Miten optimoida lataus älykäs sähköverkkojen järjestelmissä?

Optimaalinen lataus älykkäissä sähköverkoissa vaatii huolellista energian tuotannon ja kulutuksen tasapainottamista ottaen huomioon useita eri tekijöitä, kuten uusiutuvien energianlähteiden, varastointijärjestelmien ja sähköajoneuvojen latauksen ajankohdat. Erityisesti on tärkeää laskea energiantuotanto ja -kulutus tarkasti eri ajanhetkinä ja optimoida varastointikapasiteetti sekä verkkoon kytkettyjen ajoneuvojen latausaikataulut.

Aurinkopaneelien energian tuotanto lasketaan ottaen huomioon keräimen pinta-ala $A$ ja sen hyötysuhde $\eta_{PV}$, jolloin tuotettu teho $PPV(t_k)$ voidaan laskea kaavalla:

$$PPV(t_k) = \eta_{PV} A P_V G(t_k)$$

missä $G(t_k)$ on auringon säteilyn voimakkuus ajanhetkellä $t_k$. Vastaavasti tuulivoimaloiden tuotanto riippuu tuulen nopeudesta, joka määritellään välin [v_c, v_r]\] sisällä. Tuulivoiman teho \(P_W(t_k) lasketaan seuraavalla kaavalla tuulen nopeuden $v(t_k)$ mukaan:

$$P_W(t_k) = P_r (a + b v(t_k)), \quad v_c \leq v(t_k) \leq v_r$$

missä $v(t_k)$ on tuulen nopeus tuulivoimalan napakorkeudessa $H_{hub}$, ja se lasketaan huomioiden maapinnan karkeus:

$$v(t_k) = v_{data}(t_k) \frac{\ln(H_{hub}/z_0)}{\ln(H_{data}/z_0)}$$

Energiavirrat on huomioitava myös tasapainon kannalta, ja seuraava yhtälö varmistaa, että järjestelmässä kulutetaan yhtä paljon energiaa kuin tuotetaan:

$$\sum_{l=1}^{L} \sum_{m=1}^{M} P_W(t_k) + P_{PV}(t_k) + P_{grid}(t_k) + P_{F,l}(t_k) + P_{S,m}(t_k) = P_D(t_k) + \sum_{i=1}^{N} P_{EV,i}(t_k)$$

missä $P_{grid}(t_k)$ on energianvaihto pääverkkoon, $P_{F,l}(t_k)$ on fossiilisten polttoaineiden voimalaitosten tuottama teho, $P_{S,m}(t_k)$ on energia, joka siirretään varastointijärjestelmään, ja $P_{EV,i}(t_k)$ on sähköajoneuvojen lataus.

Varastointijärjestelmien toimintaa mallinnetaan seuraavasti:

$$x_m(t_k+1) = x_m(t_k) - \frac{\eta_{m,out} \Delta t}{CAP_m} + \frac{\eta_{m,in} \Delta t}{CAP_m}$$

missä $x_m(t_k)$ on akun varausaste, $\eta_{m,out}$ ja $\eta_{m,in}$ ovat akun purku- ja latausmoottorien hyötysuhteet ja $CAP_m$ on akun kapasiteetti.

Jos akku on joko lataus- tai purkamistilassa, on tärkeää määritellä rajoituksia varausasteen mukaan. Varauksen ja tehon välinen suhde on miellettävä osittain lineaariseksi, jolloin voidaan käyttää seuraavaa mallia varaston tehon optimointiin:

$$P_{S,m}(x_m(t_k)) = \begin{cases}$$

\mu P \quad \text{jos } x_m(t_k) \leq a_m \\ c_m x_m(t_k) + d_m \quad \text{jos } x_m(t_k) > a_m \end{cases}

Tämä antaa mahdollisuuden arvioida, miten akun kapasiteetti vaihtelee sen varaustilasta riippuen ja miten voidaan estää ylikuormitus tai aliakkuus.

Sähköajoneuvojen optimointi on toinen olennainen osa älykkäiden verkkojen latausprosessia. Sähköajoneuvojen lataus tulee ajoittaa siten, että se minimoi kustannukset ja täyttää ajoneuvojen aikarajat. Latausjaksojen aikarajat on määritelty seuraavasti:

• $t_{Ci}$ ja $t_{Ci+1}$ ovat latauksen aloitus- ja lopetusaikaväli;

• $t_{di}$ ja $t_{di+1}$ ovat ajoneuvon vapautumisaika ja eräpäivä, jolloin lataus tulisi olla valmis.

