Optimal Planning Model for Electric Vehicle Fast Charging Stations in a Low-Polluting Distribution Network to Improve Technical and Economic Parameters
Subject Areas : Power Engineering
Moaiad Mohseni
1
(Khuzestan Regional Electric Company, Ahvaz, Iran)
Alireza Niknam Kumlah
2
(Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran)
Javad Ebrahimi
3
(Department of Education and Training of Isfahan Province, District 4 Management, Isfahan, Iran)
Mahyar Abasi
4
(Department of Electrical Engineering, Faculty of Engineering, Arak University, Arak, Iran)
Mahmood Joorabian
5
(Department of Electrical Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran)
Keywords: Optimal planning, Electric vehicle, Fast charging station, Discrete charging, Load profile, Distribution network,
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.
[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.
موید محسنی، علیرضا نیکنام کومله، جواد ابراهیمی، مهیار عباسی، محمود جورابیان |
Technovations of Electrical Engineering in Green Energy System |
|
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
Corresponding Author: Prof. Mahmood Joorabian, mjoorabian@scu.ac.ir
DOI: 10.30486/TEEGES.2024.1105498
| 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.
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
نویسندهی مسئول: پروفسور محمود جورابیان، mjoorabian@scu.ac.ir
DOI: 10.30486/TEEGES.2024.1105498
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:
(1) |
|
(2) |
|
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 |
(3) |
|
(4) |
|
(5) |
|
(6) |
| ||||
(7) |
| ||||
(8) |
|
(9) |
| ||||
(10) |
|
(11) |
|
|
(13) |
| ||||
(14) |
|
(15) |
|
(16) |
|
(17) |
|
(18) |
|
|
(20) |
|
(21) |
|
(22) |
|
ضریب | مقدار | یکا | ضریب | مقدار | یکا |
| 5 | دلار |
| 05/0 | دلار |
| 1 | دلار |
| 20 | عدد |
| 2 | دلار |
| 20 | عدد |
| 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.
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.
شكل (4): پروفیل بار شبکه در سطوح نفوذ مختلف خودروی برقی
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.
شكل (6): پروفیل بار شبکه برای سطوح مختلف خودروی برقی در مورد 2 بدون اعمال قید رابطه (9)
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.
شكل (8): وضعیت شارژ خودروها قبل از اعمال رابطه 7 (سمت چپ) و بعد از اعمال آن (سمت راست) (سطح نفوذ 20 درصد)
شكل (9): وضعیت شارژ خودروها قبل از اعمال رابطه 7 (سمت چپ) و بعد از اعمال آن (سمت راست) (سطح نفوذ 30 درصد)
شكل (10): وضعیت شارژ خودروها قبل از اعمال رابطه 7 (سمت چپ) و بعد از اعمال آن (سمت راست) (سطح نفوذ 50 درصد)
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.
شكل (12): سود پارکینگ بر حسب تعداد شارژرها و تعداد فضاهای انتظار (بدون درنظرگیری کنسلی)
شكل (13): تحلیل حساسیت ظرفیت ایستگاه شارژ نسبت به نرخ ورود خودروها به پارکینگ
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:
· 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
فناوریهای 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
Sanad
Links
Related Centers
Technical Support
Official pages
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2024