مکانیابی بهینه منابع تولیدپراکنده و پارکینگ خودروی برقی بر اساس مدل احتمالاتی خودروهای برقی

نوع مقاله: مقاله علمی فارسی

نویسندگان

1 فارغ التحصیل کارشناسی ارشد، دانشکده مهندسی برق و کامپیوتر- دانشگاه تربیت مدرس- تهران- ایران

2 استاد، دانشکده مهندسی برق و کامپیوتر- دانشگاه تربیت مدرس- تهران- ایران

چکیده

گسترش استفاده از منابع تولید پراکنده در شبکه قدرت و استفاده روزافزون از خودروهای برقی، بهره‏برداران شبکه توزیع را با چالش‌های جدیدی مواجه ساخته ‏است. قرارگیری منابع تولید پراکنده و پارکینگ خودروهای برقی در شبکه توزیع بدون برنامه‏ریزی فنی و جایابی بهینه، به مشکلات اقتصادی برای سرمایه‏گذار پارکینگ و مشکلات فنی برای بهره‏بردار شبکه توزیع منجر می‏گردد. در این مقاله، جایابی توأمان منابع تولید پراکنده و پارکینگ خودروی برقی در شبکه توزیع شعاعی مطالعه شده است. شبکه توزیع مورد مطالعه با حضور پارکینگ‏ها و منابع تولید پراکنده به گونه‌ای ارتقا می‏یابد که علاوه بر تأمین قابلیت اطمینان مورد نظر، تلفات نیز به سطح بهینه برسد. در مرحله اوّل الگوریتم پیشنهادی، سرمایه‏گذار پارکینگ خودروی برقی بر اساس شاخص تصمیم‏گیری سرمایه‏گذار به رتبه‏بندی شین‏های شبکه می‏پردازد. شاخص تصمیم‏گیری سرمایه‏گذار بر اساس قابلیت اطمینان، تعداد مشترکان و قیمت زمین در هر شین محاسبه می‏گردد. بر اساس امتیاز هر یک از شین‏ها سرمایه‏گذار سه شین کاندیدای احداث پارکینگ را پیشنهاد می‏دهد. در مرحله دوم، بهره‏بردار شبکه توزیع بر اساس نقاط پیشنهادی و همچنین، ظرفیت مورد نیاز منبع تولید پراکنده بهینه‏سازی در راستای نیل به کمترین تلفات را اجرا می‏کند. در مرحله اول، بهینه سازی چند هدفه اعمال شده و در مرحله دوم، بهینه سازی صرفاً با هدف کمینه کردن تلفات انجام می‏گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Simultaneous Optimal Placement of Distributed Generation and Electric Vehicle Parking Lots Based on Probabilistic EV Model

نویسندگان [English]

  • M.H. Amini 1
  • M. Parsa Moghaddam 2
1 Faculty of Electrical and Computer Engineering-Tarbiat Modares University-Tehran-Iran
2 Faculty of Electrical and Computer Engineering-Tarbiat Modares University-Tehran-Iran
چکیده [English]

High penetration of distributed generations and the increasing demand for using electric vehicles provide a lot of issues for the utilities. If these two effective elements of the future power system are used in an unscheduled manner, it may lead to the loss increment in distribution networks, dramatically. In this paper, the simultaneous allocation of distributed generations (DGs) and electric vehicles (EVs) parking lots has been studied in a radial distribution network. A distribution network which is upgrading and equipped with DGs is considered and these resources' optimal placement is achieved in interaction with the EV parking lots in order to minimize the power distribution network loss. The proposed method considers not only the loss minimization but also the reliability of the parking lot from the investor's point of view. The output of this model is the daily electricity demand of parking lot. The proposed method includes two levels. At the first level of the proposed algorithm, the parking lot investor makes decision and selects three candidate buses for each parking based on three main criteria. After making decision by the parking lot investor, the candidate buses are introduced to the distribution network operator. At the second stage, the distribution network operator allocates the DGs and EV parking lots based on the candidate buses of investor in order to achieve the minimum loss of the distribution network. Finally, the effectiveness of the proposed method is evaluated by allocating of DGs and EV parking lots simultaneously on the standard distribution test system.

کلیدواژه‌ها [English]

  • Vehicles' Parking Lot
  • Distributed Generation
  • Investor Decision Making Index
  • Genetic Algorithm

مفهوم خودرو –به- شبکه نخستین بار با ارایه‌ مدل درآمد و هزینه در راستای شرکت در بازار تنظیم و بازار خدمات جانبی استفاده شد[1]. از طرف دیگر چون اتصال یک خودروی برقده به شبکه تاثیر چندانی بر شبکه‌ قدرت ندارد، در برخی تحقیقات، با معرفی بازیگر جدیدی به نام تجمیع کننده ، که با تشویق صاحبان خودرو برای اتصال به شبکه و ایجاد ارتباط بین بهره‌بردار مستقل سیستم و صاحبان خودرو، نقش خود را ایفا می‌کند، خودروهای برقده را به‌عنوان منابع انرژی پراکنده در بازار انرژی الکتریکی معرفی نموده‌اند[2]. با توجه به ظرفیت الکتریکی محدود خودروهای برقده، آنها به تنهایی تاثیری بر شبکه ندارند، بنابراین، در این تحقیقات از پارکینگ‌هایی نام برده شده است که همزمان با داشتن تجهیزاتی که قابلیت اتصال به شبکه را برای خودرو فراهم می‌آورند با جای دادن تعداد قابل توجهی خودرو در خود، نقش خودرو -به-شبکه را در زمینه‌ همچون تنظیم فرکانس بررسی کرده‌اند[3]. در مرجع[4] مطالعاتی در مورد پروفایل شارژ بهینه برای افزایش مصرف در ساعات کم‏باری انجام گرفته و مرجع[5] به بررسی تأثیر پروفایل شارژ بر شبکه توزیع پرداخته‏است.

