Συντάχθηκε 26-07-2024 10:50
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 31/07/2024 09:00
Λήξη: 31/07/2024 10:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Μαρίας Μαμαντάκη
με θέμα
Σχεδιασμός Συστήματος Έξυπνης Φόρτισης Ηλεκτρικού Οχήματος
Design of an Electric Vehicle Smart Charging System
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Φώτιος Κανέλλος (επιβλέπων)
Καθηγητής Ευτύχιος Κουτρούλης
Αναπληρωτής Καθηγητής Γεώργιος Τσεκούρας (Πανεπιστήμιο Δυτικής Αττικής, Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών)
Περίληψη
Η έξυπνη φόρτιση σε πραγματικό χρόνο και ο έλεγχος των ηλεκτρικών οχημάτων είναι ζωτικής σημασίας για τη βέλτιστη ενσωμάτωσή τους στο δίκτυο ηλεκτρικής ενέργειας. Η τεχνολογία αυτή διευκολύνει τη δυναμική προσαρμογή της ισχύος φόρτισης σε συνάρτηση με τις συνθήκες του δικτύου, την τιμή της ηλεκτρικής ενέργειας και τη διαθεσιμότητα των ανανεώσιμων πηγών ενέργειας. Με την αποτελεσματική διαχείριση της ζήτησης και της προσφοράς σε πραγματικό χρόνο, η έξυπνη φόρτιση μετριάζει τις υπερφορτώσεις του δικτύου, μειώνει τη ζήτηση αιχμής και ενισχύει τη χρήση των ανανεώσιμων πηγών ενέργειας, προωθώντας έτσι ένα πιο βιώσιμο και αποτελεσματικό ενεργειακό σύστημα. Επιπλέον, επιτρέπει τη δυνατότητα λειτουργίας Vehicle-to-grid (V2G), επιτρέποντας στα ηλεκτρικά οχήματα να παρέχουν ενέργεια στο δίκτυο κατά τις περιόδους αιχμής, γεγονός που σταθεροποιεί περαιτέρω το ηλεκτρικό δίκτυο. Η προσέγγιση αυτή όχι μόνο βελτιώνει την αξιοπιστία και την ανθεκτικότητα του δικτύου, αλλά παρέχει επίσης οικονομικά πλεονεκτήματα τόσο στους καταναλωτές όσο και στις επιχειρήσεις κοινής ωφέλειας, μειώνοντας το ενεργειακό κόστος και αναβάλλοντας την ανάγκη για πρόσθετες επενδύσεις σε υποδομές.
Σε αυτό το έργο, αναπτύσσεται μια έξυπνη μέθοδος φόρτισης σε πραγματικό χρόνο για ηλεκτρικά οχήματα με ελάχιστη ανάγκη για την πρόβλεψη σημαντικών ποσοτήτων. Για το σκοπό αυτό, χρησιμοποιήθηκαν έμπειρα συστήματα, δηλαδή ένα σύστημα ασαφούς λογικής με εισόδους την ευελιξία του ηλεκτρικού οχήματος να προσαρμόζει την ισχύ του και την τιμή ηλεκτρικής ενέργειας, και έξοδο την ενεργό ισχύ φόρτισης του ηλεκτρικού οχήματος. Οι βέλτιστες παράμετροι του συστήματος ασαφούς λογικής, όπως τα κέντρα και τα εύρη των συναρτήσεων συμμετοχής, λαμβάνονται χρησιμοποιώντας τον αλγόριθμο βελτιστοποίησης Particle Swarm Optimization (PSO). Δεδομένα από έξυπνες μεθόδους φόρτισης ηλεκτρικών οχημάτων μέσω κλασικών τεχνικών βελτιστοποίησης, και συγκεκριμένα τη συνάρτηση fmincon της Matlab, χρησιμοποιήθηκαν για την εκπαίδευση του συστήματος ασαφούς λογικής. Πραγματοποιήθηκαν διάφορα σενάρια προσομοίωσης και δεδομένου ότι δεν απαιτείται γνώση των χαρακτηριστικών πρόβλεψης, τα αποτελέσματα ήταν ικανοποιητικά και έτσι η εκπαίδευση του προτεινόμενου συστήματος ασαφούς λογικής για έξυπνη φόρτιση ηλεκτρικών οχημάτων σε πραγματικό χρόνο ήταν επιτυχής. Το γεγονός ότι η προτεινόμενη μέθοδος είναι ανεξάρτητη από την πρόβλεψη μεταβλητών ποσοτήτων, όπως η τιμή της ηλεκτρικής ενέργειας, ενισχύει την εφαρμογή της σε πραγματικά συστήματα.
Abstract
Real-time smart charging and control of plug-in electric vehicles (PEVs) are vital for optimizing their integration into the power grid. This technology facilitates dynamic adjustments of charging power in response to grid conditions, energy prices, and the availability of renewable energy sources. By effectively managing demand and supply in real-time, smart charging mitigates grid overloads, reduces peak demand, and enhances the utilization of renewable energy, thereby fostering a more sustainable and efficient energy ecosystem. Furthermore, it enables vehicle-to-grid (V2G) capabilities, allowing PEVs to supply power back to the grid during peak periods, which further stabilizes the energy network. This approach not only improves the reliability and resilience of the grid but also provides economic advantages to both consumers and utilities by lowering energy costs and deferring the need for additional infrastructure investments.
In this work, a real-time smart charging method for electric vehicles is developed with minimal need for the forecast of significant quantities. For this purpose, expert systems were used, namely a fuzzy logic system with inputs the flexibility of the electric vehicle to adjust its power and the electricity price; and output the charging active power of the electric vehicle. The optimal parameters of the fuzzy logic system, such as the centers and the ranges of the membership functions, are obtained using the Particle Swarm Optimization (PSO) algorithm. Data obtained from smart electric vehicle charging methods using classical optimization techniques, in particular using Matlab's fmincon function, were used to train the fuzzy logic system. Several simulation scenarios were carried out and since no knowledge of forecast features is required, the results were satisfactory and thus the training of the proposed fuzzy logic system for real-time smart charging of electric vehicles was successful. The fact that the proposed method is independent of the forecasting of variable quantities like electricity price enhances its applicability to real-world systems.
Meeting ID: 954 0173 7971
Password: 054670
