یک شبکه شارژ سریع با محدودیت ظرفیت بهینه برای کامیون‌های برقی باتری‌دار در آلمان

کامیون‌های برقی باتری‌دار (BET) انتشار گازهای گلخانه‌ای را در بخش حمل و نقل کاهش می‌دهند، اما به زیرساخت‌های شارژ عمومی نیاز دارند. شبکه‌های شارژ سریع کامیون در مطالعات و کشورهای مختلف برنامه‌ریزی شده‌اند. با این حال، مطالعات بهینه‌سازی زیرساخت شارژ موجود، محدودیت‌های واقعی مربوطه، مانند اندازه پارکینگ‌ها یا برق شبکه موجود را نادیده می‌گیرند و منجر به نتایج غیرواقعی می‌شوند. در اینجا، ما یک شبکه شارژ سریع عمومی حداقلی برای BET در آلمان با محدودیت‌های ظرفیت واقعی در دنیای واقعی استخراج می‌کنیم. ما محدودیت‌های ظرفیت را به یک مدل مکان سوخت‌گیری جریان (FRLM) اضافه می‌کنیم که بهینه‌سازی را چالش برانگیزتر می‌کند زیرا دیگر برای اطمینان از اینکه هر مسیر قابل پیمایش است کافی نیست، بلکه باید مشخص شود که کدام وسیله نقلیه از کدام مکان شارژ استفاده می‌کند. این محدودیت به صورت حداکثر تعداد وسایل نقلیه ساعتی که می‌توانند در هر مکان سرویس‌دهی شوند، پیاده‌سازی شده و از طریق نظریه صف‌بندی از جریان‌های ترافیک محلی به دست می‌آید. یافته‌های ما ورودی‌هایی را برای دولت‌ها و برنامه‌ریزان زیرساخت شارژ عمومی فراهم می‌کند. این نتایج نشان می‌دهد که مکان‌های شارژ اولیه بزرگ با موقعیت مناسب می‌توانند سهم قابل توجهی از ترافیک BET را پوشش دهند.

مقدمه

بخش حمل و نقل، که مسئول یک چهارم انتشار گازهای گلخانه‌ای اتحادیه اروپا (EU) است، تنها بخشی است که انتشار گازهای گلخانه‌ای در آن در دو دهه گذشته کاهش نیافته است. وسایل نقلیه سنگین (HDV) که وزن ناخالص خودرو آنها بیش از 3.5 تن است، مسئول 7 درصد از انتشار گازهای گلخانه‌ای اتحادیه اروپا هستند (Eurostat، 2022). برای کاهش انتشار گازهای گلخانه‌ای در بخش حمل و نقل و رسیدن به شرایط خنثی از نظر آب و هوا تا سال 2050، اتحادیه اروپا اقداماتی را برای حمل و نقل بار سنگین جاده‌ای نیز اجرا کرده است. این اقدامات، از جمله، شامل استاندارد عملکرد انتشار در سطح بنگاه برای وسایل نقلیه جدید و دستورالعمل‌های زیرساختی است. استاندارد عملکرد انتشار 2030 مستلزم کاهش 30 درصدی انتشار CO2 تولید شده در طول عملیات HDV تازه ثبت شده با جرم بار 16 تن در مقایسه با سطوح فعلی است (EU، 2019). تجزیه و تحلیل‌ها نشان می‌دهد که برای رسیدن به هدف، سهمی بین ۴ تا ۲۲ درصد از کامیون‌های بدون آلایندگی (ZET)، یعنی کامیون‌های برقی پیل سوختی (FCET) یا کامیون‌های برقی باتری‌دار (BET)، ضروری است (Breed و همکاران، ۲۰۲۱). به موازات آن، اتحادیه اروپا (EU) بر اهمیت زیرساخت‌های عمومی برای ZET تأکید می‌کند و نصب ایستگاه‌های سوخت‌گیری هیدروژن و ایستگاه‌های شارژ را در امتداد مهم‌ترین کریدورهای اروپایی، یعنی شبکه TEN-T، پیشنهاد می‌دهد (EU، ۲۰۲۳).