به طور کلی، اکثر تحقیقات انجام گرفته در زمینه خودروهای برقی بر برنامه‏ریزی شارژ بهینه در راستای نیل به سطح مطلوب شاخص‏های مختلف، از قبیل تلفات و پروفیل ولتاژ و همچنین، استفاده از فناوری خودروهای متصل به شبکه به عنوان ذخیره‏ساز تمرکز کرده‏اند. جایابی پارکینگ خودروهای متصل به شبکه با لحاظ کردن قیود تلفات و قابلیت اطمینان به صورت قیود اقتصادی در مرجع[6] پیاده‏سازی شده‏است. همچنین، مطالعاتی در خصوص ارائه الگوریتم شارژی که امکان افزایش بار در ساعات کمباری را فراهم نماید، انجام گرفته‏است[4].  نکته مشترک در این تحقیقات، برنامه‏ریزی شارژ برای خودروهای برقی است، که با توجه به عدم قطعیت‏های موجود در رفتار مالکان خودروی برقی، امکان عدم مشارکت در این برنامه‏ریزی‏ها و کاهش طول عمر باتری خودروی برقی بر اثر شارژ و دشارژهای نامنظم و متوالی، از لحاظ اقتصادی و فنی لزوماً قابل اجرا نیست.

از مهمترین اهداف طراحی شبکه توزیع می‏توان کاهش هزینه‏ها و افزایش درآمدها را برشمرد. کاهش تلفات و بهبود قابلیت اطمینان، دو عامل مهم در طراحی شبکه توزیع بوده و جایابی منابع تولید پراکنده بر اساس این عوامل همواره مدنظر برنامه‏ریزان شبکه توزیع بوده‏است[7]. همچنین، با گسترش روزافزون بهره‏گیری از خودروهای برقی به دلایل زیست-محیطی، نیاز به برنامه‏ریزی برای احداث پارکینگ‏های خودروی برقی محسوس است.

بنابراین، با توجه به نیازهای جدید مصرف‏کنندگان، طراحان شبکه‌های توزیع باید ضمن در نظر گرفتن مسائل فنی شبکه، رویکردهای طراحی و بهره‏برداری از شبکه را با توجه به نیاز این  مصرف‏کنندگان تعریف کنند. در واقع، قرارگیری منابع تولید پراکنده و پارکینگ خودروهای برقی در شبکه توزیع بدون برنامه‏ریزی فنی و جایابی بهینه، به مشکلات اقتصادی برای سرمایه‏گذار پارکینگ و مشکلات فنی برای بهره‏بردار شبکه توزیع منجر می‏شود. جایابی این دو عنصر اصلی شبکه‏های توزیع آینده، استفاده بهتر از امکانات شبکه برای نیاز به صنایع و کاربردهای برق در جامعه دیجیتالی است.

در این مقاله، جایابی توأمان منابع تولید پراکنده و پارکینگ خودروی برقی در شبکه توزیع شعاعی مطالعه شده ‏است. شبکه توزیعی که در حال تجهیز شدن به منابع تولید پراکنده است، در نظر گرفته شده است و این منابع طوری در شبکه نصب می‏شوند که در تعامل با پارکینگ خودروهای برقی کمترین تلفات شبکه توزیع را به ارمغان بیاورند. در این مقاله سعی شده است شبکه توزیع موجود با حضور پارکینگ‏ها و منابع تولید پراکنده به گونه‌ای ارتقا یابد که با حداقل هزینه، قابلیت اطمینان مورد نظر سرمایه‏گذار پارکینگ خودروی برقی تأمین شود و تلفات نیز به کمترین سطح ممکن از دیدگاه بهره‏بردار شبکه توزیع برسد. شایان ذکر است که مقصود از قابلیت اطمینان از دیدگاه سرمایه‏گذار، شاخص قابلیت اطمینان معرفی شده برای تصمیم‏گیری سرمایه‏گذار است که در ادامه نحوه محاسبه آن بیان می‏گردد. این شاخص برای هر شین به صورت مستقل محاسبه شده و مستقل از میزان بار سایر شین‌های شبکه توزیع است.

در ابتدا مدل احتمالاتی تک- خودروی برقی بر اساس داده‏های آماری ارائه می‏گردد. مدل پارکینگ از تعمیم مدل تک- خودرو استخراج شده و خروجی این مدل میزان تقاضا و تعداد خودروی حاضر در پارکینگ در هر ساعت از شبانه‏روز است. در لایه اوّل الگوریتم پیشنهادی، سرمایه‏گذار پارکینگ خودروی برقی بر اساس تعداد مشترک حاضر در شین، شاخص قابلیت اطمینان شین و قیمت زمین به رتبه‏بندی شین‏های شبکه می‏پردازد. بر اساس امتیاز هر یک از شین‏ها، سرمایه‏گذار سه شین کاندیدای احداث پارکینگ را به بهره‏بردار پیشنهاد می‏دهد. در لایه دوم الگوریتم پیشنهادی، بهره‏بردار شبکه توزیع بر اساس نقاط پیشنهادی هر یک از سرمایه‏گذاران پارکینگ و همچنین ظرفیت مورد نیاز منبع تولید پراکنده برنامه بهینه‏سازی در راستای نیل به کمترین تلفات را اجرا می‏کند.

