tối ưu lịch trình sạc xả của xe điện trong hệ thống sạc điện hai chiều sử dụng phương pháp rolling horizon optimization

Một ví dụ điển hình gồm 160 xe điện thực hiện sạc xả lên lưới thông qua hệ thống sạc hai chiều đặt trong bãi gửi xe thông minh được đưa ra để minh họa hiệu suất của phương pháp đang đề x

TỔNG QUAN

Xe điện

Xe điện, còn được gọi là EV, là một phương tiện giao thông sử dụng một hoặc nhiều động cơ điện để tạo lực đẩy Xe điện lần đầu xuất hiện từ giữa thế kỷ 19, khi mà điện là phương pháp ưa chuộng cho động cơ xe đường bộ, với sự thoải mái và dễ vận hành hơn xe chạy xăng thời bấy giờ Trong thế kỷ 21, xe điện chứng kiến sự trỗi dậy trở lại nhờ vào những tiến bộ công nghệ và nỗ lực tập trung vào năng lượng tái tạo và giảm thiểu tác động của giao thông vận tải lên biến đổi khí hậu, ô nhiễm không khí, và những vấn đề môi trường khác Khác biệt cơ bản giữa xe điện và xe chạy bằng động cơ đốt trong (như xe chạy xăng hoặc dầu diesel) là nguồn năng lượng sử dụng

Có nhiều loại xe điện khác nhau: xe điện hybrid (HEV), xe điện plug-in hybrid (PHEV) và xe điện chạy hoàn toàn bằng pin (BEV)

Hình 2-1: Các loại xe điện hiện có trên thị trường [5]

BEV - Battery Electric Vehicle: là loại xe hoàn toàn chạy bằng điện và không có động cơ đốt trong Xe này cần được sạc từ một nguồn điện ngoại vi, ví dụ như điện lưới Pin của chúng thường lớn để có thể chạy trong phạm vi dài

Hình 2-2: Hình ảnh minh họa xe BEV [6]

HEV - Hybrid Electric Vehicle: đây là loại xe điện có khả năng tiết kiệm nhiên liệu cao, vì chúng bao gồm cả động cơ đốt trong và pin sạc Loại này hội đủ các thuộc tính tốt nhất bao gồm: thân thiện với môi trường, sử dụng hiệu quả nhiên liệu, đáp ứng nhu cầu kinh tế của người tiêu dùng Đối với HEV, pin được sạc bởi một động cơ đốt trong thứ hai và phanh hồi sinh Do đó, chúng không cần phải được kết nối với lưới điện để sạc

Hình 2-3: Hình ảnh minh họa xe HEV [6]

PHEV - Plug-in Hybrid Electric Vehicle: là loại kết hợp động cơ đốt trong và động cơ điện, có thể được tiếp nhiên liệu từ cả lưới điện hoặc tại trạm xăng Dung lượng pin của chúng lớn hơn HEV, đó là lý do chính khiến chi phí cao hơn so với HEV

Hình 2-4: Hình ảnh minh họa xe PHEV [6]

Một trong những vấn đề chính cản trở việc mua EV là bị giới hạn phạm vi di chuyển Mọi người đã quen với động cơ đốt trong có thể chạy gần 600-700 km trước khi tiếp nhiên liệu Khách hàng dùng động cơ đốt trong có thể bơm nhiên liệu mỗi tuần một lần, nhưng pin của EV thì có thể cần sạc lại mỗi ngày một lần

Trong thời gian gần đây, thị trường EV đang ngày càng mở rộng, số lượng xe bán ra trên toàn cầu đạt 2,3 triệu xe trong quý I năm 2023, và ước đạt 14 trong cả năm

Số lượng EV tăng lên đồng nghĩa sẽ cần nhiều điện hơn từ lưới điện để sạc Chủ

EV sẽ sạc phương tiện của họ tại nhà, cơ quan hoặc các hạ tầng sạc công cộng Điều này sẽ gây ra một sự bùng nổ lớn trong mạng lưới điện.

Trạm sạc

Trạm sạc xe điện, còn được gọi là EV charging, là nơi cung cấp năng lượng điện cho các phương tiện giao thông vận hành bằng điện như xe ô tô điện, xe máy điện, xe buýt điện Trên phạm vi toàn cầu, có khoảng 2,7 triệu điểm sạc công cộng tính đến cuối năm 2020, tăng 50% so với giai đoạn 2015-2019 [7]

Bảng 2-1: Phân loại trạm sạc theo chuẩn đầu sạc

Cấp 1 Cấp 2 Sạc nhanh DC Đầu sạc Điện áp 120 VAC 208 – 240

Công suất sạc 1 kW 7 – 19 kW 7 – 19 kW

Thời gian sạc xe PHEV

Thời gian sạc xe BEV

Quãng đường đi được với mỗi giờ sạc

Nơi lắp đặt Nhà Nhà, văn phòng hoặc công cộng

Thường được gọi là đầu sạc J, là chuẩn sạc phổ biến và chủ yếu ở Bắc Mỹ và Nhật Bản, dùng cho sạc cấp độ 1 (Level 1) và cấp độ 2 (Level 2)

Thiết kế đầu sạc có 5 chân để sạc AC Trong đó, ba chân chính kết nối AC pha

1 (L1), AC trung tính (N) và bảo vệ nối đất (PE); hai chân nhỏ hơn có chức năng xác nhận trạng thái (PP - Proximity Pilot), và giao tiếp đảm bảo an toàn giữa EV và trạm sạc (CP - Control Pilot)

Là một trong những chuẩn sạc DC nhanh đầu tiên, phổ biến ở Nhật Bản và được sử dụng bởi các hãng như Nissan và Mitsubishi

CHAdeMO là bộ sạc sử dụng dòng điện một chiều DC thay vì dòng điện xoay chiều AC Bộ sạc DC cắt giảm đáng kể thời gian sạc nên nó được đặt tên theo cụm từ tiếng Nhật “ocha demo ikagadesu”, có nghĩa là sạc nhanh như uống một tách trà 2.2.2.3 Chuẩn sạc Combined Charging System (CCS):

Combo 1 là một phiên bản sửa đổi của SAE J1772 nên còn có tên gọi là SAE Combo, trong khi CCS Combo 2 dựa trên chuẩn Mennekes của châu Âu Chuẩn CCS (Combo 1 và Combo 2) hỗ trợ sạc nhanh DC bằng cách thêm hai chân cắm cho dòng điện một chiều (DC)

2.2.2.4 Chuẩn sạc Tesla - Tesla Supercharger: Đây là hệ thống sạc nhanh độc quyền của Tesla, cung cấp sạc nhanh cho các mẫu xe của hãng này Bộ siêu tăng áp Tesla có thể mang lại tốc độ sạc nhanh hơn nhiều so với các trạm sạc J1772 tiêu chuẩn

- Type 2 (Mennekes): phổ biến ở châu Âu, sạc Level 2 và sạc nhanh DC

- GB/T: chuẩn sạc quốc gia của Trung Quốc, dùng cho cả sạc AC và DC

- SAE J2954: là chuẩn đầu tiên cho sạc không dây, cho phép sạc an toàn và hiệu quả lên đến 11 kW qua không gian không khí, đạt hiệu suất lên đến 94%

Type 2 (Mennekes) GB/T AC GB/T DC

Hình 2-5: Các chuẩn đầu sạc khác

Trạm sạc xe điện tại Việt Nam và trên thế giới đang phát triển nhanh chóng, với nhiều loại hình khác nhau bố trí tại nhiều vị trí như nhà riêng, bãi gửi xe chung cư, hoặc bãi gửi xe công cộng ở các trung tâm thương mại phục vụ cho nhu cầu đa dạng của người dùng

Hình 2-6: Mô hình trạm sạc ô tô điện ở trạm dừng cao tốc (Nguồn: VinFast) Ở Việt Nam, VinFast là một trong những hãng đi đầu trong việc phát triển hệ thống trạm sạc, với hơn 150.000 cổng sạc trải dài khắp cả nước Trạm sạc của VinFast có nhiều loại từ sạc thường đến sạc nhanh và siêu nhanh, với thời gian sạc dao động từ khoảng 60 phút cho trụ sạc nhanh ô tô DC 30kW đến khoảng 23,4 phút cho trụ sạc siêu nhanh ô tô DC 150kW Các trạm sạc này được lắp đặt ở nhiều địa điểm khác nhau, từ trung tâm thương mại đến các tuyến cao tốc và quốc lộ [8]

Hình 2-7: Trạm sạc VinFast tại một trung tâm thương mại (Nguồn: VinFast)

EV One, với công nghệ của Schneider Electric, cung cấp các giải pháp sạc từ trạm sạc công suất lớn ở nơi công cộng (EVlink Pro DC) đến giải pháp sạc gia đình (EVlink Pro AC) EVlink Pro DC cung cấp các phiên bản 120 – 150 và 180 kW [9]

Hình 2-8: Trụ sạc của Schneider Electric [9]