نظرسنجی‌های کاربران، نیاز به زیرساخت‌های توسعه‌یافته مناسب برای وسایل نقلیه با سوخت جایگزین (AFV) را از دیدگاه صنعت حمل و نقل نشان می‌دهد. یک نظرسنجی در میان 70 شرکت لجستیکی در آلمان، زیرساخت را به عنوان یکی از نیازهای اصلی کاربران شناسایی کرد (Kluschke و همکاران، 2019). در کالیفرنیا، یک نظرسنجی در میان 20 شرکت لجستیکی نیز زیرساخت سوخت را به عنوان یکی از سه عامل تکرارشونده مؤثر بر پذیرش سوخت جایگزین شناسایی کرد (Bae و همکاران، 2022). آندرهافستاد و اسپینلر (2019) با استفاده از یک مطالعه دلفی، زیرساخت‌های از دست رفته را به عنوان مانع اصلی برای ZET در آلمان شناسایی کردند.

مطالعات مختلف نشان می‌دهد که ZET از نظر اقتصادی می‌تواند با خودروهای دیزلی رقابت کند. طبق گفته نول و همکاران (2022)، رقابت‌پذیری هزینه در بخش‌های کاربردی خاصی از همین امروز نیز وجود دارد. آنها با مقایسه BET، FCET و کامیون برقی هیبریدی (HET) با پیشرانه‌های مرسوم، دریافتند که به ویژه BET پتانسیل بالایی، حتی در کاربردهای مسافت طولانی، نشان می‌دهد.

با توجه به ضرورت ZET برای دستیابی به اهداف اقلیمی اتحادیه اروپا و همچنین نقش مهم زیرساخت‌ها، این مقاله به مدل‌سازی زیرساخت شارژ سریع عمومی (توان اوج 0.8 تا 1.2 مگاوات) برای BET در آلمان می‌پردازد. با توجه به برد کمتر و همچنین مزایای اقتصادی، تمرکز بر زیرساخت BET است، اما می‌توان تحلیل را به FCET نیز منتقل کرد.

در ادامه، پیشرفت‌های اساسی در مدل‌سازی زیرساخت ارائه شده و کارهای مرتبط با کامیون‌ها تشریح شده است. طبق گفته متایس و همکاران (2022) و دب و همکاران (2018)، سه گروه اصلی از رویکردهای مدل‌سازی زیرساخت شارژ وجود دارد: مدل‌های مبتنی بر گره، مدل‌های مبتنی بر مسیر و مدل‌های مبتنی بر تور.

مدل‌های مبتنی بر گره، تقاضا را در مکان‌های خاصی که به عنوان گره در یک شبکه نمایش داده می‌شوند، مانند ساختمان‌ها یا مراکز ترافیک، فرض می‌کنند. امکانات موجود در گره‌ها می‌توانند به تقاضا در یک فاصله خاص پاسخ دهند. مدل مکان‌یابی پوشش مجموعه (SCLM)، زیرگروهی از مدل‌های مبتنی بر گره، امکانات را به گونه‌ای قرار می‌دهد که حداقل تعداد امکانات بتواند به همه تقاضاها پاسخ دهد. با استفاده از یک SCLM، تورگاس و همکاران (1971) امکانات خدمات اضطراری را قرار دادند. در مورد زیرساخت شارژ، حسینی و میرحسنی (2015) از یک SCLM با یک روش اکتشافی برای قرار دادن مکان‌های شارژ در شهرستان فنگو (چین) استفاده کردند. آنها این مدل را با نظریه صف ترکیب کردند تا ایستگاه‌های تکی را مقیاس‌بندی کنند. اسپت و همکاران (2022c) که در حال حاضر در مرحله اولیه با 15٪ باتری کامیون‌های برقی هستند، پیش‌بینی می‌کنند که 660 ایستگاه شارژ سریع عمومی در فاصله 100 کیلومتری با 3679 نقطه شارژ در اروپا ایجاد شود. ایستگاه‌های شارژ تکی به حداکثر 18 نقطه شارژ نیاز دارند. بدون در نظر گرفتن ظرفیت پارکینگ‌های محلی، این مدل تمایل دارد ایستگاه‌های شارژ بزرگ و غیرواقعی را محاسبه کند. با این حال، مدل‌های مبتنی بر گره، زیرساخت‌های شارژ را عمدتاً در مکان‌هایی قرار می‌دهند که بسیاری از شهروندان در آن زندگی می‌کنند یا بسیاری از وسایل نقلیه در آن تردد می‌کنند (Capar and Kuby, 2012). اطلاعات مربوط به نیاز واقعی شارژ وسایل نقلیه، بر اساس مسافت طی شده، نادیده گرفته می‌شود. بنابراین، مدل‌های مبتنی بر گره فقط تا حدی برای مدل‌سازی زیرساخت‌های شارژ سریع برای BET مناسب هستند.