برای بهینه‏سازی از الگوریتم ژنتیک استفاده شده‏است. با توجه به ماهیت مسأله بهینه‏سازی، مقیاس نسبتاًً کم محدوده تحت پوشش بهره‏بردار شبکه توزیع و تعداد حالات ممکن برای جایابی همزمان منبع تولید پراکنده و پارکینگ تمام حالات امکان‏پذیر را در جدول حالات ثبت کرده و الگوریتم ژنتیک در هر تکرار یکی از این حالات را انتخاب و تلفات را محاسبه می‏کند. در نهایت، خروجی الگوریتم، مکان منابع تولید پراکنده و تعیین یکی از نقاط کاندیدای احداث پارکینگ است.

  

1- روش پیشنهادی جایابی توأمان منابع تولید پراکنده و پارکینگ خودروی برقی

در این قسمت ابتدا روند نمای کلی تحقیق بیان می‏گردد. سپس بر اساس این روندنما مرحله به مرحله، از مدل‏سازی پارکینگ خودروی برقی تا مکان‏یابی منابع تولید پراکنده در حضور پارکینگ با لحاظ نمودن اولویت‏های سرمایه‏گذار پارکینگ تشریح می‏گردد.

ابتدا بر اساس سه شاخص قابلیت اطمینان، قیمت زمین و تعداد مشترکان متصل به هر شین (شاخص جذابیت شین)، شاخص تصمیم‏گیری سرمایه‏گذار پارکینگ برای معرفی سه نقطه کاندیدای احداث هر پارکینگ به بهره‏بردار شبکه توزیع تعریف می‏شود. سپس توان خروجی و تعداد مشترک حاضر در پارکینگ بر اساس مدل احتمالاتی محاسبه می‏گردد. شرکت توزیع بر اساس خروجی مدل احتمالاتی، نقاط کاندیدای معرفی شده از جانب سرمایه‏گذار پارکینگ و تعداد و ظرفیت DGهایی که در شبکه نصب خواهد شد، به جایابی پارکینگ و DG با هدف کمینه کردن تلفات می‏پردازد. در این مرحله برای حل مسأله بهینه‏سازی از الگوریتم ژنتیک استفاده می‏گردد. شکل (1) روند نمای کلی مسأله جایابی توأمان منابع تولید پراکنده و پارکینگ خودروی برقی را که در این مقاله استفاده شده ‏است، نشان می‏دهد.

1-1- مدل‏سازی احتمالاتی پارکینگ‏ خودروهای برقی

اولین پارامتر مورد استفاده مسافت پیموده‏شده انتظاری است. مرجع[8] از یک توزیع لوگ- نرمال برای مدل‏سازی مسافت پیموده شده توسط هر خودرو استفاده می‏کند. متغیر تصادفی مورد استفاده در این توزیع با استفاده از توزیع نرمال استاندارد عدد تصادفی N تولید می‏شود. روش باخ- مولر برای تولید N مرسوم است[9]. رابطه (‏1) نحوه تولید متغیر تصادفی N با استفاده از روش باخ- مولر را بیان می‏کند.

 

(1)

 

 

 

شکل (1): روندنمای فرآیند جایابی توأمان منبع تولید پراکنده و پارکینگ خودروی برقی

 

 

که در آن u1,u2 متغیرهای تصادفی مستقل با توزیع یکنواخت در بازه [1و0) و  متغیر تصادفی با میانگین صفر و واریانس یک است.

رابطه (‏2) مسافت پیموده‏شده انتظاری بر اساس داده‏های آماری را نشان می‏دهد.

(2)

 

که در آن  و  پارامترهای توزیع احتمالاتی لوگ- نرمال و  مسافت پیموده شده انتظاری توسط خودروی برقی است.

پارامترهای توزیع لوگ-نرمال بر اساس رابطه (‏3) از میانگین و انحراف معیار استاندارد داده‏های آماری مستخرج از مسافت پیموده شده خودروهای برقی محاسبه می‏گردد.

(3)

 

که در آن و  به ترتیب میانگین و انحراف معیار مسافت پیموده شده توسط خودروهای برقی بر اساس داده‏های آماری است. مقدار و  به ترتیب 40 و 20 مایل درنظرگرفته شده‏است.

دومین پارامتر مؤثر بر عملکرد خودروی برقی و میزان تقاضای شارژ، مصرف انرژی بر مسافت طی شده است. این پارامتر بر حسب کیلووات ساعت بر مایل از رابطه (‏4) محاسبه می‏گردد.

(4)

 

که در آن  مصرف انرژی بر حسب ،  ثابت مصرف انرژی خودروی برقی بر حسب  و  ثابت (نمای) مصرف انرژی خودروی برقی است. نسبت انرژی الکتریکی به کل انرژی مصرفی خودروی برقی را با  نمایش می‏دهیم و در این مقاله برابر عدد یک درنظرگرفته شده است.

بیشترین مسافت قابل پیمودن در حالتی که باتری کاملاً شارژ شده‏است، از رابطه (‏5) محاسبه می‏گردد.

(5)

 

که در آن  ظرفیت باتری خودروی برقی بر حسب کیلووات ساعت و  حداکثر مسافت مسافت قابل پیمودن با یک بار شارژ کامل باتری است.

تقاضای شارژ انرژی خودرو ( ) نیز از رابطه (6) محاسبه می‏گردد.

(6)

 

 

سومین پارامتر، زمان انتظاری حضور خودروی برقی در پارکینگ است. این پارامتر با استفاده از ظرفیت باتری، زمان احتمالاتی ورود و خروج خودروها به پارکینگ محاسبه می‏گردد. زمان ورود و خروج احتمالاتی از توزیع گوسی محاسبه می‏گردد. این توزیع بهترین تخمین از رفتار رانندگان خودروهای شخصی را ارائه می‏دهد[10]. رابطه (‏7) برای محاسبه زمان ورود و خروج احتمالاتی بر اساس داده‏های آماری استفاده می‏شود.

(7)

 

که در آن ، و  به ترتیب میانگین، انحراف معیار و زمان احتمالی ورود خودروی برقی به پارکینگ، ،  و  به ترتیب میانگین، انحراف معیار و زمان احتمالی خروج خودروی برقی از پارکینگ و ,  متغیرهای تصادفی با میانگین صفر و واریانس یک است. زمان‏های ورود و خروج باید از قید  پیروی کنند و در صورت عدم برقراری این محدودیت، مجدداً این دو زمان تولید می‏شود. زمان انتظاری حضور خودرو در پارکینگ ( ) از رابطه (‏8) محاسبه می‏گردد.

(8)

 

حال، بر اساس زمان انتظاری حضور خودرو در پارکینگ و نیز مسافت انتظاری پیموده شده توسط خودرو به محاسبه سطح شارژ انتظاری پرداخته‏می‏شود. سطح شارژ انتظاری احتمالاتی ( ) از رابطه (‏9) محاسبه می‏گردد.

(9)

 

 

که در آن  نرخ شارژ و  سطح شارژ اولیه است.

برای مدل‌سازی پارکینگ خودروهای برقی، چهار کلاس خودروی موجود با سهم مختلف از بازار در نظر گرفته می‏شود. جدول (1) مشخصات این کلاس خودروها را نشان می‏دهد. شایان ذکر است که شاخص  به این علت که خودروها فقط از باتری تغذیه می‏کنند و امکان استفاده از سوخت فسیلی ندارند، بی تأثیر است.

 

 

 

 

جدول (1): پارامترهای مؤثر در مدل‏سازی برای چهار کلاس خودرو

سهم بازار (بر حسب درصد)

 )  (

 ) (

کلاس خودرو

20

10

3790/0

1

30

12

4288/0

2

30

16

5740/0

3

20

21

8180/0

4

 

 

1-2- تعیین نقاط کاندیدا از دیدگاه سرمایه‏گذار پارکینگ

در این بخش تصمیم‏گیری سرمایه‏گذار پارکینگ بر اساس سه عامل قابلیت اطمینان، قیمت زمین و میزان استقبال انتظاری مدل شده و به ازای هر پارکینگ خودروی برقی، سه نقطه کاندیدا به بهره‏بردار شبکه توزیع معرفی می‏گردد.

1)                  شاخص قابلیت اطمینان شین

به منظور دستیابی به تحلیلی سریع از قابلیت اطمینان شین‏های مختلف برای احداث پارکینگ، شاخص قابلیت اطمینان برای هر شین تعریف شده‏است. به منظور تحلیل سریع از قابلیت اطمینان شین‏های مختلف برای احداث پارکینگ، از شاخص متوسط زمان خاموشی در نظر گرفته می‏شود. این شاخص کاملاً مبتنی بر محل شین از لحاظ الکتریکی است. ابتدا این شاخص برای تمام شین‏ها محاسبه گردیده و سپس بر اساس بیشترین مقداری که اختیار کرده، نرمالیزه می‏گردد. برای محاسبه این شاخص ازروابط محاسبه  و  معادل برای الما‏‏ن‏های سری و موازی استفاده شده‏است. متوسط زمان خاموشی از رابطه (10) محاسبه می‏گردد. در این رابطه  نرخ خرابی معادل شین i اُم،  مدت زمان تعمیر معادل شین i اُم،  متوسط زمان خاموشی شین i اُم و  متوسط زمان خاموشی نرمالیزه شده شین i اُم را بیان می‏کند.

(10)

 

این شاخص که عددی بین صفر و یک است، به عنوان یکی از عوامل مؤثر بر تصمیم‏گیری سرمایه‏گذار پارکینگ است.

2)                  جذابیت هر شین برای احداث پارکینگ

این شاخص با تعداد مشترکان حاضر در هر شین برای مراجعه به پارکینگ رابطه مستقیم داشته و از جمع وزندار تعداد مشترکان خانگی، تجاری و صنعتی در هر شین و تقسیم این جمع بر جمع وزندار کل مشترکان شبکه مورد مطالعه محاسبه می‏گردد. سپس بر اساس بیشترین میزان شاخص به دست آمده، مقدار تمام شاخص‏ها استاندارد سازی می‏گردد. رابطه (11) نحوه محاسبه شاخص جذابیت شین را بیان می‏کند.

(11)

 

 

که در آن ،  و  به ترتیب ضرایب وزنی امتیازدهی به مشترکان خانگی، تجاری و صنعتی،  تعداد مشترکان هر گروه در شین‏های مختلف و  تعداد کل مشترکان هر گروه در شبکه مورد مطالعه است.  نیز نشان دهنده شاخص جذابیت شین i اُم است.

