دانلود ترجمه مقاله تسطیح بار و تنظیم ولتاژ با استفاده از ظرفیت ذخیره سازی خودروهای برقی پلاگین

1. مقدمه 2. در دسترس بودن PEV برای پشتیبانی از شبکه 3. تدوین اهداف 4. استراتژی کنترل پیشنهادی 5. کنترل مستقیم بر میزان توان PEV 6. محیط شبیه سازی 7. نتایج و بحث و بررسی 8. نتیجه گیری

چکیده – ظرفیت ذخیره سازی خودروی برقی پلاگین (PEV) محدود بوده و به سطح انرژی باتری و زمان پیمایش بستگی دارد. بنابراین، برای استفاده موثر از ظرفیت ذخیره سازی PEV ها جهت پشتیبانی از شبکه، استراتژی های کنترل شارژ هوشمند و تخلیه مورد نیاز است. در این مطالعه، یک استراتژی کنترل PEV جدید با هدف دستیابی به نمایه بار مسطح و تنظیم ولتاژ با استفاده از ظرفیت ذخیره سازی PEV در یک شبکه توزیع مسکونی فعال توسعه یافته است. هر دو مزایای سودمندی و مالک PEV (به حداکثر رساندن استفاده از PEV و درآمد مشتری) هنگام برنامه ریزی PEV برای پشتیبانی از شبکه یکسان است. اولویت بندی PEV با استفاده از سیستم استنتاج عصبی فازی تطبیقی (ANFIS) با پنج متغیر تصمیم گیری انجام می شود. فرض بر این است که PEV ها مطابق با زمان بندی برنامه ریزی شده در دسترس هستند و اولویت بندی خودرو ممکن است باعث تغییر حاشیه ای در زمان های از قبل برنامه ریزی شده شود اما همچنان SoC مربوطه تضمین می شود. در حین استفاده از PEV برای تسطیح بار، تنظیم ولتاژ در هر باسی که PEV متصل است با کنترل مبادلات توان اکتیو بین باس و PEV ها صورت می گیرد. الگوریتم ژنتیک چند هدفه (MOGA) برای تصمیم گیری در مورد مبادله بهینه برق بین شبکه و PEV استفاده می شود، در حالی که حداکثر بهره برداری از ذخیره سازی PEV را بدون نقض محدودیت های ولتاژ انجام می دهد. اولویت بندی پیشنهادی ANFIS (نرخ ثابت) به منظور بررسی مزایای روش پیشنهادی با استراتژی نرخ توان متغیر مقایسه می شود.

Plug-in electric vehicle (PEV) storage capacity is limited, and also, it depends on the battery energy level and trip timings. Hence, in order to effectively utilize PEV's storage capacity for grid support, smart charging and discharging control strategies are required. In this work, a new PEV control strategy is developed to achieve flat load profile and voltage regulation using PEV's storage capacity in an active residential distribution network. Both utility and PEV owner benefits (maximization of PEV usage and customer revenue) are given equal importance while scheduling PEVs for grid support. PEV prioritization is accomplished using an adaptive neuro-fuzzy inference system (ANFIS) with five decision variables. It has been assumed that the PEVs are available as per the scheduled timings, and vehicle prioritization may cause marginal shift in pre-scheduled times, but still target system on a chip is always ensured. During utilization of PEVs for load flattening, the voltage regulation at each bus, where PEVs are connected, is achieved by controlling active power transactions between the bus and PEVs. A multi-objective genetic algorithm is used to decide optimal power transaction between the grid and PEVs while maximizing PEV's storage exploitation without violating voltage limits. The proposed ANFIS prioritization (fixed rate) is compared with the variable-power-rate strategy in order to investigate the advantages of the proposed method.

ترجمه این مقاله در 27 صفحه آماده شده و در ادامه نیز صفحه 9 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.