دانلود رایگان ترجمه مقاله تخصیص همزمان پارکینگ وسایل نقلیه الکتریکی و منابع تجدیدپذیر توزیع شده – الزویر ۲۰۱۷

elsevier1

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تخصیص هم زمان پارکینک های خودرو های الکتریکی و منابع تجدیدپذیر توزیعی در شبکه های توزیع برق هوشمند

عنوان انگلیسی مقاله:

Simultaneous allocation of electric vehicles’ parking lots and distributed renewable resources in smart power distribution networks

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۱۱ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی برق و انرژی
گرایش های مرتبط با این مقاله انرژی های تجدیدپذیر، مهندسی الکترونیک، سیستم های قدرت و ماشینهای الکتریکی
چاپ شده در مجله (ژورنال) شهرها و جوامع پایدار – Sustainable Cities and Society
کلمات کلیدی منابع تجدید پذیر توزیعی، خودروی برقی، شبکه توزیع برق، سرمایه گذار پارکینک، الگوریتم ژنتیکی، الگوریتم بهینه سازی ازدحام ذرات، بهینه سازی چند معیاره، شبکه توزیع هوشمند
ارائه شده از دانشگاه گروه مهندسی برق و کامپیوتر، دانشگاه کارنگی ملون، پیتسبورگ، ایالات متحده آمریکا
رفرنس دارد  
کد محصول F1152
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۵ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است 
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن به صورت فارسی درج شده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
۱ مقدمه
۱-۱ انگیزه و هدف
۲-۱ بررسی مقالات
۳٫۱ اهمیت
۴-۱ سازماندهی مقاله
۲ بیان مسئله و مقدمه ای بر مسئله بهینه سازی
۱-۲ تصمیم گیری سرمایه گذار پارکینک: انتخاب باس کاندید
۱٫۱٫۲ شاخص قابلیت اطمینان هر یک از باس ها
۲) شاخص جذب باس
۳) شاخص های قیمت زمین
۲-۲ ارزیابی ظرفیت منابع تجدید پذیر توزیعی (DRRs)
۳-۲ تحلیل جریان توان پیش خور و پس خور در شبکه توزیع با در نظر کرفتن DRR
۴-۲ مدل احتمالی تقاضای برق ساعتی پارکینگ
۳ بهینه سازی با استفاده الگوریتم ژنتیک و بهینه سازی ازدحام ذرات
۱-۳ الگوریتم ژنتیک
۳-۱-۲ انتخاب پارامترهای GA
۲-۳ بهینه سازی ازدحام ذرات
۴ مطالعه موردی
۱-۴ سیستم تست توزیع RBTS
۲-۴ محاسبه PIDMI برای سیستم تست
۳-۴ اثر نرخ شارژ بر روی پارکینک خودروی برقی در شبکه توزیع
۵ شبیه سازی نتایج تجزیه و تحلیل
۶ نتیجه گیری

 

 

بخشی از ترجمه
 چکیده
خودروهای الکتریکی و منابع تجدید پذیر توزیعی برای دست یابی به سه هدف مهم این قرن معرفی شده اند: استفاده از منابع انرژی ایمن از نظر زیست میحطی، عرضه مطمئن تقاضای بار و توسعه پایدار سیستم های توان. برای دست یابی به اهداف فوق، استفاده هم زمان از DRR و خودروی برقی بایستی به شکل زمان بندی شده پیاده سازی شوند. در این مقاله یک رویکرد دو مرحله ای برای تخصیص پارکینک های خودروی برقی و DRR درشبکه توزیع توان بررسی می شود. روش ما هر دو مزایای اقتصادی سرمایه گذار پارکینگ و محدودیت های فنی اپراتور شبکه را در نظر می گیرد. اولا سرمایه گذار پارکینگ باس های کاندید را برای نصب پارکینگ برای توزیع اپراتور شبکه بر اساس اهداق افتصادی ارایه می کند چارچوب پینشهادی نه تنها موجب بهبود افت شبکه توزیعی می شود، بلکه دسترسی به پارکینگ را از نقطه نظر تجاری اصلاح می کند. برای حل مسئله بهینه سازی فرموله شده، ما از دو روش بهینه سازی استفاده می کنیم. الگوریتم ژنتیک و بهینه سازی ازدحام ذرات برای کمیه سازی تلفات شبکه توزیعی استفاده می شوند. به علاوه، ما پارکینگ خودروی برقی را با توسعه مدل احتمالی مدل سازی می کنیم. عملکرد روش پیشنهادی، با تحصیص DRR و پارکینگ همزمان بر روی سیستم ازمون توزیعی استاندارد IEEE بررسی می شود. این سیستم، سیستم باس ۲ از سیست ازمون روی بلیتون است.
 
