قابلیت مدیریت شارژ/دشارژ هوشمند خودروهای الکتریکی و پیل سوختی در ریزشبکه متناسب با برآورد هم‌زمان اهداف اپراتور شبکه و مالکان خودروها

نوع مقاله : مقاله پژوهشی فارسی

نویسنده

دانشیار، دانشکده مهندسی، دانشگاه آزاد اسلامی واحد سمیرم، سمیرم، ایران

چکیده

خودروهای الکتریکی و پیل سوختی مصرف‌کننده‌هایی جدید هستند که توسط سیستم قدرت تأمین می‌شوند. مدیریت انرژی آنها در ریزشبکه می‌تواند خواسته‌های فنی و اقتصادی سیستم را در کنار برآورد خواسته‌های اقتصادی مالکان خودرو به دست آورد. در این مقاله، مدیریت انرژی برای خودروهای متصل‌شده به ریزشبکه با هدف بهبود امنیت و بهره‌برداری شبکه و کاهش هزینۀ سوخت‌گیری یا شارژ خودروها بیان می‌شود. بهینه‌سازی دوهدفه برای این طرح استفاده می‌شود. در یک تابع هدف، کمینه‌سازی هزینه‌های مورد انتظار شارژ خودروهای الکتریکی و سوخت‌گیری خودروهای پیل سوختی مدنظر است. در تابع هدف دیگر، کمینه‌سازی تابع انحرافات ولتاژ استفاده می‌شود. این طرح مقید به معادلات پخش توان، محدودیت‌های امنیت ولتاژ و بهره‌برداری ریزشبکه، و مدل بهره‌برداری پارکینگ خودروهاست. عدم قطعیت‌های قیمت انرژی، بار، نرخ شارژ و دشارژ، انرژی اولیه و نهایی خودروهای یادشده در طرح پیشنهادی ظاهر می‌شود. آنها بر اساس بهینه‌سازی تصادفی مدل‌سازی می‌شوند. نوآوری‌های این مقاله شامل مدیریت شارژ و دشارژ هوشمند خودروهای الکتریکی و پیل سوختی در راستای بهبود شاخص‌های بهره‌برداری و امنیت ولتاژ ریزشبکه در کنار ارتقای وضعیت اقتصادی مالکان خودروهاست. نتایج عددی تأییدکنندۀ قابلیت‌های طرح پیشنهادی هستند. مدیریت هوشمند شارژ/دشارژ خودروها نسبت به شرایط عدم مدیریت سوخت-گیری خودروها (شارژ هوشمند) به کاهش 6/9 درصد (3 درصد) هزینۀ انرژی خودروهای الکتریکی و پیل سوختی منجر می‌شود. همچنین، مدیریت شارژ/دشارژ هوشمند خودروها نسبت به مطالعات پخش بار ریزشبکه توانسته است امنیت ولتاژ را در حدود 1/14 درصد ارتقا دهد؛ همچنین، پروفیل ولتاژ 2/5 درصد بهبود می‌یابد، افت ولتاژ در حدود 5/31 درصد کاهش، و تلفات انرژی در حدود 3/10 درصد افزایش می‌یابد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Smart Charging/Discharging Management Capability of Electric and Fuel Cell Vehicles in the Microgrid in accordance with the Simultaneous Assessment of Goals of Network Operator and Vehicle Owners

نویسنده [English]

  • Sasan Pirouzi
Associate Professor, Department of Engineering, Sem. C., Islamic Azad University, Semirom, Iran
چکیده [English]

Electric and fuel cell vehicles are new consumers that are supplied by the power system. Their energy management in a microgrid can manage the technical and economic demands of the system along with meeting the economic demands of vehicle owners. Smart energy management for vehicles connected to a microgrid is presented with the aim of improving the security and operation of the network and reducing the cost of vehicle refueling or charging. Two-objective optimization is used for this scheme. In one objective function, the expected costs of charging and refueling are considered. In the other objective function, the voltage deviation is minimized. The scheme is limited to the power flow model, voltage security and operation constraints, and the operation model of vehicle parking lots. Uncertainties of energy price, load, discharging and charging rates, and the final and initial energy of vehicles appear in the proposed scheme. They are modeled based on stochastic optimization. Innovations include intelligent charging and discharging management of electric and fuel cell vehicles to improve operating and voltage security indicators of the microgrid, along with improving the economic situation of vehicle owners. Numerical results confirm the capability of the scheme. Smart management of vehicle charging/discharging, compared to the condition of smart discharging/charging of vehicles, leads to a reduction of 9.6% (3%) in the energy costs of electric and fuel cell vehicles. Also, smart management of vehicle charging/discharging compared to microgrid load distribution analysis can improve voltage security by about 14.1%, improve the voltage profile by 5.2%, reduce voltage drop by about 31.5%, and increase energy losses by about 10.3%.

کلیدواژه‌ها [English]

  • Electric Vehicles
  • Fuel Cell Vehicles
  • Smart Charging/Discharging
  • Voltage Security
  • Refueling Cost

1- مقدمه

[1]

با وجود نگرانی­های زیست‌محیطی حاصل از مصرف کنترل‌نشدۀ سوخت­های فسیلی، سازمان­ها و پژوهشگران مختلف استفاده از خودروهایی با سوخت پاک و دوستدار محیط‌زیست را به جای خودروهایی با موتور احتراق داخلی پیشنهاد دادند. خودروهای الکتریکی (EVها)1 و خودروهای پیل سوختی (FCV)2 نمونه­ای از خودروهای دوستدار محیط‌زیست هستند. برخی از انواع EVها مانند EV هیبریدی متصل به شبکه (PHEV)3 و EV مبتنی بر باتری (BEV)4 برای تأمین بخشی از (تمامی) انرژی مورد نیاز مسافرت خود، به سیستم قدرت به خصوص شبکۀ توزیع یا ریزشبکه (MG)5 متصل می­شوند [1]. سوخت FCVها هیدروژن است. سیستم برق به هیدروژن (P2H)6 از فناوری­های دوستدار محیط‌زیست برای دست‌یابی به هیدروژن است. از این رو، انتظار می­رود FCVها برای تأمین انرژی مورد نیاز مسافرت خود، به سیستم قدرت متصل شوند. به ­طور کلی، نحوۀ شارژ EVها و سوخت­گیری FCVها به­ صورت غیرهوشمند و هوشمند است [2]. در مدل غیرهوشمند، خودروها با اتصال به شبکه، عملیات شارژ یا سوخت­گیری را انجام می‌دهند. بعد از مدت زمانی مشخص (تحت عنوان مدت شارژ)، شارژ باتری EVها و سوخت­گیری تانک هیدروژنی FCVها کامل می­شود و خودروها از شبکه قطع می­شوند [2]. بر اساس پیش­بینی­های انجام‌شده در پژوهش‌های مختلف، تعداد زیادی از EVها و FCVها عموماً در بازۀ پرباری شبکه، 17:00-22:00، به سیستم قدرت وصل می­شوند. مدیریت غیرهوشمند خودروها ممکن است به افزایش تقاضای انرژی شبکه در ساعات پرباری منجر شود [3]. پیرو این موضوع، به علت محدودیت­های بهره­برداری، بسیاری از EVها و FCVها نمی­توانند شارژ شوند. شاخص‌های فنی شبکه مانند پروفیل ولتاژ، امنیت ولتاژ و تلفات توان در شرایطی نامطلوب قرار خواهند داشت [4]. در مدیریت انرژی هوشمند EVها و FCVها، عملیات شارژ یا سوخت­گیری خودروها متناسب با خواسته­های شبکه و مالکان خودروها انجام می­شود [1]. همچنین، EVها و FCVها در این مدل می­توانند در وضعیت دشارژ نیز فعالیت کنند. به عبارتی، در مدیریت انرژی هوشمند، EVها و FCVها به ­صورت یک بار اکتیو در شبکه ظاهر می­شوند و می­توانند در نقش ذخیره­ساز انرژی فعالیت کنند [5]. در این شرایط، پیش­بینی می­شود مدیریت انرژی EVها و FCVها، علاوه بر برآورد خواسته­های مالکان آنها مانند کمینه­سازی هزینۀ سوخت­گیری، بتواند در بهبود شرایط فنی و اقتصادی شبکه مانند MG نیز مؤثر باشد.

در زمینۀ مدیریت انرژی MG یا شبکۀ توزیع در حضور EVها و FCVها، پژوهش‌ها و کارهایی متفاوت وجود دارند. مرجع [6] پیشنهاد افزایش ایمنی و کارایی شارژ خودروهای الکتریکی را با اجرای یک سیستم شارژ ترکیبی و راهبردهای مدیریت هوشمند ارائه می‌دهد. هدف اصلی مطالعۀ پیشنهادی افزایش ایمنی شارژ EVها با یک سیستم شارژ ترکیبی است که حالت‌های مختلف شارژ (مانند شارژ سریع، شارژ بی‌سیم) را برای بهینه‌سازی زمان شارژ و کمینه‌کردن اتلاف انرژی ادغام می‌کند. در [7]، یک مدل جامع و کارآمد برای مدیریت انرژی پارکینگ EVها ارائه شده است که امکان مشارکت در بازارهای انرژی و استفاده از قابلیت‌های خودرو به شبکه (V2G)7 برای بیشینه‌کردن سودآوری EVها را فراهم می‌کند. برای دست‌یابی به توزیع کارآمد انرژی برای MG مبتنی بر حمل‌ونقل ریلی شهری، شامل سیستم ذخیره‌سازی و منبع تجدیدپذیر، با ایستگاه شارژ EVها از طریق فناوری V2G، یک مدیریت انرژی سه‌مرحله‌ای با مقیاس‌های زمانی مختلف در [8] ارائه شده است. مرجع [9] یک کاربرد نوآورانه از تکنیک‌های بهینه‌سازی یادگیری عمیق، همراه با الگوریتم کلونی زنبورعسل مصنوعی، برای افزایش کنترل و تنظیم ولتاژ در ریزشبکه‌های هوشمند یکپارچه با EVها ارائه می‌دهد. مرجع [10] وضعیت ادغام EVها در MGها را با تمرکز بر پیشرفت‌های فناوری و روندهای نوظهور ارزیابی می‌کند، در حالی که چالش‌ها و فرصت‌های فنی کلیدی را مشخص می‌کند. علاوه بر این، این مقاله نقش محوری EVها را در مشارکت در خدمات V2G بررسی می‌کند و پشتیبانی کمکی را برای بهبود عملکرد MG فراهم می‌آورد. مرجع [11] یک روش ترکیبی برای مدیریت انرژی ریزشبکه‌های جریان مستقیم مبتنی بر انرژی تجدیدپذیر پیشنهاد می‌دهد که از سیستم‌های شارژ EVها پشتیبانی می‌کنند. در [12] یک سیستم مدیریت انرژی8 جدید برای بهره‌برداری بهینه از منابع انرژی یک ایستگاه شارژ هیبریدی برای EVها و FCVها ارائه می‌شود. این سیستم از یک سیستم فتوولتائیک، یک باتری و یک سیستم هیدروژنی به عنوان سیستم‌های ذخیرۀ انرژی، شش واحد شارژ سریع و یک تأمین‌کنندۀ هیدروژن تشکیل شده است. در [13]، یک ایستگاه شارژ خارج از شبکه برای EVها و FCVها طراحی می­شود. هر دو خودروی الکتریکی و هیدروژنی به طور هم‌زمان شارژ می‌شوند. آنها به عنوان دو تقاضای بار الکتریکی و هیدروژنی در ایستگاه شارژ ظاهر می‌شوند و ایستگاه شارژ توسط پنل‌های خورشیدی تغذیه می‌شود. مرجع [14] یک مدل داده‌محور جدید برای بهینه‌سازی عملکرد ریزشبکه‌ها بر اساس یک سیستم مدیریت انرژی انعطاف‌پذیر-هوشمندِ ریسک‌گریز، با در نظر گرفتن چالش رو به رشد تغییرات اقلیمی جهانی ارائه می‌دهد. اهداف اقتصادی، زیست‌محیطی و فنی اپراتور شبکۀ توزیع از طریق مدیریت هم‌زمان توان راکتیو و اکتیو در شبکۀ توزیع هوشمند که مجهز به یک نیروگاه مجازی انعطاف‌پذیر-پایدار است، در [15] برآورده می‌شوند. در [16]، سیستمی جدید برای بهبود انعطاف‌پذیری سیستم توزیع با استفاده از EVها تحت چارچوب سیستم مدیریت منابع انرژی توزیع‌شده پیشنهاد شده است. چارچوب پیشنهادی شامل چهار سطح سلسله‌مراتبی است: دستگاه، تجمیع، عملیات و سازمان، با یک سطح مجازی اختیاری. در [17]، یک تکنیک بهینه‌سازی برای سیستم انرژی ریزشبکه هماهنگ با خانۀ هوشمند به عنوان یک خوشۀ غیرمتمرکز در شبکۀ توزیع برق حاوی منابع انرژی توزیع‌شده ارائه شده که با EVها به عنوان ذخیره‌سازی انعطاف‌پذیر تحت طرح زمان‌بندی یکپارچه بین ریزشبکه و شبکۀ توزیع هماهنگ شده است. پژوهش در [18] یک سیستم مدیریت انرژی یکپارچه مبتنی بر الگوریتم‌های کنترل هوشمند برای طراحی و اندازه‌گیری ریزشبکه، همراه با یک بستر اینترنت اشیا، ارائه می‌دهد که مدیریت بلادرنگ دستگاه‌های ناهمگن تشکیل‌دهندۀ ریزشبکه را به عهده دارد.

بر اساس پیشینۀ پژوهش، شکاف­ها و محدودیت­های پژوهشی مختلفی در حوزۀ مدیریت انرژی شبکۀ توزیع یا MG در حضور EVها و FCVها وجود دارند. به عنوان یک محدودیت، در بیشتر پژوهش‌ها، مدیریت انرژی EVها در شبکۀ توزیع یا MG مطرح بوده و کمتر دربارۀ مدیریت انرژی FCVها در پژوهش‌های مختلف بحث شده است، اما به منظور تأمین هیدروژن پاک، تولید هیدروژن توسط P2Hها یک راه­کار دوستدار محیط‌زیست است. در این شرایط، FCVها به شبکه متصل خواهند شد. از این رو، پیش­بینی می­شود مدیریت انرژی آنها بتواند اثرگذاری چشمگیری بر روی شاخص­های فنی و اقتصادی شبکه داشته باشد. علاوه بر این، در بیشتر پژوهش‌ها در زمینۀ مدیریت انرژی شبکه در حضور خودروهای دوستدار محیط‌زیست، اهداف اپراتور سیستم توزیع (DSO)9 یا اپراتور MG (MGO)10 به عنوان تابع هدف مدنظر بوده است. اگرچه مالکان خودروها نیز مایل به برآورد اهداف خود مانند کمینه­سازی هزینۀ شارژ یا سوخت­گیری هستند، کمینه­سازی هزینۀ سوخت­گیری EVها و FCVها به عنوان یک تابع هدف در کمتر پژوهشی مدنظر بوده است. در مدیریت انرژی شبکه، انتظار می­رود شاخص­های فنی و اقتصادی مختلف سیستم قدرت ارتقا یابند. در بیشتر پژوهش‌ها، عموماً کمینه­سازی هزینۀ بهره­برداری شبکه مدنظر بوده است و محدودیت دامنۀ ولتاژ و توان ظاهری عبوری از پست و خط توزیع به ­صورت قید در مدیریت انرژی شبکه ظاهر شدند. در این شرایط، انتظار می­رود وضعیت اقتصادی بهبود یابد، وضعیت پروفیل ولتاژ در حد مجاز رعایت شود، و از اضافه‌باری در خطوط و پست توزیع جلوگیری شود، اما در برخی از شرایط، لازم است وضعیت شاخص­های مختلف ارتقای چشمگیری داشته باشد. برای مثال، عموماً باس­های انتهای فیدر توزیع دارای دامنۀ ولتاژ پایینی هستند؛ به ­طوری که امکان دارد افزایش بارگذاری به فروپاشی ولتاژ در باس­های انتهای فیدر منجر شود. بنابراین، لازم است امنیت ولتاژ در مدیریت انرژی شبکه مدل‌سازی شود. این موضوع در کمینه­سازی هزینۀ بهره­برداری شبکه به عنوان تابع هدف برآورد نمی­شود، ولی انتظار می­رود با انتخاب کمینه­سازی تابع انحرافات ولتاژ به عنوان تابع هدف تلفات شبکه کاهش یابد، پروفیل ولتاژ تخت­تر حاصل شود، امنیت ولتاژ زیاد به دست آید، بارگذاری روی خطوط و پست توزیع کاهش یابد و هزینۀ بهره­برداری کمتر شود، اما این موضوع در کمتر پژوهشی لحاظ شده است.