Latauksen energiamäärä määritetään seuraavasti:

missä $x_i(t_k)$ on ajoneuvon varausaste ja $CAP_i$ on ajoneuvon akun kapasiteetti. Lisäksi tarvitaan lisärajoitteet, jotta voidaan varmistaa, että ajoneuvo ei lataa ja purkaa samanaikaisesti:

$$P_{EV,in,i}(t_k) \leq (1 - \psi_i(t_k))M$$

Optimaalisen latausprosessin tavoite on vähentää kustannuksia ja maksimointia. Kustannuksia arvioidaan neljän tekijän perusteella: uusiutuvien energianlähteiden kustannukset, energian osto pääverkosta, energian myynnistä saatu hyöty ja sähköajoneuvojen myöhästymiskustannukset. Optimointimuuttujina ovat mm. verkon energianvaihto, fossiilisten polttoaineiden tuotanto, varastointijärjestelmän energia ja sähköajoneuvojen lataus.

Tärkeää on huomioida, että sähköajoneuvojen aikarajoitukset ja varastointikapasiteetti vaikuttavat merkittävästi energian kulutukseen ja tuotantoon, joten nämä muuttujat tulee optimoida huolellisesti, jotta saavutetaan paras mahdollinen tasapaino verkon tehokkuuden ja kustannusten välillä.

Kuinka liikenteen optimointi ja latausasemia suunnitellaan sähköautoille: Stokastinen tasapaino ja haasteet

Sähköautojen (EV) määrän kasvu asettaa uusia haasteita liikenneverkkojen suunnittelulle ja niiden vuorovaikutukselle latausasemien (EVCS) kanssa. Liikenteen optimointi ja latausasemien sijainti ovat keskeisiä tekijöitä, jotka vaikuttavat siihen, kuinka tehokkaasti ja taloudellisesti voidaan hallita sähköautojen lataustarvetta. Tällöin on tärkeää ottaa huomioon liikennevirtojen jakautuminen ja latausasemien optimointi ottaen huomioon sekä perinteiset ajoneuvot että sähköautot.

Perinteinen liikenteen optimointi perustuu usein systemaattiseen tasapainoon, jossa oletetaan, että käyttäjät valitsevat reittinsä siten, että liikenteen kustannukset ovat tasapainossa. Tämä malli, tunnettu nimellä Stokastinen käyttäjätasapaino (SUE), on laajennettavissa sähköajoneuvojen ja perinteisten ajoneuvojen yhteiseen verkostoon. Tämä laajennus vaikuttaa paitsi liikenteen optimointiin myös latausasemien tarpeen suunnitteluun. SUE-mallin mukaiset liikenteen jakautumiset voivat siis suoraan vaikuttaa latausasemien verkoston suunnitteluun ja kapasiteettiin.

On kuitenkin tärkeää huomata, että sähköautojen latausverkoston suunnittelu ei rajoitu pelkästään liikenneverkkoon, vaan myös sähköverkon optimointi (PDN) tulee ottaa huomioon. Erilaiset suunnittelut voidaan jakaa kahteen päätyyppiin: toisaalta liikenneverkkojen (TN) optimointi, joka huolehtii liikenteen sujuvuudesta, ja toisaalta sähköverkon optimointi, joka varmistaa, että latausasemat voivat tarjota riittävästi energiaa.

Käytännössä tämä tarkoittaa sitä, että verkoston optimointi on jaettava kahteen tasoon: ensinnäkin tulee määritellä, kuinka liikenne virtaa ja kuinka sähköautoilijat valitsevat reitit ja latauspaikat. Toiseksi on suunniteltava, kuinka latausasemat sijoitetaan ja kuinka ne palvelevat eri alueiden sähköautoilijoita. Tämän lisäksi on huomioitava myös taloudelliset näkökulmat, kuten asennuskustannukset ja latausmaksut, jotka voivat vaihdella alueittain.

