการเคลื่อนที่ของเมฆเพื่อคาดการณ์การลดลงอย่างฉับพลันของผลผลิตจากแผงโซลาร์เซลล์ ทำให้ระบบ DLB สามารถปรับลดกำลังการชาร์จหรือเตรียมระบบกักเก็บพลังงาน (BESS) ให้พร้อมสำหรับการคายประจุได้ล่วงหน้า

อินเทอร์เฟซควบคุมการพยากรณ์

ผลลัพธ์ของการพยากรณ์เหล่านี้จะถูกป้อนเข้าสู่ลูปควบคุมเชิงทำนายแบบจำลอง (MPC) ที่อธิบายไว้ในบทที่ 3 การพยากรณ์นี้ให้ "ขอบเขตการทำนาย" ซึ่งช่วยให้ตัวควบคุมสามารถตัดสินใจในวันนี้โดยคำนึงถึงสภาพที่คาดว่าจะเกิดขึ้นในอีกสองชั่วโมงข้างหน้า ความสามารถในการ "มองไปข้างหน้า" นี้เองที่ทำให้เครื่องชาร์จอัจฉริยะพื้นฐานแตกต่างจากระบบการจัดการพลังงานที่บูรณาการกับโครงข่ายไฟฟ้า

บทที่ 9: การเพิ่มประสิทธิภาพต้นทุนและการจัดสรรพลังงานอย่างประหยัดในระบบชาร์จอัจฉริยะ

แม้ว่าเป้าหมายหลักของ DLB จะเป็นเรื่องทางเทคนิค (การป้องกันการโอเวอร์โหลด) แต่เป้าหมายรองและมีความสำคัญมากขึ้นเรื่อยๆ คือเรื่องเศรษฐกิจ ในบทนี้ เราจะกล่าวถึงวิธีการที่ระบบ DLB ปรับให้เหมาะสมเพื่อให้ได้ต้นทุนพลังงานที่ต่ำที่สุด

การเก็งกำไรตามช่วงเวลาการใช้งาน (Time-of-Use (ToU) Arbitrage)

ปัจจุบันบริษัทสาธารณูปโภคส่วนใหญ่เสนอระบบกำหนดราคาแบบไดนามิก ค่าไฟฟ้าอาจอยู่ที่ 0.30 ดอลลาร์/กิโลวัตต์ชั่วโมง ในเวลา 17.00 น. แต่ลดลงเหลือเพียง 0.05 ดอลลาร์/กิโลวัตต์ชั่วโมง ในเวลา 02.00 น. ระบบ DLB อัจฉริยะจะรับสัญญาณราคาเหล่านี้เป็นข้อมูลป้อนเข้า “ตัวกำหนดตารางเวลาที่เหมาะสมที่สุดด้านต้นทุน” จะจัดสรรโหลดของรถยนต์ไฟฟ้าให้มากที่สุดเท่าที่จะเป็นไปได้ไปยังช่วงเวลาที่มีราคาต่ำ อย่างไรก็ตาม ระบบต้องรักษาสมดุลกับความต้องการของผู้ใช้ หากผู้ใช้ต้องการใช้รถยนต์ในเวลา 20.00 น. ระบบไม่สามารถรอจนถึง 02.00 น. เพื่อเริ่มชาร์จได้ อัลกอริทึมจะคำนวณ “ต้นทุนค่าเสียโอกาส” ของการเลื่อนเวลาในแต่ละรอบการชาร์จ

การจัดการค่าธรรมเนียมตามความต้องการ

สำหรับลูกค้าเชิงพาณิชย์ บิลค่าไฟฟ้ามักจะแบ่งออกเป็นสองส่วน คือ การใช้พลังงาน (kWh) และความต้องการใช้ไฟฟ้าสูงสุด (kW) ค่าใช้จ่ายความต้องการใช้ไฟฟ้าสูงสุดจะคำนวณจากช่วงเวลา 15 นาทีที่สูงที่สุดของเดือน ความต้องการใช้ไฟฟ้าสูงสุดที่ไม่ได้จัดการเพียงครั้งเดียวอาจทำให้เสียค่าใช้จ่ายหลายพันดอลลาร์ ระบบ DLB ทำหน้าที่เป็น "ตัวตัดความต้องการใช้ไฟฟ้าสูงสุด" โดยการกำหนดขีดจำกัดสูงสุดของโหลดรวมของไซต์ และใช้ระบบกักเก็บพลังงานแบตเตอรี่ (BESS) หรือการควบคุมการจ่ายไฟเพื่อรักษาระดับนั้น ระบบจึงมั่นใจได้ว่าค่าใช้จ่ายความต้องการใช้ไฟฟ้าสูงสุดจะอยู่ในช่วงงบประมาณที่กำหนดไว้

