بهبود ظرفیت میزبانی از منابع PV-STATCOM با مدیریت بهینه ذخیره¬ساز انرژی و در نظر گرفتن برنامه پاسخگویی بار
محورهای موضوعی : مهندسی برق و کامپیوتر
فرزین فردین فر
1
,
مصطفی جعفری کرمانی پور
2
1 - دانشکده مهندسي برق، دانشگاه شهید باهنر، کرمان، ايران
2 - دانشکده مهندسي برق، دانشگاه ملی مهارت، تهران، ايران
کلید واژه: ظرفیت میزبانی, برنامه پاسخگویی بار, الگوریتم بهینه¬سازی آکیولا, روش نمونه¬برداری ابرمکعب لاتین, جبران¬ساز سنکرون استاتیکی خورشیدی,
چکیده مقاله :
در سالیان اخیر به دلیل افزایش نرخ نفوذ سیستمهای فتوولتائیک (PV)در شبکههای توزیع، چالشهای فنی زیادی بهوجود آمده است. یکی از پیامدهای مخرب ناشی از نصب زیاد سیستمهای PV، اضافهولتاژ در برخی از ساعات روز است که این عامل باعث کاهش ظرفیت میزبانی(HC) شبکه از منابع فتوولتائیک میشود. نوآوری این مقاله اجرای یکپارچه برنامهپاسخگویی بار، استفاده از ذخیرهسازهای انرژی و اینورترهای هوشمند سیستمهای فتوولتائیک به عنوان جبرانکننده سنکرون استاتیکی (PV-STATCOM) میباشد که از آنها برای بهبود ظرفیت میزبانی استفاده شده است. در این راستا، مدیریت مناسب ذخیرهساز انرژی، کنترل توان راکتیو مبادله شده با شبکه توسط PV-STATCOM به منظور بهینهسازی تابع هدف شامل بیشینهسازی ظرفیت میزبانی، کمینهسازی تلفات، انحراف ولتاژ و هزینههای بهرهبرداری صورت گرفته است. همچنین جهت واقعی شدن محاسبات و شبیهسازیهای انجام شده از توابع احتمالاتی برای مدلسازی عدم قطعیت بار در شبکه توزیع نیز استفاده شده است. مدلسازی عدم قطعیت انجام شده در این مقاله، نمونه برداری به روش ابر مکعب لاتین (LHS) است که سرعت و همپوشانی نمونهبرداری بهتری نسبت به روش مونت کارلو دارد. برای حل مساله بهینه سازی تابع هدف، از الگوریتم بهینهسازی عقاب آکیولا (AO) استفاده شده و نتایج بدست آمده با الگوریتمهای تجمعی ذرات (PSO) و ژنتیک (GA) مقایسه شدهاند. شبیهسازی روش پیشنهادی بر روی شبکه تست 15 باسه IEEE، تاثیرگذاری آن بر افزایش ظرفیت میزبانی تا 39 درصد را ضمن رعایت حدود مجاز تغییرات ولتاژ و بهبود تلفات و هزینه بهرهبرداری، نشان میدهد.
In recent years, due to the increasing penetration of photovoltaic (PV) systems in distribution networks, there are several technical challenges. One of the destructive consequences of extra PV system installation is voltage raising in some hours of the day, which reduces Hosting Capacity (HC) of the grid. The innovation of this paper is the integrated implementation of the demand response program, utilization of energy storages and smart inverters as static synchronous compensation (PV-STATCOM), which they are used for improving Hosting Capacity. In this regard, proper energy storage management, reactive power control by PV-STATCOM in order to optimize the objective function include maximizing the Host Capacity, minimization of losses, voltage deviation and operation cost. Also, the real computations are performed by using probabilistic functions to model the load uncertainty in distribution network. The uncertainty quantification model in this paper is Latin Hypercube Sampling (LHS) method, which has better speed calculation and sampling compare to Monte Carlo method. To solve the optimization problem of objective function, the optimization algorithm of Aqiula Optimizer (AO) is used and the results are compared with Particle Swarm Optimization (PSO) and Genetic Algorithm (GA). The proposed method is based on IEEE 15-bus test system and shows its effectiveness on increasing Hosting Capacity up to 39 % while respecting to the limits of voltage variation and improvement of losses and costs.
[1] M. Zain ul Abideen, O. Ellabban, and L. Al-Fagih, "A review of the tools and methods for distribution networks’ hosting capacity calculation," Energies, vol. 13, no. 11, p. 2758, 2020, doi: 10.3390/en13112758.
[2] N. Etherden and M. H. Bollen, "Increasing the hosting capacity of distribution networks by curtailment of renewable energy resources," in 2011 IEEE Trondheim PowerTech, 2011: IEEE, pp. 1-7, doi: 10.1109/PTC.2011.6019292.
[3] N. Etherden and M. H. Bollen, "Increasing the hosting capacity of distribution networks by curtailment of renewable energy resources," in 2011 IEEE Trondheim PowerTech, 2011: IEEE, pp. 1-7, doi: 10.1109/PTC.2011.6019292.
[4] B. Azibek, A. Abukhan, H. K. Nunna, B. Mukatov, S. Kamalasadan, and S. Doolla, "Hosting capacity enhancement in low voltage distribution networks: Challenges and solutions," in 2020 IEEE International Conference on Power Electronics, Smart Grid and Renewable Energy (PESGRE2020), 2020: IEEE, pp. 1-6, doi: 10.1109/PESGRE45664.2020.9070466.
[5] F. Capitanescu, L. F. Ochoa, H. Margossian, and N. D. Hatziargyriou, "Assessing the potential of network reconfiguration to improve distributed generation hosting capacity in active distribution systems," IEEE Transactions on Power Systems, vol. 30, no. 1, pp. 346-356, 2014, doi: 10.1109/TPWRS.2014.2320895.
[6] B. Wang, C. Zhang, Z. Y. Dong, and X. Li, "Improving hosting capacity of unbalanced distribution networks via robust allocation of battery energy storage systems," IEEE Transactions on Power Systems, vol. 36, no. 3, pp. 2174-2185, 2020, doi: 10.1109/TPWRS.2020.3029532.
[7] A. Rabiee and S. M. Mohseni-Bonab, "Maximizing hosting capacity of renewable energy sources in distribution networks: A multi-objective and scenario-based approach," Energy, vol. 120, pp. 417-430, 2017, doi: 10.1016/j.energy.2016.11.095.
[8] X. Cao, T. Cao, F. Gao, and X. Guan, "Risk-averse storage planning for improving RES hosting capacity under uncertain siting choices," IEEE transactions on sustainable energy, vol. 12, no. 4, pp. 1984-1995, 2021, doi: 10.1109/TSTE.2021.3075615.
[9] M. Aragüés‐Peñalba, A. Egea Alvarez, S. Galceran Arellano, and O. Gomis‐Bellmunt, "Optimal power flow tool for mixed high‐voltage alternating current and high‐voltage direct current systems for grid integration of large wind power plants," IET Renewable Power Generation, vol. 9, no. 8, pp. 876-881, 2015, doi: 10.1049/iet-rpg.2015.0028.
[10] S. Dierkes, "Increasing the hosting capacity of RES in distribution grids by active power control," in International ETG Congress-Die Energiewende-Blueprints for the new energy age, 2015.
[11] R. Fachrizal, U. H. Ramadhani, J. Munkhammar, and J. Widén, "Combined PV–EV hosting capacity assessment for a residential LV distribution grid with smart EV charging and PV curtailment," Sustainable Energy, Grids and Networks, vol. 26, p. 100445, 2021, doi: 10.1016/j.segan.2021.100445.
[12] X. Xu, Z. Xu, J. Li, J. Zhao, and L. Xue, "Optimal placement of voltage regulators for photovoltaic hosting capacity maximization," in 2018 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia), 2018: IEEE, pp. 1278-1282, doi: 10.1109/ISGT-Asia.2018.8467940.