3)                  هزینه زمین برای احداث پارکینگ

این شاخص فقط دربردارنده هزینه خرید زمین برای احداث پارکینگ است. سایر هزینه‏ها از جمله هزینه خرید برق از شبکه، هزینه ساخت پارکینگ و هزینه تجهیزات شارژ خودروی برقی در تمام شین‏ها یکسان است. برای محاسبه این شاخص، برای هر شین شاخص نرمال هزینه زمین درنظر گرفته شده‏است. این شاخص از تقسیم قیمت زمین در منطقه جغرافیایی شین مورد مطالعه بر حداکثر قیمت ممکن در محدوده موردنظر سرمایه‏گذار پارکینگ به دست می‏آید. به علت نزدیکی برخی شین‏ها از لحاظ جغرافیایی، این شاخص بر اساس رابطه (12) برای مجموعه شین‏های هر فیدر تعریف و محاسبه می‏گردد.

(12)

 

اکنون بر اساس سه شاخص معرفّی شده، شاخص تصمیم‏گیری سرمایه‏گذار پارکینگ برای هر شین به صورت رابطه (13) محاسبه می‏گردد.

(13)

 

 

در این رابطه ضرایب تعریف شده  برای اعمال محدودیت‏های سرمایه‏گذار در نظرگرفته ‏شده‏است.

 

1-3- پخش بار در شبکه توزیع با حضور DG

در این مقاله DG ها به صورت باس PQ مدل می‏گردد. روش پخش بار پیشرو- پسرو مبتنی بر توان شاخه استفاده شده‏است. در این روش اجرای فاز پسرو و پیشرو بر اساس معادلات توان صورت می‏گیرند و از جریان شاخه‏ها به طور مستقیم استفاده نمی‏شود. برای نمونه، شکل(2) یک شاخه از شبکه را نشان می‏دهد.

 

 

شکل (2): پارامترهای مربوط به یک شاخه در روش پخش بار پسرو- پیشرو جبرانی مبتنی بر توان شاخه

با توجه به پارامترهای این شکل، برای محاسبه توان اکتیو و راکتیو ارسالی در فاز پسرو از روابط (14) و (15) استفاده می‏شود:

(14)

 

(15)

 

سپس در فاز پیشرو برای محاسبه اندازه و زاویه ولتاژ پایین دست، از روابط (16) و (17) استفاده می‏شود.

(16)

 

(17)

 

که در آن  و  از روابط (18) و (19) محاسبه می‏گردد.

(18)

 

(19)

 

بر اساس جریان‏های محاسبه‏شده شاخه‏ها در روش پخش بار مطرح شده، بهینه‏سازی تلفات با رابطه (20) انجام می‏گیرد.

(20)

 

که در آن  مقاومت شاخه و  جریان شاخه است.

قیود این بهینه‌سازی عبارتند از:

(21)

 

 

که در آن  بار در گره  در زمان ،  به ترتیب جریان و ولتاژ در گره  در زمان  و  انرژی کلی تحویل شده به گره در بازه زمانی مورد مطالعه است.

برای انجام فرآیند بهینه‏سازی از الگوریتم ژنتیک استفاده شده‏است.

  

2- مطالعات شبیه‏سازی

در این قسمت ابتدا شبکه تست مورد مطالعه در این مقاله که یک شبکه استاندار توزیع با چهار فیدر است، معرفی می‏شود. در ادامه، شاخص تصمیم‏گیری سرمایه‏گذار پارکینگ خودروهای برقی با ضرایب وزنی مختلف محاسبه می‏گردد. در ادامه نتایج بهینه‏سازی برای کمینه کردن تلفات از دیدگاه بهره‏بردار شبکه توزیع محاسبه می‏شود.

 

2-1- شبکه تست مورد مطالعه

شبکه تست مورد مطالعه، باس دو RBTS است. این شبکه شامل 22 نقطه بار، چهار فیدر و یک پست تغذیه است. شکل ‏4 1 آرایش شبکه را نشان می‌دهد[11]. این شبکه 3222 مشترک در سه دسته خانگی، تجاری و صنعتی دارد. هر دسته از مشترکان خانگی، تجاری و صنعتی پروفیل بار مخصوص خود را دارند. مشخصات نقاط بار شبکه تست در جدول (2) آمده‏است. فیدر یک شامل شین‏های 2، 3، 4 و 5، فیدر دو شامل شین‏های 13 و 14، فیدر سه شامل شین‏های 17، 18، 19 و 20 و فیدر چهار شامل شین‏های 27، 28، 29 و 30 است جدول(3) مشخصات قابلیت اطمینان شبکه تست است. شکل (3) شبکه تست مورد استفاده است.