Ngoài ra, EV One cũng cung cấp trụ sạc từ thương hiệu ABB, với nhu cầu sạc tại nhà có công suất từ 3 kW đến 24 kW, quy mô doanh nghiệp có các trụ sạc công suất từ 50 kW cho đến 360 kW [10]

Hình 2-9: Trụ sạc của ABB [10]

Một trong những doanh nghiệp trong nước cũng đang tích cực chạy đua nghiên cứu và cho ra đời các trạm sạc đáp ứng chất lượng, tiêu chuẩn quốc tế là Tổng công ty Điện lực Miền Trung (EVNCPC) thuộc Tập đoàn Điện lực Việt Nam (EVN), với sản phẩm trạm sạc nhanh cho xe ô tô điện Sản phẩm này đạt Top 10 sản phẩm Make in Viet Nam hạng mục sản phẩm số tiềm năng

Hình 2-10: Trụ sạc của EVNCPC (Nguồn: EVNCPC) Đến nay, Trung tâm Sản xuất thiết bị đo điện tử Điện lực miền Trung đã lắp đặt trạm sạc cho 13 Công ty Điện lực thành viên và hợp tác thử nghiệm trạm sạc xe điện kết nối với hệ thống điện mặt trời với Tổng công ty Dầu Việt Nam (PVOIL) Trạm sạc nhanh cho xe ô tô với các tính năng: Nhiều chế độ sạc, sạc song song 2 vòi cùng một lúc, thiết kế theo hướng module hóa, hỗ trợ tiêu chuẩn sạc khác nhau, kết nối cổng thanh toán VNPay, quản lý mạng lưới trạm sạc và trạng thái hoạt động [11] Nhìn chung, hệ thống trạm sạc đang ngày càng phát triển và mở rộng để phục vụ tốt hơn cho người dùng xe điện, từ trạm sạc trong khu vực đô thị đến trạm sạc trên các tuyến đường quốc lộ và cao tốc.

Hệ thống V2G

Hệ thống V2G, viết tắt của "Vehicle-to-Grid", là công nghệ sử dụng cổng sạc hai chiều cho phép xe điện không chỉ nhận điện từ lưới để sạc mà còn có thể xả năng lượng trở lại lưới điện Điều này được thực hiện thông qua một hệ thống giao tiếp giữa EV và lưới, nơi xe điện có thể nhận biết thông tin lưới điện, thông tin điều khiển và thực hiện truyền phần điện dư thừa vào lưới khi cần thiết

Một trong những cách để đối phó với sự gia tăng EV trong lưới, biên độ tải đỉnh tăng và giữ ổn định lưới điện là ứng dụng công nghệ V2G Trong một hệ thống V2G,

EV sẽ được sử dụng để quản lý phụ tải điện bằng cách tham gia như các đơn vị lưu trữ năng lượng và lấy năng lượng từ lưới điện trong giờ thấp điểm, và sẽ xả và cung cấp điện trở lại lưới điện trong giờ cao điểm Nói cách khác, EV có thể cung cấp các dịch vụ phụ trợ và đáp ứng được nhu cầu phụ tải điện nếu việc sạc xả của chúng được quản lý Ưu điểm của V2G đối với giao thông vận tải là giảm tiêu thụ xăng dầu, tăng cường tính bền vững cho nền kinh tế, và bảo vệ môi trường Ngoài ra chủ sở hữu EV có thể giảm chi phí sạc điện bằng cách xả ngược lại điện năng vào hệ thống V2G Ngoài ra, người dùng EV có lợi hơn so với người dùng ICE do điện rẻ hơn xăng Giá xăng phụ thuộc vào thị trường quốc tế vì vậy sẽ dao động theo thời gian, trong khi giá điện ở phạm vi khu vực và có tính ổn định hơn Khách hàng của EV sẽ không cần phải lo lắng về lạm phát không đoán trước trong giá nhiên liệu của họ Để có thể triển khai V2G, một số cơ sở hạ tầng thiết yếu được yêu cầu và sẽ tốn kém khi thực hiện Lưới điện thông minh là một phần của cơ sở hạ tầng này Xe điện có thể được sạc qua đêm tại nhà dân, hoặc vào ban ngày tại nơi làm việc hoặc các trạm sạc công cộng khác Cơ sở hạ tầng sạc là một trong những phần chính, bắt buộc và thiết yếu của hệ thống V2G Điều này làm cho EV có phạm vi lái xe ngắn hơn ICE Do đó, người sử dụng EV có xu hướng khắt khe hơn khi lên kế hoạch cho hành trình của họ Sự lo lắng này đã hoạt động như một rào cản đối với việc áp dụng EV ở quy mô lớn Một giải pháp để giải quyết sự lo lắng phạm vi là thông qua phát triển cơ sở hạ tầng sạc rộng khắp, đồng bộ.

Vấn đề lập lịch trình sạc xả xe điện

Sạc xả thông minh là thuật ngữ được sử dụng mô tả việc điều khiển có điều kiện quá trình sạc xả EV Điều này có nghĩa là EV sạc điện từ lưới trong thời điểm điện ở mức giá thấp, và xả khi điện ở mức giá cao

Các vấn đề lập kế hoạch sạc xả EV đã được nghiên cứu bởi các nhà khoa học trước đây Lịch trình sạc xả là một chuỗi thời gian được lên kế hoạch trước để sạc xả điện Các nghiên cứu khác nhau đã tối ưu hóa các vấn đề lập kế hoạch từ các quan điểm khác nhau Hầu hết các nghiên cứu này chủ yếu dựa trên góc nhìn của phía đơn vị quản lí lưới điện mà ít tập trung vào sự hài lòng của khách hàng Khách hàng là một bên quan trọng của hệ thống V2G Nếu họ không hài lòng, họ có thể không tham gia V2G Do đó, xem xét các tiêu chí có ảnh hưởng gián tiếp tới mức độ hài lòng của khách hàng trong công tác lập kế hoạch sạc xả EV cần phải được để tâm

Việc lập kế hoạch sẽ xét cho cả trường hợp ngoại tuyến (tĩnh) và trực tuyến (động) Đối với ngoại tuyến, tất cả các thông tin có sẵn, do đó người quản lý hệ thống biết trước được số lượng cũng như thông tin các EV sẽ tham gia Tuy nhiên, trong trường hợp ngược lại, không phải tất cả các thông tin cần thiết đều được xác định trước khi lên lịch trình trực tuyến Số lượng của EV trong hệ thống không được biết trước, và các yêu cầu sạc xả thì thay đổi theo thời gian và ý muốn khách hàng Xác định lịch trình tối ưu để sạc xả EV là chìa khóa cho sự thành công của V2G, cũng như khuyến khích cả khách hàng và cơ quan quản lí ứng dụng công nghệ này Các nghiên cứu đã làm trên cả lịch trình ngoại tuyến và trực tuyến về sạc xả của EV sẽ được xem xét trong tiểu mục tiếp theo

Có một số bài báo về tối ưu hóa ngoại tuyến liên quan đến khía cạnh kỹ thuật của EV lập kế hoạch từ quan điểm của công ty điện lực, một số trong đó chỉ tập trung vào sạc EV mà không xem xét hệ thống V2G [12], để giảm thiểu tải cao điểm và san bằng tải đỉnh

Một số bài báo khác đã sử dụng các thuật toán meta heuristic như tối ưu hóa bầy đàn (PSO) trong mô hình hóa các vấn đề lập kế hoạch ngoại tuyến [12] [13] Ví dụ, mục tiêu tối ưu hóa trong [12] là để giảm thiểu tổng chi phí vận hành V2G bao gồm: chi phí nhiên liệu, chi phí khởi động Trong bài báo [13], tác giả đã áp dụng tối ưu hóa bầy đàn để tối đa hóa lợi nhuận của chủ sở hữu EV

Một số nghiên cứu đã xem xét lợi ích tài chính của khách hàng cùng với những hạn chế kỹ thuật của lưới điện Ví dụ [14] đã phát triển một chương trình toán học phi tuyến cho vấn đề lập kế hoạch ngoại tuyến, xem xét các hạn chế kỹ thuật cũng như hạn chế tài chính

Tóm lại, các mô hình lập kế hoạch ngoại tuyến của các nhà nghiên cứu trước đây chủ yếu là từ quan điểm công ty điện lực hoặc nhà quản lý, trong khi trong mô hình lập kế hoạch của luận văn này được phát triển từ góc nhìn của khách hàng Hơn nữa, các thuật toán meta heuristic và mô hình phi tuyến NLP là các phương pháp phổ biến nhất trong các nghiên cứu, trong khi mô hình tuyến tính nguyên hỗn hợp MILP là phương pháp được sử dụng trong luận văn này Hơn nữa, không giống như một số bài báo trong tài liệu tham khảo, luận văn này lên lịch cho cả pha sạc và pha xả của

