هیچکس نمیخواهد در ارتقاء کریدور انتقال و توزیع در سراسر جهان سرمایهگذاری کند. منابع حرارتی، خورشیدی و سایر منابع در صورت نیاز اضافه میشوند. محققان در مورد استفاده از نیروی بیشتر برای تهویه مطبوع، گرمایش و هر آنچه جز انرژی وسایل نقلیه الکتریکی (EVs) است، هیجان زده هستند. افزایش سریع خودروهای الکتریکی مصرف برق خانگی را به طرز چشمگیری افزایش داده است. علاوه بر این، از آنجایی که زمانهای شارژ EV با دورههای اوج مصرف برق مشتری (EC) همپوشانی دارد، شارژ نامنظم خودروهای برقی منجر به اضافه بار سیستم برق میشود. روشهای کنترل سنتی میتوانند قابل اطمینانتر باشند و باید همه عدم قطعیت تاثیرگذار در مصرف خودروهای الکتریکی را در نظر بگیرند. این کنترل میتواند شبکه مصرف را قابل اعتمادتر کند چرا که الگوریتمهای محاسباتی مبتنی بر خودروهای برقی از Vehicle to Grid بسیار دشوارتر است. به طور کلی میتوان گفت در حال پایش المانهای توزیع هستیم نه کاربر و خودرو. لازم به ذکر است نحوه قیمتگذاری به طور اتوماتیک، رفتار کاربر را کنترل میکند.
نکات برجسته در این مدل:
- قیمت داینامیکی انرژی برای هر خط توزیع به صورت جداگانه بررسی می شود.
- روش های یادگیری عمیق پیش بینی می کنند که هر فیدر چقدر برق مصرف میکند.
- نسبت پیک به میانگین در شبکه توزیع با اضافه شدن خودروهای برقی کاهش می یابد.
- دستگاههای اینترنت اشیا بارهای حساس به قیمت را مدیریت میکنند، مانند خودروهای برقی، زمانی که قیمتها یا تقاضا زیاد است.
- یک قیمت پویا برای روز آینده با استفاده از یادگیری عمیق برای پیشبینی میزان مصرف برق ساخته شد.
این بخش مدلهای کوتاهمدت دو جهته (B-LSTM) [1]مبتنی بر یادگیری عمیق (DL) [را برای پیشبینی EC فیدر برای پستهای توزیع ارائه کرده و آنها را با دو مدل دیگر با استفاده از تکنیک های DL مقایسه میکند. محاسبات قیمتگذاری پویا برای پیشبینیهای EC فیدر در نظر گرفته میشود. برنامه پاسخگویی تقاضای پیشنهادی (DRP) شامل قیمتگذاری دینامیک برق روز آینده و (DADP) [4]برای بهینهسازی حداکثر تقاضا در زمان اوج در یک پست توزیع است. قیمت برق روز بعد به روز قبل ارسال می شود. این به کاربران نهایی کمک می کند تا به طور بهینه لوازم حساس قیمت (PSA) و شارژ EV خود را برنامه ریزی کنند. این می تواند به صاحبان خودروهای برقی با حساسیت زمانی متفاوت در تصمیم گیری بهینه شارژ کمک کند. DRP به فرآیند برنامه ریزی کمک کرده تا انتقال و توزیع را برای چند سال مدیریت کنند.
بر اساس گزارشات، کسری انتقال و توزیع (T&D) هند بالاترین کسری در جهان است که 26 درصد از کل تولید انرژی در برخی ایالتها و 62 درصد در برخی دیگر را شامل میشود. هند برای تامین هر واحد انرژی فروخته شده به پول بیشتری نیاز دارد زیرا یکی از ضعیفترین زیرساختهای توزیع را دارد. شبکههای توزیع با طراحی ضعیف، عناصر سیستم پربار، سطح ناکافی کمک توان راکتیو( واکنشپذیر)، راهحلهای نظارتی، اندازه گیری ناکارآمد و جمع آوری قبوض برق و غیره، شبکه برق هند را آزار میدهد. از سویی در سطح جهانی، صنعت خودروهای الکتریکی (EV) در حال رشد بیش از حد است و مسلما چالش تامین برق نیز فزاینده خواهد بود.
