• الصفحة الرئيسية
  • ارائه یک مدل برنامه‌ریزی بهینه برای ایستگاه‌های شارژ سریع خودروهای برقی در یک شبکه توزیع کم آلاینده با هدف بهبود پارامترهای فنی و اقتصادی

شارک

عنوان URL للمقالة


رقم المقالة : 140212271105498 زيارة : 212 الصفحة: 55 - 74

10.30486/TEEGES.2024.1105498

نوع المخطوط: ابحاث

ارائه یک مدل برنامه‌ریزی بهینه برای ایستگاه‌های شارژ سریع خودروهای برقی در یک شبکه توزیع کم آلاینده با هدف بهبود پارامترهای فنی و اقتصادی

الموضوعات :

موید محسنی 1 (شرکت سهامی برق منطقه ای خوزستان، اهواز، ایران)
علیرضا نیکنام کومله 2 (گروه مهندسی برق، دانشگاه صنعتی امیر کبیر، تهران، ایران)
جواد ابراهیمی 3 (اداره آموزش و پرورش استان اصفهان، مدیریت ناحیه 4، اصفهان، ایران)
مهیار عباسی 4 (گروه مهندسی برق، دانشکده مهندسی ، دانشگاه اراک، ایران)
محمود جورابیان 5 (گروه مهندسی برق، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران)

تاريخ الإرسال : 08 الإثنين , رمضان, 1445 تاريخ التأكيد : 11 السبت , شوال, 1445 تاريخ الإصدار : 19 الأربعاء , رمضان, 1446

الکلمات المفتاحية: برنامه ریزی بهینه, ایستگاه شارژ خودروی برقی, شارژ گسسته, پروفیل بار, توسعه شبکه توزیع ,

ملخص المقالة :

یکی از بزرگترین و مهم‌ترین دلایل حذف خودروهای بنزینی و دیزلی از بازارهای جهانی خودرو، میزان بالای آلایندگی آنهاست که موجب شده بسیاری از شهرهای بزرگ و صنعتی در جهان با معضل آلودگی همیشگی هوا مواجه شوند و شهروندان ساکن در آنها نیز با مشکلات متعددی مواجه شوند. اما استفاده از خودروهای برقی این معضلات متعدد را نداشته و باعث استقبال روز افزون ازخودروهای برقی شده است. در اکثر مقالات نرخ شارژ پیوسته در نظر گرفته شده است حال آنکه ایستگاه‌های شارژ با نرخ گسسته کار می‌کنند و اکثراً از نوع تک نرخی هستند. در این مقاله مدل ریاضی برای شارژ خودروهای برقی با نرخ گسسته بیان شده است که در آن منفعت مشترکین خودروی برقی، منفعت واحد هماهنگ ساز شارژ و منفعت بهره بردار شبکه به طور همزمان برآورده می‌شود. سپس مساله جلوگیری از قطع و وصل‌های بالا که منجر به آسیب رسانی به ایستگاه شارژ می‌شود در قالب ریاضی بیان شده و به مساله اعمال می‌گردد. در نهایت مدل برنامه ریزی توسعه ایستگاه شارژ نرخ گسسته در شبکه به عنوان نوآوری مطرح و توسط روش برنامه‌ریزی غیرخطی آمیخته با عدد صحیح بهینه می‌شود. نتایج نشان می‌دهد که نرخ شارژ گسسته خودروی برقی در عین سادگی می تواند فواید متعددی را از دیدگاه مسطح سازی پروفیل بار، تامین توان مورد نیاز مشترکین، و رعایت قیود امنیت شبکه را به همراه داشته باشد. اما عدم توسعه شبکه توزیع منجر به جلوگیری از رشد سطح نفوذ خودروهای برقی در شبکه خواهد شد. همچنین حضور این ایستگاه‌ها و برنامه‌ریزی بهینه آن‌ها باعث کاهش میزان انتشار آلاینده‌ها در محیط زیست می‌شود.

المصادر:

[1] A. Ahmad, Z. A. Khan, M. Saad Alam, and S. Khateeb, “A Review of the Electric Vehicle Charging Techniques, Standards, Progression and Evolution of EV Technologies in Germany,” Smart Science, vol. 6, no. 1. 2018. doi: 10.1080/23080477.2017.1420132.
[2] H. Shareef, M. M. Islam, and A. Mohamed, “A review of the stage-of-the-art charging technologies, placement methodologies, and impacts of electric vehicles,” Renewable and Sustainable Energy Reviews, vol. 64. 2016. doi: 10.1016/j.rser.2016.06.033.
[3] G. Binetti, A. Davoudi, D. Naso, B. Turchiano, and F. L. Lewis, “Scalable Real-Time Electric Vehicles Charging with Discrete Charging Rates,” IEEE Trans Smart Grid, vol. 6, no. 5, 2015, doi: 10.1109/TSG.2015.2396772.
[4] Z. Ma, D. S. Callaway, and I. A. Hiskens, “Decentralized charging control of large populations of plug-in electric vehicles,” IEEE Transactions on Control Systems Technology, vol. 21, no. 1, 2013, doi: 10.1109/TCST.2011.2174059.
[5] O. Sundström and C. Binding, “Flexible charging optimization for electric vehicles considering distribution grid constraints,” IEEE Trans Smart Grid, vol. 3, no. 1, 2012, doi: 10.1109/TSG.2011.2168431.
[6] V. Aravinthan and W. Jewell, “Controlled electric vehicle charging for mitigating impacts on distribution assets,” IEEE Trans Smart Grid, vol. 6, no. 2, 2015, doi: 10.1109/TSG.2015.2389875.
[7] N. Chen, C. W. Tan, and T. Q. S. Quek, “Electric vehicle charging in smart grid: Optimality and valley-filling algorithms,” IEEE Journal on Selected Topics in Signal Processing, vol. 8, no. 6, 2014, doi: 10.1109/JSTSP.2014.2334275.
[8] S. Vandael, B. Claessens, M. Hommelberg, T. Holvoet, and G. Deconinck, “A scalable three-step approach for demand side management of plug-in hybrid vehicles,” IEEE Trans Smart Grid, vol. 4, no. 2, 2013, doi: 10.1109/TSG.2012.2213847.
[9] W. Tang, S. Bi, and Y. J. A. Zhang, “Online coordinated charging decision algorithm for electric vehicles without future information,” IEEE Trans Smart Grid, vol. 5, no. 6, 2014, doi: 10.1109/TSG.2014.2346925.
[10] H. Zhang, S. J. Moura, Z. Hu, and Y. Song, “PEV Fast-Charging Station Siting and Sizing on Coupled Transportation and Power Networks,” IEEE Trans Smart Grid, vol. 9, no. 4, 2018, doi: 10.1109/TSG.2016.2614939.
[11] H. Zhang, Z. Hu, Z. Xu, and Y. Song, “An Integrated Planning Framework for Different Types of PEV Charging Facilities in Urban Area,” IEEE Trans Smart Grid, vol. 7, no. 5, 2016, doi: 10.1109/TSG.2015.2436069.
[12] H. Zhang, Z. Hu, Z. Xu, and Y. Song, “Optimal Planning of PEV Charging Station with Single Output Multiple Cables Charging Spots,” IEEE Trans Smart Grid, vol. 8, no. 5, 2017, doi: 10.1109/TSG.2016.2517026.
[13] P. Sadeghi-Barzani, A. Rajabi-Ghahnavieh, and H. Kazemi-Karegar, “Optimal fast charging station placing and sizing,” Appl Energy, vol. 125, 2014, doi: 10.1016/j.apenergy.2014.03.077.
[14] W. Yao, C. Y. Chung, F. Wen, M. Qin, and Y. Xue, “Scenario-based comprehensive expansion planning for distribution systems considering integration of plug-in electric vehicles,” IEEE Transactions on Power Systems, vol. 31, no. 1, 2016, doi: 10.1109/TPWRS.2015.2403311.
[15] B. Zhou, F. Yao, T. Littler, and H. Zhang, “An electric vehicle dispatch module for demand-side energy participation,” Appl Energy, vol. 177, 2016, doi: 10.1016/j.apenergy.2016.05.120.
[16] Q. Cui, Y. Weng, and C. W. Tan, “Electric Vehicle Charging Station Placement Method for Urban Areas,” IEEE Trans Smart Grid, vol. 10, no. 6, 2019, doi: 10.1109/TSG.2019.2907262.
[17] M. H. Amini, M. P. Moghaddam, and O. Karabasoglu, “Simultaneous allocation of electric vehicles’ parking lots and distributed renewable resources in smart power distribution networks,” Sustain Cities Soc, vol. 28, 2017, doi: 10.1016/j.scs.2016.10.006.
[18] A. Nasri, A. Abdollahi, M. Rashidinejad, and M. Hadi Amini, “Probabilistic-possibilistic model for a parking lot in the smart distribution network expansion planning,” IET Generation, Transmission and Distribution, vol. 12, no. 13, 2018, doi: 10.1049/iet-gtd.2018.0366.
[19] H. Saboori, R. Hemmati, and V. Abbasi, “Multistage distribution network expansion planning considering the emerging energy storage systems,” Energy Convers Manag, vol. 105, 2015, doi: 10.1016/j.enconman.2015.08.055.
[20] M. Moradijoz, M. Parsa Moghaddam, and M. R. Haghifam, “A flexible distribution system expansion planning model: A dynamic Bi-level approach,” IEEE Trans Smart Grid, vol. 9, no. 6, 2018, doi: 10.1109/TSG.2017.2697917.
[21] A. Ehsan and Q. Yang, “Active distribution system reinforcement planning with EV charging stations - Part I: Uncertainty modeling and problem formulation,” IEEE Trans Sustain Energy, vol. 11, no. 2, 2020, doi: 10.1109/TSTE.2019.2915338.
[22] P. M. De Quevedo, G. Munoz-Delgado, and J. Contreras, “Impact of Electric Vehicles on the Expansion Planning of Distribution Systems Considering Renewable Energy, Storage, and Charging Stations,” IEEE Trans Smart Grid, vol. 10, no. 1, 2019, doi: 10.1109/TSG.2017.2752303.
[23] J. Aghaei, A. E. Nezhad, A. Rabiee, and E. Rahimi, “Contribution of Plug-in Hybrid Electric Vehicles in power system uncertainty management,” Renewable and Sustainable Energy Reviews, vol. 59. 2016. doi: 10.1016/j.rser.2015.12.207.
[24] B. Sun, Z. Huang, X. Tan, and D. H. K. Tsang, “Optimal scheduling for electric vehicle charging with discrete charging levels in distribution grid,” IEEE Trans Smart Grid, vol. 9, no. 2, 2018, doi: 10.1109/TSG.2016.2558585.
[25] A. Arezooye Araghi, A. Ahmarinejad, M. Alizadeh, and M. Babaei, “Optimizing Energy and Ancillary Services Markets in Transmission and Distribution Networks Through a Two-Stage Optimal Framework Considering Flexible Loads, Electric Vehicles, and Storage Systems,” Technovations of Electrical Engineering in Green Energy System, vol. 2, no. 4, pp. 38–64, 2024, doi: 10.30486/teeges.2023.1986699.1074.
[26] J. Ebrahimi, M. Abedini, M. M. Rezaei, and M. Nasri, “Optimum design of a multi-form energy in the presence of electric vehicle charging station and renewable resources considering uncertainty,” Sustainable Energy, Grids and Networks, vol. 23, 2020, doi: 10.1016/j.segan.2020.100375.
[27] Q. Yang, S. Sun, S. Deng, Q. Zhao, and M. Zhou, “Optimal Sizing of PEV Fast Charging Stations with Markovian Demand Characterization,” IEEE Trans Smart Grid, vol. 10, no. 4, 2019, doi: 10.1109/TSG.2018.2860783.
[28] P. Khademi Astaneh and H. Sheikh Shahrokh Dehkordi, “Integrated Optimal Active and Reactive Power Planning in Smart Microgrids with Possibility of One-Hour Islanding,” Technovations of Electrical Engineering in Green Energy System, vol. 2, no. 2, pp. 36–50, 2023, doi: 10.30486/teeges.2023.1979749.1063.
[29] M. Emadi, H. R. Massrur, E. Rokrok, and A. Samanfar, “A Comprehensive Framework for Optimal Stochastic Operating of Energy Hubs Integrated with Responsive Cooling, Thermal and Electrical Loads, and Ice Storage System by an Improved Self-Adaptive Slime Mold Optimization Algorithm,” Technovations of Electrical Engineering in Green Energy System, vol. 2, no. 1, pp. 77–95, 2023, doi: 10.30486/teeges.2022.1969195.1043.
نص كامل:
الگوي تهيه مقالات

