مکان یابی پارکینگ خودروهای الکتریکی با در نظر گرفتن اطلاعات GIS و وسعت مناطق شهری

نوع مقاله: مقاله علمی فارسی

نویسندگان

1 - دانشیار، دانشکده مهندسی برق و کامپیوتر- دانشگاه بیرجند - بیرجند- ایران

2 دانشجوی دکتری، دانشکده مهندسی برق و کامپیوتر- دانشگاه بیرجند- بیرجند- ایران

3 دانشجوی کارشناسی ارشد، دانشکده مهندسی برق و کامپیوتر- دانشگاه بیرجند- بیرجند- ایران

چکیده

با افزایش قیمت سوخت‌های فسیلی و نگرانی‌های زیست محیطی، استفاده از انرژی‌های تجدید‏پذیر مانند باد و خورشید افزایش یافته است. همچنین، استفاده از خودروهای الکتریکی (EV) و خودروهای هیبریدی قابل اتصال به شبکه (PHEV) که با عنوان V2G شناخته‏ می‏شوند توسعه یافته است. با توجه به فراگیر شدن استفاده از این خودروها در آینده‌ای نزدیک، پارکینگ خودروهای الکتریکی (EVP) به عنوان منابع تولید تولید پراکنده (DG) و ذخیره‏ساز انرژی الکتریکی مورد توجه قرار می‌گیرند. مکان قرار گرفتن این پارکینگ‏ها برای شرکت‏های توزیع برق از نقطه نظر کاهش تلفات و برای شهرداری‏ها از نقطه نظر وسعت منطقه شهری که قرار است پارکینگ در آن احداث شود‏ دارای اهمیت است. در این مقاله، به موضوع مکان‏یابی پارکینگ خودروهای الکتریکی با درنظر گرفتن اطلاعات GIS و وسعت مناطق شهری، با هدف تسریع در مکان‏یابی‏ پارکینگ‌ها توسط الگوریتم‌های تکاملی مختلف به منظور کاهش مکان‌های کاندید، بررسی و مقایسه کارایی این الگوریتم‏ها و همچنین، رضایت‌مندی شرکت توزیع برق و شهرداری‌ها پرداخته شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Electric Vehicles Parking (EVP) Sitting Considering GIS Information and the Extent of Urban Areas

نویسندگان [English]

  • Mohammad R. Aghaebrahimi 1
  • Mahdi Tourani 2
  • Mohammad M. Ghasemipour 3
1 Faculty of Elec. & Comp. Engineering, University of Birjand, Birjand, Iran
2 Faculty of Elec. & Comp. Engineering, University of Birjand, Birjand, Iran
3 Faculty of Elec. & Comp. Engineering, University of Birjand, Birjand, Iran
چکیده [English]

energy resources, such as wind and solar, are increased. Also, the use of Electric Vehicles (EV) and Plug-in Hybrid Electric Vehicles (PHEV), known as V2G, is under development. Due to the widespread use of these vehicles in the near future, Electric Vehicles Parking (EVP) is considered as a source of Distributed Generation (DG) and Electric Energy Storage. The location of parking lot is important for power utilities to reduce power losses, and to municipalities of the urban areas from construction point of view. In this paper, sitting of EVP considering GIS information and the extent of urban areas will be discussed for rapid determination of parking locations using different evolutionary algorithms. The goal is to reduce the candidate locations, to analyze and to compare the performance of these algorithms as well as increasing the satisfaction of power utilities and municipalities.

کلیدواژه‌ها [English]

  • Electric Vehicles Parking (EVP)
  • Urban GIS Information
  • Sitting
  • Electric Vehicles (EV)
  • Gravitational Search Algorithm (GSA)
  • Particle Swarm Optimization (PSO)
  • genetic algorithm (GA)

امروزه منابع تولید پراکنده (DG) برای صنعت برق جذابیت ویژه‏ای دارند. این منابع در برخی مواقع جایگزین پروژه‏های توسعه تولید یا انتقال شده و یا آن‏ها را به تعویق‏ می‏اندازند و بدین گونه باعث افزایش سودآوری شرکت‏های تولید و انتقال و توزیع برق‏ می‏شوند. فناوری‏های منابع تولید پراکنده شامل: فتوولتائیک، بادی، پیل سوختی، CHP و... می‏شوند ]1 .[پارکینگ خودروهای برقی (EVP) نمونه جدیدی از منابع تولید پراکنده هستند که در آینده استفاده خواهند شد. امروزه به سبب افزایش هزینه سوخت‏های فسیلی و نگرانی‏های زیست محیطی، کارخانه‏های خودروسازی بزرگ دنیا گام‏های اولیه در مقابله با این امر را برداشته اند که از جمله آن‏ می‏توان به تولید خودروهای برقی و خودروهای برقی قابل اتصال به شبکه (PHEV) اشاره کرد. با توسعه این خودروها، مقدار زیادی از انرژی الکتریکی می‌تواند در باتری خودروهای الکتریکی ذخیره شود‏ و در زمان مناسب به شبکه باز گردانده شود ]2[.

مزایای به دست آمده از نفوذ بالای خودروهای برقی در شبکه قدرت را‏ می‏توان به سه دسته کلی مزایای بازاری، مزایای فنی و مزایای زیست محیطی تقسیم‏بندی کرد. از جمله مزایای حضور خودروهای برقی در بازار‏ می‏توان به افزایش منابع تامین کننده ذخیره گردان، افزایش منابع تامین کننده خدمات تنظیم فرکانس، صرفه اقتصادی برای مالکین خودروهای برقی، پیشگیری از جهش (بی ثباتی) قیمت، کاهش عدم قطعیت منابع انرژی تجدید پذیر با عدم قطعیت بالا و به تعویق انداختن نیاز به توسعه تولید و انتقال اشاره کرد. در صورت برنامه‏ریزی در بهره‏برداری از خودروهای برقی، مزایای فنی از قبیل امکان افزایش بار پایه، کاهش حداکثر تولید (اوج تقاضا از دید واحدهای نیروگاهی)، افزایش ضریب بار، افزایش قابلیت اطمینان، کاهش تلفات شبکه انتقال و توزیع، بهره برداری کارآمدتر از تجهیزات شبکه و افزایش ضریب کارکرد واحدهای نیروگاهی در اثر افزایش ضریب بار، حاصل خواهد شد. از جمله مزایای زیست محیطی استفاده از این خودروها نیز‏ می‏توان به کاهش انتشار گازهای گلخانه‏ای اشاره نمود ]6-3 .[