یک چالش مهم برای شبکه هوشمند آینده، افزایش تقاضای برق ناشی از استفاده گسترده خودروهای الکتریکی و اتکای فزاینده ما به ابزارهای الکترونیکی است. یک منبع برق پشتیبان قابل اعتماد در طول قطع برق و استفاده موثر از برق، عناصر تعیین کننده برای یکپارچهُسازی شبکه هوشمند هستند.«مدیریت سمت تقاضا» پDSM تلاش جدیدی برای سازماندهی مجدد شبکه برق است. اول از همه، خودروهای برقی بسیار سازگار با محیط زیست هستند، زیرا آنها با برق خالص کار میکنند و تقریبا هیچ آلایندهای منتشر نمی کنند. دوم، خودروهای برقی به راحتی در شبکههای حمل و نقل هوشمند ادغام میُشوند که راه حلهای حمل و نقل هوشمند را بهبود میبخشد. علاوه بر این، با پیشرفت فناوری های V2G، شارژ خودروهای الکتریکی انعطاف پذیرتر خواهد بود .خودروهای الکتریکی می توانند با استفاده از فناوری V2G از شبکه برق شارژ شوند یا به آن تخلیه شوند ( انتقال و دریافت برق)، که به طور بالقوه پذیرش EV را تقویت میکند.
با این حال، همانطور که اشاره شد، پیشرفت خودروهای الکتریکی همچنان با چالشهایی مواجه است. مدیریت شارژ EV میتواند قابل اعتمادتر باشد تنها هنگامی که بسیاری از خودروهای برقی به شبکه متصل میشوند، شارژ ناهماهنگ آنها به طور قابل توجهی بر زیرساخت توزیع برق فشار وارد می کند. که این موضوع ممکن است تأثیر بیشتری بر پایداری و امنیت سیستم الکتریکی داشته باشد. کمبود فضاهای پارکینگ ایستگاه شارژ، یکی دیگر از موانع مهم در پذیرش گسترده وسایل نقلیه الکتریکی در چین است. قیمت شارژ پارکینگ در زمانهای مختلف میتواند برای کنترل پارکینگ استفاده شود تا مالکان خودروهای برقی را تشویق کنند تا زمان باقیمانده برای اتصال به شبکه برق در ساعات اوج مصرف را به حداقل برسانند، در نتیجه نرخ بهرهبرداری از مکانهای پارکینگ را تقویت میکنند در حالی که بسیاری از خودروهای برقی به شبکه برق متصل هستند. به منظور به حداقل رساندن اثرات منفی شارژ بینظم حجم عظیمی از خودروهای الکتریکی، برنامهریزی بهینه شارژ ضروری است. منابع تحقیقاتی و مطالعاتی، راهبردهای غیرمتمرکز را برای پرداختن به این موضوع پیشنهاد میکنند. مکانیسمهای قیمتگذاری پویا اغلب در روشهای غیرمتمرکز با حل یک محدودیت و بهینهسازی حداقل هزینه توسعه مییابند . هدف محققان این است که صاحبان خودروهای برقی را متقاعد کنند که سیستم نمایشگر شارژ خود را تغییر دهند تا در هزینهها صرفه جویی کنند. مطالعات متعددی بر روی زمانبندی شارژ EV برای کاهش هزینهها از دیدگاه مالک خودروهای الکتریکی با استفاده از یک سیستم قیمتگذاری پویا متمرکز، انجام شده است. در حالی که برخی از این مطالعات تحقیقاتی فقط رفتار شارژ را هنگام برنامهریزی هزینهها در نظر میگیرند، برخی دیگر نیز هنگام استفاده از فناوری V2G، فعالیت تخلیه را در نظر دارند. هنگام در نظر گرفتن رفتار تخلیه، صاحبان خودروهای برقی باید انرژی مصرف شده از شبکه برق را بازپرداخت کنند و برای انرژی برگشتی به شبکه هزینه دریافت کنند. هزینههای مرتبط با مالک خودروهای برقی، انگیزههای مالک را در برنامهریزی در نظر خواهد داشت. برخی از تحقیقات شامل هزینه خراب شدن باتری EV ناشی از چرخه های شارژ و دشارژ V2G در طول فرآیند برنامهریزی بود. با این حال، تنها چند مطالعه هزینه خرید برق از شبکه برق را انگیزه ارائه شده در هنگام تخلیه به شبکه برق، و هزینه کاهشیافته در هر دو سناریو شارژ و دشارژ را به طور همزمان بررسی کردهاند.
