Dwustopniowe ramy optymalizacji wielokryterialnej do skoordynowanego planowania ładowania EV i dyspunkcji mocy biernej

Dlaczego inteligentniejsze ładowanie samochodów elektrycznych ma znaczenie

Pojazdy elektryczne obiecują czystsze powietrze i niższe emisje gazów cieplarnianych, ale jeśli miliony kierowców będą podłączać się kiedy tylko chcą, lokalna sieć energetyczna może nie sprostać obciążeniu. Transformatory mogą zostać przeciążone, straty mocy wzrosną, a napięcia wyjdą poza bezpieczne granice. W artykule przedstawiono praktyczny sposób zarządzania ładowaniem domowym setek EV jednocześnie, ograniczający marnotrawstwo i koszty, przy jednoczesnym utrzymaniu zasilania i dobrej kondycji sieci.

Równoważenie samochodów i przewodów

Autorzy koncentrują się na typowej miejskiej sieci rozdzielczej: promieniu radialnym z 33 węzłami obsługującym gospodarstwa domowe, w których 984 samochody elektryczne ładują się głównie nocą. Zamiast pozwalać kierowcom na natychmiastowe ładowanie po przybyciu, centralny komputer zwany agregatorem koordynuje, kiedy każdy samochód rzeczywiście pobiera energię. Celem jest rozłożenie ładowania na całą noc, unikanie skoków zapotrzebowania, przy jednoczesnym spełnieniu wymogu, by każdy kierowca odjechał z niemal pełną baterią. Ma to znaczenie, ponieważ obecne sieci nie były projektowane pod kątem dużych skupisk EV na tych samych ulicach, a niezarządzane ładowanie może podwoić straty mocy i przeciążyć wyposażenie ponad jego znamionową pojemność.

Dwa sposoby planowania

Ramy obejmują dwa style planowania. W trybie „na dzień naprzód” agregator planuje kolejne 24 godziny z wyprzedzeniem, wykorzystując prognozy cen energii, podstawowego zapotrzebowania gospodarstw domowych oraz oczekiwanych czasów przyjazdu i odjazdu EV. Przeprowadza szczegółowe obliczenia przepływu mocy, kontrolując obciążenie transformatorów, straty w liniach i napięcia w każdym węźle. W trybie „w czasie rzeczywistym” system aktualizuje decyzje co pięć minut tylko dla świeżo przybyłych samochodów, używając prostszych wzorów zamiast pełnych obliczeń sieciowych, aby pozostać wystarczająco szybkim do sterowania online. Planowanie na dzień naprzód ma przewagę w postrzeganiu całego obrazu i może znaleźć rozwiązanie bliskie optimum globalnemu; planowanie w czasie rzeczywistym lepiej reaguje na niespodzianki, takie jak kierowcy przybywający później niż oczekiwano lub potrzebujący więcej energii niż zwykle.

Wykorzystanie zaparkowanych samochodów do wsparcia sieci

Kluczową innowacją jest to, że autorzy nie ograniczają się do harmonogramowania czasu ładowania; wykorzystują też elektronikę wewnątrz ładowarek do kształtowania przepływu energii niemagazynowanej, zwanej mocą bierną. W przeciwieństwie do oddawania energii z baterii do sieci, dostarczanie mocy biernej nie skraca żywotności akumulatora. Gdy lokalne napięcia opadają lub rosną, inwerter ładowarki może wstrzykiwać lub pobierać tego rodzaju moc, aby skorygować napięcia w kierunku wartości optymalnej. Aby utrzymać problem w ryzach, metoda nie dostraja każdej pojedynczej ładowarki; zamiast tego decyduje, ile mocy biernej powinno być dostarczone w każdym węźle sieci, w oparciu o to, ile EV jest tam podłączonych i jak intensywnie się ładują.

Inteligentniejsze algorytmy w tle

Ponieważ system musi jednocześnie godzić kilka celów—minimalizować straty mocy, spłaszczać krzywą obciążenia, utrzymywać napięcia w granicach ±5% wartości nominalnej oraz obniżać koszty ładowania—autorzy przedstawiają zadanie jako problem optymalizacji wielokryterialnej. Testują kilka nowoczesnych metod „metaheurystycznych” inspirowanych naturą, w tym roje cząstek i wzorce ruchu zwierząt. Wśród nich stosunkowo nowa metoda zwana algorytmem muczyka (Slime Mould Algorithm) wypada najlepiej, konsekwentnie znajdując rozwiązania redukujące zarówno obciążenie sieci, jak i rachunki klientów. Badanie analizuje też kompromisy między celami za pomocą frontów Pareto, co pozwala operatorom wybierać, na przykład, czy priorytetem mają być niższe straty czy tańsze ładowanie.

Co pokazują liczby

Symulacje ujawniają znaczące korzyści. Przy niezarządzanym ładowaniu dzienna energia tracona jako ciepło w sieci wynosi około 4,04 megawatogodziny. Przy skoordynowanym ładowaniu samo to zmniejsza się o około 19% w scenariuszu na dzień naprzód i o 16% w scenariuszu czasu rzeczywistego. Gdy dodano sterowanie mocą bierną z ładowarek EV, straty spadają jeszcze bardziej — do 2,55 i 2,77 megawatogodziny dla strategii na dzień naprzód i w czasie rzeczywistym — co daje redukcję strat o 36,8% i 31,4%. Maksymalne obciążenie stacji transformatorowej zostało przywrócone do granicy znamionowej 5 MVA, a napięcia wzdłuż najbardziej odległego odgałęzienia utrzymują się powyżej 0,95 jednostki. Po stronie klienta całkowite koszty ładowania zmniejszają się o około 29% dla harmonogramowania na dzień naprzód i o 34% dla harmonogramowania w czasie rzeczywistym, głównie dzięki przesunięciu ładowania na godziny o niższych taryfach przy jednoczesnym spełnieniu żądanego stanu naładowania przez każdego kierowcę.

Co to oznacza dla zwykłych kierowców

Dla właścicieli EV proponowane podejście jest w dużej mierze niewidoczne: nadal podłączasz się w domu i określasz, kiedy musisz wyjechać i jak pełna ma być bateria. W tle oprogramowanie operatora sieci rozciąga czasy ładowania i dyskretnie dostosowuje sposób, w jaki ładowarki współdziałają z siecią, dzięki czemu dzielnice mogą pomieścić znacznie więcej samochodów elektrycznych bez kosztownych modernizacji. Badanie pokazuje, że skoordynowane ładowanie EV i inteligentne wykorzystanie elektroniki ładowarek mogą znacząco zmniejszyć marnotrawstwo energii, utrzymać napięcia w bezpiecznych granicach i obniżyć rachunki, torując drogę dla czystszych środków transportu, które bez zakłóceń wpisują się w istniejące systemy energetyczne.

Cytowanie: Badr, M.S., Sharaf, H.M. & Zobaa, A.M. A two-stage multi-objective optimization framework for coordinated EV charging scheduling and reactive power dispatch. Sci Rep 16, 12470 (2026). https://doi.org/10.1038/s41598-026-45109-9

Słowa kluczowe: ładowanie pojazdów elektrycznych, inteligentna sieć, sterowanie mocą bierną, sieci rozdzielcze, optymalizacja wielokryterialna