Eötvös Loránd Tudományegyetem Természettudományi Kar
Elektromos járm¶vek intelligens töltése Major Martin BSc alkalmazott matematikus szakdolgozat
Témavezet®:
Mádi-Nagy Gergely Ph.D., adjunktus Operációkutatási Tanszék
Budapest, 2017
Köszönetnyilvánítás
Ezúton is szeretném megköszönni témavezet®mnek, Mádi-Nagy Gergelynek a hasznos tanácsokat, észrevételeket és az útmutatást a dolgozat elkészítése során, valamint a konzultációkat, ahol mindig türelemmel fordult felém. Köszönettel tartozom szüleimnek és barátaimnak, hogy támogattak, szeretettel és türelemmel segítettek tanulmányaim során.
2
Tartalomjegyzék
1. Bevezetés
5
2. Elektromos járm¶ töltés modellek
7
2.1.
A villamos autók lehetséges töltési módjai
. . . . . . . . . . . . . . . . . .
7
2.1.1.
Szabályozatlan töltés . . . . . . . . . . . . . . . . . . . . . . . . . .
7
2.1.2.
Id®ben késleltetett töltés
. . . . . . . . . . . . . . . . . . . . . . .
8
2.1.3.
Intelligens töltés
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
2.2.
Az elektromos járm¶vek felhasználása energiatárolásra
. . . . . . . . . . .
9
2.3.
Elektromos járm¶ integrációs projektek . . . . . . . . . . . . . . . . . . . .
10
2.3.1.
Járm¶ a hálózathoz technológia (V2G)
. . . . . . . . . . . . . . . .
10
2.3.2.
Az UD V2G projektje
. . . . . . . . . . . . . . . . . . . . . . . . .
11
2.3.3.
Edison program . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.3.4.
E-mobility Berlin . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.3.5.
Összehasonlítás . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
3. Szabályozói piac
13
4. Egyirányú V2G
16
4.1.
Szabályozási algoritmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
4.2.
A preferált operációs pont kiválasztása
. . . . . . . . . . . . . . . . . . . .
18
4.2.1.
Okos töltési algoritmus . . . . . . . . . . . . . . . . . . . . . . . . .
19
4.2.2.
Optimális POP kiválasztási algoritmus
. . . . . . . . . . . . . . . .
21
Szimuláció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
4.3.1.
Töltési prolok
25
4.3.2.
A szimuláció éves eredményei
4.3.3.
Konklúzió
4.3.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
5. Gyakorlati példa
31
5.1.
Bemen® adatok
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
5.2.
Adatok összegzése . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
5.2.1.
Indexlista
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
5.2.2.
Paraméterek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
5.2.3.
Változók . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
5.3.
Célfüggvény . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
5.4.
Korlátozó feltételek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
3
5.5.
Kimen® adatok
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
5.6.
A program által igényelt adatok leírása . . . . . . . . . . . . . . . . . . . .
33
5.7.
Fejlesztési lehet®ségek
34
5.8.
Hibaüzenetek és a hiba lehetséges okai
. . . . . . . . . . . . . . . . . . . .
34
5.9.
Mintaalkalmazások példafutások . . . . . . . . . . . . . . . . . . . . . . .
35
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6. Összefoglalás
41
4
1. Bevezetés Az elektromos áram a világ gazdasági átalakulásának egyik f® hajtóereje. A feltörekv® országokban végbemen®, a lakosság egyre nagyobb részét elér® gazdasági fejl®dés kapcsán egyre több helyre jutnak el légkondicionálók, számítógépek, okostelefonok és egyéb termékek, melyek üzemeltetéséhez áramra van szükség. Ezen kívül világszerte terjed az elektromos meghajtású járm¶vek használata, így nem meglep®, hogy a világ villamos energia-kereslete várhatóan minden más energiafajtáénál nagyobb mértékben fog n®ni. Az IEA el®rejelzései szerint a villamos energia-kereslet több mint kétharmadával fog n®ni 2011 és 2035 között, ráadásul a fellép® igény nagy részét az OECD-n kívüli, fejl®d® országok adják majd. Felmerül azonban a kérdés: hol és milyen forrásból állítja majd el® a világ a növekv® kereslet kielégítéséhez szükséges áramot. Egészen meglep® megoldások is szóba jöhetnek, akár az autók is biztosíthatják az energiaigényünk egy részét.
1. ábra. Elektromos járm¶vek számának alakulása 2009 és 2016 között.
A közlekedést ma túlnyomórészt a bels®égés¶ motorok dominanciája jellemzi. A szénhidrogén alapú üzemanyagokat várhatóan olcsóbb, mesterségesen el®állítható üzemanyagtípusok fogják felváltani, valamint várható a közlekedési célú villamosenergia-felhasználás részarányának er®teljes növekedése is. A villamos hajtású, szabad pályájú, munkavezeték nélküli járm¶vek ígéretes megoldást jelenthetnek a közlekedés problémájára. Ilyen járm¶veket már az 1900-as évek elején is készítettek, akkor viszont alulmaradtak a bels®égés¶ motorokkal folytatott versenyben. Az 1990-es évek végén kísérleti jelleggel üzembe helyeztek elektromos meghajtású autókat, melyek a hozzájuk f¶zött reményeket nem váltották
5
be: a kell® fogyasztói érdekl®dés hiánya miatt a koncepciót akkor elvetették. A XXI. század elején a fejlesztések újra felgyorsultak, a lendület azóta töretlen(1. ábra). Többek között a fukushimai katasztrófa utáni áramkimaradás hívta életre az "autóból a lakásba" (vehicle-to-home / V2H) elvet. A rendszernek köszönhet®en lehetséges, hogy a parkolás közben tölt®d® elektromos autók mintegy áramtárolóként szolgálhassanak a háztartások számára. A rendszer egyébként a ház tetején esetleg elhelyezett napelem panelekkel is összekapcsolható és teljesen feltöltött állapotban egy tipikus Japán háztartás kétnapi energiaszükségletét tudja fedezni. A Nissan LEAF autóin keresztül már több, mint 2000 ilyen rendszert adott el. Amerikában is voltak hasonló próbálkozások, ott azonban az autók gyakoribb használata és a lakosság magasabb energiafogyasztása miatt "csak" az áltagos háztartás egynapi igényét tudta fedezni a rendszer. A rendszer még további fejlesztésekre vár, a technológia egyel®re még drága és nem mindenhol kivitelezhet®, de közép- és hosszú távon egyre inkább elképzelhet® a terjedése és kib®vítése. Középtávon az irodák részleges áramellátása képzelhet® el ilyen módon, hosszú távon pedig még ennél is több. A vehicle-to-grid (V2G) rendszerben feltöltött autók az egész villamosáram-hálózat hatékonyságát növelni tudják, illetve biztosíthatják annak zavartalan m¶ködését olyan magas terhelés¶ id®szakokban is, mint amikor pl. nyáron mindenki egyszerre m¶ködteti a légkondicionáló és h¶t® berendezéseket. Az Európai Unió célkit¶zései között kiemelt helyen szerepel a villanyautózás széleskör¶ elterjesztése. Egyre több kutatás foglalkozik annak a vizsgálatával, hogy miként lehet az elektromos járm¶veket (EV) rendszerkiegyenlít® szerepben alkalmazni. A jelenlegi infrastruktúra-kiépítettség (tölt®hálózat hiánya) mellett az elektromos gépjárm¶vek els®sorban a klasszikusnak vélt éjszakai töltési id®szakban járulhatnak hozzá a villamosenergia-rendszer völgyid®szakainak kiegyenlítéséhez.