۱- مقدمه
۱-۱ انگیزه و هدف
افزایش اگاهی از انرژی و محیط زیست و تقاضا برای دست یابی به شبکه برق مطمئن، ایمن و پایدار منجر به تکامل شبکه های برق به عنوان ابزار مطمئن توزیع برق شده است. فناوری های جدید توسط SG معرفی شده اند نظیر قالب هایی که برای مدیریت سیستم های توزیع هوشمند ( زادیان و الساندی ۲۰۱) ارایه شده اند و ساختمان های هوشمند با ظرفیت خودرو به شبکه(لادمیا ۲۰۱۵). در این زمینه خودرو های الکتریکی نقش مهمی ایفا می کنند. برادی و امانی یک مدل پروفیل را برای وسایل نقلیه برقی ارایه کرده اند. این مدل بر اساس داده های دنیای واقعی خودروی برقی است.
علاوه بر این، افزایش تقاضای بار و محدودیت در منابع انرژی تجدید پذیر وجود دارد . فعال کردن SG از ویژگی های شبکه های توزیع می باشد (براون، ۲۰۰۸). بر اساس ارزیابی اداره اطلاعات انرژی آمریکا (EIA)، تقاضای انرژی ۲۰۱۰-۲۰۴۰ ۵۶ درصد افزایش می یابد که توسط توسعه اقتصادی (EIA، ۲۰۱۳) تعیین شده است. بنابراین، حالت توزیع منابع تجدید پذیر (DRRs) و مقدار اقتصادی را به عنوان راه حل های تکنولوژیکی برای حل مسائل مربوط به پایداری پیشنهاد کرده است. برنامه ریزی مستقل از طریق روش DRRs و مقدار های اقتصادی ممکن است چالش های انکار ناپذیری برای شبکه توزیع هوشمند به ارمغان بیاورد. شهرهای آینده نیاز به گسترش فن آوری های جدید مانند خودروهای الکتریکی و منابع تجدید پذیر به منظور بهبود رفاه اجتماعی، کاهش انتشار آلودگی در محیط زیست، و حرکت به سوی شبکه های حمل و نقل برقی دارند. این نیز به توسعه پایدار شبکه های توزیع انرژی منجر می شود.
۲-۱ بررسی مقالات
اثرات خودروی برقیS و DRRs در سیستم های قدرت آینده در چند مقاله مورد بررسی قرار گرفته است ، به عنوان مثال، منابع (امینی، نبی، و هقیفام، ۲۰۱۳؛ کلمنت-ناین، هائسن، و درایسن، ۲۰۱۰؛ کمپتون و تومیک، ۲۰۰۵؛ شعبان، آتوا، و ال-سدانی، ۲۰۱۳؛ ال-سوبرامانیانت،۲۰۱۳؛ تاتل و بالدیک،۲۰۱۲)). (کلمنت-ناین و همکاران، ۲۰۱۰)، اثر خودروی برقی بر روی یک شبکه توزیع مسکونی مورد مطالعه قرار گرفت. با این حال، اثر استفاده همزمان از DRRs در خودروی برقی مطرح نشده بود. مقدار استفاده از DRRs در شبکه های توزیع شامل سرمایه گذاری تعویق، کاهش تلفات و بهبود قابلیت اطمینان شبکه (شعبان و همکاران، ۲۰۱۳) مشخص شده است . مزایای استفاده تجمع بارهای قابل تاخیر و ذخیره سازی توسط (سابرامانیان و همکاران، ۲۰۱۳) مورد بررسی قرار گرفت. (ال امینیت ، ۲۰۱۳)، یک چارچوب کلی مدیریت بار هوشمند مبتنی بر سیستم های چند عامله با توجه به DRRs معرفی کرده است. (کمپتون و تومیک، ۲۰۰۵)، در منافع