توضیحات
Management and Coordination Charging of Smart Park and V2G Strategy Based on Monte Carlo Algorithm
قابلیت اطمینان شبکه توزیع در حضور خودروی برقی بوسیله مونت کارلو
به منظور بررسی عملکرد روش ارائه شده در مرجع ، سیستم 34 باسه IEEE در محیط نرم افزار MATLAB شبیه سازی شده و سناریوهای شارژ مدیریت نشده و V2G در آن بررسی شده است.
فهرست
1-4) مدلسازی PHEV و پارکینگ هوشمند 5
1-4-2) بار تجمیع شده شامل PHEVها 10
1-5) مدلسازی DGهای بادی و خورشیدی 10
1-8-1) پوشه unmanaged charging 20
شارژ وسایل نقلیه پلاگین برقی ترکیبی (PHEVS[1]) اثر نامطلوبی بر قابلیت اطمینان شبکه دارد، زیرا شارژ PHEVها مقدار زیادی انرژی الکتریکی نیاز دارد.
بررسیها نشان میدهد، شارژ مدیریت نشده PHEVها کفایت (adequacy) شبکه هوشمند را به خطر میاندازد.
در مقاله [1] یک روش جامع برای ارزیابی قابلیت اطمینان سیستم با در نظر گرفتن ماهیت تصادفی PHEVها، منابع تجدیدپذیر، در دسترس بودن تجهیزات و غیره ارائه شده است.
این روش، که متشکل از سناریوهای شارژ و V2G[2] (vehicle-to-grid) مدیریت شده است، عملاً در شبکه های هوشمند قابل اجرا است.
زیرا تکنولوژی مبدلهای الکترونیکی دو طرفه، قابلیت عبور دوطرفه توان الکتریکی از شبکه به خودروی برقی (حالت شارژ) و بالعکس (حالت خودروی برقی به شبکه یا V2G) را فرآهم نموده اند.
نتایج آنالیز حساسیت نشان میدهد با استفاده از سناریوهای مدیریت شده، نه تنها PHEVها قابلیت اطمینان سیستم را کاهش نمیدهند، بلکه در سناریو V2G به عنوان ذخیره ساز عملکرده و باعث بهبود شاخصهای کفایت (adequacy indices) و معیار رفاه (well-being criteria) شده اند.
در این گزارش، روش ارائه شده در مقاله [1] به طور کامل ارائه و بررسی خواهد شد.
جهت بررسی بهتر ایده ارائه شده در آن، الگوریتم پیشنهادی مقاله در محیط نرم افزار MATLAB پیاده سازی خواهد شد.
خودروهای برقی
وسایل نقلیه الکتریکی (EVs)، خودروهای برقی هیبریدی (HEVs)، و خودروهای برقی هیبرید پلاگین (PHEVs) به عنوان یکی از بهترین راهحلها جهت مقابله با آلودگی هوا، گرم شدن کره زمین و بحران انرژی هستند.
با ایجاد شبکههای هوشمند، زیر ساختهای فنی لازم جهت به کارگیری PHEVها، مانند نظارت گسترده، سیستمهای کنترل و حفاظت (WAMPAC[3])، فراهم شده است.
PHEVها به شبکههای برق متصل شده تا شارژ شوند، و بنابراین، مقدار زیادی انرژی الکتریکی برای شارژ باتریهای PHEVها مورد نیاز است.
تقاضای شارژ کنترل نشده PHEVها تأثیرات نامطلوبی بر شبکه های توزیع برق میگذارد.
برای محاسبه شاخصهای کفایت در حضور گسترده PHEVها، میزان توان و انرژی برق مورد انتظار که باید تأمین شود، میبایست مشخص باشد.
اخیراً، مطالعات صورت گرفته در زمینه بررسی اثرات PHEVها بر شبکه برق، رشد قابل ملاحظهای داشته است.
اثرات شارژ مدیریت نشده PHEVها بر تلفات شبکه، پروفیل ولتاژ و پیک (اوج) بار مطالعه شده است اما ارزیابی قابلیت اطمینان سیستمهای قدرت و شبکههای هوشمند در حضور گسترده PHEVها کمتر مورد توجه قرار گرفته است.
