logo móvil
Contáctanos

Optimización de Programación Multi-Objetivo para la Carga y Descarga de Vehículos Eléctricos: Estrategia de Desplazamiento de Carga Pico Basada en Muestreo de Monte Carlo

Autores: Zheng, Jian; Cui, Jinglan; Zhao, Zhongmei; Li, Guocheng; Wang, Cong; Lu, Zeguang; Yang, Xiaohu; Liu, Zhengguang

Idioma: Inglés

Editor: MDPI

Año: 2025

Descargar PDF

Acceso abierto

Artículo científico
2025

Optimización de Programación Multi-Objetivo para la Carga y Descarga de Vehículos Eléctricos: Estrategia de Desplazamiento de Carga Pico Basada en Muestreo de Monte Carlo


Categoría

Procesos industriales

Subcategoría

Diseño de procesos industriales

Palabras clave

Vehículos eléctricos
Estabilidad de la red
Modelo de comportamiento de carga
Muestreo de Monte Carlo
Optimización multiobjetivo
Disparidades de pico a valle

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 19

Citaciones: Sin citaciones


Descripción
Los comportamientos de carga descoordinados de los vehículos eléctricos (VE) desafían la operación estable de la red, por ejemplo, aumentando la relación pico-valle de la red y disminuyendo la fiabilidad del suministro de energía. Se emplea un método de muestreo de Monte Carlo para desarrollar un modelo de comportamiento de carga para los VE con el fin de resolver los problemas planteados por el modo de carga aleatorio. Se incorporan y analizan las densidades de probabilidad de la distancia diaria de conducción, el tiempo de carga inicial, la potencia de carga y la duración de la carga. El modelo propuesto permite múltiples valores de muestra aleatorios para los VE, considerando las diversas condiciones climáticas y los precios de electricidad según el tiempo de uso. Para la optimización de carga y descarga, se construye un modelo de programación de carga y descarga de VE, con el objetivo de equilibrar múltiples funciones objetivo, incluidos los costos de degradación de la batería, los costos de carga del usuario, las fluctuaciones de carga de la red y las diferencias pico-valle. Se aplica el método de ponderación para transformar el marco de múltiples objetivos en una solución integral de un solo objetivo, facilitando la identificación de estrategias óptimas de carga y descarga. Los resultados demuestran que el muestreo de Monte Carlo puede generar satisfactoriamente conjuntos de datos con características realistas sobre el rango de conducción y el tiempo de inicio de carga de los VE. Además, los resultados de carga logrados a través de la optimización multiobjetivo demuestran que la estrategia propuesta mitiga efectivamente las disparidades pico-valle. La reducción de la carga pico y el incremento de la carga de valle son del 27.6% y 160.1%, respectivamente. A través del equilibrio de carga posterior al pico, los costos promedio de cada VE para la carga diaria y la degradación de la batería se reducen a 7.58 yuanes y 15.68 yuanes, respectivamente. Este enfoque puede mejorar significativamente la estabilidad de la red, abordar simultáneamente los intereses económicos de los usuarios y extender la vida útil de la batería.

Otros recursos que podrían interesarte

Temas Virtualpro