Cũng giống như các nghiên cứu ngoại tuyến, rất nhiều bài báo tập trung vào lập kế hoạch trực tuyến EV chú trọng khía cạnh kỹ thuật trong khi lại bỏ qua vai trò hệ thống V2G cũng như quá trình xả EV Ví dụ, trong [15], một mô hình sạc EV được tối ưu hóa trực tuyến đã được phát triển để giảm thiểu chi phí sạc bằng cách sử dụng mô hình heuristic để giải quyết mô hình tối ưu hóa song không xem xét việc xả EV Khác với những bài báo quan tâm tới yếu tố kỹ thuật, cũng có một số bài báo giải quyết lợi ích về tài chính Ở đây, các nhà nghiên cứu đã xem xét lợi ích tài chính của chủ sở hữu EV và cơ quan quản lý ngang với khía cạnh kỹ thuật của V2G Cả hai thuật toán heuristic và meta heuristic đã được sử dụng trong các nghiên cứu này [16], [17], [18], [19] Ví dụ, trong [16], các tác giả đã đề xuất một thuật toán meta heuristic và cố gắng lên lịch trình sạc trong thời điểm giá điện rẻ nhất và xả trong thời điểm giá đắt nhất Một ví dụ khác, trong [17], một thuật toán heuristic V2G trực tuyến đã được xây dựng để tối đa hóa lợi nhuận cho đơn vị quản lý Lợi nhuận của đơn vị quản lí có liên quan đến lợi ích hệ thống như chi phí thấp cho khách hàng Trong một nghiên cứu khác [18], một thuật toán tối ưu hóa bầy đàn trực tuyến đã được tạo ra từ quan điểm nhà quản lý để giảm thiểu tổng chi phí phát điện Sau đó, để so sánh và đánh giá PSO này, một lịch trình ngoại tuyến dùng tuyến tính nguyên hỗn hợp được phát triển Lập trình phi tuyến được phát triển và triển khai trong Mô hình đại số nói chung (GAMS) Doanh thu của công ty tổng hợp đến từ chi phí sạc EV cộng với doanh thu thu được bằng cách cung cấp các dịch vụ quy định

Một bài báo khác [20] đã đề xuất một thuật toán trực tuyến để quản lý tối ưu PHEV tại bãi đậu xe xem xét mong muốn và nhu cầu của khách hàng Mô hình toán học được phát triển để tối đa hóa giá trị SOC trung bình của EV Tác giả xem xét giá mua bán điện, thời gian sạc và SOC hiện tại trong mô hình này để cho phép các phương tiện tham gia hệ thống sạc một cách linh hoạt Hệ thống V2G và việc EV xả chưa được dự tính trong nghiên cứu này

Trong một nghiên cứu khác, [21] đã nghiên cứu một lịch trình thời gian thực tập trung của PHEV Đầu tiên, việc lập kế hoạch ngoại tuyến được mô hình hóa thành công thức toán học và sau đó bốn thuật toán trực tuyến khác nhau đã được phát triển, tất cả đều là thuật toán heuristic Chức năng mục tiêu là lên lịch sạc EV với chi phí tối thiểu Nghiên cứu này là từ quan điểm của một chủ sở hữu EV, nhưng không xem xét hoạt động của V2G

Tóm lại, các mô hình lập kế hoạch trực tuyến của các học giả trước đây chủ yếu là từ quan điểm của công ty điện lực hoặc chủ hệ thống V2G Trong khi trong luận văn này, mô hình lập kế hoạch trực tuyến được phát triển từ quan điểm khách hàng góp phần gia tăng sự hài lòng của họ Trước đây, thuật toán heuristic và meta heuristic là các phương pháp chủ yếu được sử dụng nghiên cứu Tuy nhiên, những phương pháp này không đảm bảo một giải pháp tối ưu cục bộ hoặc toàn cục tương ứng Do đó, phương pháp RHO được sử dụng lập lịch trình trực tuyến trong luận văn để có được một giải pháp tối ưu Cả hai quá trình sạc và xả EV đều được thực hiện trong mô hình lập kế hoạch của luận văn này.

MÔ HÌNH BÀI TOÁN

Mô hình hệ thống V2G

Trong luận văn này, cả hai mô hình lập kế hoạch sạc xả ngoại tuyến và trực tuyến đều được phát triển Các EV được coi là được kết nối với lưới điện để sạc xả thông qua một trạm sạc công cộng, đó là một bãi gửi xe thông minh

Mục tiêu của cả hai vấn đề tối ưu hóa lịch trình là tối đa hóa chi phí nhận được từ quá trình sạc xả theo các mục tiêu được xét, góp phần làm cơ sở để đánh giá sự hài lòng của chủ sở hữu EV trong các nghiên cứu khác có liên quan Các yếu tố được xem xét đánh giá sự ảnh hưởng tới chi phí nhận được từ quá trình sạc xả bao gồm:

1 EV được sạc tới mức SOC yêu cầu

2 Sạc EV với mức chi phí thấp nhất

3 EV xả điện với mức lợi nhuận cao nhất

Hệ thống V2G tích hợp trong bãi gửi xe thông minh có trang bị các trụ sạc Bãi gửi xe này được quản lý và kiểm soát bởi một đơn vị quản lý chuyên nghiệp Kiến trúc hệ thống V2G được mô tả trong Hình 3-1 Thành phần chính của hệ thống V2G bao gồm EV, đơn vị quản lý bãi gửi xe, công ty điện lực

Hình 3-1: Mô hình trạm sạc xe điện

Trong cả hai mô hình lập kế hoạch sạc xả ngoại tuyến và trực tuyến, hai kịch bản khác nhau được phát triển Ở kịch bản đầu tiên, mục tiêu tập trung tối đa hóa lợi nhuận có được từ quá trình sạc xả của EV Trong khi ở kịch bản thứ hai, ngoài doanh thu xả điện và chi phí sạc điện, có áp dụng thêm chi phí phạt đối với đơn vị quản lý bãi gửi xe nếu không đạt được SOC mong muốn của chủ EV, chi phí phạt lũy kế theo số đơn vị điện thiếu hụt.

Mô hình lập lịch trình ngoại tuyến

Trong môi trường ngoại tuyến, tất cả các thông tin về đặc điểm kỹ thuật của lưới điện cũng như EV được biết trước Giả sử rằng các thông tin đã được cung cấp cho quản lí bãi xe trước một thời gian, và mô hình toán học được phát triển cho vấn đề ngoại tuyến Đơn vị quản lý V2G sử dụng tất cả thông số của EV và lưới điện đã biết trước đó làm dữ liệu vào cho mô hình toán học và tìm ra lịch trình sạc xả tối ưu

3.2.2 Chỉ số, tham số, biến số

Như đã giải thích ở trên, bài toán lập lịch ngoại tuyến được phát triển theo hai kịch bản (gọi là kịch bản A.1 và A.2) để so sánh tác động của các yếu tố khác nhau trong mô hình tối ưu hóa Các chỉ số, tham số và biến được sử dụng trong cả hai kịch bản được trình bày dưới đây

3.2.2.1 Chỉ số i: Chỉ số EV t: Chỉ số thời gian

3.2.2.2 Tham số ai: Thời gian vào bãi gửi xe của EV i di: Thời gian ra dự kiến của EV i asoci: SOC ban đầu khi vào bãi gửi xe của EV i (pu) dsoci: SOC mong muốn khi ra của EV i (pu) cp: Công suất khả dụng của lưới điện, bằng với công suất MBA, cũng là giới hạn công suất sạc xả của hệ V2G (pu) pc: Chi phí phạt do không đạt dsoc (VNĐ) ct: Giá mua điện (giá điện sạc vào EV) ở thời điểm t (VNĐ) pt: Giá bán điện (giá điện EV xả lên lưới) ở thời điểm t (VNĐ) mri: SOC tối thiểu của EV i (pu) mci: SOC tối đa, tương đương dung lượng pin của EV i (pu) 3.2.2.3 Biến số xit: Trạng thái sạc của EV i tại thời điểm t, sạc khi xit = 1, không sạc khi xit = 0 yit: Trạng thái xả của EV i tại thời điểm t, xả khi yit = 1, không xả khi yit = 0 mdit: Trạng thái sạc xả của EV i tại thời điểm t, sạc khi mdit = 1, xả khi mdit = -1, trạng thái chờ khi mdit = 0 zi: Số đơn vị điện còn thiếu để đạt SOC yêu cầu của EV i (pu) socit: SOC của EV i ở thời điểm t (pu) x_syst: Công suất sạc của hệ V2G tại thời điểm t (pu) y_syst: Công suất xả của hệ V2G tại thời điểm t md_syst: Trạng thái và công suất sạc xả của hệ V2G ở thời điểm t count_EVt: Số lượng có trong bãi ở thời điểm t x_EVi: Tổng điện năng đã sạc của EV i y_EVi: Tổng điện năng đã xả của EV i

3.2.3.1 Hàm mục tiêu kịch bản A.1

Mục tiêu tối đa lợi nhuận có được từ quá trình sạc xả xe điện, chỉ xét tới chi phí chi trả khi sạc điện và chi phí nhận được khi xả điện lên lưới

