مقايسه و بررسي عملكرد انواع شبكه هاي عصبي جهت برنامه‌ ريزي مسائل مربوط به مديريت بهينه شارژ و دشارژ خودروهاي الكتريكي در شبكه هاي برق هوشمند

Comparison and evaluation of the performance of various neural networks for planning of Optimum charging and discharging of electric vehicles in smart grids

استفاده از خودروهاي الكتريكي علاوه بر كاهش نگراني‌هاي زيست محيطي، مي‌تواند در كاهش پيك و پر كردن دره‌هاي مشخصه بار روزانه شبكه نقش به‌ سزايي داشته باشد. به‌ بيان ديگر در بستر شبكه‌هاي هوشمند، مي‌توان با برنامه‌ ريزي فرآيند شارژ و دشارژ باتري‌ خودروهاي الكتريكي را بهبود داد. در اين تحقيق مسئله مديريت شارژ و دشارژ خودروهاي الكتريكي با استفاده انواع مدل هاي عصبي مورد ارزيابي قرار گرفته تا با ارزيابي و بررسي تأثير نرخ رشد سطح نفوذ خودروهاي الكتريكي از نوع هيبريدي قابل اتصال به شبكه توزيع، نتايج پاسخ مديريت شارژ و دشارژ مدل ارائه شده مورد بررسي قرار بگيرد. نتايج نشان ميدهد، كه به علت افزايش سطح نفوذ اين خودروها مقدار پاسخ مديريت شارژ و دشارژ افزايش مي يابد. همچنين در اين تحقيق، انواع روش هاي شبكه عصبي الف) روش شبكه عصبي با استفاده از آموزش پرسپترون چندلايه (MLP)، ب) روش شبكه عصبي با استفاده از آموزش جردن (RNN)، ج) روش شبكه عصبي با استفاده از آموزش (RBF) براساس پارامترهايي نظير كاهش خطاي آموزش، مقدار كاهش خطاي تست شبكه، مدت زمان اجرا و تعداد تكرار براي هر يك مورد بررسي و ارزيابي قرار گرفته شد. نتايج نهايي نشان دهنده اين موضوع است كه خودروهاي الكتريكي ميتوانند به عنوان نيروگاههاي توليد پراكنده استفاده شوند همچنين براي تنظيم فركانس وتنظيم ولتاژ شبكه و تامين پيك بار مي توانند مفيد واقع شوند. همين امر سبب مي شود كه پيك بار و هزينه هاي مربوط به شكبه كاهش پيدا كند كه در نهايت به پايداري شبكه بيشتر كمك مي كند. درنهايت، پاسخ مديريت شارژ و دشارژ بيان كننده اين امر است كه مدل هاي ارائه شده برپايه شبكه هوشمند توانايي مديريت شارژ و دشارژ خودروهاي الكتريكي را دارند و در بين مدل ها مقدار كاهش خطا آموزش و تست براي دو روش RNN,MLP بسيار مطلوب مي باشد.

Using electric vehicles in addition to reducing environmental concerns can play a significant role in reducing the peak and filling the characteristic valleys of the daily load of the network. In other words, in the context of smart grids, it is possible to improve the electric vehicle by planning the process of charging and discharging the battery. In this research, the issue of controlling the charge and discharge of electric vehicles using a variety of neural models was evaluated by evaluating the effect of the growth rate of the penetration level of electric vehicles of the hybrid type to be connected to the distribution network, the results of the charge management and discharge model proposed. To be investigated. The results show that due to increased penetration of these cars, the charge response and charge management response increases. In this research, a variety of neural network methods, a) neural network method using Multilayer Perceptron Training (MLP), b) neural network method using Jordan Education (RNN), c) neural network method using training (RBF ) Was evaluated based on parameters such as reduction of training error, reduction of network testing error, duration of run and number of replications for each one. The final results indicate that electric vehicles can be used as scattered power plants, and can be useful for regulating the frequency and regulation of network voltages and the supply of peak traffic. This also reduces peak charges and incidental costs, which ultimately helps to further network stability. Finally, the charge and discharge management response reflects the fact that intelligent network-based models have the ability to manage the charge and discharge of electric vehicles, and among the models the amount of error reduction training and testing for both RNN and MLP methods is highly desirable.