به منظور جبران شکاف­های پژوهشی مطرح‌شده، این مقاله مدیریت انرژی هوشمند پارکینگ EVها و FCVها در ریزشبکه با در نظر گرفتن اهداف اقتصادی خودروها و اهداف فنی و اقتصادی MG را ارائه می­دهد. در این طرح، بهینه­سازی دوهدفه وجود دارد. متناسب با برآورد اهداف اقتصادی مالکان EVها و FCVها در مدیریت انرژی هوشمند، کمینه­سازی هزینه­های مورد انتظار شارژ EVها و سوخت­گیری FCVها به عنوان یک تابع هدف در نظر گرفته می­شود. همچنین، برای برآورد اهداف بهره­برداری و امنیت ولتاژ MGO، کمینه­سازی تابع انحرافات ولتاژ MG به عنوان تابع هدف دیگر لحاظ می­شود. البته، اهداف اقتصادی MGO با در نظر گرفتن دو تابع هدف یادشده حاصل می­شوند. قیود مسأله شامل معادلات پخش توان، محدودیت­های بهره­برداری و امنیت ولتاژ MG، مدل بهره­برداری پارکینگ EVها و FCVهاست. در این مقاله، فرض شده است هر EV شامل یک شارژ است که می­تواند توان اکتیو را در دو جهت EV به شبکه و شبکه به EV کنترل کند. فرض شده است که پارکینگ FCVها مجهز به پیل سوختی غشای مبادلۀ پروتون (PEMFC)11 است. PEMFC دارای دو فناوری P2H و هیدروژن به برق (H2P)12 است. به عبارتی، قادر است انرژی الکتریکی دریافت کند و در خروجی هیدروژن تولید کند. علاوه بر این، قادر است هیدروژن دریافت کند و انرژی الکتریکی تولید کند. بنابراین، FCVها با اتصال به شبکه از طریق PEMFC می­توانند انرژی به (از) شبکه تزریق (دریافت) کنند. در ادامه، از بهینه­سازی تصادفی برای مدل­سازی عدم قطعیت­های بار، قیمت انرژی، نرخ شارژ و دشارژ، انرژی اولیه و نهایی EVها و FCVها استفاده می­شود. با مقایسۀ راهکار پیشنهادی و پیشینۀ پژوهش، نوآوری­های طرح به شرح زیر است: 1) کمینه­سازی تابع انحرافات ولتاژ برای بهبود وضعیت اقتصادی، بهره­برداری و امنیت ولتاژ MG، 2) کمینه­سازی هزینه­های شارژ EVها و سوخت­گیری FCVها به منظور برآورد اهداف اقتصادی مالکان خودروها، 3) بررسی قابلیت­های مدیریت انرژی پارکینگ FCVها در بهبود شاخص­های فنی و اقتصادی MG، و4) تجهیز پارکینگ FCVها به PEMFC به منظور کنترل توان FCV در دو جهت خودرو به شبکه و شبکه به خودرو. 

در ادامه، فرمول­بندی بهره­برداری EVها و FCVها در ریزشبکه در بخش دوم ارائه می‌شود. مدل تک‌هدفه مبنی بر بهینه­سازی تصادفی در بخش سوم ارائه می‌شود. نتایج عددی حاصل از موارد مطالعاتی مختلف در بخش چهارم گزارش می­شود. نتیجه­گیری­های کلی به منظور بیان قابلیت‌های طرح پیشنهادی در بخش پنجم ارائه می­شود.

2- بهره‌برداری بهینۀ خودروها در MG

مدیریت انرژی بهینۀ EVها و FCVها در MG متناسب با کمینه‌سازی هزینۀ انرژی خودروها و تابع پروفیل ولتاژ شبکه با در نظر گرفتن قیود پخش توان بهینه MG و مدل بهره­برداری خودروها در این بخش ارائه می­شود. جزئیات فرمول­بندی این طرح به شرح زیر است:

الف) توابع هدف: در این بخش، برای برآورد اهداف اقتصادی مالکان EVها و FCVها، تابع هدف (1) استفاده می­شود. این رابطه بیانگر کمینه‌سازی هزینۀ خرید انرژی مورد انتظار خودروهای یادشده از MG (FO) است. این هزینه در هر ساعت بهره­برداری برابر حاصل­ضرب قیمت انرژی و توان اکتیو EVها و FCVها از دیدگاه MG است [19]. توان اکتیو FCVها از دیدگاه MG برابر توان اکتیوی است که به PEMFC داده می‌شود. از این رو، در رابطۀ (1)، توان اکتیو PEMFC (PPE) استفاده می‌شود. علاوه بر این، رابطۀ (2) به منظور برآورد اهداف بهره­برداری اپراتور MG استفاده شده است. در این رابطه، کمینه­سازی تابع پروفیل ولتاژ (FV) مدنظر است [20]. بر اساس این رابطه، انتظار می­رود افت ولتاژ در خطوط توزیع کمینه شود. بنابراین، دامنۀ ولتاژ در تمامی باس­ها به مقدار ولتاژ باس مرجع (Vr) نزدیک می­شود که به استخراج پروفیل ولتاژ تخت­تر در MG منجر می­شود. این موضوع می­تواند دامنۀ ولتاژ در باس ضعیف (باسی دارای کمترین دامنۀ ولتاژ) را نیز افزایش دهد؛ در نتیجه، حاشیۀ امن زیادی برای ولتاژ به دست می­آید. در این شرایط، انتظار می­رود امنیت ولتاژ بیشینه شود [4]. با کمینه­سازی افت ولتاژ در خطوط توزیع، جریان عبوری از خطوط توزیع کاهش می­یابد، و پیرو آن، تلفات توان در خطوط توزیع کمینه می­شود. بنابراین، بر اساس رابطۀ (2)، می­توان کمینه­ترین مقدار تلفات انرژی را برای MG استخراج کرد. به عنوان نکتۀ دیگر، هزینۀ انرژی ریزشبکه برابر هزینۀ انرژی مصرفی بارهای پسیو، هزینۀ انرژی خودروهای یادشده و هزینۀ تلفات انرژی MG است. بر اساس روابط (1) و (2)، هزینه­های انرژی خودروها و تلفات انرژی قابل مدیریت است؛ به­ طوری که کمینه­سازی FV و FO می­تواند در کمینه­سازی هزینۀ بهره­برداری MG نتیجه داشته باشد.

ب) مدل ریزشبکه: این بخش فرمول­بندی پخش توان بهینۀ مقید به امنیت ولتاژ در MG را ارائه می­دهد. مدل (3)-(7) اشاره به معادلات پخش توان دارد که به ترتیب اشاره به تعادل توان اکتیو و راکتیو در باس‌های MG، (3) و (4)، توان اکتیو و راکتیو عبوری از خطوط توزیع، (5) و (6)، میزان ولتاژ در باس مرجع، (7)، دارد [21-22]. محدودیت­های بهره­برداری MG متناظر با قیود (8)-(10) هستند. محدودیت دامنۀ ولتاژ در باس­های MG در قید (8) ارائه شده است [1]. محدودیت توان ظاهری عبوری از خط و پست توزیع به ترتیب در روابط (9) و (10) بیان شده است. [1] مدل امنیت ولتاژ در MG مبنی بر محاسبۀ بدترین شاخص امنیت (WSI)13 در قیود (11) و (12) لحاظ شده است [4]. در این مدل، میزان WSI برای ضعیف­ترین باس (p) بر اساس رابطۀ (11) محاسبه می‌شود. این باس دارای کمترین دامنۀ ولتاژ است. WSI دارای مقداری بین صفر و یک است. مقدار صفر آن به معنای فروپاشی ولتاژ در MG است، در صورتی که مقدار 1 برای آن به معنای عملکرد MG در وضعیت بی‌باری است. از این رو، مقدار زیاد WSI بیانگر شرایط مطلوب امنیت ولتاژ در MG است [4]. برای برقراری چنین شرایطی، قید (12) استفاده شده است. در این قید، WSI باید از یک مقدار مشخص بیشتر باشد. این مقدار عموماً بر اساس [4، 15] برابر 8/0 انتخاب می­شود.

پ) مدل تجمیع EVها: فرمول­بندی پارکینگ EVها در قیود (13)-(18) ارائه شده است. در این فرمول­بندی، فرض شده است هر باس می‌تواند دارای یک پارکینگ باشد. EVها بعد از آخرین سفرشان در طول بازۀ بهره­برداری مشخص (یک شبانه روز) به پارکینگ وارد و به شبکه متصل می­شوند. آنها به ­صورت تصادفی از ساعت 5:00 الی 9:00 از پارکینگ خارج می­شوند. در رابطۀ (13)، توان اکتیو EVها از دیدگاه MG مدل­سازی شده که برابر توان اکتیو EVها در مد شارژ منهای توان اکتیو آنها در مد دشارژ است. به عبارتی، میزان مثبت (منفی) PEV متناظر با عملکرد EVها به­ صورت مصرف­کننده (تولیدکننده) است. محدودیت نرخ شارژ و دشارژ برای تجمیع EVها به ترتیب در قیود (14) و (15) ارائه شده است [2، 19]. EVها دارای باتری هستند. در باتری، هم‌زمان عملیات شارژ و دشارژ قابل اجرا نیست. این موضوع در رابطۀ (16) بیان شده است؛ به­ طوری که در این رابطه، دست‌کم یکی از متغیرهای PCH یا PDCH دارای مقدار صفر است. انرژی ذخیره‌شده در EVها به‌ازای ساعات بهره‌برداری مختلف در رابطۀ (17) مدل­سازی شده است. میزان این انرژی در ساعت h برابر مجموع انرژی اولیۀ EVهای تازه واردشده به پارکینگ (EeA)، میزان انرژی ذخیره‌شده در ساعت قبل () و انرژی به‌دست‌آمده از مد شارژ EVها () منهای انرژی تخلیه‌شدۀ EVها ناشی از عملکرد دشارژ آنها () و انرژی نهایی EVهای تازه خارج‌شده از پارکینگ (EeD) است [2]. در قید (18)، محدودیت انرژی ذخیره‌شده در EVها بیان شده است. پارامترهای CREV، DREV، EeA و EeD وابسته به تعداد و نوع EVهای وصل‌شده به شبکه هستند. از آنجا که در هر ساعت بهره­برداری، تعداد و نوع EVها متفاوت است، این پارامترها وابسته به زمان هستند. CREV/DREV در هر ساعت بهره­برداری برابر مجموع نرخ شارژ/دشارژ EVهای موجود در شبکه است. EeA (EeD) در ساعت h برابر انرژی اولیۀ تمامی خودروهای تازه وصل‌شده (خارج‌شده) به (از) شبکه است. انرژی اولیه در یک EV برابر حاصل‌ضرب ظرفیت باتری (BC)14 و حالت شارژ (SOC)15 است [3-4]. فرض می­شود باتری EV باید کامل شارژ شود؛ در نتیجه، انرژی نهایی EV برابر BC است.

