مدیریت شارژ خودروهای الکتریکی مبتنی بر یادگیری ماشین:به سوی شارژرهای سریع با پراکندگی بالا

شارژ هماهنگ خودروهای الکتریکی (EV) با جلوگیری از اضافه بار سیستم توزیع افزایش کیفیت توان و کاهش نوسانات ولتاژ راندمان کلی شبکه برق را بهبود می بخشد. علاوه بر این، شارژ هماهنگ از مسطح کردن پروفیل بار پشتیبانی می کند بنابراین یک تکنیک هماهنگی موثر برای حفاظت از شبکه توزیع و اجزای آن بسیار مهم است. توان قابل توجهی که از طریق شارژ خودروهای الکتریکی استفاده می شود تاثیرات منفی غیرقابل انکاری بر شبکه برق دارد. علاوه بر این با افزایش استفاده از خودروهای الکتریکی یک راه حل موثر برای هماهنگی شارژ خودروهای الکتریکی، به ویژه با توجه به افزایش پیش بینی شده شارژرهای سریع خودروهای الکتریکی به شدت مورد نیاز است. در این مقاله، رویکردهای مختلف یادگیری ماشین (ML) برای هماهنگی شارژ خودروهای الکتریکی مقایسه می شوند مدل های یادگیری ماشین می توانند توان مورد استفاده در ایستگاه های شارژ خودروهای الکتریکی (EVCS) را پیش بینی کنند. به دلیل توانایی آن در استفاده از داده های تاریخی برای یادگیری و شناسایی الگوها برای تصمیم گیری های آینده با حداقل دخالت کاربر، از یادگیری ماشین استفاده شده است. مدل های یادگیری ماشین مورد استفاده در این مقاله عبارتند از (۱) درخت تصمیم(DT)، (۲) جنگل تصادفی (RF) (۳) ماشین بردار پشتیبان (SVM)، (۴) بیز ساده (N) (۵) نزدیکترین همسایه ها (KNN) شبکه های عصبی عمیق (DNN) و (۷) حافظه کوتاه مدت بلندمدت (LSTM) این رویکردها به این دلیل انتخاب شده اند که طبقه بندی کننده هایی هستند که به داشتن نتایج پیشرو برای مسائل طبقه بندی چندکلاسه شناخته می شوند. نتایج به دست آمده بینشی در مورد اهمیت تکنیک های مورد استفاده و پتانسیل بالای آن ها در ارائه یک راه حل قابل اعتماد برای شارژ هماهنگ خودروهای برقی در نتیجه بهبود عملکرد شبکه برق و کاهش تلفات توان و نوسانات ولتاژ ارائه می دهد استفاده از یادگیری ماشین در مقایسه با تکنیک های بهینه سازی مرسوم مانند برنامه ریزی درجه دوم، روشی ساده تر برای هماهنگی خودروهای برقی ارائه می دهد و استفاده از یادگیری ماشین سریع تر است زیرا به توان محاسباتی کمتری نیاز دارد LSTM با دقت ۹۵ بهترین نتایج را برای پیش بینی مناسب ترین توان نامی (PR) برای EVCS ارائه داد و پس از آن RF DT، DNN، SVM، KNN و NB قرار گرفتند علاوه بر این LSTM همچنین مدلی با کمترین نرخ خطا با مقدار ۰.۷، و پس از آن RF DT KNN، SVM DNN و NB قرار داشتند. نتایج به دست آمده از مدل LSTM مشابه نتایج به دست آمده از مقالات گذشته با استفاده از برنامه ریزی درجه دوم بود، با این تفاوت که سرعت و سادگی ML افزایش یافته بود.

کلیدواژه ها:

شارژ هماهنگ خودروهای الکتریکی ، سیستمهای سایبری-فیزیکی (CPS) ، درخت تصمیم گیری (DT) ، شبکه عصبی عمیق (DNN) ، ایستگاههای شارژ خودروهای الکتریکی (EVCS) ، نزدیک ترین همسایه (KNN) ، حافظه کوتاه مدت بلندمدت LSTM) ، یادگیری ماشین (M) ، بیز ساده (NB) ، توان نامی (PR) ، جنگل تصادفی (RF) ، شبکه های عصبی بازگشتی (RNN) ، شبکه هوشمند ماشین بردار پشتیبان (SVM)