Двухэтапная многоцелeвая оптимизационная структура для координированного планирования зарядки электромобилей и распределения реактивной мощности

Почему умная зарядка электромобилей важна

Электромобили обещают чищеe воздушное пространство и снижение выбросов парниковых газов, но если миллионы водителей будут подключаться к сети в произвольное время, локальная энергосистема может испытывать затруднения. Трансформаторы могут перегружаться, потери мощности увеличиваются, а напряжения отклоняются за пределы допустимых значений. В этой статье представлен практичный способ управлять домашней зарядкой сотен электромобилей одновременно, снижая потери и расходы при сохранении надежности сети.

Баланс между машинами и линиями

Авторы сосредотачиваются на типичной городской распределительной сети: радиальном ответвлении на 33 узла, обслуживающем дома, где 984 электромобиля в основном заряжаются ночью. Вместо того чтобы позволять водителям начинать заряд мгновенно по прибытии, центральный компьютер — агрегатор — координирует, когда каждое авто фактически потребляет энергию. Цель — равномерно распределить зарядку в течение ночи, избегая пиков спроса, при этом удовлетворяя требование каждого водителя уехать с почти полной батареей. Это важно, потому что нынешние сети не были спроектированы для крупных скоплений электромобилей на одних и тех же улицах, и неконтролируемая зарядка может удвоить потери энергии и вывести оборудование за пределы его номинальной нагрузки.

Два подхода к планированию

Структура предусматривает два режима планирования. В режиме «завтра-назавтра» агрегатор планирует следующие 24 часа заранее, опираясь на прогнозы цен на электроэнергию, базового потребления домохозяйств и ожидаемых времен прибытия и отбытия электромобилей. Он выполняет подробные расчеты мощностных потоков, проверяя загрузку трансформаторов, потери в линиях и напряжения на каждом узле. В режиме «в реальном времени» система обновляет решения каждые пять минут только для недавно прибывших автомобилей, используя упрощённые формулы вместо полных сетевых расчётов, чтобы оставаться достаточно быстрым для онлайн‑управления. Планирование завтра-назавтра имеет преимущество целостного обзора и может находить близкие к глобальным оптимумы; реальное время лучше реагирует на сюрпризы, например на более позднее прибытие водителей или их запрос на больший объём энергии.

Использование припаркованных машин для поддержки сети

Ключевое новшество в том, что авторы не только планируют, когда машины заряжаться; они также используют электронику в зарядных устройствах для формирования потока так называемой реактивной мощности. В отличие от отдачи энергии из батареи обратно в сеть, предоставление реактивной мощности не сокращает ресурс батареи. Когда локальные напряжения падают или растут, инвертор зарядного устройства может вводить или поглощать такой вид мощности, чтобы подтолкнуть напряжения к идеальным значениям. Чтобы сохранить задачу управляемой, метод не настраивает каждую отдельную машину; вместо этого он определяет, какое количество реактивной мощности должно быть предоставлено на каждом узле сети, исходя из числа подключенных там электромобилей и интенсивности их зарядки.

Более умные алгоритмы «за кулисами»

Поскольку системе предстоит одновременно учитывать несколько целей — минимизировать потери мощности, выравнивать кривую нагрузки, удерживать напряжения в пределах ±5% от номинала и сокращать затраты на зарядку — авторы формулируют задачу как многоцелевую оптимизацию. Они тестируют несколько современных «метаэвристических» методов поиска, вдохновлённых природой, включая рой частиц и модели перемещения животных. Среди них относительно новый метод, называемый алгоритмом слизевой плесени (Slime Mould Algorithm), показывает наилучшие результаты, стабильно находя решения, которые уменьшают и стресс для сети, и счета клиентов. В исследовании также изучаются компромиссы между целями с помощью передних Парето, что позволяет операторам выбирать, например, отдавать приоритет более низким потерям или более дешёвой зарядке.

Что показывают цифры

Моделирование показывает существенные выгоды. При неконтролируемой зарядке суточная энергия, теряемая в сети в виде тепла, составляет примерно 4,04 мегаватт-часа. При координированной зарядке этот показатель снижается примерно на 19% в режиме завтра-назавтра и на 16% в реальном времени. При добавлении управления реактивной мощностью со стороны зарядных устройств потери падают ещё сильнее — до 2,55 и 2,77 мегаватт-часа для стратегий завтра-назавтра и реального времени соответственно — то есть сокращение потерь на 36,8% и 31,4%. Максимальная нагрузка на подстанцию возвращается в пределы её номинала 5 МВА, а напряжения вдоль самого дальнего ответвления остаются выше 0,95 условных единиц. Для потребителей общие затраты на зарядку сокращаются примерно на 29% для планирования завтра-назавтра и на 34% для реального времени, в основном за счёт смещения зарядки в часы с низкими тарифами при сохранении требуемого уровня заряда для каждого водителя.

Что это означает для обычных водителей

Для владельцев электромобилей предложенный подход по сути незаметен: вы по‑прежнему подключаете автомобиль дома и указываете, во сколько вам нужно уехать и насколько полную батарею вы хотите получить. За кулисами программное обеспечение оператора сети растягивает времена зарядки и незаметно корректирует взаимодействие зарядных устройств с сетью, так что районы могут вместить гораздо больше электромобилей без дорогих модернизаций. Исследование показывает, что координированная зарядка и умное использование электроники зарядных устройств существенно сокращают потери энергии, удерживают напряжения в безопасных пределах и снижают счета, прокладывая путь к более чистому транспорту, который легко интегрируется в существующие электросистемы.

Цитирование: 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

Ключевые слова: зарядка электромобилей, умная сеть, управление реактивной мощностью, распределительные сети, многоцелевая оптимизация