آیا انسان بدون هوشمصنوعی قادر به تحلیل این حجم داده در زمان کوتاه است؟
کاربران میتوانند با کاهش یا تغییر استفاده از برق در زمان اوج مصرف مطابق با قیمت گذاری مبتنی بر زمان یا پاداش های اضافی، به طور قابل توجهی به عملکرد شبکه کمک کنند . معماران و کارکنان سیستمهای الکتریکی خاص از برنامههای DR «مدیریت تقاضا» برای متعادل کردن عرضه و تقاضا برای منابع استفاده میکنند. این برنامهها پتانسیل کاهش قیمت عمدهفروشی برق را دارند و در نتیجه میزان خردهفروشی کمتر میشود.
مشتریان میتوانند با ارائه قیمتهای مبتنی بر زمان مانند قیمتگذاری در زمان واقعی، هزینههای زمان استفاده، حداکثر قیمتگذاری حیاتی، قیمتهای اوج پویا و بازپرداخت اوج حیاتی در عملیات بازیابی انرژی شرکت کنند. کسب و کار برق، برنامههای بازیابی انرژی محور را به عنوان یک جایگزین منابع رو به رشد درک میکند که قابلیتها و پیامدهای بالقوه آن با مدرنسازی فعالیتهای شبکه افزایش مییابد. رویکرد مدیریت سمت تقاضا (DSM) پیشنهاد تعرفه را نسبت پیک به میانگین (PAR- Peak to Average Ratio) شبکه برق را کاهش میدهد.
با استفاده از فرآیند تصمیم گیری مارکوف، و نویسندههایی نظیر او، راه حلهای الگوریتمی بسیاری را برای استفادههای متعدد ارائه میدهد. رویکرد یادگیری تقویتی نشاندادهشده میتواند طرحهای قیمتگذاری مداوم ایجاد کند. با این حال، قیمت انرژی پویا خیلی سریع تغییر میکند، بدون توجه به تغییرات بعدی در بار شبکه همراه با اوجها و فرودهای جدید میباشد.. بسته به روش یادگیری، تقویت تصمیمگیری عمیق تصادفی، تعرفههای زمان استفاده متغیر ایجاد میکند. با این حال، جزء شبکه عصبی آن باید دادههای تاریخی را در توسعه وظایف جاری بگنجاند، که منجر به تخمین نادرست قیمت ابزار میشود. و چون قیمت دینامیک برق خیلی سریع نوسان میکند، نوسانات شبکه افزایش مییابد. در نتیجه، V2G سه موضوع اصلی را ارائه می دهد.
گام اول توسعه تکنیک های شارژ و تخلیه EV است.
گام دوم متعادل کردن عملکرد بهینه جهانی با انعطافپذیری خودروهای برقی است. دوام این الگوریتم تضمین میکند که حتی اگر تعداد خودروهای برقی دوباره افزایش یابد، می تواند به مسیر ادامه دهد. این دادههای مصرف انرژی آنی برای توسعه استراتژیهای تأثیرگذار بر منحنی بار و پیادهسازی استفاده از بار کارآمد [8](ELU) استفاده میشود.ELU مکانیزمی برای تنظیم EC ( برق مصرفی مشتری) یک خانه هوشمند با منبع انرژی موجود در یک زمان معین است . راهحلهای DSM برای تغییر منحنیهای بار با ارائه مشوقهای جذاب و دقیق به شرکتکنندگان خانه هوشمند ارائه میشوند. به طور مشابه، هدف تقریباً تمام تکنیکهای DSM ( روشهای DR نیز گفته میشود) تشویق کاربران خانگی هوشمند به استفاده کمتر انرژی در دورههای اوج بار و تغییر مصرف انرژی اضافی به زمانهای کم تقاضا (از جمله راهاندازی ماشین لباسشویی) است. یا به عبارتی در دوره های خارج از پیک. به طور خلاصه، این چارچوب ضریب پیک پویا برای برآورده کردن اهداف پیشبینی بار مناسب است، اما از دیدگاه خانههای هوشمند، دو نقص قابل توجه دارد.
