Технико-экономическое интегрированное планирование инфраструктуры зарядки электромобилей с солнечной энергетикой в Индии с использованием многоцелевой системы планирования на базе ИИ

Почему стоит думать о более разумной зарядке

По мере того как Индия стремительно переходит на электрическую мобильность, за каждым новым автомобилем скрывается важный вопрос: где будут подключаться все эти машины, скутеры и автобусы — и кто будет платить за электроэнергию? В этом исследовании рассматривается, как проектировать станции зарядки так, чтобы они были удобны для водителей, доступны по цене, не нагружали электроэнергетическую сеть и максимально использовали солнечный потенциал Индии. Применяя продвинутые методы искусственного интеллекта и экономического моделирования, авторы предлагают подход к планированию сетей зарядки, который лучше работает в условиях городов, на автомагистралях и в энергетической системе, их связывающей.

Связь трафика, солнца и энергосети

Исследователи исходят из простой, но часто игнорируемой истины: спрос на зарядку, выработка солнечной энергии и мощность сети меняются по часам и по местоположению. Вместо того чтобы рассматривать эти элементы раздельно, они строят единый планировочный каркас, который их связывает. Сначала с помощью моделей ИИ прогнозируют почасовой спрос на зарядку для различных типов мест — густонаселённых городских районов, загруженных транспортных узлов и придорожных зон отдыха — опираясь на закономерности времени суток, землепользование и типичные потоки движения. Затем оценивают, сколько солнечной энергии может вырабатывать каждая станция с учётом местного уровня освещённости и реальных потерь из-за нагрева, запыления и характеристик оборудования. Параллельно учитываются тарифы на зарядку электромобилей в Индии 2024 года, которые делают электричество дешевле в дневные «солнечные» часы и дороже ночью, а также задаются ограничения реальных трансформаторов и распределительных линий, подводящих энергию к станциям.

Проектирование станций как единой системы

Имея эти исходные данные, каркас рассматривает каждую станцию зарядки как часть более широкой системы. Для каждой возможной площадки он выбирает, сколько зарядных устройств установить, какой мощности они должны быть, какую внутреннюю электронику использовать и какую солнечную мощность установить на месте. Модель учитывает, как конструкция зарядных устройств влияет на эффективность при разных уровнях нагрузки, что в свою очередь меняет объём потребляемой из сети энергии. Она также проверяет, не перегружаются ли местные трансформаторы и сохраняется ли напряжение в пределах безопасных значений. Сверху технических деталей авторы формируют экономическую картину: рассчитывают капитальные затраты на старте, годовые операционные расходы на энергию и обслуживание, а также выручку от оказания услуг по зарядке. Это позволяет оценить долгосрочные показатели, такие как приведённая стоимость зарядки, период окупаемости и чистая приведённая стоимость для инвесторов.

Давая алгоритмам изучать компромиссы

Поскольку не существует единого «лучшего» решения, которое одновременно минимизирует затраты, нагрузку на сеть и углеродный след, команда использует эволюционный метод оптимизации NSGA-II для изучения тысяч конфигураций. Алгоритм ищет сочетания местоположений станций, размеров зарядных устройств и солнечной мощности, которые обеспечивают разные балансы между тремя целями: снижением общей стоимости, сокращением пикового потребления из сети и максимизацией доли энергии от солнечных панелей. Вместо того чтобы сводить эти цели в единую оценку, метод формирует семейство «Парето-оптимальных» решений — каждое из них не превосходится по всем трём критериям одновременно. Планировщики затем могут выбирать вдоль этого фронтира в зависимости от того, что для них важнее: доходность для инвесторов, разгрузка сети или использование возобновляемой энергии.

Что происходит при полной оптимизации

Каркас протестирован на реалистичном смешанном регионе, напоминающем городской центр Хайдарабада и прилегающую скоростную трассу. Авторы сравнивают три подхода: базовую сеть, опирающуюся только на сеть без солнечных панелей и оптимизации; простую эвристическую схему, добавляющую солнце в виде фиксированной доли от пикового спроса; и их полностью оптимизированный со-дизайн. Результаты впечатляют. В оптимизированном варианте пиковая нагрузка на сеть от станций снижается примерно на 28–35 процентов, что помогает избежать перегрузки трансформаторов и дорогостоящих обновлений сети. Средняя загрузка зарядных устройств и солнечного оборудования возрастает на 40–70 процентов, то есть оборудование используется более эффективно вместо простоя. Операционные расходы снижаются на 14–19 процентов, а долгосрочная стоимость энергии для зарядки падает на 12–18 процентов по сравнению с базовым сценарием. Важно, что проекты, которые в традиционном планировании выглядели финансово невыгодными, становятся привлекательными: сроки окупаемости сокращаются, а доходность улучшается.

Что это означает для водителей и политиков

Для обычного владельца электромобиля вывод простой: грамотное планирование станций с использованием солнечной энергии может сделать заправку чище и дешевле, не перегружая при этом сеть, которая обеспечивает электричеством дома и предприятия. Для энергетических компаний, городских планировщиков и частных инвесторов исследование предлагает практичный инструмент на базе ИИ, позволяющий решить, где строить станции, какого они должны быть размера и в какой степени опираться на солнце вместо сети. Проектируя сети зарядки, которые учитывают реальные маршруты движения, местные лимиты сети и дневное солнечное преимущество Индии, авторы показывают, что переход к электрической мобильности может быть одновременно экономически оправдан и технически надежен. Проще говоря, более разумное планирование превращает зарядные станции из потенциальной проблемы для сети в скоординированный, снабжаемый солнечной энергией актив для энергетического будущего Индии.

Цитирование: 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

Ключевые слова: зарядка электромобилей, солнечная энергия, умная сеть, энергетическая политика Индии, прогнозирование на базе ИИ