 

 

جدول (2): مشخصات نقاط بار و میزان بار پیک هر نقطه بار

بار پیک (کیلووات)

تعداد مشترکان

نوع بار

شماره شین (نقطه بار)

535

210

خانگی

6،7،8،21،22

566

220

خانگی

9،10،24،25،35،36

454

10

تجاری

11،12،26،31،37

1000

1

صنعتی

15

1150

1

صنعتی

16

450

200

خانگی

32،32،33،34

 

جدول (3): نرخ خرابی و نرخ تعمیر المان‏های شبکه تست استاندارد

المان

ترانسفورماتور توزیع

باسبار

خط

نرخ خرابی(خرابی در سال)[برای خط: خرابی بر سال بر کیلومتر]

015/0

001/0

065/0

نرخ تعمیر(ساعت)

200

2

5

 

 

شکل (3): شبکه تست مورد مطالعه[66]

 

 

2-2- محاسبه شاخص تصمیم‏گیری سرمایه‏گذار

در این قسمت با استفاده از تغییر ضرایب وزنی در رابطه (13)، تأثیر قابلیت اطمینان، جذابیت شین و قیمت زمین بر مکان شین‏های پیشنهادی سرمایه‏گذار بررسی می‏گردد. شکل (4) مقدار محاسبه شده برای سه شاخص مؤثر در تصمیم‏گیری سرمایه‏گذار پارکینگ را نشان می‏دهد. تعارض بین برخی شاخص‏ها در شکل ‏(4) مشخص است. برای مثال در فیدر یک، با نزدیک شدن به شین‏های انتهای فیدر قیمت زمین کاهش، ولی متوسط زمان خاموشی افزایش می‏یابد.

2-3- الگوریتم ژنتیک

برای انتخاب مقادیر مناسب تعداد تکرار و اندازه جمعیت الگوریتم ژنتیک، به ازای یک حالت خاص نصب DG و احداث پارکینگ‏ها، ابتدا برای تمام حالات میزان تلفات محاسبه گردید. بر اساس این محاسبات حداقل تلفات ممکن 6887/528 کیلووات ساعت است. با تغییر پارامترهای الگوریتم ژنتیک مقادیر مناسب پارامترهای الگوریتم ژنتیک بدین صورت است:

  • معمولاً احتمال تقاطع بین 80 تا 95 درصد لحاظ می‏شود. در این مقاله، احتمال عملگر تقاطع 8/0 استفاده شد.
  • احتمال جهش بین 5/0 تا 1 درصد در نظر گرفته می‏شود. احتمال عملگر جهش 05/0 لحاظ گردید.
  • تعداد تکرار 400 و اندازه جمعیت 200 درنظر گرفته‏ شد.

 

2-4- تأثیر نرخ شارژ پارکینگ خودروی برقی بر میزان تلفات

نرخ شارژ خودروی برقی یکی از پارامترهای ورودی مدل پارکینگ است. بنابراین، نرخ شارژ پارکینگ خودروهای برقی یکی از عوامل مؤثر بر میزان تلفات شبکه توزیع است.

 

 

 

شکل(4): میزان شاخص‏های مؤثر در تصمیم‏گیری و تغییرات آنها در فیدرهای مختلف

 

 

برای بررسی تأثیر نرخ شارژ بر میزان تلفات بهینه در شبکه تست مورد مطالعه ظرفیت قابل نصب کل هر فیدر( ) به صورت رابطه (‏22) استفاده شد.

(22)

 

 

که در آن ،  و  ضرایب نفوذ خودروی برقی در گروه‏های مختلف مشترکان،  تعداد مشترکان خانگی فیدر i اُم،  تعداد مشترکان تجاری فیدر i اُم و  تعداد مشترکان صنعتی فیدر i اُم را نشان می‏دهد.

شکل (5) نمودار تلفات بر حسب نرخ شارژ را نشان می‏دهد. بر اساس این شکل ملاحظه می‏گردد با افزایش نرخ شارژ، به دلیل سرعت بیشتر شارژ باتری خودروهای برقی، پیک مصرف پارکینگ افزایش یافته و در نتیجه میزان تلفات شبکه توزیع نیز افزایش می‏یابد. جدول (4) محل نصب پارکینگ‏های خودروی برقی در هر فیدر و محل نصب DG را نشان می‏دهد.

 

 

 

شکل (5): منحنی تلفات بر حسب نرخ شارژ پارکینگ خودروی برقی

 

جدول (4): شماره شین محل نصب DG و پارکینگ خودروی برقی به ازای نرخ شارژهای مختلف

نرخ شارژ

1

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

 

27

27

4

5

5

4

4

4

5

4

 

30

30

28

30

30

30

30

30

30

30

 

5

3

3

5

5

4

4

4

4

4

 

18

17

17

17

17

17

17

17

17

17

 

29

28

28

28

28

28

28

28

28

30


باتوجه به نتایج جدول (4) نتیجه می‏شود که به ازای نرخ شارژ 1 و 9/0 به علت تمرکز بارها در فیدر چهار، هر دو منبع تولید پراکنده بر این فیدر نصب می‏گردد. در حقیقت، بار اضافه شده در اثر احداث پارکینگ در فیدر چهار و افزایش قابل‏توجه سهم بار این فیدر نسبت به سایر فیدرها منجر به تمرکز نصب هر دو DG در این فیدر شده ‏است. در سایر حالات و نرخ شارژ کمتر از 8/0، به علت تأثیر کمتر احداث پارکینگ بر پیک مصرف فیدرها، یکی از منابع تولید پراکنده در فیدر چهار و دیگری در فیدر یک نصب می‏گردد.

