DOI: https://doi.org/10.1038/s41598-025-88758-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39929960
تاريخ النشر: 2025-02-10
المؤلف: Isha Chandra وآخرون
الموضوع الرئيسي: المركبات الكهربائية والبنية التحتية
نظرة عامة
تقدم ورقة البحث تقنية جديدة تعتمد على تحسين سرب تنافسي قائم على المعارضة (OCSO) تهدف إلى تحسين جدولة الشحن/التفريغ للمركبات الكهربائية (EVs) في محطات الشحن التي تعمل بالطاقة الشمسية ضمن نظام توزيع IEEE 33-bus. تقيم الدراسة خمس محطات شحن شمسية تقع بشكل استراتيجي تحت ثلاثة أوضاع شحن: الشحن العادي، الشحن الذكي من الشبكة إلى المركبة (G2V)، والشحن الذكي من المركبة إلى الشبكة (V2G). تشير النتائج الرئيسية إلى أن تنفيذ أوضاع G2V و V2G الذكية يقلل من إجمالي خسائر الطاقة بنسبة 13.7% و 21.6% على التوالي، مقارنة بالشحن العادي. بالإضافة إلى ذلك، يتم تقليل عامل الشيخوخة التراكمي لمحولات التوزيع تحت الشحن الذكي V2G بنسبة 11.86%، مما يشير إلى عمر افتراضي أطول لهذه المكونات.
يعمل خوارزم OCSO على تقليل تكاليف شحن المركبات الكهربائية بشكل فعال من خلال تحسين جداول الشحن بناءً على أوقات وصول ومغادرة المركبات الكهربائية، بالإضافة إلى مسافات السفر. قبل التحسين، كانت المركبات الكهربائية تميل إلى الشحن خلال فترات التعريفات العالية، ولكن بعد التحسين، يتم تحويل الشحن إلى فترات التعريفات المنخفضة، مما يعزز كفاءة التكلفة وأداء الشبكة. تسلط الورقة الضوء على أهمية دمج محطات شحن المركبات الكهربائية التي تعمل بالطاقة الشمسية في شبكات توزيع الطاقة، مع معالجة تحديات إدارة الطاقة بينما تظهر فوائد تقنية واقتصادية كبيرة. تشمل اتجاهات البحث المستقبلية نمذجة استجابة الطلب ودراسات الموثوقية، بالإضافة إلى معالجة قيود طريقة OCSO، لا سيما فيما يتعلق بالحفاظ على التنوع أثناء التحسين.
طرق
تعتبر المنهجية المقترحة، التي تُسمى تحسين سرب تنافسي قائم على المعارضة (OCSO)، تقدمًا لتقنية تحسين السرب التنافسي (CSO)، والتي تستند بدورها إلى تحسين السرب الجزيئي (PSO). بينما يستخدم PSO بيانات تاريخية من كل من الجزيئات الأفضل عالميًا ومحليًا لتوجيه التحسين، مما يؤدي إلى مشاكل محتملة في الذاكرة وتقارب مبكر، يبتكر OCSO من خلال الاعتماد فقط على المنافسة الثنائية ضمن الجيل الحالي. تلغي هذه الطريقة الحاجة إلى تخزين ذاكرة واسعة، حيث يتم اتخاذ القرارات بناءً على مقارنات مباشرة للملاءمة بين مجموعات مختارة عشوائيًا. تتقدم الجزيئات الفائزة إلى الجيل التالي، بينما تقوم الجزيئات الخاسرة بتحديث سرعتها وموقعها وفقًا للمعادلات:
\[
V_{kj}(x + 1) = A_1(j, x)V_{kj}(x) + A_2(j, x)(X_{w,j}(x) – X_{k,j}(x)) + \phi A_3(j, x)(X_j(x) – X_{k,j}(x))
\]
\[
X_{kj}(x + 1) = X_{kj}(x) + V_{kj}(x + 1)
\]
حيث تمثل \(V_{kj}\) و \(X_{kj}\) سرعة وموقع الجزيئات، على التوالي، و\(A_1\)، \(A_2\)، و \(A_3\) هي معاملات عشوائية. يعمل المعامل \(\phi\) كعامل اجتماعي يؤثر على ديناميات فضاء البحث.
يعزز OCSO قدرات الاستكشاف للسرب بينما يحقق معدل تقارب أسرع من خلال تحديث ربع السكان فقط. تبسط هذه الطريقة آلية التحديث، معتمدة على التقييمات المقارنة بدلاً من العمليات التكرارية، مما يقلل من التعقيد الحسابي ومتطلبات الذاكرة. يتم الحفاظ على البحث المنهجي في فضاء الحلول، مما يضمن أداء تحسين قوي، كما هو موضح في الأشكال المرفقة.
النتائج
تستعرض نتائج هذه الدراسة ثلاثة سيناريوهات شحن متميزة للمركبات الكهربائية (EVs): الشحن العادي، الشحن الذكي G2V (من الشبكة إلى المركبة)، والشحن الذكي V2G (من المركبة إلى الشبكة). تم توصيل ما مجموعه 100 مركبة كهربائية عبر خمسة مواقع حافلات (8، 15، 21، 23، و30)، كل منها مزود بنظام ضوئي (PV) مصنف بقدرة توليد قصوى تبلغ 20 كيلو واط ذروة. تكشف التحليلات أن إجمالي الطاقة الناتجة من أنظمة الطاقة الشمسية يصل إلى ذروته بين الساعة 12:00 ظهرًا و 5:00 مساءً، مما يتوافق مع فترات الإشعاع الشمسي العالي.
بالإضافة إلى ذلك، تتضمن الدراسة هيكل تعريفة زمن الاستخدام، والذي يتم تقسيمه إلى ثلاثة مستويات تسعير. التعريفة الأعلى، المحددة عند €0.2960/kWh، سارية من الساعة 6 صباحًا حتى 4 مساءً؛ وتعريفة متوسطة قدرها €0.2913/kWh سارية من 4 مساءً حتى 9 مساءً؛ وتعريفة أقل قدرها €0.2509/kWh سارية خلال الليل من 9 مساءً حتى 6 صباحًا. تسلط هذه النتائج الضوء على إمكانية تحسين استراتيجيات شحن المركبات الكهربائية بناءً على أنماط توليد الطاقة الشمسية والتسعير الديناميكي، مما يعزز الجدوى الاقتصادية لدمج المركبات الكهربائية في شبكة الطاقة.
المناقشة
تقيم البحث منهجية لتحسين شحن المركبات الكهربائية (EV) باستخدام مغذي اختبار IEEE 33-bus، مع التركيز على دمج محطات شحن المركبات الكهربائية التي تعمل بالطاقة الشمسية (EVCS). تستخدم الدراسة تحليل تدفق الحمل باستخدام طريقة السحب الأمامي والخلفي، كاشفة عن خسارة طاقة أولية قدرها 202.67 كيلو واط بدون EVCS. تتضمن المنهجية عدم اليقين في أنماط سفر المركبات الكهربائية من خلال توليد بيانات إحصائية، ونمذجة حالة الشحن (SOC) للمركبات الكهربائية خلال مراحل الشحن والتفريغ. يتم أيضًا تحليل تأثير شيخوخة المحولات بسبب تقلبات درجة الحرارة، مما يبرز أهمية إدارة درجة حرارة النقطة الأكثر سخونة (HST) لتمديد عمر المحول.
تهدف دالة الهدف إلى تقليل إجمالي تكاليف الشحن والتفريغ، بما في ذلك تدهور البطارية، مع الالتزام بمختلف القيود التشغيلية. تستخدم عملية التحسين تقنية OCSO، مما يظهر كفاءة في تقليل التكاليف مقارنة بالطرق التقليدية. تشير النتائج إلى أن استراتيجيات الشحن الذكي، لا سيما الشحن الذكي V2G، تقلل بشكل كبير من تكاليف الطاقة وتحسن استقرار الجهد في شبكة التوزيع، بينما تخفف أيضًا من إجهاد المحولات الحراري. تؤكد النتائج على فعالية شحن المركبات الكهربائية المنسقة في تعزيز أداء الشبكة وكفاءة التشغيل، مما يبرز إمكانية دمج مصادر الطاقة المتجددة في بنية شحن المركبات الكهربائية.
DOI: https://doi.org/10.1038/s41598-025-88758-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39929960
Publication Date: 2025-02-10
Author(s): Isha Chandra et al.
Primary Topic: Electric Vehicles and Infrastructure
Overview
The research paper presents a novel Opposition-based Competitive Swarm Optimization (OCSO) technique aimed at optimizing the charge/discharge scheduling of electric vehicles (EVs) at solar-powered charging stations within the IEEE 33-bus distribution system. The study evaluates five strategically located solar charging stations under three charging modes: dumb charging, smart grid-to-vehicle (G2V) charging, and smart vehicle-to-grid (V2G) charging. Key findings indicate that the implementation of smart G2V and V2G modes reduces total power losses by 13.7% and 21.6%, respectively, compared to dumb charging. Additionally, the cumulative aging factor of distribution transformers under smart V2G charging is reduced by 11.86%, suggesting an extended lifespan for these components.
