بررسی کاربردهای هوش مصنوعی در ادغام انرژیهای تجدیدپذیر و شارژ خودروهای الکتریکی

با رشد روزافزون خودروهای الکتریکی (EV) و اهمیت منابع انرژی تجدیدپذیر (RES)، یکپارچه سازی شارژ EVها با این منابع برای کاهش فشار شبکه و بهبود استفاده از انرژی پاک ضروری است. این مقاله یک چارچوب جامع برای مدیریت هوشمند شارژ EVها با استفاده از مدل پیش بینی بار مبتنی بر LSTM و کنترل پیش بین مدل (MPC) ارائه میدهد. ابتدا پروفایل بار شارژ EVها و تولید منابع تجدیدپذیر جمع آوری شده و پیش بینی بار کوتاه مدت پیاده سازی شد، سپس بهینه سازی شارژ با هدف کاهش هزینه انرژی و کاهش بار پیک شبکه انجام گرفت و کنترل MPC برای هماهنگی توان تولید و مصرف به کار گرفته شد. نتایج شبیه سازی نشان داد که پیش بینی بار با LSTM دقت بالاتری نسبت به مدلهای سنتی دارد و شاخص های RMSE و MAPE کاهش قابل توجهی یافته اند علاوه بر این بهینه سازی شارژ توانست هزینه انرژی را حدود ۱۲ کاهش دهد و بار پیک شبکه تا ۲۰٪ کاهش یابد همچنین استفاده از انرژی تجدیدپذیر افزایش یافت. کنترل MPC نیز پایداری شبکه را افزایش داده و Tracking Error را ۱۵٪ کاهش داد. این نتایج نشان میدهد که ترکیب پیش بینی دقیق، بار بهینه سازی شارژ و کنترل پیش بین مدل، یک رویکرد عملی و مقیاس پذیر برای مدیریت هوشمند شارژ EVها فراهم می.کند پیشنهاد میشود تحقیقات آینده به گسترش این چارچوب در شبکه های بزرگتر استفاده از داده های بلادرنگ IoT ترکیب با الگوریتمهای بهینه سازی تکاملی و بررسی جنبه های اقتصادی و محیط زیستی بپردازد تا کاربردهای عملی و تاثیرات محیط زیستی آن افزایش یابد.

کلیدواژه ها:

هوش مصنوعی ، شبکه هوشمند ، خودرو الکتریکی ، شارژ بهینه