 

2-5- محاسبه تلفات در حالات مختلف نفوذ خودروی برقی و درصد نفوذ مختلف منابع تولید پراکنده

در این قسمت به بررسی ضریب نفوذ منابع تولید پراکنده و خودروهای برقی بر میزان تلفات شبکه توزیع می‏پردازیم. ضرایب  و  به ترتیب 10 و 5 لحاظ می‏گردد و  به عنوان ضریب نفوذ خودروی برقی در نظرگرفته شده‏است. درصد نفوذ منابع تولید پراکنده به صورت درصدی از کل پیک بار شبکه مورد مطالعه است که به احداث منابع تولید پراکنده اختصاص می‏یابد. تولیدات پراکنده به صورت دو واحد با ظرفیت مشابه، به عنوان ورودی برای فرآیند بهینه‏سازی است. در تمام این حالات نرخ شارژ متوسط (3/0) در نظر گرفته شد. ضرایب نفوذ این چهار حالت عبارت است از:

الف) ضریب نفوذ خودروی برقی 30% و درصد نفوذ منابع تولید پراکنده 10%

ب) ضریب نفوذ خودروی برقی 100% و درصد نفوذ منابع تولید پراکنده 10%

ج) ضریب نفوذ خودروی برقی 100% و درصد نفوذ منابع تولید پراکنده 15%

د) ضریب نفوذ خودروی برقی 30% و درصد نفوذ منابع تولید پراکنده 15%

در ادامه، چهار حالت مختلف بررسی شده در این بخش که تأثیر ضرایب نفوذ مختلف خودروی برقی و منابع تولید پراکنده بر تلفات و مکان‏یابی را نشان می‏دهد، با توجه به نمودار شکل ‏(6) مقایسه می‏گردد.

 

 

 

 

شکل (6): تلفات در حالات مختلف پیشنهاد سرمایه‏گذار پارکینگ و ضرایب نفوذ مختلف

 

 

با توجه به این شکل ملاحظه می‏شود سیر صعودی یا نزولی تلفات در گذار از یک حالت (از میزان ضرایب نفوذ پارکینگ و منبع تولید پراکنده) به حالت دیگر، مستقل از حالت مربوط به پیشنهاد سرمایه‏گذار است. در بین حالات با ضریب نفوذ مشابه خودروهای برقی در بین مشترکان خانگی، حالتی که میزان ظرفیت منبع تولید پراکنده بیشتری دارد از تلفات کمتری برخوردار است. همچنین، در بین حالات با درصد نفوذ مشابه منابع تولید پراکنده، حالتی که ضریب نفوذ کمتر خودروی برقی را دارد، از تلفات کمتری برخوردار است.

3- تحلیل نتایج عددی

نرخ شارژ پارکینگ خودروهای برقی به عنوان یکی از پارامترهای مدل پارکینگ محسوب می‏گردد، لذا بر پیک مصرف پارکینگ و منحنی مصرف خروجی پارکینگ تأثیرگذار است. از این‏رو، به ازای نرخ شارژهای مختلف الگوریتم پیشنهادی بر روی شبکه مورد مطالعه پیاده شده و نتایج آن بررسی قرار گرفته‏است. بر اساس این تحلیل مشاهده گردید که با افزایش نرخ شارژ، به دلیل سرعت بیشتر شارژ باتری، پیک مصرف پارکینگ افزایش یافته‏است و در نتیجه میزان تلفات شبکه توزیع نیز افزایش می‏یابد. همچنین افزایش نرخ شارژ بر مکان بهینه منابع تولید پراکنده تأثیرگذار است. به ازای نرخ شارژ کمتر از 9/0 یکی از واحدهای یک مگاواتی در فیدر یک و دیگری در فیدر چهار جایابی می‏شود، ولی به ازای نرخ شارژ 9/0 و 1، هر دو منبع تولید پراکنده پیشنهادی در فیدر چهار قرار می‏گیرد. علت این امر افزایش مصرف پارکینگ در نرخ شارژهای بسیار بالا و تمرکز بارها در فیدر چهارم است. با توجه به این تحلیل، دقت در انتخاب نرخ شارژ پارکینگ به نحوی که مکان‏یابی بهینه منابع تولید پراکنده را تحت‏الشعاع قرار ندهد، از اهمیت بالایی برخوردار است. در این شبکه تست و با توجه به نوع و میزان بارهای موجود، نرخ شارژ بین 1/0 تا 8/0 مناسب است. انتخاب نرخ شارژ در این محدوده به عدم تأثیر پارکینگ‏ها بر فیدر بهینه نصب منابع تولید پراکنده منجر شده و صرفاً به تغییر شین نصب واحد تولید پراکنده در همان فیدر می‌انجامد. در این مقاله نرخ شارژ 3/0 برای مطالعات سایر بخش‏ها انتخاب شد که بر اساس نرخ شارژهای استاندارد، معادل حالت نرخ شارژ متوسط است[13].

در نهایت، به منظور بررسی همزمان تأثیر تعداد خودروهای برقی و ظرفیت منابع تولید پراکنده به صورت همزمان، تلفات در چهار حالت مختلف تحلیل شده‏است. در این حالات ضریب نفوذ خودروی برقی در دو حالت 30% و در دو حالت دیگر 100%، و درصد نفوذ منابع تولید پراکنده در دو حالت 10% و در دو حالت دیگر 15% در نظرگرفته‏شد. نتایج شبیه‏سازی بیانگر این مطلب است که کمترین تلفات در حالتی است که ضریب نفوذ خودروهای برقی کمتر و درصد نفوذ منابع تولید پراکنده بیشتر است. البته، با توجه به تحلیل انجام شده در مورد ظرفیت بهینه نصب منابع تولید پراکنده، نصب بیش از حد بهینه منابع تولید پراکنده به افزایش تلفات خواهد انجامید. همچنین نتایج نشان‏دهنده آن است که مستقل از ضرایب تصمیم‏گیری که توسط سرمایه‏گذار پارکینگ خودروهای برقی و به منظور نیل به اهداف سرمایه‏گذار تعیین می‏گردد، در حالت نفوذ 100% خودروهای برقی نسبت به حالت نفوذ 30% تلفات بیشتری در شبکه وجود دارد. بنابراین، تعیین ضرایب وزنی در محاسبه شاخص تصمیم‏گیری سرمایه‏گذار، بر میزان تلفات شبکه تأثیرگذار است، اما در نرخ تغییر تلفات در گذار از یک حالت نفوذ خودروهای برقی و منبع تولید پراکنده و به حالت دیگر، بی‏تأثیر است.