 

ت) مدل تجمیع FCVها: عملکرد تجمیع FCVها در قیود (19)-(24) ظاهر شده است. در این فرمول­بندی، فرض شده است هر باس می‌تواند دارای یک پارکینیگ FCVها باشد. هر FCV بعد از آخرین سفرش در طول شبانه‌روز به MG وصل می­شود. این پارکنیک مجهز به PEMFC است. PEMFC قادر است از شبکۀ انرژی الکتریکی دریافت و آن را به هیدروژن تبدیل کند (عملکرد الکترولایزر). همچنین، می­تواند هیدروژن دریافت و آن را به انرژی الکتریکی تبدیل کند (عملکرد پیل سوختی). به عبارتی، مجهز به فناروی­های P2H و H2P است [23]. PEMFC دارای دو گره است. یک گره آن به­ صورت الکتریکی است و به MG متصل می‌شود. گره دیگر از نوع باس هیدروژنی است که به FCV وصل می­شود. فرمول­بندی عملکرد PEMFC به علاوۀ مخزن هیدروژنی در FCV در قیود (19)-(24) ظاهر شده است. در رابطۀ (19)، توان اکتیو PEMFC از دیدگاه MG محاسبه می­شود که برابر توان اکتیو PEMFC در مد مصرف‌کننده (PcPE) منهای توان اکتیو آن در مد تولیدکننده (PdPE) است. محدودیت نرخ شارژ و دشارژ FCVها یا ظرفیت P2H و H2P به ترتیب در قیود (20) و (21) ظاهر شده است. FCVها دارای تانک هیدروژنی هستند. در این تانک، عملکرد شارژ و دشارژ هم‌زمان انجام نمی­شود. پیرو این موضوع، قید (22) استفاده می­شود. در رابطۀ (23)، انرژی ذخیره‌شده در FCVها محاسبه می­شود. این انرژی در هر ساعت برابر مجموع انرژی اولیۀ FCVهای تازه وصل‌شده به پارکینگ (EfA)، انرژی دریافتی در مد شارژ () و انرژی در ساعت قبل () منهای انرژی نهایی FCVهای خارج‌شده از پارکینگ (EfD) و انرژی تخلیه‌شده در مد دشارژ () است. محدودیت انرژی ذخیره‌شده در FCVها در قید (24) ظاهر شده است. انرژی اولیه در یک FCV برابر حاصل­ضرب ظرفیت تانک هیدروژنی (HTC)16 و SOC است. فرض می­شود تانک هیدروژنی در FCV باید کامل شارژ شود؛ در نتیجه، انرژی نهایی FCV برابر HTC است.

3- مدل تک‌هدفۀ تصادفی

فرمول­بندی (1)-(24) مبنی بر بهینه­سازی دوهدفه است. برای حل مسألۀ پیشنهادی توسط حل­کننده­های مرسوم، نیاز به استخراج مدل تک‌هدفه است. برای این منظور، از تکنیک بهینه­سازی پارتو17 مبنی بر مجموع توابع وزندار استفاده می­شود [15]. در این روش، تابع هدف همانند رابطۀ (25) به­ صورت مجموع وزن‌دار مقدار نرمالیزه‌شدۀ توابع هدف (1) و (2) است. در رابطۀ (25)، eV معرف یک ضریب وزنی است. مقدار eV بین صفر و 1 تغییر می­کند. کمینۀ (بیشینۀ) مقدار FV (FO) به‌ازای حل مسألۀ (2)-(24) به دست می­آید. بیشینۀ (کمینۀ) مقدار FV (FO) به‌ازای حل مسألۀ (1) و (3)-(24) حاصل می­شود. در مدل تک‌سطحی، قیود دیگر مسأله همانند رابطۀ (26) شامل روابط (3)-(24) است.

به شرطی که:

(26)

قیود (3)-(24)

 

در مدل (25)-(26)، به‌ازای مقدارهای مختلف eV، نقاط بهینۀ متفاوتی حاصل می­شود؛ به ­طوری که مقادیر بهینۀ زیادی برای FV و FO به دست می­آید. مجموع نقاط بهینه بیانگر جبهۀ پارتو است. بنابراین، لازم است برای طرح پیشنهادی یک نقطۀ بهینه محاسبه شود. بهترین نقطه برابر نقطۀ مصالحه بین FV و FO است [15]. برای استخراج راه­حل مصالحه از تکنیک تصمیم­گیری فازی [15] استفاده می­شود. در این تکنیک، مقدار تابع عضویت خطی فازی (f) برای توابع FV و FO به‌ازای مقادیر مختلف eV محاسبه می­شود. میزان f برای یک تابع (F) برابر صفر/یک است، اگر میزان F بیشتر از بیشنۀ مقدارش (Fmax)/کمینۀ مقدارش (Fmin) باشد؛ در غیر این­ صورت، برابر (Fmin – Fmax)/(F – Fmax) است. f برای FV/FO به ترتیب با fv/fo نمایش داده می­شود. قدم بعدی در تکنیک تصمیم­گیری فازی، تعیین کمینۀ مقدار بین fo و fv است. این میزان با b نمایش داده می­شود. این روند برای تمامی اعضای جبهۀ پارتو اجرا می­شود. در نهایت، نقطۀ مصالحه متناظر با بیشینۀ مقدار b است [15].

در فرمول­بندی (25)-(26)، پارامترهایی مانند بار، PL و QL، قیمت انرژی، l، نرخ شارژ و دشارژ EVها، CREV و DREV، انرژی اولیه و نهایی EVها، EeA و EeD، نرخ شارژ و دشارژ FCVها، CRFCV و DRFCV، انرژی اولیه و نهایی FCVها، EfA و EfD، به­ صورت عدم قطعیت هستند. در این بخش، از بهینه­سازی تصادفی برای مدل­سازی عدم قطعیت­های یادشده استفاده می­شود. همچنین، از مکانیسم چرخ رولت برای تولید سناریو استفاده می­شود؛ این تکنیک تعداد زیادی سناریو ایجاد می­کند. در هر سناریو، میزان پارامترهای یادشده مبنی بر مقدار میانگین و انحراف معیار خودشان تعیین می­شود. احتمال هر پارامتر عدم قطعیت مبنی بر تابع چگالی احتمال نرمال است. احتمال هر سناریو برابر حاصل­ضرب احتمال پارامترهای عدم قطعیت است. در بهینه­سازی تصادفی، از تکنیک کانترویچ [24] به عنوان کاهش سناریو استفاده می­شود. در این سناریو، فاصلۀ بین سناریوهای مختلف محاسبه می­شود. سپس، تعدادی مشخص سناریو انتخاب و به مسأله اعمال می­شوند. سناریوهای منتخب دارای کمینه­ترین فاصله نسبت به یکدیگر هستند. احتمال هر سناریو برابر احتمال آن در مکانیسم چرخ رولت تقسیم بر مجموع احتمال سناریوهای منتخب است.

4- نتایج عددی

4-1- مورد مطالعاتی

در این بخش، داده­های ریزشبکه از MG 69باسۀ شعاعی با استاندارد IEEE [25] تبعیت می­کند. مدار تک‌خطی این شبکه در شکل 1 [25] ارائه شده است. این شبکه دارای توان مبنا MVA 1 است و ولتاژ مبنا برای آن برابر kV 66/12 است. باس 1 به عنوان باس مرجع شناخته می­شود. دامنه و زاویۀ ولتاژ در این باس به ترتیب برابر p.u. 1 و صفر درجه است. محدودۀ مجاز دامنۀ ولتاژ نیز برابر [9/0 05/1] پریونیت در نظر گرفته شده است. کمترین میزان WSI به منظور دسترسی به امنیت ولتاژ زیاد در MG برابر p.u. 8/0 است [4]. مشخصات خطوط توزیع و پست توزیع به همراه داده­های پیک بار در [25] گزارش شده است. میزان بار در ساعات دیگر از حاصل­ضرب ضریب بار و پیک بار به دست می­آید.

