С увеличением количества электромобилей, в том числе в коммерческой эксплуатации, инфраструктура ночной зарядки для сотен автомобилей станет обычным явлением в городах. Однако одного лишь размещения точек зарядки будет недостаточно. Ситуация намного сложнее: многие автомобили и электробусы въезжают в депо и выезжают из него в разное время суток, у них разные потребности в энергии. К тому же тарифы на электричество обычно зависят от времени суток. Возможны и ограничения по мощности из-за недостаточного подключения к сети — как следствие, придется рассмотреть различные типы зарядных устройств. Задача состоит в том, чтобы своевременно заряжать автопарк необходимым количеством энергии при минимальных затратах. Чтобы справиться с этим уровнем сложности, депо необходимо использовать возможности искусственного интеллекта (ИИ) и «Интернета вещей» (IoT). О том, как это эффективнее сделать, рассказывает Тимоти Хьюз, менеджер по продукту программного обеспечения для электротранспорта в управлении «Интеллектуальная инфраструктура» компании «Сименс».
Подключение зарядных устройств и применение ИИ
Первым делом необходимо подключить зарядные устройства в депо к системе мониторинга и управления. Наиболее эффективно это достигается путем их присоединения к облачной системе IoT, которая собирает данные (обычно более двадцати параметров, в том числе о используемой энергии, напряжении или температуре) и позволяет отслеживать и контролировать зарядные устройства. В идеале подключение для управления различными зарядными устройствами в пределах станции обеспечивается через открытый протокол, например, через Open charge point protocol (OCPP).
Это первый шаг и основа для оптимизации мощности и энергопотребления в депо. Для этого необходимо учитывать все аспекты, относящиеся к эффективной зарядке, например, параметры транспортного средства (тип аккумулятора, максимальная скорость зарядки), параметры зарядной станции (максимальная мощность зарядного устройства, количество разъемов и т. д.), особенности счетов за электроэнергию (сборы за потребление, ставки времени использования) и, наконец, расписание транспортных средств (время въезда и выезда каждого транспортного средства, а также энергия, необходимая для запланированного маршрута). Как только эта информация, поступающая из разных источников — из системы управления депо, от поставщика электроэнергии депо и т. д., собрана и подготовлена, можно начинать оптимизацию.
Цель оптимизации — управление комбинированными графиками зарядки для каждого транспортного средства, при этом в ее рамках могут ставиться конкретные рабочие цели — допустим, минимально возможный счет за электроэнергию для депо. С одним транспортным средством это просто: электричество обычно стоит дешевле после 22:00, поэтому автомобиль дешевле зарядить после этого времени. С пятью автомобилями все еще возможно найти приемлемую комбинацию времени зарядки, но с несколькими сотнями автомобилей оптимизация быстро выйдет из-под контроля.
И здесь в игру вступают определенные умные математические и вычислительные мощности, называемые интеллектуальной зарядкой на основе ИИ, которые будут искать множество возможных графиков зарядки для каждого зарядного устройства и транспортного средства, чтобы предложить решения, обеспечивающие наименьшую стоимость (или другой набор целей). Это достигается за счет снижения общего потребления энергии или мощности в депо в дорогостоящие периоды времени. Оптимальные индивидуальные графики зарядки для каждой зарядной станции затем загружаются из облачной системы управления с использованием встроенных возможностей IoT зарядных станций.
Снижение эксплуатационных затрат на 40-50 % для крупного депо
Приведём пример, демонстрирующий возможности ИИ и показывающий, как он может помочь снизить эксплуатационные расходы для большого парка электромобилей. Представьте себе депо, в котором находится 150 автобусов, каждый из которых требует около 160 кВт·ч электроэнергии каждый день. Депо строит свою работу, предполагая, что автобусы возвращаются в депо в конце дня в три потока. При неконтролируемой зарядке каждое зарядное устройство запускается, как только оно подключено к сети, и это дает профиль мощности с двумя основными пиками 4,6 и 3,9 МВт в 21:00 и 2:00 соответственно, а также меньший пик примерно в 9:00.
Чтобы понять, что это значит для эксплуатационных расходов депо, примите во внимание, что у большинства коммерческих клиентов в счетах есть два платежа:
- Счета за электричество: это плата за электроэнергию, которую они используют (кВт·ч), умноженную на цену за электроэнергию (долл. США/кВт·ч).