การมีส่วนร่วมในตลาดการตอบสนองความถี่

ผู้ให้บริการโครงข่ายไฟฟ้า (TSOs/DSOs) จ่ายเงินสำหรับ “ความยืดหยุ่น” หากเครือข่ายการชาร์จสามารถพิสูจน์ได้ว่าสามารถลดภาระการใช้ไฟฟ้าได้ตามคำสั่ง ก็สามารถเข้าร่วมในตลาดต่างๆ เช่น FFR (Firm Frequency Response) หรือ DSR (Demand Side Response) ได้ ตัวควบคุม DLB ทำหน้าที่เป็นส่วนเชื่อมต่อ เมื่อมี “คำขอความยืดหยุ่น” เข้ามา ตัวควบคุมจะคำนวณว่าสามารถลดภาระการใช้ไฟฟ้าได้อย่างปลอดภัยมากน้อยเพียงใดโดยไม่ละเมิดข้อกำหนด SoC ขั้นต่ำของผู้ใช้ และเสนอราคาในตลาด รายได้ที่เกิดจากบริการเหล่านี้สามารถชดเชยต้นทุนของโครงสร้างพื้นฐานการชาร์จได้อย่างมาก

ฟังก์ชันวัตถุประสงค์ของการจัดสรรทางเศรษฐกิจ

หลักการทางคณิตศาสตร์ที่อยู่เบื้องหลังการปรับให้เหมาะสมนี้โดยทั่วไปคือฟังก์ชันที่มีหลายเป้าหมาย:ลดให้เหลือน้อยที่สุด: (ต้นทุนค่าไฟฟ้าจากโครงข่าย) + (ต้นทุนการเสื่อมสภาพของแบตเตอรี่) + (ค่าปรับสำหรับการชาร์จล่าช้า) ขึ้นอยู่กับ: (ความจุของโครงข่าย) และ (กำหนดเวลาของผู้ใช้)

ด้วยการแก้ปัญหานี้ทุกๆ สองสามนาที ระบบ DLB จึงมั่นใจได้ว่าสถานีจะทำงานที่ "จุดสูงสุดของประสิทธิภาพ" ซึ่งเป็นจุดสมดุลที่ลงตัวระหว่างต้นทุนและประสิทธิภาพ

บทที่ 10: แนวโน้มในอนาคต: V2G, DLB ที่ขับเคลื่อนด้วย AI และการกำหนดมาตรฐาน (OCPP 2.0.1)

เทคโนโลยีการชาร์จรถยนต์ไฟฟ้าอัจฉริยะกำลังพัฒนาไปอย่างรวดเร็วมาก เมื่อเทคโนโลยีเติบโตขึ้น เรากำลังก้าวข้ามการจัดการโหลดแบบธรรมดาไปสู่การบูรณาการกับโครงข่ายไฟฟ้าอย่างเต็มรูปแบบและการเพิ่มประสิทธิภาพแบบอัตโนมัติ บทนี้จะตรวจสอบแนวโน้มที่สำคัญที่สุดสามประการที่กำหนดอนาคตของการปรับสมดุลโหลดแบบไดนามิก ได้แก่ การสื่อสารระหว่างยานพาหนะกับโครงข่ายไฟฟ้า (V2G) ปัญญาประดิษฐ์ และการนำมาตรฐานการสื่อสารรุ่นใหม่มาใช้