6
2. Elektromos járm¶ töltés modellek Az elektromos járm¶ (EV=electric vehicle) kifejezést gy¶jt®névként használjuk, amely ma már többféle altípust takar:
•
Hibrid villamos autók (HEV=hybrid electric vehicle)
•
Hálózatra csatlakoztatható hibrid villamos autók (PHEV=plug-in hybrid electric vehicle)
•
Tisztán villamos autók (EV=electric vehicle)
A technológia jelenlegi állása szerint a PHEV rendszer¶ autók alkalmazása t¶nik kézenfekv®nek, mert városi, rövid távú alkalmazás esetén tisztán villamos üzemmódban használhatók, így a városi leveg®- és zajszennyezés csökkentéséhez nagymértékben hozzá tudnak járulni, ugyanakkor a konstrukció meg®rzi a benzinmotoros autók gyors és egyszer¶ tankolhatóságának lehet®ségét is. A költségek változása is egy sokismeretlenes terület: ha üzemanyagár-robbanás következik be, akkor sikerülhet dönt® áttörést elérni a tárolástechnológiák terén, vagy nagy támogatásban részesül a rendszerátalakítás, és a költséghelyzet gyorsan megváltozhat. Kedvez®tlenebb el®rejelzés alapján egy villamos autó még 2020-ban is hét-tízezer euróval kerülhet többe egy hagyományos autónál.
2.1. A villamos autók lehetséges töltési módjai Az autók hálózatról való töltésének különböz® aleseteit lehet megkülönböztetni: 1. Szabályozatlan töltés (dumb charging) 2. Id®ben késleltetett töltés (delayed charging) 3. Intelligens töltés (smart charging)
2.1.1. Szabályozatlan töltés Ez gyakorlatilag azt jelenti, hogy az akkumulátorok töltése koordinálatlanul, az autó villamos hálózatra való csatlakozásának pillanatában megkezd®dik. Ez az intelligencia nélküli töltési módot takarja (ez a jelenlegi üzemállapot). A szabályozatlan töltés esetén vizsgálandó állapot viszonylag könnyen értelmezhet®: az autótulajdonosok hazaérnek és autójukat a hálózatra csatlakoztatják, hogy az akkumulátorokat feltöltsék. A töltés a hálózatra csatlakoztatás után azonnal megindul, és akkor
7
fejez®dik be, ha az akkumulátor teljesen feltölt®dött, vagy ha a töltés egyéb küls® ok miatt megszakad (ez lehet áramszünet, de a fogyasztó is megszakíthatja a töltést önkényesen).
2. ábra. Szabályozatlan töltés.
2.1.2. Id®ben késleltetett töltés A villamos hálózat és a hálózatra kapcsolt autók tölt®rendszere közötti egyirányú kommunikációt feltételez® eljárás. Ma még az okos mér®k (SM = smart metering) nem terjedtek el, így infrastruktúrát sem lehet rájuk építeni. Ezért átmeneti megoldásként foglalkozni kell a töltés id®ben eltolt késleltetésével, ami már egy igaz meglehet®sen egyszer¶ , de valamilyen szinten szabályozott töltési módot jelent.
3. ábra. Id®ben késleltetett töltés. Ennek során a töltést részlegesen a völgyid®szakba lehet áttolni. Erre többféle ösztönz® rendszert (pl. kéttarifás villamosenergia-árképzés) lehet használni.
8
2.1.3. Intelligens töltés Teljes smart grid kiépítettség esetén lehetséges, intelligens szabályozás segítségével. Az akkumulátortöltés programjának kialakítása ebben a rendszerben a gépjárm¶vezet®k utazási prolja, a következ® napra valószín¶sített, vagy általuk bevitt útitervhez szükséges energiaigény, valamint a villamos hálózat pillanatnyi terhelhet®ségének együttes gyelembevételével történik. Az okos energiamérés bevezetése az egyik lehetséges módja az intelligens töltés megvalósításának. Ezzel a módszerrel minimalizálni lehet a villamos autózás kedvez®tlen hálózati hatásait, és csökkenteni lehet a hálózati veszteségeket. A hálózatra csatlakoztatott autók töltése ekkor már nem folyamatos és nem is egyenletes: a tölt®teljesítmény nulla és a maximum között változhat, a hálózat terheltségének és a tarifális beállításoknak megfelel®en. Ha ilyen rendszert vezetünk be, akkor a felhasználóknak nem lesz már lehet®ségük arra, hogy a töltési prolt tetsz®legesen befolyásolják; egy ilyen rendszerben az üzemeltet® csupán azt fogja tudni el®írni, hogy mikorra legyen teljesen feltöltve a gépjárm¶ akkumulátora.
4. ábra. Intelligens töltés.
2.2. Az elektromos járm¶vek felhasználása energiatárolásra Az intelligens töltés egy másik, igen jelent®s lehet®séget is felvet. A teljesítményáramlás iránya ugyanis nem csak a hálózatból az autó akkumulátorába történhet (G2V, vagyis grid to vehicle), hanem fordítva is (V2G, tehát vehicle to grid). Ez pedig azt jelenti, hogy a villamos autók akkumulátorai által képviselt kapacitást energiatárolásra is fel lehet használni, ami korábban szinte megvalósíthatatlannak t¶nt. A teljesítményáramlás
9
megfordításával a sok ezer villamos autóból álló ottát üzemeltet® vállalkozások új szerepl®ként jelenhetnek meg a rendszerszint¶ szolgáltatások piacán (pl. kiegyenlít® energia, frekvenciaszabályozás), illetve a otta gépjárm¶veit elosztott energiatárolóként is üzemeltethetik.
2.3. Elektromos járm¶ integrációs projektek Egyetlen autó hatása - mind töltési, mind visszatáplálási szempontból - elhanyagolható a villamosenergia-rendszerre nézve, hiszen teljesítményfelvétele és -leadása kismérték¶. Ahhoz, hogy a teljes villamosenergiarendszer számára mérhet® hatást tudjunk elérni, szükség van a nagyszámú villamos autó együttes vezérlésére. A villamos autókat szabályozási szempontból így összefogó, új piaci szerepl®nek a szakirodalom az aggregátor nevet adta. Ilyen szervezet a villamos autók kis száma miatt jelenleg még kevés helyen üzemel.
2.3.1. Járm¶ a hálózathoz technológia (V2G) Az EV-vek szolgálhatnak energiaforrásként is, a vehicle-to-grid(V2G) m¶velet révén villamosenergiát küldenek vissza a hálózatba, ezáltal megakadályozva vagy elhalasztva a terheléscsökkenést. A V2G szolgáltatások optimalizálják a hálózat terhelését, miközben garantálják a tulajdonosok menetrendjének és a járm¶vek hatótávolságának egybeesését.
5. ábra. A V2G szerkezete.
10
Az aggregátorok biztosíthatnak a hálózatnak olyan szolgáltatásokat, mint felfelé és lefelé szabályozás, terhelés kiegyenlítése és csúcskiegyenlítés sokkal gazdaságosabban és kisebb környezeti hatással, mint a jelenlegi rendszer. A kétirányú töltés lehet®vé teszi az EV-k számára, hogy reagáljanak a Rendszerirányító (TSO) kéréseire fel- és leszabályozásnál is, és az EV felhasználót majd gazdaságilag kárpótolják az ilyen szolgáltatásokért.
2.3.2. Az UD V2G projektje A University of Delaware (UD) által kutatott és fejlesztett technológia [2, 3-4. oldal] is a járm¶ a hálózathoz (V2G) csoportba tartozik. A kutatás arra a lehet®ségre összpontosít, miszerint a V2G technológia javítja az EV-vek felhasználását, mint aktív er®forrás a hálózatban és a piacon. Az UD V2G-r®l szóló kutatása átíveli a tudományágak egy széles skáláját úgy, mint soft- és hardware fejlesztések, hatás a hálózatra és vezetési minta elemzés, valamint csoportosított otta optimalizáció. Továbbá a technikai szempontokat nézve, az UD V2G szintén foglalkozik a politikával, szabványokkal, törvényhozással és a felhasználó igényeivel. UD V2G egyszerre egy program és egy kutatási téma, így folyamatosan dolgoznak a kutatásán, fejlesztésén és kereskedelmén. Mostanában a csoport arról döntött, hogy lecserélik a 'V2G' kifejezést a 'Hálózatba Integrált Járm¶' kifejezésre, hogy hangsúlyozzák a hálózati integráció fontosságát.