پارکینگ خودروهای برقی (EVP) به عنوان منابع تولید پراکنده در بار پیک شناخته‏ می‏شوند؛ زیرا‏ انرژی ذخیره شده در باتری خودروها در بار پیک قابل دسترس برای انتقال به شبکه بوده و در زمان مصرف کمِ بار، پارکینگ‏ها از شبکه انرژی دریافت کرده و این انرژی را در باتری خودروها ذخیره‏ می‏کنند. در نتیجه‏ می‏توان از پارکینگ خودروهای برقی (EVP) برای مسطح‏سازی‏ منحنی بار استفاده کرد.

با نفوذ زیاد خودروهای برقی به دلیل ماهیت تصادفی شارژ و دشارژ خودروها و همچنین، ماهیت تصادفی قرار گرفتن خودروها در مکان‏های مختلف، ممکن است حضور این خودروها تاثیر معکوس و نامطلوبی بر شبکه توزیع بگذارد] 7[. بدین منظور بهینه‏سازی حضور خودروهای برقی از دو دیدگاه انجام‏ می‏شود:

اولین دیدگاه به بهینه‏سازی‏ برنامه‏ریزی‏ زمان شارژ و دشارژ در محدوده پارکینگ‏ می‏پردازد. بدین گونه که وظیفه پارکینگ خودروهای برقی دستیابی به ظرفیت ذخیره‏سازی‏ بیشتر به وسیله گردآوری خودروهای برقی که دارای باتری‏های با ظرفیت پایین هستند می‏باشد. حال اگر خودروهای برقی در زمان مصرف کمِ بار از شبکه شارژ و در زمان پیک بار دشارژ شوند، هزینه تولید کاهش پیدا خواهد کرد. برنامه‏ریزی‏ زمان شارژ و دشارژ خودروهای برقی و تاثیر این خودروها بر شبکه قدرت در منابع ]12-7[مطالعه شده است.

دیدگاه دوم به مکان‏یابی‏ پارکینگ خودروهای الکتریکی می‌پردازد. قرارگیری نامناسب پارکینگ‌ها ممکن است تاثیرات نامطلوبی بر شبکه گذاشته و تلفات را افزایش دهد که با بهینه کردن مکان قرارگیری پارکینگ‏ می‏توان این تلفات را کاهش داد.

پیرامون مکان‏یابی‏ پارکینگ خودروهای برقی (EVP)، در منبع ]13[ به مکان‏یابی‏ پارکینگ خودروهای برقی و تولیدات پراکنده به منظور کاهش تلفات سیستم و در منبع ]14[ به مکان‏یابی‏ پارکینگ خودروهای برقی به منظور بهبود محدوده پایداری ولتاژ پرداخته شده است.

در مقاله حاضر پارکینگ‏ها برای حضور خودروها اعم از برقی و غیر برقی در نظر گرفته شده اند. از این رو، با توجه به نیاز شهرداری‏ها به احداث پارکینگ در هر منطقه متناسب با ترافیک و تراکم جمعیتی، اطلاعات شهری توسط سیستم اطلاعات جغرافیایی (GIS) برداشت شده و به کمک آن مکان‏یابی‏ پارکینگ به منظور کاهش تلفات انجام‏ می‏شود. در این حالت، ضمن برآورده شدن نیازهای شهری برای احداث فضای پارک وسایل نقلیه، بازدهی سیستم‏های الکتریکی نیز بهبود‏ می‏یابد. از دیگر مزایای ترکیب مکان‏یابی‏ پارکینگ با استفاده از اطلاعات شهری‏ می‏توان به افزایش حضور خودروهای الکتریکی به سبب در نظر گرفتن تراکم جمعیتی اشاره کرد. این نوع مکان‏یابی‏ علاوه بر مزایای یاد شده، باعث تسریع در امر مکان‏یابی‏ به دلیل کاهش مکان‏های کاندید برای احداث پارکینگ‏ می‏شود‏.

به تازگی تلاش‏های زیادی برای حل مسائل بهینه‏سازی در حوزه‏های مختلف انجام شده و به تبع آن روش‏های مختلفی برای حل این مسائل ارایه شده است. الگوریتم‏های تکاملی (EA)، از جمله روش‏هایی هستند که با مدل کردن فرایند تکامل طبیعی، سعی در یافتن جواب بهینه برای مسائل بهینه‏سازی‏ می‏کنند. این موضوع از طریق تکامل دادن جمعیتی از راه حل‏های کاندید، مشابه فرایند تکامل جمعیت زیستی انجام می‏شود که می‏تواند با تغییرات محیطی سازگار شود‏. این الگوریتم‏ها از پدیده‏های طبیعی و یا از پدیده‏های اجتماعی- انسانی الهام گرفته شده‏اند.

در این مقاله، علاوه بر ارایه یک مدل جدید برای حضور خودروهای الکتریکی در شبکه قدرت، به حل مسئله بهینه‌سازی ناشی از آن با استفاده از روش‏‏های هوشمند و مقایسه الگوریتم‏های مختلف پرداخته شده است.

 

1- تعریف مسئله

با توسعه خودروهای برقی در آینده نزدیک، باتری این خودروها قادر به ذخیره‏سازی‏ انرژی در ساعات غیر پیک بوده و نیز‏ می‏توانند در زمان مناسب، مثلا در ساعات پیک مصرف، انرژی ذخیره شده را به شبکه باز گردانند. در نتیجه، پارکینگ خودروهای برقی (EVP) در زمان پیک مصرف‏ می‏توانند مانند واحدهای تولید پراکنده (DG) و در زمان مصرف بار کم، به عنوان بار شبکه عمل کنند که باعث کاهش هزینه‏های تولید به سبب مسطح شدن منحنی بار و همچنین، کاهش تلفات سیستم به دلیل عملکرد پارکینگ خودروهای برقی مانند واحدهای تولید پراکنده در سیستم انتقال و توزیع‏ ‏شوند.

