Оптимальная стратегия зарядки электромобилей, управляемая искусственным интеллектом, с интегрированным улучшением качества энергии в электрических сетях

Почему умная зарядка важна

По мере того как электромобили превращаются из редкости в обычное явление, наши розетки начинают иметь такое же значение, как и выхлопные трубы. Миллионы автомобилей, заряжающихся одновременно, могут незаметно перегружать те же провода и трансформаторы, которые питают дома, больницы и заводы. В этой статье исследуется, как искусственный интеллект может превратить зарядку электромобилей из слепого потребления электроэнергии в скоординированный, почти незаметный танец с сетью — поддерживая стабильность освещения, безопасность оборудования и контроль затрат, при этом водители получают необходимый пробег.

Скрытая нагрузка на линии

Сегодня большинство электромобилей заряжается всякий раз, когда их подключают, и на поведение влияет лишь простая тарификация по времени суток. Когда многие водители заряжаются одновременно, суммарный спрос может вывести районные линии и трансформаторы за пределы их проектной мощности. Быстрые зарядные устройства, использующие силовую электронику, добавляют ещё одну проблему: они могут искажать гладкую синусоиду напряжения сети, вызывая мерцание, дополнительный нагрев и преждевременный износ чувствительных устройств. В исследовании показано, что в реалистичном ответвлении с 20 смешанными зарядками неконтролируемая зарядка привела к колебаниям напряжения за пределами рекомендуемых границ и увеличила гармонические искажения далеко выше промышленных стандартов.

Обучая сеть заглядывать вперёд

Чтобы справиться с этой задачей, авторы сначала дают сети форму предвидения. Они используют современную модель машинного обучения, называемую Temporal Fusion Transformer, чтобы изучать предыдущие паттерны зарядки, измерения сети и типы зарядных устройств. На основе этого система предсказывает, с точными временными шагами, не только сколько энергии потребуется, но и как этот спрос, вероятно, будет искажать напряжение и формы сигналов. Вместо простого прогнозирования суммарной нагрузки она предвидит индикаторы напряжения — например, насколько может отклониться напряжение и насколько искажён может стать ток — чтобы корректирующие действия можно было подготовить до появления проблем.

Пусть ИИ-коуч координирует зарядку

Один только прогноз не защищает сеть; решения делают это. Вторая часть структуры — контроллер на основе обучения, который рассматривает каждый интервал управления как новый ход в долгой игре. Этот контроллер, обученный методом глубокого подкрепления, экспериментирует в моделировании с разными способами замедления, ускорения или перераспределения зарядки между транспортными средствами. Он получает вознаграждения, когда удерживает напряжения близкими к идеальным значениям, снижает искажения формы сигнала, сокращает затраты на электроэнергию и при этом вовремя заполняет батареи. За тысячи эпизодов он обнаруживает схемы зарядки, которые уравновешивают потребности водителей и здоровье сети, избегая резких пиков и равномернее распределяя спрос в течение дня и ночи.

Очистка энергии по ходу её передачи

Даже при тщательном планировании некоторые моменты всё ещё доводят сеть до пределов её возможностей. Для таких случаев в структуру добавлен заключительный слой: оптимизатор качества электроэнергии, связанный с устройствами, способными вводить или поглощать реактивную мощность и фильтровать электрический шум. Этот оптимизатор тонко корректирует план зарядки контроллера так, чтобы напряжения оставались в узких пределах безопасности, а гармонические искажения соответствовали строгим стандартам. Он решает, когда активировать распределительный компенсатор и гармонические фильтры, выбирая настройки, которые сохраняют чистоту энергии при минимизации дополнительных потерь и эксплуатационных затрат.

Что показывают моделирования

Используя детализированную компьютерную модель линий распределения 11 кВ, питающих 20 различных зарядных устройств для электромобилей, авторы сравнивают неконтролируемую зарядку с их подходом, управляемым ИИ. С активной умной системой среднее значение гармонических искажений снижается почти на треть, а худшие всплески сокращаются более чем на две трети, возвращая сеть в рамки рекомендуемых ограничений. Колебания напряжения уменьшаются, а время, в течение которого система находится вне безопасной полосы, сокращается примерно на три четверти. Средний коэффициент мощности — мера того, насколько эффективно сеть поставляет полезную мощность — поднимается с граничного значения до уровня, значительно превышающего типичное требование. При этом структура сокращает общие эксплуатационные расходы, главным образом за счёт избегания расточительных пиков и ненужных потерь.

Баланс между водителями и сетью

Для неспециалистов главный вывод в том, что проблема заключается не в самих электромобилях, а в том, как и когда они потребляют энергию. Исследование показывает, что при правильном сочетании прогнозирования, адаптивного управления и целевого аппаратного «очищения» большие массы электромобилей можно интегрировать в существующие сети без затемнения света или повреждения оборудования. Предложенная система на базе ИИ фактически действует как диспетчер трафика для электронов, направляя сессии зарядки так, чтобы батареи заполнялись вовремя, сеть оставалась в комфортной зоне, а общие эксплуатационные расходы снижались. При масштабировании такой подход к координации может сделать массовое внедрение электромобилей гораздо проще и дешевле, чем простая перерасходка сетевой инфраструктуры.

Цитирование: 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

Ключевые слова: зарядка электромобилей, умная сеть, искусственный интеллект, качество электроэнергии, возобновляемый транспорт