PHEVها میتوانند به عنوان سیستم ذخیره ساز عمل کنند، و شارژ آنها هنگام کمبود تولید توان بدون هیچ جریمهای متوقف شود و در زمانی که تولید کافی در دسترس باشد فرآیند شارژ تکمیل شود.
استراتژی V2G (تزریق توان از خودروی برقی به شبکه برق) نیز میتواند با استفاه از زیر ساختهای تبادل دو طرفه توان و اطلاعات، در شبکههای هوشمند پیادهسازی شود و امکان بازگشت انرژی از خودروی برقی به شبکه را امکان پذیر نماید.
در [1] روش جدیدی مبتنی بر شبیه سازی مونت کارلو (MCS) برای ارزیابی کفایت و قابلیت اطمینان شبکههای هوشمند در حضور گسترده PHEVها ارائه شده است.
ابتدا اثرات منفی شارژ ناهماهنگ PHEVها بر قابلیت اطمینان سیستم بررسی شده، سپس روش جدیدی برای مدیریت شارژ و V2G ارائه شده است.
با این حال، مصرف کننده (صاحب خودروی برقی) تمایل ندارد که در هنگام شارژ خودروی برقی خود با وقفه مواجهه شود و علاوه بر این، مدیریت ذکر شده جهت بهبود قابلیت اطمینان، طول عمر باتری خودروی برقی را کاهش میدهد.
بیان مسئله
اخیراً، اثرات شارژ هماهنگ نشده PHEVها بر شبکههای برق موجود و آینده، مانند تأثیر در واریانس بار، تلفات توان، و انحراف ولتاژ مورد توجه قرار گرفته است.
تقاضای بار تجمیع شده PHEVها میتواند اثرات نامطلوبی بر کفایت سیستم بگذارد.
بر خلاف شارژ کنترل نشده PHEVها، شارژ هماهنگ شده PHEVها هنگامی که در بستر شبکههای هوشمند برنامه ریزی شود، میتوان امکان تبادل دو طرفه توان بین خودروی برقی و شبکه را مهیا نماید و باعث بهبود عملکرد شبکه نیز شود.
مدلسازی PHEV و پارکینگ هوشمند
PHEV
به طور کلی مشخصات PHEVها به دو دسته تقسیم میشود:
1. مشخصات فنی خودروی برقی و
2. رفتار صاحبان خودروهای برقی.
بنابراین، وجود اطلاعات فنی خودروهای برقی همراه با مدلسازی رفتار تصادفی صاحبان خودروهای برقی، به منظور مطالعه دقیق اثرات PHEVها لازم است.
در اکثر مطالعات صورت گرفته در زمینه بررسی اثرات PHEVها بر شبکه برق، فرضیات ساده کنندهای در نظر گرفته شده است.
مرجع [2] یکی از محدود مطالعاتی است که یک مدل جامع از PHEV ارائه داده که ویژگیهای مختلف PHEV مانند درصد شارژ (SOC)، ظرفیت باتری، نوع PHEVها، و محدوده رانندگی در حالت الکتریکی را در نظر گرفته است.
از این رو مفروضات و مفاهیم مرجع [2] در مقاله [1] استفاده شده است.
برای شبیه سازی زمان ورود، زمان حرکت و مسافت رانندگی PHEVها، از متغیّرهای تصادفی مبتنی بر معکوس تابع تجمعی چگالی احتمال (CDFs) مانند رابطه (1) استفاده شده است.
تغییر پارامترهای مدل سازی PHEV که ناشی از تفاوتهای فصلی است نیز با در نظر گرفتن تغییرات بار در فصلهای مختلف سال در نظر گرفته شده است.
توزیع نرمال میتواند برای مدل سازی آماری زمان ورود به خانه در تعطیلات آخر هفته و فاصله رانندگی PHEVها در روزهای کاری و تعطیلات آخر هفته استفاده شود.
روند شبیه سازی زمان خروج PHEVها در روزهای کاری در معادله (2) نشان داده شده است.