با در نظر گرفتن قابلیت اتصال به شبکه برای خودروهای برقی در پارکینگ‏های معمولی و تجهیز این مکان‏ها به تجهیزات شارژ و دشارژ، منافع بیشتری برای شرکت‏‏های توزیع برق و شهرداری‏ها در احداث پارکینگ‏ها به‏وجود‏ می‏آید. در نتیجه، نیازی به احداث پارکینگ مجزا برای خودروهای برقی و به تبع آن افزایش هزینه‏های شرکت نخواهد بود. همچنین، به دلیل اینکه شهرداری‏ها تعداد پارکینگ‏ها در هر منطقه را براساس اطلاعات GIS و وسعت آن منطقه در نظر‏ می‏گیرند، مکان‏یابی‏ پارکینگ‏ها متناسب با این اطلاعات و مکان‏یابی‏ منطقه ای پارکینگ‌ها موجب تسریع در امر مکان‏یابی‏ به دلیل کاهش مکان‌های کاندید شده و همچنین، موجب رضایتمندی شهروندانی که دارای خودروهای برقی هستند (به واسطه پارک خودروهایشان در مکان‏های مطلوب‏تر) می‏شود‏. از طرف دیگر، به دلیل عملکرد این پارکینگ‏ها به عنوان منابع تولید پراکنده در ساعات پیک مصرف، این پارکینگ‌ها موجب کاهش تلفات سیستم شده و رضایتمندی شرکت‏های توزیع برق را نیز به همراه خواهند داشت.

استفاده از الگوریتم‏های تکاملی برای مسائله مکان‏یابی پارکینگ خودروهای الکتریکی، با توجه به ماهیت غیر خطی مسأله نسبت به راه‏حل‏های کلاسیک برتری دارد. در این میان روش‏های هوشمند مختلفی در حوزه مهندسی و ریاضی برای حل مسائل بهینه‏سازی موجود بوده که هریک در دقت جواب، سرعت و نحوه رسیدن به پاسخ بهینه متفاوت‏ هستند. استفاده از الگوریتم‏های‏ مناسب می‏تواند ضمن افزایش سرعت حل مسائل، باعث بهبود جواب بهینه شود‏.

بدین منظور، در این مقاله به مکان‏یابی‏ بهینه پارکینگ خودروهای برقی با در نظر گرفتن اطلاعات GIS و وسعت مناطق شهری به منظور کاهش تلفات شبکه توزیع با استفاده از چند الگوریتم تکاملی مختلف پرداخته شده است. در بخش 3 مقاله تابع هدف و در بخش 4 قیود تابع هدف معرفی خواهند شد. در بخش 5 پخش بار جاروب رفت و برگشت برای محاسبه مقدار شاخص‏ها تشریح و در بخش 6 چند روش بهینه‏سازی‏ برای دست یافتن به بهترین جواب معرفی‏ می‏شود‏ که در ادامه کارایی آن‏ها بر روی مسأله‏ ارزیابی می‏شود.

در نهایت، در بخش 7 و 8 مطالعات عددی و نتایج حاصل از آن ارایه خواهند شد.

 

2- تابع هدف

برای مکان‏یابی‏ پارکینگ خودروهای الکتریکی نیاز به تعریف تابع هدف است. تابع هدف‏ می‏تواند برای اهداف مختلف انتخاب شود‏. در این مقاله، تابع هدف به منظور کاهش هزینه سیستم انتخاب شده است. این هزینه شامل دو هزینه تلفات و هزینه پارکینگ است.

 (1)

 

(2)

 

(3)

 

(4)

 

که در آن  تابع هزینه،  هزینه تلفات بر حسب دلار بر کیلو وات ساعت،  مقاومت خط بین باس i,j،  جریان خط بین باس i,j،‏  هزینه احداث پارکینگ،  هزینه زمین پارکینگ، T بازه طراحی، t تعداد ساعات سال،  ضریب تلفات، f نرخ تورم، d نرخ بهره،  ارزش حال و هزینه تجهیزات پارکینگ هستند و هدف، کمینه کردن تابع هزینه است.

 

3- قیود تابع هدف

3-1- قیود پخش بار

 

(5)

 

برای باس‏های PQ:

                  

(6)

 

                 

 

برای باس‏های PV:

(7)

 

(8)

 

(9)

 

(10)

 

که در روابط بالا ،  و  توان محاسبه شده در پخش بار و ،  و  توان برنامه‏ریزی‏ شده برای همان باس هستند.   کمینه مقدار مجاز ولتاژ در باس   ام و  بیشینه مقدار ولتاژ مجاز در باس  ام‏ است‏.

 

3-2- قیود پارکینگ‌های V2G

(11)

 

که در آن   ظرفیت الکتریکی پارکینگ و بار سیستم‏ است‏.

 

3-3- محدودیت بارگذاری خط

 

(12)

 

 

4- پخش بار جاروب رفت و برگشت برای محاسبه مقدار شاخص‌ها

همگرایی روش‏های متداول پخش بار مانند گوس- سایدل، نیوتن- رافسون و سایر آن، که بیشتر برای پخش بار در خطوط انتقال استفاده می‏شوند، در گرو عواملی چون نسبت R\X پایین است. با توجه به اینکه در سیستم توزیع فاصله فازهای رفت و برگشت کم است، X به سمت مقدار ناچیز نزدیک‏ می‏شود و تنها R اهمیت پیدا‏ می‏کند. در نتیجه همگرایی این روش‏ها تضمین نشده و نیاز به استفاده از روش هایی کارا در سیستم توزیع احساس می‌شود که از این میان روش پخش بار جاروب رفت و برگشت از صحت و سرعت قابل قبولی برخوردار است ]16[.

شبه کد این روش به شکل‏ زیر در نظر گرفته می‌شود:

1)         اطلاعات شبکه توزیع را دریافت کن،

2)         ولتاژ کلیه باس‏ها را pu1 فرض کن،

3)         جریان هر یک از بارها را محاسبه کن،

4)         از انتهای فیدر، جریان شاخه‏ها را با استفاده از KCL محاسبه کن،

5)         از ابتدای فیدر، ولتاژ گره‏ها را با استفاده از KVL محاسبه کن،

پس از اصلاح ولتاژ باس ها، اگر شرط همگرایی برآورده نشد، به مرحله 3 برگرد و جریان بارها را مجددا محاسبه کن؛ در صورت برآورده شدن شرط همگرایی، پخش بار پایان پذیرفته است.

 

5- روش بهینه‌سازی

به طور کلی دو ویژگی برجسته که تایید کننده کارایی یک الگوریتم بهینه‏سازی در دنیای مهندسی است‏، نزدیک بودن جواب‏ها به بهینه مطلق و هزینه محاسباتی کمتر آن است. هر الگوریتمی که این دو ویژگی را نسبت به سایر الگوریتم‏ها تحقق بخشد می‏تواند به عنوان یک الگوریتم قدرتمند معرفی شود‏.

در این مقاله، با توجه به ماهیت مسأله‏، از بین الگوریتم‌های تکاملی مختلف، از الگوریتم ژنتیک (GA)، الگوریتم ازدحام ذرات (PSO) و الگوریتم جستجوی گرانشی (GSA) به عنوان چند الگوریتم کاندید برای حل مسأله‏ مکان‏یابی پارکینگ خودروهای الکتریکی استفاده شده است.

الگوریتم ژنتیک یک روش‏ برنامه‏نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسأله‏ استفاده می‌کند. مسأله‏‏ای که باید حل شود ورودی است و راه حل‌ها طبق یک الگو کدگذاری می‏شوند و تابع برازش هر راه‏حل کاندید را ارزیابی می‏کند که اکثر آن‏ها به شکل‏ تصادفی انتخاب می‏شوند. در اصل این الگوریتم‏ از بخش‏های اصلی تابع برازش، عملگرهای ادغام، جهش، انتخاب و بازتولید تشکیل شده‏است.

روند کار بدین شکل‏ است که در ابتدا یک مجموعه از جواب‏های تصادفی، ارزیابی و جواب‏های جهت‏دهی شده دیگری از آن‏ها، طی یک فرایند تولیدی، به‏‏دست می‌آید. در بین این جواب‏ها ممکن است حالات نامعتبری به وجود آید که باید از فرایند تکثیر حذف شوند. بدین منظور با اعمال جریمه، این نوع حالات به طور طبیعی حذف خواهند شد. سپس، از بین جواب‏های موجود، بهترین آن‏ها انتخاب و وارد سیکل زاد و ولد می‏شوند. این عمل تا فراهم شدن شرط توقف ادامه پیدا خواهد کرد [16]. این چرخه را می‏توان در شکل 1 مشاهده کرد.

 

شروع

ورود اطلاعات و تولید جمعیت اولیه

محاسبه برازندگی

تکثیر کروموزوم های برتر

اعمال عملگرهای GA ادغام ، جهش و...

محاسبه برازندگی

انتخاب جمعیت جدید

شرط توقف الگوریتم

اریه نتایج

وزن دهی به کروموزوم های نامعتبر

 

شکل‌ (1): فلوچارت الگوریتم ژنتیک (GA)

 

الگوریتم PSO، یک الگوریتم محاسبه‏ای تکاملی الهام گرفته از طبیعت و براساس تکرار است. منبع الهام این الگوریتم، رفتار اجتماعی حیوانات، همانند حرکت دسته جمعی پرندگان و ماهی‌ها بود.  PSOبا یک ماتریس جمعیت تصادفی اولیه شروع می‌شود و هر عنصر جمعیت، یک ذره نامیده می‌شود. در واقع الگوریتم PSO از تعداد مشخصی از ذرات تشکیل می‏شود که به طور تصادفی، مقدار اولیه می‏گیرند. برای هر ذره دو مقدار وضعیت و سرعت، تعریف می‏شود که به ترتیب با یک بردار مکان و یک بردار سرعت، مدل می‌شوند. این ذرات، به شکل‏ تکرارشونده ای در فضای  n‌بعدی مسأله‏ حرکت می کنند تا با محاسبه مقدار بهینگی به عنوان یک ملاک سنجش، گزینه‌های ممکن جدید را جستجو کنند. بُعد فضای مسأله‏، برابر تعداد شاخص‏‏های موجود در تابع مورد نظر برای بهینه‏سازی است. یک حافظه به ذخیره بهترین موقعیت هر ذره در گذشته و یک حافظه به ذخیره بهترین موقعیت پیش آمده در میان همة ذرات، اختصاص می‌یابد. با تجربه حاصل از این حافظه‏ها، ذرات تصمیم می‏گیرند که در نوبت بعدی چگونه حرکت کنند. در هر بار تکرار، همه ذرات در فضای n‌ بعدی مسأله‏ حرکت می‏کنند تا بالاخره نقطه بهینه عام پیدا شود. ذرات، سرعت‌هایشان و موقعیت‌شان را بر حسب بهترین جواب‌های مطلق و محلی به‌روز می‌کنند [17]. این چرخه را می‏توان در شکل (2) مشاهده کرد.

 

شروع

تعیین شاخص‏های اولیه الگوریتم PSO

مقدار دهی اولیه تصادفی برای سرعت

و مکان ذره ها و محاسبه تابع هدف

تعیین بهترین تجربه شخصی هر ذره

و بهترین تجربه گروهی ذره ها

مقایسه تابع هدف به دست آمده از بهترین تجربه‌ شخصی هر ذره در تکرار قبل با تجربه فعلی و

 بروز کردن بهترین تجربه شخصی ذره‌ها

 

محاسبه‌‌ سرعت ذره و موقعیت بعدی هر ذره

شرط توقف

ارائه نتایج

مقایسه تابع هدف به دست آمده از بهترین تجربه گروهی ذره‌ها در تکرار قبل با بهترین تجربه گروهی فعلی و بروز‌کردن بهترین تجربه گروهی

 


الگوریتم جستجوی گرانشی یک رهیافت جدید برای حل مسائل بهینه‏سازی است. این الگوریتم که با الهام از قانون گرانش طبیعت پیشنهاد شده است یک روش جدید از دسته الگوریتم‏های جستجوی ابتکاری است. در این روش، عامل‏های جستجو اجرامی هستند که با توجه به نیروی جاذبه‏ای که از سایر اجرام به آنها وارد می‏شود، درکی از فضای جستجو پیدا می‏کنند و با توجه به این درک به جستجوی فضای اطراف خود می‏پردازند.