การเชื่อมต่อยานพาหนะกับโครงข่ายไฟฟ้า (V2G) และ DLB แบบสองทิศทาง

V2G คือวิวัฒนาการขั้นสุดยอดของการชาร์จอัจฉริยะ แทนที่รถยนต์ไฟฟ้าจะเป็นเพียงโหลด มันจะกลายเป็นแบตเตอรี่เคลื่อนที่ที่สามารถจ่ายพลังงานกลับเข้าสู่ระบบโครงข่ายไฟฟ้าได้ สำหรับ DLB (Difficult Load Balance) นั่นหมายความว่าพลังงานที่มีอยู่ในสมการอาจเป็นค่าลบได้ ในไซต์ที่เปิดใช้งาน V2G ตัวควบคุม DLB ต้องจัดการ "การปรับสมดุลโหลดแบบสองทิศทาง" หากโหลดของอาคารเกินขีดจำกัดของโครงข่ายไฟฟ้า ตัวควบคุมสามารถสั่งให้รถยนต์ไฟฟ้าคายประจุแบตเตอรี่เพื่อรองรับอาคารได้ ซึ่งต้องใช้ "การจัดการรอบการชาร์จ" ที่ซับซ้อนสูงเพื่อให้แน่ใจว่าการคายประจุจะไม่ทำให้แบตเตอรี่ของรถยนต์เสื่อมสภาพมากเกินไป และผู้ใช้ยังมีระยะทางเพียงพอสำหรับการเดินทางครั้งต่อไป V2G ยังจำเป็นต้องมีการอัพเกรดฮาร์ดแวร์ โดยเฉพาะอย่างยิ่งเครื่องชาร์จ DC แบบสองทิศทางหรือเครื่องชาร์จ AC ที่รองรับมาตรฐาน ISO 15118-20

การปรับสมดุลโหลดอัตโนมัติที่ขับเคลื่อนด้วย AI

ในขณะที่ระบบ DLB ในปัจจุบันอาศัยอัลกอริทึมและกฎที่กำหนดไว้ล่วงหน้า ระบบรุ่นต่อไปจะใช้ AI แบบ “เรียนรู้ด้วยตนเอง” โดยใช้การเรียนรู้แบบเสริมแรง (Reinforcement Learning: RL) ตัวควบคุม DLB สามารถเรียนรู้กลยุทธ์การชาร์จที่เหมาะสมที่สุดผ่านการลองผิดลองถูกในสภาพแวดล้อมจำลองก่อนที่จะนำไปใช้งานจริง ตัวควบคุมที่ขับเคลื่อนด้วย AI สามารถระบุรูปแบบที่ละเอียดอ่อนที่วิศวกรอาจมองข้ามไปได้ เช่น ข้อเท็จจริงที่ว่าทุกวันอังคารเวลา 10 โมงเช้า เครื่องจักรในอุตสาหกรรมเครื่องหนึ่งจะทำงานเป็นเวลา 15 นาที ทำให้เกิดโหลดพุ่งสูงขึ้น AI สามารถเรียนรู้ที่จะลดกำลังการชาร์จของเครื่องชาร์จ EV ในช่วงเวลาดังกล่าวได้โดยอัตโนมัติ แม้ว่าจะไม่มีสัญญาณแบบเรียลไทม์จากเครื่องจักรก็ตาม

ผลกระทบของ OCPP 2.0.1 และ ISO 15118

การกำหนดมาตรฐานเป็นรากฐานสำคัญของความสามารถในการขยายขนาด อุตสาหกรรมกำลังเปลี่ยนผ่านอย่างรวดเร็วจาก OCPP 1.6 รุ่นเก่าไปสู่ ​​OCPP 2.0.1 ที่มีความเสถียรกว่ามาก

• OCPP 2.0.1: นำเสนอ “การจัดการอุปกรณ์” ซึ่งช่วยให้ระบบคลาวด์สามารถตรวจสอบสถานะและการกำหนดค่าของเครื่องชาร์จได้อย่างละเอียดมากขึ้น ที่สำคัญกว่านั้นสำหรับ DLB คือ มีฟีเจอร์การชาร์จอัจฉริยะที่ได้รับการปรับปรุง ซึ่งช่วยให้สามารถสร้างโปรไฟล์การชาร์จที่ซับซ้อนยิ่งขึ้นและจัดการระบบสามเฟสได้ดีขึ้น
• ISO 15118 (เสียบปลั๊กและชาร์จ)มาตรฐานการสื่อสารระหว่างรถยนต์และเครื่องชาร์จนี้ช่วยให้รถยนต์สามารถแชร์สถานะการชาร์จ (SoC) และความจุแบตเตอรี่ที่แท้จริงกับเครื่องชาร์จได้ ปัจจุบัน เครื่องชาร์จ AC ส่วนใหญ่จะ "คาดเดา" สถานะการชาร์จ หรือต้องให้ผู้ใช้ป้อนค่าลงในแอป แต่ด้วยมาตรฐาน ISO 15118 ตัวควบคุม DLB จะได้รับข้อมูล "ความจริง" โดยตรงจากระบบจัดการแบตเตอรี่ (BMS) ของรถยนต์ ทำให้การจัดสรรพลังงานมีความแม่นยำมากขึ้น

