برنامه ریزی و زمان بندی بهینه وسیله نقلیه به شبکه با الگوریتم چند هدفه دو لایه
چکیده
تکنیک وسیله نقلیه به شبکه به عنوان یک تکنولوژی بسیار مهم و کارا شناخته می شود که موجب تبادل انرژی بین وسایل نقلیه الکتریکی و شبکه انرژی جهت ایجاد مزیت دو سویه برای هر دو بخش می گردد. اجرای سیستم مدیریت انرژی وسیله نقلیه به شبکه مناسب می تواند ظرفیت وسایل نقلیه الکتریکی را جهت ایجاد سرویس های فرعی شبکه به حداکثر برساند. این مقاله یک روش برنامه ریزی و زمان بندی وسیله نقلیه به شبکه بهینه را با استفاده از یک الگوریتم چند هدفه دو لایه جدید پیشنهاد می کند. این الگوریتم بهینه سازی از وسایل نقلیه الکتریکی متصل به شبکه جهت اجرای اجرای بار حداکثر و خدمات تعدیل بار جهت حداقل کردن تغییرات بار شبکه انرژی در طی بهینه سازی لایه اول استفاده می کند. با این حال، بهینه سازی لایه دوم جبران توان راکتیو را برای تنظیم ولتاژ شبکه به حداقل رسانده و بنابراین اندازه ذخیره کننده تامین انرژی وسیله نقلیه به شبکه را بهینه می کند. الگوریتم بهینه سازی لایه دوم از یک رابطه مناسب با استفاده از شبیه سازی سیستم تامین انرژی وسیله نقلیه به شبکه استفاده می کند. الگوریتم پیشنهادی بهینه سازی وسیله نقلیه به شبکه محدودیت های مختلف شبکه انرژی و وسیله نقلیه الکتریکی را جهت اهداف اجرایی در نظر می گیرد. با اجرای زمان واقعی الگوریتم پیشنهادی، نتایج بهینه سازی نشان می دهند که منحنی بار انرژی به طور موثر تحت تاثیر بارگذاری هدف ثابت از پیش تعیین شده قرار دارد، در حالی که ولتاژ شبکه به طور مناسب نسبت به سطح ولتاژ از پیش تعیین شده با حداقل مقدار تامین انرژی از منبع تامین کننده بهینه تنظیم شده است.
1- مقدمه
در سال های اخیر، گسترش استفاده از وسیله نقلیه الکتریکی (EV) به عنوان یک عامل تعدیل کننده در کاهش اثر تغییرات اقلیمی با کاهش انتشار گاز کربن از طرف وسایل نقلیه جاده ای عمل کرده است. بهینه سازی مدل و تحلیل جهت تعیین بهترین ترکیب انواع وسیله نقلیه جهت دستیابی به حداقل مقدار انتشار با کمترین میزان سرمایه گذاری پیشنهاد شده است. پیش بینی می شود که یافته ها و نتایج کلیدی حاصل از مدل و تحلیل بهینه سازی به سیاست گذاران و برنامه ریزان حمل و نقل جهت آماده سازی چارچوب حمل و نقل و ساختار مناسب به منظور به کارگیری ورود EV در آینده کمک کند. از سوی دیگر، ممکن است EV ها در صورتی که باتری های EV از شبکه انرژی با تولید سوخت فسیلی تغذیه شود، چندان سازگار با محیط زیست نباشد. علی رغم این تناقض، مولفین [3] نتیجه گرفته اند که برقی کردن حمل و نقل جاده ای موجب کاهش مصرف سوخت و انتشار گاز بدون یکپارچه سازی انرژی تجدید پذیر می شود. همچنین، مصرف سوخت و انتشار گاز ها در صورت استفاده گسترده از انرژی های تجدید پذیر کاهش خواهند یافت. EV هایی که انرژی آنها با سیستم خورشیدی هیبریدی تامین می شود، موجب بهبود کاهش استفاده از گاز های گلخانه ای می گردند.
7- نتیجه گیری
این مقاله یک الگوریتم بهینه سازی V2G چند هدفه دو لایه جدید را ارائه کرده است که تغییرات بار شبکه را در لایه اول به حداقل رسانده و ولتاژ شبکه را در لایه دوم تنظیم می کند. حداقل شدن واریانس بار شبکه با استفاده از انرژی باتری EV برای اصلاح بیشینه بار و سرویس های تعدیل بار حاصل می شود. با این حال، تنظیم ولتاژ شبکه به وسیله جبران توان راکتیو با استفاده از حداقل اندازه خازن DC شارژر V2G حاصل می شود. علاوه براین، استفاده از شارژر V2G دو جهته با استراتژی های کنترلی مناسب نشان داده شده است. شارژر V2G دارای قابلیت تنظیم ولتاژ شبکه در طی شارژ دهی EV و فرآیند های تخلیه است که طی آن این روابط فرمول بندی شده و در الگوریتم بهینه سازی V2G مورد استفاده قرار گرفته است. الگوریتم بهینه سازی V2G پیشنهادی تحت چهار حالت مورد ارزیابی قرار گرفته و نتایج نشان دهنده اهمیت هر تابع هدف لایه است. مطابق حالت 4، اجرای هر دو تابع هدف با استفاده از الگوریتم بهینه سازی V2G پیشنهادی نشان دهنده بهترین عملکرد برای منحنی بار انرژی بهینه و پروفیل ولتاژ تنظیم شده است. قابلیت اجرایی V2G واقعی در شهر مسکونی- تجاری با استفاده از الگوریتم V2G پیشنهادی نشان داده شده است.