Optimoitu suunnittelu edellyttää monimutkaista matemaattista mallintamista, jossa otetaan huomioon sekä ajoneuvoliikenteen että sähköverkon vaatimukset. Yksi esimerkki tästä on bi-tason optimointimalli, jossa ensimmäisessä vaiheessa etsitään latausasemien potentiaaliset sijainnit ja toisessa vaiheessa optimoidaan latausasemien kapasiteetti ja hinnoittelu. Tällöin pyritään vähentämään kokonaiskustannuksia samalla, kun saavutetaan optimaalinen palvelutaso asiakkaille.

Kun käsitellään latausasemien sijaintia, on tärkeää hyödyntää esimerkiksi epäselvän logiikan (fuzzy logic) strategioita, jotka voivat ottaa huomioon useita muuttujia, kuten alueelliset liikenneolosuhteet ja sähköverkon kantokyvyn. Tämänkaltaiset menetelmät voivat auttaa tunnistamaan alueet, joissa latausasemien kysyntä on suurin ja siten parantaa latausverkoston toimivuutta.

Liikennevirtojen optimoinnissa on myös otettava huomioon perinteisten ajoneuvojen ja sähköautojen erityistarpeet. Sähköautot, jotka tarvitsevat latausta matkalla, vaativat erityisesti reittejä, jotka yhdistävät olemassa olevia latausasemia tai mahdollisia uusia latauspaikkoja. Tämä asettaa paineita myös liikenteen optimointimalleille, jotka täytyy sopeuttaa niin, että molemmat ajoneuvotyypit voivat liikkua sujuvasti ja tehokkaasti.

Sähköautoilijoiden käyttäytymisen mallintaminen on myös tärkeää, sillä heidän valintansa reiteistä ja latausasemista voi vaikuttaa merkittävästi liikenteen ja latausverkoston tehokkuuteen. Tähän voidaan käyttää logit-malleja, jotka mahdollistavat stokastisten valintojen analysoinnin, eli arvioinnin siitä, kuinka todennäköisesti käyttäjät valitsevat tietyt reitit ja latauspaikat eri tilanteissa. Tämä auttaa optimoimaan verkostoa ja saavuttamaan tasapainon liikennevirroissa ja latausasemien käytössä.

Latausasemien kapasiteetti on myös keskeinen tekijä, jota optimoidaessa on otettava huomioon monta tekijää, kuten latausaseman kokonaishinta, sen asennuskustannukset, ja sen tarjoaman energian hinta. Uuden kilpailijan saapuminen markkinoille tuo lisää muuttujia ja mahdollisesti alentaa kustannuksia, mutta tuo myös uudenlaista kilpailua ja logistiikkahaasteita. Tällöin tarvitaan tarkempaa analyysiä siitä, kuinka monta latausasemaa voidaan asentaa tietyille alueille, ottaen huomioon sekä alueen väestötiheys että sähkön kulutustarpeet.

Kun tarkastellaan optimointimallin taloudellista puolta, on tärkeää muistaa, että kustannukset eivät koostu pelkästään asennuskustannuksista, vaan myös päivittäisistä operatiivisista kustannuksista, kuten sähköverkon käyttö- ja huoltokustannuksista. Tämä vaatii monen eri muuttujan huomioimista, ja ratkaisut tulee mukauttaa niin, että ne palvelevat sekä taloudellisesti että teknisesti parhaiten käyttäjiä ja palveluntarjoajia.

Miten optimoida sähköajoneuvojen latausasemien sijainti ja ajankohdat verkon tukemiseksi?

Sähköajoneuvojen (EV) siirtyminen perinteisistä polttomoottoriajoneuvoista on keskeinen toimenpide, jonka avulla pyritään vähentämään saasteiden päästöjä, erityisesti kaupunkialueilla. Tämä kehitys ei rajoitu pelkästään ajoneuvojen käyttöön, vaan siihen liittyy myös tehokas latausasemien (CS) hallinta ja niiden optimaalinen sijoittelu. Käytännössä tämä tarkoittaa verkon ja liikenteen hallinnan yhdistämistä, jotta voidaan varmistaa tehokas energiankulutus ja vähentää CO2-päästöjä. Sähköajoneuvojen ja latausasemien optimaalinen aikataulutus ja sijainti edellyttävät monialaiselta lähestymistavalta, sillä kyseessä on päätöksentekoprosessi, joka kattaa niin liikenteen ja logistiikan kuin älyverkon hallinnan ja aikataulutuksen.

