علی احمدیان

امروزه موضوع آلودگی های زیست محیطی و محدودیت منابع سوخت های فسیلی به یکی از مهم ترین چالش های جوامع مختلف تبدیل شده است؛ بخش عظیمی از این چالش ها حاصل از حضور خودروهای احتراق داخلی بوده که یکی از بزرگ ترین مصرف کننده های سوخت های فسیلی هستند و سهم قابل ملاحظه ای در تولید گازهای گلخانه ای را دارند. جایگزین کردن این خودروها با خودروهای الکتریکی بهترین راهکار برای کنترل میزان آلودگی های زیست محیطی در سال های آینده است. در حال حاضر در کشورهای توسعه یافته میزان نفوذ خودروهای الکتریکی در ناوگان حمل ونقل در حال افزایش است که این موضوع منجر به ایجاد یک بار عظیم با رفتار تصادفی بالا در شبکه توزیع برق شده است. در این راستا، شارژ هوشمند این خودروها توسط یک جمع کننده با در نظر گرفتن عدم قطعیت بار مصرفی خودروها امری حیاتی است که به این منظور هزینه شارژ خودروها و اثرات آن ها بر شبکه توزیع مدیریت می گردد. جمع کننده ها یک نهاد واسطه بین مالکان خودروهای الکتریکی و اپراتورهای شبکه توزیع می باشند. با افزایش میزان نفوذ خودروها در شبکه، نقش جمع کننده ها نسبت به قبل پررنگ تر شده و با توجه به اینکه آن ها علاوه بر کمینه کردن هزینه شارژ خودروها از طریق شرکت در بازارهای انرژی سود دریافت می نمایند تعداد این واحدهای جمع کننده در آینده رو به افزایش خواهد بود. در این شرایط یک فضای شارژ شامل جمع کننده های مختلف ایجاد می گردد که نیازمند تحلیل و تحقیق بیشتر می باشد. هرکدام از این واحدهای جمع کننده برای اینکه بتوانند سود بالاتر و در ضمن مشتریان بیش تری را داشته باشند، نیاز به حضور موثرتر در بازار انرژی داشته که لازمه آن بررسی دقیق رفتار خودروها و اثرات بار آن ها بر شبکه توزیع است. در این رساله، مدل سازی دقیق بار مصرفی خودروهای الکتریکی با استفاده از روش یادگیری عمیق مبتنی بر شبکه های عصبی مولد تخاصمی انجام شده است و برتری این روش نسبت به سایر روش های احتمالاتی و آماری بررسی می گردد. روش مورداستفاده در این رساله یکی از جدیدترین روش-های تولید داده در مبحث یادگیری عمیق است که با توجه به ساختار بار مصرفی خودروهای الکتریکی (زمان ورود، زمان خروج و بار مصرفی) در فضای سه بعدی طراحی شده است. همچنین، الگوریتم شارژ هوشمند خودروهای الکتریکی با رعایت قیود فنی شبکه توزیع ارائه می گردد به نحوی که منجر به حداکثر شد