[13] K.-S. Ryu et al., "Mpc based energy management system for hosting capacity of pvs and customer load with ev in stand-alone microgrids," Energies, vol. 14, no. 13, p. 4041, 2021, doi: 10.3390/en14134041.
[14] T. Gush, C.-H. Kim, S. Admasie, J.-S. Kim, and J.-S. Song, "Optimal smart inverter control for PV and BESS to improve PV hosting capacity of distribution networks using slime mould algorithm," IEEE Access, vol. 9, pp. 52164-52176, 2021, doi: 10.1109/ACCESS.2021.3070155.
[15] L. Collins and J. Ward, "Real and reactive power control of distributed PV inverters for overvoltage prevention and increased renewable generation hosting capacity," Renewable Energy, vol. 81, pp. 464-471, 2015, doi: 10.1016/j.renene.2015.03.012.
[16] Y.-J. Son, S.-H. Lim, S.-G. Yoon, and P. P. Khargonekar, "Residential demand response-based load-shifting scheme to increase hosting capacity in distribution system," IEEE Access, vol. 10, pp. 18544-18556, 2022, doi: 10.1109/ACCESS.2022.3151172.
[17] H. Hwang, A. Yoon, Y. Yoon, and S. Moon, "Demand response of HVAC systems for hosting capacity improvement in distribution networks: A comprehensive review and case study," Renewable and Sustainable Energy Reviews, vol. 187, p. 113751, 2023, doi: 10.1016/j.rser.2023.113751.
[18] L. Abualigah, D. Yousri, M. Abd Elaziz, A. A. Ewees, M. A. Al-Qaness, and A. H. Gandomi, "Aquila optimizer: a novel meta-heuristic optimization algorithm," Computers & Industrial Engineering, vol. 157, p. 107250, 2021, doi: 10.1016/j.cie.2021.107250.
[19] M. H. Ali, A. T. Salawudeen, S. Kamel, H. B. Salau, M. Habil, and M. Shouran, "Single-and multi-objective modified aquila optimizer for optimal multiple renewable energy resources in distribution network," Mathematics, vol. 10, no. 12, p. 2129, 2022, doi: 10.3390/math10122129.
[20] C. Han, D. Lee, S. Song, and G. Jang, "Probabilistic assessment of PV hosting capacity under coordinated voltage regulation in unbalanced active distribution networks," IEEE Access, vol. 10, pp. 35578-35588, 2022, doi: 10.1109/ACCESS.2022.3163595.
[21] N. F. Avila and C.-C. Chu, "Distributed probabilistic ATC assessment by optimality conditions decomposition and LHS considering intermittent wind power generation," IEEE Transactions on Sustainable Energy, vol. 10, no. 1, pp. 375-385, 2018, doi: 10.1109/TSTE.2018.2796102.
[22] F. Fardinfar and M. J. K. Pour, "Optimal placement of D-STATCOM and PV solar in distribution system using probabilistic load models," in 2023 10th Iranian Conference on Renewable Energy & Distributed Generation (ICREDG), 2023: IEEE, pp. 1-5, doi: 10.1109/ICREDG58341.2023.10091990.
[23] M. P. Moghaddam, A. Abdollahi, and M. Rashidinejad, "Flexible demand response programs modeling in competitive electricity markets," Applied Energy, vol. 88, no. 9, pp. 3257-3269, 2011, doi: 10.1016/j.apenergy.2011.02.039.
اکبر براتی، غضنفر شاهقلیان |
Technovations of Electrical Engineering in Green Energy System |
|
Research Article (2025) 4(3):76-93
Braking Energy Recovery of Intra-City Trains Using Power Transmission Through Induction Coupling: A Case Study of Isfahan Metro
Akbar Barati1,2, M.Sc., Ghazanfar Shahgholian1,2, Professor
1 Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran
2 Smart Microgrid Research Centre, Najafabad Branch, Islamic Azad University, Najafabad, Iran
Abstract:
The problem of air pollution caused by the use of fossil fuels in transportation has caused the development of the electric transportation industry. The intra-city train (metro) is the most economical and widespread means of electric transportation, which is considered one of the ways to solve the problem of traffic and air pollution. Due to the lack and limitation of energy production resources and the high cost of energy production, there is a need to implement energy consumption management in the metro industry. Recovering electrical energy and reducing power losses in the urban train braking system is one of the necessary and important methods for optimal energy consumption. With the help of braking energy recovery system, the inertia of the train, which is converted into heat in friction brakes, can be converted into consumed electricity. In dynamic braking, the kinetic energy of the wheel is converted into electrical energy using the generator mode of the train's traction system when braking is applied, and this energy is usually wasted in braking resistors. In this paper, braking energy recovery of metro trains using power transmission through inductive coupling is presented. This structure is presented to optimize the braking energy of the train, which has been simulated and investigated as an example in the Isfahan subway. The proposed model consists of a two-way power electronic circuit. The primary circuit consists of a full-bridge inverter installed inside the train connected to the primary coil, and the secondary circuit is a full-bridge inverter circuit connected to the secondary coil, which is installed in subway stations. The primary and secondary connection is established by induction coupling between the primary and secondary coils, and the braking power is transferred to the outside of the train. The studied system model is implemented in Simulink MATLAB environment and the simulation results as well as the mechanical brake diagram and the traction power diagram of the train are shown.
Keywords: Brake energy recovery, Induction coupling, Power transmission, Subway trains
Received: 18 July 2024
Revised: 14 September 2024
Accepted: 2 October 2024
Corresponding Author: Dr. Ghazanfar Shahgholian, shahgholian@iaun.ac.ir
DOI: http://dx.doi.org/10.30486/TEEGES.2025.1129425
| فناوریهای نوین مهندسی برق در سیستم انرژی سبز |
..مقاله پژوهشی...
بازیابی انرژی ترمز قطارهای درون شهری با استفاده از انتقال توان از طریق تزویج القایی: مطالعه موردی متروی اصفهان
اکبر براتی1،2، دانشآموخته کارشناسیارشد، غضنفر شاهقلیان1،2، استاد
1- دانشکده مهندسي برق، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ايران
2- مرکز تحقیقات ریزشبکههای هوشمند، واحد نجفآباد، دانشگاه آزاد اسالمی، نجفآباد، ایران
چكيده: مشکل آلودگی هوا ناشی از استفاده سوختهای فسیلی در حمل‌ونقل، باعث توسعه صنعت حمل و نقل برقی شده است. قطار درون شهری (مترو) مقرون به صرفهترین و گستردهترین وسیله حمل و نقل برقی است که یکی از روشهای حل مشکل ترافیک و آلودگی هوا در نظر گرفته میشود. با توجه به کمبود و محدودیت منابع تولید انرژی و هزینه زیاد تولید انرژی، نیاز به اجرایی مدیریت مصرف انرژی در صنعت مترو است. بازیابی انرژی الکتریکی و کاهش تلفات توان در سیستم ترمز قطار شهری یکی از روشهای ضروری و مهم جهت مصرف بهینه انرژی است. به کمک سیستم بازیابی انرژی ترمزی میتوان لختی حرکتی قطار که در ترمزهای اصطکاکی به گرما تبدیل میشود را به برق مصرفی تبدیل کرد. در ترمز ديناميكی، انرژي جنبشي چرخ با استفاده از حالت ژنراتوري سيستم کشش قطار به هنگام اعمال ترمز، به انرژي الكتريكي تبديل مي‌گردد که معمولاً این انرژی در مقاومت‌های ترمزی تلف میشود. در این مقاله بازیابی انرژی ترمز قطارهای مترو با استفاده از انتقال توان از طریق تزویج القایی ارائه شده است. این ساختار برای بهینهسازی انرژی ترمز قطار ارائه شده که به عنوان نمونه در متروی اصفهان شبیهسازی و بررسی شده است. مدل پیشنهادی از یک مدار دوطرفه الکترونیک قدرت تشکیل شده است. اولیه مدار شامل یک اینورتر تمام‌پل تعبیه شده در داخل قطار متصل به سیمپیچ اولیه است و ثانویه آن یک مدار اینورتر تمام‌پل متصل به سیمپیچ ثانویه است که دز ایستگاه‌های مترو نصب میشود. ارتباط اولیه و ثانویه توسط تزویج القایی بین سیمپیچ اولیه و ثانویه برقرار میشود و انتقال توان ترمز به خارج از قطار انجام می‌گردد. مدل سیستم مورد مطالعه در محیط سیمولینک متلب پیادهسازی شده و نتایج شبیهسازی و نیز نمودار ترمز مکانیکی و نمودار توان کششی قطار نشان داده شده است.
