Autonomous electric vehicle charging based on Grey Wolf Optimizer

The purpose to this thesis "Autonomous Electric Vehicle Charging based on Grey Wolf Optimizer," addresses the critical challenge of optimizing electric vehicle (EV) charging in the context of modern power distribution networks. The research encompasses five key chapters, each contributing to a comprehensive understanding of the problem and its solution. Sets the stage by highlighting the significance of autonomous charging for EVs and the role of nature-inspired optimization techniques in addressing this challenge. It introduces the Grey Wolf Optimizer (GWO) and its improved version, Improved Grey Wolf Optimizer (I-GWO), as promising tools for solving complex optimization problems. Delves into the realm of nature-inspired optimization techniques, categorizing them into evolutionary-based, swarm intelligence, and physics-based algorithms. Special emphasis is placed on GWO and I-GWO, drawing inspiration from the social hierarchy and hunting behavior of grey wolves. Provides a comprehensive overview of the GWO algorithm. It explains the algorithm’s inspiration from grey wolf behavior and its four main phases: initialization, hunting, prey update, and solution update. GWO advantages and applications are also explored. Introduces the enhanced I-GWO algorithm, emphasizing the motivations for its development and the key enhancements it offers. Adaptive parameters, a modified search mechanism, and a local search strategy are among the key features that improve exploration, adaptability, and convergence speed. Focuses on practical applications of GWO and I-GWO in the context of feeder K1, an electric vehicle model, and probability density functions for plug-in time and mileage. The optimization problem is outlined, showcasing the equations governing controlled charging and the parameters of I-GWO. Results, including convergence curves, charge parameters, voltage, losses, and State of Charge State of Charge (SoC) of EVs, are presented to demonstrate the effectiveness of autonomous charging. In conclusion, this thesis advances the understanding and implementation of autonomous electric vehicle charging through the utilization of the Grey Wolf Optimizer and its improved variant. By leveraging nature-inspired algorithms and simulation, this research contributes to sustainable and efficient EV charging solutions, with potential applications in real-world power distribution networks.

Il motivo di questa tesi, "Ricarica Autonoma di Veicoli Elettrici basata sull’Optimizzazione del Grey Wolf Optimizer," affronta la sfida critica dell’ottimizzazione della ricarica dei veicoli elettrici nel contesto delle moderne reti di distribuzione di energia. La ricerca comprende cinque capitoli chiave, ognuno contribuendo a una comprensione approfondita del problema e della sua soluzione. Imposta il contesto evidenziando l’importanza della ricarica autonoma per gli EV e il ruolo delle tecniche di ottimizzazione ispirate alla natura nel risolvere questa sfida. Introduce il GWO e la sua versione migliorata, I-GWO, come strumenti promettenti per risolvere problemi di ottimizzazione complessi. Esplora il campo delle tecniche di ottimizzazione ispirate alla natura, categorizzandole in algoritmi basati sull’evoluzione, intelligenza di swarm e algoritmi basati sulla fisica. Pone una particolare enfasi su GWO e I-GWO, prendendo ispirazione dalla gerarchia sociale e dal comportamento di caccia dei lupi grigi. Fornisce una panoramica completa dell’algoritmo GWO. Spiega l’ispirazione dell’algoritmo dal comportamento del lupo grigio e le sue quattro fasi principali: inizializzazione, caccia, aggiornamento della preda e aggiornamento della soluzione. Vengono esplorate anche le applicazioni e i vantaggi di GWO. Introduce l’algoritmo migliorato I-GWO, sottolineando le motivazioni per il suo sviluppo e le principali migliorie che offre. Parametri adattivi, un meccanismo di ricerca modificato e una strategia di ricerca locale sono tra le caratteristiche chiave che migliorano l’esplorazione, l’adattabilità e la velocità di convergenza. Si concentra sulle applicazioni pratiche di GWO e I-GWO nel contesto del feeder K1, un modello di veicolo elettrico, e sulle funzioni di densità di probabilità per il tempo di inserimento e la percorrenza. Viene delineato il problema di ottimizzazione, mostrando le equazioni che regolano la ricarica controllata e i parametri di I-GWO. I risultati, inclusi i grafici di convergenza, i parametri di ricarica, la tensione, le perdite e lo stato di carica (SoC) degli EV, sono presentati per dimostrare l’efficacia della ricarica autonoma. In conclusione, questa tesi avanza la comprensione e l’implementazione della ricarica autonoma di veicoli elettrici attraverso l’utilizzo dell’Optimizzatore del Lupo Grigio e della sua variante migliorata. Sfruttando algoritmi ispirati alla natura e simulazioni, questa ricerca contribuisce a soluzioni sostenibili ed efficienti per la ricarica degli EV, con possibili applicazioni nelle reti di distribuzione di energia del mondo reale.