استفاده از وسایل نقلیه الکتریکی برای مدیریت انرژی پایدار در خانه های هوشمند: یک رویکرد ارتباط محور
محورهای موضوعی : پردازش چند رسانه ای، سیستمهای ارتباطی، سیستمهای هوشمند
مهسا ملکی
1
,
مانی زارعی
2
,
سید مهدی جامعی
3
1 - دانشجوی کارشناسی‌ارشد،گروه کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیار، گروه کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
3 - استادیار، گروه کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: خانه هوشمند, منابع تجدیدپذیر, خودروی الکتریکی, تعرفه زمان مصرف,
چکیده مقاله :
تولید برق با روشی بهینه و کمترین میزان ایجاد مشکل برای طبیعت یکی از مهمترین مسائل جامعه بشری می باشد. خانه های هوشمند که جزوی از سیستم های هوشمند آتی محسوب می شوند دارای درک زیست محیطی بالایی از محیط پیرامون خود در چرخه دریافت و مصرف انرژی هستند. در این مقاله، راه های تامین انرژی پایدار در خانه هوشمند با توجه به سطح شارژ اولیه منبع ذخیره‌ساز و تاثیر اهمیت آن بر روی قیمت منابع مختلف تامین انرژی نظیر شبکه برق و منابع تجدید پذیر به صورت ریاضی مورد تحلیل قرار می گیرد. همچنین به روش تحلیلی، تامین برق خانه هوشمند با بهره گیری از انرژی خودروی الکتریکی با قابلیت بازگشت انرژی به شبکه برق و با درنظر گرفتن قیمت گذاری به صورت تعرفه ثابت و تعرفه زمان مصرف مطابق با آخرین تعرفه مصرفی کشور ایران مورد ارزیابی قرار می گیرد. نتایج حاصل از مدل تحلیلی خطی با قیود مرزی و متغیرهای بهینه سازی ساقه و ریشه مستخرج از جعبه ابزار YALMIP از نرم‌افزار متلب نشان می دهد، خودروی الکتریکی در صورتی که تعرفه زمان مصرف اعمال شود، نقش موثری در فروش برق به روش بازگشت انرژی در ساعات اوج و یا ذخیره‌سازی آن در ساعات غیراوج دارد. کارایی مدل پیشنهادی با دو مورد مطالعاتی راستی‌آزمایی می شود و فاکتورهای میزان استفاده از منابع انرژی تجدیدپذیر، شبکه توزیع، باتری ذخیره ساز و همچنین خودروی الکتریکی و با توجه به اجبار و یا عدم اجبار در استفاده از منابع انرژی تجدیدپذیر مورد ارزیابی قرار می گیرد تا نقش این منابع در تامین انرژی خانه های هوشمند روشن گردد.
|
Abstract Introduction: The optimal and environmentally friendly generation of electricity is a critical challenge for modern society. Traditional methods rely solely on fossil fuels for residential power generation, leading to increased greenhouse gas emissions. This paper proposes a cost-effective approach for supplying electricity to smart homes, considering the initial charge level of the storage source and the impact of its availability on energy source pricing, including the power grid and renewable options. Method: In this article a linear analytical model with boundary constraints and mixed-integer optimization variables is developed using the YALMIP toolbox in MATLAB. This model analyzes cost-effective electricity supply methods for smart homes. Results: The results demonstrate that electric vehicles (EVs) can play a significant role in cost reduction when employed for energy buy-back under time-of-use tariffs. Simulations considering Iran's time-based electricity pricing structure reveal a 29.3% reduction in electricity costs when EVs are utilized for buying electricity during off-peak hours and supplying power during peak hours using vehicle-to-home (V2H) technology. Discussion: Two case studies validate the effectiveness of the proposed model. The impact of renewable energy sources, grid electricity, storage batteries, and EVs on overall cost is evaluated under scenarios with and without mandatory renewable energy usage. |
[1] R. Tahmasebi and A. Feili, "Developing a Strategy for the Use of the Internet of Things in Shiraz Residential Buildings with a Combined DANP-SWOT Approach," Intelligent Multimedia Processing and Communication Systems, vol. 3, no. 2, pp. 19-30, 2022.
[2] N. T. Mbungu, R. C. Bansal, and R. M. Naidoo, "Smart energy coordination of autonomous residential home," IET Smart Grid, vol. 2, no. 3, pp. 336-346, 2019.
[3] A. Khodakarami, H. F. Farahani, and J. Aghaei, "Stochastic characterization of electricity energy markets including plug-in electric vehicles," Renewable and Sustainable Energy Reviews, vol. 69, pp. 112-122, 2017.