واژههاي كليدي: انتقال توان، بازیابی انرژی ترمز، تزویج القایی، قطارهای مترو
تاریخ ارسال مقاله: ۲۸/0۴/140۳
تاریخ بازنگری مقاله: ۲4/0۶/140۳
تاریخ پذیرش مقاله: ۱1/0۷/140۳
نویسندهی مسئول: دکتر غضنفر شاهقلیان، shahgholian@iaun.ac.ir
DOI: http://dx.doi.org/10.30486/TEEGES.2025.1129425
1- مقدمه
یکی از شرایط اصلی بهرهبرداری ایجاد تعادل بین تقاضا و مصرف در شبکه برق برای هرلحظه است [1،2]. با افزایش نگرانیها در مورد مصرف انرژی و اثرات زیست محیطی1 همراه با هزینههای عملیاتی در سیستمهای قدرت، صرفهجویی و بهینهسازی در مصرف انرژی اهمیت زیادی پیدا کرده است [3،4]. مترو یا قطار درون شهری2 یک سیستم راه آهن زیرزمینی است که برای جابجایی تعداد زیادی مسافر در مناطق مختلف شهری و حومهای استفاده میشود. از مزایای راهآهن شهری میتوان به جلوگیری از آلودگی هوا، ایجاد نظم اجتماعی، بهبود بخش فرهنگی، توسعه بخش اقتصادی و صرفهجویی در سوخت اشاره نمود [5،6]. تقاضای مسافران با افزایش سریع ساکنان در شهرهای بزرگ برای سیستمهای مترو به شدت و بهطور پیوسته در حال افزایش است و لذا فشار زیادی بر عملیات اجرایی قطار وارد میشود. توسعه شبکه حمل و نقل ریلی شهری با چالشهای جدیدی همراه خواهد بود که تاثیر زیادی بر عملکرد روزانه مصرف انرژی دارد [7،8]. سیستمهای مترو در مقایسه با خودروهای شخصی از روشهای حمل و نقل کارآمد است. با توجه به مقدار زیاد مصرف انرژی روزانه در یک شبکه مترو، پتانسیل فوقالعادهای برای حفظ انرژی در حمل و نقل مترو وجود دارد لذا ارائه روشهایی جهت مدیریت بهتر انرژی در این بخش اهمیت زیادی پیدا کرده است [9،10]. در اين ميان با توجه به محدوديت منابع تامين انرژي و همچنين هزينه بالاي توليد انرژي، بازيابي انرژي الكتريكي و جلوگيري از اتلاف آن مورد توجه گستردهاي قرار گرفته است [11،12].
هدف از مطالعات انجام شده در زمینه توسعه مترو به دو گروه (الف) بهبود زیرساخت مانند کاهش وزن وسایل نقلیه و نصب دستگاههای ذخیره انرژی و (ب) بهینهسازی عملیات قطار مانند کنترل بهینه قطار و جدول زمانی قطار طبقهبندی میشود [13،14]. تاکنون مطالعات مختلفی در زمینه کاهش هزینههای انرژی در صنعت حمل و نقل و کاربرد مترو توسط محققان انجام شده است [15،16]. مدل ترافیک راهآهن در یک خط، به عنوان رشته‌ای از قطارهای کروز3 در حال تعامل در [17] ارائه شده که تغییرات تصادفی هر قطار با یک فرآیند تصادفی توصیف شده است. معیار عملکرد بر مصرف انرژی و حداکثرهای توان ناشی از شتاب همزمان چند قطار تمرکز دارد. راهبردهای مختلفی برای هموار کردن حداکثرها مانند استفاده از بازیابی انرژی ترمز4 همراه با ذخیرهسازی انرژی الکتریکی به کار برده شده است. همچنین یک مبادله بین عملکرد انرژی و منظم بودن ترافیک نشان داده شده است. روش بهینهسازی مشترک برای برنامهریزی قطار مترو و اتصالهای قطار همراه با استراتژی کنترل مسافر در یک خط مترو دو جهته در [18] بررسی شده است. در این روش بهینهسازی مشارکتی به صورت یک مدل برنامهریزی غیرخطی عدد صحیح مختلط مشخص شده تا مبادله بین استفاده از قطارها، راهبرد کنترل توزیع مسافر و تعداد مسافرها در سکوها را در نظر گرفته شود.
یکی از روشهای مدیریت بهینه انرژی در صنعت مترو بازیابی انرژی ترمز دینامیک قطار است که روشهای مختلفی برای این منظور بررسی و به کارگیری شده است. روش استفاده از ابرخازن‌ها برای بازیابی انرژی ترمز دینامیک در [19] بررسی شده است. در این روش با نصب چند خازن برقی دو لایه5 (ELDC) در قطار تا حدودی توان ترمز قطار با جلوگیری از اتلاف آن، قابل ذخیره شدن است و در مکان‌هایی که امکان نصب خط برق بالاسری وجود ندارد از آن میتوان استفاده نمود. بايد به اين نكته توجه داشت كه استفاده از این روش باعث افزايش وزن، قيمت و هزينه نگهداري تجهيزات مي‌گردد. روش استفاده از الگوریتم حرکت و توقف قطارها در [20] پیشنهاد شده است. در این روش اگر در یک قسمت از خط مترو چند قطار در حالت شتابگیری و دقیقا در همان زمان چند قطار در حالت ترمزگیری باشند، مقدار قابل توجهی از انرژی ترمز قطارهای در حال ترمزگیری در قطارهای در حال شتابگیری قابل استفاده است و مقدار کمتری از توان ترمز دینامیک قطارها تلف میشود. بازیابی انرژی ناشی از ترمز گذرا قطارهایی که به ایستگاه راهآهن مقصد رسیدهاند در [21] اشاره شده تا یک ریزشبکه راهآهن متصل به مدار کشش را به منظور تامین شارژ ناوگان وسایل نقلیه الکتریکی تغذیه کند. ریزشبکه راهآهن در مورد پیکربندی مبدل پل دوگانه فعال به منظور تنظیم جریان برق در طول یک بازیابی انرژی گذرا بررسی شده است. مبدل در ریزشبکه به همراه ذخیره باتری برای ایجاد پایداری ولتاژ با توجه به شرایط عملکرد میکرو شبکه استفاده شده است.
بررسی‌های انجام شده در متروی اصفهان نشان میدهد که تقریباً نیمی از انرژی ترمز دینامیک قطارها در مقاومت‌های ترمز به گرما تبدیل میشوند که بهطور تقریبی در هر ماه به چند مگاوات می‌رسد که مقدار قابل توجهی است. در این مقاله روشی بر اساس انتقال توان از طریق تزویج القایی برای بازیابی انرژی ترمز دینامیک قطارهای شهری ارائه شده است. در این روش توان تولیدی توسط ترمزهای قطار به جای تلف شدن در مقاومت‌های ترمز، توسط یک مدار الکترونیک قدرت به خارج از قطار منتقل میشود و جهت مصرف در ایستگاه‌های مترو استفاده میشود. اگرچه این روش برای قطارهای مغناطیسی در کشورهایی مانند چین بررسی و به کارگیری شده، اما برای اولین بار برای متروهای رایج (متروهای غیرمغناطیسی) مانند مترو اصفهان مطرح شده است. ساختار مقاله در ادامه به این شرح است. در قسمت دوم ساختار قطار برقی و چهار حالت عملکرد آن بیان شده است. در قسمت سوم بازیابی انرژی ترمز قطار اشاره شده است. در قسمت چهارم روابط مربوط به قطار به طور مختصر و روش پیشنهادی آمده است. در قمست پنجم نتایج شبیهسازی با پیادهسازی مدل در سیمولینک متلب نشان داده شده است. در قسمت ششم به ازای تغییرات پارامترها نتایج شبیهسازی کشش و ترمز قطار نشان داده شده است. در نهایت نتیجهگیری و پیشنهادات در قسمت هفتم پیان شده است.
