Smart Charging Made Smarter: Novel Approaches To AI For EV Charging

بازنشر افلاطون

دنبال: 0

ایجاد زیرساخت شارژ EV در مقیاس بزرگ برای تسریع بیشتر پذیرش EV و کربن زدایی کلی بخش حمل و نقل ضروری است. طرح جامع زیرساخت شارژ خودروهای الکتریکی اروپا تخمین می‌زند که استقرار ایستگاه‌های شارژ EV باید تا سال 9 در سراسر اروپا 2030 برابر شود تا به اهداف کربن‌زدایی دست یابد - حدود 14,000 ایستگاه جدید در هفته.

با این حال، چالش‌های مربوط به شارژ EV فراتر از مقیاس‌بندی ساده است. شبکه‌های شارژ موجود با موانع قابل‌اطمینان، قابلیت همکاری و اتصال به شبکه مواجه هستند که استقرار آن را کند می‌کند، ثبات شبکه‌های انرژی محلی را تهدید می‌کند و کارایی و انسجام شبکه‌های شارژ را کاهش می‌دهد.

تنگناهای شبکه - یک مانع حیاتی شارژ EV:

جنبه انرژی معادله عرضه شارژ EV شاید چالش برانگیزترین باشد. بیشتر زیرساخت‌های شبکه برای پاسخگویی به تقاضای انرژی بالای مورد نیاز ایستگاه‌های شارژ EV، به‌ویژه ایستگاه‌های شارژ سریع، ساخته نشده‌اند. به روز رسانی زیرساخت شبکه مورد نیاز فرآیندی طولانی و پرهزینه است (از 6 تا 24 ماه برای شارژرهای بزرگراه)، به طور قابل توجهی سرعت اجرای شبکه شارژ EV را کاهش می دهد و اپراتورهای شبکه شارژ بالقوه را بازدارنده می کند.

در پاسخ به این چالش‌ها، نوآوران از هوش مصنوعی برای بهبود وضعیت تجاری برای شارژ اپراتورهای شبکه و خدمات شهری، کاهش هزینه‌های استقرار و عملیات ایستگاه‌های شارژ، بهینه‌سازی زیرساخت‌های شبکه موجود و در عین حال به حداقل رساندن ارتقای شبکه، و ادغام شبکه‌های EV در سیستم‌های انرژی محلی برای پشتیبانی استفاده می‌کنند. انعطاف پذیری شبکه و انعطاف پذیری.

نوآوری هوش مصنوعی

نوآوران هوش مصنوعی با راه حل هایی مانند موارد زیر بر موانع غلبه می کنند:

شارژ هوشمند با استفاده از تجزیه و تحلیل پیش‌بینی‌کننده تقاضا و بار شبکه برای بهینه‌سازی مصرف انرژی، یکپارچه‌سازی انرژی‌های تجدیدپذیر، و کاهش فشار شبکه (به عنوان مثال، آیوتچا, BluWave-ai)
مدیریت شبکه شارژ برای اطمینان از قابلیت اطمینان نقطه شارژ، اتصال و قابلیت همکاری (به عنوان مثال، تربین)
پیش‌بینی، زمان‌بندی و قیمت‌گذاری پویا برای تسهیل خدمات خودرو به شبکه (V2G) و شبکه (مانند، فرماتا انرژی) و بهینه سازی درآمد V2G و مدیریت شارژ به ویژه برای ناوگان
ابزارهای نرم افزاری برای تعیین مکان بهینه سایت های شارژ بر اساس الگوهای استفاده، رفتار راننده و مشوق های محلی (مثلاً Freewire)
مدیریت یکپارچه شارژ و دارایی انرژی برای جابجایی بار (به عنوان مثال، عصر برق, ضربان قلب)

هوش مصنوعی از الگوهای شارژ EV یاد می‌گیرد تا تقاضا را پیش‌بینی کند و تمام دارایی‌های انرژی (باتری‌های EV، ذخیره‌سازی انرژی، خورشیدی، میکروشبکه‌ها) را بهینه کند و بار شبکه را کاهش دهد، پاسخ تقاضا و خدمات شبکه را ارائه دهد.
هوش مصنوعی تقاضای شارژ EV را از داده‌های بار مصرف‌کننده پیش‌بینی می‌کند و در دسترس بودن انرژی در جلو و پشت متر، بارهای پیک را کاهش می‌دهد و استفاده از منابع انرژی مخلوط را بهینه می‌کند، بهینه‌سازی شارژ، نرخ‌ها و ترکیب مصرف انرژی را برای به حداکثر رساندن صرفه‌جویی در قبض آب و برق و کاهش تقاضا انجام می‌دهد. اتهامات

روندهای رقابتی و پویایی بازار

راه حل های کاملاً یکپارچه شارژ سرتاسر به ویژه برای اپراتورهای ایستگاه شارژ برای اولین بار جذاب هستند و با تسریع در استقرار و کاهش نصب زیرساخت ارزش قابل توجهی را ارائه می دهند. این راه حل ها پایگاه مشتریان رو به رشد خرده فروشان، پمپ بنزین ها و OEM های خودرویی را که به دنبال تغییر مدل های تجاری خود و حرکت به فضای عملیات شبکه شارژ هستند، جذب می کند. این اپراتورهای مشتاق شبکه شارژ به دلیل پیچیدگی و دشواری توسعه مدل‌های موثر هوش مصنوعی به جای توسعه محصولات داخلی به نوآوران روی می‌آورند.

همکاری با مبتکران به آنها امکان می دهد تا با نرم افزارهای پیچیده تر سریعتر به بازار برسند. اپراتورهای شبکه شارژ ورودی یک چالش دوگانه دارند:

1) غلبه بر موانع شبکه و چالش‌های غیرقابل اطمینان که نسل قبلی شبکه‌های شارژ EV را آزار می‌دهد، و

2) به طور همزمان تجربه شارژ و محصولی را ارائه دهید که با استاندارد بازار برای کارایی زیرساخت شارژ مبتنی بر هوش مصنوعی و قابلیت اطمینان مشخص شده توسط تسلا رقابت می کند.

با نگاهی به آینده، انتظار می‌رود که شرکت‌های سازنده خودرو، شرکت‌های برق، و شرکت‌های بزرگ نفت و گاز با مبتکران شارژ هوش مصنوعی در رقابتی برای ایجاد شبکه‌های شارژ اختصاصی و بهره‌گیری از هوش مصنوعی قبل از تبدیل شدن به استاندارد بازار، به منظور رقابت با متصدیان شبکه شارژ فعلی شریک شوند.