บทที่ 11: กรณีศึกษาและความท้าทายในการนำไปปฏิบัติ

ความเป็นเลิศทางทฤษฎีนั้นไร้ประโยชน์หากปราศจากการนำไปปฏิบัติจริง ในบทนี้ เราจะมาดูการใช้งานจริงของ DLB และอุปสรรคทางเทคนิคที่วิศวกรต้องเผชิญระหว่างการดำเนินการ

กรณีศึกษาที่ 1: อาคารสำนักงานเชิงพาณิชย์

สำนักงานใหญ่ของบริษัทขนาดใหญ่แห่งหนึ่งในลอนดอนต้องการติดตั้งเครื่องชาร์จรถยนต์ไฟฟ้า 50 เครื่อง แต่มีข้อจำกัดเรื่องกำลังไฟฟ้าจากโครงข่าย 200 กิโลวัตต์ ซึ่งถูกใช้งานไปแล้ว 70% สำหรับระบบปรับอากาศและแสงสว่างของอาคารสารละลาย: มีการนำระบบ DLB แบบไฮบริดมาใช้งาน โดยติดตั้งตัวควบคุมขอบวงจรในพื้นที่เพื่อตรวจสอบหม้อแปลงหลักผ่านแคลมป์ CT ระบบได้รับการกำหนดค่าด้วย "ขีดจำกัดแบบอ่อน" ที่ 180 กิโลวัตต์ และ "ขีดจำกัดแบบแข็ง" ที่ 195 กิโลวัตต์ผลลัพธ์: สถานที่ดังกล่าวสามารถจัดการเครื่องชาร์จ 50 เครื่องได้อย่างราบรื่นโดยไม่มีการตัดวงจรแม้แต่ครั้งเดียว ด้วยการใช้การจัดลำดับความสำคัญตาม SoC พวกเขาจึงมั่นใจได้ว่าพนักงานที่ต้องเดินทางไกลจะได้รับการชาร์จแบตเตอรี่จนเต็มเมื่อสิ้นสุดวันทำงาน

กรณีศึกษาที่ 2: สถานีจอดรถบัสไฟฟ้า

ผู้ประกอบการรถโดยสารในเมืองเซินเจิ้นต้องการชาร์จรถโดยสารไฟฟ้า 100 คันในชั่วข้ามคืน ความท้าทายอยู่ที่การชาร์จพร้อมกันในปริมาณมหาศาลที่เกิดขึ้นเมื่อรถโดยสารทั้งหมดกลับเข้าอู่เวลา 23.00 น.สารละลาย: มีการใช้แบบจำลองการพยากรณ์ที่ใช้ AI เพื่อคาดการณ์ระดับประจุ (SoC) ของรถบัสแต่ละคันเมื่อเดินทางมาถึง โดยอิงจากข้อมูลเส้นทาง ระบบ DLB จะกำหนดตารางการชาร์จเป็น "รอบ" เพื่อให้แน่ใจว่าปริมาณการชาร์จทั้งหมดจะไม่เกินความจุของสถานีจ่ายไฟย่อยของศูนย์ซ่อมบำรุง และเพื่อให้แน่ใจว่ารถบัสทุกคันมีประจุเต็ม 100% ภายในเวลา 5 โมงเช้า