موید محسنی، علیرضا نیکنام کومله، جواد ابراهیمی، مهیار عباسی، محمود جورابیان

img0 

 

Technovations of Electrical Engineering in Green Energy System

img0 

Research Article                                                                                     (2025) 3(4):55-74

Optimal Planning Model for Electric Vehicle Fast Charging Stations in a Low-Polluting Distribution Network to Improve Technical and Economic Parameters

Moaiad Mohseni1, PhD, Alireza Niknam Kumlah2, M.Sc, Javad Ebrahimi3, PhD,

Mahyar Abasi4,5, Assistant Professor, Mahmood Joorabian6, Professor

 

1Khuzestan Regional Electric Company, Ahvaz, Iran.

2Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran.

3Department of Education and Training of Isfahan Province, District 4 Management, Isfahan, Iran.

4Department of Electrical Engineering, Faculty of Engineering, Arak University, Arak, Iran.
5Research Institute of Renewable Energy, Arak University, Arak, Iran.

6Department of Electrical Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran.

Abstract:

One of the biggest and most important reasons for the removal fossil cars from the global car markets is their pollution, which has caused air pollution. But the use of electric cars does not have these many problems and has led to the increasing popularity of electric cars. In most of the articles, the charging rate is considered continuous, while the charging stations work with a discrete rate and are mostly of single rate type. In this paper, the mathematical model for electric vehicles charging with a discrete rate is stated, in which the benefit of the electric vehicle consumers, the benefit of the charging coordinating unit, and the benefit of the network operator are met equally. Then, the problem of preventing high disconnections and connections that lead to damage to the charging station is expressed in mathematical form and applied to the problem. Finally, the development planning model of the discrete rate charging station in the network is proposed as an innovation and optimized by the mixed integer non-linear programming method. The results show that the electric vehicle's discrete charging rate, while simple, can bring many benefits from the point of view of flattening the load profile, providing the power required by the consumers, and meeting the network security restrictions. But the lack of development of the distribution network will prevent the growth of penetration of electric vehicles in the network. Also, the presence of these stations and their optimal planning will reduce the emission of pollutants in the environment.

Keywords: Optimal planning, Electric vehicle, Fast charging station, Discrete charging, Load profile, Distribution network.

 

Received: 18 March 2024

Revised: 03 April 2024

Accepted: 20 April 2024

img0Corresponding Author: Prof. Mahmood Joorabian, mjoorabian@scu.ac.ir

DOI: 10.30486/TEEGES.2024.1105498

img0 


 

img0 

فناوری‏های نوین مهندسی برق در سیستم انرژی سبز

         ..مقاله پژوهشی...       

 

ارائه یک مدل برنامه‌ریزی بهینه برای ایستگاه‌های شارژ سریع خودروهای برقی در یک شبکه توزیع کم آلاینده با هدف بهبود پارامترهای فنی و اقتصادی

موید محسنی1، دکتری، علیرضا نیکنام کومله2، کارشناسی ارشد، جواد ابراهیمی3، دکتری، مهیار عباسی4و5، استادیار،

محمود جورابیان6، استاد

 

1-       شرکت سهامی برق منطقه ای خوزستان، اهواز، ایران.

2-       گروه مهندسی برق، دانشگاه صنعتی امیر کبیر، تهران، ایران.

3-       اداره آموزش و پرورش استان اصفهان، مدیریت ناحیه 4، اصفهان، ایران.

4-       گروه مهندسی برق، دانشکده مهندسی ، دانشگاه اراک، ایران.

5-       پژوهشکده انرژی­های تجدید پذیر، دانشگاه اراک، اراک، ایران.

6-       گروه مهندسی برق، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران. 

 

چكيده: یکی از بزرگترین و مهم‌ترین دلایل حذف خودروهای بنزینی و دیزلی از بازارهای جهانی خودرو، میزان بالای آلایندگی آنهاست که موجب شده بسیاری از شهرهای بزرگ و صنعتی در جهان با معضل آلودگی همیشگی هوا مواجه شوند و شهروندان ساکن در آنها نیز با مشکلات متعددی مواجه شوند. اما استفاده از خودروهای برقی این معضلات متعدد را نداشته و باعث استقبال روز افزون ازخودروهای برقی شده است. در اکثر مقالات نرخ شارژ پیوسته در نظر گرفته شده است حال آنکه ایستگاه‌های شارژ با نرخ گسسته کار می‌کنند و اکثراً از نوع تک نرخی هستند. در این مقاله مدل ریاضی برای شارژ خودروهای برقی با نرخ گسسته بیان شده است که در آن منفعت مشترکین خودروی برقی، منفعت واحد هماهنگ ساز شارژ و منفعت بهره بردار شبکه به طور همزمان برآورده می‌شود. سپس مساله جلوگیری از قطع و وصل‌های بالا که منجر به آسیب رسانی به ایستگاه شارژ می‌شود در قالب ریاضی بیان شده و به مساله اعمال می‌گردد. در نهایت مدل برنامه ریزی توسعه ایستگاه شارژ نرخ گسسته در شبکه به عنوان نوآوری مطرح و توسط روش برنامه‌ریزی غیرخطی آمیخته با عدد صحیح بهینه می‌شود. نتایج نشان می‌دهد که نرخ شارژ گسسته خودروی برقی در عین سادگی می تواند فواید متعددی را از دیدگاه مسطح سازی پروفیل بار، تامین توان مورد نیاز مشترکین، و رعایت قیود امنیت شبکه را به همراه داشته باشد. اما عدم توسعه شبکه توزیع منجر به جلوگیری از رشد سطح نفوذ خودروهای برقی در شبکه خواهد شد. همچنین حضور این ایستگاه‌ها و برنامه‌ریزی بهینه آن‌ها باعث کاهش میزان انتشار آلاینده‌ها در محیط زیست می‌شود.

 

واژه هاي كليدي: برنامه ریزی بهینه، ایستگاه شارژ خودروی برقی، شارژ گسسته، پروفیل بار، توسعه شبکه توزیع.

تاریخ ارسال مقاله: ۲۸/۱۲/140۲

تاریخ بازنگری مقاله: ۱۵/۰۱/140۳

تاریخ پذیرش مقاله: ۰۱/02/140۳

img0نویسنده­ی مسئول: پروفسور محمود جورابیان، mjoorabian@scu.ac.ir

DOI: 10.30486/TEEGES.2024.1105498

img0 


1-       مقدمه

1-1-       انگیزه و بیان مسئله

حدود 30 درصد از میزان انتشار این آلاینده را به خود اختصاص داده ‌است؛ از این رو مناسب است برای ایجاد یک زیست‌بوم پایدار در موضوع حمل و نقل در دنیا نگاه ویژه‌ای صورت گیرد. با توجه به نقش عمده خودروها در این بخش، فناوری‌های بسیار متنوعی برای بهبود عملکرد آن‌ها از منظر انرژی، اقتصاد و محیط زیست ارائه شده‌ است. مهم‌ترین فناوری ارائه شده در این زمینه انواع خودروهای الکتریکی است. در دیدگاه کلان انرژی، استفاده از خودرو تمام الکتریکی و هیبریدی می‌تواند بسته به نحوه تأمین برق و سوخت اولیه در اروپا، در حدود 2 تا 3 برابر در مصرف انرژی صرفه‌جویی نماید. به بیان دیگر، در خودرو احتراق داخلی، لازم است 2 تا 3 برابر، سوخت فسیلی بیشتری استخراج شود تا بتوانیم انرژی مکانیکی برابر در چرخ خودرو ایجاد نماییم. از دیدگاه روش­های مدیریت شارژ خودروهای برقی یا هیبریدی دو روش شارژ هماهنگ و شارژ غیرهماهنگ وجود دارد که در [1] به توصیف آن‌ها پرداخته شده است. ایستگاه­های شارژ به عنوان یکی از زیرساخت­های لازم برای تامین برقی باتری­های خودروی برقی اهمیت بالایی در شبکه توزیع دارد. انتخاب مکان مناسب و ظرفیت بهینه شارژ این ایستگاه­ها می‌تواند اثرات منفی خودروهای برقی را کاهش دهد. جایابی ایستگاه­های شارژ به طور کلی به دو دسته، ایستگاه­های شارژ کند و شارژ سریع1 تقسیم می‌شود [2].

1-2-       پیشینه پژوهش

در مرجع [3] نرخ شارژ گسسته­ی قابل تعمیم در نظر گرفته شده است و مساله­ی بهینه­سازی سعی در یافتن لحظه­ی بهینه­ی شروع شارژ هر یک از خودروها را داشته است. به طور خاص از یک الگوریتم تصادفی غیرمتمرکز در طراحی استفاده شده است که با روش­های مبتنی بر تکرار به حل مساله پرداخته است و همگرایی این روش نیز بررسی شده است. در مرجع [4] به طور ضمنی فرض شده است که عملکرد شارژ مستقل از مکان شارژ باشد. اما این شرط در عمل درست نیست چون مکان شارژ خاص می­تواند تاثیر بالایی بر شرایط محدودزای شبکه به خصوص شبکه­های ضعیف داشته باشد. در مرجع [5] برای جلوگیری از اضافه­باری ترانسفرمر شبکه توزیع فرض شده­است، انواع شرایط بارگذاری شبکه بررسی شده است و یک نقطه­ی بهینه برای روش متمرکز ارائه شده است اما این روش از دیدگاه محاسباتی بسیار سنگین بوده و ضمانتی برای یافتن جواب بهینه ارائه نمی­دهد.

در مرجع [6] اثرات شارژ خودروی برقی2 بر ترانسفرمر توزیع با جزئیات بیشتری بررسی شده است و فرآیند برنامه­ریزی شارژ متمرکز این خودروها با در نظرگیری قیود مربوط به ظرفیت اجرای شبکه ارائه شده است. در مرجع [7] مساله­ی شارژ هماهنگ خودروهای برقی بر دو مساله­ی مهم تمرکز دارد. اول اینکه چگونه می­شود الگوریتمی مقیاس­پذیر برای افزایش جمعیت خودروهای برقی را تشکیل داد. دوم اینکه چگونه می­توان الگوریتمی زمان واقعی3 یا آنلاین برای کمینه­سازی اثرات عدم قطعیت خودروی برقی ( مانند زمان اتصال آن به شبکه یا توان مصرفی و ...) ارائه داد. مرجع [8] به طراحی معماری کنترلی جدیدی برای استخراج الگوریتم­های قابل تعمیم مربوط به مدیریت سمت تقاضای خودروهای هیبریدی پرداخته است. در این مرجع مساله­ی متمرکز تبدیل به سه مرحله شده است که عبارتند از: ادغام، بهینه­سازی و کنترل. در مرجع [9] با استفاده از یک فاکتور انتخابی مناسب، برنامه­ریزی طوری اجرا می­شود که حد دست پایین بار آتی خودروهای برقی در مساله وارد که این روش بسیار ساده قابل پیاده­سازی است. همچنین در روشی برای تخمین بار با استفاده از داده­های شبیه­سازی و یا تحلیل داده­های میدانی ارائه شد­ه است.

در مرجع [10] برنامه­ریزی توسعه ایستگاه شارژ خودروی برقی در شبکه­های پرتردد حمل و نقل ارائه شده است که در آن ایستگاه­های شارژ خودروی برقی دارای محدودیت از پیش تعیین شده هستند. مدل حل مساله نیز از نوع برنامه ریزی خطی آمیخته با عدد صحیح است. در مرجع [11] یک چارچوب ادغام شده از برنامه ریزی ارائه شده است که هزینه کل زیرساخت­های خودروی برقی را در نواحی شهری کمینه می­کند. در مرجع [12] از مدل برنامه­ریزی تصادفی برای ایستگاه شارژ خودروی برقی مجهز به نقاط شارژ چندکابله تک خروجی ارائه شده است تا هزینه سالیانه معادل را با در نظرگیری شارژ هماهنگ کمینه کند. در این مرجع مدل جدیدی برای جایگاه­های دارای کابل­های چندگانه ارائه شده است. از مدل برنامه­ریزی دو مرحله­ای تصادفی برای برنامه­ریزی پارکینگ­های عمومی مجهز به این کابل­ها استفاده شده­است. در مرجع [13] از روش بهینه­سازی غیرخطی آمیخته عدد صحیح4 برای جایابی بهینه و تعیین ظرفیت بهینه­ی ایستگاه­های شارژ سریع استفاده شده است که در آن هزینه ساخت ایستگاه، تلفات انرژی خودرو، تلفات شبکه برق و مکان ایستگاه­های شارژ و جاده­های شهری در نظر گرفته شده است.

در مرجع [14] از تئوری درخواست برای تعیین تعداد بهینه­ی تجهیزات شارژ برای تامین نیاز خودروها و بهبود کیفیت سرویس­دهی استفاده شده­است. در مرجع [15] به چالش­های مربوط به تعیین ظرفیت بهینه­ی ایستگاه شارژ خودروی برقی پرداخته شده­است که بر اساس مشخص­سازی بار شارژ سریع خودروها توسط تکنیک مدل­سازی مارکوف می­باشد. تعداد شارژها و فضای انتظار ایستگاه شارژ سریع نیز به تواما بهینه شده است تا حداکثر سود ایستگاه حاصل شود. در مرجع [16] جایابی ایستگاه­های شارژ خودروی برقی در مساله برنامه­ریزی توسعه شبکه توزیع مطرح شده­است. جایابی ایستگاه­های شارژ به عنوان یکی از حیاتی­ترین و مهم­ترین راه­کارها برای گسترش بهینه خودروهای برقی مطرح شده است که از دیدگاه فنی و اقتصادی حائز اهمیت است. در مرجع [17] ادغام جایابی پارکینگ­های شارژ خودروی برقی و منابع تولید پراکنده در برنامه­ریزی توسعه شبکه توزیع ارائه شده­است. سه مورد به عنوان علل اصلی این ادغام بیان شده­است: بهره­گیری از منابع انرژی پاک، تامین قابل اطمینان بار شبکه، و توسعه پایدار شبکه­های توزیع.

در مرجع [18] نیز مدلی تصادفی-احتمالاتی (ترکیب توزیع احتمال و توابع عضویت فازی) برای جایابی پارکینگ خودروی برقی در برنامه­ریزی توسعه شبکه توزیع ارائه شده است که در آن به نقش بارز پارکینگ­های شارژ در شبکه­های هوشمند مبتنی بر تولیدات پراکنده تاکید شده است. در مرجع [19] ادغام ایستگاه­های شارژ خودروی برقی با برنامه­ریزی توسعه شبکه توزیع مورد ارزیابی قرار گرفته است که در قالب یک چارچوب بهینه­سازی چندهدفه5 در آمده است. در مرجع [20] ادغام مدیریت شارژ هماهنگ خودروهای برقی با برنامه­ریزی توسعه شبکه­های توزیع ارائه شده­است. بهره­گیری گسترده از خودروهای برقی به همراه عدم قطعیت آن­ها موجب تغییراتی در برنامه­ریزی توسعه شبکه انتقال شده است که در این مرجع از یک استراتژی مبتنی بر سناریو برای ادغام خودروها در شبکه استفاده شده است. در مرجع [21] مدل منعطف برنامه­ریزی توسعه شبکه توزیع ارائه شده است که در قالب روش دینامیکی دو مرحله­ای درآمده است. تاثیر شارژ هماهنگ خودروهای برقی در پارکینگ­های شارژ و میزان تناقض میان اهداف صاحب پارکینگ و شرکت بهره­بردار شبکه مورد بررسی قرار گرفته است. در مرجع [22] مدل­سازی عدم قطعیت و مدل­سازی مساله برنامه­ریزی توسعه شبکه­های توزیع فعال6 در حضور ایستگاه­های شارژ خودروی برقی ارائه شده­است.

در مرجع [23] عدم قطعیت خودروهای برقی در مساله برنامه­ریزی توسعه شبکه­های توزیع مدل شده­است که در آن منابع انرژی تجدپذیر، ذخیره­ساز و ایستگاه­های شارژ نیز مدل شده­است. در این مرجع نیز از روش تصادفی مبتنی بر سناریو استفاده شده است و با استفاده از روش­های خوشه­بندی اقدام به کاهش سناریوها شده است. در مرجع [24] نیز مدیریت عدم قطعیت خودروهای برقی در برنامه­ریزی توسعه شبکه توزیع بیان شده­است. چه خودروی برقی و چه هیبرید پتانسیل بالایی در شبکه­های توزیع دارند و با جذب یا تزریق توان الکتریکی خود به شبکه می­توانند مانند یک بار یا منبع تولید توان دارای عدم قطعیت عمل نمایند. اهمیت اصلی این مقاله در نزدیک­سازی مسائل شارژ خودروی برقی به دنیای واقعی است. در واقع نرخ شارژی که ایستگاه­های شارژ سریع خودروی برقی ارائه می­دهند یک متغیر پیوسته ­نیست بلکه مقدار گسسته با سطوح شارژ مختلف است.

در [25] یک ساختار دو سطحی برای اجرای بازارهای رقابتی و خدمات جانبی در شبکه‌‌های انتقال و توزیع ارائه شده است. در سطوح اول و دوم ساختار پیشنهادی بازارهای انرژی و خدمات جانبی برگزار می‌‌شوند. در این ساختار پیشنهادی، تأمین‌کنندگان ظرفیت‌های بازار رزرو چرخان، واحدهای حرارتی سنتی هستند، در حالی که تأمین‌‌کنندگان ظرفیت‌های بازار تنظیم کننده ژنراتورهای با عکس‌العمل سریع، سیستم‌‌های ذخیره‌‌ساز، خودروهای الکتریکی و تجمیع‌کنندگان پاسخ تقاضا هستند.

1-3-       سهم تحقیقاتی

در تحقیقات مربوط اکثراً نرخ شارژ متغیری پیوسته در نظر گرفته می­شد اما هدف این تحقیق درنظرگیری نرخ شارژ به عنوان متغییری گسسته است و مدلی گسسته برای شارژ هماهنگ خودروهای برقی ارائه می­شود. همچنین در پژوهش­ها ترکیب بهینه­سازی شارژ گسسته­ی خودروهای برقی و جایابی ایستگاه­های شارژ مطرح نشده­است که در این مقاله به آن پرداخته می­شود. یکی دیگر از مشکلاتی که در اکثر مراجع مشاهده شده، استفاده از الگوریتم‌های فرا ابتکاری برای حل مسئله بوده است، مانند مراجع [12,16] و [26,27] این روش‌ها خیلی سریع به جواب می‌رسند اما گاهی اوقات در یافتن بهینه سراسری دچار مشکل می‌شوند لذا برای حل این مسئله سعی شده تا برای رفع مشکل بهینه سراسری7 از روش کلاسیک برنامه­ریزی غیرخطی آمیخته با عدد صحیح استفاده شود.

1-4-       نوآوری­ها

ü       بهینه­سازی همزمان شارژ خودروها و طراحی ایستگاه­شارژ خودروی برقی با نرخ شارژ گسسته

ü       ارائه­ی مدل گسسته­ی برای برنامه‌ریزی ایستگاه‌های شارژ سریع

ü       استفاده از الگوریتم­های بهینه­سازی کلاسیک برنامه­ریزی غیرخطی آمیخته با عدد صحیح در محیط نرم افزار متلب8

1-5-       بخش‌بندی مقاله

در ادامه بخش‌بندی مقاله به این صورت است که، در بخش 2 توصیف مدل پیشنهادی، روابط، قیود و روندنمای برنامه‎ریزی ارائه شده و در بخش 3 شبیه­سازی­های انجام شده در سناریوهای مختلف انجام شده و در بخش 4 خلاصه نتایج و نتیجه گیری ارائه می­گردد.

