A MEC-Based Optimization Framework for Dynamic Inductive Charging

1. Probleemstelling

De brede invoering van Batterij-Elektrische Voertuigen (BEV's) wordt gehinderd door "bereikangst" en lange oplaadtijden. Dynamisch Inductief Laden (DIC) biedt een oplossing door draadloze energieoverdracht mogelijk te maken terwijl voertuigen in beweging zijn, wat potentieel de batterijgrootte en -kosten kan verkleinen. De DIC-infrastructuur staat echter voor twee kritieke uitdagingen:

• Hoge Kosten & Vermogensbeperkingen: DIC-systemen zijn duur om te deployen en te exploiteren binnen strikte vermogensbudgetten.
• Gecoördineerde Toewijzing van Middelen: De huidige literatuur richt zich op de prestaties van een enkel voertuig of de infrastructuurplanning. Er ontbreekt een systeemniveau-strategie voor het toewijzen van beperkt vermogen aan meerdere voertuigen met heterogene behoeften.
• De Kernkwestie: Zonder intelligente coördinatie leidt ongecoördineerd laden tot suboptimale benutting van middelen (wanneer de vraag hoog is maar vermogen beschikbaar is) en kritieke ontevredenheid bij gebruikers (wanneer de vraag de capaciteit overschrijdt, waardoor voertuigen met lege batterijen hun reis niet kunnen voltooien).

2. Methodologie

De auteurs stellen een Model Predictive Control (MPC)-kader voor dat geïntegreerd is met Mobile Edge Computing (MEC) en Vehicle-to-Everything (V2X)-communicatie om de vermogenstoewijzing dynamisch te optimaliseren.

A. Systeemarchitectuur

• Scenario: Een realistisch 10 km lang stedelijk wegsegment in Istanbul, Turkije, gemodelleerd in de SUMO-verkeerssimulator. De weg beschikt over 10 DIC-"strepen" (segmenten met ingebouwde spoelen) over twee rijstroken.
• Communicatie: Voertuigen zenden batterijstatus (State of Charge - SoC), capaciteit, gewenste exit-SoC en routegegevens naar een ITS-PM (Intelligent Transportation System Power Management)-eenheid gehost op een MEC-server. De server berekent optimale vermogentoewijzingen en stuurt deze terug naar de voertuigen.
• Regellus: Het systeem werkt in discrete tijdstappen ($\Delta T = 5$ seconden) over een voorspellingshorizon ($K$ stappen).

B. Optimalisatieformulering

De kern van de methodologie is een Convex Kwantitatief Programma (QP) dat op elk tijdstap wordt opgelost om een kostenfunctie ($J_t$) te minimaliseren, onderworpen aan fysische en operationele beperkingen.

• Beslissingsvariabelen:
  • $P_{v,k}$: Vermogen toegewezen aan voertuig $v$.
  • $P_{s,k}$: Vermogen toegewezen aan streep $s$.
  • $b_{v,k}$: Voorspelde batterij-SoC.
• Beperkingen:
  • Batterijdynamiek: SoC-evolutie gebaseerd op verbruik en laadefficiëntie.
  • Vermogensgrenzen: Limieten gebaseerd op spoelcapaciteit, voertuigpadlimieten en het totale systeembudget ($P_{tot}$).
  • Streepbeperkingen: Vermogen moet worden verdeeld over strepen, met toelating voor dynamische herberekening (tot een factor $\rho$) tussen aangrenzende strepen.
• Doelfunctie ($J_t$):
  De functie minimaliseert drie componenten:
  1. Batterijvolgfout: Minimaliseert het kwadraat van het verschil tussen de voorspelde SoC en de gewenste doel-SoC ($b^{des}_v$).
  2. Dringende Weging: Prioriteert voertuigen met een grote kloof tussen huidige en gewenste SoC en die met korte resterende reistijden ($\tau_v$).
  3. Omzet & Efficiëntie: Omvat termen voor exploitant-omzet (energieprijs) en het minimaliseren van de kloof tussen toegewezen streepvermogen en daadwerkelijke voertuigabsorptie om de benutting te maximaliseren.

