Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tích hợp EVCS tối ưu trên cơ sở trí tuệ nhân tạo với các hệ thống quang điện PV phân bố ngẫu nhiên trong một hệ thống lưới phân phối radial phân vùng
Tóm tắt
Sự quan tâm ngày càng tăng đối với xe điện (EV) trong vận tải đã dẫn đến việc tăng cường sản xuất và sự hỗ trợ từ chính phủ thông qua các chính sách, vì chúng mang lại những lợi ích môi trường như giảm ô nhiễm không khí và khí thải carbon so với các phương tiện sử dụng động cơ đốt trong truyền thống. Sự chuyển hướng này sang công nghệ EV phù hợp với mục tiêu bảo vệ môi trường tự nhiên. Để tận dụng tối đa EV, việc quản lý hiệu quả lưới điện là rất quan trọng, đặc biệt là trong các hệ thống lưới phân phối radial (RDNS) vì chúng đặt ra áp lực và sự sai lệch của các tham số hệ thống điện so với bình thường. Nghiên cứu này đề xuất một chiến lược mới nhằm tối đa hóa việc sử dụng EV thông qua các trạm sạc EV (EVCS) trong một RDNS, xem xét các yếu tố như mức biến thiên điện áp tải, tổn thất dòng điện và sự hiện diện của các hệ thống quang điện phân tán tại các trung tâm tải. Nghiên cứu bắt đầu bằng việc phân đoạn RDNS thành các vùng, sau đó áp dụng phương pháp thuật toán di truyền (GA) dựa trên trí tuệ nhân tạo kết hợp với tối ưu bầy đàn (PSO) được gọi là hybrid GA–PSO. Phương pháp này xác định các vị trí tối ưu cho các trạm sạc EVCS tích hợp với quang điện trong mạng. Tiếp theo, việc sử dụng các thuật toán GA và PSO riêng lẻ để tối ưu hóa vị trí đặt trạm sạc EVCS tập trung vào việc giảm thiểu tổn thất điện và nâng cao điện áp. Hiệu quả của thuật toán hybrid GA–PSO được so sánh với các phương pháp GA và PSO riêng biệt. Các mô phỏng mở rộng sử dụng nguồn thử nghiệm IEEE 33-node xác nhận các kỹ thuật được đề xuất, cho thấy sự hữu ích của thuật toán hybrid GA–PSO trong việc xác định vị trí tối ưu cho EVCS trong từng vùng. Kết quả cũng làm nổi bật các lợi ích và tính mới lạ của hybrid GA–PSO trong việc đạt được vị trí tối ưu cho EVCS với kích thước và phân bố ngẫu nhiên của quang điện trong một RDNS.
Từ khóa
#xe điện #trạm sạc EV #thuật toán di truyền #tối ưu bầy đàn #hệ thống quang điện phân tán #lưới phân phối radialTài liệu tham khảo
Fuinhas JA, Koengkan M, Leitão NC, Nwani C, Uzuner G, Dehdar F, Relva S, Peyerl D (2021) Effect of battery electric vehicles on greenhouse gas emissions in 29 European Union countries. Sustainability 13:13611
Yong JY, Ramachandaramurthy VK, Tan KM, Mithulananthan N (2015) A review on the state-of-the-art technologies of the electric vehicle, its impacts and prospects. Renew Sustain Energy Rev 49:365–385
Li Z, Khajepour A, Song J (2019) A comprehensive review of the key technologies for pure electric vehicles. Energy 182:824–883
Rubino L, Capasso C, Veneri O (2017) Review on plug-in electric vehicle charging architectures integrated with distributed energy sources for sustainable mobility. Appl Energy 207:438–464
Du J, Liu Y, Mo X, Li Y, Li J, Wu X, Ouyang M (2019) Impact of high-power charging on the durability and safety of lithium batteries used in long-range battery electric vehicles. Appl Energy 255:113793
Lulhe AM, Date TN (2015) A technology review paper for drives used in the electrical vehicle (EV) & hybrid electrical vehicles (HEV). In: Proceedings of the 2015 international conference on control, instrumentation, communication and computational technologies (ICCICCT), Kumaracoil, India, 18–19 December
Clement-Nyns K, Haesen E, Driesen J (2010) The impact of charging plug-in hybrid electric vehicles on a residential distribution grid. IEEE Trans Power Syst 25:371–380
Qazi HW, Flynn D, Rather ZH (2016) Impact of electric vehicle load response variation on frequency stability. In: 2016 IEEE PES innovative smart grid technologies conference Europe (ISGTEurope)
Kim M, Kim J, Bae S (2016) Design of a sustainable and efficient transportation station (SETS) based on renewable sources and efficient electric drives. Symmetry 8:146
Kijewska A, Bluszcz A (2016) Analysis of greenhouse gas emissions in the European Union member states with the use of an agglomeration algorithm. J Sustain Min 15:133–142
Ahmadi L, Croiset E, Elkamel A, Douglas P, Unbangluang W, Entchev E (2012) Impact of PHEVs penetration on Ontario’s electricity grid and environmental considerations. Energies 5:5019
Sadhukhan A, Sivasubramani S, Ahmad MS (2019) Optimal placement of electric vehicle charging stations in a distribution network. In: 8th international conference on power systems (ICPS). IEEE
Mohan B, Ramesh MV (2012) Optimal DG placement under Standard Market Design using GA. In: Proceedings of the 2012 international conference on emerging trends in electrical engineering and energy management (ICETEEEM), Tamil Nadu, India, 13–15 December
Rene EA, Fokui WST (2023) A quantum particle swarm optimization-based optimal LQR-PID controller for load frequency control of an isolated power system. J Eng Appl Sci 70:97
El-Zonkoly A (2011) Optimal placement of multi-distributed generation units including different load models using particle swarm optimization. Swarm Evol Comput 1:50–59
Fokui WST, Saulo MJ, Ngoo L (2021) Optimal placement of electric vehicle charging stations in a distribution network with randomly distributed rooftop photovoltaic systems. IEEE Access 9:132397–132411
Rene EA, Fokui WST, Kouonchie PKN (2023) Optimal allocation of plug-in electric vehicle charging stations in the distribution network with distributed generation. Green Energy Intell Transp 2:100094
Babu PVK, Swarnasri K, Vijetha P (2018) A three phase unbalanced power flow method for secondary distribution system. Adv Model Anal B 61:139–144
Kashem MA, Ganapathy V, Jasmon GB, Buhari MI (2000) A novel method for loss minimization in distribution networks. In: Proceedings of the international conference on electric utility deregulation and restructuring and power technologies, London, UK, pp 251–256, 4–7 April
Mohanty AK, Babu PS, Salkuti SR (2022) Fuzzy-based simultaneous optimal placement of electric vehicle charging stations, distributed generators, and DSTATCOM in a distribution system. Energies 15:8702
Pande S, Ghodekar JG (2012) Computation of technical power loss of feeders and transformers in distribution system using load factor and load loss factor. Int J Multidiscip Sci Eng 3:22–25
Yenchamchalit K, Kongjeen Y, Prabpal P, Bhumkittipich K (2021) Optimal placement of distributed photovoltaic systems and electric vehicle charging stations using metaheuristic optimization techniques. Symmetry 13:2378
Arumugam MS, Rao MVC (2008) On the improved performances of the particle swarm optimization algorithms with adaptive parameters, cross-over operators and root mean square (RMS) variants for computing optimal control of a class of hybrid systems. Appl Soft Comput 8:324–336
Kachitvichyanukul V (2008) Recent advances in adaptive particle swarm optimization algorithms. In: 대한산업공학회 추계학술대회 논문집
Goldberg DE (1989) Genetic algorithms in search, optimization and machine learning. Addison-Wesley, Reading
Suyanto A (2005) Algoritma Genetika dalam MATLAB. Andi, Yogyakarta
Shelokar PS, Siarry P, Jayaraman VK, Kulkarni BD (2007) Particle swarm and ant colony algorithms hybridized for improved continuous optimization. Appl Math Comput 188:129–142
Kao Y-T, Zahara E (2008) A hybrid genetic algorithm and particle swarm optimization for multimodal functions. Appl Soft Comput 8:849–857
Voratas K (2012) Comparison of three evolutionary algorithms: GA, PSO, and DE. Ind Eng Manag Syst 11:215–223
Hook JV, Sahin F, Arnavut Z (2008) Application of particle swarm optimization for traveling salesman problem to lossless compression of color palette images. In: IEEE international conference on system of systems engineering, Monterey, CA, USA, 02–04 June
Zhang Y, Gong DW, Cheng J (2017) Multi-objective particle swarm optimization approach for cost-based feature selection in classification. IEEE/ACM Trans Comput Biol Bioinform 14:64–75
Turney PD (1995) Cost-sensitive classification: empirical evaluation of a hybrid genetic decision tree induction algorithm. J Artif Intell Res 2:41
Min F, Hu Q, Zhu W (2014) Feature selection with test cost constraint. Int J Approx Reason 55:167–179
Haralick RM, Shanmugam K, Dinstein I (1973) Textural features for image classification. IEEE Trans Syst Man Cybern SMC-3:610–662