بخشی از مقاله
چکیده:
تداوم برق رسانی بارهای مهم یکی از مهم ترین رویکردهای توانایی خودترمیمی یک شبکه هوشمند است. استفاده از خودروهای برقی به این منظور میتواند چالش برانگیز باشد. از طرفی مطلوب است که باتری خودروهای برقی به محض دسترسی به شبکه شارژ شود تا در مواقع اضطراری شارژ بیشتری داشته باشند، اما این روش میتواند منحنی بار را خراب کند، و مشکلاتی را در پی داشته باشد. لذا یک تابع هدف تعریف شده است تا زمان شارژ خودروهای برقی در یک شبکه هوشمند را با دو هدف مشخص کند:
حداکثر سازی انرژی ذخیره شده در باتری خودرو برقی، حداقل سازی انحراف معیار منحنی بار شبکه با احتساب بار شارژ خودروها. در این مقاله نامعینی در زمان عزیمت و زمان رسیدن و مقدار سطح شارژ در زمان رسیدن در رفتار خودروهای برقی در نظر گرفته شده است.
برای کاهش تعداد متغیرهای تابع بهینه سازی در شرایط نفوذ بالای خودروهای الکتریکی، با کمک روشهای آماری خودروها دسته بندی شدهاند. روش بهینه سازی تابع هدف بر اساس الگوریتم سیستم ایمنی مصنوعی است. شبیهسازی بر روی شبکه استاندارد IEEE 37 باس توسط الگوریتم ذکر شده و الگوریتم ژنتیک اجرا شده و نتایج آن با یکدیگر مقایسه شده است و موفقیت الگوریتم پیشنهاد شده را تأیید میکند.
.1 مقدمه
آلودگی محیط زیست و نیاز به کاهش مصرف سوخت باعث شده است تا تمایل به خودروهای الکتریکی آن قدر زیاد شود که هم اکنون به تولید انبوه رسیدهاند. اما آنها برای شارژ باتری های خود، بار زیادی حتی بیشتر بار یک منزل مسکونی را می توانند به شبکه برق تحمیل کنند .[1] به همین دلیل شارژ هماهنگ در هنگام افزایش نفوذ آنها باید در نظر گرفته شود.
در سالهای اخیر اتوماسیون سیستمهای توزیع به طور فزایندهای مورد توجه قرار گرفته و تمرکز بیشتری بر روی قابلیت اطمینان سیستمهای توزیع انجام شده است. خودترمیمی توانایی سیستم برای تشخیص و تعمیر سیستم در هنگام مواجهه با یک یا چند اتفاق تصادفی به صورت خودکار است. این خصوصیت در سیستمهای هوشمند نقش مهمی دارد. یکی از راه کارهای خودترمیمی بهره بردن از انرژی ذخیره شده در باتری خودروهای الکتریکی است. معمولا مدت زمان تعمیر پس از وقوع یک خطا در شبکه توزیع بیشتر از چند ساعت نیست
هنگام قطعی برق، میتوان بارهای مهم را با انرژی ذخیره شده در خودروهای الکتریکی برقدار کرد. عارفیفر و دیگران الگوریتمی را برای تقسیم کردن یک سیستم توزیع به چند ریزگرید و جایابی بهینه منابع تولید پراکنده و منابع انرژی پراکنده و منابع انرژی راکتیو پراکنده در مرحله برنامه ریزی به منظور اهداف خودترمیمی پیشنهاد کردهاند
بازآرایی سیستمهای توزیع، توان خروجی منابع تولید پراکنده و کاهش بار، سه عملیات خودترمیمی است که در حالت وقوع انواع خطاها به صورت بهینه انجام میشود. در بازآرایی و کاهش بار روشهای خودترمیمی هستند که به ترتیب در دو مرحله به کار گرفته شدهاند. محمدی حسین نژاد و دیگران الگوریتمی برای یافتن مکان و سایز پارکینگ خودروی برقی پیشنهاد کرده اند تا عملیات خودترمیمی را تقویت کند.