2-       مدل سازی و فرمولاسیون مساله

2-1-       مرحله اول: شارژ هماهنگ خودروهای برقی

وضعیتی را در نظر بگیرید که یک هماهنگ­کننده­ی خودروی برقی عملیات شارژ تمام خودروهای برقی را در پست توزیع بالادستی بر عهده دارد. بازه­ی زمانی مورد مطالعه به بازه­های 15 دقیقه­ای تقسیم کنیم. بنابراین مجموعه زمان­های مورد مطالعه با نماد
 نشان داده می­شود. تعداد خودروهای شبکه توزیع نیز با نماد مجموعه  و تعداد باس­های مربوط به بار شبکه نیز با نماد مجموعه  نشان داده می­شوند. بر اساس توپولوژی شبکه مجموعه باس ­های بار شبکه خود به M زیرمجموعه تقسیم می­شوند که نماد   است اگر خودروی n متصل به باس M شبکه باشد.

یک خودروی برقی در زمان بین ورود و خروج آن به پارکینگ به شبکه اتصال دارد. شاخصی برای اتصال خودروی برقی به نام
 را در نظر بگیرید که اگر خودروی n در زمان t به شبکه متصل باشد برابر 1 شده و در سایر موارد برابر صفر باشد. برای مورد تک­شارژی مساله­ی پایه شارژ هماهنگ خودروی برقی فرض شده است که چه خودرو شارژ شود یا نشود به هر حال به شبکه باید متصل باشد. متغیری برای زمانبندی و برنامه­ریزی به نام U را تعریف می­کنیم که هر متغیر آن بیانگر وضعیت اتصال هر خودرو را در هر ساعت به شبکه نشان می­دهد. در واقع این متغیر یک ماتریس است که تعداد سطرهای آن برابر تعداد خودروهای برقی و تعداد ستون­های آن برابر تعداد بازه­های زمانی مورد مطالعه است که درایه­های این ماتریس به صورت رابطه (1) تعریف می­شود [24]. داریم:

رابطه (1) نشان می­دهد که تنها زمانی یک خودرو در حال شارژ قرار گرفته باشد، پارامتر  برابر با یک خواهد شد و در سایر زمان­های مورد بررسی مقدار صفر را به خود اختصاص خواهد داد. در این مقاله تنها فرآیند شارژ خودروهای برقی انجام می­شود و هیچ­گونه قابلیتی برای دشارژ خودروهای برقی (یا به اصطلاح اتصال خودرو به شبکه9) در نظر گرفته نشده­است. در جدول (1) واژه‌نامه روابط آورده شده است.

در این مقاله هدف نهاد هماهنگ­کننده­ی شارژ خودروهای برقی، اصلاح الگوی مصرف بار کل شبکه از طریق مسطح­سازی آن (یا به اصطلاح کاهش انحراف بار از مقدار میانگین آن) است. عموما بار شبکه طوری مدیریت می­شود که سود اقتصادی را در بازار برق بیشینه نماید و هزینه بهره­برداری را با حفظ ملزومات پایداری شبکه کمینه سازد. بنابراین نتایج باید طوری باشد که هر سه هدف نایل گردد. هم هماهنگ­کننده، هم شبکه و هم مشتری باید به اهداف خود دست یابند. بنابراین در این مقاله برای دستیابی به هر سه هدف ممکن سعی شده­است که این اهداف در تابع هدف و یا در قیود مرزی مساله گنجانده شوند.

1- برای اینکه سود نهاد هماهنگ­کننده­ی شارژ بیشتر شود و یا اینکه جریمه­ی کمتری برای تخطی توان خود از مقدار میانگین بپردازد، تابع هدف مساله به صورت رابطه­ی (2) نگارش می­شود تا این هدف در اولویت قرار گیرد و رضایت نهاد تنظیم هماهنگ شارژ تامین گردد. بنابراین تابع هدف به صورت زیر در می­آید [24]:

(1)

 

 

جدول 1: واژه نامه

(2)

 

 

که در آن D(t) بار پایه کل باس­های شبکه است که معمولا غیرقابل تغییر است.همچنین تابع ft تابع محدب وابسته به زمان است که هزینه انحراف از بار مطلوب را حساب می­کند. پارامتر L(t) بیانگر پروفیل بار مطلوب شبکه است. در این مقاله، بار مطلوب شبکه برابر بار میانگین شبکه فرض شده ­است.

2- برای اینکه منافع و انتظارات مشترکین خودروهای برقی در مساله گنجانده شود، تامین میزان شارژ مورد نیاز هر خودروی برقی در قالب قید مرزی (3) در مساله لحاظ می­گردد. در واقع قید شارژ نشان می­دهد میزان انرژی مورد نیاز خودروی برقی در انتهای زمان شارژ باید برابر با میزان مطلوب مورد انتظار وی باشد. از نظر ریاضی این قید را می­توان به صورت زیر نوشت:

متغیر

توصیف

B

تعداد شارژهای در حال کار

c1

ضریب هزینه شارژرهای در حال کار

c2

ضریب هزینه درخواست­های پذیرفته شده شارژ

c3

ضریب هزینه درخواست­های رد شده شارژ

c4

ضریب هزینه شارژرهای بی­کار

c5

ضریب هزینه فضاهای انتظار بلااستفاده

Csub

ظرفیت ترانسفرمر متصل به ایستگاه شارژ

Cm

ظرفیت ترانسفرمر توزیع متصل به باس m

Cm,t

شاخصی از ظرفیت آزاد ترانسفرمر متصل به باس m

Dm(t)

بار پایه باس m در بازه زمانی t

D(t)

بار پایه هر باس قبل از شارژ خودروهای برقی

en

انرژی مورد نیاز برای شارژ هر خودروی برقی

E(t)

امید ریاضی سود ایستگاه شارژ در بازه زمانی t

F(U)

تابع هزینه شارژ خودروهای برقی (تابع هزینه عدم مسطح سازی بار)

ft

تابع محاسبه جریمه هر تخطی در مسطح سازی بار

G(U)

تابع هدف کمینه­سازی تعداد سوئیچینگ (قطع و وصل) خودروها

Is

تعداد شارژرهای بی کار (خالی)

Iw

تعداد فضاهای انتظار بی کار (خالی)

In,t

متغیری که وضعیت اتصال خودروی برقی را به برق نشان می­دهد.

L

تعداد درخواست های پذیرفته شده شارژ خودرو

L(t)

پروفیل بار مطلوب شبکه (که در اینجا میانگین بار قرار داده شده است)

N

حداکثر تعداد خودروهایی که یک ایستگاه شارژ می‌تواند پاسخگوی آن باشد.

Pb

بار پایه مربوط به یک باس

Pf

نرخ شارژ نامی ایستگاه شارژ

Pk

احتمال اینکه k خودروی برقی در ایستگاه شارژ حضور داشته باشند.

Pn

احتمال اینکه درخواست شارژ خودروی برقی رد شود.

r0

نرخ شارژ گسسته خودروی برقی (تک نرخی)

R

تعداد درخواست‌های رد شده شارژ خودرو

S

تعداد شارژرهای خودروی برقی

Sv

حداکثر تعداد شارژرهای خودروهای برقی بدون تخطی از قیود ولتاژی

Smax

حداکثر تعداد مجاز شارژرهای خودروی برقی

T

بازه زمانی

 

زمان شروع شارژ خودروی n

 

زمان اتمام شارژ خودروی n

U*

جواب‌ های بهینه بدست آمده از رابطه 6

un,t

وضعیت شارژ خودروی n در بازه زمانی t

V

متغیر نشان دهنده توان شارژ مجموع خودروها در هر بازه زمانی

W

تعداد فضای انتظار خودروهای برقی

Wmax

حداکثر تعداد مجاز فضای انتظار خودروهای برقی

ρ

ظرفیت سرویس‌دهی ایستگاه شارژ

 

نرخ ورود خودروهای برقی به ایستگاه شارژ

معادله (3) ضمانت می­کند که به هر خودروی برقی زمان کافی برای شارژ اختصاص داده شده است تا به مقدار مطلوب شارژ خود رسیده باشد. نکته­ی جالب دیگری در اینجا نهفته است که به نوعی تفاوت شارژ خودروهای برقی در حالات نرخ شارژ گسسته و پیوسته بهتر بیان می­کند. در مواردی که نرخ شارژ پیوسته بود معمولاً مقدار انرژی مورد نیاز خودروها در قالب کیلووات ساعت بیان می­شد چون نرخ شارژ ثابت نبود و نمی­توان به طور قطعی گفت که چند ساعت برای تأمین این انرژی کفایت می­کند. اما در شارژ گسسته، با توجه به تک نرخی بودن توان ایستگاه­های شارژ و غیرقابل تغییر بودن آن دیگر نیازی به بیان انرژی در قالب کیلووات ساعت نیست چون نرخ شارژ معلوم است، به راحتی زمان شارژ با تقسیم کردن کیلووات ساعت مورد نیاز خودرو بر نرخ شارژ ایستگاه به صورت
 بدست می­آید. در این حالت به راحتی می­توان گفت که زمان شارژ هر خودرو چقدر است و به جای محاسبه سطح شارژ مورد نیاز خودرو تنها مدت زمان شارژ خودرو کفایت خواهد کرد. در این مقاله فرض شده­است که هر خودرو نیاز به 6 ساعت زمان برای شارژ خود دارد. بنابراین هر خودرو در طول روز باید در 6 وعده یک ساعته شارژ گردد. اگر نرخ شارژ را در این مقاله بر اساس شارژرهای سطح 2 استاندارد در نظر بگیریم (نرخ شارژ 3/3 کیلوواتی)، در این صورت مشخص می­شود که هر خودرو نیاز به 6/19 کیلووات ساعات برای شارژ خود دارد.