Max (lợi nhuận) = Max (doanh thu xả điện), Min (chi phí sạc điện) (3.1)

Vế phải của diễn giải ở công thức (3.1) tương đương với công thức toán sau: t t it it t i t i

3.2.3.2 Hàm mục tiêu kịch bản A.2

Mục tiêu tối đa lợi nhuận có được từ quá trình sạc xả xe điện, xét tới chi phí phải trả khi sạc điện, chi phí nhận được khi xả điện lên lưới và chi phí bị phạt khi không đảm bảo SOC theo yêu cầu của chủ EV khi phương tiện ra khỏi trạm

= Max (doanh thu xả điện), Min (chi phí sạc điện), Min (chi phí phạt) (3.3) Diễn giải ở công thức (3.3) tương đương với công thức toán sau: it t it t i t i t i i

Cả hai kịch bản A.1 và A.2 đều có chung các ràng buộc cần tuân thủ Các ràng buộc được trình bày dưới đây

3.2.4.1 Phương trình điều khiển sạc xả của EV trong hệ thống i i i i d d it it i i i t a t a x y z dsoc asoc

3.2.4.2 Bất phương trình giới hạn điện năng sạc xả của hệ V2G

Công suất sạc xả tức thời của hệ V2G không lớn hơn khả năng cung cấp và khả năng tiếp nhận công suất của lưới điện it t x cp

3.2.4.3 Phương trình tính SOC tại từng thời điểm

SOC của EV i tại thời điểm t bằng SOC của EV i tại thời điểm t – 1 cộng với phần điện năng được sạc (dương) hoặc xả (âm) tại thời điểm t

( ) it i t 1 it it soc =soc − +x −y , i, t | t2 (3.8)

3.2.4.4 Phương trình tính SOC tại thời điểm 1

SOC của EV i tại thời điểm đầu tiên (t = 1) là thông tin hệ thống nhận được khi xe đi vào bãi gửi i1 i soc =asoc , i (3.9)

3.2.4.5 Bất phương trình giới hạn SOC tại từng thời điểm

- Giá trị SOC tại từng thời điểm không nhỏ hơn giá trị quy định (ở đây được hiểu là giới hạn SOC dưới mà nhà sản xuất đưa ra, hoặc theo yêu cầu của chủ xe mà đã khai báo khi vào trạm sạc) it i soc mr, i, t (3.10)

- Giá trị SOC tại từng thời điểm không lớn hơn khả năng lưu trữ của pin it i soc mc , i, t (3.11)

3.2.4.6 Bất phương trình giới hạn trạng thái sạc xả

Trong một thời điểm không đồng thời diễn ra hai quá trình sạc và xả it it x +y 1, i, t (3.12)

3.2.4.7 Bất phương trình giới hạn thời gian sạc xả

EV không sạc điện trước khi đến hoặc sau khi đi khỏi bãi gửi xe xit =0, i, t | t   d i t a i (3.13)

EV không xả điện trước khi đến hoặc sau khi đi khỏi bãi gửi xe yit =0, i, t | t   d i t a i (3.14)

3.2.4.8 Phương trình xác định trạng thái sạc xả của EV

Xác định trạng thái sạc xả của EV i tại thời điểm t EV sạc khi mdit = 1, EV xả khi mdit = -1, EV ở trạng thái chờ khi mdit = 0 it it it md =x −y , i, t (3.15)

3.2.4.9 Phương trình giới hạn dung lượng còn thiếu (áp dụng cho kịch bản A.2) zi 0, i (3.16)

Như vậy, quá trình mô hình hóa bài toán hoàn thành, tất cả các hàm mục tiêu, hàm ràng buộc đã được miêu tả chi tiết.

Mô hình lập lịch trình trực tuyến

Không giống như mô hình ngoại tuyến, sẽ không có thông tin nào của EV được xác định trước thời điểm EV vào bãi gửi xe ở mô hình lập lịch trực tuyến Ban quản lý V2G biết được tất cả các thông số kỹ thuật lưới điện Nhưng ban quản lý không biết có chính xác bao nhiêu EV sẽ vào hay ra khỏi hệ thống ở mỗi giai đoạn, và họ cần bao nhiêu điện; nó là một mô hình động Điều này thực tế hơn so với mô hình ngoại tuyến Đơn vị quản lý kiểm tra xe đang tồn tại (hay khả dụng cho sạc xả) trong trạm sạc bằng cách kiểm tra thời gian đến và đi của từng xe, nếu xe được xác định là khả dụng thì thêm xe đó vào tập i_available Để mô hình hóa vấn đề lập kế hoạch trực tuyến này, phương pháp tối ưu hóa RHO được sử dụng và liên kết với mô hình toán học được phát triển trước đó Kỹ thuật RHO giúp hệ thống V2G nhận thông tin của EV trong từng giai đoạn và gửi dữ liệu này đến mô hình toán Giả sử thời điểm xe vào bãi gửi xe là t, đơn vị quản lý V2G sử dụng thông tin có sẵn (của lưới điện) và thông tin tức thời (của EV) làm dữ liệu vào cho mô hình toán học và tìm ra lịch trình sạc xả tối ưu cho các thời đoạn t+1 trở đi

3.3.2 Chỉ số, tham số, biến số

Bài toán lập lịch trực tuyến được phát triển theo hai kịch bản (gọi là kịch bản B.1 và B.2) để so sánh tác động của các yếu tố khác nhau trong mô hình tối ưu hóa Các chỉ số, tham số và biến được sử dụng trong hai kịch bản được trình bày dưới đây 3.3.2.1 Chỉ số i: Chỉ số EV t: Chỉ số thời gian t_loop: Chỉ số thời gian phụ, sử dụng trong các vòng lặp

3.3.2.2 Tham số ai: Thời gian vào bãi gửi xe của EV i a_subi: Tham số phụ của ai di: Thời gian ra dự kiến của EV i asoci: SOC ban đầu khi vào bãi gửi xe của EV i (pu) asoc_subi: Tham số phụ của asoci (pu) dsoci: SOC mong muốn khi ra của EV i (pu) cp: Công suất khả dụng của lưới điện, bằng với công suất MBA, cũng là giới hạn công suất sạc xả của hệ V2G (pu) pc: Chi phí phạt do không đạt dsoc (VNĐ) ct: Giá mua điện (giá điện sạc vào EV) ở thời điểm t (VNĐ) pt: Giá bán điện (giá điện EV xả lên lưới) ở thời điểm t (VNĐ) mri: SOC tối thiểu của EV i (pu) mci: SOC tối đa, tương đương dung lượng pin của EV i (pu) 3.3.2.3 Biến số xit: Trạng thái sạc của EV i tại thời điểm t, sạc khi xit = 1, không sạc khi xit = 0 x_saveit: Biến phụ của xit yit: Trạng thái xả của EV i tại thời điểm t, xả khi yit = 1, không xả khi yit = 0 y_saveit: Biến phụ của yit mdit: Trạng thái sạc xả của EV i tại thời điểm t, sạc khi mdit = 1, xả khi mdit = -1, trạng thái chờ khi mdit = 0 md_saveit: Biến phụ của mdit zi: Số đơn vị điện còn thiếu để đạt SOC yêu cầu của EV i (pu) z_savei: Biến phụ của zi (pu) socit: SOC của EV i ở thời điểm t (pu) soc_saveit: Biến phụ của socit (pu) x_syst: Công suất sạc của hệ V2G tại thời điểm t (pu) y_syst: Công suất xả của hệ V2G tại thời điểm t md_syst: Trạng thái và công suất sạc xả của hệ V2G ở thời điểm t count_EVt: Số lượng có trong bãi ở thời điểm t x_EVi: Tổng điện năng đã sạc của EV i y_EVi: Tổng điện năng đã xả của EV i ovlt: Giá trị hàm mục tiêu tại thời điểm t (VNĐ)

3.3.3.1 Hàm mục tiêu kịch bản B.1

Mục tiêu tối đa lợi nhuận có được từ quá trình sạc xả xe điện, chỉ xét tới chi phí chi trả khi sạc điện và chi phí nhận được khi xả điện lên lưới

Max (lợi nhuận) = Max (doanh thu xả điện), Min (chi phí sạc điện) (3.17)

Vế phải của diễn giải ở công thức (3.17) tương đương với công thức toán sau: t t it it t i t i

  −  ,  t  t _ loop,T ,i  i _ available (3.18) 3.3.3.2 Hàm mục tiêu kịch bản B.2

Mục tiêu tối đa lợi nhuận có được từ quá trình sạc xả xe điện, xét tới chi phí phải trả khi sạc điện, chi phí nhận được khi xả điện lên lưới và chi phí bị phạt khi không đảm bảo SOC theo yêu cầu của chủ EV khi phương tiện ra khỏi trạm

= Max (doanh thu xả điện), Min (chi phí sạc điện), Min (chi phí phạt) (3.19) Diễn giải ở công thức (3.3) tương đương với công thức toán sau: t t it it i t i t i i