برای مدل سازی دقیق رفتار صاحبان خودرو، در نظر گرفتن ویژگیهای فصلی هر فصل سال نیز مورد نیاز است.
برنامه شارژ یکی دیگر از ویژگیهای مهم مدل سازی PHEV است.
در [2] فرض شده است که شارژ خودرو در خانه امکان پذیر است و زمان شارژ PHEV همان زمان بازگشت خودرو از آخرین سفر به خانه است.
در [1] دو برنامه شارژ بررسی شده است:
1. شارژ در خانه و
2. شارژ در خانه و محل کار. بر این اساس، دو زمان شروع شارژ بررسی شده است:
1. زمانیکه خودروها بعد از آخرین سفر صبح به محل کار میرسند و
2. زمانیکه بعد از آخرین سفر عصر به خانه باز میگردند.
از آنجایی که رفتار صاحبان PHEV بر اساس توابع توزیع احتمال مناسبی شبیه سازی شده است، برنامه شارژ واقعی و دقیق خواهد بود.
بر اساس برنامه دوم شارژ معرفی شده، برنامه شارژ PHEVها در روزهای کاری با تعطیلات آخر هفته متفاوت است.
همانطور که در شکل 1 نشان داده شده است، CC(t,n) وضعیت اتصال n امین PHEV را در بخش زمانی t ام MCS در روزهای کاری نشان میدهد که اگر PHEV در خانه و یا محل کار پارک شده باشد مقدار این متغیّر برابر یک میشود.
با اتصال PHEVها به شبکه برق در بیشتر اوقات روز سناریو V2G در صورت نیاز میتواند انجام شود.
SOC میزان انرژی موجود در باتری PHEV را نشان میدهد و با رابطه 3 محاسبه میشود:
فوچارت مدل سازی PHEV در شکل 1 نشان داده شده است.
با استفاده از دو متغیّر بولین CC(t,n) و CC`(t,n) که اتصال PHEV به شبکه و قابلیت شارژ را نشان میدهند برنامهریزی شارژ در MCS اجرا شده است.
همانطوری که در رابطه 4 آمده است، PHEV ای که به شبکه متصل است و SOC آن کمتر از SOC بیشینه است، میتواند شارژ شود و در نتیجه عدد 1 به متغیّر بولین CC`(t,n) اختصاص داده میشود.
متغیّر بولین CC`(t,n) در پیاده سازی روش مدیریت پیشنهادی کاربردی و مفید است
بار تجمیع شده شامل PHEVها
علاوه بر مدل سازی شارژ PHEVها، پروفایل بار مشترکین معمولی شبکه برق نیز شبیه سازی شده است تا سمت تقاضا کامل شود.
از آنجایی که تغییرات بارهای معمولی کمتر از تغییرات پارامترهای احتمالاتی دیگر مانند تابش خورشید و سرعت باد است؛ از این رو، فرض ثابت بودن بارهای معمولی در طول بخش زمانی MCS یک فرض معقول است.
با اضافه کردن شارژ PHEV به عنوان یک بار نامشخص به بار شبکه، مدل سازی سمت تقاضا کامل میشود.
بر اساس این مدل، تقاضای بار (که شامل بار مورد نیاز جهت شارژ PHEVها نیز میباشد) مطابق رابطه (5) شبیه سازی میشود و در نتیجه SOC هر کدام از PHEVها با استفاده از رابطه (6) به روز رسانی میشود.
مدلسازی DGهای بادی و خورشیدی
به منظور ارزیابی شاخصهای کفایت، منابع سمت تولید مخصوصاً منابع تولید تجدیدپذیر مانند DGهای بادی و یا خورشیدی که توان تولیدی آنها ماهیتی تصادفی دارد، باید شبیهسازی شوند.
در شبکه هوشمند علاوه بر PHEVها منابع DG بادی و خورشیدی نیز حضور دارند.
برای شبیه سازی رفتار تصادفی سرعت باد از تابع توزیع احتمال ویبال (Weibull) استفاده شده است.
توان خروجی DG مبتنی بر باد (توربین بادی) با رابطه (7) الی (10) محاسبه میشود و نمودار آن در شکل 2 نشان داده شده است.