3. Belangrijkste Bijdragen

1. Op MPC Gebaseerd Vermogentoewijzingsalgoritme: Een nieuw algoritme dat individuele voertuigdringheid, voorspelde trajecten en systeemwijde capaciteitsbeperkingen dynamisch in evenwicht brengt om eerlijkheid en efficiëntie te maximaliseren.
2. Ontwerp van Communicatieprotocol: Een gedefinieerd protocol voor het uitwisselen van minimale maar kritieke data (batterijniveaus, routes, vermogentoewijzingen) tussen voertuigen en de infrastructuur met behulp van bestaande V2X-standaarden (ETSI ITS-G5), aangevuld met specifieke berichten voor vermogensbeheer.
3. Open-Source Simulatiekader: De auteurs hebben een op SUMO gebaseerd simulatiehulpmiddel vrijgegeven dat realistische DIC-beperkingen modelleert (streptopologie, vermogensbudgetten, verkeersvariabiliteit) om reproduceerbaar onderzoek op dit gebied mogelijk te maken.

4. Resultaten

Het kader werd geëvalueerd tegen een Benchmark (BENCH)-strategie (statische, ongecoördineerde toewijzing) onder drie verkeersintensiteiten: Laag ($\lambda=5$), Middel ($\lambda=12$) en Hoog ($\lambda=20$ voertuigen/min).

• Laag Verkeer (Overvloedige Middelen): Zowel BENCH- als OPT-strategieën presteerden vergelijkbaar en voldeden aan alle voertuigverzoeken. Coördinatie bood hier marginale voordelen.
• Middel Verkeer (Oscillerende Vraag):
  • BENCH: Had moeite tijdens piekvraag, faalde in het volledig benutten van de beschikbare vermogenscapaciteit door statische toewijzing.
  • OPT: Bereikte bijna perfecte benutting van middelen door dynamisch vermogen te herberekenen tussen strepen op basis van realtime vraag.
• Hoog Verkeer (Middelenschaarste):
  • Middelbenutting: Beide strategieën verzadigden het totale vermogensbudget.
  • Gebruikstevredenheid ($\phi_v$): Dit was het kritieke onderscheidende element.
    • BENCH: Resulteerde in een "zware staart" van kritiek ontevreden voertuigen. Een uniforme verdeling betekende dat veel voertuigen vertrokken met onvoldoende lading, wat risico's op bereikangst of noodstoppen met zich meebracht.
    • OPT: Implementeerde een eerst-eerlijkheid-beleid. Het prioriteerde agressief voertuigen met lege batterijen (Voertuigen in Test - VUT's) ten koste van goed opgeladen voertuigen.
    • Uitkomst: De Cumulatieve Distributiefunctie (CDF) toonde aan dat OPT het aantal kritiek ontevreden voertuigen aanzienlijk verminderde (verbetering van de onderste staart van de verdeling), waardoor de meest dringende behoeften werden ingevuld, zelfs als dit betekende dat minder kritieke voertuigen iets minder kregen dan hun maximaal mogelijke lading.

5. Betekenis en Toekomstig Werk

• Haalbaarheid op Systeemniveau: Dit is het eerste werk dat DIC-systemen analyseert op het niveau van verkeersstromen, en bewijst dat intelligent vermogensbeheer essentieel is voor economische en operationele haalbaarheid.
• Economische Impact: Door het maximaliseren van gebruikerstevredenheid tijdens piekbelastingen en het mogelijk maken van dynamische prijsstelling, ondersteunt het kader de economische duurzaamheid van DIC-infrastructuur.
• Potentieel voor Batterijreductie: Efficiënt DIC zou kleinere, goedkopere voertuigbatterijen mogelijk kunnen maken, wat de adoptie van BEV's verder kan versnellen.
• Toekomstige Richtingen: De auteurs suggereren toekomstig onderzoek naar het vergelijken van strategieën in verschillende omgevingen (snelweg versus stedelijk), het optimaliseren van communicatieprotocollen voor 5G/6G, en het onderzoeken van de impact op batterijproductievereisten.

Conclusie: Het artikel toont aan dat zonder een intelligent, op MEC gebaseerd optimalisatiekader, DIC-systemen tijdens piekvraag niet zullen voldoen aan de behoeften van gebruikers. De voorgestelde MPC-aanpak transformeert een beperkt middel succesvol in een eerlijk, efficiënt en gebruikersgericht laadnetwerk.