- Плата за потребляемую мощность: это плата за необходимый объём электроэнергии. Это максимальная мощность (кВт), используемая в течение 15-минутного интервала максимальной нагрузки, умноженная на плату за потребление локальной коммунальной службы (долл. США/кВт).
В большинстве городов есть тариф по времени использования, согласно которому плата за энергопотребление в определенное время дня дешевле. Очевидно, что для снижения эксплуатационных расходов депо должно использовать большую часть энергии, когда она дешевле всего.
Пример использования № 1. Сокращение расходов на электроэнергию
Приведём пример: ставки на коммерческий электротранспорт, предлагаемые американским коммунальным предприятием PG&E, применяются к приведенному выше профилю мощности депо. Приблизительно 11 000 кВт·ч электроэнергии потребляется при пиковой нагрузке, 14 000 кВт·ч — при внепиковой нагрузке, и практически никакой нагрузки при использовании сверхвысокой скорости непиковой нагрузки. Ежедневные затраты на электроэнергию составят почти 5 000 долларов США. Чтобы сократить расходы, необходимо перенести потребление электроэнергии с пиковой нагрузки на непиковую. Также контролируется общий уровень мощности депо, чтобы минимизировать затраты на электроэнергию. Алгоритмы ИИ будут искать оптимальное решение, которое одновременно изменит использование энергии (смещение нагрузки), а также снизит максимальную мощность (уменьшение нагрузки) для депо. Это, по сути, многомерная проблема.
Оптимальный профиль мощности для той же станции, определенный алгоритмами ИИ, изображен на рисунке 2. В него включены 150 индивидуальных графиков зарядки (по одному для каждого из 150 автомобилей), которые в сочетании позволяют сократить потребление энергии вне дорогостоящего периода времени, а также снизить общий уровень энергопотребления. В результате новый счет за электроэнергию составляет менее 3000 долларов США в день. Это экономит около 40 % и достигается без каких-либо эксплуатационных ограничений — график выдерживается, автобусы по-прежнему въезжают и покидают депо в нужное время и получают необходимую энергию для выполнения своих задач.
Пример использования № 2. Сокращение платы за потребление электроэнергии
Плата за потребление зависит от его максимальной мощности и, как правило, от времени суток. Для снижения этих расходов есть два рычага: во-первых, уменьшение пиков мощности, а во-вторых, переключение нагрузки из области первичного спроса (то есть после 22:00). Например, компания Con Edison использует две схемы оплаты: одну — летом и другую — все остальное время в течение года. Летнюю оплату можно увидеть на рисунке ниже, где также показан профиль мощности депо (рис. 3). Очевидно, что пики, вызванные неконтролируемой зарядкой, имеют сильное финансовое влияние, а максимальный пик приходится на период с 9 до 21:30. В этот период задается высокая плата за электроэнергию (с 8:00 до 22:00), во все остальные часы стоимость ниже. Ежемесячная плата за электроэнергию составляет почти 162 000 долларов США.
Оптимизированный для искусственного интеллекта профиль мощности для депо (рис. 4) показывает значительное снижение общих пиковых значений с 4,6 до примерно 2,5 МВт. Более того, энергопотребление смещено из наиболее дорогостоящих промежутков времени. Вместе эти два улучшения могут снизить ежемесячную плату за потребление примерно на 50 % по сравнению с неконтролируемыми процессами зарядки. Как и в первом случае, это может быть достигнуто без последствий с точки зрения эксплуатации: автомобили заряжены и готовы к использованию в случае необходимости.
Краткие сведения
Управление зарядкой в депо — ключ к экономичной и эффективной эксплуатации электрифицированного автопарка. Оно может значительно повысить мобильность экологичного транспорта. Для небольших автопарков управление нагрузкой (его иногда также называют «умной зарядкой») — ключевой инструмент для снижения как капитальных, так и операционных затрат. Такие передовые технологии, как искусственный интеллект, необходимо применять по мере роста парка машин. Хотя точные цифры варьируют в зависимости от объекта, затраты на электроэнергию могут быть снижены до 40 %, а сборы по запросу — до 50 %. Такой масштаб экономии имеет под собой экономическое обоснование и обладает важным значением для долгосрочного успеха электротранспорта.
