DOI: https://doi.org/10.3390/en19051131
تاريخ النشر: 2026-02-24
المؤلف: Sasmita Tripathy وآخرون
الموضوع الرئيسي: المركبات الكهربائية والبنية التحتية
نظرة عامة
الانتقال من محركات الاحتراق الداخلي إلى المركبات الكهربائية (EVs) أمر ضروري لمواجهة تغير المناخ، مما يستلزم التنفيذ الواسع النطاق لمحطات شحن المركبات الكهربائية (EVCSs). تسلط هذه المراجعة الضوء على دمج محطات شحن المركبات الكهربائية ومصادر الطاقة المتجددة (RESs) ضمن الشبكات التوزيعية (DNs) كخطوة حاسمة نحو نظام نقل مستدام. تتناول التحديات والفرص المرتبطة بهذا الدمج، مع التركيز على نمذجة عدم اليقين في طلب شحن المركبات الكهربائية، وخوارزميات التنبؤ المختلفة، وتقنيات التخطيط، فضلاً عن آثارها على الشبكات التوزيعية.
تصنف الورقة خوارزميات التنبؤ إلى طرق قائمة على التعلم وطرق غير قائمة على التعلم وتناقش خوارزميات تخطيط محطات شحن المركبات الكهربائية، والتي تشمل كلاً من الأساليب الحتمية والعشوائية. تقيم الآثار التقنية والبيئية والموثوقية والاقتصادية لدمج محطات شحن المركبات الكهربائية ومصادر الطاقة المتجددة على الشبكات التوزيعية، مقترحة استراتيجيات تحسين للتخفيف من هذه الآثار. تؤكد المراجعة على أهمية أنظمة إدارة الطاقة وتقنيات التنبؤ المتقدمة في إدارة تقلبات الطاقة وتعزيز الكفاءة. علاوة على ذلك، تحدد المشكلات المفتوحة واتجاهات البحث المستقبلية لتحسين دمج محطات شحن المركبات الكهربائية ومصادر الطاقة المتجددة في الشبكات التوزيعية، مما يساهم في تطوير أنظمة طاقة حديثة مرنة وفعالة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الحاجة الملحة للانتقال من الوقود الأحفوري إلى مصادر الطاقة البديلة بسبب مساهمتها الكبيرة في الاحتباس الحراري واستنزاف الموارد. يتم تحديد قطاع النقل كمساهم رئيسي، حيث يمثل 25% من انبعاثات ثاني أكسيد الكربون العالمية و55% من استهلاك النفط، مع توقع زيادة بنسبة 54% في الطلب بحلول عام 2035. تقترح محطات شحن المركبات الكهربائية (EVCS) كحل قابل للتطبيق للتخفيف من هذه الآثار البيئية، حيث تقدم المركبات الكهربائية (EVs) مزايا بيئية واقتصادية مقارنة بالمركبات التقليدية التي تعمل بمحركات الاحتراق الداخلي. تشير الورقة إلى زيادة كبيرة في مبيعات المركبات الكهربائية، التي تضاعفت في عام 2021، لكنها تشير أيضًا إلى التحديات التي تطرحها هذه الزيادة على استقرار شبكة الطاقة، بما في ذلك زيادة الطلب على الحمل الأقصى واحتمالية فشل النظام.
تهدف المراجعة إلى تقديم تحليل شامل لدمج محطات شحن المركبات الكهربائية ومصادر الطاقة المتجددة (RES) في الشبكات الكهربائية الحديثة، مع التأكيد على الحاجة إلى تقنيات متقدمة لتعزيز استقرار الشبكة وكفاءة الطاقة. تناقش التعقيدات التي أدخلها اعتماد المركبات الكهربائية، مثل عدم اليقين في توليد الطاقة المتجددة وأنماط شحن المركبات الكهربائية، وضرورة التخطيط القوي لضمان الموثوقية والاستدامة. تنتقد الورقة الأدبيات الحالية لعدم تناولها بشكل كافٍ الآثار البيئية والموثوقية على المدى الطويل، لا سيما في سياق تقنيات التنبؤ المتقدمة. من خلال دمج الطرق التقليدية والطرق القائمة على الذكاء الاصطناعي، تسعى هذه المراجعة إلى سد هذه الفجوات وتقديم رؤى قيمة لصانعي السياسات وأصحاب المصلحة في الصناعة بشأن مستقبل دمج محطات شحن المركبات الكهربائية ومصادر الطاقة المتجددة في الشبكات التوزيعية.