3- در نظرگیری منافع شرکت­بهره­برداری شبکه توزیع دارای اهمیت است که آن هم در قالب یک قید مرزی در مساله وارد شده­است. از دیدگاه بهره­بردار شبکه، امنیت شبکه یک فاکتور مهم است که باید در نظر گرفته شود. در شبکه توزیع، معمولا ترانسفرمر توزیع شبکه (که به هر باس متصل شده­است) به عنوان آسیب­پذیرترین المان­های شبکه در نظر گرفته می­شود. به طور ویژه، توان عبوری از این ترانسفرمر باید در ظرفیت مجاز آن قرار گیرد و از اضافه بار خودداری شود. این ترانسفرمرها در زمانی که چند خودروی برقی را بخواهند شارژ کنند، در معرض پدیده­ی همزمانی شارژ ممکن است قرار گرفته و معضل اضافه باری در آنها ایجاد شود. ترانسفرمرها طوری طراحی شده­اند که در بار نامی خود عملکرد مساعدی داشته باشند و اضافه­باری منجر به گرمایش بیش از حد این ترانسفورمرها شده و از عمر آن­ها می­کاهد و حتی امکان عبور نقطه­ی کار ترانسفرمر از نقطه­ی زانویی بهینه و ورود آن به ناحیه اشباع مغناطیسی وجود خواهد داشت. بنابراین به منظور جلوگیری از اضافه بار ترانسفرمر قید زیر اعمال می­گردد [22]:

(3)

 

که رابطه(4) Cm ظرفیت ترانسفرمر توزیع باس m است. با کمی عملیات ریاضی و پس از ساده­سازی می­توان رابطه (4) را (که سمت راست آن ظرفیت نامی ترانسفرمر بود) به صورت قید (5) (که سمت راست آن شاخصی از ظرفیت آزاد ترانسفرمر است) بازنویسی کرد:

(4)

 

که در این رابطه   برابر با نسبت ظرفیت آزاد خط بر نرخ شارژ ایستگاه است که به صورت براکت محاسبه شده است. این پارامتر تعداد خودروهای مجازی که در هربازه زمانی t می­توانند توسط ترانسفرمر توزیع سرویس­دهی شوند را نمایش می­دهد. بنابراین مجموع خودروهای در حال شارژ در هر لحظه باید از پارامتر Cm,t کمتر باشند تا ترانسفرمر باس با اضافه باری مواجه نگردد.

بنابراین مدل شارژ هماهنگ خودروی برقی با نرخ توان گسسته­ی به صورت رابطه (6) و قیود (7) و (8) می­تواند نوشته شود:

 

 

(5)

 

در مورد رابطه­ی (6) ذکر چند نکته ضروری به نظر می­رسد [26]:

1- رابطه­ی (6) تنها منافع سه نهاد را در نظر گرفته است که عبارتند از مشترکین، نهاد هماهنگ­سازی شارژ و شرکت بهره­برداری شبکه توزیع. اما هیچ گونه توجهی به سلامت و امنیت ایستگاه­های شارژ خودروهای برقی نشده­است. به بیان علمی­تر تنها رابطه­ی (6) هدفش مسطح­سازی پروفیل بار شبکه با رعایت تامین برق مشترکین و ظرفیت ترانسفرمرهای توزیع که نشان می­دهد در هر لحظه چه تعداد خودرو شارژ باشند. اما هیچ توجهی به روند لحظه­ای شارژ خودروها نشده است. در واقع دفعات روشن و خاموشی خودروها، یا قطع و وصل شارژ آنها در مساله لحاظ نشده است.

2- اگر محدودیتی برای دفعات شارژ و دشارژ لحاظ نگردد، عمر مفید ایستگاه­های شارژ خودروی برقی کاسته خواهد شد و در عمل موجب ایجاد فراجهش­های متنوعی در مدارات الکترونیکی این دستگاه­ها شده و مدارات آنها را با مشکلات فنی و اقتصادی متعددی مواجه خواهد کرد. در این صورت هزینه­های مازادی برای تعویض ایستگاه­های شارژ فرسوده و نو باید لحاظ نمود.

3- در اکثر موارد مالکان خودرو نیز ترجیح می­دهند که تعداد سوئیچینگ آنها تا حد امکان کمینه باشد. در واقع سوئیچینگ دو مشکل دیگر دارد. اول اینکه منجر به فرسودگی باتری خودروها شده و دوم موجب ایجاد اسپایک­هایی در باس­های بار می­شود که پایداری ترانسفرمر توزیع را با اختلال مواجه می­کند.

جهت حل این مشکل، می‌توان یک مساله­ی بهینه­سازی جدا (به نام مساله پیرو) ایجاد شود که تابع هدف آن کمینه­سازی تعداد کلیدزنی­های شبکه بوده و قیود مرزی همان قیود رابطه (6) بوده و تنها یک شرط جدید بدان اضافه گردد. این شرط جدید که در قالب رابطه (7) نوشته می­شود این است که در هر لحظه تعداد خودروهای در حال شارژ مساله پیرو برابر با جواب بهینه تعداد خودروهای در حال شارژ مساله (6) (مساله پیشرو) شود تا پروفیل بار شبکه هیچ تغییر نکند. با درنظرگیری مساله­ی پیرو رابطه (9) مقید به مجموعه قیود (10)، منافع مربوط به ایستگاه­های شارژ خودروهای برقی نیز در مساله گنجانده شده­است. بنابراین مساله­ی پیرو شارژ هماهنگ خودروی برقی با شارژ گسسته که با هدف کمینه­سازی سوئیچینگ خودروهای برقی پیاده­سازی شده­است برابر خواهد بود با [27]:

(6)

 

(7)

 

(8)

 

مساله­ی بهینه­سازی رابطه­ی (9) یک مساله برنامه­ریزی عددصحیح مرتبه­ی دوم است. می­توان با اعمال روش­های تغییر (تعریف متغیرهای اضافی) شکل مساله را خطی­سازی کرده و فرم برنامه­ریزی خطی عدد صحیح از آن ارائه کرد که به سادگی قابل حل با جعبه­ابزارهای موجود برای حل مسائل بهینه­سازی خطی شود. در ادامه روند خطی­سازی و تغییر فرم این مساله ارائه خواهد شد. به منظور تغییر فرم مساله­ی (9) به شکل برنامه­ریزی خطی عدد صحیح، دو متغیر که بیانگر وضعیت روشنی و وضعیت خاموشی هر یک از یک از خودروهای برقی هستند را به ترتیب به صورت  و  تعریف می­کنیم. بنابراین می‌توان قیود مرزی را بصورت رابطه (11) بیان کرد [21]:

(9)

 

 

(10)

 

 

 

رابطه­ی (11) به خوبی و سادگی ارتباط بین سه متغیر وضعیت شارژ، وضعیت روشنی و خاموشی را نشان می­دهد. به طور مثال فرض کنید وضعیت شارژ از صفر به یک تغییر کند ()، در این صورت  خواهد شد. چون هر دو متغیر روشنی و خاموشی عدد باینری هستند، تنها زمانی این معادله صدق می­شود که  و شود. از طرف دیگر وضعیتی را در نظر بگیرید که در آن خودرو از وضعیت شارژ 1 به صفر رسید باشد در این صورت () خواهد بود و در نتیجه  خواهد شد. به طور مشابه چون متغیرهای روشنی و خاموشی اعداد باینری هستند، تنها جواب این معادله  و بود. تنها یک حالت باقی می­ماند که در آن خودرو هیچ تغییر وضعیتی ندهد. در این حالت عبارت تغییر وضعیت () خواهد شد و خواهیم داشت: . مشاهده می­شود که این مساله به دو جواب خواهد رسید یک جواب قابل قبول  و دیگری یک جواب غیرقابل قبول . به منظور جلوگیری از همگرایی الگوریتم به این جواب غیرقابل قبول شرط مرزی دیگری نیز باید به مساله اعمال شود. این شرط بیان می­دارد که خاموشی و روشنی یک خودرو نمی­تواند به طور همزمان رخ دهد. بنابراین داریم:

(11)

 

بنابراین فرم برنامه­ریزی خطی عددصحیح مساله (9) به صورت تابع هدف رابطه (13) به همراه مجموعه قیودش در مجموعه روابط (14) تبدیل خواهد شد [27,28].

(12)

 

مشاهده می­شود که به سادگی مساله به فرم خطی عدد صحیح درآمده و قابل حل با نرم­افزارهای تجاری موجود برای بهینه­سازی­ها می­باشد. در این مقاله از جعبه­ابزار قدرتمند YALMIP برای حل مساله­ی بهینه­سازی استفاده شده­است. با تعریف متغیرهای بهینه­سازی، تابع هدف و قیود مرزی این جعبه­ابزار اقدام به جستجوی جواب­ها با استفاده از روش­های موسوم به ساقه و ریشه می­کند. در این مقاله به منظور تسهیل افزایش سطح نفوذ خودروهای برقی اقدام به توسعه شبکه توزیع از طریق طراحی یک ایستگاه شارژ خودروهای برقی در نواحی تجاری شده­است که در ادامه به جزئیات آن پرداخته خواهد شد [24,27,28].

 

2-2-       مرحله دوم: طراحی ایستگاه های شارژ سریع

معمولا توسعه­ی ایستگاه­های شارژ در دو قالب مجزا صورت می­گیرد که یکی مربوط به تعیین مکان بهینه و دیگری مربوط به تعیین ظرفیت بهینه ایستگاه شارژ است. در این مقاله چون تمامی باس­های شبکه مسکونی هستند (و امکان توسعه ترانسفرمر توزیع آنها وجود ندارد) و تنها یک باس تجاری وجود دارد، مکان نصب ایستگاه شارژ در باس تجاری خواهد بود. منظور از سود بهره­برداری ایستگاه شارژ خودروی برقی اختلاف میان درآمد ایستگاه و هزینه­های آن است. بنابراین سود مربوط به ایستگاه شارژ خودروهای برقی برابر خواهد بود با:

(13)

 

(14)

 

 

 

که در رابطه(15)  ضرایب هزینه هستند. همچنین B، L، R، Is و Iw به ترتیب تعداد شارژرهای مشغول ، تعداد درخواست­های اعلامی ، تعداد درخواست­های رد شده، تعداد شارژرهای بی­کار و فضای درحال انتظار هستند. محاسبه­ هر یک از پارامترها بر اساس مبانی احتمال انجام می­شود. فرض کنید که پارکینگ دارای s ایستگاه شارژ باشد که هر ایستگاه قادر به سرویس دهی به ρ تعداد خودرو (توسط شارژرهایش) باشد. بنابراین ظرفیت کل پارکینگ برابر با sρ خودرو (یا شارژر) خواهد بود. اگر PN درصد از خودروها انصراف دهند. در این صورت تعداد شارژر مشغول به کار ایستگاه شارژ بر اساس رابطه­ی (16) محاسبه می­شود:

img0 

شكل (1): فلوچارت روند برنامه ریزی

(15)

 

 همچنین تعداد درخواست­های que شده بر اساس رابطه (17) محاسبه می­شود:

(16)

 

 اگر فرض شود که نرخ ورود خودروها به پارکینگ شارژ برابر با باشد و PN درصد از خودروها انصراف دهند. آنگاه تعداد درخواست­های کنسل شده بر اساس رابطه (18)خواهد بود:

(17)

 

تعداد شارژرهای بلااستفاده برابر است با تفاوت میان کل شارژرها و شارژهای مشغول به کار که توسط توسط رابطه­ی (19) بدست می­آید:

(18)

 

و تعداد فضاهای بلااستفاده برابر است با تعداد کل فضاها منهای تعداد فضاهایی که برای صف­بندی خودروهای درحال انتظار اختصاص داد شده است که از رابطه­ی (20) محاسبه می­شود [26,29]:

(19)

 

بنابراین مدل بهینه­سازی طراحی ایستگاه شارژ را می­توان به صورت رابطه (21) نمایش داد:

(20)

 

که در رابطه (21) Smax بیانگر بیشترین تعداد مجاز شارژهای خودروی برقی و wmax بیانگر بیشترین فضای موجود برای نصب ایستگاه­های شارژاست که از رابطه­ی (22) بدست می­آید:

(21)

 

که در این رابطه عبارت  بیانگر بیشترین تعداد شارژها بدون تجاوز از ظرفیت مجازی است که توسط ترانسفرمر پست اعمال شده است. در ادامه فلوچارت شکل 1 مراحل را بهتر شرح می‌دهد.