منحنی روزانۀ مورد انتظار ضریب بار در [4] ترسیم شده است. بر اساس [1، 4]، قیمت انرژی در 1:00-7:00 در حدود $/MW 16 است. در ساعات 17:00-22:00، قیمت انرژی برابر $/MWh است. در ساعات دیگر، قیمت انرژی برابر $/MWh 24 لحاظ می­شود. در این شبکه، 10 پارکینگ EVها و 6 ایستگاه هیدروژنی وجود دارند. مکان پارکینگ EVها در باس­های 4، 11، 26، 35، 41، 42، 50، 55، 65 و 68 توزیع شده است. پارکینگ‌ FCVها در باس­های 21، 37، 44، 58، 62 و 66 مستقر شدند. هر پارکینگ EV قادر است حداکثر 30 تا EV را تغذیه کند. هر ایستگاه هیدروژنی نیز 30 تا FCV را تغذیه می­کند. در این بخش، فرض شده است خودروهای الکتریکی و پیل سوختی بعد از آخرین سفرشان در طول شبانه­روز به پارکینگ یا ایستگاه هیدروژنی وارد و سپس به MG متصل می­شوند. آنها نیز به­ طور تصادفی از ساعات 5 الی 9:00 از شبکه خارج می­شوند. منحنی روزانۀ مورد انتظار برای تعداد EVها و FCVها در [2] ارائه شده است. جدول­ 1 نیز مشخصات هر EV و FCV را بیان می‌کند. راندمان شارژ و دشارژ در EV (FCV) به ترتیب در حدود 95 درصد و 93 درصد (75 درصد و 51 درصد) است [2، 23]. به منظور استخراج راه­حل مطمئن در برابر پراکندگی زیاد داده­های عدم قطعیت­ها، انحراف معیار عدم قطعیت­ها برابر 10 درصد مقدار میانگین آنهاست. مکانیسم چرخ رولت 2000 سناریو برای پارامترهای عدم قطعیت تولید می­کند، سپس روش کانترویچ تعداد 80 سناریو را انتخاب و به مساله پیشنهادی اعمال می­کند.

شکل (1): مدار تک‌خطی ریزشبکۀ 69باسۀ IEEE [25]

4-2- نتایج و بحث

نرم‌افزار بهینه­سازی GAMS [26] برای کدنویسی طرح پیشنهادی متناظر با بخش­های 2 و 3 با در نظر گرفتن داده­های بخش 4-1 در این بخش استفاده می­شود. حل­کننده­های مختلف در این نرم‌افزار دارای تولباکس هستند. در این مقاله، از حل­کنندۀ IPOPT [26] برای استخراج راه­حل بهینه استفاده می­شود. در این بخش، نتایج عددی به‌ازای چهار مورد مطالعاتی ارائه می­شود. در مورد 1، مطالعات پخش بار (شبکۀ بدون خودرو) ارزیابی می­شود، در موارد 2 الی 4 نیز به ترتیب تکنیک­های شارژ غیرهوشمند، شارژ هوشمند و شارژ/دشارژ هوشمند تحلیل می‌شوند.

 

جدول (1): مشخصات EV و FCV [1-2، 16]

EV

ظرفیت باتری (kWh)

8

15

42

نرخ شارژ/دشارژ (kW)

5/2

5

11

SOC (%)

20

20

20

نرخ نفوذ (%)

25

45

30

FCV

HTC (kWh)

16

33

50

نرخ شارژ/دشارژ (kW)

5

11

17

SOC (%)

20

20

20

نرخ نفوذ (%)

32

37

31

 

الف) تعیین راه­حل مصالحه بین هدف اقتصادی مالکان خودروها و هدف فنی اپراتور سیستم توزیع: در شکل (2)، نمودار جبهۀ پارتو برای طرح پیشنهادی (مورد 4) ترسیم می­شود. این نمودار شامل مقادیر بهینۀ توابع هدف FO و FV به‌ازای تغییرات eV است. eV نیز بین صفر و 1 تغییر می­کند. از این رو، نقطۀ اول در سمت چپ نمودار متناظر با کمترین مقدار eV است و اولین نقطه در سمت راست منحنی متناظر با بیشینۀ مقدار eV است. بر اساس این منحنی، مشاهده می­شود کمینه­سازی تابع انحرافات ولتاژ متناظر با بیشینه­سازی هزینۀ شارژ EVها و FCVهاست. به عبارتی، تغییرات توابع FO و FV در خلاف جهت همدیگر است؛ زیرا برای بهبود FO لازم است EVها و FCVها توان اکتیو زیادی را به شبکه، به ویژه در ساعات بحرانی مانند بازۀ پرباری، تزریق کنند. در این شرایط، این خودروها انرژی اولیۀ خود را به شبکه تزریق می­کنند. در ادامه، لازم است در ساعات غیربحرانی، آنها توان زیادی را از شبکه دریافت کنند که جبران‌ساز کاهش انرژی اولیۀ آنها نیز باشد. علاوه بر این، خودروها باید در ساعات غیربحرانی انرژی در خود ذخیره کنند تا بتوانند آن را در ساعات بحرانی به شبکه تزریق کنند. از این رو، تعداد ساعات شارژ EVها و FCVها زیاد خواهد بود. این موضوع در بخش 4-2ب بررسی خواهد شد. از این رو، هزینۀ شارژ EVها و FCVها افزایش می­یابد. بر اساس شکل (2)، کمترین و بیشترین مقدار FV به ترتیب در حدود p.u. 4/128 و p.u. 3/189 است. بنابراین، دامنۀ تغییرات آن برابر p.u. 9/60 (3/189 -4/128) است. کمترین و بیشترین مقدار FO نیز به ترتیب در حدود $ 7/1338 و $ 9/1408 است، به عبارتی، دامنۀ تغییرات آن برابر $ 2/70 (7/1338–9/1408) است. در جدول (2)، مقادیر بهینۀ توابع یاد‌شده در نقطۀ مصالحه به‌ازای راهبردهای مختلف مدیریت انرژی EVها و FCVها ارائه شده است. در طرح پیشنهادی (راهبرد مدیریت شارژ/دشارژ خودروها)، مقادیر بهینۀ FO و FV به ترتیب در حدود $ 1353 و p.u. 715/149 است. FO در نقطۀ مصالحه نسبت به کمینۀ مقدار خود ($ 7/1338) در حدود 4/20 درصد (2/70¸(7/1338 -1353)) فاصله دارد. این مقدار برای FV در حدود 35 درصد است. طرح توانسته است مقادیری برای توابع هدف به دست آورد که به بهینه­ترین مقدار خود نزدیک هستند. 

شکل (2): جبهۀ پارتو طرح پیشنهادی به‌ازای مورد 4

در جدول (2)، مقادیر توابع هدف به‌ازای راهبردهای مختلف مدیریت انرژی EVها و FCVها (موارد 2 الی 4) ارائه شده است. در روش شارژ غیرهوشمند (مورد 2)، EVها و FCVها به‌محض اتصال به شبکه عملیات شارژ را انجام می­دهند. این خودروها توان اکتیوی برابر حداکثر نرخ شارژ خود را از شبکه دریافت می­کنند. از این رو، بعد از مدت زمان مشخص (مدت شارژ، یعنی تقریباً 3 ساعت بر اساس جدول (1)، ذخیره­ساز در خودروها کاملاً شارژ می‌شود. در ادامه، خودروها توانی از شبکه دریافت نمی­کنند. در این روش، حداکثر 21 درصد از EVها و FCVها توانسته‌اند توسط شبکه تغذیه شوند؛ زیرا بر اساس بخش 4-1 می­توان بیان کرد بیشترین تعداد خودروها در ساعات پرباری متناظر با تکنیک شارژ غیرهوشمند از شبکه تغذیه می­شوند. در این شرایط، محدودیت­های فنی شبکه مانند محدودیت ظرفیت خطوط توزیع از ورود تعداد زیاد خودروها به شبکه جلوگیری می­کنند. به‌ازای 21 درصد حضور EVها و FCVها، FO و FV به ترتیب در حدود $ 3/291 و p.u. 402/158 است. در راهبرد شارژ هوشمند (یعنی توان اکتیو فقط در مد شارژ خودروها کنترل شود) یا مورد 3، به‌ازای 21 درصد EVها و FCVها، میزان FO و FV به ترتیب در حدود $ 7/272 و p.u. 811/151 است. از این رو، هزینۀ شارژ خودروها (تابع انحرافات ولتاژ) در این روش در حدود 4/6 درصد (2/4 درصد) نسبت به تکنیک شارژ غیرهوشمند کاهش می­یابد. در تکنیک شارژ هوشمند، 100 درصد EVها و FCVها می­توانند توسط شبکه تغذیه شوند؛ زیرا در این راهبرد توان اکتیو خودروها کنترل می­شود. از این رو، صاحبان خودروها می­توانند عملیات شارژ را در ساعات غیربحرانی مانند بازۀ کم‌باری انجام دهد. تکنیک دیگر برای خودروها راهبرد شارژ/دشارژ هوشمند (مورد 3) است. در این تکنیک، توان اکتیو EVها و FCVها در دو مد شارژ و دشارژ کنترل می­شود. به‌ازای 21 دصرد EVها و FCVها، میزان FO و FV به ترتیب برابر $ 4/263 و p.u. 208/150 است. به عبارتی، اهداف اقتصادی خودروها و اهداف فنی ریزشبکه به ترتیب در حدود 6/9 درصد و 2/5 درصد نسبت به تکنیک شارژ غیرهوشمند ارتقا می­یابند. به‌ازای 100 درصد EVها و FCVها، مشاهده می­شود FO و FV در تکنیک شارژ/دشارژ هوشمند نسبت به روش شارژ هوشمند به ترتیب در حدود 3 درصد و 4/3 درصد کاهش یافت.