طرق
يوفر القسم نظرة عامة على الطرق غير القائمة على التعلم والطرق القائمة على التعلم لتوقع طلب شحن المركبات الكهربائية (EV). تصنف الطرق غير القائمة على التعلم إلى أساليب بارامترية وغير بارامترية. تتنبأ التقنيات الاحتمالية البارامترية، مثل محاكاة مونت كارلو (MCS) ونماذج سلسلة ماركوف، بالنتائج المستقبلية من خلال افتراض أن البيانات تتبع توزيعًا محددًا يتميز بمجموعة من المعلمات، والتي يتم تقديرها من البيانات التاريخية لدمج عدم اليقين في التوقعات. في المقابل، تعتبر الطرق غير البارامترية، التي تشمل الانحدار الكمي (QR) وتقدير كثافة النواة (KDE) وKDE القائم على الانتشار (DKDE)، أكثر مرونة وقائمة على البيانات، مما يسمح بنمذجة العلاقات المعقدة وغير الخطية دون الاعتماد على توزيعات محددة مسبقًا. على سبيل المثال، تم استخدام QR لتعزيز توقعات طلب الطاقة للمركبات الكهربائية من خلال دمج ميزات التنقل المختلفة لمستخدمي المركبات الكهربائية.
يناقش القسم أيضًا بإيجاز منهجيات التنبؤ القائمة على التعلم، والتي تشمل التعلم الآلي (ML) والتعلم المعزز (RL) والذكاء الاصطناعي التوليدي. ضمن التعلم الآلي، يتم تقسيم النماذج إلى فئات قائمة على الشبكات العصبية وغير قائمة على الشبكات العصبية. تستفيد النماذج القائمة على الشبكات العصبية من الشبكات العصبية الاصطناعية لعمليات التعلم الخاصة بها، بينما تستخدم النماذج غير القائمة على الشبكات العصبية أساليب بديلة. يبرز هذا التمييز المشهد المتطور لتقنيات التنبؤ التي تهدف إلى تحسين دقة توقعات طلب شحن المركبات الكهربائية.
نقاش
يسلط قسم النقاش في الورقة الضوء على دمج محطات شحن المركبات الكهربائية (EVCSs) ومصادر الطاقة المتجددة (RESs) ضمن الشبكات التوزيعية، مع التأكيد على أهمية منهجيات التنبؤ في تعزيز موثوقية النظام وأدائه. على عكس الاستطلاعات السابقة التي ركزت بشكل أساسي على تقنيات التحسين، تقدم هذه المراجعة إطارًا تحليليًا شاملاً يجمع بين دقة التنبؤ، وانتشار عدم اليقين، والتخطيط متعدد الأهداف. تحدد الدراسة التخطيط المدفوع بالتنبؤ كمنطقة بحث حاسمة، موضحة كيف يؤثر عدم اليقين التنبؤي على استقرار الجهد، وخسائر النظام، والتكاليف الاقتصادية. تم الإشارة إلى التقدم الأخير في إدارة الطاقة الذكية، لا سيما من خلال خوارزميات التحكم المستوحاة من الطبيعة والتكيفية، لفعاليتها في تنسيق مصادر الطاقة المتجددة وأنظمة تخزين الطاقة بالبطاريات (BESSs) في ظل ظروف غير مؤكدة.
تناقش الورقة أيضًا التحديات المرتبطة بتخطيط محطات شحن المركبات الكهربائية، لا سيما تأثير أخطاء التنبؤ على قرارات البنية التحتية، مثل تحميل المغذيات وحجم الاستثمارات. تؤكد على أهمية توقعات الطلب الدقيقة، حيث يمكن أن تؤدي الأخطاء إلى تكاليف بنية تحتية مفرطة أو قدرة شحن غير كافية. يستكشف القسم أيضًا مجموعة متنوعة من أساليب نمذجة عدم اليقين لتوقع أحمال المركبات الكهربائية، مصنفًا إياها إلى طرق غير احتمالية وطرق احتمالية، بما في ذلك تقنيات متقدمة مثل محاكاة مونت كارلو وسلاسل ماركوف. تختتم المناقشة باقتراح خوارزميات واستراتيجيات تخطيط مبتكرة لتعزيز الاستدامة والكفاءة التشغيلية للأنظمة المدمجة لمحطات شحن المركبات الكهربائية ومصادر الطاقة المتجددة، بهدف سد الفجوات الحالية في الأدبيات وتحسين مرونة الشبكات الكهربائية.
DOI: https://doi.org/10.3390/en19051131
Publication Date: 2026-02-24
Author(s): Sasmita Tripathy et al.
Primary Topic: Electric Vehicles and Infrastructure
Overview
The transition from internal combustion engines to electric vehicles (EVs) is essential for addressing climate change, necessitating the widespread implementation of Electric Vehicle Charging Stations (EVCSs). This review highlights the integration of EVCSs and renewable energy sources (RESs) within distribution networks (DNs) as a crucial step towards a sustainable transportation system. It examines the challenges and opportunities associated with this integration, focusing on the modeling of EV charging-demand uncertainty, various forecasting algorithms, and planning techniques, as well as their impacts on DNs.