این مقالات و مقالات مشابه اگرچه روشهای مفیدی را پیشنهاد کردهاند، اما تا آنجا که نویسندگان جستجو کردهاند، مقالهای به منظور استفاده از خودروهای برقی برای اهداف خودترمیمی در زمان بهرهبرداری پیدا نکردهاند.
در این مقاله ابتدا مسأله بهینه سازی زمان شارژ خودروها برای حداکثر کردن انرژی ذخیره شده در خودروها و حداقل کردن انحراف معیار منحنی بار روزانه شبکه با احتساب بار شارژ باتری خودروها توضیح داده شده است. سپس به منظور کاهش تعداد متغیرهای مسأله بهینه سازی، خودروها با توجه به پارامترهای تابع چگالی احتمال متغیرهای تصادفی آنها دسته بندی شدهاند. در نهایت این مسأله به وسیله الگوریتم ژنتیک - GA - و الگوریتم سیستم ایمنی مصنوعی - AISA - به وسیله برنامه نویسی در محیط Octave حل شده است. روش پیشنهاد شده بر روی یک سیستم توزیع نمونه اعمال شده است و نتایج شبیه سازی به وسیله دو الگوریتم با یکدیگر مقایسه شدهاند.
.2 مدلسازی مسأله
در این بخش، به توضیح مدلسازی مسأله، فرضهای در نظر گرفته شده و روش حل پرداخته میشود.
-1-2 اهداف مسأله
یکی از مهمترین شاخصهای قابلیت اطمینان، انرژی تأمین نشده است که از رابطههای - 1 - و - 2 - محاسبه میشود:
که در آن λi نرخ خرابی، ri میانگین زمان لازم برای تعمیر و Li میانگین بار در نقطه -iام است. شاخص ENS به معنی مقدار انرژی است که به مشترکین فروخته نشده است. در یک شبکه مطلوب است که این شاخص حداقل شود و در این مقاله اثر خودروهای الکتریکی برای کمینه سازی این شاخص مورد مطالعه قرار گرفته است. برای این منظور لازم است تا زمانی که خودروها به شبکه متصل هستند، حداکثر انرژی در باتری آنها ذخیره شده باشد تا در مواقع اضطراری بتوان از انرژی آن استفاده کرد. انرژی ذخیره شده در باتریها را میتوان از رابطه - 3 - محاسبه کرد:
که در آن E مجموعه انرژی ذخیره شده در باتریها در هر ساعت است، Nev تعداد خودروهای الکتریکی، Ci ظرفیت باتری خودروی -i ام و SOCi,j سطح شارژ باتری خودروی -iام در ساعت -jام است.
به منظور جلوگیری از خراب شدن منحنی بار شبکه، انحراف معیار بارهای شبکه شامل بار شارژ کردن خودروها و دیگر بارها به عنوان یک تابع هدف دیگر تعریف شده است.
که در آن L آرایه ای شامل بارهای شبکه در ساعات مختلف به صورت یکایی شده است. هر چه انحراف معیار کمتر باشد، منحنی بار صاف تر است.
از آنجا که لازم است تا تابع هدفی تعریف شود که آن را کمینه کنیم، به جای استفاده از بیشینه کردن E، مقدار معکوس انرژی ضرب در صد برابر تعداد خودروهای الکتریکی استفاده شده است تا مقدار تابع هدف دوم با مقدار تابع هدف اول قابل مقایسه باشد. مقدار تابع هدف دوم از رابطه زیر به دست میآید:
تابع هدف نهایی یک مدل ریاضی چند هدفه با دو هدف بالا است که در رابطه - 6 - آمده است و باید این تابع کمینه شود.
که در آن wi وزن مربوط به هر تابع هدف است و توسط اپراتور شبکه هوشمند مشخص میشود.