که در رابطه فوق A به صورت زیر تعریف میشود:
در مرجع [1] از رابطه (7) جهت محاسبه توان تولیدی توربین بادی استفاده شده است در صورتی که از رابطه ساده شده (11) نیز میتوان استفاده نمود.
علاوه بر DG مبتنی بر باد، برای شبیه سازی توان خروجی DGهای مبتنی بر تابش نور خورشید شاخص وضوح که در رابطه (12) تعریف شده، شبیه سازی شده است.
هنگامی که شاخص وضوح تعیین شود، توان تولیدی DG مبتنی بر نور خورشید متناسب با یک شدت تابش مشخص، دمای محیط و سایر عوامل و با استفاده از معادلات 13 الی 16 محاسبه خواهد شد.
همانطور که در فرمول بالا توضیح داده شد، قدرت خروجی سلول های خورشیدی یک تابع از تابش خورشیدی، ویژگی های ساخت و ضرایب درجه حرارت است.
با استفاده از روش معرفی شده، شبیه سازی احتمالاتی یک DG مبتنی بر نور خورشید امکان پذیر است.
مورد مطالعاتی
سیستم تست 34 باسه IEEE در شکل 3 نشان داده شده است.
5 عدد DG به این شبکه متصل شده است.
DG نوع اول یک دیزل ژنراتور است که ذارای ظرفیت 600 کیلووات است.
این نوع DG در باسهای 824، 836 و 838 نصب شدهاند. نوع دوم DG که در شبکه تست نصب شده است یک DG خورشیدی با ظرفیت 375 کیلو وات است که در باس 864 نصب شده است.
DG نوع سوم نیز توربین بادی 375 کیلو واتی میباشد که در باس 822 نصب شده است.
سرعت ورود توربین بادی برابر 4 متر بر ثانیه، سرعت نامی توربین بادی 12 متر بر ثانیه و سرعت خروج نیز 22 متر بر ثانیه در نظر گرفته شده است.
مشخصات فنی و اطلاعات PHEVها در جدول 1 آمده است.
ظرفیت باتری PHEVها بر مبنای ECPK[4] (انرژی مصرف شده در هر کیلومتر) و AER (حداکثر مسافت قابل پیمودن با خودروی برقی در حالت استفاده از انرژی باتری) تعیین میشود.
![ظرفیت باتری PHEVها بر مبنای ECPK[4]](https://www.matlabi.ir/wp-content/uploads/2016/10/word-image-34.png)
نتایج مورد مطالعاتی
ارزیابی قابلیت اطمینان سیستم در این بخش ارائه میشود.
نتایج نشان میدهد که چگونه شارژ مدیریت نشده PHEVها میتوان کفایت سیستم را به طور نامطلوبی تحت تأثیر قرار دهد.
موارد زیر جهت ارزیابی قابلیت اطمینان شبکه هوشمند در حضور گسترده PHEVها مورد مطالعه قرار گرفتهاند:
مورد 1: سیستم هیچ PHEV ای ندارد.
مورد 2: PHEVها در شبکه هستند اما شارژ آنها مدیریت نمیشود.
مورد 3: شارژ PHEVها مدیریت میشود.
مورد 4: هم شارژ مدیریت شده و هم سناریو V2G اعمال شده است.
مقایسه نتایج مورد 3 و 4 با مورد 2 نشان میدهد شارژ برنامهریزی شده نه تنها اثرات منفی کمتری نسبت به شارژ کنترل نشده دارد، بلکه باعث بهبود قابلیت اطمینان شبکه نیز میشود.
شارژ مدیریت نشده 93.42% قابلیت اطمینان را کاهش میدهد.
PHEVها در حالت V2G به عنوان سیستم ذخیره ساز عمل کرده و باعث بهبود 19.06 درصدی قابلیت اطمینان سیستم میشود.
نتایج نشان میدهد که شاخصهای قابلیت اطمینان در اثر شارژ مدیریت نشده PHEVها به طور قابل ملاحظهای تحت تأثیر قرار گرفته است.