روند کار در این الگوریتم بدین صورت است که ابتدا فضای سیستم مشخص می‏شود. محیط شامل یک دستگاه مختصات چند بعدی در فضای تعریف مسأله‏ است. هر نقطه از فضا، یک جواب مسأله‏ است‏. عوامل جستجو کننده، مجموعه‏ای از اجرام با سه شاخصه: الف) موقعیت جرم، ب) جرم گرانشی، و ج) جرم اینرسی هستند. این اجرام برگرفته از مفاهیم جرم گرانشی اکتیو و جرم اینرسی در فیزیک هستند. جرم گرانشی اکتیو، معیاری از میزان شدت نیروی گرانشی حول یک جسم و جرم اینرسی، معیاری از مقاومت جسم در مقابل حرکت است. این دو مشخصه، بر خلاف واقعیت، می‏توانند با یکدیگر برابر نباشند و مقدار آنها با توجه به برازندگی هر جرم تعیین می‌شود. موقعیت جرم، نقطه‏ای در فضاست که جوابی از مسأله‏ می‏باشد. در ادامه به هر یک از اجرام نیرویی وارد می‏شود که متناسب با آن سرعت و شتاب می‏گیرند. با توجه به این سرعت و شتاب، موقعیت‏های جدیدی برای اجرام به دست می‏آید. این روند تا آنجا ادامه پیدا می‏کند که بهترین مقدار برازندگی حاصل شود‏ [18]. این چرخه را می‏توان در شکل (3) مشاهده کرد.

 

شکل(2): فلوچارت الگوریتم ازدحام ذرات (PSO)

 

شروع

تعیین محیط سیستم و مقدار دهی اولیه

 

جابجایی اولیه اجرام

 

ارزیابی اجرام

به روز رسانی شاخص‏های GSA

محاسبه شتاب و سرعت هر جرم

شرط توقف

ارایه نتایج

محاسبه نیروی وارد بر هر جرم

به روز رسانی موقعیت اجرام

 

شکل(3): فلوچارت الگوریتم جستجوی گرانشی (GSA)

 

6- مطالعات عددی و نتایج

قبل از مشاهده نتایج لازم است برخی فرضیات در این شبیه‏سازی‏ بیان شوند:

1- در شینه متصل به منبع تغذیه (باس slack) امکان نصب پارکینگ وجود ندارد.

2- در روزهای معمولی، مشترکین صبح‏ها پس از رفتن به محل کار خود، خودرو را در پارکینگ‏ها قرار داده و بعدازظهرها آن را خارج می‏کنند. این خودروها برای شارژ در منزل به شبکه الکتریکی متصل می‏شوند. فرض بر این است که پیک مصرف برق در زمان حضور خودروها در پارکینگ اتفاق می‏افتد ]19[.

3- در شبیه‏سازی پارکینگ‏ها به شکل‏ یک باس PQ (Q=0)، مدل می‏شوند ]19[.

4- تعداد خودروهای الکتریکی در زمان استفاده از آن‏ها ثابت است [13].

5- باتری خودروها با توجه به مشخصات داده شده در ]20[ با توان ثابت KW 5/2 شارژ شده اند. تعداد خودروها در هر پارکینگ برابر 165 عدد خودروی برقی فرض‏ می‏شود. در نتیجه، ظرفیت توان هر پارکینگ ثابت و برابر با KW 5/ 412 در پیک بار‏ است‏.

در این مقاله، ازساختار شبکه استاندارد 69 باسه‏ IEEE ]21[، که در شکل (4) نشان داده شده، استفاده شده است. اطلاعات مربوط به شبکه مورد استفاده در پیوست آورده شده است.

 

مکان‏یابی‏ پارکینگ‏ها در بار پیک و در حالت دشارژ خودروها با ظرفیت مشخص در 2 سناریو انجام شده است:

در سناریوی اول، مکان‏یابی‏ پارکینگ‏ها بدون در نظر گرفتن اطلاعات GIS و وسعت مناطق شهری با استفاده از 3 الگوریتم ژنتیک (GA)، ازدحام ذرات (PSO) و جستجوی گرانشی (GSA) انجام شده و به نقش روش‏‏های هوشمند در رسیدن به جواب مسأله‏ و نحوه رسیدن به پاسخ بهینه پرداخته شده است.

در سناریوی دوم نقش تراکم جمعیتی با استفاده از اطلاعات GIS به مسأله‏ اضافه شده و اثر آن نشان داده شده است.

برای هزینه احداث پارکینگ، دو هزینه قیمت زمین و قیمت تجهیزات فرض‏ می‏شود. قیمت زمین 1000 دلار بر متر مربع ]22[ و قیمت تجهیزات نیز برای هر خودرو الکتریکی مقدار 300 دلار ]22[ فرض شده است. عمر مفید پارکینگ‏ها 35 سال، نرخ بهره 14/0 و نرخ تورم 08/0 منظور شده و نیز تلفات شبکه مورد مطالعه 02/251 کیلو وات است‏.

 

 

شکل 4- سیستم 69 شینه IEEE ]21[

 

 

6-1- سناریوی اول: مکان‏یابی‏ پارکینگ خودروهای الکتریکی

در این سناریو 5 پارکینگ برروی شبکه آزمایشی با معیار توابع هدف، مکان‏یابی می‏شوند. به منظور بررسی کارایی روش‏‏های هوشمند بر روی این مسأله‏، از 3 الگوریتم GA، PSO و GSA استفاده شده است که عملکرد این 3 روش‏ به‏همراه نتایج شبیه‏سازی در جدول 1 و 2 بیان می‏شود‏.

 

جدول (1): نتایج شبیه‏سازی سناریواول

GSA

PSO

GA

 

26

26

26

Parking Bus1

19

18

18

Parking Bus2

12

12

12

Parking Bus3

45

46

46

Parking Bus4

62

62

62

Parking Bus5

1575/120

9068/119

9068/119

Losses (KW)

8/15940220

7/15928134

7/15928134

Cost ($)

10424128

10424128

10424128

Number of candidate allocations

جدول (2): مقایسه سه الگوریتم در سناریو اول

Fitness($)

Converge Time(sec)

Converge Iteration

 

7/15928134

892/29

30

GA

7/15928134

939/16

16

PSO

8/15940220

592/10

10

GSA

 

طبق نتایج شبیه‏سازی، میزان تلفات در دو الگوریتم GA و PSO به میزان 9068/119 کیلو وات و در GSA 1575/120 کیلو وات‏ است‏. همان‏طور که مشخص است این مقادیر بسیار نزدیک به‏هم بوده ولی در عین حال نشان دهنده دقت بیشتر 075/0 درصدی الگوریتم ژنتیک و ازدحام ذرات نسبت به الگوریتم جستجوی گرانشی در این مسأله‏ است‏. این مقادیر نسبت به حالت بدون پارکینگ تقریبا 2/52 درصد بهبود را نشان می‏دهد. در این حالت، موتور جستجو برای پیدا کردن جواب الگوریتم‏ها فضای 10424128 نقطه‏ای را بررسی کرده است.

از نظر سرعت و تکرار همگرایی، عملکرد GSA بسیار مطلوب‏تر از دو الگوریتم دیگر است به نحوی که الگوریتم جستجوی گرانشی در تکرار 10 به پاسخ بهینه می‏رسد اما تکرار همگرایی دو الگوریتم دیگر برای ژنتیک و ازدحام ذرات به ترتیب 30 و 16 است‏.

نمودار همگرایی سه الگوریتم در شکل 5 نشان داده شده است:

 

6-2- سناریوی دوم: مکان‏یابی‏ پارکینگ خودروهای الکتریکی با در نظر گرفتن اطلاعات GIS و وسعت مناطق شهری

در این سناریو به نقش اطلاعات GIS و وسعت مناطق شهری در بهبود عملکرد مساله مکان‏یابی پرداخته شده است. برای این منظور، شهرداری مطابق با شکل (6) و بر اساس اطلاعات GIS شهری و نیز وسعت منطقه، شهر را که دارای 69 باس از لحاظ مشترک برقی‏ است‏ به 3 منطقه مختلف تقسیم کرده است. برای هر منطقه با توجه به این اطلاعات تعداد پارکینگ مورد نیازمشخص شده، که در این مقاله بر اساس اطلاعات GIS شهری و نیز وسعت مناطق برای منطقه 1 که دارای وسعت کمتر بوده 1 پارکینگ و برای مناطق 2 و3 که وسعت بیشتری دارند 2 پارکینگ مورد نیاز است. براساس تعداد پارکینگ مورد نیاز در هر منطقه به مکان‏یابی‏ پارکینگ در هر منطقه پرداخته شده است و نتایج شبیه‏سازی‏ در جدول (4) آورده شده است. قیمت زمین درسناریوی دوم به خاطر استفاده‏های جانبی دیگر از این مکان‏ها برای پارک سایر خودروها، و در نتیجه آن برگشت بخشی از سرمایه از طریق شهرداری ها، مقدار نصف سرمایه‏گذاری یعنی 500 دلار بر متر مربع در نظر گرفته شده است.

 

 

 

شکل 5- نمودار همگرایی الگوریتم‏ها در سناریوی اول

 

 

شکل 6- تقسیم بندی شبکه آزمایشی 69 باسه IEEE براساس اطلاعات GISو وسعت هر منطقه

 

 

جدول 3- اطلاعات GIS و تعداد پارکینگ مورد نیاز

Parking number

Zones

1

Zone 1

2

Zone 2

2

Zone 3

 

 

جدول 4- نتایج شبیه‏سازی سناریو دوم

GSA

PSO

GA

 

27

26

26

Parking Bus1

52

18

18

Parking Bus2

13

10

10

Parking Bus3

46

46

46

Parking Bus4

57

62

62

Parking Bus5

8258/121

7993/121

7993/121

Losses (KW)

5/11070648

9/11069370

9/11069370

Cost ($)

607

607

607

Number of candidate allocations

 

جدول 5- مقایسه سه الگوریتم در سناریو اول

Fitness($)

Converge Time(sec)

Converge Iteration

 

9/11069370

826/18

16

GA

9/11069370

924/12

11

PSO

5/11070648

718/6

4

GSA

 

با اجرای برنامه شبیه‏سازی و ورود اطلاعات GIS به آن نتایج به شکل‏ جداول 4 و 5 حاصل می‏شود‏.

در سناریوی دوم میزان تلفات به 7993/121 کیلو وات‏ می‏رسد که این نشان از بهبود تقریبی 5/51 درصدی نسبت به حالت بدون پارکینگ دارد. این در حالی است که در سناریوی اول میزان تلفات 9068/119کیلووات بوده است. البته در این سناریو نیز الگوریتم ژنتیک و ازدحام ذرات از نظر ارزش مقدار بهینه دقت بهتری در حدود 011/0 درصدی دارند که ناچیز‏ است‏. نکته قابل توجه اینکه الگوریتم مورد استفاده در این سناریو تنها نیاز به بررسی 607 حالت دارد که این به خاطر تاثیر دادن اطلاعات GIS‏ است‏. این تعداد نسبت به سناریوی قبل با نقاط کاندید 10424128 اختلاف قابل توجهی دارد. همان‏طور که مشخص است، با ناحیه‏بندی شهری به خاطر نیاز ساکنین به احداث محل‏های پارک وسایل نقلیه، تعداد نقاط کاندید به میزان چشم گیری کاهش‏ می‏یابد که این باعث افزایش سرعت برنامه‏ می‏شود. در بهترین حالت از نظر سرعت اجرای برنامه، الگوریتم جستجوی گرانشی که در سناریوی اول در تکرار 10 و با زمان 592/10 به همگرایی رسیده بود در این سناریو در تکرار 4 و با مدت زمان 718/6 به پاسخ بهینه خود خواهد رسید. سایر ویژگی‏های این دو سناریو در جدول 6 با یکدیگر مقایسه شده‏اند.