ความท้าทายในการนำไปปฏิบัติที่พบได้ทั่วไป

1. ความซับซ้อนของการสื่อสารและการบูรณาการ:เครื่องชาร์จทุกเครื่องต้องสื่อสารด้วยภาษาของสถานที่นั้นๆ—OCPP สำหรับระบบจัดการส่วนกลาง, ISO 15118 สำหรับตัวรถ และบ่อยครั้งก็ใช้ Modbus หรือ BACnet สำหรับระบบจัดการพลังงานของอาคาร การทำให้ทั้งสามชั้นทำงานร่วมกันได้อย่างน่าเชื่อถือ โดยเฉพาะอย่างยิ่งระหว่างเครื่องชาร์จจากผู้ผลิตที่แตกต่างกัน เป็นหนึ่งในสาเหตุที่พบบ่อยที่สุดของข้อผิดพลาด "ลวง" ซึ่งแท้จริงแล้วคือความไม่ตรงกันของโปรโตคอล
2. การเชื่อมต่อกับโครงข่ายไฟฟ้าและค่าธรรมเนียมการใช้ไฟฟ้าตามความต้องการ:ระบบ DLB แก้ปัญหาทางเทคนิคเรื่องกำลังการผลิตที่จำกัดได้ แต่ปัญหาด้านการค้า—ค่าธรรมเนียมการใช้ไฟฟ้าและค่าเชื่อมต่อกับโครงข่ายไฟฟ้า—ยังคงอยู่ สถานที่ต่างๆ ต้องสร้างแบบจำลองว่ารูปแบบการใช้ไฟฟ้าของตนจะทำให้เกิดจุดสูงสุดของการใช้ไฟฟ้าที่สูงเกินไปหรือไม่ และระบบกักเก็บพลังงานแบตเตอรี่ (BESS) จะคุ้มค่ากว่าการเชื่อมต่อกับโครงข่ายไฟฟ้าขนาดใหญ่หรือไม่
3. คุณภาพข้อมูลและการประมาณค่า SoC:การเพิ่มประสิทธิภาพ DLB จะดีได้ก็ต่อเมื่อข้อมูลที่ป้อนเข้ามีคุณภาพดี รถยนต์จะรายงานสถานะการชาร์จตลอดช่วงการชาร์จ แต่ค่าต่างๆ อาจไม่ทันสมัย ​​ไม่สม่ำเสมอ หรือไม่มีให้ใช้งานในรุ่นเก่า ระบบจึงต้องมีความทนทานต่อข้อมูลที่ขาดหายไป และควรใช้การกำหนดตารางเวลาแบบอนุรักษ์นิยมเมื่อข้อมูลโทรมาตรไม่น่าเชื่อถือ
4. ความสามารถในการปรับขนาดของเลเยอร์ควบคุม:ระบบที่จัดการเครื่องชาร์จ 50 เครื่องได้อย่างราบรื่น อาจทำงานได้ไม่ดีนักเมื่อต้องจัดการกับเครื่องชาร์จ 500 เครื่อง ตัวควบคุมแบบ Edge Controller, แดชบอร์ดบนคลาวด์ และพฤติกรรมการทำงานสำรองเมื่อเกิดข้อผิดพลาด ต้องได้รับการออกแบบให้รองรับขนาดที่ใหญ่ขึ้นตั้งแต่เริ่มต้น โดยตรรกะการควบคุมต้องได้รับการทดสอบกับโหลดที่พุ่งสูงขึ้นอย่างผิดปกติในกรณีที่เลวร้ายที่สุด ไม่ใช่แค่สภาวะเฉลี่ยเท่านั้น

การเอาชนะความท้าทายเหล่านี้

ความท้าทายเหล่านี้ไม่ใช่สิ่งกีดขวาง แต่เป็นระเบียบวินัยในการออกแบบ การกำหนดมาตรฐาน OCPP 1.6J หรือ 2.0.1 กับผู้จำหน่าย CMS รายเดียวจะช่วยลดความยุ่งยากของโปรโตคอลส่วนใหญ่ การจำลองค่าใช้จ่ายตามความต้องการในแผนธุรกิจเบื้องต้น และการเพิ่ม BESS เมื่อตัวเลขเอื้ออำนวย จะช่วยปกป้องผลกำไร และการเลือกผู้จำหน่าย DLB ที่มีประสบการณ์การใช้งานในกลุ่มยานพาหนะขนาดใหญ่ที่ได้รับการพิสูจน์แล้ว แทนที่จะเลือกผู้ที่มีเพียงการสาธิตในห้องปฏิบัติการ จะช่วยลดความเสี่ยงของโครงการทั้งหมด

