并网光伏与Trojan蓄电池储能系统增强型电动汽车充电站的能量管理策略：经典方法与神经网络解决方案

电动汽车（EVs）的日益遍及以及可再生动力的整合，使得电动汽车充电站需要先进的能量办理战略。本研讨提出并施行了两种办法，用于办理由光伏（PV）体系供电并由电池储能体系（BESS）支撑的并网充电站中的能量流。榜首种办法选用经典的数学优化技能，以在静态条件下最大化可再生动力运用率并保持电网安稳性。第二种办法触及根据神经网络模型的施行，包含用于最大功率点盯梢（MPPT）的自适应神经含糊推理体系（ANFIS），以及用于动态条件下实时功率流办理的函数拟合神经网络（FFNN）。选用根据ANN的办法其动机在于传统办法在处理太阳辐照度和电动汽车充电需求的非线性、不确定性及快速动摇方面存在局限性。ANN模型具有卓越的学习和泛化能力，可以在无需显式物理建模的状况下，在动态环境中完成更快速的数据驱动决策。这两种战略均在MATLAB/Simulink中进行了仿真，功能评估根据能量效率、荷电状态曲线以及对太阳输入和电动汽车需求动态改变的响应。结果表明，虽然经典办法在安稳场景下体现杰出，但ANN-
跟着环境问题日益加剧并在全球范围内构成重大要挟，人类有必要迅速采取行动以削减温室气体排放。许多环保安排和政府机构现已制定了旨在削减CO 2排放的全面计划和政策[1]。在应对不断加剧的环境应战并保证可继续动力供应的最具前景的战略中，包含选用可再生动力和交通网络电气化。由于交通被认为是温室气体排放最重要的来源之一，构成了严峻的环境要挟，因而交通电气化已取得重视，并推进了EVs遍及率的进步[2]。此外，EVs因其无噪音、污染极小、高能效以及规划简略等优势而引起了广泛重视[3]。虽然具有这些优势且取得了进展，但车辆本钱高昂、续航路程有限以及充电基础设备缺乏等诸多应战仍阻止了EVs的广泛遍及[4]，[5]。EV充电站散布在路途沿线、工作楼内、私家车库以及公共停车场中。它们提供AC和DC两种充电选项。在城市中，虽然AC充电速度慢于DC充电，但它更适合夜间充电，因而更为遍及。因而，最大的担忧之一是“
电动汽车（EVs）正越来越多地被选用以代替内燃机车辆，有助于削减环境污染并降低化石燃料的消耗。但是，为EV电池充电会导致电力需求大幅激增，而这首要由现有电网来满足。不幸的是，该电网很大一部分依靠于化石燃料，这带来了两个要害应战。首要，化石燃料是有限的资源；其次，它们在燃烧时会释放温室气体[6]，[7]。这种状况凸显了将可再生动力（REs）与当时电网相结合的必要性，以开发一个无碳且环境可继续的发电体系。跟着动力需求的不断添加和化石燃料储量的日益枯竭，对可再生动力的研讨已变得愈发要害[8]。EV充电站中的太阳能——它还可认为电网辅助服务做出贡献——是全球许多国家广泛运用的REs之一。其首要方针是最大化PV动力服务的运用率，预计到2050年，其产值将占全球发电能力的20%至25%[9]，[10]。此外，太阳能的间歇性和动摇性特征，以及电动汽车的负荷需求，使得能量存储成为必要，以保证接连的电力供应并进步发电质量。在各种能量存储技能中，BESS是最广泛运用且最适宜的……
将PV体系与电池储能集成用于电动汽车充电站（EVCS），是对太阳能的间歇性以及电动汽车需求动摇的一种应对措施。各种BESS有助于在阳光充足时期或电价较低时储存发生的剩下能量。这些多余的能量可以在电价较高时卖回电网，然后进步充电站的经济可行性。这一布景催生了创新的操控战略和动力办理处理方案，以有用应对这些动态应战[12]，[13]。文献中的一个显著发现表明，适宜的操控体系可以促进交通运输完成零排放；但是，相关研讨并未考虑充电技能本身的影响或相关的本钱。例如，参考文献[14]介绍了一种动力办理体系（EMS），该体系选用根据模型猜测操控的一阶段优化办法，用于光伏停车场设备中电动汽车充电的办理。
