Document Type : Research Article
Authors
Faculty of Elec. & Comp. Engineering, University of Birjand, Birjand, Iran
Abstract
Keywords
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.
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.
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.
|
(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.
|
(11) |
که در آن ظرفیت الکتریکی پارکینگ و بار سیستم است.
|
(12) |
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.
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
|
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)
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[
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:
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.
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 |
)