Cả hai kịch bản B.1 và B.2 đều có chung các ràng buộc cần tuân thủ Các ràng buộc được trình bày dưới đây

3.3.4.1 Phương trình điều khiển sạc xả của EV trong hệ thống i i i i d d it it i i i t a t a x y z dsoc asoc

3.3.4.2 Bất phương trình giới hạn điện năng sạc xả của hệ V2G

Công suất sạc xả tức thời của hệ V2G không lớn hơn khả năng cung cấp và khả năng tiếp nhận công suất của lưới điện it t x cp

3.3.4.3 Phương trình tính SOC tại từng thời điểm

SOC của EV i tại thời điểm t bằng SOC của EV i tại thời điểm t – 1 cộng với phần điện năng được sạc (dương) hoặc xả (âm) tại thời điểm t

( ) it i t 1 it it soc =soc − +x −y ,  i i _ available, tai+1,di  (3.24)

3.3.4.4 Phương trình tính SOC tại thời điểm 1

SOC của EV i tại thời điểm đầu tiên (t = 1) là thông tin hệ thống nhận được khi xe đi vào bãi gửi i1 i soc =asoc ,  i i _ available (3.25)

3.3.4.5 Bất phương trình giới hạn SOC tại từng thời điểm

- Giá trị SOC tại từng thời điểm không nhỏ hơn giá trị quy định (ở đây được hiểu là giới hạn SOC dưới mà nhà sản xuất đưa ra, hoặc theo yêu cầu của chủ xe mà đã khai báo khi vào trạm sạc) it i soc mr,  t t _ loop,T ,i i _ available (3.26)

- Giá trị SOC tại từng thời điểm không lớn hơn khả năng lưu trữ của pin it i soc mc ,  t t _ loop,T ,i i _ available (3.27) 3.3.4.6 Bất phương trình giới hạn trạng thái sạc xả

Trong một thời điểm không đồng thời diễn ra hai quá trình sạc và xả it it x +y 1,  t a ,d ,ii i  i _ available (3.28) 3.3.4.7 Bất phương trình giới hạn thời gian sạc xả

EV không sạc điện trước khi đến hoặc sau khi đi khỏi bãi gửi xe xit =0,  i i _ available, t   d i t a i (3.29)

EV không xả điện trước khi đến hoặc sau khi đi khỏi bãi gửi xe yit =0,  i i _ available, t   d i t a i (3.30) 3.3.4.8 Phương trình xác định trạng thái sạc xả của EV

Xác định trạng thái sạc xả của EV i tại thời điểm t EV sạc khi mdit = 1, EV xả khi mdit = -1, EV ở trạng thái chờ khi mdit = 0 it it it md =x −y ,  t a ,d ,ii i  i _ available (3.31) 3.3.4.9 Phương trình giới hạn dung lượng còn thiếu (áp dụng cho kịch bản A.2) zi 0,  i i _ available (3.32)

Như vậy, quá trình mô hình hóa bài toán hoàn thành, tất cả các hàm mục tiêu, hàm ràng buộc đã được miêu tả chi tiết.

PHƯƠNG PHÁP ROLLING HORIZON OPTIMIZATION

Lí do chọn phương pháp RHO

Nhìn vào các nghiên cứu lập kế hoạch EV trực tuyến trước đây, có thể thấy rằng hầu hết các nhà nghiên cứu đều sử dụng các thuật toán heuristic hoặc meta heuristic để mô hình hóa mô hình động quá trình sạc xả EV Các thuật toán này không đảm bảo sẽ cho một kết quả tối ưu toàn cục

Một trong những mục tiêu của luận văn này là để có được một giải pháp tối ưu ngay cả đối với vấn đề lập kế hoạch trực tuyến của EV Phương pháp sử dụng để đạt được mục tiêu này là tiếp cận bằng RHO Do đó, RHO được dùng trong việc phát triển thuật toán tối ưu hóa trực tuyến trong luận văn.

Giới thiệu phương pháp

Thuật ngữ Rolling Horizon (RH) được sử dụng để miêu tả một mô hình phụ thuộc thời gian được giải quyết lặp đi lặp lại và trong đó khoảng thời gian lập kế hoạch được chuyển tiếp trong mỗi bước của giải pháp

Hình 4-1: Lập lịch trình trong RHO

Rolling Horizon xuất hiện từ những năm 1960 và 1970, trong thời kỳ mà các hệ thống sản xuất và quản lý chuỗi cung ứng trở nên phức tạp hơn và cần phải quản lý hiệu quả hơn

Ban đầu, nó được sử dụng chủ yếu trong lập kế hoạch sản xuất và quản lý kho Điều này bao gồm việc lập kế hoạch cho các nguồn lực sản xuất, quản lý hàng tồn kho và phân phối sản phẩm Trong các ngành công nghiệp nơi mà cung và cầu thay đổi nhanh chóng, việc lập kế hoạch truyền thống thường không đủ linh hoạt để đối phó với sự biến động Rolling Horizon được phát triển như một giải pháp cho vấn đề này

Theo thời gian, phương pháp này được mở rộng và áp dụng trong nhiều lĩnh vực khác như quản lý dự án, tài chính, lập kế hoạch nguồn lực doanh nghiệp và quản lý năng lượng Sự phát triển của công nghệ máy tính và thuật toán tối ưu hóa đã làm tăng khả năng áp dụng Rolling Horizon trong các hệ thống phức tạp, cho phép nó xử lý dữ liệu lớn và cung cấp quyết định tối ưu hóa nhanh chóng

Ngày nay, Rolling Horizon là một công cụ quan trọng trong lĩnh vực quản lý chuỗi cung ứng và hoạch định tài nguyên, giúp các tổ chức đưa ra quyết định nhanh chóng và linh hoạt dựa trên dữ liệu và thông tin cập nhật

Tóm lại, phương pháp Rolling Horizon thường áp dụng khi các quyết định ngắn hạn lặp lại (ví dụ: trong vài giờ hoặc vài ngày) được đưa vào chiến lược dài hạn (ví dụ: ngày, tháng hoặc năm).

Cơ sở lý thuyết

Dưới đây là những điểm chính của kỹ thuật này:

- Phân chia thời gian thành các đoạn: Trong Rolling Horizon Optimization, thời gian được chia thành các kỳ hoặc giai đoạn, gọi là thời đoạn Mỗi thời đoạn là một khoảng thời gian nhất định, có thể là một giờ, một tuần, một tháng, hoặc một năm

- Tối ưu hóa từng giai đoạn: Trong mỗi thời đoạn, một bài toán tối ưu hóa được giải quyết dựa trên thông tin hiện có và dự báo cho giai đoạn đó Các quyết định được đưa ra tối ưu cho kỳ hiện tại và có thể ảnh hưởng đến các kỳ tiếp theo

- Cập nhật và lặp lại: Khi thời đoạn hiện tại kết thúc, mô hình tối ưu hóa được cập nhật với dữ liệu mới và quá trình tối ưu hóa được lặp lại cho thời đoạn tiếp theo Điều này cho phép tích hợp thông tin mới và điều chỉnh kế hoạch dựa trên những thay đổi trong môi trường hoặc dự báo

- Lợi ích: Phương pháp này giúp giải quyết các vấn đề phức tạp mà không cần phải xem xét toàn bộ chuỗi thời gian một cách chi tiết từ đầu Nó cung cấp sự linh hoạt để điều chỉnh kế hoạch theo thời gian, đồng thời giảm bớt sự không chắc chắn và độ phức tạp trong quy hoạch dài hạn

- Ứng dụng: Rolling Horizon Optimization được sử dụng rộng rãi trong nhiều lĩnh vực như quản lý chuỗi cung ứng, quản lý sản xuất, tài chính, và lập kế hoạch về năng lượng.

Lưu đồ thực hiện

Ý tưởng là giải quyết vấn đề theo một kế hoạch đã chọn dựa trên những hiểu biết ở hiện tại về tương lai Nhưng chỉ những quyết định tức thời là cố định, trong khi các quyết định kế tiếp được xem xét lại ở bước tối ưu hóa tiếp theo với thông tin mới được cập nhật

Bước 1: Tổng hợp tất cả thông tin đầu vào, thông tin cần thiết hoặc liên quan để xây dựng và giải bài toán lập lịch trình, bao gồm số lượng vòng lặp sẽ thực hiện Bước 2: Đây là bước đầu tiên trong vòng lặp Rolling Horizon Thực hiện xây dựng mô hình toán khi dùng Rolling Horizon dựa trên các thông tin ban đầu, mô hình toán đã thiết lập trước đó bao gồm hàm mục tiêu, ràng buộc và các biến, chỉ số Bước 3: Giải mô hình toán đã xây dựng ở Bước 2 để có được bộ nghiệm trong thời đoạn này Lưu và cập nhật các nghiệm vào mô hình để chuẩn bị cho vòng lặp tiếp theo (nếu có) Cập nhật chỉ số thời gian

Bước 4: Kiểm tra chỉ số (vừa cập nhật ở Bước 3) để xác định thời đoạn tiếp theo có nằm trong tập các thời đoạn cần lập lịch trình hay không Nếu có, chuyển tới Bước

2 và thực hiện vòng lặp mới Nếu không, thoát khỏi vòng lặp, chuyển tới Bước 5 Bước 5: Xử lí số liệu kết quả các vòng lặp Xuất kết quả Kết luận hoàn thành lập lịch trình tối ưu toàn cục

Trình tự thực hiện Rolling Horizon Optimization như lưu đồ Hình 4-2.