Abstract
Vehicle to grid is a revolutionary technology that allows energy exchange between electric vehicles and power grid for mutual advantages. The implementation of appropriate vehicle to grid energy management system can maximize the potential of electric vehicles to provide grid ancillary services. This paper proposes an optimal vehicle to grid planning and scheduling by utilizing a novel double layer multi-objective algorithm. This optimization algorithm utilizes the grid-connected electric vehicles to perform peak load shaving and load levelling services to minimize the power grid load variance in the first layer optimization. Meanwhile, the second layer optimization minimizes the reactive power compensation for grid voltage regulation and therefore, optimizes the vehicle to grid charger's capacitor sizing. The second layer optimization algorithm utilizes an approximated formula from the simulation of a vehicle to grid charger. The proposed vehicle to grid optimization algorithm considers various power grid and electric vehicle constraints for practicality purpose. With the real time implementation of the proposed algorithm, the optimization results show that the power load curve is effectively followed the preset constant target loading, while the grid voltage is successfully regulated to the predetermined voltage level with minimal amount of reactive power supply from the optimal charger's capacitor.
1. Introduction
In recent years, the deployment of electric vehicle (EV) has become the catalyst in reducing the impact due to climate change, by alleviating carbon emissions of roadway vehicles. The optimization model and analysis has been proposed to determine the best combination of vehicle types to achieve minimal emissions with the lowest investment [1]. It is envisaged that the key findings from the optimization model and analysis shall assist the policy makers and transportation planners to prepare the transportation framework and structure to accommodate future influx of EV [2]. On the other hand, EVs may not be environmental-friendly if EV batteries are charged from the power grid with fossil fuel generation. Despite the contradiction, authors in Ref. [3] have concluded that electrification of roadway transportation is able to reduce fuel consumption and emissions without renewable energy integration. Obviously, the fuel consumption and emissions will be further reduced if renewable energy generations are widely adopted. EVs powered by hybrid solar system can also enhance the reduction of greenhouse gases [4].
7. Conclusion
This paper has presented a novel double layer multi-objective V2G optimization algorithm, which can minimize the grid load variance in the first layer and regulate the grid voltage in the second layer. The grid load variance minimization is achieved by utilizing the EV battery energy for peak load shaving and load levelling services. Meanwhile, the grid voltage regulation is accomplished by reactive power compensation using the minimal sizing of DC-link capacitor of the V2G charger. Moreover, the development of the bidirectional V2G charger with appropriate control strategies was demonstrated. The V2G charger has the capabilities of regulating the grid voltage during EV charging and discharging processes, where these relationships were formulized and used in the V2G optimization algorithm. The proposed V2G optimization algorithm has been tested under four different scenarios and the results have shown the importance of each layer's objective function. As presented in Scenario 4, the implementation of both objective functions using the proposed V2G optimization algorithm has expressed the best performance for optimal power load curve and regulated voltage profile. The practicality of real time V2G application was also demonstrated in the commercial-residential township using the proposed V2G algorithm.
چکیده
1- مقدمه
2- روش ها
3- ارائه شارژر V2G دو جهته در یک شبکه آزمایشی کلی
4- مدل سازی سناریو و فرمول بندی مسئله الگوریتم بهینه سازی V2G چند هدفه دو لایه
4-1 توابع هدف
4-2 محدودیت ها
4-3 فلوچارت الگوریتم بهینه سازی V2G
5- نتایج و بحث
5-1 شارژ دهی EV سازمان دهی نشده بدون تنظیم ولتاژ
5-2 شارژ دهی EV سازمان دهی شده بدون تنظیم ولتاژ
5-3 شارژ دهی EV سازمان دهی نشده با تنظیم ولتاژ
5-4 شارژ دهی EV سازمان یافته با تنظیم ولتاژ
6- اجرای واقعی یک سیستم V2G بزرگ
7- نتیجه گیری
Abstract
1. Introduction
2. Methods
3. Development of bidirectional V2G charger in a generic test network
4. Scenario modelling and problem formulation of double layer multi-objective V2G optimization algorithm
4.1. Objective functions
4.2. Constraints
4.3. Flow chart of the V2G optimization algorithm
5. Results and discussion
5.1. Uncoordinated EV charging without voltage regulation
5.2. Coordinated EV charging without voltage regulation
5.3. Uncoordinated EV charging with voltage regulation
5.4. Coordinated EV charging with voltage regulation
6. Real time implementation of a large scale V2G system
7. Conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه