تعيين زمان شارژ خودروهاي الكتريكي با احتساب نقش آن‌ها در خودترميمي شبكه هوشمند

Electric vehicle charging schedule considering their role for self-healing process in smart grid

تداوم برق رساني بارهاي مهم يكي از مهم‌ترين رويكردهاي توانايي خودترميمي يك شبكه هوشمند است. استفاده از خودروهاي برقي به اين منظور مي‌تواند چالش برانگيز باشد. از طرفي مطلوب است كه باتري خودروهاي برقي به محض دسترسي به شبكه شارژ شود تا در مواقع اضطراري شارژ بيشتري داشته باشند؛ اما اين روش مي‌تواند منحني بار را خراب كند، و مشكلات ديگري را در پي داشته باشد. لذا يك تابع هدف تعريف شده است تا زمان شارژ خودروهاي برقي در يك شبكه هوشمند را با دو هدف مشخص كند: حداكثر سازي انرژي ذخيره شده در باتري خودرو برقي، حداقل سازي انحراف معيار منحني بار شبكه با احتساب بار شارژ خودروها. در اين مقاله نامعيني در زمان عزيمت و زمان رسيدن و مقدار سطح شارژ در زمان رسيدن در رفتار خودروهاي برقي در نظر گرفته شده است. براي كاهش تعداد متغيرهاي تابع بهينه سازي در شرايط نفوذ بالاي خودروهاي الكتريكي، با كمك روش‌هاي آماري خودروها دسته بندي شده‌اند. روش بهينه‌سازي تابع هدف بر اساس الگوريتم سيستم ايمني مصنوعي است. شبيه‌سازي بر روي شبكه استاندارد IEEE 37 باس توسط الگوريتم ذكر شده و الگوريتم ژنتيك اجرا شده و نتايج آن با يكديگر مقايسه شده است و موفقيت الگوريتم پيشنهاد شده را تاييد مي‌كند.

Power continuation of vital loads is one of the most important feature of self-healing smart grid. It is desired to charge the batteries of Electric Vehicles (EVs) whenever they can be connected to the grid in order to have more energy reserved in the case of emergency. However, this method of charging can deteriorate the load curve, and has several other side effects. Therefore, using the vehicle-to-grid (V2G) for this purpose can be challenging. A multi-objective optimization is formulated that assigns the charging times of EVs in a smart grid by considering two goals; maximizing of energy stored in EVs and minimizing the standard deviation (SD) of the grid load curve counting the charging load. Uncertainty of arrival time, departure time and state of charge at arrival time of EVs are considered. In order to decrease the number of variables of optimization problem in case of high penetration of EVs, the EVs are clustered with statistical methods. The proposed optimization method is based on the artificial immune system algorithm (AISA). Simulation studies are performed on the IEEE 37-bus benchmark, showing that AISA provides better solutions compared to those of the genetic algorithm, as enough energy is stored in EVs while the SD of the load curve is better.