-2-2 دسته بندی خودروها
اگر تعداد خودروهای برقی خیلی کم باشد، نیازی به بهینه سازی نیست و اگر به منظور خود-ترمیمی هم به کار روند، میتوانند در زمانی که دسترسی به شبکه پیدا میکنند شروع به شارژ کنند تا زمانی که پر شوند. اما اگر تعداد آنها قابل توجه باشد، برای جلوگیری از آثار نامطلوبی که چنین روش شارژی در شبکه پدید میآورد، لازم است تا بهینه سازی زمان شارژ انجام پذیرد. در صورتی که تعداد خودروهای الکتریکی خیلی زیاد باشد و نفوذ آنها در شبکه بالا باشد، مسأله ذکر شده دارای تعداد متغیرهای زیادی خواهد شد، زیرا زمان شارژ هر خودرو را در مدتی که به شبکه دسترسی دارد، باید مشخص کند. برای این که در این شرایط حل مسأله امکان پذیر باشد لازم است تا تعداد متغیرها کاهش پیدا کند.
برای دسته بندی خودروها از زمان ورود و خروج میانگین آنها میتوان استفاده کرد. حداکثر تعداد دسته ها برابر 24×24=576 دسته است. اما با توجه به این که زمان ورود به پارکینگ شارژ برای اکثر خودروهای برقی بین ساعت 6 تا 11 صبح و زمان خروج بین ساعت 14 تا 20 بعد از ظهر است، تعداد دستهها برابر 6×7=42 خواهد شد.
زمان ورود و خروج هر دسته برابر میانگین زمان ورود و خروج خودروهای آن دسته است. هم چنین ظرفیت باتریهای هر دسته برابر مجموع ظرفیت باتریهای خودروهای آن دسته است و سطح شارژ در زمان ورود دسته نیز از رابطه - 7 - به دست میآید. میانگین و واریانس متغیرهای تصادفی ذکر شده نیز برای هر دسته بر اساس معادلات آماری محاسبه میشود.
پس از این که تعداد دستهها و مشخصات و توابع توزیع احتمالاتی هر دسته مشخص شد،مسأله بهینه سازی طبق بخش بعدی حل شده و زمان شارژ هر دسته مشخص میشود و به آنها اعلام می شود.
-3-2 تخمین سطح شارژ
تخمین سطح شارژ باتری خودروهای الکتریکی در هنگام اتصال به شبکه در ساعتهای مختلف بستگی چندین عامل دارد: سطح شارژ باتری اولیه در هنگام اتصال به شبکه، شروع زمان شارژ و نوع شارژ. سطح شارژ اولیه به سیکل رانندگی و سطح شارژ در هنگام جدا شدن از شبکه دارد. زمان شروعشارژ طبعاً پس از زمان رسیدن است. یک فرض سادهسازی که با توجه به زیرساخت شبکه هوشمند در نظر گرفته شده، این است که مالکان خودروهای قابل اتصال به شبکه خودروی خود را در هنگام رسیدن به شبکه متصل میکنند، اما زمانی که شبکه هوشمند به آن اجازه دهد، شارژ شدن شروع میشود و تا زمانی که به طور کامل شارژ شوند، ادامه مییابد.
سه نوع استاندارد شارژ باتری خودروهای الکتریکی وجود دارد: سطح 1، سطح 2 و شارژ جریان مستقیم سریع . خصوصیات این سه نوع در جدول 1 آمده است. در این مقاله بر روی سطح شارژ 2 تمرکز شده است و فرض شده که مالکان خودرو از این نوع شارژ، استفاده میکنند، زیرا شارژ خودروها در ایستگاه شارژ در نظر گرفته شده است. سطح شارژ باتری در مدت زمان شارژ شدن بر اساس شکل 1 میتواند تخمین زده شود
جدول :1 مشخصات انواع شارژ استاندارد
شکل :1 سطح شارژ باتری لیتیومی هنگام شارژ شدن با سطح 2
-4-2 الگوریتم پیشنهاد شده
معماری فرض شده شبکه هوشمند به این شکل است که اپراتور سیستم قدرت با استفاده از وسایل و ابزارات اندازهگیری و زیر ساخت شبکه هوشمند، میتواند شبکه توزیع را آنالیز و رصد کند.
