مقایسه و بررسی عملکرد انواع شبکه های عصبی جهت برنامه ریزی مسایل مربوط به مدیریت بهینه شارژ و دشارژ خودروهای الکتریکی در شبکه های برق هوشمند

استفاده از خودروهای الکتریکی علاوه بر کاهش نگرانیهای زیست محیطی، میتواند در کاهش پیک و پر کردن درههای مشخصه بار روزانه شبکه نقش به سزایی داشته باشد. به بیان دیگر در بستر شبکه های هوشمند، میتوان با برنامه ریزی فرآیند شارژ و دشارژ باتری خودروهای الکتریکی را بهبود داد . در این تحقیق مسیله مدیریت شارژ و دشارژ خودروهای الکتریکی با استفاده انواع مدل های عصبی مورد ارزیابی قرار گرفته تا با ارزیابی و بررسی تاثیر نرخ رشد سطح نفوذ خودروهای الکتریکی از نوع هیبریدی قابل اتصال به شبکه توزیع، نتایج پاسخ مدیریت شارژ و دشارژ مدل ارایه شده مورد بررسی قرار بگیرد. نتایج نشان میدهد، که به علت افزایش سطح نفوذ این خودروها مقدار پاسخ مدیریت شارژ و دشارژ افزایش می یابد. همچنین در این تحقیق، انواع روش های شبکه عصبی الف) روش شبکه عصبی با استفاده از آموزش پرسپترون چندلایه (MLP)، ب) روش شبکه عصبی با استفاده از آموزش جردن (RNN)، ج روش شبکه عصبی با استفاده از آموزش (RBF) براساس پارامترهایی نظیر کاهش خطای آموزش، مقدار کاهش خطای تست شبکه، مدت زمان اجرا و تعداد تکرار برای هر یک مورد بررسی و ارزیابی قرار گرفته شد. نتایج نهایی نشان دهنده این موضوع است که خودروهای الکتریکی میتوانند به عنوان نیروگاه های تولید پراکنده استفاده شوند همچنین برای تنظیم فرکانس وتنظیم ولتاژ شبکه و تامین پیک بار می توانند مفید واقع شوند. همین امر سبب می شود که پیک بار و هزینه های مربوط به شکبه کاهش پیدا کند که در نهایت به پایداری شبکه بیشتر کمک می کند. درنهایت، پاسخ مدیریت شارژ و دشارژ بیان کننده این امر است که مدل های ارایه شده برپایه شبکه هوشمند توانایی مدیریت شارژ و دشارژ خودروهای الکتریکی را دارند و در بین مدل ها مقدار کاهش خطا آموزش و تست برای دو روش RNN,MLP بسیار مطلوب می باشد.

Keywords:

شبکه برق هوشمند , مدیریت بهینه شارژ و دشارژ , شبکه های عصبی , خودروهای الکتریکی