Yenilenebilir enerji destekli elektrikli araç şarj istasyonları için yük tarafı talep yönetiminin akıllı kontrol yöntemleri ile geliştirilmesi
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüzde elektrikli araçların (EA) kullanımının ve buna bağlı olarak EA şarj istasyonlarının sayısının hızla yaygınlaşması, enerji talebini önemli derecede artıracaktır. Bu talep artışı güç sisteminde aşırı yüklenmelere ve farklı güç kalitesi problemlerinin oluşmasına yol açacaktır. Enerji talebinde meydana gelecek bu artış ile mevcut şebeke koşullarında akıllı şebeke, akıllı enerji yönetimi, talep tarafı yönetimi kavramlarının önemi de artmıştır. Akıllı şebeke ve talep tarafı yönetimi yaklaşımları güç sisteminin güvenilirliğini artırarak ve uzun vadede pik talebi düşürerek şebeke kapasitesinin yükseltilmesi için ihtiyaç duyulan yatırım maliyetini azaltmaktadır. Elektrikli araçların artışı ile EA şarj uygulamalarında akıllı şarj stratejilerinin geliştirilmesi konusunda da ihtiyaçlar ortaya çıkmıştır. EA'lar günün büyük bir bölümünde aktif halde kullanılmamaktadır. Bu özellikleri, EA şarj süreçlerini, talep tarafı yönetimi tekniklerinden biri olan doğrudan yük kontrolü uygulamaları için uygun seçenekler haline getirmektedir. Doğrudan yük kontrolü uygulamaları ile akıllı şarj stratejileri geliştirilerek puant yüklerin oluşmasının önüne geçilmesi noktasında katkı sağlanabilmektedir. Bu tez kapsamında, iki farklı koşulu değerlendiren vaka çalışmaları ile doğrudan yük kontrolü yöntemleri kullanılarak akıllı şarj stratejileri geliştirilmesi ve puant yük oluşumunun azaltılması amaçlanmıştır. Yük tarafı talep yönetimi ve akıllı kontrol yöntemleri için literatürde çok sayıda farklı örnekler mevcuttur. Doğrudan yük kontrolü uygulamalarında değerlendirilmesi gereken parametreler arasında kullanıcı memnuniyeti de vardır. EA şarj istasyonlarının doğrudan yük kontrolü uygulamaları ile kontrol edilmesi süreçlerinde yük kaydırma ve yük atma gibi kontrollerin gerçekleştirilmesi süreçlerinde kullanıcı taleplerinin değerlendirilmesi ve bu değerlendirmelerine göre yük tarafı talep yönetiminin gerçekleştirilmesi kritik öneme sahiptir. Bu tezde, yenilenebilir enerji destekli EA şarj üniteleri için yük tarafı talep yönetiminin gerçekleştirilmesi, uygun bir akıllı kontrol yönteminin tasarımı, uygulaması ve şebeke yük profiline etkileri incelenmiştir. Yük tarafı talep yönetiminin gerçekleştirilmesi için kısıtlar ve değişkenler arttıkça yük tarafı talep yönetimi problemi karmaşıklaşmaktadır. Akıllı yük tarafı talep yönetimi karar verici doğrudan yük yönetimi gibi talep tarafı yöntemlerinin uygulanıp uygulanmayacağına ve hangi doğrudan yük kontrolü uygulamasının yapılacağına karar vermektedir. Çalışmada, yenilenebilir enerji destekli EA şarj istasyonunu merkeze alan iki farklı vaka çalışması belirlenmiştir. İki vaka çalışmasında sırasıyla; birden fazla şarj birimine sahip EA şarj istasyonlarında uygun şarj hızının seçilmesi ve kişisel kullanıma sahip EA şarj istasyonları için doğrudan yük kontrolüne uygunluğunun değerlendirilmesi konuları incelenmiştir. Birinci vaka çalışmasında puant yüklerin oluşmasını engellemek için uygun şarj hızı seçimini yapacak akıllı karar verici yapısı tasarlanmış ve ikinci vaka çalışmasında ise şarj işleminin başlatılması öncesinde mevcut yük durumu değerlendirilerek şarj işleminde doğrudan yük kontrolü yöntemlerinin uygulamasına uygun olup olmadığı değerlendirilmiştir. Her iki vaka çalışması için de kullanıcıdan tedarik edilen mevcut şarj durumu, sonraki yolculuk mesafesi, batarya kapasitesi ve şarj istasyonundan ayrılma süresi verileri kullanılmıştır. Karar verme süreçlerinde kullanılan diğer veri ise mikro şebekenin anlık tüketim değeridir. Çalışmada makine öğrenmesi eğitim süreçlerinde kullanılmak üzere belirli kısıtlamalar doğrultusunda veri setleri oluşturulmuş ve bu veri setleri her vaka çalışması için belirlenen karar algoritmaları ile etiketlenmiştir. Oluşturulan veri setleri ile kullanıcı için olumsuz bir duruma yol açmadan yük tarafı talep yönetimi gerçekleştirmek adına iki farklı model için makine öğrenmesi sınıflandırma yöntemleri kullanılmıştır. Simülasyon süreçlerinde birinci vaka çalışması için veri seti yapay sinir ağı tabanlı bir karar verici kullanılarak %99,1 doğruluk ile sınıflandırılmış ve gereksiz hızlı şarj istasyonu kullanımının önüne geçildiği görülmüştür. İkinci vaka çalışması için ise topluluk öğrenmesi metotlarından bagged trees ile %98,7 doğruluk ile sınıflandırılmıştır. Geliştirilen yöntemler ile EA şarj süreçlerinde kullanıcılar için olumsuzluk oluşturmadan doğrudan yük yönetim kararının verilebildiği görülmüştür. Her iki vaka çalışması için uygulama öncesinde, sonrasında ve yenilenebilir enerji desteği eklenen durumlarda şebeke yük profili karşılaştırmaları yapılmıştır. Tez çalışmasında önerilen yöntemlerin birden fazla EA şarj ünitesine sahip şarj istasyonları ve tek bir şarj ünitesine sahip evsel kullanıcılar için kolaylıkla uygulanabileceği görülmüştür. Ayrıca, tez çıktıları ile EA şarj ünitelerinin şebekeye olumsuz etkilerinin en aza indirildiği ve yük tarafı değişimlerini dikkate alan pratik bir talep yönetim sistemi geliştirilmiştir.