بالقوه مشارکت خودروی برقی در انواع مختلف بازارهای برق مانند تنظیم بازار و ذخایر در حال چرخش مطالعه انجام داده اند . (علیزاده و همکاران، ۲۰۱۴) یک مدل تصادفی برای برآورد بار خودروی برقی ارائه کرده اند . مدل آن ها ادغام شبکه های قدرت خودروی برقیsin را تسهیل می کند. علاوه بر این، امنیت انرژی و صرفه جویی در هزینه مربوط به کاهش مصرف نفت به عنوان مزایای استفاده خودروی برقی (تاتل و بالدیک، ۲۰۱۲) در نظر گرفته شده است. (امینی و کرباس اوغلو، ۲۰۱۶)، یک چارچوب جامع برای مدل ماهیت وابسته به شبکه های برق و حمل و نقل پیشنهاد داده اند . این مدل ، محدودیت های شبکه حمل و نقل و همچنین محدودیت های عملیاتی سیستم های قدرت با بهینه سازی مسیر چند هدفه و مسئله بهینه سازی جریان برق را حل کرده است. بررسی تکنیک بهینه سازی برای شارژ وسایل نقلیه الکتریکی در زیرساخت ها توسط (رحمان و همکاران، ۲۰۱۶) ارائه شده است.
مطالعات قبلی در تخصیص تولید پراکنده (DG) با استفاده از الگوریتم های بهینه سازی مختلف از جمله الگوریتم ژنتیک (موهان و رامش، ۲۰۱۲)، و بهینه سازی ازدحام ذرات (بومکیتیپیچ و پانگ پورپیتانگ ۲۰۱۳) متمرکز شده است. علاوه بر این، برخی از مطالعات روشی برای تخصیص پارکینگ در شبکه های توزیع ارائه داده اند. روش مدیریت تراکم در توسعه (لوپز، مارتین، آگوادو، و د لا تره، ۲۰۱۳) با توجه به نفوذ بالا از مقدار اقتصادی مناسبی برخوردار است. در (مرادی جز، پارسا مقدم، هقیفام، و علیشاهی، ۲۰۱۳)، یک مسئله بهینه سازی چند هدفه برای تخصیص بهینه پارکینگ فرموله و حل شده است. (امینی، کارباس اوغلو، ایلیک، بروجنی، و اینگار، ۲۰۱۵)، یک روش پیش بینی سری زمانی به منظور کاهش خطای خودروی برقی برای برآورد تقاضا استفاده شده است. (امینی، کارگریان، و کارباس اوغلو، ۲۰۱۶) یک رویکرد پیش بینی جدا بر اساس مدل ARIMA برای خودروی برقی مطرح کرده اند . علاوه بر این، یک مسئله با استفاده از تقاضا پیش بینی شده برای بهبود دقت سیستم قدرت تصادفی توسط (امینی و همکاران، ۲۰۱۶) فرموله شده است. (لام، لئونگ، و چو، ۲۰۱۴)، مسئله قرار دادن پارکینگ خودروی برقی در محیط شهرهای هوشمند آینده را حل کرده اند (لام و همکاران، ۲۰۱۴). با توجه به عقیده (لیو، ون، و لدویچ ۲۰۱۳)، اندازه و مسئلهات پارکینگ خودروی برقی به طور جداگانه حل شده است. علاوه بر این، به طور همزمان منابع متعارف و تجدید پذیر توزیع را می توان با بهینه سازی فازی چند هدفه (محسن زاده و هقیفام، ۲۰۱۲) ایجاد کرد . الزامات استفاده از حفاظت الکتریکی در پارکینگ خودروی برقی توسط (سانچز-سوتیل ، هرناندز، و توباجاس، ۲۰۱۵) بررسی شده