Techniczno-ekonomiczne zintegrowane planowanie infrastruktury ładowania pojazdów elektrycznych zintegrowanej z energią słoneczną w Indiach przy użyciu wielokryterialnego ramienia planistycznego z wbudowaną sztuczną inteligencją

Dlaczego inteligentniejsze ładowanie ma znaczenie

W miarę jak Indie przyspieszają w kierunku mobilności elektrycznej, za każdym nowym pojazdem kryje się pytanie: gdzie będą podłączane wszystkie te samochody, skutery i autobusy — i kto zapłaci za energię? Badanie to analizuje, jak projektować stacje ładowania, by były nie tylko wygodne dla kierowców, lecz także przystępne cenowo, przyjazne dla sieci elektroenergetycznej i dobrze dopasowane do obfitego tam nasłonecznienia. Wykorzystując zaawansowaną sztuczną inteligencję i modelowanie ekonomiczne, autorzy proponują sposób planowania sieci ładowania, który lepiej działa w miastach, na autostradach i w systemie energetycznym je łączącym.

Łączenie ruchu, słońca i sieci elektroenergetycznej

Badacze wychodzą od prostego, ale często pomijanego faktu: zapotrzebowanie na ładowanie EV, energia słoneczna i zdolności sieci zmieniają się godzina po godzinie i miejsce po miejscu. Zamiast traktować te elementy osobno, budują zunifikowane ramy planistyczne, które je łączą. Najpierw prognozują godzinowe zapotrzebowanie na ładowanie w różnych typach lokalizacji — gęste dzielnice miejskie, ruchliwe węzły komunikacyjne i przydrożne stacje odpoczynku — używając modeli AI, które uczą się z wzorców pory dnia, wykorzystania terenu i typowych przepływów ruchu. Następnie szacują, ile energii słonecznej każda stacja mogłaby wyprodukować, bazując na lokalnym nasłonecznieniu oraz realistycznych stratach wynikających z ciepła, kurzu i sprzętu. Równocześnie uwzględniają taryfy EV obowiązujące w Indiach w 2024 r., które czynią energię tańszą w ciągu dnia — w „solarnych godzinach” — i droższą w nocy, oraz modelują ograniczenia rzeczywistych transformatorów i linii dystrybucyjnych zasilających stacje.

Projektowanie stacji jako systemu całościowego

Z tymi elementami ramy traktują każdą stację ładowania jako część większego systemu. Dla każdej możliwej lokalizacji wybierają, ile ładowarek zainstalować, jakiej mają być mocy, jaką elektronikę wewnętrzną zastosować i ile mocy słonecznej dodać na miejscu. Model odzwierciedla, jak konstrukcja ładowarki wpływa na sprawność przy różnych poziomach obciążenia, co z kolei zmienia ilość mocy pobieranej z sieci. Sprawdza też, by lokalne transformatory nie były przeciążone i by napięcie pozostawało w bezpiecznych granicach. Poza detalami inżynieryjnymi autorzy budują obraz finansowy: obliczają nakłady inwestycyjne, roczne koszty operacyjne na energię i utrzymanie oraz przychody ze świadczenia usług ładowania. Pozwala to ocenić długoterminowe miary, takie jak zdyskontowany koszt ładowania, okres zwrotu i wartość netto dla inwestorów.

Pozwalanie algorytmom badać kompromisy

Ponieważ nie istnieje jedyny „najlepszy” projekt jednocześnie minimalizujący koszty, obciążenie sieci i wpływ na emisje, zespół wykorzystuje ewolucyjną metodę optymalizacji NSGA-II, aby zbadać tysiące konfiguracji. Algorytm poszukuje kombinacji lokalizacji stacji, rozmiarów ładowarek i mocy słonecznej osiągających różne równowagi między trzema celami: obniżeniem całkowitych kosztów, redukcją szczytowego poboru mocy z sieci oraz maksymalizacją udziału energii dostarczonej przez panele słoneczne. Zamiast łączyć te cele w jedną ocenę, metoda generuje rodzinę rozwiązań „optymalnych Pareto” — każde z nich nie da się poprawić jednocześnie we wszystkich trzech kryteriach. Planerzy mogą następnie wybierać wzdłuż tej granicy, w zależności od tego, czy zależy im najbardziej na zwrocie dla inwestorów, odciążeniu sieci czy wykorzystaniu odnawialnych źródeł energii.

Co się dzieje, gdy wszystko jest zoptymalizowane

Ramy zostały przetestowane na realistycznym, mieszanym obszarze przypominającym centrum miejskie Hyderabad i otaczający je odcinek ekspresówki. Autorzy porównują trzy podejścia: podstawową sieć tylko zasilaną z sieci bez energii słonecznej i bez optymalizacji; proste podejście oparte na zasadach, które dodaje pewną ilość energii słonecznej ustaloną jako stały udział szczytowego zapotrzebowania; oraz ich w pełni zoptymalizowane współprojektowanie. Wyniki są uderzające. W przypadku zoptymalizowanym szczytowe obciążenie sieci na stacjach spada o około 28–35 procent, co pomaga uniknąć przeciążeń transformatorów i kosztownych modernizacji sieci. Średnie wykorzystanie ładowarek i wyposażenia słonecznego wzrasta o 40–70 procent, co oznacza, że sprzęt jest używany bardziej efektywnie zamiast pozostawać nieaktywny. Koszty operacyjne spadają o 14–19 procent, a długoterminowy koszt energii do ładowania maleje o 12–18 procent w porównaniu z punktem odniesienia. Co istotne, projekty, które w tradycyjnym planowaniu wydają się finansowo nieatrakcyjne, stają się opłacalne, z krótszym okresem zwrotu i lepszymi stopami zwrotu.

Co to oznacza dla kierowców i decydentów

Dla przeciętnego kierowcy EV istotne jest, że dobrze zaplanowane, zasilane energią słoneczną stacje mogą uczynić tankowanie czystszym i tańszym, nie przeciążając przy tym sieci, która zasila oświetlenie i inne usługi. Dla zakładów energetycznych, planistów miejskich i prywatnych inwestorów badanie dostarcza praktyczne, wspierane przez AI narzędzie do decyzji, gdzie budować stacje, jak duże powinny być i w jakim stopniu korzystać ze słońca zamiast z sieci. Projektując sieci ładowania zgodne z rzeczywistymi wzorcami podróży, respektujące lokalne ograniczenia sieciowe i wykorzystujące dzienną przewagę słoneczną Indii, autorzy pokazują, że transformacja ku mobilności elektrycznej może być zarówno opłacalna, jak i technicznie wykonalna. W prostych słowach: inteligentniejsze planowanie zamienia ładowarki EV z potencjalnego problemu dla sieci w skoordynowany, zasilany słońcem atut dla przyszłości energetycznej Indii.

Cytowanie: Kotla, R.W., Anil, N., Lagudu, J. et al. Techno economic integrated planning of solar integrated electric vehicle charging infrastructure in India using an AI enabled multi objective planning framework. Sci Rep 16, 6393 (2026). https://doi.org/10.1038/s41598-026-37080-2

Słowa kluczowe: ładowanie pojazdów elektrycznych, energia słoneczna, inteligentna sieć, polityka energetyczna Indii, prognozowanie AI