مدل‌های مبتنی بر مسیر، حجم ترافیک در گره‌ها را در نظر نمی‌گیرند، بلکه جریان ترافیک در یک مسیر مبدا-مقصد را در نظر می‌گیرند. هاجسون (1990) مدل مکان‌یابی ثبت جریان (FCLM) را معرفی کرد که اساساً یک مدل مبتنی بر جریان از MCLM است. اگر حداقل از یک گره با زیرساخت سوخت‌گیری یا شارژ عبور شود، یک مسیر شارژ یا سوخت‌گیری مجدد می‌شود. برخلاف MCLM با داده‌های شمارش جاده، وسایل نقلیه چندین بار برای موقعیت‌یابی زیرساخت در نظر گرفته نمی‌شوند. برای در نظر گرفتن ضرورت توقف‌های متعدد، کوبی و لیم (2005) مدل مکان‌یابی سوخت‌گیری مجدد جریان (FRLM) را اختراع کردند. FRLM، همانطور که در ابتدا فرموله شده بود، مبتنی بر در نظر گرفتن هر ترکیب ممکن از مکان‌های سوخت‌گیری است. لیم و کوبی (2010) چندین روش ابتکاری را برای مدیریت زمان محاسبه پیشنهاد کردند. کاپار و کوبی (2012) و کاپار و همکاران (2013) مسئله را دوباره فرموله کردند. آنها به جای محاسبه هر ترکیب ممکن از مکان‌های سوخت‌گیری، برای هر قوس در مسیری که در گره‌ها می‌توان یک مکان سوخت‌گیری برای عبور از قوس ساخت، تعیین کردند. این امر امکان حل مسائل بزرگتر و واقعی را فراهم می‌کند. یوخم و همکاران (2019) از این رویکرد برای محاسبه یک شبکه شارژ اروپایی برای خودروهای برقی باتری‌دار با چند صد ایستگاه شارژ استفاده کردند که 128 مورد از آنها در آلمان است. برای کاهش اندازه مسئله، آنها فقط مسیرهایی را در نظر گرفتند که حداقل 5000 وسیله نقلیه در سال از آنها عبور می‌کنند. او و همکاران (2019) یک شبکه شارژ سریع برای ایالات متحده آمریکا را با استفاده از جریان‌های بین 4486 منطقه محاسبه کردند. برای کاهش پیچیدگی، آنها را در 196 منطقه خوشه‌بندی کردند. در مجموع، اندازه مسئله همچنان یک عامل حیاتی برای حل‌پذیری یک FRLM است. آپچرچ و همکاران (۲۰۰۹) انتقاد کردند که در FRLM وجود یک ایستگاه شارژ برای تأمین سوخت تمام مسیرهای عبوری کافی است. آنها یک مدل مکان‌یابی سوخت‌گیری جریان ظرفیت‌دار (CFRLM) معرفی کردند که تعداد وسایل نقلیه سوخت‌گیری شده در یک ایستگاه را محدود می‌کند. برای جلوگیری از سوخت‌گیری بیش از حد در یک ایستگاه، CFRLM – برخلاف FRLM – باید دقیقاً مشخص کند که هر وسیله نقلیه در واقع در کدام مکان سوخت‌گیری می‌کند. این امر بهینه‌سازی را بسیار دشوارتر می‌کند، به خصوص از آنجایی که آپچرچ و همکاران (۲۰۰۹) هنوز از شکل منسوخ‌شده FRLM به عنوان مبنا استفاده می‌کردند. آنها چهار ایستگاه سوخت‌گیری را در یک شبکه جاده‌ای ساده‌شده آریزونا (ایالات متحده آمریکا) متشکل از ۵۰ گره قرار دادند، با هدف به حداکثر رساندن ترافیک تحت پوشش ایستگاه‌ها. ترافیک فرامرزی حذف شد و سیستم برای مدیریت ترافیک ساعات اوج طراحی شد. با این حال، آنها اظهار داشتند که «میزان ظرفیت سوخت‌گیری مجدد که می‌تواند در هر گره ایجاد شود، بالقوه بی‌نهایت است» (آپچرچ و همکاران، ۲۰۰۹). در نسخه اولیه مدل، آنها تعداد وسایل نقلیه در هر ایستگاه را محدود کردند، اما تعداد ایستگاه‌ها در هر گره را نه. وانگ و لین (2013) از یک CFRLM برای طراحی یک شبکه شارژ برای اسکوترها در شهرستان فنگو (چین) استفاده کردند و 12 مسیر را در نظر گرفتند. ژانگ و همکاران (2018) یک شبکه منبع تغذیه را به عنوان محدودیت به CFRLM اضافه کردند و آن را در شبکه‌ای با 25 گره اعمال کردند. در حالی که مدل‌های قبلی معمولاً حداکثر تعداد وسایل نقلیه در هر ایستگاه را محدود می‌کردند، حسینی و میرحسنی (2017) میزان انرژی تحویل داده شده از یک ایستگاه را محدود کردند و عملکرد را بهبود بخشیدند. رز و همکاران (2020) FRLM را به FCET منتقل کردند و یک شبکه سوخت‌گیری هیدروژن برای آلمان با محدودیت ظرفیت برای هر گره در شبکه طراحی کردند. برای اجرای کل ناوگان کامیون‌های آلمانی با وزن ناخالص بالای 26 تن بر روی هیدروژن، آنها 2655 مسیر مبدا-مقصد را در نظر گرفتند و 142 ایستگاه سوخت‌گیری بالقوه با حداکثر 30 تن هیدروژن در روز را شناسایی کردند. از آنجایی که مجموعه داده‌ها بر ترافیک آلمان تمرکز دارد، تنها شامل چند مسیر است که باید چندین بار در طول یک سفر دوباره پر شوند. برای کاهش بیشتر پیچیدگی مدل، رز و همکاران (2020) از محاسبه سطح سوخت دقیق در هر گره خودداری کرده و قبل از محاسبه واقعی، یک مقدار متوسط ​​را تخمین زده‌اند. همانطور که توسط بوهل (2021) نشان داده شده است، این ممکن است منجر به فراتر رفتن از حداکثر سطح باک شود. با این حال، بوهل (2021) از تنظیم به نفع زمان محاسبه اجتناب می‌کند و مدل رز و همکاران (2020) را با یک رویکرد چند دوره‌ای ترکیب می‌کند. تاکنون، مشکل ایستگاه‌های بزرگ غیرواقعی برای مجموعه داده‌های کوچک یا با ساده‌سازی‌ها حل شده است. مدل‌سازی شبیه‌سازی، که به عنوان مثال توسط شومان و همکاران (2023) برای طراحی یک شبکه شارژ کامیون اروپایی و منتر و همکاران (2023) برای آلمان نشان داده شده است، نیز امکان‌پذیر است.

