I det raskt utviklende landskapet for nye energikjøretøy har integreringen av elektriske kjøretøy (EV-er) i kraftnettet blitt et kritisk fokus. Ettersom opptaket av EV-er øker, har behovet for effektiv ladeadministrasjon for å lindre kraftnettpresset aldri vært mer presserende. En banebrytende tilnærming til aggregeringsplanlegging for flåtes lading, utviklet av forskere ved Tongji-universitetet, er på vei å redefinere hvordan EV-er interagerer med kraftnettet – med løfter om betydelige fordeler for nettstabilitet, kostnadsreduksjon og brukerengasjement.
Den økende behovet for smart EV-lading
I nyere år har Kina kraftig fremmet utviklingen av nye energi-relaterte industrier. Allerede i 2020 foreslo Statsrådets generalsekretariat at nye energikjøretøy, representert av elektriske kjøretøy, bør integrere nye teknologier og transformere seg fra enkle transportmidler til mobile intelligente terminaler og energilagringsenheter. Denne skiftet understreker EV-ers potensiale til å spille en dobbel rolle i transport- og energisystemer.
Viktigheten av å optimalisere EV-lading for den trygge og stabile drift av kraftnettet kan ikke overvurderes. I 2022 frarådet Nasjonal utviklings- og reformkommisjon og andre departementer for å fremme ordentlig lading for å realisere koordinert interaksjon mellom elektriske kjøretøy og kraftnettet. Denne policyretningen understreker presset på å finne effektive løsninger for å håndtere det økende antallet EV-er på veiene.
Veksten i EV-markedet har vært merkverdig. I 2022 nådde salget av nye energikjøretøy 6,887 millioner, med markeds penetrasjonsrate som steg fra 2,4 % i 2017 til 25 % i 2022. Men denne raske økningen gir utfordringer. Den store skalaen og hyppigheten av EV-ers tilkobling til kraftnettet har resultert i aggregerte laster som byr på press på nettet, mens distribuerte laster forårsaker spenningsvariasjoner.
Ettersom EV-er har både energilagring og mobilitetskarakteristikk, anses rasjonell veiledning og planlegging av deres lading og utladning som et avgjørende middel for å regulere kraftnetts topp- og dal-laster. Følgelig har det blitt et hott forskningsområde å veie aggregerte EV-lading for å respondere til kraftnettets dispatchebehov.
Eksisterende utfordringer i EV-ladeplanlegging
EV-ladeplanlegging kan deles inn i statisk og dynamisk planlegging. Statisk planlegging adresserer kontrollbeslutninger for lading og utladning når EV-er er stasjonære, og optimaliserer brukers ladekostnader, forbruk av fornybar energi og kraftnetts topp-dal-forskjeller ved å justere lade- og utladningstid og -effekt. Dynamisk planlegging håndterer derimot ladenavigasjon for bevegelige EV-er, og optimaliserer laderuter, timing og lokasjoner for å redusere kostnader og tid. Den første er egnet for private biler og busser, mens den siste er mer passende for kommersielle EV-er.
Dynamiske planleggingsstrategier står overfor flere tekniske hinder, hvor design av insentivordninger for å motivere EV-ers responsvilje og ladeplanleggingsmetoder er to nøkkelproblemer. Forskning har identifisert faktorer som brukers ladedistanse, ladetilstand (SOC) og ladekostnader som store påvirkninger på EV-brukers vilje til å delta i planlegging.
I praksis brukes ofte tidspriser (time-of-use pricing) for å veilede EV-lading, med ulike dynamiske navigasjonsstrategier utviklet basert på dette. Byggende på tidspriser kan ytterligere reduksjoner i ladeventetid, kostnader og total reisetid oppnås ved å vurdere kørate og dynamiske tidspriser. I tillegg kan kombinasjon av ladestasjonsmodeller med batteribegrensede planleggingsmodeller – samtidig som tidspriser tas i betraktning – fullt utnytte laderesurser.
Dynamiske priser gir mer fleksibilitet enn tidspriser, men kan forvirre brukere på grunn av dens romlige og tidsmessige variabilitet. For å unngå komplekst og skiftende lageprisinformasjon mens man fortsatt motiverer og veileder brukere romlig og tidsmessig, har hybrid insentivmetoder dukket opp.
Når det gjelder design av dynamiske ladeplanleggingsmetoder, er modellbasert sanntidsplanlegging og forsterkningslæringsbaserte metoder vanligvis brukt. Den første bruker matematisk programmering og heuristiske algoritmer, med sterk modelltolkbarhet, men sliter med å finne optimale løsninger raskt. Den siste – inkludert dyp forsterkningslæring og grafisk forsterkningslæring – tilpasser seg godt usikre miljøer, men krever store mengder inndata og har høye treningskostnader.
Generelt sett overseksisterende planleggingsmetoder ofte brukers faktiske vilje til å respondere til planlegging, deres prispreferanser og problemer med oppfyllingstrohet i flere planleggingsrunder. Dessuten er de matematiske modellene etablert for ladeplanlegging komplekse og tidkrevende å løse, noe som gjør dem vanskelig å møte sanntidsplanleggingskrav i praktiske applikasjoner.
En ny tilnærming: Hybrid pris-punkt insentivbasert planlegging
For å møte disse utfordringene har forskere utviklet en multiobjektiv optimaliseringsmetode egnet for stor skala EV-aggregering i kraftnettplanlegging, basert på en hybrid pris-punkt insentivtilnærming. Denne innovative metoden involverer flere nøkkelkomponenter som samarbeider for å skape et effektivt og brukervennlig planleggingssystem.
Rammework for aggregeringsplanlegging av flåtes lading
Rammeworket etablerer en samarbeidsinteraksjon mellom kraftnettet, ladeaggregatorer og EV-brukere. De viktigste deltakerne i planleggingsprosessen er kraftnettet, ladeaggregatorer, ladestasjoner/pæler og EV-er.
Først gir kraftnettet, EV-ene og ladestasjoner/ladepæler henholdsvis informasjon om toppkutt- og dalutfyllingsdispatchebehov, ladekrav og stasjon/pælestatus til ladeaggregatoren. Aggregatoren bruker deretter denne multisource-informasjonen til å utstede aggregerte planleggingsveiledninger til EV-gruppen. Til slutt veies EV-ene til passende tider og lokasjoner for lading med passende effekt.
Denne planleggingsmetoden gir fordel for alle parter involvert. For kraftnettet hjelper den med å balansere topp- og dal-laster, reduserer investeringer i generatoranlegg og stabiliserer nettets drift. Brukere får økonomisk kompensasjon i bytte mot en viss fleksibilitet i ladetid og -lokasjon. Ladeaggregatorer mottar belønninger fra kraftnettet for aggregerte ladelaster og samler inn ladeserviceavgifter fra brukere.
Hybrid insentivberegningsmodell
Byggende på tidspriser inkluderer den hybride insentivmodellen et insentivpunktssystem hvor poeng kan brukes til å kompensere ladekostnader. Tre punktjusteringskoeffisienter etableres basert på kraftnetts lastreguleringbehov, ladestasjoners ledig status og brukers oppfyllingsintegritet for å motivere brukermedvirkning.
De sanntidsinsentivpunktene for hvert kjøretøy beregnes med tanke på lademengde, lagepris og de tre justeringskoeffisientene. Den første koeffisienten (φ₁) justeres basert på kraftnetts last, med høyere insentiver når kraftnetts last er lav og lavere insentiver under topplastperioder. Den andre koeffisienten (φ₂) reflekterer ladestasjon/pælens utnyttelse, med høyere insentiver når flere ladepæler er ledige. Den tredje koeffisienten (φ₃) belønner brukers oppfyllingsintegritet, med høyere poeng for brukere med bedre oppfyllingsrekorder.
Vurdering av brukers responsvilje
Ved å bruke fuzzy resonnering evaluerer modellen i sanntid EV-brukers vilje til å delta i kraftnettplanlegging basert på nøkkelpåvirkende faktorer. Vurderingen tar hensyn til nødvendigheten (om den gjenværende batteriekraften er tilstrekkelig), tiltrekningskraften (om insentiver er tilstrekkelige) og bekvemmeligheten (om reisedistanse er rasjonell).
Fuzzy-regler – inkludert medlemskapsfunksjoner og fuzzy-kontrollregler – etableres basert på brukeroppkrav og ekspertviten. Disse reglene kartlegger kombinasjoner av batteriladetilstand og insentiv-til-kostnad-forhold til brukers viljeprobabiliteter, noe som muliggjør en nyansert vurdering av hvert brukers sannsynlighet for å delta.
Kjøretøy-stasjon matchingsplanleggingsmodell
Modellen inkluderer flere antagelser for å forenkle problemet mens den beholder praktisk relevans: den vurderer ikke EV-utladning etter nettetilkobling, antar konstant effektladning på stasjoner og neglisjerer tidsforsinkelser i signaloverføring og brukerfeedback.
Besluttingsvariabelen er en binær indikator på om et EV er tildelt en spesifikk ladestasjon. Målorganisasjonene har som mål å minimere total flåtereisedistanse, maksimere totale insentivpunkter og maksimere total lademengde i en spesifisert periode.
Flere begrensninger sikrer gjennomførbarheten av planlegging: hvert EV kan bare velge én ladestasjon; antall kjøretøy på en stasjon kan ikke overstige antall tilgjengelige ladepæler; avstanden til den valgte stasjonen må være innenfor området tillatt av EV-er gjenværende kraft; tidskostnaden for å nå stasjonen må balanseres av de innhentet insentivpunktene; insentivpunktene per enhet lading bør ikke overstige en viss andel av ladeserviceprisen; og ladeeffekt må ikke overstige maksimal utgang av stasjonens pæler.