اول، همان قیمت عامل اوج بالا را برای خانههای هوشمندی که برای دوره اوج پاسخگو نیستند، دریافت میکند.
دوم، جمعآوری دادههای بسیار خوب از خانههای هوشمند برای پیشبینی بار و محاسبه ساعت پیک، خطرات قابلتوجهی را برای حریم خصوصی کاربران خانه هوشمند ایجاد میکند. برای مثال، این دادههای بیدرنگ برای انجام فعالیتهای بدخواهانه، مانند جعل و نظارت معمول استفاده میشوند. به طور مشابه، این دادهها را میتوان به روشهای نظارت بر بار غیر نفوذی [9](NILM) که استفاده از یک دستگاه خانگی خاص (مانند تستر، ماشین لباسشویی و غیره) را در هر لحظه خاص پیشبینی میکند، وارد کرد. این مکانیسمهای NILM حتی میتوانند دستگاههای معیوب را شناسایی کرده و تاریخ خرابی احتمالی آنها را تخمین بزنند، که میتواند برای تبلیغات هدفمند استفاده شود. در نتیجه، ابزاری که قیمتگذاری پویا مبتنی بر استفاده و حفاظت از حریم خصوصی خانه هوشمند را ارائه میدهد ضروری است.
توزیع هوش مصنوعی در جهت بهینهسازی
این بخش توزیع هوشمند، پیشنهادی برای کنترلکنندههای یادگیری عمیق و اینترنت اشیا را توضیح میدهد. کنترل کننده اینترنت اشیا، یک سیستم عامل بلادرنگ (RTOS- real-time operating system) را اجرا میکند و با دستگاه های اندازه گیری مبتنی بر پروتکل RS-485 و Modbus ارتباط برقرار می کند.
پردازش و تحلیل دادهها
نرمالسازی و پاکسازی داده ها هر دو اجزای حیاتی پردازش داده ها هستند. فرآیند بازیابی مقادیر از دسترفته و حذف مقادیر نادرست( پرت) از مجموعه دادهها به عنوان پاکسازی دادهها شناخته میشود. آمادهسازی دادهها میتواند عملکرد مدل پیشبینی را با افزایش نرخ همگرایی مدل در طول نزول گرادیان افزایش دهد. هنگام برخورد با دادههای غیر استاندارد، نزول گرادیان ممکن است مشکل ساز باشد. عادی سازی به مدلهای DL اجازه می دهد تا ویژگیهای بهتری را از اطلاعات قبلی استخراج کنند.
نتایج و تجزیه و تحلیل
در یک پژوهش، دادههای آموزش و آزمایش برای کار پیشنهادی از مجموعه دادههای بیدرنگ پست توزیع برای فیدرها هر ساعت از 1 ژانویه 2022 تا 30 آوریل 2023 بهدست آمد. برای هر شکاف داده EC، 11640 EC برای پیشبینی هر ساعت آموزش داده شده فاصله ساعت مدلهای مختلف برای پیشبینی و پارامترها گردآوری شد.
در پژوهشی دیگر در هند، تلاشهای شبکه هوشمند توسط قوانین یا سیاستهای صریح اداره نمیشوند. چارچوبهای قانونی و نظارتی حاضر اغلب با در نظر گرفتن شبکهها و ابزارهای تاسیس شده از قبل طراحی شدهاند. چارچوب قانونی و نظارتی موجود باید بیشتر بهبود یابد تا سرمایهگذاری در زیرساختهای شبکه هوشمند تحریک شود. قابلیت پیشبینی برای به حداقل رساندن اتلاف انرژی با تولید و تامین انرژی الکتریکی قابل اعتماد به برق مورد انتظار مفید است.
هوشمندی در صرفهجویی
چگونه می توانم با نرخ های غیر اوج مصرف، صرفه جویی کنم؟
نرخ های خارج از پیک چیست؟
تعرفههای خارج از اوج مصرف، یک پیشنهاد تعرفهای جذاب برای دارندگان خودروهای برقی در فرانسه است که آنها را قادر میسازد از کاهش هزینههای شارژ در دوره های تقاضای کم انرژی بهره مند شوند. این نرخها بهویژه در تابستان، زمانی که وسایل پرمصرف انرژی استفاده میشوند، جذاب هستند.