 

4- نتیجه‏گیری

در این مقاله، مکان‏یابی توأمان پارکینگ‏های خودروی برقی و منابع تولید پراکنده انجام شده است. این مکان‏یابی در دو مرحله انجام گرفته است: در مرحله اوّل هدف تعیین نقاط مناسب از دید سرمایه‏گذار پارکینگ بوده و سرمایه‏گذار بر اساس تعداد مشترکان تجاری، صنعتی و خانگی موجود در هر شین به محاسبه شاخص جذابیت شین و متوسط زمان خاموشی هر شین پرداخته ‏است. در مرحله دوّم بر اساس تعداد و ظرفیت منابع تولید پراکنده و در قالب تصمیم‏گیری تک هدفه، تعداد پارکینگ‏هایی که باید در شبکه نصب شوند و مدل احتمالاتی پارکینگ، بهره‏بردار شبکه به مکان‏یابی با استفاده از الگوریتم ژنتیک تعیین می‏گردد.

•      مکان‏یابی توأمان پارکینگ خودروی برقی و منابع تولید پراکنده، در صورتی که به صورت برنامه‏ریزی نشده انجام گیرد، به افزایش ناگهانی تلفات منجر می‏گردد؛ حتی نصب منابع تولید پراکنده که در حالت کلی به بهبود تلفات شبکه منجر می‏شود، در صورت نصب بیش از حد به افزایش تلفات می‏انجامد.

•      تعیین نرخ شارژ مناسب بر اساس ظرفیت‏های شبکه و سطح مطلوب تلفات کمک شایانی به مکان‏یابی بهینه پارکینگ‏ها و منابع تولید پراکنده در راستای کاهش تلفات می‏کند.

•      سرمایه‏گذاران می‏توانند بر اساس اهمیت اهداف لحاظ شده در رابطه شاخص تصمیم‏گیری سرمایه‏گذار، ضرایب را تعیین و بر اساس اهداف خود در قالب تابع چندهدفه به معرفی شین‏های کاندیدای نصب پارکینگ اقدام کنند و از این طریق اهداف خود را به طور غیر مستقیم در مکان‏یابی انجام شده از سوی بهره‏بردار شبکه توزیع اعمال کنند.

 

[1]          W. Kempton and J. Tomic, “Vehicle-to-grid power fundamentals: Calculating capacity and net revenue,” Journal of Power Sources, Vol. 144, No. 1, pp. 268-279, 2005.

[2]          C. Guille and G. Gross, “A conceptual framework for the vehicle-to-grid(V2G) implementation,” Energy Policy, pp. 4379-4390, 2009.

[3]          S. Han and K. Sezaki, “Development of an optimal vehicle-to-grid aggregator for frequency regulation,” IEEE Transactions on Smart Grid, Vol. 1, No. 1, pp. 65-72, 2010.

[4]          X. Yu, “Impacts assessment of PHEV charge profiles on generation expansion using national energy modeling system,” in IEEE Power & Energy Society General Meeting-Conversion and Delivery of Electrical Energy in the 21st Century, 2008, pp. 1-5.

[5]          K. Clement-Nyns, E. Haesen, and J. Driesen, “The impact of charging plug-in hybrid electric vehicles on a residential distribution grid,” IEEE Transaction on Power System, Vol. 25, No. 1, pp. 371-380, 2010.

[6]          M. Moradijoz, M. P. Moghaddam, M. R. Haghifam, and E. Alishahi, “A multi-objective optimization problem for allocating parking lots in a distribution network,” International Journal of Electrical Power & Energy Systems, Vol. 46, pp. 115-122, 2013.

[7]          N. Khalesi, M.-R. Haghifam “DG allocation with application of dynamic programming for loss reduction and reliability improvement,” International Journal of Electrical Power and Energy Systems, Vol. 33, No. 2, pp. 288-295, 2011.

[8]          S. Meliopoulos, J. Meiselrge, and T. Overbye, “Power System Level Impacts of Plug-In Hybrid Vehicles (Final Project Report)- PSERC Document,” 2009.

[9]          “Reliability Test System Task Force of the Application of Probability Subcommittee, IEEE reliability test system,” IEEE Transactions on Power Apparatus and Systems, Vol. 98, No. 6, pp. 2047-2054, 1979.

[10]          S. Letendre, P. Denholm, and P. Lilienthal, “New Load, or New Resource?,” in Public Utitlity Fortnightly, 2006, pp. 28-37.

[11]          R.N.Allan, R.Billinton, I.Sjarief, L.Goel, and K.S.So, “A Reliability Test System for Eductional Purposes- basic distribution system data and results,” IEEE Transaction on Power System, Vol. 6, No. 2, pp. 813-820, 1991.

[12]          R. Brown, “Electric Power Distribution Reliability,” New York, Published by CRC Press, 2009.

[13]          MH. Amini, "Simultaneous allocation of distributed generations and electric vehicle parking lots", MSc Thesis, Tarbiat Modares University, Tehran, 2013.