Sähköajoneuvojen (EV) lataus on keskeinen osa älyverkkojen toimivuutta ja energiatehokkuutta, erityisesti silloin, kun verkossa on yhdistettynä perinteisiä ja uusiutuvia energianlähteitä. Tämä optimointiongelma liittyy sähköajoneuvojen latausaikataulujen suunnitteluun ottaen huomioon useita muuttujia, kuten ajoneuvojen varaustilat, energianhankinnan kustannukset, energian myynnistä saatu voitto ja aikarajoitteet. Optimoinnissa käytettävät tilamuuttujat ja rajoitteet muodostavat keskeisen osan koko järjestelmän suorituskyvystä.

Optimoinnin päätavoitteena on minimoida kokonaiskustannukset, jotka sisältävät energian tuotantokustannukset, energian oston hinnan, energian myynnistä saatavan tuoton ja myöhästymisajan kustannukset. Näiden komponenttien yhdistelmää hallitaan ajoneuvojen latausprosessin aikarajoitteiden ja tarvittavien teknisten rajoitteiden avulla.

Kokonaisoptimointifunktio on seuraava:

min⁡(Ceng+Cpurchase−Csell+Ctard)\min (C_{eng} + C_{purchase} - C_{sell} + C_{tard})

Missä:

  • CengC_{eng} on kaikkien ei-uusiutuvien energialähteiden tuotantokustannukset, joissa γ\gamma on yksikköhinta.

  • CpurchaseC_{purchase} on kustannus, joka maksetaan energian ostamisesta pääverkosta, ja βp(tk)\beta_p(t_k) on aika-vaihtuva yksikköhinta.

  • CsellC_{sell} on tuotto energian myynnistä pääverkkoon, jossa βs(tk)\beta_s(t_k) on aika-vaihtuva myyntihinta.

  • CtardC_{tard} on kokonaishäviökustannus, joka määräytyy myöhästymisten perusteella.

Optimoidussa järjestelmässä otetaan huomioon myös latausaseman tekniset rajoitteet. Näitä rajoitteita ovat muun muassa:

  • Yksi ajoneuvo ei voi ladata samanaikaisesti muiden ajoneuvojen kanssa (eq. 3.21).

  • Latausprosessin alkuhetki ei voi olla aikaisempi kuin ajoneuvon vapautusaika (eq. 3.22).

  • Latausprosessin on päätyttävä ennen määräaikaa (eq. 3.23).

  • Latausprosessin ja verkon välinen energia vaihtuu vain tiettyjen rajoitteiden puitteissa, esimerkiksi verkkovirran maksimiteho (eq. 3.29).

Tämänkaltaiset rajoitteet ja optimointifunktiot muodostavat haasteen, mutta samalla mahdollistavat älyverkon tehokkaan toiminnan. Esimerkiksi, jotta ajoneuvon akku saadaan ladattua oikeaan tilaan, latausprosessin on täytettävä tarkat ajalliset ja energiankulutukseen liittyvät rajoitukset. Latausprosessin aikarajoitteet, kuten ajoneuvon vapautusaika ja viimeistelyaika, hallitsevat prosessia tiukasti.

Käytännössä ajoneuvon latauksen optimointi vie huomattavasti aikaa ja vaatii erityisesti tarkkaa ajankohdan määrittelyä. Tässä kontekstissa tärkeitä komponentteja ovat myös ajoneuvojen akkujen kapasiteetti ja latausprofiilit. Esimerkiksi, jos ajoneuvon akku on lähes täynnä, sen latauskapasiteetti on alhaisempi, mikä vaikuttaa siihen, kuinka paljon virtaa voidaan tuottaa ja syöttää akkuun tietyllä hetkellä.

Tarkasteltaessa optimoinnin käytännön sovelluksia, esimerkiksi mikroverkon optimointia, käytännön ratkaisut sisältävät ajoneuvojen latausaikataulujen tarkastelua sekä verkon ja tuotantolaitosten tehokasta ajoittamista. Tyypillisessä mikroverkon sovelluksessa käytetään useita energialähteitä, kuten perinteisiä voimalaitoksia, uusiutuvia energianlähteitä, kuten aurinkovoimaa ja tuulivoimaa, sekä varastointijärjestelmiä. Tällöin tarvitaan tarkkoja ennusteita sähköverkon kuormituksesta ja energian tuotannosta eri aikaväleillä.

Esimerkiksi, jos verkon ostohinta on korkeampi kuin tuotannon kustannus, järjestelmä suosii perinteisten voimalaitosten käyttöä. Samalla ajoneuvojen lataus aikataulutetaan siten, että ne tapahtuvat silloin, kun energian hinta on alhaisempi ja kun uusiutuvia energialähteitä on saatavilla runsaasti. Tämä parantaa mikroverkon kokonaistaloudellisuutta.

Latausaseman käytön optimointi ei ole ainoastaan energiansäästöä ja kustannusten hallintaa, vaan myös ajoneuvojen omistajien tarpeiden huomioon ottamista. Jatkuva latausaikataulujen ja energianhallinnan optimointi on tarpeen varmistettaessa, että ajoneuvojen akut ladataan oikein ja että verkon energiankäyttö on tasapainossa. Esimerkiksi, jos tietty ajoneuvo ei ole käytettävissä tiettyyn aikaan, voi olla tarpeen säätää sen latausaikataulua.

On myös tärkeää huomata, että ajoneuvojen latausprosessin tehokkuus ei perustu pelkästään teknisiin rajoitteisiin ja aikarajoitteisiin, vaan se on myös kiinteästi yhteydessä kuluttajien tarpeisiin ja käyttäjien ajoneuvojen käyttöasteeseen. Tässä suhteessa käyttäjäystävällisyys on yksi keskeinen tekijä, joka vaikuttaa optimointiratkaisujen onnistumiseen.

Lopuksi, vaikka optimoidut latausratkaisut voivat tarjota taloudellisia ja ekologisia etuja, ne vaativat tarkkaa suunnittelua ja tasapainoista ajankäyttöä ottaen huomioon energian kysyntä ja tarjonta. Ajoneuvojen latauksen optimointi tulee olemaan keskeinen osa älyverkkojen tulevaisuutta, jossa uusiutuvat energialähteet ja sähköajoneuvot muodostavat yhä tärkeämmän roolin.

Miten optimoida ajoneuvojen lataus älyverkoissa: Kappale analyysista ja optimoinnista

Latauspalveluiden aikajana voidaan esittää kuvassa 4.3, jossa suorakulmioiden pituudet vastaavat eri palveluiden kestoa. Oletetaan, että Ci on ith ajoneuvon latauksen valmistumisaika. Tällöin kahden peräkkäisen ajoneuvon latausvalmistumisajan välinen aika voidaan jakaa kahteen osaan, kuten kuvassa 4.4 on esitetty:

  • CHi, eli latausaika ith ajoneuvolle;

  • IDLEi, eli tyhjäkäyntiaika ennen ith ajoneuvon latausta.

Kun valitaan diskreetti tapahtumamalli järjestelmän dynamiikan kuvaamiseen, ainoat tilamuuttujat, joita täytyy arvioida, ovat ne, jotka liittyvät palvelujen valmistumisaikojen hetkiin, toisin sanoen SOCS(Ci) i = 1, …, N, olettaen että alkuperäinen tila SOCS(0) on annettu. Tässä vaiheessa otetaan käyttöön rajoittava oletus, jonka tarkoituksena on määritellä parametristinen (ei funktionaalinen) optimointiongelma: ostetun/myydyn tehon arvot pääverkosta PG(t) ja fossiilisten lähteiden lth tuottama (kallis) teho PF,l(t), l = 1, …, L pidetään vakioina (respectiives PG,i,1, PF,l,i,1) jokaisessa tyhjäkäyntiaikavälin (Ci−1, Ci−1 + IDLEi) aikana ja toisessa vakioarvossa (respectiives PG,i,2, PF,l,i,2) jokaisessa latausaikavälin (Ci−1 + IDLEi, Ci) aikana, i = 1, …, N, l = 1, …, L, C0 olevan alkuperäinen aikaleima (C0 = 0).

Vaikka latauspalvelun aikana pääverkkoon menevän tai sieltä tulevan tehon PEV(t) arvoa ei voida pitää vakiona (ajoneuvojen akkujen ei-lineaarisen käyttäytymisen vuoksi), otetaan ongelman ensimmäisessä muotoilussa huomioon keskimääräiset arvot PEV,i i = 1, …, N päätömuuttujina. Oletetaan, että uusiutuvan energian tehoennusteet PW (t) ja PPV(t), sekä tehontarve PD(t) ja myynti-/ostohinnat (SP(t) ja BP(t)) pääverkkoon ovat saatavilla ja täysin luotettavia t ≥ 0 ajanjaksolla. Toisin sanoen epävarmuutta ei oteta huomioon. Tällöin otetaan käyttöön funktio PNL(t), joka edustaa nettokuormitusta ja määritellään kaavalla PNL(t) = PD(t) − PW (t) − PPV(t) i = 1, …, N. Tehonsaldo kaava, joka pätee mihin tahansa aikaleimaan t, on seuraava:

∑l=1LPG(t)+PF,l(t)+PS(t)=PNL(t)+PEV(t)\sum_{l=1}^{L} PG(t) + PF,l(t) + PS(t) = PNL(t) + PEV(t)

Koska käytännön varastointijärjestelmissä suurin mahdollinen syöttöteho riippuu varauksen tilasta (SOC), niin tämä ilmiö voidaan mallintaa likimääräisesti pätkittäin lineaarisella mallilla, kuten kuvassa 4.5 on esitetty. Tämä malli on hyödyllinen erityisesti, kun akun lataus ei tapahdu täydellä teholla, vaan latauskapasiteetti rajoittuu tietyn SOC-tilan ylittämisen jälkeen.

Tässä jaksossa keskitytään vain ajoneuvojen akkujen lataamiseen. Kuvassa 4.5 esitetty funktio, joka antaa suurimman mahdollisen syöttötehon jokaiselle varauksen tilan arvolle, voidaan esittää seuraavasti:

EV,i(SOCEV,i)={Pratedjos xEV,i≤aEV,icEV,iSOCEV,i+dEV,ijos xEV,i≥aEV,iEV,i(SOCEV,i) =
\begin{cases} Prated & \text{jos} \ xEV,i \le aEV,i \\ cEV,iSOCEV,i + dEV,i & \text{jos} \ xEV,i \ge aEV,i \end{cases}

Missä parametrit aEV,i, cEV,i ja dEV,i täyttävät ehdon cEV,iaEV,i+dEV,i=PratedcEV,iaEV,i + dEV,i = Prated.

Kun latausprosessin aikana akku täyttyy, se tapahtuu hallitusti niin, että latausprofiili noudattaa ennalta määrättyä reittiä. Latausprofiili voi olla erilainen riippuen akkujen teknisistä ominaisuuksista, mutta tavoitteena on aina varmistaa, että latausprosessi tapahtuu tehokkaasti ja ennustettavasti. Pätkittäin lineaarinen malli mahdollistaa tällaisen laskennan.

Kun latausprofiili on määritelty, latausaika voidaan arvioida seuraavalla kaavalla:

CHi=1CAPEV,i∫SOCinitSOCfindSOCEV,i(SOCEV,i)CHi = \frac{1}{CAPEV,i} \int_{SOCinit}^{SOCfin} \frac{dSOC}{EV,i(SOCEV,i)}

Tässä tarkastellaan kuinka pitkään lataus kestää akkujen lähtö- ja täyttötilan välillä. On myös huomattava, että latausprosessin aikana on oltava tietoinen akkujen enimmäistehonkytkennästä ja rajoituksista, jotka voivat vaikuttaa latausajassa.

Lisäksi on tärkeää huomioida, että ladattavien ajoneuvojen määrä ja niiden latausaikataulut voivat vaikuttaa koko verkon toimintaan ja sähkön hintaan. Kun ajoneuvot ladataan tiettynä aikana, verkkoon tuleva kuormitus kasvaa, mikä voi johtaa hintoihin vaikuttaviin muutoksiin. Tämä tarkoittaa, että tehokas optimointi edellyttää kaikkien näiden tekijöiden yhteensovittamista niin, että lataus tapahtuu mahdollisimman kustannustehokkaasti ja energiatehokkaasti ottaen huomioon kaikki ajoneuvot ja niiden latausajat.

Kuinka optimoida latausprosessi älyverkoissa? Esimerkki sähkökäyttöisille busseille

Latausprosessien optimointi on tärkeä osa älyverkon toimivuutta ja energiatehokkuutta, erityisesti silloin, kun kyseessä on sähköajoneuvojen, kuten sähkökäyttöisten bussien, lataaminen. Tämä optimointitehtävä on monivaiheinen ja siihen liittyy useita rajoituksia ja ehtoja, joita tulee ottaa huomioon, jotta prosessi on sekä taloudellisesti että energiatehokkuudeltaan optimaalinen.

Optimoidun latausprosessin suunnittelussa on ensinnäkin otettava huomioon, että järjestelmän tilassa on määrätty jaksollisuus. Tämä jaksollisuus tulee mallintaa rajoituksilla, jotka liittyvät lataus- ja purkamisprosesseihin. Esimerkiksi akun purkautuminen ja lataaminen on rajattava binäärimuuttujien avulla. Tämä tarkoittaa sitä, että samanaikaisesti ei voi olla kahta aktiivista tilaa (lataus ja purkaminen) yhdelle bussille tai akulle. Näiden rajoitusten avulla voidaan varmistaa, että latausprosessi on johdonmukainen ja jaksollinen, kuten kaavassa (6.19) ja (6.20) esitetään.