2- ساختار قطار برقی
سیستمهای مترو معمولاً از طریق تونل‌های زیرزمینی کار می‌کنند. اجزای اصلی یک قطار درون شهری شامل عناصر ساختاری مانند پایهها و تیرهای انتقال برق برای سیستمهای مترو مرتفع، سیستم کشش6 متشکل از موتورهای جریان متناوب و اینورترها، دستگاههای نظارت بر توان الکتریکی با سیستمهای تشخیص ولتاژ و جریان، سیستمهای ذخیرهسازی و سیستمهای ارتباطی است. چهار حالت عملیاتی به طور معمول برای قطار مطابق شکل (1) وجود دارد که عبارتند از حالت شتاب، حالت سرعت ثابت (کروز7)، حالت دنده خلاص8 و حالت ترمز [22،23]. انرژی جنبشی چرخ در ترمز دینامیک با استفاده از حالت ژنراتوری موتور کشش در زمان اعمال ترمز دینامیک به انرژی الکتریکی تبدیل میشود که مقداری از انرژی تولیدی به شکل جریان به سایر قطارهای موجود در خط انتقال پیدا میکند و مقدار باقیمانده در مقاومت‌های ترمزی به صورت گرما تلف میشود [24].
شکل (1): چهار مٌد عملیاتی قطار برحسب سرعت و فاصله
ساختار قطارهای مترو بر اساس نوع بهرهبرداری و ظرفیت مسافری شهر متفاوت هستند. در مطالعه موردی مترو اصفهان، قطارهای مترو شامل پنج واگن است. تغذیه سيستم قطارها از طريق شبكه بالاسری انجام میشود. برای سیستم برق‌رسانی به قطار درون شهری از شبکه dc و برای قطار بینشهری از شبکه ac استفاده میشود. برای تغذیه قطار درسیستمهای ریلی شهری ولتاژهای 750 و 1500 و 3000 ولت dc معمولاٌ استفاده میشود که در مترو اصفهان این ولتاژ 1500 ولت است.
شکل (2) ساختار قطار درون شهری اصفهان و قسمتهای مختلف آن را نشان میدهد که در آن TC نشان‌دهنده واگن تریلر (بدون موتور) و دارای کابین راهبری9، M نشان‌دهنده واگن موتور دار و MP نشان دهنده واگن موتوردار دارای پانتوگراف10 برای انتقال برق بالاسری به قطار است. پانتوگراف وسیله بالای واگنهای MP است که به خط برق بالاسری وصل میشود و برق را به قطار انتقال میدهد. در قطارهای درون شهری به شتاب اولیه بالا و سرعت گرفتن سریع قطار نیاز است و هر واگن موتوردار خود کشش بوده و دارای موتور مستقل است [25]. برای رسیدن به شتاب اولیه بالا و سرعت گرفتن سریع قطار باید از موتورهای جریان مستقیم با اتصال سری (مانند قطار مترو در تهران) استفاده شود و یا از موتورهای آسنکرون قفس سنجابی11 (مانند قطار مترو در اصفهان) که توسط اینورترهای قدرت تغذیه میشوند، استفاده شود.
شکل (2): شماتیک قطار درون شهری اصفهان با 5 واگن
3- بازیابی انرژی ترمزی سیستم قطار شهری
با افزایش مصرف انرژی کششی امکان ایجاد مشکل هزینه عملیات برای اپراتورهای سیستم حمل و نقل ریلی شهری وجود دارد. نیمی از انرژی مصرف شده در عملیات مترو مربوط به کشش قطار است. کاهش انرژی کشش قطار باعث کاهش تلفات و افزایش انرژی احیاکننده مجدد میشود [26]. مسئله بازیابی انرژی ترمز دینامیک در قطارهای شهری از روشهای با اهمیت در بهبود مصرف انرژی در صنعت حمل و نقل ریلی است که در سالهای اخیر با توجه به افزایش هزینههای تولید انرژی و پایانپذیری منابع فسیلی مورد توجه قرار گرفته است. از مزایای بازیابی انرژی ترمزی میتوان به کاهش خوردگی کفشک ترمز و چرخ، ذخیرهسازی انرژی، کاهش صداهای ناشی از ترمز هوایی و افزایش راحتی مسافران به علت سرعت یکنواخت اشاره نمود [27،28].
عملکرد ترمز دینامیکی در قطارهای بین شهری در سرعتهای بالا (بر اساس نوع تجهیزات قطار، معمولاً سرعتهای بیشتر از 20 کیلومتر بر ساعت) به این صورت است که در هنگام اعمال ترمز به قطار، موتورهای قطار به ژنراتور تبدیل شده و تولید توان می‌کنند که با توجه به قابلیت شبکه، مقداری از آن به شبکه اصلی بازگردانده میشود. برای اینکه موتور به حالت ژنراتوری تبدیل شود باید سرعت میدان دوار روتور بیشتر از سرعت میدان دوار استاتور شود. برای حالت موتوری سرعت سنکرون ns بیشتر از سرعت روتور nr و در حالت ژنراتوری nr بیشتر از ns است. سرعت سنکرون با فرکانس متناسب و با تعداد قطب رابطه معکوس دارد. بنابراین برای تبدیل حالت موتوری به حالت ژنراتوری باید تعداد قطب و یا مقدار فرکانس تغییر کند. تعداد قطب که مقداری ثابت دارد و در هنگام ساخت و طراحی موتور در نظر گرفته شده و قابل تغییر نیست. بنابراین برای کاهش سرعت میدان دوار استاتور نیاز به تغییر فرکانس است. تغییر فرکانس از طریق اینورترهای قطار امکان‌پذیر است. با کمکردن تدریجی فرکانس، سرعت میدان دوار استاتور کمتر از سرعت میدان دوار روتور شده و موتور به حالت ژنراتوری تبدیل میشود و انرژی حرکتی را به انرژی الکتریکی تبدیل میکند، لذا با دریافت این توان از ژنراتور و مصرف آن سرعت کاهش پیدا خواهد کرد. مسئله اصلی توانایی شبکه برای بازگردانی انرژی ترمز دینامیکی است. ولتاژ جریان متناوب در پست‌های برق مترو به ولتاژ جریان مستقیم تبدیل میشود و خطوط تامین برق مترو نیز جریان مستقیم است، بنابراین محدود بودن توانایی خطوط در پذیرش انرژی تولیدی ترمز دینامیکی را به همراه دارد. این محدودیت به ولتاژ خط، چگالی ترافیک خط و موقعیت قطارها نسبت به یکدیگر بستگی دارد. لذا در زمان افزایش انرژی ترمز دینامیکی، انرژی اضافی به علت ساختار یک‌طرفه مبدلها نمی‌تواند به خط تغذیه جریان متناوب انتقال پیدا کند. بنابراین خطوط دچار مشکل عدم پذیرش میشوند و به ناچار انرژی به سمت بانک‌های مقاومت ترمزی قطار هدایت شده و در مقاومت‌ها از بین میرود [29،30]. در سالهای اخیر از روشهای مختلفی مانند نصب باطری در قطار و نصب خازن برقی دو لایه در قطار برای ذخیرهسازی استفاده شده است [31،32]، در حالی که به علت وزن و حجم باکس‌های المان‌های فوق، امکان خارج شدن قطار از تعادل وجود دارد و همچنین به علت افزایش وزن، مصرف انرژی برای حرکت قطار افزایش پیدا میکند و لذا بهینهسازی مصرف انرژی به خوبی انجام نمیشود.