جدول (2): میزان توابع هدف در نقطۀ مصالحه به‌ازای موارد 2 الی 4

مورد

نرخ نفوذ EVها و FCVها

FO ($)

FV (p.u.)

4

%100

1353

715/149

%21

4/263

208/150

3

%100

2/1394

925/154

%21

7/272

811/151

2

%10

1/145

233/155

%21

3/291

402/158

%21<

غیرممکن

 ب) ارزیابی عملکرد EVها و FCVها در ریزشبکه: در شکل­های (3) و (4)، منحنی روزانۀ توان اکتیو EVها و FCVها به‌ازای تکنیک مختلف مدیریت انرژی خودروها ارائه شده است. در شکل (3الف)، تغییرات زمانی توان اکتیو EVها در راهبرد شارژ غیرهوشمند ارائه شده است. بر اساس بخش 4-1، خودروهای الکتریکی در ساعات 12:00 الی 24:00 وارد شبکه می­شوند. در تکنیک شارژ غیرهوشمند، خودروها به‌محض اتصال شبکه در حدود 3 ساعت (بر اساس جدول 1)، ذخیره­ساز خود را کاملاً شارژ می­کنند. پیرو این موضوع، بیشترین تعداد خودروها در ساعات پرباری، 17:00-22:00، از شبکه انرژی دریافت می­کنند. در این ساعات، به علت انرژی مصرفی زیاد، محدودیت­های فنی مانند دامنۀ ولتاژ و توان ظاهری خطوط توزیع در نزدیک‌ترین نقطه به حد مجاز خود کار می­کنند. از این رو، این محدودیت اجازه نمی­دهد تعداد زیادی از خودروها توسط شبکه تغذیه شوند. بنابراین، بر اساس شکل (3الف)، 21 درصد EVها در تکنیک شارژ غیرهوشمند می­توانند از ریزشبکه تغذیه شوند. در شکل (3ب)، منحنی روزانۀ توان اکتیو EVها به ازای تکنیک شارژ هوشمند ترسیم شده است. بر اساس این شکل، به منظور کاهش هزینۀ شارژ، مالکان خودروها تمایل دارند EVها در ساعات قیمت انرژی ارزان، 1:00-7:00، عملیات شارژ را انجام دهند. این بازه متناظر با ساعات کم‌باری است. از این رو، محدودیت­های فنی ریزشبکه در فاصلۀ دورتر از حد مجاز خود قرار دارند. این موضوع باعث شده است تمامی EVها (100 درصد EVها) بتوانند از شبکه تأمین انرژی شوند. در شکل (3پ)، نمودار زمانی توان اکتیو EVها به‌ازای راهبرد شارژ/دشارژ هوشمند ارائه شده است. بر اساس این شکل، مشاهده می­شود مالکان EVها به منظور کاهش هزینۀ شارژ خود تمایل دارند EVها در ساعات کم­باری انرژی مصرفی مورد نیاز مسافرت آیندۀ خود را از شبکه دریافت کنند. علاوه بر این موضوع، EVها در ساعات پرباری، 17:00-22:00، در مد دشارژ قرار می­گیرند و توان اکتیو به شبکه تزریق می­کنند. آنها انرژی اولیۀ ذخیره­ساز در خود را در این ساعات به شبکه تزریق می­کنند.

شکل (3): منحنی روزانۀ مورد انتظار توان اکتیو EVها برای راهبرد؛ الف) عدم مدیریت شارژ، ب) مدیریت فقط شارژ، پ) مدیریت شارژ/دشارژ

EVها در ساعات 12:00-16:00 در مد شارژ هستند، تا اینکه انرژی دریافتی در این ساعات را در بازۀ پرباری به شبکه تزریق کنند. این نحوۀ عملکرد EVها متناظر با کمینه­سازی FO و FV است. با مقایسۀ شکل­های (3ب) و (3پ)، دیده می­شود به‌ازای ساعات کم­باری، انرژی مصرفی بیشتری در تکنیک شارژ/دشارژ هوشمند نسبت به تکنیک شارژ هوشمند از شبکه دریافت می­شود؛ زیرا در تکنیک شارژ هوشمند، انرژی اولیۀ EVها مصرف نمی­شد. از این رو، در این تکنیک لازم است انرژی کمتری در باتری EV ذخیره شود، ولی در روش شارژ/دشارژ هوشمند، انرژی اولیه در ساعات پرباری مصرف می­شود؛ در نتیجه، EVها در ساعات کم­باری نیاز به انرژی مصرفی بیشتری دارند تا اینکه باتری خود را پر کنند.

عملکرد FCVها به‌ازای تکنیک­های شارژ غیرهوشمند، شارژ هوشمند و شارژ/دشارژ هوشمند در شکل (4) مشخص شده است. با مقایسۀ شکل‌های (2) و (3)، دیده می­شود عملکرد FCVها همانند EVهاست. برای مثال، بر اساس شکل (4الف)، در تکنیک شارژ غیرهوشمند، FCVها همانند EVها در ساعات پرباری عملیات شارژ را انجام می­دهند. در این شرایط، محدودیت­های فنی اجازه نمی­دهند تعداد زیادی از FCVها از شبکه تغذیه شوند. بر اساس شکل (4ب)، در تکنیک شارژ هوشمند، FCVها در ساعات کم­باری توانسته­اند عملیات شارژ را انجام دهند؛ زیرا این بازه متناظر با قیمت انرژی ارزان است. همچنین، محدودیت­های فنی در فاصلۀ دورتر از حد مجاز خود قرار دارند. در شکل (4پ)، عملکرد FCVها به‌ازای راهبرد شارژ/دشارژ هوشمند بررسی شده است. همانند EVها، FCVها انرژی مصرفی مورد نیاز مسافرت خود را در ساعات کم‌باری از شبکه دریافت می­کنند. آنها در ساعات 12:00-16:00 نیز در مد شارژ هستند تا اینکه انرژی دریافتی در این ساعات در بازۀ پرباری به شبکه تزریق شود.

پ) بررسی وضعیت فنی MG: در شکل­های (5) الی (7)، میزان شاخص­های بهره­برداری MG مانند تلفات انرژی مورد انتظار (EEL)18، بیشترین افت ولتاژ (UVD)19، بیشترین اضافه ولتاژ (UOV)20، قابلیت حمل پیک بار (PLCC)21 و شاخص­های امنیت ولتاژ مانند کمترین میزان WSI و باس ضعیف به‌ازای موارد مطالعاتی مختلف گزارش شده است. PLCC اشاره به این موضوع دارد که MG قادر است تا چه مقدار پیک بار را تغذیه کند. بر اساس این شکل­ها، بیشترین تلفات انرژی و افت ولتاژ و کمترین PLCC و WSI در مورد 1 وجود دارد؛ به­ طوری که بر اساس شکل (6)، افت ولتاژ نزدیک به حد مجاز خود، یعنی p.u. 1/0 (9/0- 1) و WSI کمتر از حد مجاز خود، یعنی p.u. 8/0 است. در مورد 2 که خودروها در راهبرد شارژ غیرهوشمند قرار دارند، به‌ازای حضور 21 درصد EVها و FCVها، افزایش 5 درصدی تلفات انرژی، افزایش 13 درصدی افت ولتاژ و کاهش 4/6 درصدی WSI در MG ظاهر می­شود. دیگر شاخص­ها بدون تغییر هستند. در مورد 3 که راهبرد شارژ هوشمند برای EVها و FCVها استفاده می­شود، به‌ازای حضور 21 درصد خودروها، تلفات انرژی در حدود 7/2 درصد افزایش دارد و دیگر شاخص­ها بدون تغییر هستند. به عبارتی، شارژ خودروها در ساعات کم­باری به حفظ شاخص­های فنی نسبت به مورد 1 منجر می­شود. این موضوع حتی در حضور 100 درصد EVها و FCVها نیز برقرار است. فقط و فقط، تلفات انرژی در حدود 4/18 درصد نسبت به مورد 1 افزایش دارد؛ زیرا در مورد 3، خودروها فقط مصرف­کنندۀ انرژی هستند.