Áp dụng RHO vào bài toán lịch trình sạc xả EV

Cách tiếp cận bằng phương pháp RHO chia nhỏ kế hoạch trong 48 thời đoạn thành các kế hoạch đơn giản hơn trong từng thời đoạn ngắn đó

Thuật toán lập kế hoạch trực tuyến được phát triển dựa trên cách tiếp cận RHO được mô tả trong Hình 4-3

Xác định dữ liệu vào, khoảng ngày dự báo,…

Xây dựng mô hình của bài toán tối ưu

Giải bài toán tối ưu

Giải thuật RHO hoàn tất?

Kết luận nhận được kết quả tối ưu hóa toàn cục

Hình 4-3: Lưu đồ thuật toán lập lịch trình sạc xả EV trực tuyến sử dụng RHO

Trong thuật toán lập kế hoạch trực tuyến, theo từng giai đoạn, khi EV vào bãi gửi xe thì bộ tổng hợp sẽ có được các dữ liệu đầu vào của EV Dữ liệu này bao gồm: thời gian đến của EV, SOC ban đầu, thời gian đi dự kiến, SOC mong muốn, loại EV, dung lượng pin của EV Các tham số được sử dụng trong thuật toán giống với các tham số được sử dụng để mô hình hóa toán học trong phần 3.3.2

Thuật toán bắt đầu ở giai đoạn 1 (t = 1) Sau đó, thuật toán kiểm tra xem có bất kỳ chiếc xe nào đang tồn tại trong hệ thống hay không Tính khả dụng của xe được xác định bởi t ≥ ai và t ≤ di Điều này có nghĩa là thời gian đến của xe phải trước thời điểm của hệ thống hiện tại và thời gian khởi hành của nó phải sau thời điểm t hiện tại Nếu không có EV nào tại thời đoạn t đó, thuật toán chuyển sang thời đoạn tiếp theo Ngược lại, nếu có một số các phương tiện có sẵn trong hệ thống, mô hình thêm chúng vào danh sách i_available Thuật toán nhận được các thông số đầu vào của EV và chuyển sang lấy thông tin EV tiếp theo ở cùng thời đoạn Điều này sẽ tiếp tục thực hiện tới khi thực hiện xong cho EV cuối cùng trong hệ thống tại thời điểm đó

Trong bước tiếp theo, thuật toán sẽ gửi thông tin đến mô hình tối ưu hóa toán học để xác định các kế hoạch sạc xả tối ưu cho các EV đó Mô hình tối ưu hóa đã được mô tả trong phần 3.3

Dựa vào cấu trúc hàm mục tiêu xác định đây là bài toán dạng Hỗn hợp số nguyên tuyến tính (Mixed-Integer Linear Programming – MILP) Cũng giống như chế độ ngoại tuyến, hai kịch bản sẽ được xem xét giải quyết trong mô hình trực tuyến Sau khi lưu trữ các kế hoạch sạc xả cho các phương tiện hiện có sẵn trong bãi xe, thuật toán cập nhật các thông số hệ thống và làm cho ma trận i_available trống một lần nữa Chuyển sang giai đoạn tiếp theo, các phương tiện khác nhau (mới hoặc cũ) nhập lại vào hệ thống và nhận được lịch trình sạc xả cho giải đoạn tiếp theo sau đó Tới đây, quá trình giải bài toán tối ưu tương tự dựa trên công thức ở tiểu mục 3.3.3 và 3.3.4 Chương trình thực hiện các vòng lặp cho tới thời đoạn cuối cùng t = 48 Sau khi hoàn thành 48 vòng lặp, thuật toán lưu trữ kế hoạch sạc xả của 48 thời đoạn và xử lí số liệu trước khi xuất ra thành bảng dạng tệp tin excel Trong bước xử lí số liệu này, các thông tin và kết quả được tổng hợp theo từng thời đoạn t, theo từng EV và theo các quy định khác nhằm thuận tiện trình bày kết quả một cách khoa học, dễ hiểu.

KẾT QUẢ

Dữ liệu đầu vào

Để kiểm tra tính hiệu quả của các mô hình lập kế hoạch ngoại tuyến và trực tuyến được đề xuất thì sẽ áp dụng phương pháp này vào vận hành một bãi gửi xe thông minh, một ví dụ số tương ứng được tạo ra

Các trụ sạc trong bãi gửi xe là loại sạc DC 30kW

Hình 5-1: Trụ sạc DC 30kW thương hiệu Vinfast [22]

Bảng 5-1: Dung lượng khả dụng xe điện Vinfast [23]

Xe Dung lượng khả dụng

Vinfast VF9 – pin SDI 92 kWh

Chọn công suất cơ sở Pbase = 30 kW, điện áp cơ sở Vbase = 400 V Điện năng cơ sở E base 0kW 0,5h kWh (tính mỗi 30 phút) (5.33) Dung lượng pin khả dụng các loại EV cụ thể:

Sau đó, viết chương trình để tạo ngẫu nhiên một bộ thông tin đầu vào của các

EV khi tham gia bãi gửi xe [PHỤ LỤC 1 - A] với các điều kiện như sau:

- Chia 24 giờ thành 48 thời đoạn, mỗi đoạn 30 phút, ta có t thuộc đoạn [1, 48]

- EV gồm 4 loại VFe34, VF6, VF7, VF9; dung lượng pin khả dụng xấp xỉ 3 pu,

4 pu, 5 pu, 6 pu; đặt dung lượng pin tối thiểu lần lượt là 1 pu, 1 pu, 2 pu, 2 pu

- Số lượng EV vào tại mỗi thời đoạn là ngẫu nhiên và nằm trong đoạn [1, 5]

- Thời gian EV ra khỏi trạm là ngẫu nhiên và nằm trong đoạn [a, 48]

Chạy chương trình trên, ta được bảng thông số đầu vào của 160 EV được tạo ngẫu nhiên [PHỤ LỤC 2 - A] Việc sử dụng bãi đậu xe trong 48 thời đoạn được quy hoạch như trong Hình 5-2, Hình 5-3, Hình 5-4, Hình 5-5 và Hình 5-6

Hình 5-2: Số EV mới vào trạm ở thời điểm t

Số EV vào trạm ở thời điểm t

Hình 5-3: Số EV trong trạm ở thời điểm t Bảng 5-2: Số EV trong trạm ở thời điểm t t 1 2 3 4 5 6 7 8 9 10 11 12

Số EV trong trạm ở thời điểm t

Hình 5-4: Tần suất xuất hiện các loại EV

Hình 5-5: Tần số phân bổ asoc

Hình 5-6: Tần số phân bổ dsoc

Hình 5-7: asoc và dsoc của 32 EV (20%) lấy ngẫu nhiên

5.1.3 Chi phí sạc xả EV

Chi phí sạc xả xe điện sẽ được tính dựa trên biểu giá mua bán điện với công ty điện lực theo quy định pháp luật

Bãi gửi xe thông minh được xác định mục đích sử dụng điện là kinh doanh, mua điện từ cấp điện áp 22kV, do đó áp dụng biểu giá mua điện như Bảng 5-3

Bảng 5-3: Giá mua điện kinh doanh, cấp điện áp từ 6kV đến dưới 22kV [24]

Thời điểm Giá mua điện EVN (VNĐ/kWh)

Giờ cao điểm 4736 Để áp dụng giá mua điện vào trong mô hình toán, cần quy đổi đơn vị hiện hữu về đơn vị cơ sở cho phù hợp

- Giờ bình thường: 1 VND VND VND c 2830 2830 15 42450 kWh 15kWh pu

SOC khi vào SOC khi ra

- Giờ thấp điểm: 2 VND VND VND c 1666 1666 15 24990 kWh 15kWh pu

- Giờ cao điểm: 3 VND VND VND c 4736 4736 15 71040 kWh 15kWh pu

Sau khi quy đổi giá mua điện đơn vị VNĐ/kWh sang tính trên mỗi đơn vị năng lượng được sạc VNĐ/pu, ta có Bảng 5-4

Bảng 5-4: Giá hệ thống V2G mua điện từ EVN

Thời điểm Giá mua điện EVN (VNĐ/pu)

Hiện tại, các cơ quan hữu quan ở Việt Nam vẫn chưa có chính sách, quy định cụ thể về giá bán điện cho hệ thống trạm sạc phát ngược điện lên lưới Tuy nhiên, chủ trương của ngành điện từ trước đến nay vẫn là phát triển nguồn đáp ứng nhu cầu phụ tải, đảm bảo cung cấp điện liên tục và vận hành ổn định hệ thống điện Với sự tham gia điều tiết nhu cầu phụ tải theo giờ của hệ thống V2G (sạc EV giờ thấp điểm, EV xả điện giờ cao điểm) sẽ chia sẻ bớt gánh nặng phát triển nguồn của EVN

