چارچوبی چندهدفه برای جایابی هم‌زمان ایستگاه‌های تعویض و شارژ باتری خودروهای الکتریکی در حالت شارژ متمرکز

هدف از این مقاله ارائه چارچوبی چندهدفه برای جایابی بهینه هم‌زمان ایستگاه‌های تعویض و شارژ باتری خودروهای الکتریکی در حالت شارژ متمرکز است. در حالت شارژ متمرکز، برخلاف حالت غیرمتمرکز، تجهیزات شارژ در محلی غیر از ایستگاه تعویض باتری قرار دارند که به آن ایستگاه مرکزی شارژ گفته می‌شود. باتری‌ها در این محل شارژ شده و در فواصل زمانی معین میان ایستگاه‌های تعویض باتری توزیع می‌شوند. توابع هدف مدل ارائه‌شده در این مقاله، کمینه کردن هزینه جابه‌جایی باتری‌ها، بهبود شاخص ولتاژ و کاهش هزینه تلفات شبکه توزیع است. به این منظور یک مدل غیرخطی چندهدفه جهت محاسبه مقادیر توابع هدف مسئله ارائه شده است. از الگوریتم ژنتیک چندهدفه (nsga-ii) برای حل مسئله بهینه‌سازی در این مقاله استفاده ‌شده است. خروجی الگوریتم ژنتیک یک سطح پَرِتو شامل چند مجموعه ای از پاسخ ها خواهد بود که پاسخ نهایی از میان آن ها با استفاده از روش تصمیم گیری فازی انتخاب می شود. درنهایت مدل پیشنهادی بر روی سیستم آزمون 69 باسه ieee پیاده‌سازی شده است و نتایج در سناریوهای متفاوت مورد بررسی قرار گرفته اند. نتایج به‌دست‌آمده به‌خوبی کارایی مدل ارائه‌شده را نشان می‌دهند.

a multiobjective framework for simultaneous placement of electric vehicle battery swapping and charging stations in centralized charging mode

the purpose of this paper is to introduce a framework for the simultaneous optimal placement of battery charging and swapping stations for electric vehicles in centralized charging mode. in the centralized charging mode, unlike the decentralized mode, the charging equipment is located in a place other than the battery swapping station, which is called the central charging station. the batteries are charged in this place and are distributed among the battery swapping stations on a regular basis. the objective functions of the presented model include minimization of the batteries transportation cost, improving the voltage index, and reducing the cost of distribution grid losses. for this purpose, a nonlinear multi-objective model is presented to calculate the objective function values of the problem. non-dominated sorting genetic algorithm (nsga-ii) is used to solve the optimization problem in this article. the output of the genetic algorithm is a set of pareto optimal points, from which the final solution is selected using fuzzy decision-making method. finally, the model is implemented on the 69-bus ieee test system, and the results have been examined in different scenarios. the obtained results verify the efficiency of the presented model.