Jatkuvasti käytettävien kaavojen avulla lasketaan myös akkujen latausaikojen ja aikarajoitteiden yhteensopivuus. Esimerkiksi tietyt aikarajoitukset määrittävät, milloin latausprosessit voivat alkaa ja päättyä. Tämä liittyy tulojen ja lähtöjen aikarajoihin, jotka puolestaan vaikuttavat siihen, kuinka nopeasti lataus voi tapahtua ja kuinka pitkään järjestelmän pitää olla idleness-tilassa (ei-latauksessa). Latauksen aloitus ja lopetusajankohdat tulee järjestää niin, että akkujen täyteen lataamiseen tarvittava aika täytetään ja ajoneuvot saavat tarvittavan energian matkustamiseen.

Myös latausprosessin aikarajoitukset vaikuttavat ratkaisevasti prosessin optimointiin. Aikarajoitteet, kuten minimiväli (ε1) idleness-tilassa ja minimiaikaväli (ε2) saapumisajan ja latausajan välillä, ovat tärkeitä järjestelmän kokonaiskäytettävyyden kannalta. Nämä rajoitukset varmistavat, että järjestelmä ei ylikuormitu ja että ajoneuvojen lataaminen tapahtuu suunnitellusti ja optimaalisesti.

Tärkeä osa optimointia ovat myös akun varaustilat. Esimerkiksi alkuperäinen akkuvaraustaso (xS,0) ja loppuvaiheen varaustaso (xS,N) tulee olla samat, koska kyseessä on jaksollinen järjestelmä. Näin voidaan taata, että akkujen varaus on optimaalinen koko prosessin ajan. Tämä on erityisen tärkeää silloin, kun sähköverkossa on tiettyjä vaihteluita ja akkujen lataustilat voivat vaihdella.

Latausprosessin optimointiin liittyy myös useita fyysisiä rajoitteita. Kaikki akuille ja sähköverkolle asetetut rajoitukset on otettava huomioon, kuten maksimiteho (PMAX), akun latausteho (Pch,max), sekä akkujen lataus- ja purkautumisrajoitukset (Ps,min ja Ps,max). Nämä rajoitukset varmistavat, että sähköverkko ei ylikuormitu ja latausprosessit voivat tapahtua turvallisesti ja tehokkaasti.

Tämän optimointitehtävän ratkaisemiseksi käytetään monimutkaisia laskentatyökaluja, kuten LINGO™-ohjelmistoa, joka mahdollistaa suurten, ei-lineaaristen optimointitehtävien ratkaisun. Esimerkiksi tapauksessa, jossa on viisi bussia (N=5), voidaan todeta, että kaikki bussit voidaan ladata yhdellä latausasemalla, mikä tuo merkittäviä säästöjä alkuinvestoinneissa. Tämä on erityisen tärkeää, koska latausasemien hankinta ja asentaminen voivat olla kalliita ja monimutkaisia prosesseja. Lisäksi tämän kaltaisen optimointimallin avulla voidaan laskea latauskustannukset ja määrittää, kuinka paljon energiaa tarvitaan kunkin ajoneuvon päivittäisten ajomatkojen kattamiseksi.

Case-tutkimuksessa käsitellään myös tietyn reitin energian kulutusta ja kuinka se voidaan optimoida. Esimerkiksi Genoan bussireitteihin perustuva esimerkki näyttää, kuinka reittien pituudet, korkeuserot ja pysähdykset vaikuttavat bussien energiankulutukseen. Tällöin optimoimalla latausprosessia voidaan säästää merkittävästi energiaa ja kustannuksia.

Jatkuvan optimointiprosessin ja parametrien säätämisen avulla voidaan varmistaa, että latausprosessi on taloudellisesti kannattava ja että bussit saavat tarvittavan energian ajomatkojaan varten. Näin varmistetaan paitsi sähköverkkojen tehokkuus, myös ympäristön kannalta kestävämpi liikennejärjestelmä.

Latausprosessin optimointiin liittyy monia muuttujia ja rajoituksia, mutta onnistuneen optimoinnin avulla voidaan saavuttaa merkittäviä etuja, kuten kustannussäästöjä ja energiatehokkuuden parantamista. Tässä yhteydessä on tärkeää ymmärtää, että optimointi ei ole vain tekninen haaste, vaan se liittyy myös taloudellisiin ja ympäristöllisiin näkökulmiin. Täsmällinen ja tehokas latausprosessin hallinta on keskeinen tekijä älyverkon ja kestävän liikenteen kehittämisessä.

Voiko biomekaaniset poikkeamat ennustaa kipuja ja vammoja?
Miten KMS-alustojen ylläpito ja työntekijöiden koulutus tukevat digitaalista transformaatioita?
Miksi valitsijat tekevät virheitä korkean konfliktin poliitikkojen kanssa?