固定矿山-变电站容量下POWER-SONIC蓄电池电动挖矿卡车的电网感知充电协调
2026-11-02 19:43:51 点击: 次
摘要
电池电动矿卡在坑内快速充电可能会使矿山变电站过载,该变电站以MVA为单位的N-1可靠容量与工艺负荷共享,而任何充电限制都会增加运输成本。本文针对一个具有30 MVA可靠容量、配备有载调压分接头、坑内架空线和拖缆的典型33 kV露天矿网络,提出了一种适用于12辆2.6 MWh矿卡和4台6 MW充电器的电网感知充电协调方案。该策略结合了荷电状态阈值、基于截止时间的间歇充电、车队功率上限、错峰用餐时间、充电器无功功率以及基于预测的视在功率裕度约束,后者将可靠容量转化为分步充电限制。其12个参数通过L-SHADE算法在8个随机日进行调优,并在1000个独立日进行测试。未经控制的充电每天都会超过可靠容量(平均峰值43.0 MVA)。协调策略将平均峰值保持在29.7 MVA,使峰值进口功率降低32%,损耗降低10%。9%,并将日均损失的运输时间从30.2小时降至29.5小时;在98%的置信度下,2.9%的天数会超过30 MVA,而严格合规设置在1000个测试日中从未超过(日均29.6–29.7小时)。该上限将峰值进口功率降低了约1 MW;其运输效益取决于充电器分配规则。错峰休息带来了大部分运输增益。充电器的无功功率充当了视在功率裕度,并在25 MVA时成为决定性因素。应力测试和预测误差测试表明,运输增益是平均值而非每日保证,且波动的过程负荷需要计量反馈和更大的裕度。
1. 引言
运输是露天挖矿中柴油燃料的最大消耗环节,其电气化是矿山脱碳的核心部分[1,2]。220-240吨级的电池电动运输卡车正在研发和测试中,配备多兆瓦时级别的车载电池和约6兆瓦的固定式充电器[3],同时驾驶循环研究量化了该级别卡车的能源使用情况[4,5这些发展推动了当前电网接入问题的研究,但不应将其解读为电池电动运输车队在全矿规模下已达到商业成熟的证据。一支由12辆此类卡车组成的代表性车队在运输时耗电约11兆瓦,相当于中型矿山的工艺负荷,而4辆卡车同时以6兆瓦功率充电,几分钟内就会增加24兆瓦的负荷。
现有矿山供电系统能否满足这一负荷是一个规划问题。对于本代表性研究案例,采用了N-1可靠容量准则,这与[6]中描述的供电安全原则一致;以MVA为单位的相应可靠容量才是相关的规划限制,而非变压器装机容量。电池电动运输的行驶循环和车队研究通常将车队平均需求与变压器装机容量进行比较[4],并且充电器和电池的尺寸研究将充电功率视为设计变量或C倍率限制,而非受网络约束的量[7,8,9]。充电还必须围绕矿山的班次模式进行组织:卡车在运输循环、换班和用餐休息期间充电,而运输时间的损失是任何充电限制的主要成本。
本文研究了充电协调在限制运输损失的同时,能多大程度降低坑内快速充电对电网的影响,以及协调中的哪些组件起关键作用。该研究并不代表特定的运营矿山;相反,它利用已发表和制造商提供的装备特性,构建了一个具有代表性的并网电池电动运输车队场景。因此,它侧重于电网接入层,而非声称对完整的电池电动矿山车队进行了商业验证。卡车调度、铲车分配和生产计划被视为已知条件。本研究的几个构建区块是已建立的方法,被重复使用而非作为新方法提出:BIBC/BCBV读档[10], 准静态OLTC模型、基于SOC阈值和截止时间的充电规则 [11,12] 以及L-SHADE优化器 [13]。其科学贡献在于这些区块是如何耦合的,以及该耦合模型揭示了什么:
-
车队充电的视在功率(MVA)可靠容量约束。基于预测的裕度约束将矿区变电站的N-1可靠容量转换为车队充电功率的闭式每步限制。该限制考虑了计划的工艺负荷、充电器和网络的有功损耗、变压器和馈线的额外无功损耗,以及充电器提供的无功功率。现有的矿卡充电研究通常以充电器额定功率、C倍率或有功功率峰值来限制充电功率,而非采用将充电器无功功率与允许有功功率耦合的MVA单位N-1限制。
-
一种联合电力与生产的建模方案。在单一目标中,将运输损失与网络及充电器损耗、峰值有功进口和电压偏差进行权衡交易,同时将乘务员的用餐时间与电力设定值一同作为决策变量。因此,组织措施与电力措施在一个问题中得到优化与比较。
-
这些机理发现是仅考虑车队或仅考虑网络的模型无法提供的。研究表明:(a) 车队功率上限会降低峰值有功进口,且其对运输损失的影响取决于企业容量限制是否允许在较小的剩余功率下启动更多卡车;(b) 在OLTC调节的矿区网络中,充电器无功功率充当的是视在功率裕度而非电压控制资源,其数值取决于企业容量是否处于约束状态;(c) 可同时使用的充电功率是由企业容量减去工艺负荷决定的,而非由充电器装机功率决定。
-
一种样本外评估协议。该策略在随机训练日进行调整,并在1000个独立运行日上进行测试,配对统计分析包括:无功率上限的变体、替代服务优先级规则、压力测试、预测误差、异构运输周期和过程负荷敏感性,以及优化器的种子稳定性研究。
2. 相关工作
运输电气化。柴油-电力传动系统和架空接触网辅助系统长期以来一直应用于大型运输卡车[14,15],而全电动概念则将架空接触网与车载储能相结合[16]。最近的综述比较了架空接触网、电池和电池-架空接触网运输方式[2],并且通过行驶循环和车队研究量化了电池-电力卡车的能源消耗、电池容量和生产效率[4,5,17,18].
