Volumen 12, Número 1, 2020
Estrategia de carga inteligente de vehículos eléctricos para múltiples agregadores, utilizando optimización heurística
Carlos Méndez, Jerson Mejía, Sergio Rivera, Gustavo Coria, Angel Sánchez y Andrés Romero
Resumen
El presente artículo propone una solución, mediante métodos heurísticos, al problema de carga de 150 vehículos eléctricos, a través de 32 agregadores dependientes de un transformador principal. La solución propuesta esté basada en estudios realizados con anterioridad para un método de optimización analítica, que funciona hasta con un máximo de 7 agregadores. Esta solución se logra mediante el uso de ecuaciones lineales que limitan el costo y la carga disponible para el sistema, mediante el uso de la función “fmincom” del software Matlab®, que utiliza métodos de solución analíticos de optimización. Adicionalmente, se realiza una estrategia de optimización heurística basada en el método DEEPSO (combinación de enjambre de partículas y evolución diferencial) y usando las mismas restricciones pero verificando que la estrategia cumpla el objetivo propuesto. Se muestran gráficas de los resultados obtenidos en la optimización, y se realiza un análisis comparativo de los métodos.
Smart charging strategy of electric vehicles for multiple aggregators, using heuristic optimization
Carlos Méndez, Jerson Mejía, Sergio Rivera, Gustavo Coria, Angel Sánchez and Andrés Romero
Abstract
The present paper proposes a solution, by means of heuristic methods, to the problem of charging 150 electric vehicles, through 32 aggregators from a main transformer. The proposed solution is based on previous studies for an analytical optimization method, which works with up to 7 aggregators. This solution is achieved through the use of linear equations that limit the cost and the available load for the system, by using the ”fmincom” function of the Matlab® software, which uses analytical optimization solution methods. Additionally, a heuristic optimization strategy is carried out based on the DEEPSO method ( combination of particle swarm and differential evolution) and using the same restrictions but verifying that the strategy fulfills the proposed objective. The results obtained in the optimization are shown, and a comparative analysis of the methods is carried out.
DOI: https://doi.org/10.46571/JCI.2020.1.3
Texto completo: