ยานยนต์ไฟฟ้า (EV) และระบบไฟฟ้า ทำงานด้วยกันอย่างไร ตอนที่ 2


ยานยนต์ไฟฟ้า (EV) และระบบไฟฟ้า ทำงานด้วยกันอย่างไร ตอนที่ 2

(ต่อจากฉบับที่แล้ว … ยานยนต์ไฟฟ้า (EV) และระบบไฟฟ้า ทำงานด้วยกันอย่างไร)

การสร้างแบบจำลองความต้องการ (Demand) ในการชาร์จ EV

โครงการ MEA ได้พัฒนาวิธีการที่รวมการแสดงภาพแบบปรับเปอร์เซ็นต์กับความต้องการชาร์จปกติ ซึ่งมีค่าประมาณ 3.6 kW และPower Factor (PF) ซึ่งมีค่า 0.98 Inductive เพื่อสร้าง EV Profile ประจำวัน ตามวิธีการเลือกแบบสุ่ม วิธีการกำหนดพารามิเตอร์หลักของ EV ประกอบด้วย จำนวนการเชื่อมต่อต่อวัน เวลาเริ่มชาร์จของแต่ละจุดเชื่อมต่อ และค่าเริ่มต้นและค่าสิ้นสุดของ SOC ของแต่ละจุดเชื่อมต่อ รูปที่ 8 แสดงตัวอย่างของ EV Profile สำหรับวันทำงานจำนวน 3 รายการ (EV Load 1, 2 และ 3) และแสดง Profile เฉลี่ยของ EV จำนวน 1,000 คัน ทำให้เห็นความแตกต่างระยะเวลาในการเริ่มชาร์จ (ขึ้นอยู่กับค่าเริ่มต้นและค่าสุดท้าย SOC) และ EV ที่มีการชาร์จวันละ 2 ครั้ง (EV Load 1) EV Profile ได้รับการตรวจสอบความถูกต้องโดยเปรียบเทียบค่าเฉลี่ย Demand ของพูลที่สร้างขึ้น (“Model” ในรูปที่ 8) กับค่าเฉลี่ยพฤติกรรมในการชาร์จ EV ที่ตรวจวัด (“Monitored” ในรูปที่ 8) ในระหว่างที่ทดลองโครงการ ซึ่งเห็นได้ชัดว่า Model ในรูปที่ 8 สอดคล้องกับค่า Monitored โดยค่าความต้องการไฟฟ้าเฉลี่ย (Peak Demand) สูงสุดจาก Model มีค่า 1.09 kW เกิดขึ้นในเวลาใกล้เคียงกันกับ Monitored ซึ่งมีค่า 1.08 kW (ระหว่าง 20.00 น. กับ 21.00 น.) ซึ่งการใช้พลังงานไฟฟ้าเฉลี่ยของ Model มีค่า 12.33 kWh น้อยกว่าค่าจาก Monitored ที่มีค่า 12.63 kWh หรือน้อยกว่าประมาณ 3% และหากไม่พิจารณาผลของค่าเริ่มต้นและสิ้นสุด SOC สามารถสร้างโปรไฟล์ของ EV จำนวน 1,000 คัน โดยใช้กราฟจากในรูปที่ 5 และ 6 ที่สามารถแสดงค่า Peak เฉลี่ยของ EV ได้ในรูปที่ 8 ซึ่งค่า Peak เฉลี่ยในตอนเย็นจะใกล้เคียงกับกราฟ Whole Day ในรูปที่ 8 ในขณะที่ Peak ช่วงเช้ามีค่า 0.5 kW เมื่อเทียบกับกราฟ Whole Day ที่มีค่า 0.8 kW (EV ที่เชื่อมต่อในตอนเช้ามีแนวโน้มที่จะชาร์จในช่วงเวลาสั้นกว่าที่เชื่อมต่อข้ามคืน) และพบว่าเมื่อไม่พิจารณาผลของค่าเริ่มต้นและสิ้นสุด SOC ของการเริ่มต้นชาร์จ พบว่าค่าพลังงานไฟฟ้าตลอดทั้งวันของ Model จะสูงกว่าประมาณ 13% (14.24 kWh) เมื่อเทียบกับค่าของเส้น Monitored

รูปที่ 8 แสดงความต้องการกำลังงานไฟฟ้าของ EV และค่าเฉลี่ยสำหรับวันทำงานของ EV จeนวน 1,000 คัน
รูปที่ 8 แสดงความต้องการกำลังงานไฟฟ้าของ EV และค่าเฉลี่ยสำหรับวันทำงานของ EV จeนวน 1,000 คัน
รูปที่ 9 แสดงความต้องการกำลังงานไฟฟ้าเฉลี่ยของบ้าน 1,000 หลัง ของ EV และของบ้านรวมกับ EV
รูปที่ 9 แสดงความต้องการกำลังงานไฟฟ้าเฉลี่ยของบ้าน 1,000 หลัง ของ EV และของบ้านรวมกับ EV

EV และระบบไฟฟ้า (กริด)

