جايابي و تعيين ظرفيت بهينه منابع انرژي تجديدپذير و ايستگاه شارژ خودروي برقي به صورت هم زمان با استفاده از الگوريتم بهينه‌سازي GA-PSO

Optimal Sitting and Sizing of Renewable Energy Sources and Charging Stations Simultaneously Based on Improved GA-PSO Algorithm

نفوذ منابع انرژي تجديدپذير (RES) و خودروهاي برقي به شبكه به دليل ماهيت تصادفي‌بودنشان مي‌تواند تأثيرات منفي بر عملكرد شبكه مثل كاهش كيفيت توان و افزايش تلفات داشته باشد. اين چالش‌ها مي‌بايست با برنامه‌ريزي دقيق بر مبناي تغييرات خروجي اين منابع براي تأمين تقاضاي اضافي ناشي از شارژ خودروها به حداقل برسد. به اين منظور در اين مقاله روشي جديد براي جايابي و تعيين ظرفيت هم‌زمان منابع تجديدپذير و ايستگاه شارژ خودروهاي برقي و مديريت پروسه شارژ خودروها در شبكه ارائه شده است. تابعي چند‌ هدفه در جهت كاهش تلفات توان، نوسانات ولتاژ، هزينه تأمين انرژي و هزينه‌ تعمير و نگهداري باتري خودرو معرفي شده كه در آن يافتن مكان و ظرفيت منابع تجديدپذير و ايستگاه شارژ خودروي برقي به عنوان متغيرهاي هدف انجام مي‌گيرد. ضرايبي وابسته به سرعت باد، تابش خورشيد و نسبت تقاضاي پيك سيستم براي بهبود ضريب بار شبكه و مديريت الگوي شارژ خودروها در ساعات پيك و غير پيك معرفي شده است. الگوريتم بهينه‌سازي تركيبي GA-PSO بهبوديافته براي حل مسئله بهينه‌سازي در چهار سناريو مختلف استفاده شده و عملكرد روش مذكور با شبيه‌سازي بر روي شبكه تست IEEE 33باسه در نرم‌افزار Matlab بررسي شده است.

Due to the stochastic nature of renewable energy sources (RES) and electric vehicles (EV) load demand, large scale penetration of these resources in the power systems can stress the reliable network performance, such as reducing power quality, increasing power losses, and voltage deviations. These challenges must be minimized by optimal planning based on the variable output from RES to meet the additional demand caused by EV charging. In this paper, a novel method for optimal locating and sizing of RES and EV charging stations simultaneously and managing vehicle charging process is provided. A multi-objective optimization problem is formulated to obtain objective variables in order to reduce power losses, voltage fluctuations, charging and demand supplying costs, and EV battery cost. In this optimization problem, the location and capacity of RES and EV charging stations are the objective variables. Coefficients which are dependent on wind speed, solar radiation, and hourly peak demand ratio for the management of the EV charging pattern in low load hours are introduced. GA-PSO hybrid improved optimization algorithm is used to solve the optimization problem in five different scenarios. The performance of the proposed method on IEEE 33-bus system has been investigated to validate the effectiveness of the novel GA-PSO method to optimal sitting and sizing of RES and EV charging stations simultaneously