4- روش پیشنهادی
از پارامترهایی که بر رفتار دینامیکی قطار تأثیر دارند میتوان به موقعیت قطار در مسیر، وزن قطار بدون و با مسافر، سرعت لحظهای قطار و شتاب لحظهای قطار12 و همچنین سطح درخواست ترمز قطار و سطح کشش قطار و نیز شیب مسیر قطار اشاره کرد [33]. شکل (3) نیروهای موثر در حرکت قطار را نشان میدهد که بر حداکثر سرعت و توانایی شتابگیری قطار تأثیر دارند. این نیروها عبارتند از: مقاومت در برابر شتاب قطار13 (FR)، مقاومت در اثر شیب14 (FS)، مقاومت در برابر اصطکاک چرخ15 (FW) و نیروی مقاوم در برابر حرکت قطار16 (FA). نیروهای FW، FS و FR با جرم قطار متناسب هستند. نیروهای FW و FS به ترتیب با کسینوس و سینوس زاویه شیب α متناسب هستند [34،35]. نیروی مقاوم نهایی (FT) برابر است با:
(1)
شکل (3): نیروهای وارد بر قطار در حال حرکت
شکل (4): کشش و ترمز الکتریکی بر حسب سرعت
جدول (1): حالت‌های مختلف حرکت قطار
زمان بر حسب ثانیه | رابطه نیرو | حالت حرکت قطار | کمیت بخش |
1 الی 25 |
| کشش | اول |
8/0 الی 1 |
| خلاص | دوم |
تا زمان ایستادن |
| ترمز | سوم |
نیروی کشش17 و نیروی ترمز18 الکتریکی در شکل (4) بر حسب سرعت نشان داده شده است که در آن نامتقارن بودن مشخصه ترمز نسبت به کشش قابل مشاهده است. نیروی کشش در واحد وزن FT از درونیابی خطی مطابق رابطه زیر بین دو نقطه (V1,F1) و (V2,F2) در سرعت VY تعیین میشود:
(2)
بهطور مشابه نیروی ترمز احیا کننده WZ در سرعت VZ از درونیابی خطی بین دو نقطه (V1,W1) و (V2,W2) از رابطه زیر در سرعت VZ تعیین میشود [36]:
(3)
شکل (5) مدل قسمت مکانیکی قطار پیادهسازی شده در محیط سیمولینک متلب را نشان میدهد که در آن نیروهای wi، ws و wr به ترتیب مقاومت شیب خط در برابر عبور قطار، مقاومت قوس خط و مقاومت اصطکاک تونل هستند. همانطور که مشاهده میشود، این مدل شامل سه حالت کششی، دنده خلاص و ترمزی است که برای هر قسمت زمان مشخصی در نظر گرفته شده و در جدول (1) این سه حالت شان داده شده است. با توجه به رابطههای نیروی کشش fq و نیروی ترمز wz در هر زمان مقدار نیروی مشخصی به قطار اعمال میشود.
شکل (5): مدل قسمت مکانیکی قطار در محیط سیمولینک متلب
با توجه به خروجی مدار شکل (5) که CS و VS را نشان میدهد (که CS مقدار نیرو و VS مقدار سرعت قطار میباشد.) و با استفاده از رابطه توان ترمزی PZ و توان کششی PS که در روابط (4) و (5) آمده است، قسمت الکتریکی پیادهسازی میشود. شکل (6) پیادهسازی قسمت الکتریکی برای تحریک IGBTها را نشان میدهد و در شکل (7) ولتاژ و جریان ورودی با مقدار مرجع مقایسه شده و تحریک هشت گیت IGBT انجام میشود.
شکل (6): پیادهسازی مدل قسمت الکتریکی مدار در محیط سیمولینک متلب
شکل (7): مدل قسمت الکتریکی در محیط سیمولینک متلب
(4)
(5)
η مقدار بهره سیستم کششی قطار میباشد که در این مدل 85/0 در نظر گرفته شده است. در این مقاله از روش انتقال توان از طریق تزویج القایی19 (ICPT) برای بازیابی انرژی ترمزی استفاده شده است. در این سیستم برای ایجاد یک تزویج خوب، سیمپیچها از طریق یک هسته مغناطیسی مشترک به هم متصل نمی‌شوند، بلکه روی یک هسته بزرگ از هم جدا میشوند [37،38]. از القای مغناطیسی در ترانسفورماتورهایی که به طور خاص برای این منظور ساخته شدهاند برای پیادهسازی این سیستم استفاده میشود. در این ترانسفورماتورها انتقال انرژی از طریق هوا و به صورت القایی از سیمپیچ اولیه به ثانویه انجام میشود که معمولاً فاصله زیادی بین اولیه و ثانویه وجود دارد. این ترانسفورماتورها با توجه به تزویج خوب بین سیمپیچها، بسیار متفاوت از ترانسفورماتورهای معمولی است [39،40].
در این روش معایبی مانند اختلال در تعادل قطار و افزایش وزن قطار وجود ندارد. سیستم ICPT از یک مدار الکترونیک قدرت دوطرفه تشکیل شده که اولیه آن قطار و ثانویه آن خط و ایستگاه مترو است. سیمپیچ اولیه در زیر قطار تعبیه میشود تا در هنگام ترمزگیری انرژی از طریق آن به سیمپیچ ثانویه که خارج از قطار و در خط تعبیه شده است انتقال یابد. سیمپیچ ثانویه به مدار شارژ باطری ایستگاه‌ها متصل است و باطریها را شارژ میکند. با توجه به طراحی مناسب قطارهای مترو و تنظیم ارتفاع اتوماتیک آنها، ارتفاع قطار از سطح ریل تغییر نمی‌کند و طراحی و استفاده از این روش بسیار مناسب و کاربردی است. اما در عمل تعیین متغیرهای سیمپیچها و فرکانس تشدید کار سادهای نخواهد بود و نیاز به محاسبات پیچیده و کنترلکننده مقاوم برای حفظ پایداری سیستم است [41،42]. این مدار برای شارژ باطری خودروهای الکتریکی و نیز در قطارهای مغناطیسی مورد استفاده قرار گرفته است، اما ایده اصلی، استفاده از این روش در قطارهای مترو (مطالعه موردی در مترو اصفهان) بررسی و شبیهسازی شده است که ساختاری جدید برای بهینهسازی انرژی ترمز دینامیک قطارها ارائه میشود. شکل (8) روش پیشنهادی را نشان میدهد که در آن Pa و Pb نشان دهنده توانهای ترمز دینامیک قطارها هستند که توسط سلف‌های تزویج شده از قطار به ایستگاه‌ها انتقال پیدا میکند. توانهای انتقالی از سمت راست و سمت چپ به ترتیب با PR و PL و توان دستگاه ذخیره کننده انرژی با PSC نشان داده شده است. همچنین توان شبکه برق با PO نمایش داده شده است [43]. همانطور که در شکل مشاهده میشود سلف اولیه داخل قطار و زیر قطار تعبیه شده و به مدار اولیه داخل قطار متصل شده است. سلف ثانویه در خط قرار دارد و توان ترمزی پس از عبور از سلف ثانویه به مدار اینورتر ثانویه انتقال یافته و خروجی آن به مدار شارژ باتری ایستگاه‌ها منتقل میشود.