โดยทั่วไปแล้วสามารถสันนิษฐานได้ว่าคนจะชาร์จ EV ที่บ้านทันทีหลังจากกลับจากการทำงาน หมายความว่าความต้องการชาร์จจะเกิดขึ้นพร้อมกันกับการใช้อุปกรณ์ไฟฟ้าอื่นๆ หลายอย่าง เช่น แสงสว่าง อย่างไรก็ตาม การชาร์จจะขึ้นอยู่กับสภาพอากาศและพฤติกรรมของแต่ละประเทศอีกด้วย ซึ่งจากโครงการ MEA พบว่าสมมติฐานนี้เป็นจริง ดังแสดงได้ในรูปที่ 9 กล่าวคือ ค่า Peak จากEV จำนวน 1,000 คัน (โดยใช้ Model ก่อนหน้า) ใกล้เคียงกับครัวเรือนที่ไม่ใช้ความร้อนจากไฟฟ้า (1,000 ครัวเรือน จะถือว่ามี EV) จากมุมมองของ DNO ค่า Peak Demand นี้จะสามารถแปลความหมายได้ว่าเกิดปัญหากับระบบไฟฟ้าแล้วหรือไม่ ซึ่งพบว่าอาจเกินค่าที่ใช้สำหรับการออกแบบระบบไฟฟ้าแบบเดิม ตัวอย่างเช่น ถ้าผู้ใช้ไฟฟ้าประเภทที่อยู่อาศัยรายย่อยแรงดันต่ำออกแบบจากการใช้ค่า Peak Demand ที่ค่า 1-1.5 kW ต่อหลัง จากนั้นเพิ่มเฉลี่ย 1 kW ต่อหลัง เมื่อมีการใช้งาน EV อย่างกว้างขวาง ดังนั้นจึงมีแนวโน้มที่จะเกิดปัญหาแรงดันไฟฟ้าตก ต่ำกว่าขีดจำกัดหรือเกิดปัญหาด้านความร้อนจากโหลดเกิน (Thermal Overload) ดังนั้นเรื่องที่น่าสนใจของ DNO คือจะมีการประเมินว่าระบบไฟฟ้าจะได้รับผลกระทบจากจำนวน EV ที่แตกต่างกันอย่างไร

รูปที่ 10 ตัวอย่างข้อมูลของ (a) ระบบไฟฟ้าแรงต่ำในการใช้งานจริง (b) ผลกระทบทางด้านความร้อน

ผลกระทบต่อระบบไฟฟ้าแรงตํ่า

MEA ได้ทำการศึกษาความสามารถของระบบไฟฟ้าแรงต่ำ 3 เฟส ต่อการเพิ่มปริมาณของ EV (โดยจำลองใน OpenDSS : Distribution System Simulator) เมื่อพิจารณาปริมาณของ EV จาก 0% ถึง 100% โดยแต่ละบ้านจะเชื่อมต่อ EV ชนิด 1 เฟสกับระบบแรงต่ำ และจะแสดงความสัมพันธ์ของต่ำแหน่งและความต้องการใช้งาน EV โดยรูปที่ 10 (a) แสดงให้เห็นถึงโครงสร้าง (เช่น ความยาวความหนาแน่นของวงจร และอื่นๆ) ของระบบแรงต่ำของยุโรป เพื่อนำเสนอผลกระทบที่สำคัญของ EV ที่อาจเกิดขึ้นและความสามารถในการจ่ายโหลด ในขณะที่รูปที่ 10 (b) แสดงค่า Utilization Factor (UF) เฉลี่ย (โดยพิจารณาจากความสามารถในการจ่ายโหลด) และค่าเบี่ยงเบนมาตรฐานของหม้อแปลงและสายป้อน (Feeder) ทั้ง 6 เมื่อไม่พิจารณาปัญหาค่าแรงดันไฟฟ้าตก (ต่ำกว่า 0.94 p.u.) รูปนี้ ใช้แสดงให้เห็นว่าหม้อแปลงไฟฟ้าเป็นคอขวดหรือปัญหาหลักต่อการเพิ่มของปริมาณ EV กล่าวคือเมื่อปริมาณ EV ถึง 40% แล้ว Thermal Limit จะเกือบเกิน 100% ในขณะที่พิกัดของสายเคเบิลใต้ดินจะเกิดปัญหาขึ้นเฉพาะเมื่อมีค่า EV Penetration สูงกว่า 90% นอกจากนี้ รูปที่ 10 (b) ยังแสดงให้เห็นว่า UF ของหม้อแปลงจะสูงเกินประมาณ 50% เมื่อปริมาณ EV มีปริมาณสูงหรือ 100% ดังนั้นจึงสามารถที่จะสรุปว่าระบบแรงตํ่าสามารถรองรับ EV ได้ 40% และคอขวดคือหม้อแปลงไฟฟ้า

รูปที่ 11 ผลกระทบของ EV กับระบบแรงต่ำจากโครงการ MEA
รูปที่ 11 ผลกระทบของ EV กับระบบแรงต่ำจากโครงการ MEA

