برنامه ريزي شارژ و دشارژ خودروهاي الكتريكي در پاركينگ براساس بار پيش بيني شده در محيط حساس به قيمت شبكه هاي هوشمند

Smart charge and discharge planning of electric vehicles in the parking in a price-responsive smart grid environment based on forecasted load

استفاده از خودروهاي الكتريكي علاوه بر كاهش نگراني هاي زيست محيطي، مي تواند در كاهش پيك و پر كردن دره هاي مشخصه بار روزانه شبكه نقش به سزايي داشته باشد. به‌بيان ديگر در بستر شبكه‌هاي هوشمند، مي‌توان با برنامه‌ريزي فرآيند شارژ و دشارژ باتري‌ خودروهاي الكتريكي مشخصه بار شبكه را بهبود داد. در شبكه هاي هوشمند، مشتركان به صورت لحظه اي از بار و قيمت الكتريكي باخبر مي باشند و توانايي واكنش نسبت به قيمت ها را دارند. اين الگوي واكنش باعث تغييرات گسترده در منحني بار شبكه مي گردد. در اين مقاله مدلي چندمرحله اي با استفاده از شبكه عصبي و شبكه فازي-عصبي جهت پيش بيني بار الكتريكي روز آينده در محيط حساس به قيمت شبكه هاي هوشمند ارايه شده است. سپس براي تعيين مدل بار و توليد مجموعه خودروهاي الكتريكي براساس بار پيش بيني شده روز آينده با در نظر گرفتن استراتژي بهره برداري شارژ و دشارژ هوشمند، مدل احتمالاتي كاملي از اين خودروها در محدوده پاركينگ‌ها ارايه شده است. اين مدل احتمالاتي بر پايه يك روش تركيبي جديد شامل الگوريتم بهينه‌سازي رقابت استعماري و شبيه‌سازي مونت‌كارلوي‌ ترتيبي مي باشد. نهايتاً مدل پيشنهادي به داده هاي بار چهار روز نمونه از سال هاي 2014-2013 بازار برق استراليا منطقه NSW اعمال شده است و برنامه ريزي شارژ و دشارژ خودروهاي الكتريكي در پاركينگ براساس بار پيش بيني شده براي روز آينده تعيين گرديده است.

The use of electric vehicles, in addition to addressing the environmental concerns, can reduce the peak and fill the valley in the daily load characteristics of the network. In other words, in the context of smart grids, electric vehicles’ batteries can be charged and discharged based on a planning process to improve the load characteristics. With the emergence of smart grids and using advanced metering infrastructure (AMI), customers are instantaneously aware of prices, therefore it is expected that the demand-side customers change their consumption patterns according to the forecasted prices by interrupting, shifting or even locally generating the load. This response pattern is causing massive changes in the network’s load curve. In this article, a multistage model using neural networks and ANFIS is proposed to forecast the day-ahead load of price-responsive smart grid environments. Then, a complete probabilistic model of the car parking area is provided for smart charge and discharge planning of electric vehicles in the parking according to the forecasted load curve of next day. The probabilistic model is based on a new hybrid optimization algorithm consisting of sequential Monte Carlo simulation and Imperialist Competitive algorithm. Finally, the proposed model is applied to four sample daily data from the years 2013 and 2014 of the NSW electricity market in Australia and smart charge and discharge planning of electric vehicles in the parking in price responsive smart grid environment is determined.