Planleggingsstrategi og implementering
Den multiobjektive lineære heltallsprogrammeringsmodellen løses ved hjelp av Non-dominated Sorting Genetic Algorithm-II (NSGA-II) for å sikre effektiv og praktisk løsningsfinding. Planleggingsprosessen involverer flere trinn:
- Lese ulike typer informasjon – inkludert kraftnett-, kjøretøy- og stasjonsdata – og initialisere beregningsparametere.
- Etablere matriser for kjøretøy-stasjonsavstander, poeng og lademengder, og beregne hybrid insentiver.
- Vurdere brukers vilje ved å innføre ladetilstand og insentiv-til-kostnad-forhold. Hvis den høyeste viljen ikke oppfyller en fastsatt terskel, deltar ikke kjøretøyet; ellers vurderes gjenværende kjøretøy-stasjon matcher som gjennomførbare løsninger.
- Oppdatere kjøretøy-stasjonsinformasjonsmatrisen, kalle løsningsalgoritmen for å bestemme matcher, registrere brukers oppfyllingsintegritet under utførelse, og oppdatere kjøretøy-stasjonsstatus etter utførelse.
Validering gjennom casestudier
For å bekrefte effektiviteten til den teoretiske modellen ble operasjonsdata fra 1 000 kommersielle EV-er, 100 ladestasjoner i Hangzhou og Hangzhous strømlastdata (levert av State Grid Zhejiang Electric Vehicle Service Co., Ltd., data fra januar 2022) brukt.
EV-data inkluderte kjøretøylokasjon, ladetilstand (SOC), nominell batterikapasitet og maksimal ladekraft. Ladestasjonsdata omfattet antall pæler og maksimal ladekraft. EV-ene hadde en nominell batterikapasitet på 40 kWh og maksimal ladekraft mellom 20 og 60 kW. Alle ladepæler på stasjonene hadde en maksimal effektbegrensning på 120 kW, med 6 til 24 pæler per stasjon.
EV-energiforbruk simulertes basert på empiriske data, med en gjennomsnitt på cirka 15 kWh per 100 km – med små variasjoner basert på kjøretøylokasjon og temperatur. Baidu Maps ruteplanleggings- og sanntidstrafikkgrensesnitt ga kjøretøy-stasjonsavstander og sanntidveisshastigheter.
Den daglige strømlasten i Hangzhou viste betydelige daler mellom 2:00–8:00 og 14:00–16:00, med topper rundt 10:00 og 20:00. De 24-timers tidsprisene for EV-lading i Hangzhou ble delt inn i seks perioder, fra 0,6 til 1,6 yuan per kWh.
For å fullt ut vurdere brukers vilje ble en viljeterskel satt basert på brukerundersøkelser. Kjøretøy med en deltakelsesfor probability under 0,5 deltok ikke. I dette tilfellet oversteg 883 av 1 000 kjøretøy terskelen. Ved å justere insentivpunktkoeffisienter forble deltakelsen på 80 % eller høyere across flere planleggingsrunder.
De optimale kjøretøyplanleggingsløsningens mål inkluderte kortest reisedistanse, maksimal lademengde og maksimale ladepoeng. Gjennomsnittlig reiste de 883 kjøretøyene 25,52 km hver, med en total responslademengde på 31 957,80 kWh (36,19 kWh per kjøretøy) og totale insentivpunkter verdt 23 365,77 yuan (26,46 yuan per kjøretøy).
Sammenlignende analyse: Hybrid insentiver vs. tidspriser
En sammenligning mellom den hybrid insentivbaserte aggregeringsplanleggingsmetoden og den tidsprisbaserte metoden avslørte betydelige fordeler for den nye tilnærmingen. Begge metodene brukte fuzzy resonnering for å bestemme brukers responsvilje, med samme terskel på 0,5. Imidlertid resulterte den hybride insentivmetoden i 883 kjøretøy villige til å delta, sammenlignet med 650 med tidspriser.
Mens hybridmetoden økte gjennomsnittlig reisedistanse med 63,4 %, økte den også den responsve kraftnettladningsmengden med 43,6 % og reduserte enhetstrømkostnaden med 45,7 %. Disse resultatene viser at den hybrid insentivbaserte ladeaggregeringsplanleggingsmetoden er mer egnet for å respondere til kraftnettets dispatchebehov enn tidspriser.
Skalerbarhet og generaliserbarhet
For å utforske metodens tilpasningsevne til store flåter og ladestasjoner ble ulike kjøretøy-stasjonsstørrelseskombinasjoner analysert, fra 1 000 kjøretøy med 100 stasjoner til 5 000 kjøretøy med 500 stasjoner. Analysen undersøkte algoritmeløsningstid, reisedistanse, lademengde, enhetstrømkostnad og brukerdeltakelsesrate.
Når skalaen økte fra 1 000 kjøretøy/100 stasjoner til 5 000 kjøretøy/500 stasjoner, økte løsningstiden approximativt lineært, mens andre indikatorer forble relativt stabile. Gjennomsnittlig brukerdeltakelsesrate ble over 85 %, og enhetstrømkostnaden forble rundt 0,86–0,87 yuan. I det største skalatilenfellet fylte metoden 1,25 % av kraftnetts dal, noe som viser dens effektiv