3-       تحلیل و شبیه سازی

در این مقاله یک شبکه توزیع در نظر گرفته شده است که دارای 100 گره بار می­باشد [16]. تمامی گره­ها نیز مستقیما توسط ترانسفرمر توزیع به پست شبکه متصل شده­اند. هر باس دارای 10 منزل مسکونی است که ساکنان آن خودروی خود را در منزل شارژ می­کنند. ظرفیت ترانسفرمر توزیع که این 10 منزل را تغذیه می­کند برابر 25 کیلوولت آمپر در نظر گرفته شده است. یک پارکینگ عمومی خودروی برقی نیز در شبکه مستقر است و ظرفیت ترانسفرمر آن نیز 500 مگاولت آمپر در نظر گرفته شده است. کل شبکه دارای 1200 خودروی برقی است که 1000 دستگاه آن در مناطق مسکونی (100 باس با 10 منزل) و 200 خودروی دیگر در پارکینگ خودروی برقی شارژ می­شوند. فرض شده­است که پارکینگ خودروی برقی دارای هیچ بار پایه یا سنتی نباشد. اما بارهای مسکونی دارای بار پایه مشابهی باشند [17]. برای سادگی محاسبات نیز رفتار شارژ خودروی برقی تمامی 100 باس مسکونی مشابه یکدیگر در نظر گرفته شده است. بنابراین تنها 10خودروی منازل هر باس بهینه­سازی خواهد شد و به عبارت دیگر رفتار خودروها در باس­های مسکونی دیگر به طور مشابه خواهد بود. نرخ شارژ خودروهای برقی نیز برابر با 3/3 کیلووات در نظر گرفته شده­است. فرض شده­است که تمامی خودروها در ساعات 18:00 غروب به شبکه اتصال یافته اند و در ساعت 8:00 صبح روز بعد از آن خارج خواهند شد. همچنین فرض شده­است که خودروها در زمان اتصال به شبکه فاقد هر گونه شارژی باشند و در زمان خروج از شبکه دارای شارژ کامل باشند. زمان شارژ کامل هر خودرو 6 ساعت در نظرگرفته شده است. اطلاعات مربوط به تعیین ظرفیت بهینه ایستگاه­های شارژ همان داده­های رابطه (11) هستند. ضرایب هزینه مربوط به رابطه (11) در جدول (2) بیان شده است [16].

 

 

 

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\baseload.png 

شكل (2): بار پایه کل شبکه توزیع

 

جدول (2): پارامترهای اقتصادی مربوط به ظرفیت ایستگاه شارژ

(22)

 

ضریب

مقدار

یکا

ضریب

مقدار

یکا

img0 

5

دلار

img0 

05/0

دلار

img0 

1

دلار

img0 

20

عدد

img0 

2

دلار

img0 

20

عدد

img0 

5/0

دلار

نرخ ترافیک خودرو

100

خودرو در ساعت

 

3-1-       موردهای مطالعاتی

در این مقاله موردهای مطالعاتی متنوعی در نظر گرفته شده است که هر یک بیانگر جنبه­ی متفاوتی از شبیه­سازی می­توانند باشند. این موارد مطالعاتی عبارتند از:

مورد 1: پیاده­سازی مدیریت شارژ خودروهای برقی با در نظرگیری شارژ گسسته بدون لحاظ نمودن تعیین ظرفیت بهینه ایستگاه شارژ و بدون قراردادن جریمه­ای برای شارژ در لحظات پایانی.

مورد 2: پیاده­سازی مدیریت شارژ خودروهای برقی با در نظرگیری نرخ شارژ گسسته بدون لحاظ نمودن تعیین ظرفیت بهینه ایستگاه شارژ و قراردان جریمه­ای برای شارژ در لحظات پایانی.

مورد 3: ادغام مساله تعیین ظرفیت بهینه ایستگاه شارژ با مساله مدیریت شارژ خودروهای برقی

در واقع در مورد­های 1 و 2 هیچ گونه تعیین ظرفیت بهینه­ای صورت نمی­گیرد و صرفا نقش اعمال جریمه برای موکول­سازی شارژ به لحظات نهایی مشخص خواهد شد. با این کار در لحظه پایان شارژ (یعنی ساعت 8 بامداد) دیگر شاهد فراجهش بزرگی در پروفیل بار شبکه نخواهیم بود.

3-2-       نتایج شبیه سازی

3-2-1-       مورد 1

نتیجه شبیه­سازی مورد 1 در قالب شکل (3) ارائه شده­است. همانطور که در این شکل مشخص است، تعداد تغییر وضعیت شارژ خودروها در نمودار سمت راست (حاصل از اعمال رابطه 7) نسبت به نمودار سمت چپ (بدون اعمال رابطه 7) بسیار کمتر است. به طور مثال خودروی شماره 1، برای تامین شارژ خود در هر دو شکل، 6 ساعت شارژ شده است (چون قید تامین توان در هر دو رابطه یکسان است و خودرو باید به طور کامل شارژ می­شده است) اما این خودرو در شکل سمت چپ 3 بار در این مدت تغییر وضعیت شارژ داده است. اما در نمودار سمت راست، مشاهده می­شود که خودروی شماره 1، تا ساعت 2 بامداد شارژ نشده و سپس تا ساعات پایانی مجاز برای شارژ، اقدام به تامین شارژ مورد نیاز خود کرده­است. یا به طور مثال خودروی شماره 4 (رنگ بنفش)، در منحنی سمت چپ از ساعت 18 تا 2 بامداد ممتد شارژ شده اما سپس خاموش شده و تنها در ساعت 6 برای تامین یک ساعت از شارژ خود سریعا قطع و وصل شده است که منجر به عدم بهره­وری بهینه از ایستگاه شارژ شده است. اما در مورد سمت راست همین خودرو صرفا از ساعت 23 تا ساعت 8 صبح به طور پیوسته بدون هیچ گونه قطعی شارژ شده است. بنابراین اهمیت اعمال رابطه (7) به خوبی مشخص می­گردد. ذکر یک نکته­ی دیگر نیز در مورد این شکل ضروری به نظر می­رسد، این دو منحنی در تعداد خودروهای در حال شارژ در ساعات 1، 2، 3، 7، 8، 19 و 24 بامداد با یکدیگر یک واحد تفاوت دارند اما در سایر ساعات تعداد خودروهای در حال شارژ دو روش یکسان است. از دیدگاه نظری باید تعداد خودروهای در حال شارژ دو روش بایکدیگر کاملا برابر باشد که لازمه آن برقراری یک قید تساوی
 است. اعمال این قید تساوی که به شدت از دیدگاه بهینه­سازی سختگیرانه است منجر به صرف زمان زیاد برای دسترسی به جواب­های مساله می­شود که چندان نمی­تواند در کاربردهای زمان­واقعی موثر واقع شود. بنابراین کمی این قید ساده تر شده و در قالب  پیاده سازی شده است.

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\EVstat2.png 

شكل (3): وضعیت شارژ خودروها قبل از اعمال رابطه 7 (سمت چپ) و بعد از اعمال آن (سمت راست)

 

شکل (4) مربوط به وضعیتی است زمان شارژ هر خودروی برق 6 ساعت انتخاب شود. به عبارت دیگر می­توان گفت رابطه (6) بدون توجه به محدودیت­های عملی شارژر تنها اقدام به مسطح سازی پروفیل بار پرداخته است و به نفع بهره­بردار شبکه است. در رابطه (9) یکنواخت شارژ شدن خودروها بیشتر اولویت داشته و به نفع ایستگاه شارژ خواهد بود. در صورتی که قید سختگیرانه
 رعایت گردد، هم بهره بردار شبکه و هم خودروی برقی به طور همزمان به منفعت خواهند رسید، اما قابلیت پیاده­سازی آنلاین یا زمان واقعی روش با مشکل مواجه خواهد شد.

در ادامه به بررسی تاثیر سطح نفوذ خودروهای برقی در پروفیل بار شبکه پرداخته می­شود و فرض شده است که هر خودروی برقی برای شارژ خود نیاز به 6 ساعت شارژ داشته باشد. با افزایش سطح نفوذ خودروی برقی (نسبت خودروهای برقی به تعداد کل خودروها)، انتظار می­رود سهم شارژ خودروهای برقی بیشتر شده و از سهم بار پایه کاسته شود.

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\EVLoadProfile.png 

شكل (4): پروفیل بار شبکه در سطوح نفوذ مختلف خودروی برقی

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\EVLOAD2.png 

شكل (5): پروفیل بار شبکه در سطوح نفوذ مختلف خودروی برقی با ادغام رابطه (7)

 

پروفیل بار کل شبکه در سطوح نفوذ 20، 30، 50، 70 و 100 درصدی خودروی برقی در صورت عدم اعمال رابطه (9) و اعمال آن به ترتیب در شکل­های (4) و (5) نمایش داده شده است. همانطور که مشخص است، با افزایش سطح نفوذ خودروهای برقی بار شبکه افزایش می­یابد تا جایی که از محدودیت ترانسفرمرهای توزیع عبور ننماید. در سطوح نفوذ 80 و 100 درصدی خودروهای برقی، با توجه به اینکه ترانسفرمرهای توزیع محدودیت ساز می­شوند شاهد نوساناتی در پروفیل بار هستیم. در واقع محدودیت خطوط منجر شده تا تناقضی میان دو هدف مسطح سازی پروفیل بار و در عین حال تامین شارژ مورد نیاز خودروهای برقی ایجاد شود. تامین شارژ خودرو اولویت بالاتری نسبت به مسطح سازی پروفیل بار خواهد دارد.