许多研讨[15]、[16]、[17]已针对结合PV发电、电池储能和电网支撑的EVCS能量办理展开探讨。这些研讨的首要方针是优化动力本钱并最小化电网消耗，然后促进可再生动力的运用并推进电动汽车的广泛遍及。这一转变在削减CO₂排放方面发挥着至关重要的作用。这些查询具体处理了比如功率平衡、电网压力、充电本钱以及在充电站电动汽车负载动摇的状况下完成不间断充电的需求等要害因素。正如[18]中所讨论的，一种办法提出了一种针对Battery Storage Systems（BSS）的最优充放电计划，旨在最小化与大规模PV体系互联的配电体系内的线路损耗。该研讨开发了一个数学模型来模拟BSS的充电过程，然后在考虑PV能量生成的间歇性特征的一起，构建出最小线路损耗场景。这种最优调度可以经过根据Genetic Algorithm（GA）的办法来完成。此外，一些研讨还探索了应对插电式电动汽车随机抵达时的最优充电和谐战略。[19]中提出的Mixed-Integer Linear Programming（MILP）优化模型旨在最小化聚合EV充电站服务中的运营本钱。
跟着可再生动力更深化地融入我们的动力体系，且客户扮演着愈加活跃的角色，这些体系正面临日益添加的复杂性和不确定性。仅依靠物理模型和数值核算的传统办法无法有用应对这些新应战，尤其是那些触及不确定性和有限可见性的问题。因而，人们对运用人工智能技能（特别是Artificial Neural Networks (ANNs)）来增强电动汽车充电站的能量办理和操控发生了越来越稠密的爱好。ANNs发挥着重要作用，已被广泛用于进步Microgrids (MGs)的效率和功能，处理比如经济型能量分配和负载动摇等问题。ANNs在微电网能量办理中尤为受欢迎，有助于完成电网与体系之间的平稳能量传输[22], [23]。最近，根据ANN的操控体系在各种场景中取得了成功，包含保持AC microgrids的电压和频率，以及监管逆变器和双向逆变器等电力设备。这些操控器以其快速响应、安稳性和牢靠性而著称。它们可以增强AC microgrids的频率和电压安稳性，改进电能质量，并促进不同运行形式之间的平滑切换[24]。但是，目前仍缺乏专门针对运用ANNs来操控DC/DC conve的研讨。
本研讨提出了一种具体的办法，用于规划和办理太阳能电动汽车充电站的电力体系，该体系集成了solar PV面板、BESS以及电网衔接。它认识到太阳能的不确定性和电动汽车充电需求的动摇性，然后开宣布一种先进的功率流办理战略。首要方针是进步太阳能和BESS的运用率，然后削减为电动汽车充电对电网电力的依靠。为了完成充电站内有用的能量分配，选用了根据神经网络的电力办理体系。该体系促进了PV体系的集成作为首要动力提供者，一起由BESS保证在夜间或太阳能发电量低时有满足的能量可供充电。当PV和BESS的归纳输出缺乏以满足充电需求时，体系可以无缝地从电网抽取额定电力以保证接连运行。此外，施行了ANFIS来优化电压操控，然后在各种辐照度和温度场景下最大化从太阳能面板中获取的能量。所提出的体系经过精心规划、建模，并经过MATLAB/Simulink进行了测试，以验证其功能。
本研讨的首要方针如下：
规划并优化一个结合太阳能PV、BESS和电网衔接的EV充电站，保证其在任何时候都能牢靠运行。
建立一种强调最大限度运用太阳能和BESS的电力办理办法，然后削减电动汽车充电对电网动力的依靠。
经过施行稳健的能量流办理战略，以应对太阳能发电动摇性和EV充电需求改变所带来的应战。
应用先进学习技能实时动态优化能量流，以进步体系效率和功能。
运用ANFIS和FFNN等ANN办法来处理非线性关系和快速改变的状况，以建立具有韧性和适应性的动力办理体系。