برنامه‌ريزي بهينه چندهدفه توسعه خودروهاي برقي در شبكه توزيع با استفاده از الگوريتم تجمعي ذرات

Optimal Multi-objective Development Scheduling of Electric Vehicles in Distribution Network using Particle Swarm Optimization

استفاده از انرژي الكتريكي ذخيره‌شده در باتري خودروهاي متصل به شبكه (V2G) در آينده نقش مهمي در توسعۀ سيستم‌هاي توزيع دارد. خودروهاي متصل به شبكه در زمان‌هاي كم‌ باري شبكه، شارژ و در زمان‌هاي پيك بار انرژي به شبكه تزريق مي‌شوند. همچنين خودروهاي متصل به شبكه در هنگام قطع برق قابليت اطمينان شبكه را افزايش مي‌دهند. در اين مقاله با استفاده از الگوريتم تجمعي ذرات (PSO) به حل مسئلۀ برنامه‌ريزي بهينه چندهدفه توسعۀ پاركينگ‌هاي هوشمند مجتمع خودروهاي برقي در سطح شبكۀ توزيع پرداخته مي‌شود. از روش مقيد-ε براي حل مسئلۀ چندهدفۀ پيشنهادي استفاده مي‌شود. همچنين از روش تصميم‌گيرندۀ فازي براي انتخاب بهترين جواب بهينه پرتو از ميان جواب‌هاي پرتو به‌دست‌آمده از حل مسائل تك‌ هدفه حاصل از روش مقيد-ε استفاده مي‌شود. متغيرهاي تصميم شامل محل و ظرفيت شارژ و دشارژ پاركينگ‌هاي هوشمند خودروهاي برقي‌اند. شبكۀ نمونۀ توزيع 54 باسه استاندارد IEEE شبكۀ مورد مطالعه در نظر گرفته شده و طرح‌هاي توسعۀ شبكه در دو حالت با و بدون حضور خودروهاي برقي با يكديگر مقايسه مي‌شوند. نتايج شبيه‌سازي نشان‌دهندۀ كارايي طرح پيشنهادي برنامه‌ريزي توسعۀ خودروهاي برقي در شبكۀ توزيع‌اند.

The use of the electric energy stored in batteries of electric vehicles connected to the grid (V2G) will play a significant role in the development of distribution systems in the future. Electric vehicles (EVs) are able to charge during base load hours and inject energy into the grid during peak hours. Besides, the grid-connected EVs increase the system reliability under the outages. In this paper, Particle Swarm Optimization (PSO) algorithm is employed to solve the multi-objective problem of development scheduling of electric vehicles in the distribution network. ε-constraint method is employed to solve the proposed multi-objective problem. Besides, a fuzzy decision making approach is employed to determine the most compromise solution among the Pareto solutions obtained by the solving the sub-problems generated by the ε-constraint method. Decision variables include the location, and charge and discharge capacity of the smart parking lots of the EVs. IEEE 54-bus distribution test system is employed as the studied test network. Operation costs of the distribution network are compared in both states of with or without EVs. The results demonstrate the effectiveness of the proposed method for EVs’ development scheduling in the distribution network.