3-2-2-       مورد 2

این مورد مطالعاتی نیز مشابه مورد مطالعاتی شماره 1 است با این تفاوت که یک ضریب وزنی در تابع هدف رابطه­ی (8) طوری ضرب شده است که جریمه در ساعات پایانی شارژ گرانتر شود. در واقع این ضریب به صورتی تنظیم شده است که تا قبل از ساعت 4 بامداد برابر یک بوده و پس از آن به صورت خطی افزایش یابد. بنابراین خواهیم داشت:  . با در نظرگیری این ضریب انتظار می­رود که زمان­های شارژ به ساعات پایانی موکول نشود و بدین ترتیب در ساعات پایانی شارژ مواجه جهشی در میزان پروفیل بار نباشیم. نتایج مربوط به شبیه­سازی روابط (8) و (9) در این مورد نیز در شکل (6) نمایش داده شده­است. همانطور که در این شکل مشاهده می­شود، نسبت به مورد شماره 1، خودروها تمایل بیشتری به شارژ در ساعات اولیه دارند و کمتر شارژ خود را به تاخیر انداخته­اند. از ساعت 5 صبح تا ساعت 8 صبح به دلیل گران بودن مقدار جریمه، پروفیل­های بار روندی نزولی به خود گرفته­اند و بدین ترتیب در زمان نهایی شارژ مانند مورد 1 شاهد بالا بودن مقدار بار شبکه نخواهیم بود. در منحنی (5) تنها هدف بهره­بردار شبکه مدنظر قرار گرفته است. اگر قرار باشد، آسیب رسانی به شارژرها نیز کمتر شود، با اعمال قیود رابطه (9) نتایج به صورت شکل (7) درخواهد آمد که اندکی تغییر را در برخی از ضرایب نفوذ نشان می­دهد.

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\LoadReduc.png 

شكل (6): پروفیل بار شبکه برای سطوح مختلف خودروی برقی در مورد 2 بدون اعمال قید رابطه (9)

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\LoadReduc2.png 

شكل (7): پروفیل بار شبکه برای سطوح مختلف خودروی برقی در مورد 2 با اعمال قید رابطه (9)

 

شکل­های (6) و (7) میزان تاثیر نحوه جریمه­گذاری را بر رفتار مشترکین خودرو و شارژ آن­ها به خوبی نشان می­دهند. هرچه جریمه­ی زمان­های نهایی شارژ بیشتر شود، مشترکین شارژ خود رو زودتر آغاز می­کنند. نتایج مربوط به وضعیت سطح شارژ خودروها در هر یک از سطوح نفوذ 20، 30، 50 و 60 درصدی به ترتیب در شکل­های (8)، (9)، (10) و (11) نمایش داده شده­است. نکته قابل توجه در مورد مفهوم سطح نفوذ خودروی برقی این است که منظور از سطح نفوذ 100 درصدی یعنی هر ده خانه مستقر در باس دارای خودروی برقی باشند. منظور از سطح نفوذ 20 درصدی، یعنی از هر 10 خانه­ی هر باس، تنها دو خانه دارای خودروی برقی باشند.  

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\EVstat3.png 

شكل (8): وضعیت شارژ خودروها قبل از اعمال رابطه 7 (سمت چپ) و بعد از اعمال آن (سمت راست) (سطح نفوذ 20 درصد)

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\EVstat4.png 

شكل (9): وضعیت شارژ خودروها قبل از اعمال رابطه 7 (سمت چپ) و بعد از اعمال آن (سمت راست) (سطح نفوذ 30 درصد)

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\EVstat5.png 

شكل (10): وضعیت شارژ خودروها قبل از اعمال رابطه 7 (سمت چپ) و بعد از اعمال آن (سمت راست) (سطح نفوذ 50 درصد)

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\EVstat6.png 

شكل (11): وضعیت شارژ خودروها قبل از اعمال رابطه 7 (سمت چپ) و بعد از اعمال آن (سمت راست) (سطح نفوذ 60 درصد)

3-2-3-       مورد 3

مورد مطالعاتی شماره 1 در سطح نفوذهای بالای 70 درصد و مورد مطالعاتی شماره 2 در سطح نفوذهای بالای 60 درصد، قادر به دستیابی جواب­های نبودند چون امکان شارژ تمامی خودروها با افزایش سطح نفوذ آنها کاهش می­یابد. بنابراین فرض شده است که سایر خودروها برای شارژ به پارکینگ­های شارژ مراجعه کنند. با توجه به محدودیت ترانسفرمر متصل به باس تجاری (500 مگاولت آمپر) و با توجه به نرخ شارژ 3/3 کیلواتی خودروهای برقی، تا 150 خودرو نهایتا می­توانند به ایستگاه شارژ مراجعه نمایند. در این مقاله فرض شده­است که فضای پارکینگ شارژ خودروی برقی برابر 100 دستگاه در نظر گرفته شود، تا ترانسفرمر توزیع نیز وارد اضافه باری نشود. چون پارکینگ در منطقه­ی تجاری قرار گرفته است، فرض شده­است که نرخ ورود خودروها به پارکینگ به طور متوسط برابر با 28/10 خودرو در هر نیم ساعت باشد. همچنین برای سادگی فرض شده­است که هیچ­گونه درخواست کنسلی نیز از طرف رانندگان ارائه نشود. در این صورت میزان سود بهره­بردار پارکینگ در ازای تعداد شارژرهای مختلف و فضای انتظار مختلف در قالب شکل (12) خواهد بود که محور عمودی بیانگر سود پارکینگ بر حسب دلار می­باشد. بیشترین سود در این نمودار مربوط به حالتی است که تعداد شارژرها برابر 14=s و تعداد فضاهای مورد انتظار برابر با 5=w است. بیشترین مقدار سود برابر با 7195/48 دلار بدست آمده است.

با توجه به شکل (12) میتوان اسنباط کرد که با کاهش تعداد شارژها، سود ایستگاه شارژ کمتر خواهد شد. چون زمانی که نرخ ترافیک عدد قابل توجه 28/10 خودرو در نیم ساعت را به خود اختصاص داده است، با کم شدن تعداد شارژها، خودروهای بسیاری در صف انتظار باقی می­مانند که خود هزینه بر بوده و منجر به کاهش سود پارکینگ خواهد شد. افزایش فضای انتظار منجر به افزایش سود با شیب نسبتا کمی می­شود. علت این امر این است که حتی اگر خودروها در پارکینگ جا داده شوند اما ایستگاه­های شارژ پرشده باشند و کفایت نکنند، آنچنان سودی نصیب بهره­بردار پارکینگ نخواهد شد و تنها رضایت مشترکین پیدا کردن جایی برای پارک آنها می­باشد. حال نقش یکی از پارامترهای مهم در تعیین ظرفیت ایستگاه­های شارژ خودروی برقی را مورد تحلیل حساسیت قرار می­دهیم. پارامتر نرخ ورود خودروها به پارکینگ برابر با 28/10 در نظر گرفته شده­باشد. حال افزایش و کاهش 10 درصدی و 30 درصدی این پارامتر را بر میزان سود مساله مورد ارزیابی قرار می­دهیم.

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\Profit1.png 

شكل (12): سود پارکینگ بر حسب تعداد شارژرها و تعداد فضاهای انتظار (بدون درنظرگیری کنسلی)

 

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\Profit2.png 

شكل (13): تحلیل حساسیت ظرفیت ایستگاه شارژ نسبت به نرخ ورود خودروها به پارکینگ

C:\Users\BMW-Class7\Desktop\DESKTOP\Nomafar\Nomafarsim\figures\Profit3.png 

شكل (14): تحلیل حساسیت ظرفیت ایستگاه شارژ نسبت به نرخ کنسلی رانندگان

همانطور که در شکل (13) مشاهده می­شود، منحنی مربوط به افزایش 30 درصدی نرخ ورود خودروها در بالای سایر نمودارها قرار گرفته است و کاهش 30 درصدی نرخ ورود در پایین­ترین وضعیت قرار گرفته است. در واقع این امر نشان می­دهد، با افزایش تردد خودروها در پارکینگ، فضا برای سود بیشتر صاحب پارکینگ فراهم می­شود. البته بیشترین مقدار مجاز افزایش این نرخ 50 درصد است که پس از آن محدودیت ترانسفرمر توزیع چالش ایجاد خواهد کرد. باافزایش تردد به پارکینگ، تعداد شارژرهای مورد نیاز نیز بیشتر خواهد شد و در واقع افزایش شارژرها و فضای انتظار در این حالت توجیه اقتصادی بیشتری دارد.

همانطور که در شکل (14) مشخص است، در صورتی که نرخ کنسلی صفر باشد، یعنی هیچ درخواست کنسلی صادر نشود، بیشترین سود عاید پارکینگ خواهد شد. در صورتی که نرخ کنسلی افزایش یابد، سود پارکینگ شروع به کاهش می­کند تا جایی که در نرخ کنسلی 1 (یعنی کنسلی 100 درصدی تمام رانندگان) به طور کامل پارکینگ دچار زیان خواهد شد. نرخ کنسلی 60 درصدی به بالا هیچ­گونه سودی را برای مالک پارکینگ به ارمغان نخواهد آورد.