 

 

شکل 7- نمودار همگرایی الگوریتم‏ها در سناریوی دوم

 


جدول 6- مقایسه سه الکوریتم در سناریو اول

Cost

Time

Iteration

 

7/15928134

892/29

30

SC1

GA

9/11069370

826/18

16

SC2

7/15928134

939/16

16

SC1

PSO

9/11069370

924/12

11

SC2

8/15940220

592/10

10

SC1

GSA

5/11070648

718/6

4

SC2

 

بیشترین اختلاف تلفات در دو سناریو تنها 92/1 کیلو وات بوده که این مقدار در مقایسه با کاهش هزینه احداث پارکینگ در سناریوی دوم ناچیز‏ است‏. در مجموع، با جمع هزینه تلفات و هزینه احداث پارکینگ در دو سناریو، مشخص‏ می‏شود سناریوی دوم بازدهی بیشتری نسبت به سناریوی اول دارد. این به این خاطر است که در سناریوی دوم هزینه احداث پارکینگ الکتریکی به علت اشتراک با پارکینگ‏های معمولی شهری کاهش‏ می‏یابد. حال آنکه در سناریوی اول چون از اطلاعات شهری استفاده نشده، پارکینگ‏ها مخصوص شارژ و دشارژ طراحی شده و هزینه احداث به نسبت حالت مشترک با سایر خودروها ، بیشتر است.

از سویی دیگر، با در نظر گرفتن اطلاعات شهری علاوه بر رضایتمندی شرکت‏های توزیع برق به دلیل کاهش تلفات، رضایتمندی شهرداری‏ها به دلیل کاهش هزینه احداث پارکینگ‏های مجزا برای خودروها و نیز رضایتمندی صاحبان خودروهای برقی به دلیل پارک خودروهایشان در مکان‏های مطلوب‏تر، به واسطه در نظر گرفتن اطلاعات GIS در مکان‏یابی‏ پارکینگ ها، حاصل‏ می‏شود.

 

7- نتیجه‌گیری

با توجه به نگرانی‏های زیست محیطی و توسعه خودروهای الکتریکی در آینده نزدیک، از پارکینگ‏های خودروهای برقی می‏توان به عنوان منابع تولید پراکنده در پیک مصرف استفاده کرد. مکان‏یابی‏ پارکینگ‏ها اهمیت ویژه‏ای دارد، زیرا‏ در صورت انتخاب مکان نامناسب ممکن است حضور این خودروها تاثیر نامناسب بر شبکه داشته باشد.

با حضور خودروها، اعم از الکتریکی و معمولی، در این پارکینگ‏ها و با مکان یابابی مناسب آن‏ها، کاهش هزینه تلفات و کاهش هزینه احداث پارکینگ ممکن می‏شود. از طرفی دیگر با به کار بردن اطلاعات GIS در مکان‏یابی‏ پارکینگ‏ها‏ می‏توان نقاط کاندید را به طور در خور توجهی کاهش داد که این کار باعث افزایش سرعت بهینه‏سازی‏ می‏شود‏.

به منظور رسیدن به پاسخ بهینه در مسأله‏ مکان‏یابی در کنار ارایه مدلی جدید، از الگوریتم‏های متفاوتی در این مقاله استفاده شده و کارایی آن‏ها در حل مسأله‏ با توجه به ویژگی‏های مختلف ارزیابی شده است.


 

پیوست‏ها

 

جدول 7- اطلاعات ساختار اصلاح شده شبکه 69 باسهIEEE

   

Q (KVAR)

P (Kw)

Recive bus

Send bus

bus num

0108/0

0044/0

30

70

36

3

35

1565/0

064/0

55/18

26

37

36

36

123/0

1053/0

55/18

26

38

37

37

0355/0

0304/0

50

100

39

38

38

0021/0

0018/0

17

24

40

39

39

8509

7283/0

17

80

41

40

40

3623/0

31/0

1

2/1

42

41

41

0478/0

041/0

60

100

43

42

42

0116/0

0092/0

30

80

44

43

43

1373/0

1089/0

0

50

45

44

44

0012/0

0009/0

80

2/192

46

45

45

0084/0

0034/0

60

100

47

4

46

2083/0

0581/0

20

50

48

47

47

7091/0

2898/0

4/56

79

49

48

48

2011/0

0822/0

5/274

400

50

49

49

0473/0

0928/0

5/274

400

51

8

50

114/0

3319/0

3/28

5/40

52

51

51

0886/0

174/0

7/2

6/3

53

9

52

1034/0

203/0

5/3

35/4

54

53

53

1447/0

2842/0

19

4/26

55

54

54

1433/0

2813/0

2/17

24

56

55

55

5337/0

59/1

0

0

57

56

56

263/0

7837/0

0

0

58

57

57

1006/0

3042/0

0

0

59

58

58

1172/0

3861/0

32

70

60

59

59

2585/0

5057/0

0

0

61

60

60

0496/0

0974/0

30

70

62

61

61

0738/0

145/0

23

32

63

62

62

3619/0

7105/0

0

2

64

63

63

5302/0

041/1

10

30

65

64

64

0611/0

2012/0

6

19

66

11

65

0014/0

0047/0

13

18

67

66

66

2444/0

7394/0

20

40

68

12

67

0016/0

0047/0

20

28

69

68

68

-------

-------

20

28

---

---

69

 

   

Q (KVAR)

P (Kw)

Recive bus

Send bus

bus num

0012/0

0005/0

0

0

2

1

1

0012/0

0005/0

0

0

3

2

2

0036/0

0015/0

0

0

4

3

3

0294/0

0251/0

0

0

5

4

4

1864/0

366/0

0

0

6

5

5

1941/0

3811/0

2/2

6/2

7

6

6

047/0

0922/0

30

4/40

8

7

7

0251/0

0493/0

154

175

9

8

8

2707/0

819/0

22

30

10

9

9

0619/0

1872/0

19

28

11

10

10

2351/0

7114/0

20

50

12

11

11

34/0

03/1

50

70

13

12

12

345/0

044/1

5

8

14

13

13

3496/0

058/1

5/5

8

15

14

14

065/0

1966/0.