شکل (4): منحنی روزانۀ مورد انتظار توان اکتیو FCVها برای راهبرد؛ الف) عدم مدیریت شارژ، ب) مدیریت فقط شارژ، پ) مدیریت شارژ/دشارژ

 در مورد 4، راهبرد شارژ/دشارژ هوشمند EVها و FCVها استفاده می­شود. با افزایش 21 درصد خودروها در مورد 4 نسبت به مورد 1، تلفات انرژی در حدود 2/1 درصد افزایش دارد، افت ولتاژ در حدود 12 درصد کاهش دارد، اضافه ولتاژ بدون تغییر است، PLCC و WSI به ترتیب در حدود 3/26 درصد و 8/3 درصد افزایش دارند. با افزایش تعداد EVها و FCVها در MG (حضور 100 درصد خودروها) به‌ازای مورد 4، افت ولتاژ در حدود 5/31 درصد نسبت به مورد 1 کاهش دارد، WSI و PLCC به ترتیب در حدود 1/14 درصد و 2/34 درصد افزایش دارند. البته، در این شرایط، تلفات انرژی در حدود 3/10 درصد افزایش دارد و بیشترین اضافه ولتاژ در حدود p.u. 013/0 در MG ظاهر می­شود.

5- نتیجه‌گیری‌ها

در این مقاله، مدیریت انرژی پارکینگ خودروهای الکتریکی و ایستگاه هیدروژنی خودروهای پیل سوختی در ریزشبکه با در نظر گرفتن اهداف اقتصادی مالکان خودروها و اهداف بهره­برداری و امنیت ولتاژ اپراتور سیستم توزیع ارائه شد. طرح پیشنهادی مبنی بر بهینه­سازی دوهدفه بود. تابع هدف اول شامل کمینه­سازی هزینۀ انرژی مورد انتظار خودروهای الکتریکی و پیل سوختی بود و تابع هدف دوم کمینه­سازی انحرافات ولتاژ را به عهده داشت. این مسأله دارای قیود پخش توان AC، محدودیت­های بهره­برداری و امنیت ولتاژ، مدل بهره­برداری پارکینگ خودروهای الکتریکی و ایستگاه هیدروژنی خودروهای پیل سوختی است. در ادامه، از تکنیک قید e برای استخراج مدل تک‌هدفه استفاده شد. همچنین، از بهینه­سازی تصادفی برای مدل­سازهای عدم قطعیت­های بار، قیمت انرژی و نرخ شارژ و دشارژ خودروها، و انرژی اولیه و نهایی خودروها استفاده شد. بر اساس نتایج عددی، طرح پیشنهادی قادر است در نقطۀ مصالحه بین اهداف اقتصادی مالکان خودروها و اهداف فنی ریزشبکه مقادیری برای توابع هدف به دست آورد که نزدیک به بهینه­ترین مقدار خود باشند؛ به ­طوری که تابع هزینۀ شارژ خودروها و تابع انحرافات ولتاژ در نقطۀ مصالحه به ترتیب در حدود 4/20 درصد و 35 درصد از کمترین مقدار خود فاصله دارند. این مقاله سه نوع مدیریت انرژی خودروها، یعنی راهبرد شارژ غیرهوشمند، تکنیک شارژ هوشمند و تکنیک شارژ/دشارژ هوشمند را بررسی کرد. خودروها به‌ازای راهبرد شارژ غیرهوشمند (هوشمند) در ساعات پرباری (کم­باری) انرژی مصرفی خود را از ریزشبکه دریافت می‌کنند. از این رو، محدودیت­های فنی شبکه از تغذیۀ زیاد خودروها در راهبرد شارژ غیرهوشمند جلوگیری می­کنند؛ به ­طوری که در این شرایط، حداکثر 21 درصد خودروهای الکتریکی و پیل سوختی توسط شبکه تغذیه می­شوند، ولی در راهبرد شارژ هوشمند، 100 درصد خودروها می­توانند توسط شبکه تغذیه شوند. در تکنیک شارژ/دشارژ هوشمند، خودروها انرژی مصرفی مورد نیاز خود را در ساعات کم­باری از ریزشبکه دریافت می­کنند.

شکل (5): میزان WSI در موارد مختلف

شکل (6): میزان بیشترین افت ولتاژ و اضافه ولتاژ در موارد مختلف

 شکل (7): میزان تلفات انرژی و PLCC برای موارد مختلف

 در ساعات میان­باری نیز خودروهای الکتریکی و پیل سوختی در مد شارژ قرار می­گیرند، تا اینکه خودروها انرژی دریافتی از شبکه در این ساعات را در بازۀ پرباری به ریزشبکه تزریق کنند. این نحوۀ عملکرد خودروها باعث شده است 100 درصد خودروها بتوانند توسط ریزشبکه تغذیه شوند. علاوه بر این، این تکنیک باعث کاهش 5/31 درصد افت ولتاژ نسبت به تحلیل پخش بار ریزشبکه می­شود و شاخص امنیت ولتاژ و قابلیت حمل پیک بار در این شرایط به ترتیب در حدود 1/14 درصد و 2/34 درصد نسبت به مطالعات پخش بار ارتقا می­یابند. در این شرایط، تلفات انرژی در حدود 3/10 درصد افزایش دارد که ناشی از انرژی مصرفی مورد نیاز خودروهاست. در راهبرد شارژ غیرهوشمند، شاخص­های یادشده نسبت به ریزشبکۀ بدون خودروها تضیف می‌شوند، ولی در راهبرد شارژ هوشمند، بیشتر شاخص­های فنی به‌جز تلفات انرژی بدون تغییر هستند. در این راهبرد، تلفات انرژی در حدود 4/18 درصد افزایش دارد، ولی راهبرد شارژ/دشارژ هوشمند به کاهش 1/8 درصد تلفات انرژی نسبت به تکنیک شارژ هوشمند منجر می­شود.

علائم

متغیرها

EEV, EFCV

انرژی (MWh) ذخیره‌شده در EVها و FCVهای تجمیع‌شده در پارکینگ

FO

تابع هزینۀ انرژی EVها و FCVها ($)

FV

تابع پروفیل (انحرافات) ولتاژ (p.u)

PCH, PDCH

توان اکتیو (MW) EVها در مد شارژ و دشارژ

PcPE, PdPE

توان اکتیو پیل سوختی غشای مبادلۀ پروتون (PEMFC) در مد مصرف­کننده و تولیدکننده (MW)

PDL, QDL

توان اکتیو (MW) و راکتیو (MVAr) عبوری از خط توزیع

PDP, QDP

توان اکتیو (MW) و راکتیو (MVAr) عبوری از پست توزیع

PEV

توان اکتیو (MW) EVها از دیدگاه ریزشبکه

PPE

توان اکتیو (MW) PEMFC

V, a

دامنه (p.u.) و زاویۀ (رادیان) ولتاژ

W

بدترین شاخص امنیت برحسب p.u.

پارامترها

bDL, gDL

سوسپتانس و رسانایی در خط توزیع (p.u.)

CREV, DREV

نرخ شارژ و دشارژ در تجمیع EVها (MW)

CRFCV, DRFCV

نرخ شارژ و دشارژ در تجمیع FCVها (MW)

EeA, EeD

انرژی اولیه در لحظۀ رسیدن و انرژی نهایی در لحظۀ عزیمت برابر EVها (MWh)

EfA, Efd

انرژی اولیه در لحظۀ رسیدن و انرژی نهایی در لحظۀ عزیمت برابر FCVها (MWh)

JDL

ماتریس تلاقی باس و خط توزیع در MG

PL, QL

توان اکتیو (MW) و راکتیو (MVAr) بارهای پسیو

 

ظرفیت خط توزیع (MVA)

 

ظرفیت پست توزیع (MVA)

 

حداقل و حداکثر مقدار مجاز دامنۀ ولتاژ (p.u.)

Vr

دامنۀ ولتاژ در باس مرجع (p.u.)