مدل‌های مبتنی بر تور معمولاً به مجموعه داده‌های بزرگی مانند گزارش‌های راننده یا داده‌های GPS متکی هستند. از نظر روش‌شناسی، آنها واقعاً طبقه‌بندی نمی‌شوند. با این حال، جریان‌ها را می‌توان شناسایی کرد (Metais و همکاران، 2022). به عنوان مثال، داده‌های GPS می‌توانند به عنوان داده‌های گره یا داده‌های مسیر استفاده شوند. با استفاده از داده‌های GPS از هشت میلیون سفر وسیله نقلیه برای یک MCLM و 116 مکان شارژ احتمالی، Whitehead و همکاران (2021) تا 10 مکان شارژ بهینه برای کامیون‌های مسافت کوتاه در جنوب شرقی کوئینزلند (استرالیا) شناسایی کردند. شبیه‌سازی سفرهای وسیله نقلیه، گاهی اوقات در ترکیب با رویکردهای بهینه‌سازی، برای مدل‌های مبتنی بر تور نیز معمول است. به عنوان مثال، Xi و همکاران (2013) از داده‌های سفر برای شبیه‌سازی رفتار شارژ خودروهای الکتریکی باتری بالقوه استفاده کردند و مکان‌های بهینه شارژ آهسته را در شهر کلمبوس (OH، ایالات متحده آمریکا) شناسایی کردند. از آنجایی که دسترسی به داده‌های مبتنی بر تور به دلایل حریم خصوصی دشوار است (Metais و همکاران، 2022) و می‌تواند جانبدارانه باشد، استفاده از آن برای مدل‌سازی زیرساخت‌های سراسر کشور پیچیده است.