Ngoài ra, với việc vừa có 200 nước thành viên thông qua thỏa thuận chung lịch sử về hạn chế nhiên liệu hóa thạch tại Hội nghị lần thứ 28 các bên tham gia Công ước khung của Liên hợp quốc về biến đổi khí hậu (COP28), dự đoán trong tương lai tới đây việc sử dụng xe chạy bằng điện cũng như các công nghệ liên quan (V2G) sẽ được khuyến khích phát triển hơn nữa

Do đó, đặt giả thuyết rằng EVN sẽ khuyến khích sự tham gia vào lưới điện của hệ thống V2G bằng cách tính giá bán điện giờ cao điểm của V2G bằng với giá mua điện của EVN giờ cao điểm (71040 VNĐ/pu), và giá V2G bán điện các khung giờ còn lại bằng 90% giá mua điện từ EVN Sau khi quy đổi sang chi phí cho mỗi đơn vị năng lượng, có Bảng 5-5

Bảng 5-5: Giá hệ thống V2G bán điện lên lưới

Thời điểm Giá bán điện EVN (VNĐ/pu)

Hình 5-8: Đồ thị chi phí sạc xả EV (VNĐ/pu)

5.1.4 Thông số khác của hệ thống V2G và lưới điện

- Giả sử MBA cấp nguồn cho bãi gửi xe thông minh có SMBA = 2000 KVA

- Giới hạn công suất lưới MBA

- Đặt mức phạt do không đạt SOC theo yêu cầu khách hàng là 75000 VNĐ/pu (xấp xỉ giá mua điện của EVN trong khung giờ cao điểm)

Giải mô hình

Sử dụng thư viện Pyomo của Python mô hình hóa bài toán với các chỉ số, tham số, biến số, hàm mục tiêu, các ràng buộc và thiết lập quan hệ các phần tử như đã nhắc đến trong tiểu mục 3.2 và 3.3

Chi phí sạc Chi phí xả

Lập trình Python trên môi trường phát triển Spyder Viết chương trình giải bài toán dạng MILP bằng công cụ CPLEX của IBM [PHỤ LỤC 1 - B, C, D, E]

Trong quá trình giải mô hình, thực hiện đồng thời vi kiểm tra trạng thái giải của bộ giải (solver) có thành công không, kiểm tra điều kiện kết thúc của quá trình giải có phải do tìm được lời giải tối ưu không Nếu cả hai điều kiện trên đều được thỏa mãn, tức là mô hình đã được giải quyết thành công và kết quả là lời giải tối ưu đảm bảo thỏa mãn các ràng buộc trong mô hình, thì đoạn code sẽ in ra thông báo “Mô hình đã được giải quyết thành công” hoặc “Mô hình tại thời điểm t đã được giải quyết thành công.”

Kết quả đạt được

Sau khi chạy đoạn mã, chương trình cho kết quả: “Mô hình đã được giải quyết thành công Chi phí tối đa thu được là: 15693675.0 VNĐ”

Hình 5-9: Công suất sạc xả hệ thống V2G trong 48 thời đoạn của kịch bản A.1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 Tổng công suất sạc 0 1 0 0 2 2 6 8 0 0 1 1 6 5 6 4 5 6 8 0 7 5 0 3 3 5 5 5 5 6 6 7 12 6 0 6 18 0 0 0 0 0 0 0 0 0 0 0 Tổng công suất xả 0 2 2 1 1 2 2 1 11 11 6 6 2 1 4 2 2 1 0 35 31 29 34 1 2 2 4 2 6 2 2 0 2 2 36 33 14 27 23 9 1 6 2 7 3 3 5 5

Hình 5-10: Lịch trình sạc xả hệ thống V2G trong 48 thời đoạn của kịch bản A.1

-40-30-20-1001020 Đồ thị đường Hình 5-10 thể hiện chiều sạc của hệ thống V2G vào lưới là tập hợp các đỉnh nhọn, nhỏ, biên độ thấp (tối đa bằng 10 pu ở t = 33) cho thấy pha sạc

EV trong kịch bản này diễn ra cầm chừng Trong khi đó, đồ thị phía xả tuy thời gian diễn ra hẹp nhưng đỉnh xả sâu (tối đa bằng 36 pu ở t = 35) cho thấy pha EV xả diễn ra sôi động và là cách hoạt động chính của hệ thống EV Thống kê chỉ ra có 54% (25/48) thời điểm hệ thống V2G ở trạng thái xả điện lên lưới

Quan sát đồ thị Hình 5-9 và Hình 5-10 có thể thấy kết quả ưu tiên xả tối đa điện năng ở các khung thời gian cao điểm ban ngày thời đoạn từ 20 tới 23 (9 giờ 30 tới 11 giờ 30) và cao điểm ban đêm thời đoạn từ 35 tới 40 (17 giờ tới 20 giờ) Trong các thời đoạn khác, hệ thống điều khiển sạc xả EV phù hợp, mục đích tích trữ điện năng ở những khung thời gian có chi phí mua điện thấp để chờ phát điện ngược lại vào lưới ở những thời điểm có chi phí bán điện cao

Hình 5-11: Tương quan giá điện và trạng thái sạc xả hệ V2G kịch bản A.1

Tổng dung lượng của tất cả EV khi vào là 475 pu Theo nhu cầu của chủ EV, tổng dung lượng của tất cả EV khi ra khỏi bãi gửi xe là 670 pu Nghĩa là sau quá trình sạc xả hệ V2G cần nhận thêm 195 pu Thực tế, lần lượt tổng điện năng sạc và xả trong

48 giai đoạn là 160 pu và 385 pu Vậy sau quá trình sạc xả, hệ V2G phát lên lưới 225 pu Tổng điện năng hệ thống bị thiếu so với nhu cầu của chủ EV là 420 pu

Sở dĩ có sự chênh lệch rất lớn giữa nhu cầu của khách hàng và dsoc thực tế là

Chi phí sạc Chi phí xả Chiều sạc (+)/ xả (-) vì hàm mục tiêu của kịch bản A.1 nhắm tới tối đa hóa lợi nhuận có được sau quá trình sạc xả mà không đề cập tới việc đảm bảo đạt được dsoc

Bảng 5-6: Số lượt xuất hiện ứng với các giá trị z ở kịch bản A.1

Có thể thấy 100% các EV không đạt được mức dsoc như mong muốn khách hàng (số lượt xuất hiện bằng 0 khi giá trị z là 0)

Bảng 5-7: Số lượt xuất hiện ứng với các giá trị dsoc thực tế ở kịch bản A.1

Số lượt xuất hiện 80 72 6 2 0 0 Đa số giá trị dsoc của các EV có giá trị là 1 hoặc 2 (152/160 EV, chiếm 95%) Nhìn chung, lịch trình sạc xả mang tính chất mua đáy bán đỉnh, lợi dụng chênh lệch giá tạo lợi nhuận hơn là lưu trữ năng lượng cho EV hoạt động

Hình 5-12: Tương quan số EV trong bãi xe và tham gia sạc xả kịch bản A.1

Sau khi chạy đoạn mã, chương trình cho kết quả: “Mô hình đã được giải quyết thành công Chi phí tối đa thu được là: -2808180.0 VNĐ”

Số EV trong bãi xe Số EV tham gia sạc xả

Hình 5-13: Công suất sạc xả hệ thống V2G trong 48 thời đoạn của kịch bản A.2

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 Tổng công suất sạc 0 0 2 2 0 3 10 13 0 3 1 3 1 6 2 7 6 12 24 1 15 7 6 20 9 5 6 9 10 11 9 13 17 28 0 13 22 19 12 5 16 8 11 11 22 14 15 12 Tổng công suất xả 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 30 21 27 33 0 0 0 0 0 0 0 0 0 0 0 33 23 12 18 21 18 0 4 0 5 0 0 0 0

Hình 5-14: Lịch trình sạc xả hệ thống V2G trong 48 thời đoạn của kịch bản A.2

-40-30-20-10010203040 Đồ thị đường Hình 5-14 thể hiện chiều sạc của hệ thống V2G vào lưới là tập hợp các đỉnh nhọn, rộng, biên độ tương đối cao (tối đa bằng 28 pu ở t = 34) cho thấy pha sạc EV trong kịch bản này đã diễn ra sôi nổi, tích cực hơn so với kịch bản A.1 Trong khi đó, đồ thị phía chiều xả có nhiều đỉnh hẹp, nhọn, đỉnh xả không quá sâu như ở kịch bản A.1 (tối đa bằng 33 pu ở t = 35) cho thấy pha EV xả không quá mạnh mà còn có phần yếu hơn so với pha sạc Thống kê cho thấy chỉ có 19% (9/48) thời điểm hệ thống V2G ở trạng thái xả điện lên lưới