از آنجایی که نفوذ PHEVها در شبکه هوشمند به طور قابل ملاحظهای افزایش یافته، اگر استراتژی مدیریت شارژ مناسبی اجرا نشود، قابلیت اطمینان شبکه به طور خطرناکی کاهش مییابد.
علاوه بر این، نتایج نشان میدهد شاخص LOEE (انرژی مورد انتظار تأمین نشده) حدود 2.42% در حالت شارژ مدیریت نشده و زمانیکه فقط شارژ خودروی برقی در خانه امکان پذیر باشد (در روزهای تعطیل)
کاهش یافته است. با استفاده از استراتژی شارژ مدیریت شده، مخصوصاً در حالت V2G، و هنگامی که برنامه ریزی شارژ در خانه یا محل کار اعمال شود، شاخص LOEE حدود 2.92% بهبود یافته است.
نتایج مقایسه موارد ذکر شده نشان میدهد که با اجرای روشهای مدیریت شارژ ارائه شده، خطرات PHEV برای قابلیت اطمینان شبکه را میتوان به فرصتی برای بهبود آن تبدیل کرد.
با استراتژی شارژ مدیریت شده در مورد 3، مشکلات ناشی از تقاضای بار شارژ PHEVها را میتوان کنترل کرد.
در استراتژی V2G ذکر شده در مورد 4، شاخص LOEE و EENS (انرژی مورد انتظار تأمین نشده) در مقایسه با مورد 1 (که هیچ PHEV ای در شبکه وجود ندارد) کاهش یافته است.
برای ارزیابی واضح کفایت شبکه هوشمند، آنالیز حساسیت پارامترهای مهم مانند سطح شارژ و نفوذ PHEVها در شاخص LOEE انجام شده است و نتایج آن در شکلهای 5 الی 7 رسم شده است.
این شکلها تغییرات شاخص LOEE را نسبت به تغییرات سطح شارژ و نفوذ PHEVها در موارد 2، 3 و 4 نشان میدهد.
در آنالیز حساسیت، LOEE برای ضرایب سطح شارژ (CLF) و ضرایب نفوذ PHEV (PPF) مشخص مورد بررسی قرار گرفته است.
ضرایب تنظیم (CLF و PPF) در مقادیر فعلی سطح شارژ و سطح نفوذ خودروهای برقی به ترتیب ضرب شده، سپس شاخصهای قابلیت اطمینان محاسبه شده است.
بنابراین بررسی اهمیت سطح شارژ و میزان نفوذ PHEVها بر پارامترهای قابلیت اطمینان امکان پذیر شده است.
آنالیز حساسیت LOEE در سناریو شارژ مدیریت نشده برای تغییرات PPF و CLF در شکل 5 آمده است.
همانطور که در شکل 5 نشان داده شده است، در سناریو شارژ مدیریت نشده PHEVها، با افزایش سطح نفوذ خودروهای برقی (افزایش PPF) و افزایش سطح شارژ خودروهای برقی (افزایش CLF) شاخص LOEE نیز افزایش مییابد.
قابلیت اطمینان سیستم با افزایش تعداد PHEVهایی که شارژ آنها مدیریت نشده باشد کاهش مییابد.
همچنین نتایج نشان میدهد پارامتر سطح شارژ، اثرات منفی شارژ مدیریت نشده PHEVها را بیشتر میکند.
بر مبنای نتایج آنالیز حساسیت، بدترین وضعیت قابلیت اطمینان شبکه در سناریو شارژ مدیریت نشده خودروهای برقی در سطح شارژ سریع و در نفوذ حداکثری خودروهای برقی رخ میدهد.
نتایج مورد 1 (سناریو شارژ مدیریت نشده خودروهای برقی) نشان میدهد که تغییر نفوذ PHEVها و سطح شارژ اثر مشابهی دارد.
در شبکه های برقی که امکان استفاده از تکنولوژیهای ارتباطاتی و اطلاعاتی پیشرفته وجود ندارد، برای بهبود قابلیت اطمینان سیستم میتوان سطح شارژ خودروهای برقی را کاهش داد.
