Ανάπτυξη Αλγορίθμου για βέλτιστη φόρτιση ηλεκτρικών οχημάτων με χρήση…

Ανάπτυξη Αλγορίθμου για βέλτιστη φόρτιση ηλεκτρικών οχημάτων με χρήση γενετικών αλγορίθμων

Αγιοβλασίτης, Μιχάλης Ν.; Agiovlasitis, Michalis N.

Development of an algorithm for optimal charging of electric vehicles using genetic algorithms

Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η δημιουργία Γενετικού Αλγορίθμου για την φόρτιση ηλεκτρικών οχημάτων. Πιο αναλυτικά, περιγράφεται αρχικά η έννοια του ηλεκτρικού οχήματος καθώς και οι τρόποι και οι διαδικασίες φόρτισής του. Στην συνέχεια παρουσιάζεται ο γενετικός αλγόριθμός και τα είδη του καθώς και τα στάδια από τα οποία απαρτίζεται. Γίνεται αναλυτική παρουσίαση ενός απλού παραδείγματος για την εύρεση ελαχίστου σε μία συνάρτηση η οποία αποτελείται από δύο μεταβλητές αυτό γίνεται με την χρήση του δυαδικού γενετικού αλγορίθμου δηλαδή μετατρέπουμε τις τιμές των μεταβλητών σε δυαδικό σύστημα προκειμένου να εφαρμόσουμε τον δυαδικό γενετικό αλγόριθμο. Στο τέλος του παραδείγματος αυτού παρουσιάζονται αποτελέσματα όσον αφορούν την ακρίβεια και το ποσοστό επιτυχίας του αλγορίθμου αυτού. Στην συνέχεια παρουσιάζεται ο δυαδικός γενετικός αλγόριθμος για την φόρτιση ηλεκτρικών οχημάτων. Τα οχήματα θα πρέπει να φορτίσουν ακολουθώντας μία καμπύλη ισχύος του δικτύου για συγκεκριμένες ώρες με όσο το δυνατόν μικρότερο σφάλμα. Σε αυτόν τον δυαδικό γενετικό αλγόριθμο αρχικά παρουσιάζεται αναλυτικά ένα παράδειγμα προκειμένου να γίνει κατανοητή η λειτουργία του αλγορίθμου αυτού στην φόρτιση οχημάτων καθώς και η διαφοροποίηση του από τον συνηθισμένο δυαδικό γενετικό αλγόριθμο. Εν συνεχεία, ακολουθούν πέντε σενάρια προκειμένου να ελέγξουμε τον αλγόριθμό μας καθώς και να δούμε κάποιες παραλλαγές του. Στο πρώτο σενάριο θα δούμε πως ανταποκρίνεται ο αλγόριθμός μας όταν έχει να ακολουθήσει δύο καμπύλες του δικτύου μία στην οποία η παρεχόμενη από το δίκτυο ισχύς επαρκεί για την φόρτιση των οχημάτων και μία στην οποία δεν επαρκεί. Στο δεύτερο σενάριο θα δούμε συγκριτικά αποτελέσματα του αλγορίθμου για την φόρτιση οχημάτων κατά την οποία απαγορεύεται η παράλληλη φόρτιση (δηλαδή σε κάθε χρονοθυρίδα (timeslot) φορτίζει μόνο ένα όχημα) και ένα που επιτρέπεται. Σε αυτά τα δύο σενάρια θεωρούμε δύο οχήματα ανά φορτιστή. Ακόμα θα δούμε πως ανταποκρίνεται ο αλγόριθμός μας για την φόρτιση τριών οχημάτων ανά φορτιστή καθώς και πως γενικεύεται για περισσότερα από τρία οχήματα ανά φορτιστή. Τέλος θα μελετήσουμε την φόρτιση οχημάτων από φωτοβολταϊκά. Δηλαδή δεδομένης μιας καμπύλης από φωτοβολταϊκά πως ανταποκρίνεται ο αλγόριθμος μας. Ο αλγόριθμός μας υλοποιήθηκε με την βοήθεια του προγράμματος MATLAB.

The scope of the present dissertation is the development of a genetic algorithm for the charging of electrical vehicles. More specifically, initially what is an electrical vehicle is described, as well as the ways and procedures of its charging. Moreover the genetic algorithm with its subcategories is presented and the parts that it is composed. An analytical example for the minimization of a function of two variables is solved with the use of a binary genetic algorithm; we convert the values of the function into binary system in order to apply the desirable algorithm. At the end of this example we elaborate on the results related with the accuracy and the success rate of this algorithm. Furthermore, the binary genetic algorithm for the charging of electrical vehicles is being analysed. The vehicles should be charged following a net power curve for a predefined amount of time with the minimum error. In this binary genetic algorithm an example is being presented in order to make the understanding of this algorithm clearer. Moreover, we want to highlight the difference with an ordinary binary algorithm. Following the above, are five scenarios in order to test our algorithm. In the first scenario, we do see how our algorithm responds when it has to follow two net power curves, one that the power is sufficient for the charging of the vehicles and one where it is not. In the second scenario we observe in comparison results of the charging vehicle algorithm that the parallel charging is allowed versus another one that parallel is not permitted (i.e. in every timeslot only one vehicle is possible to be charged). In both scenarios we consider two vehicles per charger. In addition we evaluate how our algorithm responds to the charging of three vehicles per charger. Finally charging of vehicles from photovoltaic panels is studied; in other words given a curve of photovoltaic power how the vehicles are being charged. Our algorithm was developed using MATLAB.