Quan sát đồ thị Hình 5-13 và Hình 5-14 có thể thấy kết quả vẫn ưu tiên xả tối đa điện năng ở các khung thời gian cao điểm ban ngày thời đoạn từ 20 tới 23 (9 giờ

30 tới 11 giờ 30) và cao điểm ban đêm thời đoạn từ 35 tới 40 (17 giờ tới 20 giờ) tương tự như kịch bản A.1 Tuy nhiên, ở các thời đoạn khác, hệ thống tập trung điều khiển sạc EV Mục đích vừa để tích trữ điện năng ở những khung thời gian có chi phí mua điện thấp để chờ phát điện ngược lại vào lưới ở những thời điểm có chi phí bán điện cao, vừa đảm bảo thỏa mãn được yêu cầu về dsoc của chủ EV

Hình 5-15: Tương quan giá điện và trạng thái sạc xả hệ V2G kịch bản A.2

Tương tự như kịch bản A.1, tổng dung lượng của tất cả EV khi vào là 475 pu Theo nhu cầu của chủ EV, tổng dung lượng của tất cả EV khi ra khỏi bãi gửi xe là

670 pu Nghĩa là sau quá trình sạc xả hệ V2G cần nhận thêm 195 pu Tuy nhiên ở kịch bản này, lần lượt tổng điện năng sạc và xả trong 48 giai đoạn là 441 pu và 246

Chi phí sạc Chi phí xả Chiều sạc (+)/ xả (-) A.2 pu Vậy sau quá trình sạc xả, hệ V2G nhận từ lưới 195 pu Tổng điện năng hệ thống bị thiếu so với nhu cầu của chủ EV là 0 pu

Lí do mà kết quả kịch bản A.2 đáp ứng yêu cầu về dsoc của chủ EV là vì hàm mục tiêu của kịch bản này được bổ sung thêm điều kiện tuân thủ dsoc do chủ EV yêu cầu song song với tối đa hóa lợi nhuận

Bảng 5-8: Số lượt xuất hiện ứng với các giá trị z ở kịch bản A.2

Có thể thấy 100% các EV đạt được mức dsoc như mong muốn khách hàng (số lượt xuất hiện là 160/160 khi giá trị z bằng 0)

Bảng 5-9: Số lượt xuất hiện ứng với các giá trị dsoc thực tế ở kịch bản A.2

Nhìn chung, lịch trình sạc xả vẫn mang tính chất mua đáy bán đỉnh, lợi dụng chênh lệch giá tạo lợi nhuận Tuy nhiên, kịch bản vẫn đảm bảo điều kiện dung lượng sau sạc, đáp ứng cả nhu cầu lưu trữ điện năng cho EV hoạt động

Hình 5-16: Tương quan số EV trong bãi xe và tham gia sạc xả kịch bản A.2

Số EV trong bãi xe Số EV tham gia sạc xả

Hình 5-17: Trạng thái sạc xả của hệ V2G kịch bản A.1 và A.2

Đánh giá kết quả

Ở phần 5.3.1.3 và 5.3.2.3, luận văn đã so sánh kết quả bài toán tối ưu hai kịch bản cùng loại lịch trình (ngoại tuyến hoặc trực tuyến) Tuy nhiên, để ý rằng kết quả chi phí tối ưu của những kịch bản khác lịch trình nhưng có cùng hàm mục tiêu thì bằng nhau Sau đây, luận văn thực hiện so sánh và đánh giá các cặp kịch bản này

Chiều sạc (+)/ xả (-) B.1 Chiều sạc (+)/ xả (-) B.2

5.4.1 So sánh kịch bản A.1 và B.1

Kịch bản A.1 và B.1 có hàm mục tiêu tương tự nhau, song khác nhau về tập chỉ số i và t Kịch bản A.1 giải mô hình 01 lần với mọi giá trị i và t được khai báo Trong khi đó, kịch bản B.1 giải mô hình 48 lần (t lần), mỗi vòng lặp giải với i là tập các EV có trong bãi xe và t có giá trị từ thời đoạn hiện tại tới thời đoạn thứ 48

Hình 5-27: Trạng thái sạc xả của hệ V2G kịch bản A.1 và B.1

Kết quả cho thấy kịch bản A.1 và B.1 có chiều hướng phân bố công suất sạc xả tương tự nhau ở các thời đoạn Cụ thể ở hai kịch bản, hệ thống V2G đều xả điện lên lưới mạnh vào các khung giờ cao điểm Các khung giờ còn lại, hệ thống V2G sạc xả luân phiên phù hợp với mục đích tích trữ điện năng vào EV và xả ra lúc cao điểm Từ thời đoạn 40 trở đi, hệ V2G tập trung xả cạn tới mức dung lượng tối thiểu của mỗi

EV, không sạc thêm điện trong giai đoạn này

Vì kịch bản A.1 giải bài toán tĩnh, đơn vị quản lý đã biết trước thông tin EV, thời điểm xe ra vào bãi gửi và thông tin lưới điện Do đó, kết quả của kịch bản A.1 là kết quả tối ưu tốt nhất cho bộ 160 EV ở ví dụ số này Ở chiều ngược lại, kịch bản B.1 giải bài toán động Đơn vị quản lý chỉ biết thông tin lưới điện Thông tin EV không được biết trước mà sẽ được cập nhật tại từng thời đoạn sau khi EV vào bãi gửi xe Vì vậy, kết quả của kịch bản B.1 là tập hợp các kết quả tối ưu trong từng khoảng thời gian chương trình chạy mô phỏng, và giá trị chi

Chiều sạc (+)/ xả (-) A.1 Chiều sạc (+)/ xả (-) B.1 phí tối ưu khi vận hành sạc xả hệ thống V2G trong kịch bản B.1 không thể cao hơn chi phí ở kịch bản A.1

Thực tế, giá trị chi phí tối ưu khi vận hành sạc xả hệ thống V2G của kịch bản B.1 giải được bằng đúng kết quả ở kịch bản A.1 (15,693,675.0 VNĐ) thể hiện rằng mô hình động đã được lập và giải hiệu quả, có kết quả tương tự như kết quả của mô hình tĩnh Do đó, sử dụng mô hình động đã xây dựng để giải bài toán cho các tập hợp

EV khác là đáng tin cậy

5.4.2 So sánh kịch bản A.2 và B.2

Kịch bản A.2 và B.2 có hàm mục tiêu tương tự nhau, song khác nhau về tập chỉ số i và t Kịch bản A.2 giải mô hình 01 lần với mọi giá trị i và t được khai báo Trong khi đó, kịch bản B.2 giải mô hình 48 lần (t lần), mỗi vòng lặp giải với i là tập các EV có trong bãi xe và t có giá trị từ thời đoạn hiện tại tới thời đoạn thứ 48

Hình 5-28: Trạng thái sạc xả của hệ V2G kịch bản A.2 và B.2

Kết quả cho thấy kịch bản A.2 và B.2 có chiều hướng phân bố công suất sạc xả tương tự nhau ở các thời đoạn Cụ thể ở hai kịch bản, hệ thống V2G đều xả điện lên lưới mạnh vào các khung giờ cao điểm Các khung giờ còn lại, hệ thống V2G tập trung sạc EV để đảm bảo đạt dsoc theo yêu cầu chủ phương tiện Từ thời đoạn 40 trở đi, hệ V2G tập trung sạc đầy pin toàn bộ EV có trong bãi gửi, không xả thêm điện trong giai đoạn này

Chiều sạc (+)/ xả (-) A.2 Chiều sạc (+)/ xả (-) B.2

Vì kịch bản A.2 giải bài toán tĩnh, đơn vị quản lý đã biết trước thông tin EV, thời điểm xe ra vào bãi gửi và thông tin lưới điện Do đó, kết quả của kịch bản A.2 là kết quả tối ưu tốt nhất cho bộ 160 EV ở ví dụ số này Ở chiều ngược lại, kịch bản B.2 giải bài toán động Đơn vị quản lý chỉ biết thông tin lưới điện Thông tin EV không được biết trước mà sẽ được cập nhật tại từng thời đoạn sau khi EV vào bãi gửi xe Vì vậy, kết quả của kịch bản B.2 là tập hợp các kết quả tối ưu trong từng khoảng thời gian chương trình chạy mô phỏng, và giá trị chi phí tối ưu khi vận hành sạc xả hệ thống V2G của kịch bản B.2 không thể lớn hơn chi phí ở kịch bản A.2

Thực tế, giá trị chi phí tối ưu khi vận hành sạc xả hệ thống V2G của kịch bản B.2 giải được bằng đúng kết quả ở kịch bản A.2 (-2,808,180.0 VNĐ) thể hiện rằng mô hình động đã được lập và giải hiệu quả, có kết quả tương tự như kết quả của mô hình tĩnh Do đó, sử dụng mô hình động đã xây dựng để giải bài toán cho các tập hợp

EV khác là đáng tin cậy.