Strategia optymalnego ładowania napędzana sztuczną inteligencją dla EV z zintegrowanym poprawianiem jakości energii w sieciach elektroenergetycznych

Dlaczego inteligentniejsze ładowanie ma znaczenie

W miarę jak pojazdy elektryczne przestają być ciekawostką, a stają się normą, nasze gniazdka zaczynają mieć znaczenie podobne do rur wydechowych. Miliony aut ładujących się jednocześnie mogą potajemnie obciążać te same przewody i transformatory, które zasilają domy, szpitale i fabryki. Artykuł bada, jak sztuczna inteligencja może przekształcić ładowanie EV z niekontrolowanego poboru mocy w skoordynowany, prawie niewidoczny taniec z siecią — utrzymując stabilne oświetlenie, bezpieczeństwo urządzeń i kontrolę kosztów, podczas gdy kierowcy nadal otrzymują potrzebny zasięg.

Ukryte obciążenie przewodów

Dziś większość samochodów elektrycznych ładuje się zawsze, gdy są podłączone, a jedyną wskazówką dla zachowań są proste taryfy zależne od pory dnia. Gdy wielu kierowców ładuje się jednocześnie, łączny popyt może przeciążyć linie osiedlowe i transformatory poza ich projektowe limity. Szybkie ładowarki, które opierają się na elektronice mocy, wprowadzają kolejne komplikacje: mogą zniekształcać gładki sinusoidalny przebieg napięcia sieci, powodując migotanie, dodatkowe nagrzewanie i przedwczesne zużycie wrażliwych urządzeń. Badanie pokazuje, że w realistycznym odcinku z 20 mieszanymi ładowarkami niekontrolowane ładowanie spowodowało wychylenia napięcia poza zalecane limity i znaczny wzrost zniekształceń harmonicznych powyżej standardów branżowych.

Nauczenie sieci przewidywania

Aby poradzić sobie z tym wyzwaniem, autorzy najpierw dali sieci formę wglądu w przyszłość. Wykorzystali nowoczesny model uczenia maszynowego zwany Temporal Fusion Transformer do analizy przeszłych wzorców ładowania, pomiarów sieci i typów ładowarek. Na tej podstawie system przewiduje, w drobnych krokach czasowych, nie tylko ile mocy będzie potrzebne, ale także w jaki sposób to zapotrzebowanie może zaburzyć napięcie i przebiegi. Zamiast jedynie prognozować całkowite obciążenie, przewiduje wskaźniki stresu — na przykład jak daleko napięcie może się odchylić i jak bardzo prąd może zostać zniekształcony — tak aby działania korygujące można było przygotować zanim pojawią się problemy.

Pozwolenie AI na koordynowanie ładowania

Samo prognozowanie nie chroni sieci; decyzje tak. Drugim elementem ram jest kontroler oparty na uczeniu, który traktuje każdy interwał sterowania jako nowy ruch w długiej grze. Ten kontroler, trenowany metodą znaną jako głębokie uczenie ze wzmocnieniem, eksperymentuje w symulacji z różnymi sposobami spowalniania, przyspieszania lub przesuwania ładowania między pojazdami. Otrzymuje nagrody, gdy utrzymuje napięcia blisko wartości idealnej, zmniejsza zniekształcenia przebiegów, ogranicza koszty energii i jednocześnie ładuje baterie na czas. Po tysiącach epizodów odkrywa wzorce ładowania, które równoważą potrzeby kierowców z kondycją sieci, unikając ostrych pików i rozkładając zapotrzebowanie bardziej równomiernie w ciągu dnia i nocy.

Oczyszczanie energii w trakcie przepływu

Nawet przy starannym harmonogramowaniu zdarzają się momenty, które zbliżają sieć do jej granic. Na te sytuacje ramy dodają ostatnią warstwę: optymalizator jakości mocy powiązany z urządzeniami, które mogą wstrzykiwać lub pochłaniać moc bierną oraz filtrować zakłócenia elektryczne. Optymalizator dopracowuje plan ładowania kontrolera tak, aby napięcia utrzymywały się w wąskich bezpiecznych pasmach, a zniekształcenia harmoniczne respektowały rygorystyczne normy. Decyduje, kiedy aktywować kompensator rozdzielczy i filtry harmoniczne, wybierając ustawienia, które utrzymują czystość energii przy minimalizacji dodatkowych strat i kosztów eksploatacji.

Co ujawniają symulacje

Wykorzystując szczegółowy model komputerowy linii dystrybucyjnej 11 kV zasilającej 20 różnych ładowarek EV, autorzy porównują niekontrolowane ładowanie z ich podejściem sterowanym przez AI. Po aktywacji inteligentnego systemu średnie zniekształcenia harmoniczne spadają niemal o jedną trzecią, a najgorsze skoki maleją ponad dwoma trzeciami, przywracając sieć poniżej zalecanych limitów. Wahania napięcia zmniejszają się, a czas, w którym system przebywa poza bezpiecznym pasmem, skraca się w przybliżeniu o trzy czwarte. Średni współczynnik mocy — miara tego, jak efektywnie sieć dostarcza użyteczną energię — rośnie z wartości granicznej do komfortowo powyżej typowego wymogu. Równocześnie ramy redukują całkowite koszty eksploatacji, głównie poprzez unikanie marnotrawnych pików i niepotrzebnych strat.

Równoważenie potrzeb kierowców i sieci

Dla osób niebędących specjalistami kluczowe przesłanie jest takie, że problemem nie są same samochody elektryczne, lecz to, jak i kiedy pobierają energię. Badanie pokazuje, że przy odpowiedniej kombinacji prognozowania, adaptacyjnego sterowania i ukierunkowanego sprzętu do poprawy jakości, duża liczba EV może zostać włączona do istniejących sieci bez przygaszania świateł czy uszkadzania urządzeń. Proponowany system oparty na AI działa jak kontroler ruchu dla elektronów, kierując sesjami ładowania tak, by baterie były ładowane na czas, sieć pozostawała w bezpiecznym zakresie, a ogólny koszt eksploatacji spadał. W przypadku skali, tego rodzaju inteligentna koordynacja może uczynić powszechne przyjęcie EV znacznie łatwiejszym i tańszym niż po prostu nadmierne rozbudowywanie sieci.

Cytowanie: K, S., C, M. Artificial intelligence-driven optimal charging strategy for EV with integrated power quality enhancement in electric power grids. Sci Rep 16, 10884 (2026). https://doi.org/10.1038/s41598-026-36546-7

Słowa kluczowe: ładowanie pojazdów elektrycznych, inteligentna sieć, sztuczna inteligencja, jakość energii, transport odnawialny