شکل (8): روش پیشنهادی انتقال توان برای بازیابی انرژی ترمز در نرم افزار اورکد
5- نتایج شبیهسازی
شبیهسازی سیستم پیشنهادی برای برنامهریزی و توسعه سیستم ریلی قبل از ساخت و آزمایش واقعی ضروری است. نمایش دقیق مشخصات مسیر قطار بر اساس موقعیت قطار در اثر سیستم قدرت راهآهن و تغییرات بار دینامیکی مشکل است. با توجه به نياز به بهينهسازي مصرف انرژي در صنعت حمل و نقل ريلي، امروزه استفاده از ترمز ديناميكي در قطارهاي برقي از اهميت ويژه‌اي برخوردار است. از ترمزهاي ديناميكي جهت بازگرداندن انرژي حاصل از ترمز الكتريكي به شبكه توزيع استفاده میشود. مدل مدار مبدل دوطرفه برای انتقال توان به روش تزویج القایی مورد استفاده در روش بازیابی انرژی ترمزی در شکل (9) نشان داده شده است. این مدار از یک اینورتر در ورودی و یک اینورتر در خروجی تشکیل شده است. در این مدار انتقال توان توسط سیم‌پیچ‌های تزویج شده از ورودی به خروجی انجام میشود، به عبارت دیگر توان تولید شده توسط ترمز دینامیک از اولیه که قطار است به مدار ثانویه که در ایستگاه جانمایی شده است انتقال پیدا میکند. ولتاژ خط مترو اصفهان دارای ولتاژ 1500 ولت است. پارامترهای استفاده شده برای شبیهسازی در جدول (2) آمده است. این پارامترها بر اساس یک نوع قطار در [44] انتخاب شدهاند با این تفاوت که ولتاژ کاری مدار برای مترو اصفهان 1500 ولت است.
ولتاژ و جریان ورودی به ترتیب در شکلهای (10) و (11) نشان داده شده است. ولتاژ و جریان خروجی به ترتیب در شکلهای (12) و (13) نشان داده شده است. همانطور که مشاهده میشود مقادیر ولتاژ و جریان ورودی و خروجی مدار مبدل دوطرفه یکسان است و به عبارت دیگر مبدل دوطرفه به صورت درست عمل میکند و توان را از اولیه به ثانویه منتقل کرده است. بنابراین توان ترمزی قطار به مصرف‌کننده‌های ایستگاه منتقل میشود. با توجه به رابطه توان (متناسب با حاصل ضرب ولتاژ و جریان) و با استفاده از نتایج موج‌های جریان و ولتاژ ورودی، توان ورودی مبدل تعیین میشود. قابل ذکر است که مقدار توان ورودی مبدل، متغیر و بر حسب میزان ترمزگیری افزایش یا کاهش پیدا میکند که در این مدار مقدار حداکثر توان ورودی در نظر گرفته شده و نتایج شبیهسازی مدار تعیین شده است.
به طور مشابه با استفاده از نتایج موج‌های جریان و ولتاژ خروجی، توان خروجی مبدل تعیین میشود. در این حالت توان خروجی مبدل برحسب توان ورودی قابل محاسبه است. اگر المان‌های مدار ایده‌آل در نظر گرفته شود، تمام توان ورودی در خروجی ظاهر میشود و به عبارت دیگر نحوه کار درست مدار را نشان میدهد. نتایج شبیهسازی بر اساس وجود حداکثر توان ورودی به مبدل تعیین شده که در حالت واقعی این مقدار بر حسب میزان ترمزگیری متفاوت است. شکل (14) نمایش دهنده اطلاعات مربوط به قطار مترو اصفهان است که از صفحه نمایشگر صنعتی رابط انسان و ماشین20 (HMI) قطار تصویربرداری شده است. پارامتر توان که در ردیف 11 نشان داده شده، میزان توان تلف شده در مقاومت‌های ترمزی21 را نشان میدهد که مقدار قابل توجه آن اهمیت روش پیشنهادی و توجه و استفاده بهینه از آن را بیان میکند.
شکل (9): پیادهسازی مدل مبدل دوطرفه
جدول (2): پارامترهای سیستم مبدل دو طرفه
واحد | مقدار | سمبل | پارامتر |
V | 1500 | U1 | ولتاژ سمت فرستنده |
μF | 10-3×5/146 | CP1 | خازن جبران ساز اولیه |
μF | 10-3×5/146 | C P2 | خازن فیلتر اولیه |
μH | 4/28 | LP1 | سلف اولیه فرستنده |
μH | 3/24 | LP2 | سلف فیلتر اولیه |
Ω | 5/1 | RP | مقاومت مدار فرستنده |
μH | 16 | M | مقدار تزویج سیمپیچها |
μF | 10-3×5/146 | CS1 | خازن جبران ساز ثانویه |
μF | 10-3×5/146 | C S2 | خازن فیلتر ثانویه |
μH | 4/48 | LS1 | سلف ثانویه گیرنده |
μH | 3/24 | LS2 | سلف فیلتر ثانویه |
Ω | 5/1 | RS | مقاومت مدار گیرنده |
KHz | 85 | f | فرکانس |
شکل (10): ولتاژ ورودی مبدل دوطرفه
شکل (11): جریان ورودی مبدل دوطرفه
شکل (12): ولتاژ خروجی مبدل دوطرفه
شکل (13): جریان خروجی مبدل دوطرفه
شکل (14): اطلاعات مربوط به HMI قطار مترو اصفهان
شکل (15): نمودار ترمزی قطار در محیط متلب
شکل (16): نمودار کششی قطار در محیط متلب
پارامترهای دیگر شامل مقدار کارکرد قطار (کیلومتر شمار22) برحسب کیلومتر بر ساعت 198857، کارکرد قطار (ساعات کاری23) برحسب ساعت 9208، انرژی تولید شده توسط مبدلهای اول و دوم برحسب مگاوات-ساعت 689 و 690، مدت زمان کارکرد کمپرسورهای هوای24 اول و دوم برحسب ساعت 1171 و 1123، انرژی تولید شده توسط مبدلهای کمکی اول و دوم 157 و 156، انرژی بازیابی شده از انرژی ترمز برحسب مگاوات-ساعت 790 است.
شکل (15) نمودار سرعت قطار به ازای افزایش توان ترمزی را نشان میدهد که در آن کاهش سرعت با افزایش یافتن توان ترمزی مشاهده میشود. تغییرات سرعت به ازای افزایش توان کششی25 در شکل (16) نشان داده شده است. همانطور که مشاهده میشود با افزایش توان کششی، سرعت افزایش می‌یابد.
6- تاثیر تغییرات پارامترها
با توجه به اینکه قطارهای مترو تهران متفاوت و دارای ولتاژ خط 750 ولت DC هستند، شبیهسازی سیستم مورد نظر بر اساس پارامترهای آن در شکلهای (17)، (18)، (19) و (20) نشان داده شده است. همچنین نمودار سرعت به ازای افزایش توان کششی و توان ترمزی در شکلهای (21) و (22) نشان داده شده است.
شکل (17): ولتاژ ورودی مبدل750 ولت
شکل (18): جریان ورودی مبدل 750 ولت
شکل (19): ولتاژ خروجی مبدل750 ولت
شکل (20): جریان خروجی مبدل750 ولت
شکل (21): نمودار اقزایش سرعت به ازای افزایش توان کششی قطار در محیط متلب
شکل (22): نمودار کاهش سرعت به ازای افزایش توان ترمزی قطار در محیط متلب
7- نتيجهگیری
بازیابی و ذخیرهسازی انرژی تولید شده در قطارهای متروی شهری با توجه به مصرف زیاد انرژی توسط این قطارها اهمیت فراوانی پیدا کرده است. توان زیادی از انرژی تولید شده ناشی از ترمز قطارهای متروی شهری قابلیت بازیابی و استفاده آن در شبکه اصلی را دارد. برای سیستمهای قطار شهری که معمولاً در حال حرکت و ترمز هستند، استفاده مؤثر از بازیابی انرژی ترمز یک راه حل قابل توجه برای کاهش مصرف خالص انرژی است. به منظور افزايش بهره سيستم‌هاي ترمز ديناميكي در شبكه‌هاي جریان مستقیم، در این مقاله از روش تزویج القایی برای بازگشت انرژی ترمز دینامیک به چرخه بهرهبرداری بررسی شده است. در طرح ارائه شده انتقال انرژی به خارج از قطار با استفاده از روش القای مغناظیسی انجام شده و بهرهبرداری بهینه از انرژی صورت گرفته است. همچنین تا حد زیادی نیاز به تعمیر و نگهداری تجهیزات قطار کاهش پیدا میکند. با بررسی‌های میدانی انجام شده در مترو اصفهان و تعیین مقادیر واقعی از تجهیزات موجود، مشخص شد که در حال حاضر روزانه مقدار مصرف حدود ده هزار خانواده (مصرف روزانه هر خانواده حدوداً معادل 5/6 کیلووات است) معادل حدود 1 مگاوات در مقاومت‌های ترمزی تلف میشود که آن را میتوان با استفاده از روش فوق بازیابی نمود. البته با گسترش خطوط مترو مقدار بازیابی انرژی به نسبت افزایش قطارهای موجود در بهرهبرداری افزایش پیدا خواهد کرد. محاسبات برای بهرهبرداری از 8 قطار مترو در یک خط که در حال حاضر در مترو اصفهان در حال بهرهبرداری میباشد، انجام شده است.