4-       نتیجه گیری

برای مدیریت خودروهای برقی در شبکه­های توزیع، روش­های متنوعی برای شارژ هماهنگ خودروهای برقی ارائه شده ­است که نرخ شارژ در بیشتر این روش­ها به صورت پیوسته در نظر گرفته شده است. این فرض تاثیر بسزایی از نظر فنی و اقتصادی بر مسئله دارد. در دنیای واقعی ایستگاه­های شارژ دارای محدودیت ظرفیت هستند. بنابراین پیوسته در نظر گرفتن نرخ شارژ چندان دقیق نبوده و قابل اجرا نمی­باشد. در این مقاله مساله شارژ هماهنگ خودروهای برقی با نرخ گسسته مورد بررسی قرار گرفت. مساله شامل تابع هدف و قیود مرزی متنوع بوده و قیود امنیتی شبکه در آن در نظرگرفته شد. مساله بهینه­سازی گسسته نیز به صورت یک مساله دو مرحله­ای ارائه شد که به راحتی با استفاده از ابزارهای برنامه­ریزی خطی قابل حل می­باشد. همچنین نشان داده شد که مساله بهینه­سازی جزو روش­های چند جمله ای غیر قطعی سخت10 بوده و در سطح نفوذ بالای خودروهای برقی بسیار زمانبر است. در نتیجه روشی برای محدب­سازی مساله ارائه گردید. علاوه بر موارد فوق در این مقاله راه­کارهایی برای برنامه­ریزی ایستگاه­های شارژ سریع خودروهای برقی ارائه شد که در آن بار مصرفی هر یک از ایستگاه­ها بر اساس زمان ورود و خروج خودروها محاسبه شد. به صورت خلاصه نتایج زیر را می‌توان از مقاله فوق بیان نمود:

·       ارائه مدلی دقیق مبتنی بر روش برنامه ریزی غیرخطی عدد صحیح مختلط برای برنامه‌ریزی گسسته ایستگاه‌های شارژ سریع خودروی برقی

·       بررسی عملکرد مدل پیشنهادی در سناریوهای مختلف به منظور صحت سنجی

·       افزایش سوددهی پارکینگ‌های شارژ سریع

به عنوان پیشنهادهایی برای ادامه کار می‌توان به موارد زیر اشاره نمود

·       در نظر گرفتن عدم قطعیت های ناشی از شبکه ترافیک شهری بر برنامه‌ریزی ایستگاه‌ها

·       حل مسئله با روش‌های مبتنی بر هوش مصنوعی

·       تأثیر حضور همزمان منابع تجدیدپذیر بادی و خودروهای برقی در برنامه‌ریزی

فهرست منابع

[1]        A. Ahmad, Z. A. Khan, M. Saad Alam, and S. Khateeb, “A Review of the Electric Vehicle Charging Techniques, Standards, Progression and Evolution of EV Technologies in Germany,” Smart Science, vol. 6, no. 1. 2018. doi: 10.1080/23080477.2017.1420132.

[2]        H. Shareef, M. M. Islam, and A. Mohamed, “A review of the stage-of-the-art charging technologies, placement methodologies, and impacts of electric vehicles,” Renewable and Sustainable Energy Reviews, vol. 64. 2016. doi: 10.1016/j.rser.2016.06.033.

[3]        G. Binetti, A. Davoudi, D. Naso, B. Turchiano, and F. L. Lewis, “Scalable Real-Time Electric Vehicles Charging with Discrete Charging Rates,” IEEE Trans Smart Grid, vol. 6, no. 5, 2015, doi: 10.1109/TSG.2015.2396772.

[4]        Z. Ma, D. S. Callaway, and I. A. Hiskens, “Decentralized charging control of large populations of plug-in electric vehicles,” IEEE Transactions on Control Systems Technology, vol. 21, no. 1, 2013, doi: 10.1109/TCST.2011.2174059.

[5]        O. Sundström and C. Binding, “Flexible charging optimization for electric vehicles considering distribution grid constraints,” IEEE Trans Smart Grid, vol. 3, no. 1, 2012, doi: 10.1109/TSG.2011.2168431.

[6]        V. Aravinthan and W. Jewell, “Controlled electric vehicle charging for mitigating impacts on distribution assets,” IEEE Trans Smart Grid, vol. 6, no. 2, 2015, doi: 10.1109/TSG.2015.2389875.

[7]        N. Chen, C. W. Tan, and T. Q. S. Quek, “Electric vehicle charging in smart grid: Optimality and valley-filling algorithms,” IEEE Journal on Selected Topics in Signal Processing, vol. 8, no. 6, 2014, doi: 10.1109/JSTSP.2014.2334275.

[8]        S. Vandael, B. Claessens, M. Hommelberg, T. Holvoet, and G. Deconinck, “A scalable three-step approach for demand side management of plug-in hybrid vehicles,” IEEE Trans Smart Grid, vol. 4, no. 2, 2013, doi: 10.1109/TSG.2012.2213847.

[9]        W. Tang, S. Bi, and Y. J. A. Zhang, “Online coordinated charging decision algorithm for electric vehicles without future information,” IEEE Trans Smart Grid, vol. 5, no. 6, 2014, doi: 10.1109/TSG.2014.2346925.

[10]        H. Zhang, S. J. Moura, Z. Hu, and Y. Song, “PEV Fast-Charging Station Siting and Sizing on Coupled Transportation and Power Networks,” IEEE Trans Smart Grid, vol. 9, no. 4, 2018, doi: 10.1109/TSG.2016.2614939.

[11]        H. Zhang, Z. Hu, Z. Xu, and Y. Song, “An Integrated Planning Framework for Different Types of PEV Charging Facilities in Urban Area,” IEEE Trans Smart Grid, vol. 7, no. 5, 2016, doi: 10.1109/TSG.2015.2436069.

[12]        H. Zhang, Z. Hu, Z. Xu, and Y. Song, “Optimal Planning of PEV Charging Station with Single Output Multiple Cables Charging Spots,” IEEE Trans Smart Grid, vol. 8, no. 5, 2017, doi: 10.1109/TSG.2016.2517026.

[13]        P. Sadeghi-Barzani, A. Rajabi-Ghahnavieh, and H. Kazemi-Karegar, “Optimal fast charging station placing and sizing,” Appl Energy, vol. 125, 2014, doi: 10.1016/j.apenergy.2014.03.077.

[14]        W. Yao, C. Y. Chung, F. Wen, M. Qin, and Y. Xue, “Scenario-based comprehensive expansion planning for distribution systems considering integration of plug-in electric vehicles,” IEEE Transactions on Power Systems, vol. 31, no. 1, 2016, doi: 10.1109/TPWRS.2015.2403311.

[15]        B. Zhou, F. Yao, T. Littler, and H. Zhang, “An electric vehicle dispatch module for demand-side energy participation,” Appl Energy, vol. 177, 2016, doi: 10.1016/j.apenergy.2016.05.120.

[16]        Q. Cui, Y. Weng, and C. W. Tan, “Electric Vehicle Charging Station Placement Method for Urban Areas,” IEEE Trans Smart Grid, vol. 10, no. 6, 2019, doi: 10.1109/TSG.2019.2907262.

[17]        M. H. Amini, M. P. Moghaddam, and O. Karabasoglu, “Simultaneous allocation of electric vehicles’ parking lots and distributed renewable resources in smart power distribution networks,” Sustain Cities Soc, vol. 28, 2017, doi: 10.1016/j.scs.2016.10.006.

[18]        A. Nasri, A. Abdollahi, M. Rashidinejad, and M. Hadi Amini, “Probabilistic-possibilistic model for a parking lot in the smart distribution network expansion planning,” IET Generation, Transmission and Distribution, vol. 12, no. 13, 2018, doi: 10.1049/iet-gtd.2018.0366.

[19]        H. Saboori, R. Hemmati, and V. Abbasi, “Multistage distribution network expansion planning considering the emerging energy storage systems,” Energy Convers Manag, vol. 105, 2015, doi: 10.1016/j.enconman.2015.08.055.

[20]        M. Moradijoz, M. Parsa Moghaddam, and M. R. Haghifam, “A flexible distribution system expansion planning model: A dynamic Bi-level approach,” IEEE Trans Smart Grid, vol. 9, no. 6, 2018, doi: 10.1109/TSG.2017.2697917.

[21]        A. Ehsan and Q. Yang, “Active distribution system reinforcement planning with EV charging stations - Part I: Uncertainty modeling and problem formulation,” IEEE Trans Sustain Energy, vol. 11, no. 2, 2020, doi: 10.1109/TSTE.2019.2915338.

[22]        P. M. De Quevedo, G. Munoz-Delgado, and J. Contreras, “Impact of Electric Vehicles on the Expansion Planning of Distribution Systems Considering Renewable Energy, Storage, and Charging Stations,” IEEE Trans Smart Grid, vol. 10, no. 1, 2019, doi: 10.1109/TSG.2017.2752303.

[23]        J. Aghaei, A. E. Nezhad, A. Rabiee, and E. Rahimi, “Contribution of Plug-in Hybrid Electric Vehicles in power system uncertainty management,” Renewable and Sustainable Energy Reviews, vol. 59. 2016. doi: 10.1016/j.rser.2015.12.207.

[24]        B. Sun, Z. Huang, X. Tan, and D. H. K. Tsang, “Optimal scheduling for electric vehicle charging with discrete charging levels in distribution grid,” IEEE Trans Smart Grid, vol. 9, no. 2, 2018, doi: 10.1109/TSG.2016.2558585.

[25]        A. Arezooye Araghi, A. Ahmarinejad, M. Alizadeh, and M. Babaei, “Optimizing Energy and Ancillary Services Markets in Transmission and Distribution Networks Through a Two-Stage Optimal Framework Considering Flexible Loads, Electric Vehicles, and Storage Systems,” Technovations of Electrical Engineering in Green Energy System, vol. 2, no. 4, pp. 38–64, 2024, doi: 10.30486/teeges.2023.1986699.1074.

[26]        J. Ebrahimi, M. Abedini, M. M. Rezaei, and M. Nasri, “Optimum design of a multi-form energy in the presence of electric vehicle charging station and renewable resources considering uncertainty,” Sustainable Energy, Grids and Networks, vol. 23, 2020, doi: 10.1016/j.segan.2020.100375.

[27]        Q. Yang, S. Sun, S. Deng, Q. Zhao, and M. Zhou, “Optimal Sizing of PEV Fast Charging Stations with Markovian Demand Characterization,” IEEE Trans Smart Grid, vol. 10, no. 4, 2019, doi: 10.1109/TSG.2018.2860783.

[28]        P. Khademi Astaneh and H. Sheikh Shahrokh Dehkordi, “Integrated Optimal Active and Reactive Power Planning in Smart Microgrids with Possibility of One-Hour Islanding,” Technovations of Electrical Engineering in Green Energy System, vol. 2, no. 2, pp. 36–50, 2023, doi: 10.30486/teeges.2023.1979749.1063.

[29]        M. Emadi, H. R. Massrur, E. Rokrok, and A. Samanfar, “A Comprehensive Framework for Optimal Stochastic Operating of Energy Hubs Integrated with Responsive Cooling, Thermal and Electrical Loads, and Ice Storage System by an Improved Self-Adaptive Slime Mold Optimization Algorithm,” Technovations of Electrical Engineering in Green Energy System, vol. 2, no. 1, pp. 77–95, 2023, doi: 10.30486/teeges.2022.1969195.1043.

 

زیرنویس‏ها

 

img0فناوری‏های نوین مهندسی برق در سیستم انرژی سبز، سال سوم، شماره ۴، زمستان ۱۴۰۳                                           2

[1]  Fast charge

[2]  Electric vehicle

[3]  Real time

[4]  Mixed Integer nonlinear programming

[5]  Multi objective

[6]  Active distribution network

[7]  Global optimum

[8]  MATLAB

[9]  Vehicle-to-grid

[10]  Nondeterministic polynomial hard


سند

Sanad is a platform for managing Azad University publications

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية

حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1446

الصفحة الرئيسية| دخول| معلومات عنا| اتصل بنا|
[English] [فارسی] [en] [fa]