นอกจากนี้ยังมีมิติของมนุษย์ที่เกี่ยวข้องกับความท้าทายเหล่านี้ วิศวกรที่ติดตั้งระบบ DLB ต้องเข้าใจทั้งระบบไฟฟ้าและซอฟต์แวร์ ซึ่งเป็นสิ่งที่หาได้ยาก ผู้ปฏิบัติงานควรจัดงบประมาณสำหรับการฝึกอบรมอย่างเป็นระบบและคู่มือการใช้งานที่จัดทำเป็นเอกสาร เพื่อที่ว่าเมื่อตัวควบคุมปลายทางส่งสัญญาณเตือนในเวลาตี 2 ช่างเทคนิคที่อยู่เวรจะทราบได้อย่างแน่ชัดว่าต้องตรวจสอบแดชบอร์ดใดและต้องปฏิบัติตามขั้นตอนใด ผู้จำหน่ายที่มีประสบการณ์จะจัดเตรียมคู่มือการใช้งานเหล่านี้เป็นมาตรฐาน และการขาดคู่มือการใช้งานเหล่านี้เป็นสัญญาณเตือนที่ควรระวังในระหว่างการเลือกผู้จำหน่าย

บทสรุป

การปรับสมดุลโหลดแบบไดนามิกและการเพิ่มประสิทธิภาพระบบกักเก็บพลังงานแบตเตอรี่ (BESS) เปลี่ยนการชาร์จรถยนต์ไฟฟ้าจากภาระของระบบไฟฟ้าให้กลายเป็นสินทรัพย์ของระบบไฟฟ้า เทคโนโลยีเหล่านี้ช่วยให้สถานีชาร์จสามารถเพิ่มจำนวนสถานีชาร์จได้ถึงสามเท่าโดยไม่ต้องอัพเกรดหม้อแปลงไฟฟ้า ป้องกันผู้ประกอบการจากค่าธรรมเนียมความต้องการใช้พลังงานที่สูงเกินไป และเปิดประตูสู่แหล่งรายได้ต่างๆ เช่น การลดภาระสูงสุด การเก็งกำไรพลังงาน และแม้แต่บริการด้านระบบไฟฟ้า ซึ่งสถานีชาร์จแบบดั้งเดิมไม่สามารถเข้าถึงได้ เทคโนโลยีนี้มีความสมบูรณ์แล้ว แต่สิ่งที่สำคัญคือการบูรณาการ คุณภาพข้อมูล และการสร้างแบบจำลองกำลังการผลิตที่ถูกต้องแม่นยำ

ประเด็นสำคัญ

• DLB ช่วยให้สามารถติดตั้งเครื่องชาร์จได้มากขึ้นต่อกิโลวัตต์ของการเชื่อมต่อกับโครงข่ายไฟฟ้า ซึ่งมักจะช่วยชะลอหรือขจัดค่าใช้จ่ายในการอัปเกรดหม้อแปลงไฟฟ้าที่มีราคาสูงถึงหลักแสนดอลลาร์
• ระบบ BESS + การคิดค่าบริการ เปลี่ยนปัญหาการคิดค่าบริการตามความต้องการให้กลายเป็นศูนย์สร้างกำไรจากการคิดค่าบริการตามความต้องการ
• การจัดลำดับความสำคัญตาม SoC และการพยากรณ์ด้วย AI ช่วยให้ผู้ใช้งานที่สำคัญ (ผู้โดยสารที่เดินทางโดยรถประจำทาง รถโดยสารประจำทาง) ได้รับการชาร์จอย่างต่อเนื่อง ในขณะเดียวกันก็ช่วยลดภาระการใช้ไฟฟ้าของเว็บไซต์ให้ราบเรียบลง
• ความสามารถในการทำงานร่วมกัน (OCPP, ISO 15118), คุณภาพของข้อมูล และขนาดของผู้จำหน่าย เป็นสามปัจจัยสำคัญที่จะชี้ชะตาความสำเร็จหรือความล้มเหลวในการใช้งานจริง

ติดต่อ MIDA Power

ระบบชาร์จไฟของ MIDA Power มาพร้อมกับระบบปรับสมดุลโหลดแบบไดนามิกในตัว และสามารถเชื่อมต่อกับระบบจัดเก็บพลังงานแบตเตอรี่ (BESS) ได้ โดยทั้งหมดนี้สามารถจัดการได้ผ่านแพลตฟอร์มเดียวที่สอดคล้องกับมาตรฐาน OCPP ไม่ว่าจะเป็นอาคารสำนักงานหรือสถานีขนส่ง เราให้การสนับสนุนด้านวิศวกรรมเพื่อจำลองโหลดของคุณ ปรับขนาดระบบให้เหมาะสม และติดตั้งใช้งานได้อย่างราบรื่น ติดต่อเราเพื่อขอคำปรึกษาเกี่ยวกับการวิเคราะห์โหลดและใบเสนอราคาโครงการ