است. در (زکریازاده، نیو، و سیانو، ۲۰۱۵)، ادغام نفوذ بالا مقدار اقتصادی و تولید پراکنده در شبکه توزیع را بررسی کرده اند. (نیستانی و همکاران، ۲۰۱۴) (امینی و اسلام، ۲۰۱۴)، اختصاص پارکینگ خودروی برقی با توجه محدودیت های شبکه توزیع قدرت به دست آمده. استفاده از DRRs در شبکه های توزیع فعال می شود. مکان بهینه و شارژ وسایل نقلیه الکتریکی توسط (اسچان و کیشور ، ۲۰۱۵، ۲۰۱۶) بررسی شده است.
مطالعات اخیر در تخصیص پارکینگ خودروی برقی و DRRs را می توان به سه دسته طبقه بندی کرد : یکپارچه سازی مقدار های اقتصادی در یک شبکه با DRR یا متعارف نفوذ تولید پراکنده (ال زونکولی و دوس سانتوس کوئلیو، ۲۰۱۵؛ فاضل پور و همکاران، ۲۰۱۴؛ هنرمند، زکریازاده، و نیو، ۲۰۱۴)، تخصیص پارکینگ خودروی برقی در سیستم های قدرت توسط (کاظمی و همکاران، ۲۰۱۶؛ مرادی جز و همکاران، ۲۰۱۳؛ نیستانی و همکاران، ۲۰۱۴)، و تخصیص DRRs و سیستم های DG توسط (بومکیتیپیچ و پانگ پورپیتانگ، ۲۰۱۳؛ موهان و رامش، ۲۰۱۲؛ محسن زاده و هقیفام، ۲۰۱۲) انجام گرفت. (ال زونکولی و دوس سانتوس کوئلیو، ۲۰۱۵)، یک الگوریتم چند هدفه برای پیدا کردن شماره بهینه پارکینگ ها، محل و اندازه آن ها را توسعه داده اند. مطالعه کلنی زنبور عسل مصنوعی (ABC) و الگوریتم کرم شب تاب به عنوان دو روش موثر برای بهینه سازی (ال زونکولی و دوس سانتوس کوئلیو، ۲۰۱۵) استفاده می شود. (آراسته و همکاران، ۲۰۱۶) با استفاده از SOS مبتنی بر رویکرد عینی با برنامه ریزی شبکه توزیع مقابله کرده اند . (هنرمند و همکاران، ۲۰۱۴)، یک قالب مدیریت منابع انرژی با توجه محدودیت های عملی، خطاهای پیش بینی نسل DRR، و مقدار اقتصادی ارائه داده اند. مدل آن ها در ریزشبکه و تخصیص پارکینگ خودروی برقی از نظر (هنرمند و همکاران، ۲۰۱۴) قابل اجرا است. (کاظمی و همکاران، ۲۰۱۶)، یک روش تخصیص برای پارکینگ خودروی برقی با توجه به رفاه صاحبان خودروی برقی ارائه داده اند.
مطالعات فوق پارکینگ خودروی برقی بندر ران را با روش DRR / DG به عنوان مسئله بهینه سازی در نظر گرفته اند. با این حال، در این مطالعه ما اختصاص DRRs و پارکینگ خودروی برقی را به طور همزمان مورد برسی قرار داده ایم. روش پیشنهادی ما دو لایه برای برآورد پارکینگ خودروی برقی و سرمایه گذار زیاد و محدودیت های اپراتور شبکه توزیع و اهداف آن، به عنوان مثال برای اولین بار پارامترهای پارکینگ در نظر است. از منظر ابزار برای تخصیص بهینه پارکینگ خودروی برقی و DRRs حل مسئله بهینه سازی صورت می گیرد. شایان ذکر است که تخصیص مستقل پارکینگ خودروی برقی و DRRs ممکن است به راه حل های بهینه منجر شود.

 

بخشی از مقاله انگلیسی

Abstract

Electric vehicles (EVs) and distributed renewable resources (DRRs) are introduced to achieve three of the most pivotal objectives of this century: using environmentally-friendly energy resources, reliable supply of the load demand, and sustainable development of power systems. To achieve the aforementioned goals, simultaneous utilization of DRRs and EVs should be implemented in a scheduled manner. In this paper, we propose a two-stage approach for allocation of EV parking lots and DRRs in power distribution network. Our method considers both the economical benefits of parking lot investor and the technical constraints of distribution network operator. First, the parking lot investor offers the candidate buses for installing the parking lot to the distribution network operator based on economic objectives. Then, the distribution network decision-making is obtained to reduce loss of system. The proposed framework not only improves the distribution network loss, but also ameliorates the availability of the parking lot from the economical point of view. In order to solve the formulated optimization problem, we utilize two optimization techniques. Genetic algorithm (GA) and particle swarm optimization (PSO) algorithm are used for the distribution network loss minimization purpose. Besides, we model the EV parking lot by expanding single EV probabilistic model. The performance of the proposed method is evaluated by allocating DRRs and EV parking lots simultaneously on the IEEE standard distribution test system. This system is bus 2 of Roy Billinton Test System (RBTS).

۱ Introduction

۱-۱ Motivation

Growing awareness of energy and environment, and the demand for a reliable, secure, and sustainable power grid, lead to the evolution of smart grid (SG) as a reliable means of electricity distribution. Novel technologies are introduced by SG, such as selfhealing frameworks for smart distribution systems management (Zidan & El-Saadany, 2012), and smart buildings with vehicle-togrid (V2G) capability (Lamedica et al., 2015). In this context, electric vehicles (EVs) play a pivotal role (Brown, Pyke, & Steenhof, 2010). Brady and O’Mahony proposed a charging profile modeling for electric vehicles in (Brady & O’Mahony, 2016). Their model is based on real-world EV charging data. Additionally, the increasing load demand and the limits on energy resources involve incorporating renewable resources. Enabling the SG also revolutionizes the characteristics of distribution networks (Brown, 2008). Based on US Energy Information Administration (EIA) assessment, energy demand will increase by 56% from 2010 to 2040 which is driven by economic development (EIA, 2013). Therefore, governments have proposed distributed renewable resources (DRRs) and EVs as technological solutions for solving sustainability issues. Unscheduled and independent utilization of DRRs and EVs may bring irrefutable challenges for the smart distribution network. The future cities will require to deploy novel technologies such as electric vehicles and renewable resources to improve social welfare, reduce environmental emissions, and move toward electrified transportation networks. This also will lead to sustainable development of the power distribution networks.