به طور خلاصه، مدل‌های مختلف مکان‌یابی، استانداردی برای طراحی شبکه‌های شارژ و سوخت‌گیری برای وسایل نقلیه در مقالات علمی هستند و مدل‌های مبتنی بر مسیر به دلیل آگاهی از نیازهای واقعی سوخت‌گیری برای هر مسیر، از مدل‌های مبتنی بر گره پیشی می‌گیرند. همین امر در مورد مدل‌های مبتنی بر تور نیز صدق می‌کند، اما ایجاد یک مجموعه داده مناسب دشوارتر است. با این حال، سطح بالاتر دانش با افزایش تلاش محاسباتی همراه است. بنابراین، محاسبات قبلی معمولاً مبتنی بر مجموعه داده‌های کوچک و فرضیات ساده‌کننده هستند. علاوه بر این، FRLM بدون محدودیت ظرفیت اغلب منجر به ایستگاه‌های سوخت‌گیری بزرگ و غیرواقعی می‌شود و تقاضای سوخت‌گیری دقیق را نمی‌توان نشان داد. CFRLM الزامات محاسباتی را بیشتر افزایش می‌دهد. تا آنجا که نویسندگان می‌دانند، به همین دلیل است که تاکنون هیچ FRLM در مقیاس بزرگ انجام نشده است.

هدف مقاله حاضر، طراحی یک شبکه شارژ سریع با توان بالا و ظرفیت محدود برای BET (وزن ناخالص خودرو > 12 تن) در آلمان است. اندازه ایستگاه‌های منفرد به گونه‌ای است که ناوگان کامیون‌ها بتوانند به طور کامل به BET تبدیل شوند. این تجزیه و تحلیل می‌تواند به سیاست‌گذاران و همچنین نمایندگان صنعت کمک کند تا نیازهای زیرساختی را در آلمان بدون انتشار گازهای گلخانه‌ای، که تا سال 2045 پیش‌بینی شده است، تخمین بزنند.

این کار از چندین جنبه با تحقیقات قبلی متفاوت است. اول، در مقایسه با مطالعات قبلی، این تحلیل از یک مجموعه داده مصنوعی بزرگ با ۲۳۶۰۰۰ مسیر ترافیکی کامیون‌های سنگین در سراسر آلمان استفاده می‌کند. شرح مفصل‌تر را می‌توانید در بخش ۲.۱ بیابید. دوم، این مقاله تفاوت بین CFRLM و FRLM را در کاربرد آنها بر روی داده‌های دنیای واقعی نشان می‌دهد. بنابراین، به تفسیر بهتر نتایج مدل از نظر ارتباط عملی آنها کمک می‌کند. سوم، CFRLM از نظر روش‌شناسی تنظیم شده است: ما یک مدل صف‌بندی را ادغام کردیم، جریان‌های ترافیکی فراتر از منطقه مورد بررسی را در نظر گرفتیم و یک محدودیت گره اعمال کردیم که هر وسیله نقلیه را در نظر می‌گیرد. چهارم، ما از یک سرور با ۱۹۶ گیگابایت رم و ۸ هسته استفاده کردیم تا یک CFRLM واقع‌بینانه‌تر قابل حل باشد.(منبع).