در فرانسه، زمانبندی شارژ در ساعات کم بار توسط سیستمهای هوشمندی که در وسایل نقلیه تعبیه شده یا از طریق برنامههای اختصاصی در دسترس هستند، تسهیل میشود، که میتوانند بهطور خودکار زمانی که کمترین تعرفهها اعمال میشوند، شارژ را شروع کنند.
دو نوع زمان کم مصرف برای شارژ خودروهای الکتریکی در کشورهای اروپایی وجود دارد:
- از ساعت 10 شب تا ساعت 6 صبح
- از 12 بعد از ظهر تا 2 بعد از ظهر ممکن است بسته به منطقه و تامین کننده متفاوت باشد
بهرهگیری کامل از نرخهای خارج از پیک برای شارژ خودروی برقی خود نیازمند چند مرحله کلیدی از جمله نصب کنتورهای هوشمند و اشتراک در طرحهای تعرفهای مناسب است.
مرحله 1: واجد شرایط بودن را بررسی کنید و برای نرخ غیر اوج مصرف ثبت نام انجام میشود.
این نرخها بهویژه در دورههای کم مصرف، معمولاً در شب، سودمند هستند. اشتراک در یک طرح تعرفه خاص برای وسایل نقلیه الکتریکی نیز ممکن است کاهش بیشتری را در این ساعات ارائه دهد.
مرحله 2: نصب کنتور هوشمند
نصب کنتور هوشمند برای ردیابی دقیق مصرف برق و استفاده کامل از نرخهای غیر اوج مصرف، ضروری است. این دستگاهها به شما این امکان را میدهند که مصرف خود را در زمان واقعی مشاهده کنید و عادتهای خود را برای به حداکثر رساندن پس انداز تنظیم کنید. بسیاری از تامین کنندگان نصب این کنتورها را اغلب با هزینه کمتر یا بدون هزینه اضافی برای مشتریانی که در طرحهای تعرفه ای خاص مشترک هستند، ارائه می دهند.
مرحله 3: وسیله نقلیه خود را برای شارژ برنامه ریزی کنید
از برنامه ریزی خودکار ایستگاه شارژ یا وسیله نقلیه خود برای استفاده از زمانهای کم بار استفاده کنید. اکثر وسایل نقلیه الکتریکی مدرن و سیستمهای شارژ هوشمند به شما امکان میدهند زمان شروع شارژ را برنامه ریزی کنید تا از نرخهای کاهش یافته بدون دخالت دستی بهره مند شوید.
مرحله 4: مصرف خود را کنترل و تنظیم کنید
به طور منظم مصرف انرژی خود را از طریق کنتور هوشمند کنترل کنید تا در صورت لزوم، عادات خود را تنظیم کنید. این میتواند شامل تغییر زمان شارژ برای منعکس کردن تغییرات نرخ یا تغییرات فصلی در ساعات کم بار باشد.
مرحله 5: پس انداز را ارزیابی کنید و در صورت لزوم برنامه را تنظیم کنید
پس از چند ماه، پس انداز حاصل از این تنظیمات را ارزیابی کنید. اگر صرفه جویی به اندازه مورد انتظار نیست، با تامین کننده خود صحبت کنید تا گزینههای دیگر را بررسی یا تنظیمات مورد نیاز پیشنهاد شود. که ممکن است برای استفاده شما مناسب تر باشد. بنابراین نه تنها میتوانید قبض انرژی خود را کاهش دهید، بلکه میتوانید با همسو کردن مصرف خود با دورههای تقاضای کمتر در شبکه برق، به مدیریت پایدارتر انرژی نیز کمک کنید.
[1] based Bidirectional Long Short Term
[2] Deep Learning
[3] Demand Response Program
[4] Day-ahead Dynamic electricity Pricing
[5] Sensitive Price Appliances
[6] https://www.sciencedirect.com/science/article/abs/pii/S0360544224005875
[7] Demand Side Management
[8] ELU is a mechanism for regulating the EC of a smart home with the energy supply available at a given time
[9] Non-intrusive load monitoring
[10] خودرگرسیون و میانگین متحرک: تحرک -انتقال
[11] machine learning
[12] Support Vector Regression
[13] Recurrent Neural Networks
[14] سیاست کربن صفر در توسعه پایدار
دیدگاه خود را بنویسید