Tässä yhteydessä käsiteltiin kahta pääasiallista lähestymistapaa sähköajoneuvojen aikataulutuksen optimointiin. Ensimmäinen lähestymistapa keskittyy diskreettiaikaan perustuvaan optimointiongelmaan, jossa fossiilisten polttoaineiden tuotantolaitokset, varastointijärjestelmät ja uusiutuvat energialähteet otetaan huomioon sähköverkon kuorman tyydyttämiseksi. Diskreettiaikainen formalisaatio voi käyttää ennusteita uusiutuvista energialähteistä ja kuormista ilman laajaa tietojen käsittelyä. Tämä lähestymistapa tuo kuitenkin mukanaan suuren määrän päätösmuuttujia, mikä tekee ongelmasta vaikeasti ratkaistavan kaupallisilla optimointityökaluilla.

Latausasemien sijainnin optimointi on olennainen osa tätä prosessia. On tärkeää ottaa huomioon liikenneverkko ja käyttäjätasapainon ehdot, jotka liittyvät sekä deterministisiin että stokastisiin tilanteisiin. Käyttäjätasapainomallien avulla voidaan arvioida energian kysyntää ja liikenteen jakautumista ottaen huomioon ajoneuvojen käytön mallit. Tämä tarkoittaa sitä, että latausasemien sijoittaminen ja kapasiteetin määrittäminen eivät voi perustua vain sähköverkon tai liikenteen ennusteisiin, vaan niiden tulee ottaa huomioon myös todelliset käyttäjien reitit ja liikkumistottumukset.

Kun otetaan huomioon nämä haasteet, latausasemien sijoitteluun on omistettu erillisiä lukuja, joissa käsitellään erityisesti liikenneverkkoa ja käyttäjätasapainon ehtoja. Esimerkiksi stokastinen käyttäjätasapainomalli (SUE) auttaa määrittämään tasapainoisen liikenneverkon käyttäjien käyttäytymisen ottaen huomioon eri reitit, jotka kulkevat latausasemien kautta. Tämä malli voi olla ratkaiseva, kun pyritään optimoimaan latausasemien määrää ja sijaintia, erityisesti tiheästi asutuilla alueilla.

Lisäksi, kun käsitellään latausasemien sijoittelua sähköverkon jakeluverkkoon, on otettava huomioon myös älyverkon sähköisten rajoitusten ja energianhallintajärjestelmän vaatimukset. Tällöin käytetään pienikokoisia tuulivoimaloita (WT), aurinkopaneeleja (PV) ja yhdistelmäturbiineja, jotka kaikki liitetään samaan verkkoon. Näiden järjestelmien optimointi vaatii erityistä huomiota verkon kuormituksen ja latausasemien tehokkuuden varmistamiseen.

Verkko- ja liikennehuoltoon liittyvien optimointimallien lisäksi sähköajoneuvojen jakelujärjestelmät, kuten auto- ja pyöräjakojärjestelmät, ansaitsevat huomion. Sähköajoneuvot ovat erinomaisia ehdokkaita kaupunkialueiden jakelujärjestelmiin, mutta niiden optimointi tuo mukanaan uusia haasteita. Näitä haasteita ovat muun muassa latausasemien sijainnin ja koon määrittäminen, ajoneuvojen optimaalinen jakaminen käyttäjille, akkujen vaihto ja ajoneuvojen sijoittelu vapaasti liikkuvissa järjestelmissä. Näiden ongelmien ratkaiseminen vaatii tehokkaita optimointimalleja, jotka huomioivat kaupungin liikennevirrat, ajoneuvojen liikkumistottumukset ja latausmahdollisuudet.

Tässä keskustellut mallit ja lähestymistavat antavat kattavan kuvan siitä, miten sähköajoneuvojen latausasemien aikataulutus ja sijainti voidaan optimoida älyverkoissa. Koko järjestelmän toimivuus perustuu siihen, että eri tekijöiden, kuten liikenteen, käyttäjäkäyttäytymisen ja sähköverkon rajoitusten, yhteensovittaminen tapahtuu mahdollisimman tehokkaasti. Tämä puolestaan edistää kaupungistuvan yhteiskunnan kestävämpää kehitystä ja vähentää entisestään liikenteen ja energiankulutuksen ympäristövaikutuksia.