随着越来越多的驾驶员转向电动汽车（EV），电网面临的充电需求预计将呈指数级增长，给现有配电系统带来巨大压力。如果不加以管理，当前的无序充电模式在未来十年内可能导致电网基础设施投资高达数十亿美元。然而，有一种方法可以在不大幅增加投资的情况下缓解这一中期影响：主动管理充电。
一项新研究表明，AI深度学习技术可以从消费者用电数据中分离出高级计量数据，从而识别出电动汽车用户。这些细粒度数据随后可用于更有效地设计针对电动汽车的充电管理计划，并将交通电气化趋势映射到配电网络的特定区域。
智能电表（AMI），或称“智能电表”，提供了客户与电力公司之间的双向通信，以15分钟或一小时的间隔收集并发送消费者用电数据。截至2022年，美国约有73%的家庭和企业已安装了这些电表。自2010年代智能电表开始部署以来，电力公司一直利用这些数据来跟踪客户能源使用和高峰需求的变化。然而，随着电动汽车使用的增加，传统的评估方法已无法跟上电动汽车的发展步伐。
例如，以前的用电模型可能会假设夜间大量用电负荷表示电动汽车正在充电，但实际上并非所有充电情况都相同。插电式混合动力汽车与纯电动汽车的充电模式不同，一级充电器与二级充电器的负荷特征也不同，这意味着传统的驾驶需求估计可能会过高或过低地估算对电网的影响。
这正是基于AI的AMI数据分解软件（如Bidgely、Uplight、Sense、Sagewell、Powerly和Oracle）的用武之地。这些工具能够识别电动汽车用户及其独特的充电行为，创建电动汽车充电管理计划，将电动汽车纳入负荷预测，并按地理位置绘制电动汽车负荷增长图。
研究报告提供了两个AI应用的案例。在加拿大安大略省，Hydro One电力公司利用Bidgely获得了150万客户中电动汽车使用情况的实时信息。这些数据被用于为电动汽车车主定制充电计划，并预测未来电动汽车负荷增加的区域。在美国内华达州，NV Energy对通过Bidgely识别的50名电动汽车车主进行了试验，以确定哪种计划方案能满足“高价值”客户的需求，提高系统韧性，并了解如何在晚上8点至12点的用电高峰期间限制充电。研究发现，与不使用AI相比，NV Energy通过AI实现了2.5倍至10倍的负荷转移效果。
随着美国道路上电动汽车的数量预计从2025年的480万辆增长到2035年的7850万辆，AI对于电力公司主动应对电动汽车激增带来的电网挑战至关重要。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/dian-dong-qi-che-chong-dian-hang-ye-li-yong-ai-ti-sheng-zhi
