ev_chargingcoordination2017
1.0.0
Le secteur des transports représente une proportion importante de la consommation totale d'énergie et est à ce jour en grande partie basée sur les combustibles fossiles. L'atténuation des émissions de gaz à effet de serre via l'électrification à grande échelle du transport routier détériorera probablement les profils de tension et l'équipement de réseau de surcharge dans les réseaux de distribution. Le contrôle du calendrier de charge des véhicules électriques de manière centralisée et coordonnée fournit une solution potentielle pour atténuer les problèmes et pourrait différer l'investissement dans la mise à niveau des infrastructures réseau.
Dans ce travail, une routine de planification unidirectionnelle des coûts des coûts robuste pour facturer des véhicules électriques pendant la nuit dans des réseaux de distribution à basse tension résidentiels est présenté qui observe le réseau local, l'équipement et les contraintes de demande de demande dans un environnement stochastique. Pour réduire la complexité de calcul, une approximation de flux de puissance linéaire est utilisée. L'environnement modélisé implique une demande d'électricité résidentielle incertaine, les prix du marché et le comportement de mobilité des propriétaires de véhicules électriques, y compris les distances de voyage quotidien stochastiques, les heures d'arrivée et de départ. Les connaissances sur les distributions de probabilité de ces paramètres sont utilisées pour couvrir les risques concernant le coût de la charge, les surcharges du réseau, la violation de la tension et la fiabilité de la charge.
Les résultats donnent un aperçu de l'impact de l'incertitude et de l'efficacité de la lutte contre des aspects particuliers du risque pendant l'optimisation. En particulier, la prise en compte des pics de demande au niveau des ménages à variation temporelle et la planification avec des estimations plus prudentes des niveaux de charge de batterie initiaux ont augmenté la fiabilité et la faisabilité technique des horaires optimisés. Il est en outre souligné que l'introduction des prélèvements de grille dynamiques, qui amplifient l'effet des prix variables de l'électricité, constitue un déterminant clé du potentiel d'économie de coûts par la gestion du côté de la demande qui ne pourrait encourir que des implications fiscales mineures.
Exécutez setup.py pour installer tous les packages requis. Le fichier est exécutable.
Installez les exigences avec conda .
$ conda install --file requirements.txt
Créez un nouvel environnement conda avec les packages requis, en exécutant la commande suivante dans un terminal (Linux ou MacOS) ou une fenêtre de ligne de commande (Windows), en vous assurant d'exécuter cette commande dans le répertoire contenant le fichier requirements.yml :
conda env create -f requirements.yml Pour exécuter, d'abord, spécifiez les paramètres dans parameters/evalParams.ini , puis exécutez /src/run.py .
La thèse et les analyses sont complétées dans /docs/
Les résultats sont stockés dans /log/ dans un dossier indiqué par une date unique Singleton. Les résultats utilisés pour cette thèse sont disponibles sur demande en raison de grandes tailles de fichiers.
