Optymalne rozmieszczenie stacji ładowania pojazdów elektrycznych i rozproszonej generacji przez partycjonowanie sieci dystrybucyjnej przy użyciu zmodyfikowanego algorytmu Newmana Fast

Ładowanie na rzecz czystszych miast

W miarę jak coraz więcej kierowców przesiada się z samochodów benzynowych na elektryczne, nasze sieci energetyczne muszą nadążyć. Szybkie i wygodne ładowanie jest niezbędne, ale jeśli wiele samochodów podłączy się jednocześnie, lokalna sieć słupów, przewodów i transformatorów może zostać przeciążona. Artykuł bada, jak lepiej rozmieszczać zarówno stacje ładowania pojazdów elektrycznych, jak i niewielkie lokalne źródła energii, aby dzielnice mogły przyjąć więcej EV przy jednoczesnym utrzymaniu stabilności zasilania i niższych rachunków.

Podział dużych sieci na mniejsze sąsiedztwa

Zamiast traktować miejską sieć dystrybucyjną jako jeden wielki splątany układ przewodów, autorzy dzielą ją na mniejsze, elektrycznie spójne „sąsiedztwa” nazywane wirtualnymi mikrosieciami. Wykorzystują technikę z nauki o sieciach — zmodyfikowany algorytm Newmana Fast — ale adaptują ją do elektryczności, mierząc, jak mocno dwa punkty w sieci są powiązane w sensie rzeczywistych parametrów elektrycznych, a nie tylko odległości fizycznej. Miara ta, nazwana siłą sprzężenia elektrycznego, łączy łatwość przepływu mocy między dwoma punktami z nośnością poszczególnych linii. Efektem jest zestaw klastrów, w których linie wewnątrz każdego klastra są silnie połączone i funkcjonują jako spójna lokalna strefa.

Dodawanie ładowarek i małych elektrowni tam, gdzie przynoszą największe korzyści

Gdy sieć zostanie podzielona na te wirtualne sąsiedztwa, kolejnym krokiem jest decyzja, gdzie umieścić każdą stację ładowania EV i każde źródło rozproszonej generacji, np. niewielki generator synchroniczny czy jednostkę wiatrową. Autorzy przypisują każdej wirtualnej mikrosieci dokładnie jedną stację ładowania i jedno małe źródło mocy. Następnie poszukują najlepszego węzła (busa) w obrębie każdego sąsiedztwa, koncentrując się na najsłabszych punktach systemu — lokalizacjach, gdzie napięcie jest najniższe i stabilność najgorsza. Wzmacniając te punkty, można zmniejszyć straty energii i utrzymać napięcia w bezpiecznych granicach, nawet przy rosnącym zapotrzebowaniu na ładowanie EV.

Czerpanie strategii z natury, by znaleźć najlepsze rozmieszczenie

Znajdowanie optymalnego zestawu lokalizacji i rozmiarów ładowarek oraz generatorów to ogromna łamigłówka z wieloma zmiennymi. Aby ją rozwiązać, autorzy porównują trzy zaawansowane metody poszukiwań znane jako metaheurystyki. Dwie z nich to nowe, inspirowane naturą podejścia: algorytm optymalizacji rozgwiazdy (Starfish Optimization), oparty na sposobie żerowania i odrastania ramion rozgwiazd, oraz algorytm optymalizacji pumy (Puma Optimization), oparty na eksploracji i polowaniu pum w ich terytorium. Trzeci — Particle Swarm Optimization — to bardziej ugruntowana technika modelowana na zachowaniach stad ptaków lub ławic ryb. Wszystkie trzy dążą do minimalizacji strat mocy w liniach przy jednoczesnym poprawieniu miary stabilności napięcia, z zachowaniem ograniczeń operacyjnych, takich jak nagrzewanie linii czy maksymalne moce generatorów.

Duże poprawy w małych i dużych sieciach

Badacze testują swoją metodę na dwóch standardowych sieciach referencyjnych: umiarkowanym systemie 33‑węzłowym oraz znacznie większym systemie 118‑węzłowym. W mniejszym przypadku ich metoda zmniejsza straty mocy czynnej o około 82 procent i podnosi najniższe napięcie z niepokojącego poziomu do wartości bliskiej pożądanej, jednocześnie znacząco poprawiając indeks stabilności. W większej sieci straty spadają o około 68–69 procent przy podobnych korzyściach dla jakości napięcia i stabilności. Spośród trzech metod poszukiwań algorytm oparty na pumie konwerguje najszybciej do rozwiązań wysokiej jakości, zwłaszcza w większej sieci, co sugeruje, że jest dobrze dopasowany do planowania na dużą skalę, gdy czas i moc obliczeniowa są ograniczone.

Patrząc w stronę sieci czasu rzeczywistego bogatych w odnawialne źródła

Ponad statycznym planowaniem, badanie szkicuje, jak tę strategię można rozszerzyć na bardziej realistyczne, zmienne w czasie warunki. Autorzy tworzą dzienne profile obciążeń dla różnych typów odbiorców i symulują niekoordynowane ładowanie EV, które podnosi szczytowe zapotrzebowanie i obciążenie sieci. Następnie dodają generatory wiatrowe wewnątrz wirtualnych mikrosieci i pokazują, że te lokalne odnawialne źródła mogą wygładzać szczyty zarówno zapotrzebowania, jak i strat, jednocześnie dodatkowo wspierając napięcia. Chociaż obecne badanie koncentruje się bardziej na wydajności technicznej niż na kosztach czy emisjach, wskazuje na przyszłość, w której miejskie sieci będą podzielone na inteligentne sąsiedztwa goszczące ładowarki EV i lokalną czystą generację w precyzyjnie wybranych miejscach.

Co to oznacza dla codziennych kierowców

Dla laików główne przesłanie jest takie, że to, gdzie umieszczamy stacje ładowania i małe elektrownie, ma równie duże znaczenie jak to, ile ich zbudujemy. Najpierw dzieląc sieć na naturalne elektryczne sąsiedztwa, a potem używając inteligentnych, inspirowanych naturą metod poszukiwań, przedsiębiorstwa energetyczne mogą dramatycznie obniżyć straty, utrzymać stabilne napięcia i zrobić miejsce dla znacznie większej liczby pojazdów elektrycznych. W praktyce oznacza to mniej blackoutów i brownoutów, bardziej niezawodne ładowanie oraz płynniejszą drogę do czystszych rozwiązań transportowych, gdy odnawialne źródła i EV staną się centralnym elementem codziennego życia.

Cytowanie: Mohamed, M.A.E., Gawish, A.N.A. & Metwally, M.E. Optimal electric vehicle charging stations and distributed generation placement by partitioning the distribution network using the modified newman fast algorithm. Sci Rep 16, 6341 (2026). https://doi.org/10.1038/s41598-026-35433-5

Słowa kluczowe: ładowanie pojazdów elektrycznych, sieci dystrybucji energii, rozproszona generacja, optymalizacja sieci, wirtualne mikrosieci