2.3.3. Edison program Dániában az EDISON (Electric vehicles in a Distributed and Integrated market using Sustainable energy and Open Networks) projektben [2, 2-3. oldal] valósítottak meg a kísérleti V2G-t a Bornholm szigeten. A cél, hogy optimális megoldásokat fejlesszenek az EV integrációhoz, beleértve a hálózati problémákat, a piaci megoldásokat és a lehetséges együttm¶ködést különböz® energia technológiák között. Dániának fontos sajátossága, hogy a széler®m¶vek aránya már most eléri a 20%-ot az energiatermelésben, ezért el®fordult, hogy a széler®m¶veket túl nagy termelés esetén le kell kapcsolni a hálózatról. Ehelyett azonban a túltermelést az elektromos autók akkumulátorainak töltésére szeretnék használni, így a rendszerbe integrálható elektromos autók és széler®m¶vek száma is n®het.
11
2.3.4. E-mobility Berlin A német E-Mobility Berlin programot [2, 4-5. oldal] a Daimler AG (Mercedes-Benz) és az RWE közüzem kezdeményezte. A program keretein belül a Daimler biztosít egy 100 járm¶b®l álló ottát és az RWE üzemeltet 500 EV tölt®állomást egy nagy terület¶ teszthez Berlin utcáin. A program célja a fejlesztés és az EV-vek szabványosított megoldásainak tesztelése. A program 2008-ban indult és folyamatosan b®vítik a területi teszteket új járm¶vekkel és technológiákkal. Az e-mobilitás nagy lehet®ségeket kínál: a klímavédelem, az er®források kíméletes felhasználása és az iparpolitika egymással történ® ésszer¶ összekapcsolásával. Az elektromobilitás által például az áram decentralizált, megújuló energiaforrásokból mindenek el®tt szélenergiából - származó változékony betáplálását okos hálózatok és okos mérés segítségével a villamos autók mobil akkumulátorába lehet tárolni. Az aggregátorként az e-mobility programban alapvet®en a közüzemi vállalkozásokat, például az RWE-t tekintik, aki eladhat energiát az EV felhasználónak és jutalmazhatja ®ket a rugalmasságukért. Azáltal, hogy engedélyezi, hogy a felhasználó megadjon egy 'töltés vége' id®t, az okos töltés felhasználási koncepcióját támogatja.
2.3.5. Összehasonlítás Az okos töltést, amelyet lefed az EDISON és az e-mobility, lehet tekinteni a piaci integráció az els® megközelítésének azáltal, hogy engedélyezi az EV-nek, hogy reagáljon a változó energiaárakra az energiapiacon. Az UD V2G által tesztelt V2G eszközt lehet tekinteni a második lépésnek, ahol az EV növeli a lehet®ségeit, mint hálózati tartalék és több piaci integrációs koncepció válik lehetségessé. Újabb integrációs koncepciók fordulhatnak el® a következ® években, ahogy a piac igazodik majd, hogy jobban kezelje a megosztott energiatartalékokat az okos hálózat koncepció részeként. A három program architektúrájában lev® különbség felfed egy alapvet® kérdést az EV integrációjában: Melyik szervezet felel®s az EV-vek felhasználási viselkedésének befolyásolásáért és irányításáért? Az aggregátor, a tölt®berendezés vagy maga az EV? Mind az e-mobility, mind az UD V2G egy EV központú megközelítést használ, ahol egy a járm¶be beágyazott számítógép hoz meg bizonyos döntéseket.
12
3. Szabályozói piac Miért volt és van irányításra szükség az energiapiacon? Azért, mert a villamos energia különleges áru. Nagyban nem tárolható. A nagy- vagy kiskeresked®k nem vihetik a fogyasztóhoz vonattal vagy teherautóval, hanem csak a hálózaton át. A hálózaton azonban nincs lehet®ség arra, hogy az egyes er®m¶vekben megtermelt kWh-t az egyes fogyasztókhoz rendeljék. Itt zikai egyensúly kell. Durva összehasonlítással amennyi MW bekerül a hálózatba, annyinak is kell távozni, azaz a villamos hálózatban a betáplálásnak és az elvételnek mindig meg kell (kellene) egyeznie, és ezért van szükség rendszerirányítóra. Most a MAVIR Zrt. független rendszerirányító feladata az egyensúly tartása. Természetesen csak a hazai szabályozási zónában, amelyre hatása kiterjed. Mivel a villamos energia is forgalomképes áru, adható és vehet®, mérhet® és szállítható, ezért a keresked®k is meghatározó szerepet játszanak a piacán. Nálunk, hasonlóan több nyugat- és észak-európai országhoz, az úgynevezett mérlegkörök rendszere mellett döntöttek a liberalizáláskor. A mérlegkör felel®se a mérlegkörfelel®s (egy piaci szerepl®), aki a rendszerirányítóval mérlegkörszerz®dést kötött.
6. ábra. A szabályozás és kiegyenlítés folyamata.
A mérlegkörfelel®s feladatai közé tartozik a menetrendek bejelentése, azaz fogyasztási és termelési menetrendek mérlegkör szint¶ összesítése negyedórás bontásban és továbbítása a rendszerirányítóhoz. További feladata a mérési adatok kezelése, illetve elszámolás
13
a rendszerirányítóval és a mérlegkör tagokkal, tehát a bejelentett fogyasztási és termelési menetrendek és a mérési adatok alapján a különbségek elszámolása a rendszerirányítóval, és az eltérések okozta szabályozási energiaigény költségének allokálása a mérlegkör tagok felé. Ha különbség lép fel az el®zetesen bejelentett menetrend és a tényleges fogyasztás között, akkor a rendszerirányítónak kell beavatkoznia. A hálózatban fellép® áramhiányt vagy áramtöbbletet többlépcs®s megoldással javítja ki a rendszerirányító. A teljesítmény megbomlása esetén els®ként a primer szabályozás lép életbe, legfeljebb fél percen belül megszünteti az egyensúlytalanságot. Az új egyensúly azonban nem az el®írt, eredeti állapotot állítja vissza, egy kicsit eltér ett®l. Ezt a hibát a szekunder szabályozással kell kiküszöbölni, ami legfeljebb 5 percen belül helyreállítja az egyensúlyt. Tercier (perces) szabályozás célja a szekunder szabályozás kisegítése/kiváltása (nagyobb vagy tartósabb egyensúlytalanság esetén).
7. ábra. Rendszerszabályozás.
A rendszerirányító opciót vásárol a résztvev® piaci szerepl®t®l arra, hogy a megadott id®szakban a rendszerirányító utasítására a magadott mértékben csökkentik vagy növelik majd az energiatermelésüket/fogyasztásukat. A szükséges tartalékok összetételét és mennyiségét a rendszerirányító határozza meg. Ezek els®sorban er®m¶vek és egyes nagyfogyasztók, akik képesek és hajlandóak rövid id®n belül csökkenteni/növelni a fogyasztásukat. Ezek beszerzése árveréseken és hosszú távú szerz®désekkel történik.
14
A manapság megjelen® új irányvonal a fogyasztó oldali szabályozás. Ez az ipari energiatermelésben felmerül® kihívásokra született válasz, amely a növekv® jogszabályi és környezetvédelmi megfelel®ségb®l ered® nyomás és az üzemeltetés emelked® vagy stagnáló költségeivel szemben igyekszik támogatást nyújtani a nagyvállalatoknak alaptevékenységük hatékonyságának ösztönzésében. A fogyasztó-oldali szabályozás Európában és az Egyesült Államokban egyre nagyobb teret hódít köszönhet®en az általa nyújtott számos technológiai, pénzügyi és környezetvédelmi el®nynek. Ebben az EV ották is fontos szerephez juthatnak az akkumulátorokban tárolható jelent®s mennyiség¶ villamos energiának köszönhet®en, és ez a tulajdonosokat is el®nyösen érintené, hiszen a rendszerirányító közvetve vagy közvetlenül opciót vásárolhatna t®lük a készenlétért, illetve külön zetne a hálózatba visszatáplált áramért.
15
4. Egyirányú V2G Az egyik megoldási mód, amely segít kezelni a korábban ismertetett kihívásokat az a járm¶ a hálózatba (V2G) technológia. Az áram áramlása a V2G-ben lehet egyirányú és kétirányú is, de az egyirányú V2G csak olyan szolgáltatásokat tud nyújtani, amelyek a hálózat szabályozására alkalmasak. A V2G révén az EV tulajdonosok potenciális bevételt generálhatnak, miközben töltik az autójukat és ezzel egyidej¶leg mérsékelhetik a töltés hálózatra gyakorolt negatív hatását is. A V2G el®nyeinek megvalósításához aggregátorok szükségesek. Annak ellenére, hogy a legtöbb tanulmány középpontjában a kétirányú energiaáramlás áll, az elfogadása komoly kihívást jelent. Annak érdekében, hogy az EV energiát küldjön vissza a hálózatba további hardver szükséges, amit a jelenleg gyártott vagy a tervek szerint a közeljöv®ben elérhet® elektromos járm¶vek többsége nem tartalmaz. Ezeknek a problémáknak a megoldásához logikus módon az egyirányú V2G-vel kezdhetnénk hozzá. Ugyanis az egyirányú V2G-ben az összes régi EV részt tud venni mindenféle felújítás nélkül, illetve a tölt®állomások infrastruktúrája se szorul további jelent®s fejlesztésekre. A vásárlói aggodalmak csillapodni fognak, mert a rendszerirányító nem lesz képes áramot leszívni az akkumulátorokból. Továbbá a kezdeti szakaszban a piacok, valamint az összesítéssel és szabályozással foglalkozó szervek tapasztalatokat szerezhetnek, miel®tt széleskör¶en elfogadott lesz a V2G kétirányú változata. Az azonban igaz, hogy az egyirányú V2G nem tudja a kétirányú V2G összes el®nyét biztosítani. Bebizonyosodott, hogy az egyirányú esetben a prot kevesebb, mint a kétirányú esettel elérhet® nyereség
25%-a.
Viszont tanulmányok kimutatták [1], hogy bizonyos
piacokon az alacsonyabb beruházási költségek következtében az egyirányú V2G sokkal jövedelmez®bb lehet, azaz logikus els® lépése lehetne a teljes V2G bevezetésének.
4.1. Szabályozási algoritmus Egy elektromos járm¶ segítségével szabályozás végezhet® azáltal, hogy változtatja a töltés mértékét egy meghatározott pont körül, amit preferált operációs pontnak (POP) nevezünk. A POP a generátor számára egy kimeneti teljesítmény szint, míg az EV számára a töltés mértékét határozza meg. Ezen a módon a szabályozás lefelé és felfelé is végrehajtható csak egyirányú energiaáramlással is. Mivel egyetlen autó nem rendelkezik elegend® kapacitással, hogy részt vegyen a szabályozási piacon, ezért az aggregátor több autó együttes kapacitása alapján küld adatokat a rendszerirányítónak. Az aggregátor kö-
16
veti a szabályozási jelet, amit a rendszerirányítótól kap és minden egyes EV kapacitásának megfelel®en alakítja a töltést.
8. ábra. A szabályozási algoritmus folyamatábrája.
A 8. ábrán látható a szabályozási algoritmus folyamatábrája. Ebb®l megállapítható, hogy az algoritmus minden id®intervallumban el®ször azt határozza meg, hogy a várható rendszerterhelést®l való eltérés alapján mely egyenl®tlenségekb®l számolja ki az i-edik járm¶ áramfelvételét. Viszont az összes EV legfeljebb a hátralév® töltési szint és a tölt® hatékonyságának hányadosával tölthet®, ugyanis ellenkez® esetben több áramot juttatnánk az akkumulátorba, mint amennyi belefér. Emiatt van szükség a második kérdésre, amely véglegesen eldönti az i-edik járm¶ adott id®intervallumbeli áramfelvételét.
9. ábra. A preferált operációs pont körüli szabályozás grakus leírása.
17
10. ábra. Az akkumulátor töltöttségi szintjének grakus ábrázolása a szabályozás során.
Ahol:
V
a rendszerterhelés eltérése a rendszerirányítónak leadott adatokból számolt értékt®l
MV P OPi M xAPi
V maximális eltérése preferált operációs pont az i-edik járm¶ esetén a legnagyobb lehetséges többlet áramfelvétel (a POP-hoz képest) az i-edik járm¶ esetén
M nAPi
a legnagyobb lehetséges áramfelvétel csökkentés (a POP-hoz képest) az i-edik járm¶ esetén
P Di
az áramfelvétele az akkumulátornak az i-edik járm¶ esetén
CRi
a hátralév® töltési szint az i-edik járm¶ esetén
M Pi
a lehet® legnagyobb áramfelvétel az i-edik járm¶ esetén
MCi
a maximális töltöttségi kapacitás az i-edik járm¶ esetén
SOCi Efi
a töltöttségi szint az i-edik járm¶ esetén az akkutötl® hatékonysága az i-edik járm¶ esetén
4.2. A preferált operációs pont kiválasztása Mivel a fel- és leszabályozási kapacitások összege, valamint a töltés átlagos aránya a POP alapján történik, ezért a kiválasztása egyáltalán nem triviális kérdés. Kétféle POP kiválasztási algoritmust tekintünk, az okos töltési algoritmust és az optimális kiválasztási algoritmust.
18
4.2.1. Okos töltési algoritmus Három okos töltési algoritmust vizsgálunk, az áron alapulót, a terhelésen alapulót illetve a maximális szabályozási algoritmust. Az áron alapuló töltés els®dleges célja, hogy a rendszer kapacitásait gyelembe véve minimalizálja a felhasználó költségeit. Ezt többek között úgy éri el, hogy az EV-t akkor próbálja nagyobb mértékben tölteni, amikor az áram olcsóbb és a csúcsid®ben, amikor az áram drágább, akkor csak annyit tölt, amennyit feltétlen szükséges. Ezzel szemben a terhelés alapú POP kiválasztásai algoritmus els®dleges célja, hogy a lehet® legjobban kiegyenlítse a rendszer terhelését, még akkor is, ha ez a felhasználó számára többletköltségeket jelent. Ez a terhelés alapú POP kiválasztási algoritmus el®nyösebb, mint a más irodalmakban [1] használt módszer, ahol a töltés közvetlenül követi a megújuló energiaforrások termelését, tehát maximális termelés esetén maximális töltést biztosít. Például nem kívánatos, hogy autónkat csak azért minimum szinten töltsük, mert épp nincs megújuló termelés. A módszer így is magasabb töltési szintet határoz meg magasabb megújuló termelés esetén, viszont a nettó rendszerterhelésen keresztül gyelembe vesz más tényez®ket is (pl. rendszer fogyasztási szintje), így hatékonyabban járul hozzá a rendszeregyensúlyhoz. A harmadik okos töltési algoritmus, a maximális szabályozási (MaxReg) algoritmus, amely a jelenlegi töltöttségi állapot és a hátralév® töltési id® alapján határozza meg a töltés mértékét. Azaz a töltés kezdetén nagyobb ütemben tölt, és ahogy egyre magasabb lesz az akkumulátor töltöttségi szintje, úgy csökkenti a töltés mértékét és pontosan az el®re meghatározott töltési id® végénél éri el a kívánt töltöttségi szintet. A három POP kiválasztási algoritmus:
Ár alapú:
Mx = max(PDA (t0 + 24 ∗ A
Mx
Mn
(1)
a másnapi ár n perces id®sor felbontásában a legdrágább id®szakot jelöli.
Mn = min(PDA (t0 + 24 ∗ A
60 )) n
60 )) n
(2)
a másnapi ár n perces id®sor felbontásában a legolcsóbb id®szakot jelöli.
P OPi (t) =
Mx − P (t) M Pi Mx − Mn
(3)
Az i-edik járm¶ preferált operációs pontját a t-edik id®intervallumban megkapjuk, ha vesszük a másnapi maximális ár és a t-beli ár különbségének és a másnapi maximális és minimális ár különbségének hányadosát és ezt szorozzuk a legnagyobb lehetséges áramfelvétellel. 19
Töltés alapú:
Mx = max(LDA (t0 + 24 ∗ A
Mx
Mn = min(LDA (t0 + 24 ∗ Mn
(4)
a másnapi töltésel®rejelzés n perces id®sor felbontásában a legnagyobb áramfelvétel¶
id®szakot jelöli.
A
60 )) n
60 )) n
(5)
a másnapi töltésel®rejelzés n perces id®sor felbontásában a legkisebb áramfelvétel¶
id®szakot jelöli.
P OPi (t) =
Mx − L(t) M Pi Mx − Mn
(6)
Az i-edik járm¶ preferált operációs pontját a t-edik id®intervallumban megkapjuk, ha vesszük a másnapi legnagyobb áramfelvétel és a t-beli áramfelvétel különbségének és a másnapi maximális és minimális áramfelvétel különbségének hányadosát és ezt szorozzuk a legnagyobb lehetséges áramfelvétellel.
MaxReg alapú:
P OPi (t) =
MCi − SOCi H
(7)
Az i-edik járm¶ preferált operációs pontja a t-edik id®intervallumban megegyezik a maximális töltöttségi kapacitás és a töltöttségi szint különbségének, illetve a töltésb®l hátralév® órák számának hányadosával.
Miután a kezdeti POP be lett állítva valamely fent használt okos töltési algoritmussal, három további egyenlet határozza meg a végs® POP-ot és minden EV le- és felszabályozási kapacitását.
P OPi = min(P OPi ,
CRi ) H
A preferált operációs pont megegyezik a hátralév® töltési szint, illetve a megfelel® közül a kisebbel.
M xAPi = min(M Pi − P OPi ,
CRi − P OPi ) H
(8)
P OPi (9)
A legnagyobb lehetséges többlet áramfelvétel a POP-hoz képest megegyezik a legnagyobb lehetséges áramfelvétel és a POP különbségével vagy a hátralév® töltési szint és a POP különbségével (amelyik kisebb).
20
M nAPi = P OPi
(10)
A legnagyobb lehetséges áramfelvétel csökkentés a POP-hoz képest az i-edik járm¶ esetén megegyezik a POP-tal. Ahol n perces id®felbontású sorral:
t0
0 óra(éjfél)
L
a széltermeléssel korrigált rendszerterhelés
LDA
a kombinált másnapi rendszerterhelés el®rejelzés
P
a jelenlegi áramár
PDA
a másnapi áramár
H
a hátralév® órák száma a töltési tervben
Ezekre azért van szükség, hogy egy EV-nek az aggregátor ne küldjön több áramot, mint amennyi még elfér az akkumulátorában és hogy az eltervezett szintre töltsék az akkumulátort adott id® alatt. Ellenkez® esetben az egyensúlytalanság a szabályozatlan esetnél is rosszabb lehetne.
4.2.2. Optimális POP kiválasztási algoritmus Az okos töltési technikák használata sokkal hatékonyabb, mint az egyszer¶ töltési technikáké, de még ennek ellenére se optimálisak. Ennek megoldására a 3 okos töltési algoritmus analógiájára optimális megoldásokat fejlesztettek ki [1]. Míg a V2G el®nyeit javarészt a közm¶vek és EV tulajdonosok valósítják meg, addig az aggregátorok biztosítják az ezek közötti kapcsolatot. Ezért a V2G eszközeinek minden optimalizálását az aggregátorok fogják elvégezni. Mivel az aggregátor is egy piaci résztvev®, ezért biztosan feltételezhetjük, hogy egy aggregátor a prot maximalizálására fog törekedni, amellett hogy betartja az ügyfelek és közm¶vek korlátozásait. Ha a kommunikációs és tölt®karbantartási költségeket gyelmen kívül hagyjuk, akkor az aggregátor költségeit állandónak tekinthetjük, mert a változó energiaköltségeket áthárítja az EV tulajdonosokra. Az optimális MaxReg algoritmust úgy kapjuk meg, ha az eredeti MaxReg algoritmushoz hozzávesszük a következ® tagokat:
max
P OPi (t),M xAPi (t),M nAPi (t)
In − c
Maximalizálja az aggregátor bevételének és kiadásának a különbégét. 21
(11)
In = α
X
((PregU p (t)RU p (t) + PregDown (t)RDown (t)) + M k
i
XX i
E(P Di (t))
(12)
t
Az aggregátor bevételét megkapjuk, ha vesszük a felszabályozási ár és a felszabályozási kapacitás szorzatának és a leszabályozási ár és a leszabályozási kapacitás szorzatának összegét t szerinti id®felosztásban
α-val
szorozva és ehhez hozzáadjuk az összes járm¶ várható
áramfelvételét szintén t szerinti id®felosztásban szorozva az aggregátor nagykereskedelmi energiaárak feletti hasznával.
RU p (t) =
cars X
M nAPi (t) ∀t
(13)
i=1
Az aggregátor felszabályozási kapacitása megegyezik az összes járm¶ legnagyobb lehetséges áramfelvétel csökkentésének (a POP-hoz képest) összegével.
RDown (t) =
cars X
M xAPi (t) ∀t
(14)
i=1
Az aggregátor leszabályozási kapacitása megegyezik az összes járm¶ legnagyobb lehetséges többlet áramfelvételének (a POP-hoz képest) összegével.
M nAPi (t) ≤ P OPi (t) ∀i
(15)
A legnagyobb lehetséges áramfelvétel csökkentés (a POP-hoz képest) kisebb vagy egyenl®, mint a preferált operációs pont minden járm¶ esetén.
X
(E(P Di (t))) + SOCI,i ≤ MCi ∀i
(16)
t
A járm¶ várható áramfelvétele t szerinti id®felosztásban és a kezdeti töltési szint összege kisebb vagy egyenl®, mint a maximális töltöttségi kapacitás minden járm¶ esetében.
(M xAPi (1) + P OPi (1))Efi + SOCI,i ≤ MCi ∀i
(17)
A töltés kezdetekor a legnagyobb lehetséges többlet áramfelvétel (a POP-hoz képest) és a POP összegének a szorzata az akkumulátortölt® hatékonyságával, illetve a kezdeti töltöttségi szint összege kisebb vagy egyenl®, mint a maximális töltöttségi kapacitás minden járm¶ esetén.
22
P OPi (t) ≤ M Pi ∀i
(18)
A preferált operációs pont kisebb vagy egyenl®, mint a legnagyobb lehetséges áramfelvétel minden járm¶ esetén.
M xAPi (t) + P OPi (t) ≤ M Pi ∀i
(19)
A legnagyobb lehetséges többlet áramfelvétel (a POP-hoz képest) és a preferált operációs pont összege kisebb vagy egyenl®, mint a legnagyobb lehetséges áramfelvétel minden járm¶ esetén.
M xAPi (t) ≥ 0 ∀i
(20)
A legnagyobb lehetséges többlet áramfelvétel (a POP-hoz képest) nem negatív minden járm¶ esetén.
M nAPi (t) ≥ 0 ∀i
(21)
A legnagyobb lehetséges áramfelvétel csökkentés (a POP-hoz képest) nem negatív minden járm¶ esetén.
P OPi (t) ≥ 0 ∀i
(22)
A preferált operációs pont nem negatív minden járm¶ esetén.
E(P Di (t)) = M xAPi (t)ExD + P OPi (t) − M nAPi (t)ExU
(23)
A várható energiafelvételt megkapjuk a t-edik id®egységben, ha a POP-hoz hozzáadjuk a leszabályozás várható értékét szorzva a legnagyobb lehetséges többlet áramfelvétellel és kivonjuk bel®le a felszabályozás várható értékét szorozva a legnagyobb lehetséges áramfelvétel csökkentéssel.
R0
ExD =
Vmin
R Vmax
ExU =
V ∗ P R(V )dV Vmin V dV
(24)
V ∗ P R(V )dV V dV 0
(25)
R0 0
R Vmax
A le- és felszabályozás várható értékét kiszámolhatjuk korábbi adatokból. Ha nem változnak a töltési id®tartam alatt, akkor ezek lineáris programozási feladatok, amik könnyen és hatékonyan megoldhatók számos már jelenleg használt szoftvercsomaggal is.
23
Az optimális terhelés alapú algoritmus esetén a maximális további terhelés megszorítását hozzáadjuk az eredeti terhelés alapú, illetve az optimális MaxReg rendszerhez:
cars X
P OPi (t) ≤
i
X M x − L(t) cars M Pi ∀t Mx − Mn i
(26)
Az Mx és Mn változókat a (4) és (5) egyenletekben határozzuk meg. A terhelés alapú POP kiválasztási algoritmusban ez biztosítja, hogy a többletterhelése az EV-veknek soha ne haladja meg az okos töltési algoritmus többletterhelését. Az optimális ár alapú töltési algoritmus hasonló az optimális terhelés alapú algoritmushoz, de itt a (26) helyett a (27)-es egyenletet használjuk:
cars X
P OPi (t) ≤
i
X M x − P (t) cars M Pi ∀t Mx − Mn i
(27)
Az Mx és Mn változókat a (1) és (2) egyenletekben határozzuk meg. Ez biztosítja, hogy a terhelési szint költsége nem fogja túllépni a felhasználó által beállított ár limitet. Viszont nem garantálja, hogy a felhasználót az elérhet® legkisebb ár fogja terhelni, ezért még a (28)-at hozzá kell adni a költségfüggvényhez: H cars X X
(
E(P Di (t)))P (t)
t=1 i=1
Ahol:
In
az aggregátor bevétele
C
az aggregátor költsége
Mk α RU P RDown Exu
az aggregátor haszna a nagykereskedelmi energiaárak felett az aggregátor által hozott bevétel százalékos aránya a felszabályozási kapacitása az aggregátornak a leszabályozási kapacitása az aggregátornak a felszabályozási kapacitás várható értéke százalékos arányban óránkénti bontásban
ExD
a leszabályozási kapacitás várható értéke százalékos arányban óránkénti bontásban
SOCI,i
a kezdeti töltési szint az i-edik járm¶ esetén
24
(28)
4.3. Szimuláció A szimuláció során a 6 algoritmust hasonlították össze egy feltételezett ingázó csoport 10000 elektromos járm¶vét vizsgálva [1]. Ez a szimuláció csak a reggel 8 és a délután 5 óra közötti id®szakot vizsgálja. Ez ad egy 9 órás töltési id®szakot, amelyben az aggregátor potenciálisan eladhatja a szabályozási szolgáltatásokat a rendszernek.
4.3.1. Töltési prolok Az egyes okos töltési algoritmusok és ezek optimális változatának összehasonlítását láthatjuk a 11-13. ábrákon. A 11. ábrán a PD az EV-ek csoportjának teljes áramfelvételét jelöli. Az optimális töltési algoritmusok alacsony kezdeti POP-ot állítanak be, hogy az egész töltés folyamán ki tudják használni a leszabályozási kapacitás nyújtotta el®nyöket. A MaxReg algoritmusnak nincsenek rendszerkorlátai, amint az 11. (a) ábrán látható. Ezért az algoritmus közel állandó POP-ot állít be és óránként értékesíti a le- és felszabályozási kapacitást. Ahogy az EV-ek tölt®dnek, úgy csökken a leszabályozási kapacitások összege egészen az utolsó óráig, ahol már csak nagyon keveset értékesít az algoritmus.
11. ábra. A MaxReg és OptMaxReg algoritmus összehasonlítása.
Az OptMaxReg algoritmus (11. ábra (b)) az egész töltési id® alatt magas szint¶ leszabályozási kapacitást biztosít az utolsó órát kivéve. Mivel az utolsó órában az eladott
25
energia haszonkulcsa nagyobb, mint a szabályozási kapacitás ára, ezért az algoritmus azt találja a legjövedelmez®bb esetnek, ha befejezi a lehet® legtöbb járm¶ töltését az id®szak vége el®tt. Ez a viselkedés jellemz® az OptLoad és az OptPrice algoritmusokra is. Az ár alapú algoritmus (12. ábra (a)) a kezdeti POP-ot a (8)-(10) egyenletek alapján állítja be. Mivel az algoritmus minden órában a lehet® legtöbb járm¶vet tölt fel teljesen, ezért a le- és felszabályozási kapacitások összege nagy mértékben csökken óránként.
12. ábra. A Price és OptPrice algoritmusok összehasonlítása.
Az OptPrice algoritmus (12. ábra (b)) azért növeli meg a POP-ot 11 és 12 óra között, mert ekkor a legalacsonyabb az ár a vizsgált id®szakban. Az algoritmus másik POP növelése 13 és 14 óra közé esik, ugyanis ekkor az energiabiztosítás jövedelmez®bb, mint a szabályozási kapacitás biztosítása és a kés®bbi ár növekedés lehetetlenné teszi, hogy a nap további részében hasonló prot mellett növelje a POP-ot. Mivel a teljes energiával való töltés nyereségesebb 13 és 14 óra között, ezért nincs felszabályozási kapacitás. A terhelés alapú POP kiválasztási algoritmus (13. ábra (a)) ugyanúgy viselkedik, mint az ár alapú algoritmus, csak a maximális további terhelés nagysága eltér®. Az OptLoad algoritmus (13. ábra (b)) esetén a kezdeti POP fokozatosan növekszik, amíg a szükséges POP át nem lépi a terhelési korlátot, és ekkor az algoritmus a POP-ot a korlátra állítja be és a továbbiakban nem ad el felszabályozási kapacitást.
26
13. ábra. A Load és OptLoad algoritmus összehasonlítása.
4.3.2. A szimuláció éves eredményei Az egész évre vizsgálva az algoritmusok teljesítményét különböz® el®nyöket fedezhetünk fel a különböz® résztvev®knél. Az aggregátornak az OptMaxReg algoritmussal van a legnagyobb protja, ahogy a 14. ábrán is látható. Ez várható, mivel ez az algoritmus nem veszi gyelembe a rendszer terhelését és nem is próbálja minimalizálni az ügyfelek költségeit. Hasonló okokból az OptPrice és az OptLoad algoritmusok termelik a legkevesebb protot.
14. ábra. Az aggregátor éves protja.
27
Éves szinten a napi legnagyobb és átlagos csúcsterhelés növekedést mutatja a 15. ábra az egyes algoritmusok esetén. Látható, hogy míg a Load és az OptLoad esetén a legalacsonyabb a napi átlagos növekedés, addig a MaxReg esetén a legalacsonyabb a maximális növekedés nagysága. Ez annak köszönhet®, hogy a POP jellege meglehet®sen lapos a MaxReg algoritmusban. Az egyetlen ok, amiért a Load és OptLoad esetén van növekedés, az az el®rejelzési hibák. Ha a terhelés és szél el®rejelzés tökéletes napi és órás bontásban is, akkor a Load és OptLoad esetén nincs csúcsterhelés növekedés.
15. ábra. A napi átlagos és maximális csúcsterhelés növekedés.
A fel- és leszabályozási kapacitások összegének napi átlaga látható a 16. ábrán. Látható, hogy a Load és a Price algoritmusnak van a legnagyobb felszabályozási kapacitása 12 óra el®tt, de utána szinte teljesen megsz¶nik a fel- és leszabályozási képességük is, mivel az EV-vek nagyrésze teljesen fel lett töltve
16. ábra. A fel- és leszabályozási kapacitások összege.
A MaxReg algoritmus esetén a legkövetkezetesebb a felszabályozási kapacitások összege, ugyanis ekkor a legkisebb a POP variációjának a mértéke. Az optimalizált algoritmusok
28
mindegyike nagyon alacsony felszabályozási kapacitást ad a munkanap els® 5 órájában. Azonban ezek az algoritmusok következetesen nagy leszabályozási kapacitást adnak egész nap az utolsó órát kivéve. Összegezve az optimalizált algoritmusoknak van a legnagyobb napi szabályozási kapacitásuk. Az EV tulajdonosoknak 2 céljuk van, azt szeretnék, hogy a járm¶veik olyan gyorsan töltsenek, amennyire csak lehetséges és a lehet® legolcsóbban. A szabályozásból származó bevételt levonva az áram árából kapjuk az átlagos árat, amit a 17. ábrán láthatunk. Nyilvánvaló, hogy az OptPrice algoritmussal a legolcsóbb a töltés, illetve mindegyik optimalizált algoritmus csökkenti a töltés árát az eredeti okos algoritmushoz képest.
17. ábra. Az átlagos energia árak.
Az átlagos napi minimális töltöttségi szint a 18. ábrán látható. Egyértelm¶, hogy az optimalizált algoritmusok sokkal jobb munkát végeznek EV-vek töltése terén, mint a másik három algoritmus. Azonban azok az EV-vek, amelyeknek magas a töltöttségi szintjük a töltés kezdetekor, sokkal gyorsabban tölt®dnek fel teljesen a Load és Price algoritmusok esetén.
18. ábra. Az átlagos napi minimális töltöttségi szint.
29
4.3.3. Konklúzió A szimuláció megmutatta, hogy minden algoritmus szolgáltat különböz® el®nyöket a különböz® résztvev®knek, de csak az optimalizált algoritmusok képesek az összes résztvev®nek el®nyöket biztosítani: az EV tulajdonosoknak, az aggregátornak és a közm¶veknek is. A tulajdonosok számára maximalizálják az akkumulátor töltöttségi szintjét, miközben minimalizálják a töltési költséget. Az aggregátornak maximalizálják a protját, miközben betartják a dinamikus rendszer feltételeket. A közm¶veknek pedig megvan a lehet®ségük, hogy javítsák a villamosenergia-rendszer m¶ködését és ellensúlyozzák a megújuló energiaforrások változékony termelését.
30
5. Gyakorlati példa Az utolsó fejezetben egy lineáris programozási feladatot fogunk megoldani. A program a bemen® adatok alapján megállapítja, hogy mennyi a minimálisan szükséges töltési összköltsége az autóknak, illetve hogy ennek az eléréséhez mikor melyik autót mennyi árammal töltsük. A programot a pyomo modellez® szoftvercsomag felhasználásával készítettem python nyelvben. Az optimalizációt a cbc solver segítségével végeztem el.
5.1. Bemen® adatok Minden egyes autó esetén megadjuk a töltés kezdetének és végének az idejét, a kezdeti töltöttségi szintet, az akkumulátor maximális áramfelvételét és az elérni kívánt töltöttségi szintet. Minden tölt®höz megadjuk a maximális árammennyiséget, amit át tud adni az autóknak, és hogy ezt milyen hatékonysággal tudja végezni. Továbbá megadjuk az áram árát minden egyes id®intervallumban.
5.2. Adatok összegzése 5.2.1. Indexlista T
Az id®intervallumok indexhalmaza (model.Time)
V
A járm¶vek indexhalmaza (model.Vehicle)
C
A tölt®k indexhalmaza (model.Charger)
5.2.2. Paraméterek Pt
az egyes id®intervallumokhoz tartozó áramárak (model.Price (model.Time))
Sv
az egyes járm¶vek akkumulátorának kezdeti töltöttségi szintje (model.SOCinit (model.Vehicle))
M Sv
az egyes járm¶vek akkumulátorának a töltés végén minimálisan elvárt töltöttségi szintje (model.MinSOCend (model.Vehicle))
M P Dv
a járm¶vek maximális áramfelvételének a mértéke (model.MaxPD (model.Vehicle))
M Pc Ec
a tölt®k maximális áramleadási képessége (model.MaxPower (model.Charger)) az egyes tölt®k hatékonysága (model.Eciency (model.Charger))
31
Ltv
segédparaméter, amelyet arra használunk, hogy mett®l meddig lehet tölteni az egyes autókat (model.L (model.Time, model.Vehicle))
5.2.3. Változók xtvc
nemnegatív, valós változó, amelyben azt fogjuk meghatározni, hogy mikor melyik járm¶ melyik tölt®r®l mennyivel töltsön (model.x (model.Time, model.Vehicle, model.Charger))
ytvc
bináris változó, amelyben azt fogjuk meghatározni, hogy mikor melyik autó melyik tölt®t használja (model.y (model.Time, model.Vehicle, model.Charger))
5.3. Célfüggvény A célfüggvény fogja meghatározni azt a minimálisan szükséges költséget, amivel az összes autót fel lehet tölteni a korlátozó feltételeket betartva:
min(
XX X
t∈T v∈V c∈C
Pt ∗ xtvc ) Ec ∗ 1000
(29)
5.4. Korlátozó feltételek A programnak az alábbi feltételeket kell teljesítenie: Minden autónak legalább annyit kell tölteni, mint amennyi az akkumulátor elérni kívánt és kezdeti töltöttségi szintjének a különbsége:
M Sv − Sv ≤
XX
xtvc ∀v
(30)
t∈T c∈C A járm¶ csak a töltés kezdete és vége között vehet fel áramot:
X
xtvc ≤ Ltv ∀t ∀v
(31)
c∈C A járm¶ akkumulátora legfeljebb annyival tölthet, mint az autó maximálisan lehetséges áramfelvétele:
X
xtvc ≤ M P Dv ∀t ∀v
c∈C
32
(32)
Egy autó legfeljebb annyival tölthet, mint amennyi az aktuális tölt® teljesítményének és hatékonyságának a szorzata:
xtvc ≤ M Pc ∗ Ec ∗ ytvc ∀t ∀v ∀c
(33)
Az alábbi egyenletre azért van szükség, hogy amelyik járm¶ nem tölt semmit az adott id®intervallumba, az ne álljon egyik tölt®nél sem:
X
ytvc ≤ Ltv ∀t ∀v
(34)
c∈C Egy autót egy id®ben legfeljebb egy tölt® tölthet, illetve egy tölt® egy id®ben legfeljebb egy járm¶vet tölthet:
X
ytvc ≤ 1 ∀t ∀v
(35)
ytvc ≤ 1 ∀t ∀c
(36)
c∈C
X v∈V
5.5. Kimen® adatok Miután elvégeztük az optimalizálást, kiírjuk minden egyes járm¶ esetén, hogy mikor mennyi volt az áramfelvétele, melyik tölt®t használta és hogy mekkora volt az akkumulátor aktuális töltöttségi szintje. Végül megadjuk a töltési összköltséget és a program futási idejét is.
5.6. A program által igényelt adatok leírása Az excel dokumentumnak 7 munkalapból kell állnia: 1. Az EVs nev¶ munkalapon az els® oszlopban a járm¶vek sorszámai szerepelnek, amik csak egész számok lehetnek. A második illetve a harmadik oszlopban az egyes járm¶vek érkezési és távozási ideje szerepel, olyan id®formátumban, ami tartalmazza az évet, hónapot, napot, órát és percet is. A negyedik oszloptól kezdve sorban az egyes oszlopokban az alábbiak szerepelnek valós számként megadva: a járm¶vek akkumulátorának kezdeti töltöttségi szintje, maximális áramfelvételi képessége és a töltés végén minimálisan elvárt töltöttségi szint. 2. A Chargers nev¶ munkalap els® oszlopában a tölt®k sorszáma, ami szintén csak egész szám lehet. A második oszlopban a maximális áramleadási képesség, amely
33
egy valós szám és az utolsó oszlopban az adott tölt® hatékonysága szerepel egy 0 és 1 közötti valós számként. 3. A MarketData nev¶ munkalap els® oszlopában az id®intervallumok szerepelnek, olyan formátumban, ami tartalmazza az évet, hónapot, napot, órát és percet. A második oszlopban pedig az adott id®intervallumhoz tartozó áramár szerepel, amely csak valós szám lehet. 4. A PDs, SOCs, ChargerToEV nev¶ munkalapokon már a kimenet lesz látható a második oszloptól, de az els® oszlopban az id®intervallumok szerepelnek, amelynek mindhárom munkalapon meg kell egyezni a MarketData nev¶ munkalap els® oszlopával. 5. Az Optimization nev¶ munkalapra csak a töltés kiszámolt minimális költsége és a program futás ideje fog kerülni valós szám formájában.
5.7. Fejlesztési lehet®ségek A programban még nagy fejlesztési potenciál található, ugyanis el®re megadjuk mind a járm¶tulajdonosok igényeit, mind az áram árát, amelyek a valóságban könnyen eltérhetnek az el®rejelzésekt®l. Az ilyen típusú bizonytalanság kezelhet® valamilyen sztochasztikus programozási modell segítségével, ahol a protot és kockázatot együtt tudjuk kezelni. Hasonlóan szóba jöhetnek még az id®közben érkez® információkat feldolgozó dinamikus modellek is. Továbbá a programban azt sem vettük gyelembe, hogy a töltés mértéke nem lineáris, ugyanis folyamatosan romlik a hatékonysága, ahogy id®ben halad el®re a töltés.
5.8. Hibaüzenetek és a hiba lehetséges okai A programban feltételezzük, hogy a bemenetként megadott adatok helyes formátumúak. Az is egy tovább fejlesztési lehet®ség, hogy külön vizsgáljuk a bemeneti adatokat és megfelel® hibaüzeneteket gyártunk hozzájuk, amivel a felhasználó gyorsan megtalálhatja a hibát. Ha ez rendben van, akkor már csak az lehet a hiba, hogy valamilyen okból nem lehet az összes autót az elvárt szintre tölteni a megadott id® alatt. Ennek több oka is lehet, például hogy nem elegend® az autó töltési ideje a szükséges áram átadására, esetleg nincs elég tölt®, vagy nem tudnak elég áramot átadni a tölt®k az autóknak, stb. Ekkor a program nem talál megoldást és egy felugró ablakba a következ® hibaüzenetet írja ki: A töltés a megadott feltételekkel nem lehetséges!.
34
5.9. Mintaalkalmazások példafutások Az alábbiakban néhány példafutást láthatunk:
1. példa:
19. ábra. Input adatok.
20. ábra. Az egyes járm¶vek aktuális áramfelvétele.
35
21. ábra. Az egyes járm¶vek töltöttségi szintjének grakus ábrázolása.
22. ábra. Az egyes id®pontokban melyik járm¶ melyik tölt®t használta.
23. ábra. A töltés minimális összköltsége és a program futásideje.
36
2. példa:
24. ábra. Input adatok.
25. ábra. Az egyes járm¶vek aktuális áramfelvétele.
37
26. ábra. Az egyes járm¶vek töltöttségi szintjének grakus ábrázolása.
27. ábra. Az egyes id®pontokban melyik járm¶ melyik tölt®t használta.
28. ábra. A töltés minimális összköltsége és a program futásideje.
38
Következtetés : Az els® 2 példa alapján láthatjuk, hogy ha a bemeneti adatok csak abban különböznek, hogy az eredeti esethez hozzáveszünk néhány további tölt®t, akkor az új esetben a töltés összköltsége csökken vagy nem változik.
3. példa:
29. ábra. Input adatok.
30. ábra. Az egyes járm¶vek aktuális áramfelvétele.
39
31. ábra. Az egyes járm¶vek töltöttségi szintjének grakus ábrázolása.
32. ábra. Az egyes id®pontokban melyik járm¶ melyik tölt®t használta.
33. ábra. A töltés minimális összköltsége és a program futásideje.
40
6. Összefoglalás A dolgozatban el®ször bemutattuk az EV-k optimális töltésének fajtáit és több különböz® jelenleg is tesztelés alatt álló megvalósításait. Ezután áttértünk az egyirányú V2G projekt ismertetésére. A közölt módszer valóban az egyik lehetséges els® lépése lehet a teljes V2G bevezetésének, hiszen már jelenleg is rendelkezünk minden a bevezetéshez szükséges technológiával és a szimulációban láthattuk, hogy bizonyos fajtái mind a járm¶tulajdonosoknak, mind a közm¶veknek nagy el®nyöket tudnak biztosítani. Végül pedig lineáris programozási feladatként felírtuk az egyirányú V2G azon egyszer¶sített típusát, amely a tulajdonosok számára a legköltséghatékonyabb és erre mutattunk néhány példát.
41
Felhasznált irodalom [1] Eric Sortomme, Mohamed A. El-Sharkawi: Optimal Charging Strategies for Unidirectional Vehicle-to-Grid, IEEE Transactions on smart grid, Vol.2, No.1, March 2011 [2] Peter Bach Andersen, Rodrigo Garcia-Valle, Willett Kempton: A Comparison of Electric Vehicle Integration Projects, 2012 3rd IEEE PES Innovative Smart Grid Technologies Europe (ISGT Europe), Berlin [3] http://www.portfolio.hu/vallalatok/fenntarthatovilag/uj-korszak-ele-nez-a-vilag-dollarbilliokbakerulhet.198909.html [4] http://www.mee.hu/les/images/Elektrotechnika-2011-04.pdf, 5-14. oldal [5] http://zoldtech.hu/cikkek/20120329-Fenntarthato-energia [6] http://www.energiamedia.hu/menu/enhir/enhir034.html [7] Selei Adrienn: A rendszerszint¶ szolgáltatások piaca és a kiegyenlít® energia elszámolás, Árampiac kurzus el®adás [8] Dr. Stróbl Alajos: A villamosenergia-ipari piacnyitás tapasztalatai 24. dia [9] https://vpp.hu/hun/groups/index/38/fogyaszto-oldali-szabalyozas [10] https://evannex.com/blogs/news/77801925-number-of-electric-cars-worldwide-climbsto-1-3-million-tesla-model-s-takes-top-spot-among-new-ev-registrations [11] http://www.wwindea.org/technology/ch04/en/4-3-4.html
42