مقاله انگلیسی شارژ باتری شبکه از وسایل نقلیه الکتریکی (2018 الزویر)

Electric vehicles (EVs) have been receiving considerable attentions worldwide as they are clean and green. However, the large-scale integration of EVs, without coordination, may bring negative impacts on power systems operation, such as lower voltage quality, larger power losses, and more harmonics [1]. Therefore, effective strategies should be developed to schedule the charging of EVs to mitigate the negative impacts and even benefit the grid [2]. In the literatures, studies about EV charging schedule are concentrated on distribution network. Up to now, only a few literatures discussed the charging issues of EVs from the transmission network viewpoint. Ref. [3] presented a bi-level model for coordinating the charging/discharging schedules of EVs. The upper-level model minimizes the system load variance to implement peak load shifting by dispatching each aggregator, and the lower one traces the dispatching scheme determined by the upper-level decision-maker by figuring out an appropriate charging/discharging schedules throughout a specific day. Ref. [4] proposed a multi-objective non-linear mixed integer optimization model for EV charging scheduling considering the uncertainties of photovoltaic and wind power in regional power grids. The fuzzy theory was used to change the multi-objective optimization model into a single-objective non-linear optimization problem. EV charging schedule problems are mostly formulated as optimization issues aiming at improving voltage profile [5–۷], flattening load profile [6–۱۰], reducing power losses [7–۱۱], offering ancillary services [12], minimizing the charging cost [13–۱۵], or increasing user satisfaction level [16,17]. Ref. [5] presented a decentralized optimization methodology to coordinate EV charging to facilitate the voltage control on a residential distribution feeder. Ref. [10] presented a methodology to optimize power system demand due to EV charging load, and it was demonstrated that EV charging load has significant potential to flatten the national demand profile in the U.K. Ref. [11] proposed an optimization model considering EV charging demand and voltage constraints to minimize the power losses of distribution systems. Ref. [12] presented a stochastic method for optimal coordination of charging and frequency regulation for an EV aggregator using the Least Square Monte-Carlo technique while modeling electricity price uncertainty. Ref. [15] proposed an intelligent method to control EV charging loads in response to time-of-use price in a regulated market. Ref. [16] proposed a new metric to represent the EV user satisfaction fairness to achieve a tradeoff between the user satisfaction fairness and the total charging cost of electricity. The existing EV charging scheduling methods did not take the N − ۱ security constraints into account. However, the secure operation of the system under N − ۱ contingency is an essential requirement [18].

وسایل نقلیه الکتریکی (EVs) در سراسر جهان با توجه به تمیز و سبز توجه زیادی می کنند. با این حال، ادغام گسترده در مقیاس EVS بدون هماهنگی، ممکن است اثرات منفی بر عملکرد سیستم های قدرت مانند کیفیت پایین ولتاژ، تلفات برق بزرگتر و هارمونیک های بیشتری داشته باشد. بنابراین، استراتژی های موثر باید برای برنامه ریزی شارژ EVs برای کاهش اثرات منفی و حتی سود بر روی شبکه [2] توسعه داده شود. در ادبیات، مطالعات در مورد برنامه شارژ EV در شبکه توزیع متمرکز شده است. تا کنون، فقط چند مقاله در مورد مسائل شارژ EVs از دیدگاه شبکه انتقال بحث شده است. مرجع. [3] یک مدل دو سطحی برای هماهنگ کردن برنامه های شارژ / تخلیه EVs ارائه کرد. مدل سطح بالاتری، واریانس بار سیستم را برای اعمال تغییرات حداکثر بار با اعزام هر سازنده به حداقل می رساند، و پایین تر، طرح تخلیه تعیین شده توسط تصمیم گیرنده سطح بالا را با در نظر گرفتن برنامه های شارژ / تخلیه مناسب در طول یک روز خاص، ردیابی می کند. . مرجع. [4] یک مدل بهینه سازی یکپارچگی چند منظوره غیر خطی برای برنامه ریزی شارژ EV را با توجه به عدم اطمینان انرژی فتوولتائیک و باد در شبکه های برق منطقه ای پیشنهاد کرد. تئوری فازی برای تغییر مدل بهینه سازی چند هدفه در یک مسئله بهینه سازی یکنواخت غیر خطی استفاده شد. مشکلات برنامه ریزی شارژر EV به طور عمده به عنوان مسائل بهینه سازی با هدف بهبود مشخصات ولتاژ [5-7]، مشخصات بارگذاری مسطح [6-10]، کاهش تلفات قدرت [7-11]، ارائه خدمات جانبی [12]، به حداقل رساندن هزینه شارژ [13-15] یا افزایش سطح رضایت کاربر [16،17]. مرجع. [5] یک روش بهینه سازی غیر متمرکز را برای هماهنگ کردن شارژ EV برای تسهیل کنترل ولتاژ در فیدر توزیع مسکونی ارائه کرد. مرجع. [10] ارائه یک روش برای بهینه سازی تقاضای نیروی برق به علت بار شارژ EV، و نشان داده شده است بار بار EV دارای پتانسیل قابل توجهی برای صاف کردن مشخصات تقاضای ملی در U.K. [11] یک مدل بهینه سازی را با توجه به محدودیت های تقاضای و ولتاژ شارژر برای کاهش تلفات قدرت سیستم های توزیع پیشنهاد داد. مرجع. [12] یک روش تصادفی برای هماهنگی مطلوب تنظیم شارژ و فرکانس برای جمع کننده EV با استفاده از روش مرسوم مربع مونت کارلو و مدل سازی عدم اطمینان قیمت برق ارائه کرد. مرجع. [15] یک روش هوشمند برای کنترل بارهای شارژ EV در پاسخ به زمان مصرف در یک بازار تنظیم شده است. مرجع. [16] یک معیار جدید برای نشان دادن عدالت رضایت کاربر EV برای دستیابی به منافع بین عدالت رضایت کاربر و کل هزینه شارژ برق ارائه داد. روشهای برنامه ریزی شارژ EV EV در حسابداری N-1 امنیت را در نظر نگرفتند. با این وجود، عملیات ایمن سیستم تحت شرایط احتمالی N-1 یک الزام ضروری است [18].

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)