The widespread use of electric vehicles and the corresponding rapid increase in EV charging stations will significantly increase energy demand in today's world. This increase in demand will lead to overloading in the power system and the emergence of various power quality problems. This increase in energy demand has increased the importance of concepts such as smart srid, smart energy management, and demand-side management in current grid conditions. Approaches such as smart grid and DSM reduce the investment cost required to increase grid capacity by increasing the reliability of the power system and reducing peak demand in the long term. The increase in the use of EV has led to the emergence of a need for developing smart charging strategies for EV charging applications. EVs are not actively used for a significant portion of the day, which makes them suitable options for direct load control applications, one of the demand-side management methods. Direct load control applications can contribute to preventing the occurrence of peak loads by developing smart charging strategies. In this thesis, it is aimed to develop smart charging strategies and reduce the formation of peak charge by using DLC methods with case studies evaluating two different conditions. There are many and different examples in the literature for intelligent control methods for load-side demand management. User satisfaction is also among the parameters that should be evaluated in DLC applications. In the processes of controlling EV charging stations with direct load control applications, it is critical to evaluate user demands and perform load-side demand management according to these evaluations in the processes of performing controls such as load shifting and load shedding. In this thesis, the design and application of smart control method and its effect on the grid load profile for the realization of load side demand management in a renewable energy supported microgrid are investigated. The problem of load-side demand management becomes more complex as the constraints and variables increase to perform load-side demand management. Intelligent load-side demand management decision maker decides whether to apply demand-side methods such as direct load management and which direct load control to apply. Two different case studies have been defined that center the electric vehicle charging station in renewable energy supported microgrids. The two case studies represent, respectively, the selection of appropriate charging speed in multi-charging stations and the evaluation of suitability for direct load control for personal-use electric vehicle charging stations. In the thesis study, In the first case study, the decision-making structure that will make the selection of the appropriate charging speed to prevent the formation of peak loads was designed, and in the second case study, the current load situation was evaluated before the charging process was started, and it was evaluated whether it was suitable for the application of DLC methods in the charging process. For both case studies, current state of charge, next trip distance, battery capacity and time to leave the charging station will be used. The other data to be used in decision-making processes is instantaneous consumption value of the microgrid. In the study, data sets were created in line with certain restrictions to be used in machine learning training processes and these data sets were labeled with decision algorithms determined for each case study. Machine learning classification methods were used for two different models in order to perform load-side demand management without causing a negative situation for the user with the created data sets. For the first case study in the simulation processes, the data set was classified with an accuracy of 99.1% using an artificial neural network-based decision maker and it was seen that unnecessary fast charging station usage was prevented. For the second case study, the bagging tree method, which is one of the ensemble learning methods, was classified with an accuracy of 98.7% and it was seen that the load management decision could be made directly without causing any negativity for the users in the EV charging processes. For both case studies, grid load profile comparisons were made before and after the implementation of the decisionmaking structure and when renewable energy support was added. It has been seen that the proposed method in the thesis study can be applied in charging stations with more than one EV charging station and in domestic uses with a single charging station. In addition, with the thesis, a practical demand management system has been developed that minimizes the negative effects of EV charging units on the grid and takes into account load-side changes.
The widespread use of electric vehicles and the corresponding rapid increase in EV charging stations will significantly increase energy demand in today's world. This increase in demand will lead to overloading in the power system and the emergence of various power quality problems. This increase in energy demand has increased the importance of concepts such as smart srid, smart energy management, and demand-side management in current grid conditions. Approaches such as smart grid and DSM reduce the investment cost required to increase grid capacity by increasing the reliability of the power system and reducing peak demand in the long term. The increase in the use of EV has led to the emergence of a need for developing smart charging strategies for EV charging applications. EVs are not actively used for a significant portion of the day, which makes them suitable options for direct load control applications, one of the demand-side management methods. Direct load control applications can contribute to preventing the occurrence of peak loads by developing smart charging strategies. In this thesis, it is aimed to develop smart charging strategies and reduce the formation of peak charge by using DLC methods with case studies evaluating two different conditions. There are many and different examples in the literature for intelligent control methods for load-side demand management. User satisfaction is also among the parameters that should be evaluated in DLC applications. In the processes of controlling EV charging stations with direct load control applications, it is critical to evaluate user demands and perform load-side demand management according to these evaluations in the processes of performing controls such as load shifting and load shedding. In this thesis, the design and application of smart control method and its effect on the grid load profile for the realization of load side demand management in a renewable energy supported microgrid are investigated. The problem of load-side demand management becomes more complex as the constraints and variables increase to perform load-side demand management. Intelligent load-side demand management decision maker decides whether to apply demand-side methods such as direct load management and which direct load control to apply. Two different case studies have been defined that center the electric vehicle charging station in renewable energy supported microgrids. The two case studies represent, respectively, the selection of appropriate charging speed in multi-charging stations and the evaluation of suitability for direct load control for personal-use electric vehicle charging stations. In the thesis study, In the first case study, the decision-making structure that will make the selection of the appropriate charging speed to prevent the formation of peak loads was designed, and in the second case study, the current load situation was evaluated before the charging process was started, and it was evaluated whether it was suitable for the application of DLC methods in the charging process. For both case studies, current state of charge, next trip distance, battery capacity and time to leave the charging station will be used. The other data to be used in decision-making processes is instantaneous consumption value of the microgrid. In the study, data sets were created in line with certain restrictions to be used in machine learning training processes and these data sets were labeled with decision algorithms determined for each case study. Machine learning classification methods were used for two different models in order to perform load-side demand management without causing a negative situation for the user with the created data sets. For the first case study in the simulation processes, the data set was classified with an accuracy of 99.1% using an artificial neural network-based decision maker and it was seen that unnecessary fast charging station usage was prevented. For the second case study, the bagging tree method, which is one of the ensemble learning methods, was classified with an accuracy of 98.7% and it was seen that the load management decision could be made directly without causing any negativity for the users in the EV charging processes. For both case studies, grid load profile comparisons were made before and after the implementation of the decisionmaking structure and when renewable energy support was added. It has been seen that the proposed method in the thesis study can be applied in charging stations with more than one EV charging station and in domestic uses with a single charging station. In addition, with the thesis, a practical demand management system has been developed that minimizes the negative effects of EV charging units on the grid and takes into account load-side changes.
Açıklama
Anahtar Kelimeler
Elektrik, Elektronik Mühendisliği, Electrical, Electronics Engineering
