Villamos autókból álló taxi flotta számára létesítendő töltőállomások modellezése 62. Vándorgyűlés, konferencia és kiállítás Siófok, 2015. 09. 16-18. Farkas Csaba egyetemi tanársegéd
Dr. Dán András professor emeritus
Villamos Energetika Tanszék Villamos Művek és Környezet Csoport
Miről lesz szó? • Egy lehetséges sztochasztikus modell • GPS adatok, statisztikai adatelemzés • Eloszlásfüggvények illesztése (megtett út, fogyasztás) • Átmenet-valószínűségek meghatározása • Az algoritmus működése • Szimulációs eredmények • Optimalizálási modul • Sorbanállási modellek (rövid) bemutatása • M/M/c/N • MAP(2)/D/N • Ellátás akkumulátorcserélő töltőállomásokkal • Alapeset • Rendszerszintű felszabályozásba való bevonás • További feladatok 2015.09.25.
2
Statisztikai adatelemzés – GPS adatok • GPS koordináták bemenő adatként. • 10357db New York-i taxi, 7 napon keresztül: összesen
>15 millió GPS-koordináta. • Egyszerű euklideszi távolságmetrika alkalmazása. • Hihetőségvizsgálat: túl nagy/kis sebesség ill. túl kevés/sok megtett út GPS mérési hibára utal szűrés.
2015.09.25.
3
Megtett út hossza
• A megtett út átlaga 2,99km; az egy út megtételéhez szükséges idő
6,5 perc (ábra x tengelye: megtett út km-ben). • Exponenciális vagy Lévy-eloszlással közelíthető a megtett út hossza. 2015.09.25.
4
Megtett út időtartama
• Eloszlásfüggvények illesztése: inverz Gauss, lognormális • Várható érték: 6,78 perc (átlagos utazási idő: ebben az
utasszállítás nélküli idő is benne van). 2015.09.25.
5
Üzemállapot-váltás valószínűsége • Ha egyszer elindult, akkor egy darabig menni fog, így a másik irányú átmenetek valószínűségét nem vizsgáljuk.
2015.09.25.
6
Az algoritmus működése I. • A mozgó járművek eloszlása alapján minden járműhöz
annak elindulása esetén hozzárendelhetünk egy megteendő utat: egy alkalommal ennyit fog mozogni, utána megáll. • Ha az akkumulátor töltöttsége nem csökken egy előírt szint alá, akkor egyszerűen leparkol, s vár, amíg a korábban látott valószínűségek alapján újra el nem indítják. • Ha a töltöttség egy kritikus érték (pl. 30%) alá csökken, akkor a járművet el kell küldeni tölteni (természetesen közben az akkumulátora töltöttsége tovább csökken).
2015.09.25.
7
Az algoritmus működése II. • Ha a jármű tölt, akkor ezt nem szakítja meg, amíg
teljesen fel nem töltött. • Az állomásra beérkezve először szabad gyorstöltőt keres, ha nincs, akkor szabad lassú töltőt, ha az sincs, akkor várakozik. Egy időlépés múlva újra próbálkozik. Nincs FCFS, a töltőállomás szempontjából irreleváns, hogy melyik járművet szolgáljuk ki épp. • Ha a jármű feltöltött, az állomásról elindul, majd egy időlépés múlva alapállapotba kerül. Az alapállapot a korábbi átmenet-valószínűségekhez való visszatérést jelenti.
2015.09.25.
8
Járművek fogyasztása Sűrűségfüggvény 0.044 0.04 0.036 0.032
f(x)
0.028 0.024 0.02
0.016 0.012 0.008 0.004 0
8
12
16
20
24
28
32
36
x
Histogram
Gen. Extreme Value
• A fogyasztást a vezetési stílus befolyásolja. • Fenti ábra: Renault Zoe (~1000db autó
mérései alapján); a gyári fogyasztás 14,6kWh/100km, a fenti ábrán 17,16kWh/100km); x tengelyen a fogyasztás kWh/100kmben. • Akkumulátor-kapacitás: 22kWh. 2015.09.25.
9
Szimulációs eredmények • 100db autó. • Szimulációs időtartam: 3 nap. • Töltőállomás összetétele: 5db gyors, 10db lassú töltő. • Gyorstöltő 0,5 óra, lassú töltő 4 óra alatt tölt fel.
2015.09.25.
10
Az egyes állapotokban tartózkodó autók száma
2015.09.25.
11
A várakozni kényszerülő autók száma
2015.09.25.
12
Az akkumulátor-töltöttségek alakulása
2015.09.25.
13
Optimalizáló modul • Nem
egyetlen „legjobb” megoldás megtalálása (helyette kimerítő keresés). • Példa: • járművek száma: 100 • szimulációs idő: 3 nap • szimulációs időlépés: 5 perc • egy
jármű akkumulátorának kapacitása: 22kWh • a gyorstöltők 30 perc, a lassú töltők 4 óra alatt töltenek fel egy teljesen lemerült akkumulátort
• Adott
gyorstöltő-számhoz hány lassú töltő kell.
2015.09.25.
14
Optimalizálási eredmény
• Egyetlen futtatás nem ad eredményt a sztochasztikus
probléma miatt. • Sorozatfuttatások bizonytalanságok megjelenítésére. 2015.09.25.
15
Sorbanállási modellek •A
sztochasztikus szimuláció gyorsítására sorbanállási modellek alkalmazása: • M/M/c/N: egyszerű markovi modell. • MAP(2)/D/N: bonyolultabb, illesztésen alapuló modell.
• M/M/c modellek: • Szakirodalomban szinte kizárólag ez a modell használt. • Alapfeltételezés: az autók beérkezése Poisson-folyamatot alkot: ekkor a beérkezési időközök független, azonos eloszlású (itt exponenciális) valószínűségi változók. • Ettől jobb modell kell MAP • MAP (Markov Arrival Process): momentumok illesztése
empirikus adatokra: • Pontosabb modell, de bonyolultabb. • Számítási nehézségek matematikai átalakítások. 2015.09.25.
16
Akkumulátorcserélős állomás modellezése
2015.09.25.
17
Akkumulátorcserélős töltőállomás fel irányú szabályozásba bevonva
2015.09.25.
18
Akkumulátorcserélős töltőállomás fel irányú szabályozásba bevonva
2015.09.25.
19
Akkumulátorcserélős töltőállomás fel irányú szabályozásba bevonva • Hány töltőt kell bevonni a felszabályozásba?
2015.09.25.
20
Akkumulátorcserélős töltőállomás fel irányú szabályozásba bevonva – Szimulációs eredmények • Feltételezzük, hogy nem az összes töltő van bevonva,
csak az erre dedikáltak (2db a példában). • A példabeli töltőállomás további paraméterei: • 3db cserélő (1,5 percenként 1 csere/cserélő 5 perc alatt összesen
9 csere). • 20db gyorstöltő a kivett akkumulátorok töltésére. • 20db-os készlet.
• Az autók folyamatosan érkeznek be tölteni, a következő
hisztogram szerint:
2015.09.25.
21
Akkumulátorcserélős töltőállomás fel irányú szabályozásba bevonva – Szimulációs eredmények
Várakozó autók[db] átlagos Készlet száma
20 2 18 16 1,5 14 12 10 1 8 60,5 4 2 0 0 0 0 -0,5
2015.09.25.
A készlet nagyságának változása Várakozó autók átlagos száma a szimuláció során
Rendszerszintűvel Alapeset Alapeset Rendszerszintűvel
500 500
1000 1000
1500 1500
2000 2000
Szimulációslépés lépés Szimulációs 22
Összefoglalás • Nincsenek
tapasztalatok töltőinfrastruktúra üzemeltetésével kapcsolatban szimulációk szükségesek. • Járműforgalmi, járműhasználati adatokból a mozgás és a töltési igény szimulálása lehetséges. • Ezek alapján a töltőállomások méretezése lehetséges: töltők/akkumulátorkészlet számának meghatározása. • Optimalizálás is lehetséges: a probléma sztochasztikus természete miatt nehéz, számításigényes.
2015.09.25.
23
További feladatok • Pontosabb
határérték
a
fel
irányú
szabályozásba
bevonáshoz: • Milyen elv alapján legyenek bevonva a fel irányú szabályozásba az
akkumulátorok? • Hogyan legyen szétosztva felszabályozási igény?
több
töltőállomás
között
a
• Optimalizálás: • Optimális készlet/töltőszám/cserélőszám meghatározása. • Költségoptimalizálás. • Több töltőállomás együttes modellezése: • Járművek kiosztása az állomások között.
2015.09.25.
24
Köszönöm a figyelmet!
Forrás: Brian McBeth – Mercedes Benz E-mobility concept - EES-UETP Course, DTU, Lyngby, Copenhagen, 2010. A háttérkép forrása: http://assets.inhabitat.com/wp-content/blogs.dir/1/files/2011/01/Faster-Li-Ion-Charging-4-537x335.jpg
2015.09.25.
25