سپاسگزاري
از داوران محترم مقاله که با نظرات ارزشمند خود بر کیفیت مقاله افزودند و همچنین از همکاران محترم در متروی اصفهان که ما را در این تحقیق یاری نمودند تشکر و قدردانی مینماییم.
مراجع
[1] M. Jaberolansar, M.M. Rezaei, H. Khodadadi, S.M. Madani, "Optimizing the control of dfig based wind turbines using sensitivity analysis and particle swarm optimization method", Technovations of Electrical Engineering in Green Energy System, vol. 1, no. 3, pp. 75-90, Dec. 2022, doi: 10.30486/teeges.2022.1963760.1025.
[2] S.A. Ardeh, M. Tabrizian, H. Shahmirzad, "Coordinated operation of gas-electricity integrated distribution network with CCHP and renewable energy sources", Journal of Novel Researches on Smart Power Systems, vol. 11, no. 3, pp. 43-53, Dec. 2022, dor: 20.1001.1.23222468.1401.11.3.5.1.
[3] A. Fathollahi, M. Gheisarnejad, B. Andresen, H. Farsizadeh, M.H. Khooban, "Robust artificial intelligence controller for stabilization of full-bridge converters feeding constant power loads", IEEE Trans. on Circuits and Systems II: Express Briefs, vol. 70, no. 9, pp. 3504-3508, Sept. 2023, doi: 10.1109/TCSII.2023.3270751.
[4] G. Shahgholian, "A brief review on the application of the virtual impedance method in islanded alternating current microgrids to control reactive power sharing", Hydrogen, Fuel Cell and Energy Storage, vol. 11, no. 3, pp. 189-204, Sept. 2024, doi: 10.22104/hfe.2024.6989.1304.
[5] Y. Yin, D. Li, Z. Han, S. Zhang, "Demand-driven flexible-periodicity train timetabling model and algorithm for a rail transit network", Computers and Industrial Engineering, vol. 187, Article Number: 109809, Jan. 2024, doi: 10.1016/j.cie.2023.109809.
[6] Z. Tian, P. Weston, N. Zhao, S. Hillmansen, C. Roberts, L. Chen, "System energy optimisation strategies for metros with regeneration", Transportation Research Part C: Emerging Technologies, vol. 75, pp. 120-135, Feb. 2017, doi: 10.1016/j.trc.2016.12.004.
[7] S. Yang, J. Wu, X. Yang, F. Liao, D. Li, Y. Wei, "Analysis of energy consumption reduction in metro systems using rolling stop-skipping patterns", Computers and Industrial Engineering, vol. 127, pp. 129-142, Jan. 2019, doi: 10.1016/j.cie.2018.11.048.
[8] Y. Lu, L. Yang, H. Yang, H. Zhou, Z. Gao, "Robust collaborative passenger flow control on a congested metro line: A joint optimization with train timetabling", Transportation Research Part B: Methodological, vol. 168, pp. 27-55, Feb. 2023, doi:10.1016/j.trb.2022.12.008.
[9] D. He, Y. Yang, Y. Chen, J. Deng, S. Shan, J. Liu, X. Li, "An integrated optimization model of metro energy consumption based on regenerative energy and passenger transfer", Applied Energy, vol. 264, Article Number: 114770, April 2020, doi: 10.1016/j.apenergy.2020.114770.
[10] X. Yang, Y. Li, X. Guo, M. Ding, J. Yang, "Simulation of energy-efficient operation for metro trains: A discrete event-driven method based on multi-agent theory", Physica A: Statistical Mechanics and its Applications, vol. 609, Article Number: 128325, Jan. 2023, doi: 10.1016/j.physa.2022.128325.
[11] M. Fooladgar, E. Rok-Rok, B. Fani, G. Shahgholian, "Evaluation of the trajectory sensitivity analysis of the DFIG control parameters in response to changes in wind speed and the line impedance connection to the grid DFIG", Journal of Intelligent Procedures in Electrical Technology, vol. 5, no. 20, pp. 37-54, March 2015, dor: 20.1001.1.23223871.1393.5.20.4.9.
[12] G. Shahgholian, "A brief review on the application of the virtual impedance method in islanded alternating current microgrids to control reactive power sharing", Hydrogen, Fuel Cell and Energy Storage, vol. 11, no. 3, pp. 189-204, Sept. 2024, doi: 10.22104/hfe.2024.6989.1304.
[13] G.M. Scheepmaker, R.M.P. Goverde, L.G. Kroon, "Review of energy-efficient train control and timetabling", European Journal of Operational Research, vol. 257, no. 2, pp. 355-376, March 2017, doi: 10.1016/j.ejor.2016.09.044.
[14] X. Yang, X. Li, B. Ning, T. Tang, "A survey on energy-efficient train operation for urban rail transit", IEEE Trans. on Intelligent Transportation Systems, vol. 17, no. 1, pp. 2-13, Jan. 2016, doi: 10.1109/TITS.2015.2447507.
[15] B. Guan, H. Li, H. Yang, T. Zhang, X. Liu, X. Wang, "Leveraging cost-effectiveness of photovoltaic-battery system in metro station under time-of-use pricing tariff", Journal of Cleaner Production, vol. 434, Article Number: 140268, Jan. 2024, doi: 10.1016/j.jclepro.2023.140268.
[16] F. Shang, J. Zhan, Y. Chen, "An online energy-saving driving strategy for metro train operation based on the model predictive control of switched-mode dynamical systems", Energies, vol. 13, no. 18, Article Number: 4933, Sept. 2020, doi:10.3390/en13184933.
[17] A. Trivella, F. Corman, "Modeling system dynamics of interacting cruising trains to reduce the impact of power peaks", Expert Systems with Applications, vol. 230, Article Number: 120650, Nov. 2023, doi: 10.1016/j.eswa.2023.120650.
[18] R. Liu, S. Li, L. Yang, "Collaborative optimization for metro train scheduling and train connections combined with passenger flow control strategy", Omega, vol. 90, Article Number: 101990, Jan. 2020, doi: 10.1016/j.omega.2018.10.020.
[19] E. Takahara, T. Wakasa, J. Yamada, "A study for electric double layer capacitor (EDLC) application to railway traction energy saving including change over between series and parallel modes", Proceedings of the IEEE/PCC, vol. 2, pp. 855-860, Osaka, Japan, April 2002, doi: 10.1109/PCC.2002.997632.
[20] K. Deb, A. Pratap, S. Agarwal, T. Meyarivan, "A fast and elitist multiobjective genetic algorithm: NSGA-II", IEEE Trans. on Evolutionary Computation, vol. 6, no. 2, pp. 182-197, April 2002, doi: 10.1109/4235.996017.
[21] S. Menicanti, M. Benedetto, D. Marinelli, F. Crescimbini, "Recovery of trains’ braking energy in a railway micro-grid devoted to train plus electric vehicle integrated mobility", Energies, vol. 15, no. 4, Article Number: 1261, Feb. 2022, doi: 10.3390/en15041261.