The OCSO algorithm effectively minimizes EV charging costs by optimizing charging schedules based on EV arrival and departure times, as well as travel distances. Prior to optimization, EVs tended to charge during high-tariff periods, but post-optimization, charging is shifted to low-tariff periods, enhancing both cost efficiency and grid performance. The paper highlights the importance of integrating solar-powered EV charging stations into power distribution networks, addressing energy management challenges while demonstrating significant technical and economic benefits. Future research directions include demand response modeling and reliability studies, as well as addressing the limitations of the OCSO method, particularly concerning diversity maintenance during optimization.
Methods
The proposed methodology, termed Opposition-based Competitive Swarm Optimization (OCSO), is an advancement of the Competitive Swarm Optimization (CSO) technique, which itself is rooted in Particle Swarm Optimization (PSO). While PSO utilizes historical data from both global and local best particles to guide optimization, leading to potential memory issues and premature convergence, OCSO innovates by relying solely on pairwise competition within the current generation. This approach eliminates the need for extensive memory storage, as decisions are made based on direct comparisons of fitness between randomly selected populations. The winning particles advance to the next generation, while the losing particles update their velocity and position according to the equations:
\[
V_{kj}(x + 1) = A_1(j, x)V_{kj}(x) + A_2(j, x)(X_{w,j}(x) – X_{k,j}(x)) + \phi A_3(j, x)(X_j(x) – X_{k,j}(x))
\]
\[
X_{kj}(x + 1) = X_{kj}(x) + V_{kj}(x + 1)
\]
where \(V_{kj}\) and \(X_{kj}\) represent the velocity and position of the particles, respectively, and \(A_1\), \(A_2\), and \(A_3\) are random coefficients. The parameter \(\phi\) serves as a social factor that influences the search space dynamics.
OCSO enhances the exploration capabilities of the swarm while achieving a faster convergence rate by updating only one-fourth of the population. This method simplifies the update mechanism, relying on comparative evaluations rather than iterative processes, thereby reducing computational complexity and memory requirements. The systematic search of the solution space is maintained, ensuring robust optimization performance, as illustrated in the accompanying figures.
Results
The results of this study examine three distinct charging scenarios for electric vehicles (EVs): dumb charging, smart G2V (Grid-to-Vehicle), and smart V2G (Vehicle-to-Grid) charging. A total of 100 EVs were connected across five bus locations (8, 15, 21, 23, and 30), each equipped with a photovoltaic (PV) array rated at a maximum generation capacity of 20 kWp. The analysis reveals that the combined power output from the PV systems peaks between 12:00 PM and 5:00 PM, correlating with periods of high solar irradiance.
Additionally, the study incorporates a time-of-use tariff structure, which is segmented into three pricing levels. The higher tariff, set at €0.2960/kWh, is applicable from 6 AM to 4 PM; a medium tariff of €0.2913/kWh is in effect from 4 PM to 9 PM; and a lower tariff of €0.2509/kWh applies during the night from 9 PM to 6 AM. These findings highlight the potential for optimizing EV charging strategies based on solar generation patterns and dynamic pricing, thereby enhancing the economic viability of EV integration into the energy grid.
Discussion
The research evaluates a methodology for optimizing electric vehicle (EV) charging using the IEEE 33-bus test feeder, focusing on the integration of solar-powered EV charging stations (EVCS). The study employs a load flow analysis using the backwards-forward sweep method, revealing an initial power loss of 202.67 kW without EVCS. The methodology incorporates uncertainties in EV travel patterns through statistical data generation, modeling the state of charge (SOC) of EVs during charging and discharging phases. The impact of transformer ageing due to temperature variations is also analyzed, emphasizing the importance of managing the hottest-spot temperature (HST) to prolong transformer lifespan.
The objective function aims to minimize the total charging and discharging costs, including battery degradation, while adhering to various operational constraints. The optimization process utilizes the OCSO technique, demonstrating efficiency in reducing costs compared to traditional methods. Results indicate that smart charging strategies, particularly smart V2G, significantly lower energy costs and improve voltage stability in the distribution network, while also mitigating transformer thermal stress. The findings underscore the effectiveness of coordinated EV charging in enhancing grid performance and operational efficiency, highlighting the potential for integrating renewable energy sources in EV charging infrastructure.