در شکل 6 تغییرات LOEE بر حسب تغییرات وسیع CLF و PPF (بین 0 تا 2) نشان داده شده است.
بر اساس نتایج شکل 6، در سناریو شارژ مدیریت نشده، هنگامی که خودروهای برقی با حداکثر سطح شارژ، شارژ شوند، قابلیت اطمینان شبکه به شدت کاهش مییابد.
در شکل 7 نتیجه آنالیز حساسیت LOEE با توجه به تغییرات PPT و CLF در سناریو V2G نشان داده شده است.
با مقایسه نتایج نشان داده شده در شکل 6 و 7 برای شارژ مدیریت نشده و شارژ مدیریت شده، مزایای استفاده از سناریوهای شارژ مدیریت شده به وضوح قابل مشاهده است.
همانطور که در شکل 7 نشان داده شده است، با اجرای سناریو V2G در شبکه هوشمند، نه تنها افزایش میزان نفوذ خودروهای برقی و سطح شارژ آنها قابلیت اطمینان سیستم را کاهش نمیدهند، بلکه باعث بهبود آن نیز میشوند.
منحنی تقاضای بار و تولید در یک روز بحرانی در هر دو سناریو شارژ مدیریت نشده، و سناریو V2G با یکدیگر مقایسه شده است.
در وضعیت بحرانی دو ترانسفورماتور فیدر اصلی شبکه از مدار خارج شده اند.
در این وضعیت در حالت شارژ مدیریت نشده، نمودار بار و تولید در شکل 9 نشان داده شدهاند و نمودارهای بار و تولید شبکه 34 باسه IEEE در سناریو V2G در شکل 10 نشان داده شده اند:
شبیه سازی در MATLAB
به منظور بررسی عملکرد روش ارائه شده در مرجع [1]، سیستم 34 باسه IEEE در محیط نرم افزار MATLAB شبیه سازی شده و سناریوهای شارژ مدیریت نشده و V2G در آن بررسی شده است.
فایلهای شبیه سازی درون پوشه SIMULATION_OF_PAPER قرار دارند که در قالب دو پوشه به نام های unmanaged charging و V2G کدنویسی شدهاند:
پوشه unmanaged charging
این پوشه حاوی شبیه سازی مورد 1 (case 1) مقاله بیس کار هست.
در این حالت، قابلیت اطمینان شبکه در حالت شارژ مدیریت نشده PHEVها بررسی شده است. درون این پوشه فایلهای زیر وجود دارد:
برای اجرای شبیه سازی تنها کافی است تا ام فایل Main.m را با نرم افزار MATLAB باز و اجرا نمود.
فایل Main.m با استفاده از شبیه سازی مونت کارلو (MCS) وضعیت شبکه 34 باسه IEEE را در حالت شارژ مدیریت نشده بررسی میکند.
فایل ElectricVehicle.m شارژ و دشارژ خودروی الکتریکی را بررسی میکند.
فایل LoadFlow.m پخش بار شبکه 34 باسه IEEE را با روش پخش بار پسرو پیشرو محاسبه میکند.
Network_Analyzer.m توپولوژی شبکه را بررسی کرده و در کل برای محاسبه قابلیت اطمینان سیستم به کار میرود.
Reliability.m به کمک فایل Network_Analyzer.m شاخص قابلیت اطمینان شبکه توزیع را محاسبه میکند.
Solar_Power برای محاسبه توان تولیدی DGهای مبتنی بر نور خورشید یا همان سلولهای خورشیدی کاربرد دارد و Wind_Power.m نیز توان تولیدی توربین بادی (DG مبتنی بر باد) را محاسبه میکند.
اطلاعات بار شبکه در مدت 24 ساعت درون فایل Mat_Load_Senario1.mat قرار دارد و اطلاعات کامل شبکه 34 باسه IEEE نیز درون فایل اکسل Data_34.xlsx گنجانده شده است.
پس از اجرای شبیه سازی نتایج زیر دیده میشوند.
که به ترتیب مطابق شکلهای 5، 6 و 9 مقاله بیس کار هستند.
بررسی نتایج بدست آمده در شکلهای 5 و 6 نشان میدهد که با افزایش ضریب نفوذ خودروهای برقی در شبکه (PPT) و افزایش سطح شارژ PHEVها (CLF)، در سناریو شارژ مدیریت نشده، شاخص قابلیت اطمینان LOEE افزایش مییابد که به معنی کاهش قابلیت اطمینان شبکه است.
شکل فوق نیز وضعیت بار تولیدی و مصرفی شبکه را در سناریو 1 (شارژ مدیریت نشده) و در حالتی که دو ترانسفورماتور فیدر اصلی از مدار خارج شده اند، نشان میدهد.
پوشه V2G
این پوشه حاوی شبیه سازی سناریو V2G مقاله بیس کار هست.
درون این پوشه فایلهای زیر وجود دارد:
برای اجرای شبیه سازی تنها کافی است تا ام فایل Main.m را با نرم افزار MATLAB باز و اجرا نمود.
فایل Main.m با استفاده از شبیه سازی مونت کارلو (MCS) وضعیت شبکه 34 باسه IEEE را در سناریو V2G بررسی میکند.
فایل ElectricVehicle.m شارژ و دشارژ خودروی الکتریکی را بررسی میکند.
فایل LoadFlow.m پخش بار شبکه 34 باسه IEEE را با روش پخش بار پسرو پیشرو محاسبه میکند.
Network_Analyzer.m توپولوژی شبکه را بررسی کرده و در کل برای محاسبه قابلیت اطمینان سیستم به کار میرود.
Reliability.m به کمک فایل Network_Analyzer.m شاخص قابلیت اطمینان شبکه توزیع را محاسبه میکند.
Solar_Power برای محاسبه توان تولیدی DGهای مبتنی بر نور خورشید یا همان سلولهای خورشیدی کاربرد دارد و Wind_Power.m نیز توان تولیدی توربین بادی (DG مبتنی بر باد) را محاسبه میکند.
اطلاعات بار شبکه در مدت 24 ساعت درون فایل Mat_Load_Senario1.mat قرار دارد و اطلاعات کامل شبکه 34 باسه IEEE نیز درون فایل اکسل Data_34.xlsx گنجانده شده است.
پس از اجرای شبیه سازی نتایج زیر دیده میشوند. که به ترتیب مطابق شکلهای 7 و 10 مقاله بیس کار هستند.
بررسی شکل 7 نشان میدهد با افزایش ضریب نفوذ (PPT) و سطح شارژ (CLF) در سناریو V2G شاخص قابلیت اطمینان بهبود مییابد (LOEE کاهش مییابد).
شکل فوق نیز وضعیت بار تولیدی و مصرفی شبکه را در سناریو V2G و در حالتی که دو ترانسفورماتور فیدر اصلی از مدار خارج شده اند، نشان میدهد.
مراجع
[1] M. Aryanezhad, E. Ostadaghaee, and M. Joorabian, “Management and coordination charging of smart park and V2G strategy based on Monte Carlo algorithm,” in Smart Grid Conference (SGC), 2014, 2014, pp. 1-8.
[2] S. Shafiee, M. Fotuhi-Firuzabad, and M. Rastegar, “Investigating the impacts of plug-in hybrid electric vehicles on power distribution systems,” IEEE Transactions on Smart Grid, vol. 4, pp. 1351-1360, 2013.
- plug-in-hybrid-electric vehicles ↑
- V2G: خودرو به شبکه؛ حالتی است که خودروی برقی به شبکه برق متصل شده و انرژی ذخیره شده در باطریهای خود را به شبکه تزریق میکند. در این حالت خودروی برقی به شبکه برق میدهد در حالی که در حالت شارژ، شبکه به خودروی برقی برق میدهد. ↑
- wide area monitoring, and protection and control systems ↑
- energy consumption per kilometer ↑
کلید واژه :
PHEV, Management Charging, V2G, Reliability, Monte Carlo Algorithm
شبیه سازی مقاله
Management and Coordination Charging of Smart Park and V2G Strategy Based on Monte Carlo Algorithm
توسط کارشناسان سایت متلبی تهیه شده و به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