۱-۲ Literature survey

The effects of EVs and DRRs on the future power systems are investigated in several papers (e.g., references (Amini, Nabi, & Haghifam, 2013; Clement-Nyns, Haesen, & Driesen, 2010; Kempton & Tomic, 2005; Shaaban, Atwa, & El-Saadany, 2013; Subramanian et al., 2013; Tuttle & Baldick, 2012)). In (Clement-Nyns et al., 2010), the effect of EV charging on a residential distribution grid was studied. However, the effect of simultaneous utilization of DRRs on the EV charging was not addressed. The value of using DRRs in distribution networks includes investments deferral, loss reduction, and improving the network reliability (Shaaban et al., 2013). In (Subramanian et al., 2013), the advantages of scheduled aggregation of deferrable loads and storages were investigated. In (Amini et al., 2013), a general smart load management framework was introduced based on multi-agent systems considering DRRs and responsive demands. In (Kempton & Tomic, 2005), the potential benefits of EV’s participation in different types of electricity markets such as regulation market and spinning reserves were studies. Alizadeh et al. in (Alizadeh et al., 2014) proposed a stochastic model for EV load estimation. Their model facilitates the integration of EVs in future power networks. Furthermore, energy security and the cost savings related to oil consumption reduction were considered as advantages of EV utilization (Tuttle & Baldick, 2012). In (Amini & Karabasoglu, 2016), we proposed a comprehensive framework to model the interdependent nature of power and transportation networks. This model considers the limits of transportation network as well as the power systems operational constraints by solving multi-objective route optimization and optimal power flow problem iteratively. A review of optimization techniues for electric vehicles charging infrastructure is provided in (Rahman et al., 2016). Previous studies have focused on the distributed generation (DG) allocation using various optimization algorithms including Genetic algorithm (Mohan & Ramesh, 2012), and particle swarm optimization (Bhumkittipich & Phuangpornpitak, 2013). Besides, some studies proposed methods for parking lots allocation in distribution networks. A congestion management method is developed in (López, Martín, Aguado, & de la Torre, 2013) considering high penetration of EVs. In (Moradijoz, Parsa Moghaddam, Haghifam, & alishahi, 2013), a multi-objective optimization problem is formulated and solved for optimal allocation of parking lots. In (Amini, Karabasoglu, Ilic, Boroojeni, & Iyengar, 2015), a time series forecasting approach is utilized to reduce the error of EV charging demand estimation. In (Amini, Kargarian, & Karabasoglu, 2016) a decoupled demand forecasting approach based on ARIMA model was proposed for EV charging demand. Further, a chance-constrained unit commitment problem utilizing the predicted demand was formulated to improve the accuracy of stochastic power system operation (Amini et al., 2016). In (Lam, Leung, & Chu, 2014), EV parking lot placement problem is solved in the future smart city environment (Lam et al., 2014). According to (Liu, Wen, & Ledwich, 2013), the sizing and placement of EV charging station problems have been solved separately. Furthermore, simultaneous placement of conventional and renewable distributed resources can be tackled by fuzzy multi-objective optimization (Mohsenzadeh & Haghifam, 2012). The electrical protection requirements of utilizing EV charging stations have been reviewed in (Sanchez-Sutil, Hernández, & Tobajas, 2015). In (Zakariazadeh, Jadid, & Siano, 2015), the integration of high penetration of EVs and distributed generations on distribution network is studied. In (Neyestani et al., 2014) (Amini & Islam, 2014) , EV parking lots allocation is obtained considering power distribution network’s constraints. The utilization of DRRs will lead to active distribution networks.Optimum location and charging of electric vehicles have been investigated in (Sachan & Kishor, 2015, 2016). Recent studies on the allocation of EV parking lots and DRRs can be classified into three categories: integrating EVs in a grid with DRR or conventional distributed generation penetration (El-Zonkoly & dos Santos Coelho, 2015; Fazelpour et al., 2014; Honarmand, Zakariazadeh, & Jadid, 2014), allocation of EV parking lots in the power systems (Kazemi et al., 2016; Moradijoz et al., 2013; Neyestani et al., 2014), and allocation of DRRs and DGs in power systems (Bhumkittipich & Phuangpornpitak, 2013; Mohan & Ramesh, 2012; Mohsenzadeh & Haghifam, 2012). In (El-Zonkoly & dos Santos Coelho, 2015), a multi-objective algorithm was developed to find the optimal number of parking lots, their location and size. This study used artificial bee colony (ABC) and firefly algorithms as two effective methods for optimization (El-Zonkoly & dos Santos Coelho, 2015). Arasteh et al. in (Arasteh et al., 2016) utilized SoS-based multiobjective approach to deal with distribution network planning. Honarmand et al. in (Honarmand et al., 2014), proposed an energy resources management framework considering practical constraints, DRR generation forecasting errors, and EVs owner satisfaction. Their model is applicable to microgrid and did not consider the allocation of EV parking lots (Honarmand et al., 2014). In (Kazemi et al., 2016), an allocation approach is proposed for EV parking lots considering the welfare of EV owners. The aforementioned studies considered EV parking lot allocation or DRR/DG allocation as their optimization problem. However, in this study we allocate DRRs and EV parking lots simultaneously. Our proposed method is two-tier to satisfy EV parking lot investor and distribution network operator constraints and objectives, i.e. we first consider the parking lot investor’s decision parameters. We next solve the optimization problem from the utility perspective for optimal allocation of EV parking lots and DRRs. It is worth noting thatindependent allocation of EVparking lots and DRRs may lead to sub-optimal solutions.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تخصیص هم زمان پارکینک های خودرو های الکتریکی و منابع تجدیدپذیر توزیعی در شبکه های توزیع برق هوشمند

عنوان انگلیسی مقاله:

Simultaneous allocation of electric vehicles’ parking lots and distributed renewable resources in smart power distribution networks

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *