概要

本論文は、太陽光発電(PV)、蓄電池、系統との双方向電力取引を備えた電気自動車(EV)充電所を対象に、車両の充電順序とエネルギー運用を同時に最適化する手法を提案しています。限られた充電器を複数のEVに割り当てる「車両スケジューリング」には、数理最適化ソルバーを使わない貪欲ヒューリスティック(SFGH)を適用します。充電需要が決まった後の蓄電池の充放電や系統との電力交換には、深層強化学習の一種であるTD3を用い、電力コストとCO₂排出量の両方を考慮します。年間シミュレーションでは、SFGHとTD3の組み合わせが、比較対象のヒューリスティック手法およびマルチエージェント深層強化学習手法に対し、累積サービス遅延、エネルギーコスト、炭素排出量のいずれでも最良の結果を示したと報告されています。

ポイント

  • SFGHは、各EVを充電器に割り当てた場合のサービス遅延の削減効果を基準に、計算負荷を抑えて動的に優先順位を決定する。
  • TD3コントローラーは、充電需要を満たしながら、蓄電池の充放電と系統からの買電・売電を制御する。
  • PVと蓄電池の双方から余剰電力を輸出でき、売電収入や炭素クレジットも評価に組み込む。
  • コスト最小化だけでなく、電力の炭素排出を考慮することで、低炭素な充電運用を目指す。
  • 充電待ち時間、運用費、排出量を統合的に評価しており、充電サービス品質と脱炭素の両立を扱っている。

実務への示唆

充電事業者は、充電器の混雑管理と蓄電池制御を別々に考えるのではなく、待ち時間、電力価格、時間帯別の排出係数、売電条件を一体的に管理することが重要です。まずは実績データを用いて、EVの到着・滞在・必要充電量を予測し、炭素強度の低い時間帯への充電誘導や蓄電池の運用ルールに反映するとよいでしょう。なお、本研究の成果はシミュレーションに基づくため、導入時には予測誤差、通信遅延、電池劣化、地域の制度や料金体系を追加検証する必要があります。

出典

Electric Vehicle Scheduling and Carbon-Aware Energy Dispatch for Charging Stations

この記事はAIが海外情報を要約・翻訳したものです。元記事は出典リンクをご覧ください。