 

حداقل مقدار مجاز WSI (p.u.)

heCH, heDCH

راندمان EVها در مد شارژ و دشارژ

hfCH, hfDCH

راندمان FCVها در مد شارژ و دشارژ

l

قیمت انرژی ($/MWh)

p

احتمال سناریو

اندیس­ها

h

ساعت بهره­برداری

k

اندیس کمکی متناظر با باس

n

باس

p

باس ضعیف دارای کمترین دامنۀ ولتاژ

p – 1

باس بالادست باس ضعیف

r

باس مرجع

s

سناریو

 

زیرنویس­ها

1 Electric vehicles (EVs)

2 Fuel cell vehicles (FCVs)

3 Plug-in hybrid electric vehicle (PHEV)

4 Battery electric vehicle (BEV)

5 Microgrid (MG)

6 Power to hydrogen (P2H)

7 Vehicle-to-grid (V2G)

8 Energy management system

9 Distribution system operator (DSO)

10 Micro-grid operator (MGO)

11 Proton-exchange membrane fuel cell (PEMFC)

12 Hydrogen to power (H2P)

13 Worst security index (WSI)

14 Battery capacity (BC)

15 State of charge (SOC)

16 Hydrogen tank capacity (HTC)

17 Pareto optimization

18 Expected energy loss (EEL)

19 Upper voltage drop (UVD)

20 Upper over-voltage (UOV)

21 Peak load carrying capacity (PLCC)

 

 

[1] تاریخ ارسال مقاله : 16/03/1405

تاریخ پذیرش مقاله : 08/07/1405

نام نویسنده مسئول : ساسان پیروزی

نشانی نویسنده مسئول : ایران، سمیرم، دانشگاه آزاد اسلامی واحد سمیرم، دانشکده مهندسی

  • Pirouzi, J. Aghaei, “Active and Reactive Power Management of Smart Distribution Network Using Electric Vehicles as Mixed Integer Linear Programming Problem”, Computational Intelligence in Electrical Engineering, Vol. 8, No. 2, pp. 1-12, 2017. https://doi.org/10.22108/isee.2017.21703 [In Persian]
  • Pirouzi, “Stochastic Planning of the Hybrid System with Wind Turbine and Biomass Energy Unit System besides Battery and Electric Vehicles Parking Lot Considering Storage Degradation”, Computational Intelligence in Electrical Engineering, Vol. 14, No. 2, pp. 111-126, 2023. https://doi.org/10.22108/isee.2022.134774.1580 [In Persian]  
  • Shafiee, S. M. Fotuhi-Firuzabad, M. Rastegar, “Investigating the impacts of plug-in hybrid electric vehicles on power distribution systems”, IEEE Transactions on Smart Grid, Vol. 4, No. 3, pp. 1351-1360, 2013. https://doi.org/10.1109/TSG.2013.2251483
  • Pirouzi, J. Aghaei, “Mathematical modeling of electric vehicles contributions in voltage security of smart distribution networks”, Simulation, Vol. 95, No. 5, pp. 429-439, 2019. https://doi.org/10.1177/0037549718778766
  • Lin, J. Li, W. Zhong, X. Lin, W. Wei, H. Zhang, “Multi-segment flexibility-based optimization scheduling for integrated energy systems coupled with electric and hydrogen fuel cell vehicles”, Applied Energy, Vol. 402, pp. 126957, 2026. https://doi.org/10.1016/j.apenergy.2025.126957
  • Joseph, S. S. Sivaraju, “Enhancing electric vehicle charging safety and efficiency through hybrid charging systems and intelligent management strategies”, Journal of Energy Storage, Vol. 118, pp. 116073, 2025. https://doi.org/10.1016/j.est.2025.116073
  • Kioumarsi, A. Bolurian, “Optimal energy management for electric vehicle charging parking lots with considering renewable energy resources and accurate battery characteristic modeling”, Journal of Energy Storage, Vol. 107, pp. 114914, 2025. https://doi.org/10.1016/j.est.2024.114914
  • Dong, Z. Tian, K. Liao, J. Yang, J. W. Spencer, “Three-Stage Energy Management of Urban Rail Transit-based Microgrid and EV Charging Station with V2T Technology”, IEEE Transactions on Transportation Electrification, Vol. 11, No. 2, pp. 1-16, 2025. https://doi.org/10.1109/TTE.2025.3543222
  • Karthikeyan, D. Manimegalai, R. Karthikeyan, “Enhancing voltage control and regulation in smart micro-grids through deep learning-optimized EV reactive power management”, Energy Reports, Vol. 13, pp. 1095-1107, 2025. https://doi.org/10.1016/j.egyr.2024.12.072
  • Sora, I. Serban, D. Petreus, “Enhancing microgrid operation through electric vehicle integration: A survey”, IEEE Access, Vol. 10, No. 2, pp. 1-14, 2024. https://doi.org/10.1109/ACCESS.2024.3397587
  • Sathishkumar, M. Venkateswaran, P. Deepamangai, P. Soundar Rajan, “An efficient power management control strategy for grid-independent hybrid renewable energy systems with hybrid energy storage: Hybrid approach”, Journal of Energy Storage, Vol. 95, pp. 112325, 2024. https://doi.org/10.1016/j.est.2024.112685
  • García‐Triviño, J. P. Torreglosa, F. Jurado, L. M. Fernández Ramírez, “Optimised operation of power sources of a PV/battery/hydrogen‐powered hybrid charging station for electric and fuel cell vehicles”, IET Renewable Power Generation, Vol. 13, No. 16, pp. 3022-3032, 2019. https://doi.org/10.1049/iet-rpg.2019.0766
  • Mehrjerdi, “Off-grid solar-powered charging station for electric and hydrogen vehicles including fuel cell and hydrogen storage”, International Journal of Hydrogen Energy, Vol. 44, No. 23, pp. 11574-11583, 2019. https://doi.org/10.1016/j.ijhydene.2019.03.158
  • Norouzi, J. Aghaei, T. Niknam, M. Alipour, S. Pirouzi, M. Lehtonen, “Risk-averse and flexi-intelligent scheduling of microgrids based on hybrid Boltzmann machines and cascade neural network forecasting”, Applied Energy, Vol. 348, pp. 121573, 2023. https://doi.org/10.1016/j.apenergy.2023.121573
  • Zhang, H. Wu, E. Akbari, L. Bagherzadeh, S. Pirouzi, “Eco-power management system with operation and voltage security objectives of distribution system operator considering networked virtual power plants with electric vehicles parking lot and price-based demand response”, Computers and Electrical Engineering, Vol. 121, pp. 109895, 2025. https://doi.org/10.1016/j.compeleceng.2024.109895
  • Lee, J. Jung, “Improving distribution system flexibility using electric vehicles under the distributed energy resource management system framework”, Renewable and Sustainable Energy Reviews, Vol. 226, pp. 116292, 2026.‏ https://doi.org/10.1016/j.rser.2025.116292
  • Shayeghi, B. Mohamadi, A. Younesi, S. Sadr, P. Siano, “Cooperative stochastic energy management of multi smart home microgrids joint with modern distribution network”, Scientific Reports, Vol. 16, No. 1, pp. 4667, 2026.‏ https://doi.org/10.1038/s41598-025-34945-w
  • Varone, G. Porruvecchio, A. Romanino, “Smart charge management of Electric Vehicle fleets from Renewable Energy through innovative deferring strategies”, Energy Conversion and Management, Vol. 350, pp. 120957, 2026.‏ https://doi.org/10.1016/j.enconman.2025.120957
  • Kiani, K. Hesami, A. Azarhooshang, S. Pirouzi, S. Safaee, “Adaptive robust operation of the active distribution network including renewable and flexible sources”, Sustainable Energy, Grids and Networks, Vol. 26, pp. 100476, 2021. https://doi.org/10.1016/j.segan.2021.100476
  • Pirouzi, J. Aghaei, M. A. Latify, G. R. Yousefi, G. Mokryani, “A robust optimization approach for active and reactive power management in smart distribution networks using electric vehicles”, IEEE Systems Journal, Vol. 12, No. 3, pp. 2699-2710, 2018. https://doi.org/10.1109/JSYST.2017.2716980
  • Homayoun, B. Bahmani‐Firouzi, T. Niknam, “Multi‐objective operation of distributed generations and thermal blocks in microgrids based on energy management system”, IET Generation, Transmission & Distribution, Vol. 15, No. 9, pp. 1451-1462, 2021. https://doi.org/10.1049/gtd2.12112
  • Faraji, A. R. Abbasi, S. Nejatian, M. Zadehbagheri, H. Parvin, “Probabilistic planning of the active and reactive power sources constrained to securable-reliable operation in reconfigurable smart distribution networks”, Electric Power Systems Research, Vol. 199, pp. 107457, 2021. https://doi.org/10.1016/j.epsr.2021.107457
  • S. Ijaodola, Z. El-Hassan, E. Ogungbemi, F. N. Khatib, T. Wilberforce, J. Thompson, A. G. Olabi, “Energy efficiency improvements by investigating the water flooding management on proton exchange membrane fuel cell (PEMFC)”, Energy, Vol. 179, pp. 246-267, 2019. https://doi.org/10.1016/j.energy.2019.04.074
  • Kavousi-Fard, A. Khodaei, “Efficient integration of plug-in electric vehicles via reconfigurable microgrids”, Energy, Vol. 111, pp. 653-663, 2016. https://doi.org/10.1016/j.energy.2016.06.018
  • F. A. Kadir, A. Mohamed, H. Shareef, M. Z. C. Wanik, “Optimal placement and sizing of distributed generations in distribution systems for minimizing losses and THD_v using evolutionary programming”, Turkish Journal of Electrical Engineering and Computer Sciences, Vol. 21, No. 8, pp. 2269-2282, 2013. https://doi.org/10.3906/elk-1205-35
  • Generalized Algebraic Modeling Systems (GAMS). [Online]. Available: http://www.gams.com.