矿用卡车的充电。对于地下矿井,通过模拟对比了快速充电和电池更换技术[7,19],并对车队、电池和充电器设计进行了优化[8,9];通过离散事件模拟分析了更换物流[20]。在露天矿中,优化了换电站调度以减少排队[21],并在SOC限制下利用现场电池平滑了充电站的负荷曲线[22]。这些研究未对矿区配电网、分接头或变电站的N-1容量进行建模,且在[9].
矿井配电系统。采用放射状杆线配电、移动式变电站和拖缆的露天矿井配电系统设计,在[23]中有所记载。矿井网络通常较为薄弱,且需供电给大型电力电子负载[24],而电气化进程又为这些网络增加了电池电动车辆及其充电器[25].
车队充电管理。对于电动巴士和卡车,SOC阈值规则可降低在途快速充电的需量费用[11],车队规模与充电基础设施已进行联合规划[26,27],车辆调度已结合电网特性与峰值负荷风险进行优化[28],且错峰场站充电可降低重型卡车车队的峰值负荷[29]。这些方法基于道路或场站运营,并不代表矿山班次、运输生产或矿山网络。
车网互动。近期关于车网互动的工作将充电管理从成本最小化扩展到了电网服务和多性向运行。已提出针对提供车辆到电网服务的电动公交充电站的强化学习策略[30];多性向调度已被用于平衡充电成本、用户满意度和充电站现场可再生能源的使用[31];并且为可持续社区中集成的双向电动汽车电池网络开发了一个规划框架[32]的容量研究中明确排除了上游供电。这些研究表明,充电可以调整以符合电网限制,但它们针对的是公共、场站或社区充电,在这些场景中车辆充电时不会损失服务时间;而在矿区,休息时间以外的每一分钟充电都会导致运输损失。
人工智能和机器学习。机器学习被广泛用于预测电动汽车充电需求和行为[33],而强化学习已被应用于电动汽车充电管理,通过与模拟或真实系统的交互来学习充电决策[30,34]。在挖矿领域,人工智能支持调度、预测性维护和流程自动化[35]。针对当前问题,机器学习可以改善余量约束中使用的过程读档预测,根据载荷和路线数据预测每辆卡车的运输能耗,并用学习到的策略取代参数化策略。本研究特意采用了一种透明的、基于规则的策略,包含十二个可解释参数:每条规则都可以由矿山的电气和生产工程师进行审计,固定容量限制是显式强制执行而非学习得到的,并且可以通过消融实验将结果归因于各个策略组件。学习策略需要一个类似于本文开发的训练环境,而基于规则的策略则提供了一个可供对比的基准(第七节).
差距。表1根据其中描述的内容,对最接近的研究进行了定位。在已综述的文献中,有三种组合尚属空白。首先,矿卡充电研究[7,8,9,19,21,22]考虑了充电器尺寸或排队、电池和充电器约束,但没有一项研究将充电限制在矿山变电站的N-1容量(MVA)内,也没有研究对坑道馈线、拖缆或分接开关进行建模;上游供电在[ %%]中被明确排除。其次,考虑电网约束的车队充电研究[9] 限制充电站的有功功率峰值或需量费用,不考虑充电器的无功功率,不考虑视在功率限制,也不考虑充电造成的生产损失。第三,这些研究都没有将员工的用餐休息和班次安排作为与电气设定值共同的决策变量。11,28,29这些组合对系统设计至关重要,因为矿山变电站的额定容量以MVA为单位,并与大型、部分感性的工艺负荷共享:基于充电有功功率或变压器额定容量的设计会高估可用的充电容量,而忽略运输损失的设计则无法判断电网约束对矿山是否可接受。本研究在一个耦合的车辆-网络框架中探讨了这些组合。
表1。密切相关研究的定位(✓:已处理;∼:部分处理;–:未处理)。

3. 系统模型
3.1. 矿井网络
该网络(图1所示的径向露天矿布局)是一个代表性的60 Hz网络,遵循[23];这不是特定矿山的网络。132千伏电网向主变电站供电,该站配有两台30兆伏安、132/33千伏的并联变压器(每台阻抗10%),其可靠(N-1)容量为兆伏安 [

