الگوريتمي تركيبي بر پايه روش‌هاي هوش محاسباتي جهت مديريت مصرف برق خانگي با حضور خودروي برقي

A Hybrid Algorithm based on Computational Intelligence Methods for House Energy Management in Presence of Electric Vehicle

در اين مقاله با استفاده از يك الگوريتم تركيبي هوشمند روشي براي مديريت مصرف برق خانگي مناسب جهت پياده‌سازي در بستر شبكه برق هوشمند برق مطرح گرديده است. هدف اصلي اين مقاله ارائه روشي جهت مديريت مصرف برق بخش خانگي با حضور خودروي برقي مي‌باشد. براي رسيدن به اين هدف در گام اول، يك مدل براي مديريت مصرف برق وسايل خانگي با هدف حداقل‌سازي هزينه خانوار و با در نظر گرفتن پارامتر رفاه ارائه گرديده است. در گام دوم به مدل‌سازي برنامه پاسخ‌گويي بار اضطراري (EDRP) و بررسي امكان تبادل انرژي بين خودروي برقي و شبكه برق تحت اين برنامه پرداخته شده است. در گام سوم، مساله برنامه‌ريزي شارژ خودروي برقي در برنامه مديريت مصرف برق به‌صورت تطبيقي و احتمالاتي بررسي شده است. شبيه‌سازي‌هاي انجام شده با سناريوي مشخص نشان‌دهنده كاهش 60.96 درصدي مصرف انرژي در مديريت مصرف برق وسايل خانگي و نيز زمان‌بندي بهينه شارژ خودروي الكتريكي مي‌باشد. همچنين در قسمت پاسخ‌گويي بار اضطراري در مقايسه دو سناريوي متفاوت مقدار 66.77% هزينه مشتري و پيك بار مقدار 1 كيلووات به ازاي هر خانه كاهش يافته است.

This paper has proposed an energy management system for domestic house applications considering electric vehicle. The first step is linked to optimal and adaptive scheduling of appliances and is defined as a multi objective function model with some fuzzy coefficient and owner comfort factors. The important aspect of this tool is to help customers respond to real time electricity price. In the second step, emergency demand response program (EDRP) modeling and the possibility of energy exchange has been investigated. In the third step, the electric vehicle charging planning has been investigated as adaptive and uncertainty. In energy management part, specific scenarios is simulated which reflect 60.96% of energy consumption reduction and the optimal scheduling of electric vehicle charging too. In the emergency demand response part two specific scenarios are simulated which reflect 66.77% of energy consumption reduction and peak shaving of 1 kW per house.