مهندسی و مدیریت انرژی

مهندسی و مدیریت انرژی

برنامه‌ریزی تصادفی بهینه ایستگاه‌های شارژ خودروهای الکتریکی در ریزشبکه مجهز به توربین بادی با پیش‌بینی مبتنی بر LSTM: رویکرد کمینه‌سازی وابستگی به شبکه

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران
2 گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید مدنی آذربایجان
3 دانشکده مهندسی برق، دانشگاه صنعتی علوم کاربردی وورزبورگ شفینفورد، آلمان
10.22052/eem.2026.259089.1185
چکیده
این مقاله چارچوبی نوین برای مدیریت انرژی ایستگاه شارژ خودروهای الکتریکی در یک ریزشبکه شامل توربین بادی ۲ مگاواتی و باتری لیتیوم-یونی ۱ مگاوات‌ساعتی، متصل به فیدر ۴۰۲ پست امامیه تبریز، ارائه می‌کند. نوآوری اصلی، تعریف شاخص وابستگی به شبکه (GDI) به‌عنوان یک هدف صریح در بهینه‌سازی است تا اتکای ایستگاه به شبکه بالادست کمینه شود. برای این منظور، یک شبکه LSTM عمیق با ۱۲۸ سلول و نرخ حذف ۲/۰ برای پیش‌بینی یک ‌روز بار و توان بادی به کار می‌رود. عدم قطعیت‌ها با ۱۰۰۰ سناریوی مونت‌کارلو مبتنی بر نمونه‌گیری ابرمکعب لاتین مدل‌سازی می‌شوند به‌ گونه‌ای که سرعت باد با توزیع وایبول و تقاضای شارژ خودروها با نویز گاوسی ۱۰٪ توصیف می‌گردد. روش پیشنهادی با داده‌های واقعی فیدر ۴۰۲ اعتبارسنجی شده است. نتایج تیر و آبان نشان می‌دهد که در مقایسه با سناریوی پایه، GDI به‌ترتیب ۹۲٪ و ۷۸٪، هزینه بهره‌برداری ۲۴٪ و ۱۸٪ و تلفات خطوط ۳۱٪ کاهش می‌یابد همچنین کمینه ولتاژ از ۹۲/۰ به ۹۷/۰ پریونیت بهبود می‌یابد. دقت پیش‌بینی LSTM با RMSE برابر ۰۴۲/۰ مگاوات برای بار و ۰۳۸/۰ مگاوات برای توان بادی، به‌طور معناداری بهتر از MLP و ARIMA است. این چارچوب مسیری عملی برای بهره‌برداران شبکه توزیع فراهم می‌کند تا نفوذ بالای خودروهای الکتریکی را بدون افزایش وابستگی به شبکه مدیریت کنند.
کلیدواژه‌ها
موضوعات


مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 29 مهر 1405