Multi-objective charging scheduling utilizing electric vehicle load models
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: İVEN GÜZEL
Danışman: MURAT GÖL
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Elektrikli araç (EA) yük modellerinin şarj stratejilerinde kullanılması, EA yüklerinin esnekliğinden yararlanmaya olanak sağladığı için şebekenin güvenilirliğini sağlamak amacıyla geliştirilen akıllı şarj stratejilerinin performansını artırmaktadır. Bu tez, tek veya sonlu sistem zamanına sahip gerçek zamanlı stokastik şarj kontrolünde EA yük modellerinden yararlanan yöntemler sunmaktadır. Önce sürücülerin yük modelleri, çekirdek yoğunluğu tahmini yöntemi ile bulunmuştur. Tasarlanan tek sistem zamanı ufuklu koordineli şarj kontrol algoritması ile her bir EA'nın uygun optimizasyon kısıtlamaları seti verilmesi şartıyla en az kritik bir miktarda şarj edilmesini sağlamaktadır. Bu algoritma, stokastik EA yük modellerini kullanan bir sıralama algoritması sayesinde tek zaman adımlı şarj çizelgeleme problemlerinin hesaplama yükü problemini verimli bir şekilde ele almaktadır. Ayrıca tek sistem zaman adımlı koordineli şarj kontrol algoritması çözümü, sonlu zaman ufkuna sahip çizelgeleme algoritmasına genişletilmiştir. Bu yaklaşım, stokastik çevrimiçi şarj çizelgeleme probleminin karmaşıklığını deterministik bir duruma indirgemek için model tahmine dayalı bir yaklaşımda stokastik EA yük modellerini kullanmaktadır. Çizelgeleme algoritması, mevcut zamanda ortaya çıkan yük talebini optimize eden ancak gelecekte ortaya çıkan yük talebini dikkate almayan klasik çevrimiçi EA şarj programlama algoritmalarının aksine, şarj istasyonuna gelecekteki varışlar hakkında varsayımlarda bulunmaktadır. Tez çalışmasının bulgularına göre bireysel yük modelleri, şarj süresi tahsisinin adilliğini geliştirerek ve çizelgeleme algoritması için gelecekteki rastgele verilerin bilgi derecesini genişleterek akıllı şarj algoritmalarının karar sürecini iyileştirmektedir.