رویکردی احتمالاتی برای ترکیب داده سنجی هوشمند و داده های شارژینگ وسایل نقلیه برای بررسی تأثیرات شبکه توزیع

چکیده

کلمات کلیدی

1.مقدمه

2.داده ها 

2.1. آزمایش وسایل نقلیه عمومی - پروژه SwitchEV 

2.1.1. وسیله نقلیه الکتریکی وسیله نقلیه اصلی است 

شکل1. توزیع مسافت پیموده شده روزانه کاربران EV در آزمایش SwitchEV.

2.1.2. پروفیل های واقعی و متنوع EV (شارژ و رانندگی)

2.3.1. زیرساخت های حقیقی و متنوع شارژ 

شکل 2. سؤالات پاسخنامه بعد از آزمایش SwitchEV که دلایل استفاده از خودرو را مشخص می کند. 

شکل 3. تصویری از رفتار رانندگی مختلف چهار کاربر که همان مسیر را به عنوان بخشی از آزمایش EV رانندگی می کنند. جابه جایی قرمز پایین (تخلیه باتری 7.3٪)؛ جابه جایی سبز بالا (تخلیه باتری 5.5٪). تغییر رنگ نشان دهنده تغییر در بازدهی انرژی رانندگی است. جابه جایی ها در محور Z در فواصل یکنواخت قرار می گیرند تا به یک نمودار واضح تر به دست آید. (برای تفسیر ارجاع به رنگ در این شکل، خواننده را به نسخه وبسایت این مقاله ارجاع می دهیم.) 

2.1.4. نوع نگهداری و محل اقامت

شکل 4: نمودار جعبه ای از حالت شارژ (SoC) باتری های خودرو در آزمایش. قبل از شارژ (سمت چپ) و بعد از شارژ (سمت راست). ابعاد عمودی جعبه ها تغییرات داده ها را نشان می دهد. پایین جعبه 25 درصد از داده ها است (مقدار SoC زیر 25% از مشاهدات؛ ممکن است یافت شود). بالای جعبه 75 درصد از داده ها است. خط افقی بولد داخل جعبه میانه است (پنجاه درصد داده ها). پایان ورقه ها (خطوط عمودی  جعبه ها) می تواند چندین مقدار جایگزین را نشان دهد؛ برای این نمودار، ما آنها را انتخاب کردیم تا حداقل و حداکثر همه مشاهدات را نمایش دهیم.  

شکل 5.  درصد انرژی انتقال شده در هر ساعت روز برای تمام شارژهای انجام شده در موقعیت های شارژینگ متفاوت. کاربران شهری (شکل بالا) و کاربران روستایی (شکل پایین) .  

2.2. آزمایش شبکه هوشمند- پروژه تغییر شبکه به واسطه مشتری (CLNR) 

2.2.1. داده سنجی هوشمند 

2.2.2. مدل های شبکه 

2.2.3.تأیید مدلسازی بارگذاری شبکه های شهری و روستایی 

3. متد ها 

3.1. شبیه سازی مونت کارلو 

شکل6. دیاگرام شبکه شهری مورد مطالعه 6.6 کیلوولت که در مطالعه IPSA2 حالت پایدار مورد استفاده قرار گرفته است. 

شکل7. دیاگرام شبکه توزیع مورد مطالعه 20 کیلوولتی به کار رفته در مطالعه IPSA2 حالت پایدار  

شکل 8. شبکه عمومی UK در IPSA2 حالت پایدار و مطالعات PSCAD دینامیک 

3.2. حالت پایدار؛ مطالعه متعادل در IPSA2. 

3.3. گذارهای الکترومغناطیسی؛ مطالعه نامتعادل در PSCAD 

4. نتایج 

4.1. بارگذاری ترانسفورماتور 

4.2. مطالعه IPSA2- ولتاژ 

4.3. عدم تعادل ولتاژ و فاز - مطالعه PSCAD 

5. بحث و نتیجه گیری 

5.1. مطالعه مناطق شهری و روستایی 

5.2. مطالعه شبکه عمومی و شهری 

5.3. تنوع فضایی و زمانی تقاضای شارژینگ EV 

شکل 9. مقایسه پروفیل های نظارت شده و تجزیه تحلیل شده برای ایستگاه های شهری و روستایی 

شکل 10. مثالی از پروفیل بار روز پیک (#1و #73) روی شبکه برای دو اجرای متفاوت MCS (اجرای #1 و 1000) . هر اجرای MCS  جمعیتی از مشتریان را به صورتی تعریف می کند که توسط توپولوژی نتورک تعریف شده است. 

شکل 11. مقادیر بار متوسط- نفوذ 60% EV فیدر شهری طولانی و راه دور (نقطه ها) و محدوده 95% داده ها (منطقه خاکستری).  

شکل 12. تقاضای بحرانی روز آزمون برای شبکه شهری و روستایی  

شکل 13. تقاضای بحرانی روز آزمون برای شبکه عمومی 

جدول 2. تغییرات ولتاژ ماکزیمم روی شبکه آزمون (علامت منفی نشان دهنده افت ولتاژ است)

جدول3. تغییرات ولتاژ ماکزیمم در شبکه LV عمومی (علامت منفی نشان دهنده افت ولتاژ است) 

شکل 14. دامنه ولتاژ مینیمم مشاهده شده برای هر نفوذ EV در طول تمام مطالعات 

شکل 15. عدم تعادل ماکزیمم ولتاژ مشاهده شده برای هر نفوذ EV در همه مطالعات 

شکل 16. تنوع فضایی و دمایی تقاضای شارژینگ EV 

در این مطالعه برای ترکیب دو مجموعه داده ی منحصر به فرد از پروفیل های شارژ خودروهای الکتریکی در شرایط واقعی و تقاضای بارگذاری بخش مسکونی هوشمند؛ از روش های احتمالاتی استفاده می کند. داده ها برای بررسی تأثیر به کار گیری وسایل نقلیه الکتریکی (EV) در شبکه های توزیع برق مورد استفاده قرار گرفته اند. دو شبکه واقعی به نمایندگی از یک منطقه شهری و روستایی و یک نماینده شبکه عمومی از یک شبکه توزیع UK که شدیداً بارگذاری شده است؛ مورد استفاده قرار گرفته است. یافته های این تحقیق نشان می دهد که شبکه های توزیع؛ یک گروه همگن با انواع توانایی ها برای جایگزینی EV نیستند و قابلیت های بیشتری نسبت به مطالعات قبلی پیشنهاد شده است. در نظر گرفتن تنوع فضایی و زمانی تقاضای شارژ EV برای کاهش اثرات تخمین زده شده روی شبکه های توزیع نشان داده شده است. پیشنهاد شده است که اپراتورهای شبکه های توزیع می توانند با بخش های جدیدی در بازار همکاری کنند، از جمله اپراتورهای زیرساخت شارژینگ، برای پشتیبانی از گسترش زیرساخت های شارژ به گونه ای که شبکه را قوی تر کند همچنین به ایجاد فرصت های بیشتر برای مدیریت سمت تقاضا و کاهش برنامه ریزی نامطلوب در ارتباط با ماهیت تصادفی تقاضای شارژ EV می انجامد.