The paper categorizes forecasting algorithms into learning-based and non-learning-based methods and discusses EVCS planning algorithms, which include both deterministic and stochastic approaches. It evaluates the technical, environmental, reliability, and economic implications of integrating EVCS and RES on DNs, proposing optimization strategies to mitigate these impacts. The review underscores the significance of energy management systems and advanced forecasting techniques in managing power fluctuations and enhancing efficiency. Furthermore, it identifies open problems and future research directions for optimizing the integration of EVCS and RES in distribution networks, contributing to the development of resilient and efficient modern power systems.
Introduction
The introduction of this research paper highlights the urgent need to transition from fossil fuels to alternative energy sources due to their significant contribution to global warming and resource depletion. The transportation sector is identified as a major contributor, accounting for 25% of global CO₂ emissions and 55% of oil consumption, with a projected 54% increase in demand by 2035. Electric Vehicle Charging Stations (EVCS) are proposed as a viable solution to mitigate these environmental impacts, as electric vehicles (EVs) offer both ecological and economic advantages over traditional internal combustion engine vehicles. The paper notes a substantial increase in EV sales, which doubled in 2021, but also points out the challenges posed by this growth on power grid stability, including increased peak load demand and potential system failures.
The review aims to provide a comprehensive analysis of the integration of EVCS and Renewable Energy Sources (RES) into modern power grids, emphasizing the need for advanced techniques to enhance grid stability and energy efficiency. It discusses the complexities introduced by EV adoption, such as uncertainties in renewable generation and EV charging patterns, and the necessity of robust planning to ensure reliability and sustainability. The paper critiques existing literature for insufficiently addressing environmental impacts and long-term reliability, particularly in the context of advanced forecasting techniques. By integrating traditional and AI-based forecasting methods, this review seeks to fill these gaps and offer valuable insights for policymakers and industry stakeholders regarding the future of EVCS-RES integration in distribution networks.
Methods
The section provides an overview of non-learning-based and learning-based methods for forecasting electric vehicle (EV) charging demand. Non-learning-based methods are categorized into parametric and non-parametric approaches. Parametric probabilistic techniques, such as Monte Carlo Simulation (MCS) and Markov Chain models, predict future outcomes by assuming that the data adheres to a specified distribution characterized by a set of parameters, which are estimated from historical data to incorporate uncertainty in forecasts. In contrast, non-parametric methods, which include quantile regression (QR), kernel density estimation (KDE), and diffusion-based KDE (DKDE), are more flexible and data-driven, allowing for the modeling of complex, nonlinear relationships without relying on predefined distributions. For instance, QR has been utilized to enhance predictions of EV energy demand by integrating various mobility features of EV users.
The section also briefly discusses learning-based forecasting methodologies, which encompass machine learning (ML), reinforcement learning (RL), and generative AI. Within ML, models are further divided into non-neural network (non-NN) and neural network (NN) based categories. NN-based models leverage artificial neural networks for their learning processes, while non-NN models utilize alternative approaches. This distinction highlights the evolving landscape of forecasting techniques aimed at improving the accuracy of EV charging demand predictions.
Discussion
The discussion section of the paper highlights the integration of Electric Vehicle Charging Stations (EVCSs) and Renewable Energy Sources (RESs) within distribution networks, emphasizing the importance of forecasting methodologies in enhancing system reliability and performance. Unlike previous surveys that primarily focused on optimization techniques, this review presents a comprehensive analytical framework that combines forecasting accuracy, uncertainty propagation, and multi-objective planning. The study identifies forecasting-driven planning as a critical research area, demonstrating how predictive uncertainty influences voltage stability, system losses, and economic costs. Recent advancements in intelligent energy management, particularly through bio-inspired and adaptive control algorithms, are noted for their effectiveness in coordinating RESs and Battery Energy Storage Systems (BESSs) under uncertain conditions.
The paper also addresses the challenges associated with EVCS planning, particularly the impact of forecast errors on infrastructure decisions, such as feeder loading and investment sizing. It underscores the significance of accurate demand predictions, as inaccuracies can lead to either excessive infrastructure costs or inadequate charging capacity. The section further explores various uncertainty modeling approaches for EV load forecasting, categorizing them into non-probabilistic and probabilistic methods, including advanced techniques like Monte Carlo Simulation and Markov Chains. The discussion concludes by proposing innovative planning algorithms and strategies to enhance the sustainability and operational efficiency of EVCS-RES-integrated systems, ultimately aiming to bridge existing gaps in the literature and improve the resilience of power networks.