خوشه بندی جداول داده های شارژ خودروهای الکتریکی برای کاهش بار محاسباتی

این مقاله به بررسی خوشه بندی سناریوهای بلندمدت برای زمان بندی شارژ خودروهای الکتریکی می پردازد. هدف ارائه روشی برای کاهش بار محاسباتی در مطالعات شبکه است. با افزایش نفوذ این خودروها، تحلیل شبکه در بلندمدت پیچیده تر می شود. روش پیشنهادی، سناریوهای حضور خودروها در پارکینگ را خوشه بندی می کند. در ابتدا، جدول داده های خودروها به دست آمده و به صورت ماتریس ذخیره می شود. سپس، توابع چگالی برای هر پارامتر (زمان ورود/خروج، شارژ اولیه/درخواست شده) استخراج می شوند. جدول داده ها برای تعداد زیادی سناریو با استفاده از این توابع برای تولید داده های تصادفی شبه واقعی شبیه سازی می شوند. جدول داده ها به بردار ویژگی برای هر سناریو به عنوان مرحله اصلی این روش تبدیل می شوند. این کار شامل نگاشت داده ها (تبدیل جداول نامرتب به بردارهای مرتب)، کاهش ابعاد و بردارسازی است. الگوریتم های خوشه بندی کی-میانگین و فازی سی-مینز برای خوشه بندی بردارها استفاده می شوند. این رویه های خوشه بندی در دو مسیر جداگانه انجام می شوند: یکی بر روی جدول داده ها و دیگری بر روی منحنی های بار روزانه که توسط برنامه ریزی شارژ تولید می شوند. در نهایت، اعتبار الگوریتم خوشه بندی با مقایسه منحنی های بار به دست آمده از دو مسیر تایید می شود. تعداد بهینه خوشه ها برای سناریوهای جدول داده ها چهار است و نتایج خوشه بندی دو مسیر بیش از ۸۵% مشابهت دارند. نتایج شبیه سازی نشان می دهند که روش پیشنهادی می تواند الگوهای رفتاری را به طور دقیق شناسایی کرده و سناریوهای نماینده را استخراج کند درحالی که محاسبات را کاهش می دهد.

کلیدواژه ها:

خودرو الکتریکی ، خوشه بندی ، میانگین فازی ، زمان بندی.