دولت بریتانیا قانون "تغییر آب و هوا" را تصویب کرد که یک هدف لازم الاجرای قانونی را برای کاهش انتشار گازهای گلخانه ای در انگلستان تعیین کرد به صورتی که تا سال 2050 میزان انتشار گازها به اندازه حداقل 80 درصد نسبت به سال 1990 کاهش یابد[1]. دولت به منظور گذار به اقتصاد کم کربن ، برنامه کاهش كربن در سال 2011 را منتشر كرد كه راهكارهايي براي رسيدن به اهداف كاهش گازهاي كربنی در بخش هاي مختلف ارائه مي دهد. یک چهارم از گازهای گلخانه ای منتشر شده در بریتانیا از بخش حمل و نقل داخلی است که باید تا سال 2050 میزان انتشار آن بطور قابل توجهی کاهش یابد. طرح کاهش کربن بر ضرورت حرکت به سمت تولید انبوه وسایل نقلیه ای تأکید دارد که انتشار گازهای گلخانه ای آنها بسیار کم است؛ مانند وسایل نقلیه الکتریکی (EVها)؛ تا بتوان به برنامه ریزی کاهش 80% گازهای گلخانه ای تا سال 2050 دست یافت [2]. پس از آن باید به بررسی تاثیر بالقوه ی استفاده قابل توجه از EV ها در سیستم برق در انگلستان پرداخت؛ به ویژه، این مطالعه بر روی تأثیر شبکه های توزیع برق از شارژ بدون کنترل و خوشه ای مسکونی EV ها تمرکز خواهد کرد. مطالعات متعددی در حال حاضر به بررسی اثرات شارژ ناهماهنگ وسایل نقلیه الکتریکی روی شبکه های توزیع می پردازد. تأثیرات بالقوه روی شبکه های توزیع ولتاژ پایین (LV) شامل تغییرات ولتاژ، نقض محدودیت حرارتی و تأثیرات روی ترانسفورماتور ها می باشد. با این حال، این مطالعات، اساس کار خود را بر مبنای تخمین رفتار شارژینگ EV و داده سنجی هوشمند قرار داده اند و شرایط واقعی را در نظر نگرفته اند. اکثر داده های مورد استفاده در مطالعات قبلی از الگوهایی به دست آمده است که در بررسی های حمل و نقل ملی؛ برای ارزیابی برخی از جنبه های ویژه ی استفاده از EV جمع آوری شده است؛ برای مثال، فاصله سفر و انرژی مورد استفاده، محل پارکینگ و زمان، حالت شارژ (SoC) در ابتدای انجام شارژ و زمان پلاگین. بعضی از این مطالعات فرض می کنند که شارژینگ بلافاصله پس از ورود کاربر وسیله نقلیه به خانه شروع می شود، در حالی که برخی دیگر تصور می کنند که بخش بزرگی از شارژ از SoC پایین شروع می شود. علاوه بر این، برخی از مطالعات به این نتیجه رسیدند که کاربران تنها در خانه به شارژ خودروی برقی می پردازند و دسترسی به زیرساخت های شارژینگ عمومی را در نظر نمی گیرند [3-17]. با استفاده از پروفیل های شارژینگ حاصل، مطالعات نشان داده است که اثرات شارژینگ EV کنترل نشده در مناطق مسکونی، برای بهره برداری از شبکه های توزیع مضر است. بعضی از مطالعات؛ نقض محدودیت های حرارتی و افت ولتاژ کمتر از حد قابل قبول را در مناطقی نشان داده اند که نفوذ EV بیش از 50% بوده است [11-13]. در یکی از این مقاله ها اظهار شده است که با نفوذ پنجاه درصدی EV، تأثیرات قابل توجهی بر روی شرایط عملکرد شبکه های توزیع به وجود خواهد آمد و شارژینگ کنترل نشده به ارتقاء عمده ی زیرساخت های نیاز دارد [14]. یکی دیگر از مطالعات [15] نشان داد که نفوذ بیست و پنج درصدی EV در مناطق مسکونی باعث افت ولتاژ قابل توجهی می شود و ولتاژ تا زیر حد مجاز افت خواهد داشت ، در حالی که در [16] بیان شده است که شبکه توزیع می تواند تنها تا 10% نفوذ EV را بدون تغییر در عملکرد شبکه توزیع و برنامه ریزی های معمول؛ بپذیرد. یکی از مطالعاتی که بر روی شبکه