بخشی از مقاله
چکیده: به علت رشد روزافزون محدودیتهای زیست محیطی و اقتصادی در دنیای امروز، استفاده از تولیدات پراکنده که غالبا از انرژی های تجدیدپذیر استفاده میکنند، به شدت در حال افزایش است. نفوذ خودروهای برقی ومنابع تجدیدپذیر رو به افزایش است. استفاده نامنظم و در مقیاس بزرگ هر یک از این دو تکنولوژی میتواند اثرات زیان باری روی شبکه الکتریکی داشته باشد، اما با برنامهریزی و مدیریت مصرف مناسب این تکنولوژیها همراه با منابع ذخیرهسازی انرژی میتوان این اثرات را کاهش داد. در این راستا تاثیر تجمع یکپارچه خودروهای PEV به شبکه جهت فرآیند شارژ یا دشارژ و ناپایداری شبکه ناشی از آن خصوصاً در زمان پیک بار بعنوان چالش اساسی استفاده از این ماشینها مطرح گردیده است.
هدف اصلی این مقاله سیستم شارژ هماهنگ و ناهماهنگ خودروهای برقی متصل به شبکه همراه با منابع تولید پراکنده - DG - تجدیدپذیر با استفاده از الگوریتم ژنتیک - GA - است. هزینه تلفات سالیانه انرژی و هزینه بهرهبرداری واحدهای تولید پراکنده به صورت یکپارچه به عنوان تابع هدف مطرح میگردد. نتایج حاصل از شبیهسازی روی شبکه 33 باسه IEEE با استفاده از نرم افزار متلب کارکرد سیستم مدیریت توان ارائه شده را نشان میدهد.
.1 مقدمه1
تولیدات پراکنده به عنوان یک قسمت از سیاست گذاری انرژی کشورها به بسیاری از نگرانی هایی که در زمینه انرژی الکتریکی با آن مواجه هستیم از قبیل: تأمین انرژی کافی در مواجهه با افزایش تقاضای برق در آینده می باشد. از سوی دیگر مسائلی نظیر تغییرات اتمام سوخت های فسیلی در آینده و نیز افزایش دمای استفاده از این نوع سوخت ها جهت تولید انرژی را نیز به عنوان مسائلی مهم مورد توجه قرار داده و به حل آنها کمک می کند.
راه حلی بدیع و کارا به منظور حفظ و افزایش سطوح قابلیت اطمینان و تأمین برق در چارچوبی امن و اقتصادی برای مشترکین مورد نیاز است.که این موارد از افزایش تقاضای ایجاد شده در نتیجه افزایش رو به رشد جمعیت در جهان بوجود آمده است بٌب.2 ها یا همان تولیدات DG پراکنده در ترکیب با فناوری هایی که تحت عنوان شبکه های هوشمند شناخته می شوند که یکی از این فناوریها استفاده از خودروهای برقی است و نیز تکنولوژی هایی که سبب راه اندازی شبکه های توزیع می گردند، می توانند انعطاف پذیری مورد نظر را با عملکرد شبکه قدرت داشته باشند.
از سوی دیگر سیستم های توزیع ولتاژ پایین که موضوع اصلی بحث این تحقیق را شامل می گردد، بر خلاف دو سطح دیگر سیستم قدرت یعنی تولید و انتقال خاصیت اهمی بیشتری داشته و از اینرو تلفات در این سیستم بسیار بالاست. لقا3و همکاران نشان داده اند که جایابی DG و سطح تزریق آن مسئله ای مهم چه برای شبکه اولیه و چه برای صاحبان DG محسوب می شود. پخش بار اقتصادی4 به طور گسترده ای برای برنامه ریزی و عملکرد سیستم قدرت مورد استفاده قرار گرفته است.
نتایج با برنامه ریزی سیستم توزیع سنتی مقایسه مقایسه و بحث شده است. بٍب شوکلا 5و همکاران روشی مبتنی بر الگوریتم ژنتیک به منظور ارزیابی بهینه سازی DG از لحاظ اندازه در سیستم های توزیع شعاعی و نیز کمینه کردن تلفات استفاده شده است. یک روش بررسی حساسیت تلفات برای تصمیم گیری مناسب جایگیری DG ها معرفی شده است. تمرکز اصلی این مقاله بر یافتن و ارزیابی مزیت های فنی - کاهش تلفات و تنظیم ولتاژ - از دیدگاه مشترکین و مزیت های اقتصادی کلی از دیدگاه شبکه اولیه است.بَب× میستری 6و روی 7از رشد بار سالیانه از قبل مشخص شده تا 5 سال مورد استفاده قرار داده و از تنظیم ولتاژ به عنوان قید بهره جسته است. از الگوریتم ازدحام ذرات PSO8 و نیز راه برد فاکتور انقباض برای تعیین اندازه و جایگیری بهینه DG ها به کار گرفته شده است.
کنسال9 و همکاران از راه کار PSO برای یافتن اندازه و جایگیری بهینه DG در شبکه های توزیع شعاعی برای جبران توان اکتیو بوسیله کاهش تلفات توان و بهبود پرفیل ولتاژ استفاده کرده اند. اندازه بهینه DG در هر باس با استفاده از فرمول دقیق تلفات محاسبه شده و جایابی بهینه DG با استفاده از معیار حساسیت تلفات پیدا شده است. بِب در]ّ[ ادامه روش های مختلف پیاده سازی بهبود عملکرد خودروهای برقی و پارکینگ آورده شده است؟ در×بْب عملکرد بهینه هوشمند خودروها و تاثیر خودروها در شبکه هوشمند با حضور منابع تجدید پذیر برای کمینه کردن تلفات و هزینه مدنظر قرار گرفته است؟
-2 مدلسازی اجزا
مدل بار
به منظور مدلسازی اجزا مختلف در سیستم ، دوره زمانی انتخابی یکساله به 4 فصل تقسیم شده است. . یک روز معمولی برای هر فصل به منظور توصیف رفتار احتمالی منابع تولید پراکنده در این دوره ساخته شده است. پروفیل بار بایستی سیستم IEEE-RTS را دنبال نماید. مطابق شکل 1 این سیستم پیک ساعتی را بر اساس پیک روزانه بیان می کند. اطلاعات سه ساله محل مورد بررسی قرار میگیرد و هرسال به چهار فصل تقسیم شده و این داده ها برای استخراج یک روز معمولی برای هر فصل مورد استفاده قرار می گیرد. هرفصل به صورت یک روز از آن نمایندگی می شود. و این روز خود به 24 ساعت تقسیم می گردد لذا 96 قسمت زمانی مختلف خواهیم داشت.