0

0

16

15

15

1238/0

3744/0

30

5/45

17

16

16

0016/0

0047/0

15

30

18

17

17

1083/0

3276/0

35

60

19

18

18

069/0

2106/0

0

0

20

19

19

1129/0

3416/0

6/0

1

21

20

20

0046/0

014/0

1/8

11

22

21

21

0526/0

1591/0

5/3

5

23

22

22

1145/0

3663/0

0

0

24

23

23

2475/0

7488/0

20

28

25

24

24

1021/0

3089/0

0

0

26

25

25

0572/0

1732/0

50

100

27

26

26

0108/0

0044/0

10

14

28

3

27

1565/0

064/0

6/18

160

29

28

28

1315/0

3978/0

6/18

26

30

29

29

0232/0

0702/0

0

200

31

30

30

116/0

351/0

5

10

32

31

31

2816/0

839/0

5

10

33

32

32

5646/0

708/1

10

14

34

33

33

4873/0

474/1

20

60

35

34

34

 

[1]  Prommee, W., Ongsakul, W., "Multi-Distributed Generation Placement by Adaptive Weight Particle Swarm Optimization", Control, Automation and Systems, ICCAS 2008, pp. 1663-1668, Seoul, 2008.

[2]  Hutson, C., Venayagamoorthy, G. K., Corzine, K. A., "Intelligent Scheduling of Hybrid and Electric Vehicle Storage Capacity in a Parking Lot for Profit Maximization in Grid Power Transactions", IEEE Energy2030, pp. 1-8, Atlanta, GA, 2008.

[3]  Kempton, W., Tomic, J., "Vehicle-to-grid Power Fundamentals: Calculating Capacity and Net Revenue", Journal of Power Sources, Vol. 144, pp. 268–279, 2005.

[4]  Hasanzadeh, A., "Optimum Design of Series Hybrid Electric Bus by Genetic Algorithm", Proceedings of the IEEE International Symposium on, Vol. 4, pp. 1465-1470, Dubrovnik, Croatia, 2005.

[5]  National Renewable Energy Laboratory (NREL), www.nrel.gov.

[6]  Letendre, S. E., Kemptom, W., "The V2G Concept: A New Model for Power?", Public Utilities Fortnightly V2G From Wheels to Wires, pp. 16-26, Feb. 2002.

[7]  Kadurek, P., Ioakimidis, C., Ferrao, P., "Electric Vehicles and their Impact to the Electric Grid in Isolated Systems", Power Eng. Conf., pp. 49-54, Portugal, March 2009.

[8]  Sortomme, E., Hindi, H., James MacPherson, S. D., Venkata, S. S., "Coordinated Charging of Plug-In Hybrid Electric Vehicles to Minimize Distribution System Losses", IEEE Trans. on Smart Grid, Vol.2, No.1, pp. 198-205, March 2011.

[9]  Su, W., Chow, M-Y., "Intelligent Energy Scheduling at a Municipal PHEV/PEV Parking Deck via Multi-Objective Optimization", IEEE Trans. Smart Grid, special issue on computational intelligence applications in Smart Grids; 2011.

[10] Su, W., Chow, M-Y., "Computational Intelligence-Based Energy Management for a Large-Scale PHEV/PEV Enabled Municipal Parking Deck", Applied Energy, Vol.96, No.1, pp. 171-182, August 2012.

[11] Saber, A. Y., Venayagamoorthy, G. K., "Optimization of Vehicle-to-Grid Scheduling in Constrained Parking Lots", IEEE PES General Meeting, pp. 1-8, Calgary, AB, 2009.

[12] Sortomme, E., El-Sharkawi, M. A., "Optimal Scheduling of Vehicle-to-Grid Energy and Ancillary Services", IEEE Trans. on Smart Grid, Vol.3, No.1, pp. 351-359, September 2011.

[13] Moradijoz, M., Ghazanfarimeymand, A., Parsa Moghaddam, M., Haghifam, M. R., "Optimum Placement of Distributed Generation and Parking Lots for Loss Reduction in Distribution Networks", Electrical Power Distribution Networks (EPDC), pp. 1-5, Tehran, Iran, 2012. 

[14] Shariatpanah, H., Sabourikenari, M., Mohammadian, M., Rashidinejad, M., "Optimal Placement and Determine Capacity of EVP to Improve VSM and Congestion", 2nd Iranian Conference on Smart Grid, Tehran, Iran, May 2012.

[15] Shirmohammadi, D., Hong, H. W., Semlyen, A., Luo, G.X., "A compensation based power flow method for weakly meshed distribution and transmission networks", IEEE Trans. Power System, Vol. 3, No. 2, pp. 753–762, May 1988.

[16] Weiwei, C., Yafeng, W., Wenxia, L., "Optimal Allocation of Switches in DG Enhanced Distribution Systems", Power and Energy Engineering Conference (APPEEC-2011), pp. 1-5, Wuhan, March 2011.

[17] Kennedy, J., Eberhart, R., "Particle Swarm Optimization", Proc. IEEE Int. Conf. Neural Netw. (ICNN), Vol. 4, pp. 1942–1948, Perth, WA, Nov. 1995.

[18] Rashedi, E., Nezamabadi-pour, H., Saryazdi, S., " GSA: A Gravitational Search Algorithm ", Information Sciences, Vol. 179, pp. 2232–2248, 2009.

[19] Moradijoz, M., Parsa Moghaddam, M., Haghifam, M. R., Alishahi, E., "A Multi-Objective Optimization Problem for Allocating Parking Lots in a Distribution Network", Electrical Power and Energy Systems, Vol. 46, pp. 115–122, 2013.

[20] Clemen, K., Haesen, E., Driesen, J., "The Impact of Charging Plug-in Hybrid Electric Vehicles on a Residential Distribution Grid", IEEE Trans. on Power Systems, Vol. 25, pp. 371-380, January 2010.

[21] Baran M. E., Wu F. F., "Optimal Sizing of Capacitors Placed on a Radial Distribution System", IEEE Trans. on Power Delivery, Vol. 4, No. 1, pp. 735–43, 1989.

[22] Esmaeilian, H. R., Hosseini Bioki, M. M., Rashidinejad, M., Abdollahi, A., "Economic-Driven Measure in Constructing a V2G Parking Lot from DisCo. Perspective", IJEME, Vol. 2, Issue 3, pp. 117-124, 2012.