های توزیع بریتانیا تمرکز داشته است؛ نشان داد که جذب 12.5 درصد خودروی برقی، موجب تأثیرات شدیدی روی ترانسفورماتور و کابل های زیرزمینی LV می گردد که برای تأمین برق خانواده ها به کار می روند [17]. در این مطالعه یک روش احتمالاتی برای رفع عدم قطعیت مربوط به بارهای مسکونی و رفتار کاربر EV مانند زمان پلاگین و SoC ؛ مورد استفاده قرار گرفته است. نویسندگان اظهار داشتند که داده های حقیقی دنیای واقعی EV که شامل زمان دقیق شارژ، زمان های اتصال و بازتاب استفاده از زیرساخت های اضافی شارژ دوباره (یعنی کار، عمومی) می تواند موضوع مطالعات آینده باشد؛ چرا که به بهبود روش های احتمالاتی استفاده شده کمک شایانی می کند. اهمیت کار حاضر این است که بر اساس یک ترکیب منحصر به فرد از دو مجموعه جامع از داده های فضایی و زمانی شرایط حقیقی الگوهای رانندگی و شارژ EV و داده های هوشمند مسکونی است. استفاده از داده های شرایط حقیقی و دنیای واقعی، از نیاز به ایجاد فرضیات مربوط به ماهیت تصادفی استفاده از وسایل نقلیه اجتناب کرده و عدم قطعیت های مربوط به تقاضای شارژ شبیه سازی شده را کاهش می دهد. بر اساس مجموعه داده های دنیای واقعی، این مقاله نشان می دهد که شبکه های توزیع می تواند نفوذ EV بیشتری را نسبت به مطالعات قبلی پذیرش کند. داده های EV از پروژه SwitchEV جمع آوری شده که در سال های 2010 تا 2013 روی 44 EV در شمال شرقی انگلیس آزمایش شده است. این اتومبیل ها با متمرکز کننده داده ها همراه شده است که بیش از 85000 سفر EV را به صورت ثانیه به ثانیه ثبت کرده اند و بیش از 19000 انجام شارژ مجدد به صورت دقیقه به دقیقه در بیش از 650 ایستگاه شارژ عمومی و 260 ایستگاه شارژ شخصی ثبت شده است[18،19]. داده های هوشمند از طریق پروژه CLNR جمع آوری شده است. این بزرگترین آزمایش بریتانیا روی شبکه های هوشمند است و پروفایل های بارگذاری داخلی را از اطلاعات نیمه ساعتی داده های مصرف برق جمع آوری کرده است که از نزدیک به 9000 دستگاه داده سنج هوشمند جمع آوری شده است. علاوه بر این، مجموعه داده های هوشمند CLNR به وسیله متغیرهای اجتماعی-اقتصادی پارامتریک شده است که امکان انتخاب مشخصه های نمایش دهنده بار متناسب با جمعیت مشتری شبکه تحت مطالعه، را فراهم می کند. پروژه چهار ساله CLNR همچنین داده های شبکه و مدل های گسترده شبکه معتبر را بر اساس شبکه های توزیع محلی موجود فراهم کرد است که توسط اپراتور شبکه توزیع منطقه ای (DNO)، شبکه توزیع شمال مدیریت می شود. این مطالعه در واقع شرحی از[21] می باشد و به صورتی گسترش یافته تا تأثیرات بر روی یک شبکه توزیع عمومی را شامل شود و بتواند نتیجه ای گسترده و صحیح برای کل بریتانیا حاصل کند. این مقاله، مطالعه موردی شبکه های شهری و روستایی را نیز در بر گرفته است. تجزیه و تحلیل جامع تر تأثیر شبکه توزیع با استفاده از IPSA2 (شبکه سه فاز متعادل؛ حالت پایدار) و PSCAD (تجزیه و تحلیل گذار الکترومغناطیسی برای تجزیه و تحلیل عدم تعادل ولتاژ) انجام شده است. بخش 2 داده های EV ها، داده های هوشمند و مدل های شبکه مورد استفاده برای این مطالعه (از جمله اعتبار سنجی شبکه) را توصیف می کند. بخش 3 چارچوب مدل سازی ما را برای بررسی تأثیر شبکه توزیع توصیف می کند. نتایج مطالعه در بخش 4 ارائه شده است؛ بحث و نتیجه گیری این مطالعه در بخش 5 ارائه شده است.