โครงการ MEA ได้ศึกษาผลกระทบของ EV กับระบบแรงต่ำจำนวนหม้อแปลง 9 เครื่อง รวม 31 Feeder รูปที่ 11 แสดงให้เห็นว่ามากกว่า 20% ของหม้อแปลง (2 ใน 9) มีปัญหาเรื่องความร้อน เมื่อ EV มีค่ากว่า 40% สำหรับจำนวน EV ที่เท่ากันมีเพียง 1 Feeder (~3%) เท่านั้นที่อาจมีปัญหาความร้อนสูงเกิน หมายความว่าความสามารถในการจ่ายโหลดของระบบแรงต่ำที่คล้ายกันถูกจำกัดด้วยหม้อแปลงไฟฟ้าเป็นหลัก ในขณะที่หาก EV เพิ่มขึ้นสูงกว่า 70% หม้อแปลง 4 ใน 9 จะจ่ายโหลดเกิน (Overload) และมากกว่า 15% ของ Feeders จะเกิดปัญหาเรื่องความร้อน และเมื่อปริมาณ EV เป็น 90% และ 100% (บ้านทุกหลังมี EV) พบว่ามีเพียง 2 Feeder ที่มีความยาวกว่าที่อื่น ที่มีปัญหาเรื่องแรงดันไฟฟ้าตก หมายความว่าระบบไฟฟ้าแรงต่ำอาจมีปัญหาด้านแรงดันไฟฟ้าเมื่อมี EV มีปริมาณสูงมาก

… อ่านต่อฉบับหน้า ยานยนต์ไฟฟ้า (EV) และระบบไฟฟ้า ทำงานด้วยกันอย่างไร ตอนที่ 3


บทความแปล ได้รับอนุญาตจาก IEEE Power & Energy Society
ห้ามจำหน่าย ดัดแปลง หรือนำเนื้อหาส่วนใดส่วนหนึ่งไปใช้โดยไม่ได้รับอนุญาต

Source: นิตยสาร Electricity & Industry Magazine ปีที่ 27 ฉบับที่ 1 มกราคม-กุมภาพันธ์ 2563

ประวัติผู้เขียน: Jairo Quiros-Tortos is with the University of Costa Rica, San Jose. Luis (Nando) Ochoa is with the University of Melbourne, Australia, and the University of Manchester, United Kingdom. Timothy Butler is with EA Technology, Chester, and United Kingdom.

ผู้แปลและเรียบเรียง: ดร.จักรเพชร มัทราช ผู้อำนวยการกองวางแผนงานระบบไฟฟ้าอัจฉริยะ ฝ่ายวางแผนระบบไฟฟ้า การไฟฟ้าส่วนภูมิภาค

* สำหรับการอ่านเพิ่มเติม

  • International Energy Agency. (2017, June). Global EV outlook 2017: Two million and counting. IEA. Paris, France. [Online]. Available: https://www.iea.org/publications/freepublications/publication/GlobalEVOutlook2017.pdf
  • EA Technology. (2016, Mar.). My Electric Avenue—Project closedown report. EA Tech. Chester, U.K. [Online]. Available: http://myelectricavenue.info/sites/default/files/documents/close%20down%20report.pdf
  • J. Quirós-Tortós, A. Navarro-Espinosa, L. F. Ochoa, and T.Butler, “Statistical representation of EV charging: Real data analysis and applications.” in Proc. PSCC, 2018, pp. 1-6.
  • J. Quirós-Tortós, L. F. Ochoa, S. W. Alnaser, and T. Butler, “Control of EV charging points for thermal and voltage management of LV networks.” IEEE Trans. Power Syst., vol. 31, no. 4, pp. 3028-3039, 2016.


เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ นโยบายความเป็นส่วนตัว และสามารถจัดการความเป็นส่วนตัวของคุณได้เอง โดยคลิกที่ ตั้งค่า

Privacy Preferences

คุณสามารถเลือกการตั้งค่าคุกกี้โดยเปิด/ปิด คุกกี้ในแต่ละประเภทได้ตามความต้องการ ยกเว้น คุกกี้ที่จำเป็น

Allow All
Manage Consent Preferences
  • คุกกี้ที่จำเป็น
    Always Active

    คุกกี้มีความจำเป็นสำหรับการทำงานของเว็บไซต์ เพื่อให้คุณสามารถใช้ได้อย่างเป็นปกติ และเข้าชมเว็บไซต์ คุณไม่สามารถปิดการทำงานของคุกกี้นี้ในระบบเว็บไซต์ของเราได้

  • คุกกี้เพื่อการวิเคราะห์

    คุกกี้ประเภทนี้จะทำการเก็บข้อมูลการใช้งานเว็บไซต์ของคุณ เพื่อเป็นประโยชน์ในการวัดผล ปรับปรุง และพัฒนาประสบการณ์ที่ดีในการใช้งานเว็บไซต์ ถ้าหากท่านไม่ยินยอมให้เราใช้คุกกี้นี้ เราจะไม่สามารถวัดผล ปรังปรุงและพัฒนาเว็บไซต์ได้

Save