[22] Y. Bai, Y. Cao, Z. Yu, T.K. Ho, C. Roberts, B. Mao, "Cooperative control of metro trains to minimize net energy consumption", IEEE Trans. on Intelligent Transportation Systems, vol. 21, no. 5, pp. 2063-2077, May 2020, doi: 10.1109/TITS.2019.2912038.
[23] C. Sumpavakupa, T. Kulworawanichpongb, "Multi-train movement simulation using MATLAB object-oriented programming", Applied Mechanics and Materials, vol. 763, pp. 153-158, May 2015, doi: 10.4028/www.scientific.net/AMM.763.153.
[24] S. Haładyn, "The problem of train scheduling in the context of the load on the power supply infrastructure: A case study", Energies, vol. 14, no. 16, Article Number: 4781, Aug. 2021, doi: 10.3390/en14164781.
[25] M.E. Arı, İ. Esen, "Design of a metro train and structural analysis of the metro vehicle body by finite element method", Demiryolu Mühendisliği, no. 15, pp. 30–45, Jan. 2022, doi: 10.47072/demiryolu.1018663.
[26] S. Su, T. Tang, Y. Wang, "Evaluation of strategies to reducing traction energy consumption of metro systems using an optimal train control simulation model", Energies, vol. 9, no. 2, Article Number: 105, Feb. 2016, doi:10.3390/en9020105.
[27] G. Leoutsakos, A. Deloukas, K. Sarris, I. Apostolopoulos, C. Mamaloukakis, D. Kyriazidis, A. Bensmann, R. Hanke-Rauschenbach, "Metro traction power measurements sizing a hybrid energy storage system utilizing trains regenerative braking", Journal of Energy Storage, vol. 57, Article Number: 106115, Jan. 2023, doi:10.1016/j.est.2022.106115.
[28] G.M. Scheepmaker, R.M.P. Goverde, "Energy-efficient train control using nonlinear bounded regenerative braking", Transportation Research Part C: Emerging Technologies, vol. 121, Article Number: 102852, Dec. 2020, doi: 10.1016/j.trc.2020.102852.
[29] A. González-Gil, R. Palacin, P. Batty, "Sustainable urban rail systems: Strategies and technologies for optimal management of regenerative braking energy", Energy Conversion and Management, vol. 75, pp. 374-388, Nov. 2013, doi: 10.1016/j.enconman.2013.06.039.
[30] F. Cascetta, G. Cipolletta, A.D. Femine, J.Q. Fernández, D. Gallo, D. Giordano, D. Signorino, "Impact of a reversible substation on energy recovery experienced on-board a train", Measurement, vol. 183, Article Number: 109793, Oct. 2021, doi: 10.1016/j.measurement.2021.109793.
[31] G. Zhang, Z. Tian, P. Tricoli, S. Hillmansen, Y. Wang, Z. Liu, "Inverter operating characteristics optimization for dc traction power supply systems", IEEE Trans. on Vehicular Technology, vol. 68, no. 4, pp. 3400-3410, April 2019, doi: 10.1109/TVT.2019.2899165.
[32] F. Meishner, D.U. Sauer, "Wayside energy recovery systems in dc urban railway grids", eTransportation, vol. 1, Article Number: 100001, Aug. 2019, doi: 10.1016/j.etran.2019.04.001.
[33] M. Ceraolo, G. Lutzemberger, "Stationary and on-board storage systems to enhance energy and cost efficiency of tramways", Journal of Power Sources, vol. 264, pp. 128-139, Oct. 2014, doi: 10.1016/j.jpowsour.2014.04.070.
[34] M. Haghbin, F. Safaiy, V. Mahmoodi, "Practical modeling of existing trains in the shiraz metro using neural networks and PID-fuzzy controller for ATO system implementation", International Journal of Railway Research, vol. 10, no. 1, pp. 18-28, June 2023, doi: 10.22068/ijrare.317.
[35] H.S. Hansen, M.U. Nawaz, N. Olsson, "Using operational data to estimate the running resistance of trains. Estimation of the resistance in a set of Norwegian tunnels", Journal of Rail Transport Planning and Management, vol. 7, no. 1–2, pp. 62-76, June/Sept. 2017, doi: 10.1016/j.jrtpm.2017.01.002.
[36] R. Li, J. Wang, X. Zhao, X. Li, "Segmented power supply preset control method of high-speed rail contactless traction power supply system considering regenerative braking energy recovery", Mathematical Problems in Engineering, Hindawi, vol. 2020, pp. 1-15, Dec. 2020, doi: 10.1155/2020/6698688.
[37] K.A. Kalwar, M. Aamir, S. Mekhilef, "Inductively coupled power transfer (ICPT) for electric vehicle charging- A review", Renewable and Sustainable Energy Reviews, vol. 47, pp. 462-475, July 2015, doi: 10.1016/j.rser.2015.03.040.
[38] A.F.A. Aziz, M.F. Romlie, Z. Baharudin, "Review of inductively coupled power transfer for electric vehicle charging", IET Power Electronics, vol. 12, no. 14, pp. 3611-3623, Nov. 2019, doi: 10.1049/iet-pel.2018.6011.
[39] J. Xu, X. Li, Z. Xie, C. Fu, R. Du, "Design and analysis of inductively coupled power transfer system on mooring buoy with double ultracapacitor chargers using indirect control", IEEE Trans. on Industrial Electronics, vol. 67, no. 6, pp. 4836-4845, June 2020, doi: 10.1109/TIE.2019.2928249.
[40] X. Ren, R. Liu, E. Tian, "T–S fuzzy model-based fault detection for inductively coupled power transfer systems with coil misalignment", IEEE Trans. on Instrumentation and Measurement, vol. 73, pp. 1-10, 2024, Art no. 3501410, doi: 10.1109/TIM.2023.3331393.
[41] L. Shi, Z. Yin, L. Jiang, Y. Li, "Advances in inductively coupled power transfer technology for rail transit", CES Transa. on Electrical Machines and Systems, vol. 1, no. 4, pp. 383-396, December 2017, doi: 10.23919/TEMS.2017.8241360.
[42] C. Xia, W. Wang, S. Ren, X. Wu, Y. Sun, "Robust control for inductively coupled power transfer systems with coil misalignment", IEEE Trans. on Power Electronics, vol. 33, no. 9, pp. 8110-8122, Sept. 2018, doi: 10.1109/TPEL.2017.2771532.
[43] R. Li, X. Zhao, J. Wang, X. Li, "Research on energy distribution of regenerative braking in station for contactless traction power supply system based on bidirectional energy interaction ICPT system", IEEE Access, vol. 8, pp. 203930-203944, Nov. 2020, doi: 10.1109/ACCESS.2020.3035092.
[44] D.S. Hoo, K.H. Chua, Y.S. Lim, S. Morris, L. Wang, "Comparison of regenerative braking energy recovery of a DC third rail system under various operating conditions", International Journal of Electrical Power and Energy Systems, vol. 155, Article Number: 109575, Jan. 2024, doi: 10.1016/j.ijepes.2023.109575.
زیرنویسها
فناوریهای نوین مهندسی برق در سیستم انرژی سبز، سال چهارم، شماره ۳، پاییز ۱۴۰۴ 17
[1] Environmental
[2] Intercity train
[3] Cruise trains
[4] Brake energy recovery
[5] Electric double layer capacitor
[6] Traction system
[7] Cruising mode
[8] Coasting mode
[9] Driving cabin
[10] Wagon with pantograph
[11] Squirrel cage asynchronous motors
[12] Instantaneous train acceleration
[13] Resistance against train acceleration
[14] Slope resistance
[15] Wheel friction resistance
[16] Aerodynamic resistance
[17] Traction force
[18] Braking force
[19] Inductively coupled power transfer
[20] Human machine interface
[21] Resistance braking energy consumed
[22] Odometer
[23] Operational hours
[24] Air compressors operational time
[25] Traction power