مکان‌یابی خودروهای الکتریکی با در نظر گرفتن همکاری مشترکین و تاثیر همسایگی‌های متعدد در الگوریتم شبیه‌سازی تبرید

خودروهای الکتریکی فناوری نو با قابلیت ذخیره انرژی هستند که قادرند علاوه بر رفع نیازهای متداول، تاثیر بسزایی در سیستم برق ایفا نمایند. این امر وابستگی بسیاری بر مکان قرارگیری آن‌ها در شبکه دارد. از طرفی مدیریت تقاضا توسط مشترکین می‌تواند بر این مکان‌یابی تاثیر مستقیم داشته باشد. هرکدام از این عوامل نیز به اهداف تعیین‌شده و موردنظر در طرح وابسته است. وجود این عناصر، مدل‌های پیچیده‌ای را به وجود می‌آورد که حل آن اهمیت بسیار بالایی دارد. ازآنجایی‌که هر مدل الکتریکی دارای متغیرها، روابط و ویژگی‌های محاسباتی مخصوص به خود است، نیاز به انتخاب الگوریتم جستجو متناسب با هر مدل بیش‌ازپیش احساس می‌شود. انتخاب صحیح این الگوریتم می‌تواند تاثیر بسزایی در دستیابی به پاسخ بهینه با دقت بیشتر داشته باشد. در این مقاله به مکان‌یابی خودروهای الکتریکی در حضور مدل مدیریت تقاضا با کمک الگوریتم تبرید بهبودیافته پرداخته می‌شود. نشان داده خواهد شد که چطور این الگوریتم می‌تواند با استفاده از تاثیر همسایگی متعدد بر انتخاب مسیر جستجو، پاسخ بهینه با دقت بالا را شناسایی نماید. درنهایت پاسخ این الگوریتم با الگوریتم شبیه‌سازی تبرید استاندارد مقایسه می‌شود.

electric vehicle placement considering subscriber cooperation and the effect of multiple neighborhoods in the simulated annealing algorithm

electric vehicles are innovative technologies with energy storage capabilities that can significantly impact the power system beyond meeting conventional needs. this impact heavily depends on their placement within the grid. on the other hand, demand-side management by consumers can directly influence this placement. each of these factors also depends on the predetermined objectives and goals of the project. the presence of these elements creates complex models, the solution of which is highly important. since each electrical model has its own specific variables, relationships, and computational characteristics, the need to select a search algorithm tailored to each model is felt more than ever. the correct selection of this algorithm can significantly impact achieving an optimal solution with greater accuracy. in this paper, the placement of electric vehicles in the presence of a demand-side management model is addressed using the improved simulated annealing algorithm. it will be demonstrated how this algorithm can identify an optimal solution with high accuracy by utilizing the effect of multiple neighborhoods on the search path selection. finally, the results of this algorithm are compared with those of the standard simulated annealing algorithm.