[4] F. Luo, G. Ranzi, W. Kong, Z. Y. Dong, and F. Wang, "Coordinated residential energy resource scheduling with vehicle‐to‐home and high photovoltaic penetrations," IET Renewable Power Generation, vol. 12, no. 6, pp. 625-632, 2018.
[5] A. Anvari‐Moghaddam, J. M. Guerrero, J. C. Vasquez, H. Monsef, and A. Rahimi‐Kian, "Efficient energy management for a grid‐tied residential microgrid," IET Generation, Transmission & Distribution, vol. 11, no. 11, pp. 2752-2761, 2017.
[6] S. Zhang, P. Huang, and Y. Sun, "A multi-criterion renewable energy system design optimization for net zero energy buildings under uncertainties," Energy, vol. 94, pp. 654-665, 2016.
[7] K. Zhou and L. Cai, "Randomized PHEV charging under distribution grid constraints," IEEE Transactions on Smart Grid, vol. 5, no. 2, pp. 879-887, 2014.
[8] T. Zhang, W. Chen, Z. Han, and Z. Cao, "Charging scheduling of electric vehicles with local renewable energy under uncertain electric vehicle arrival and grid power price," IEEE Transactions on Vehicular Technology, vol. 63, no. 6, pp. 2600-2612, 2013.
[9] S. Zhang, J. Rong, and B. Wang, "An optimal scheduling scheme for smart home electricity considering demand response and privacy protection," International Journal of Electrical Power & Energy Systems, vol. 132, p. 107159, 2021.
[10] M. B. Gough, S. F. Santos, T. AlSkaif, M. S. Javadi, R. Castro, and J. P. Catalão, "Preserving privacy of smart meter data in a smart grid environment," IEEE Transactions on Industrial Informatics, vol. 18, no. 1, pp. 707-718, 2021.
[11] R. Zafar, A. Mahmood, S. Razzaq, W. Ali, U. Naeem, and K. Shehzad, "Prosumer based energy management and sharing in smart grid," Renewable and Sustainable Energy Reviews, vol. 82, pp. 1675-1684, 2018.
[12] S. A. Hashmi, C. F. Ali, and S. Zafar, "Internet of things and cloud computing‐based energy management system for demand side management in smart grid," International Journal of Energy Research, vol. 45, no. 1, pp. 1007-1022, 2021.
[13] M. Zarei and Z. Saadati, "Solving the Multi-Objective Problem of IoT Service Placement in Fog Computing Using Reinforcement Learning Approaches," Intelligent Multimedia Processing and Communication Systems, vol. 4, no. 3, pp. 29-41, 2023.
[14] M. Tostado-Véliz, R. S. León-Japa, and F. Jurado, "Optimal electrification of off-grid smart homes considering flexible demand and vehicle-to-home capabilities," Applied Energy, vol. 298, p. 117184, 2021.
[15] S. Molleti and M. Armstrong, "Smart energy harvesting performance of photovoltaic roof assemblies in Canadian climate," Intelligent Buildings International, vol. 13, no. 1, pp. 70-88, 2021.
[16] S. S. Shuvo and Y. Yilmaz, "Home Energy Recommendation System (HERS): A Deep Reinforcement Learning Method based on Residents’ Feedback and Activity," IEEE Transactions on Smart Grid, 2022.
[17] P. Vasant, J. A. Marmolejo, I. Litvinchev, and R. R. Aguilar, "Nature-inspired meta-heuristics approaches for charging plug-in hybrid electric vehicle," Wireless Networks, vol. 26, no. 7, pp. 4753-4766, 2020.
[18] B. Vaidya and H. T. Mouftah, "IoT applications and services for connected and autonomous electric vehicles," Arabian Journal for Science and Engineering, vol. 45, no. 4, pp. 2559-2569, 2020.
[19] A. Almutairi and S. Alyami, "Load profile modeling of plug-in electric vehicles: Realistic and ready-to-use benchmark test data," IEEE Access, vol. 9, pp. 59637-59648, 2021.
[20] J. Zhao, X. Xi, Q. Na, S. Wang, S. N. Kadry, and P. M. Kumar, "The technological innovation of hybrid and plug-in electric vehicles for environment carbon pollution control," Environmental Impact Assessment Review, vol. 86, p. 106506, 2021.
[21] T. Aldhanhani, M. Shaaban, A. Al‐Durra, E. El‐Saadany, and H. Zeineldin, "Plug‐in electric vehicles smart charging mechanisms for cost minimization and ancillary service provision," The Journal of Engineering, vol. 2021, no. 3, pp. 166-176, 2021.
[22] A. Kumari et al., "Blockchain-Based Peer-to-Peer Transactive Energy Management Scheme for Smart Grid System," Sensors, vol. 22, no. 13, p. 4826, 2022.
[23] "Greater Tehran electric power distribution company," https://tbtb.ir/taarefeh,.
