fa برنامه‌ریزی شارژ و دشارژ خودروهای الکتریکی در پارکینگ براساس بار پیش‌بینی شده در محیط حساس به قیمت شبکه‌های هوشمند تخصصي Special پژوهشي Research استفاده از خودروهای الکتریکی علاوه بر کاهش نگرانی‌های زیست محیطی، می‌تواند در کاهش پیک و پر کردن دره‌های مشخصه بار روزانه شبکه نقش به‌سزایی داشته باشد. به‌بیان دیگر در بستر شبکه‌های هوشمند، می‌توان با برنامه‌ریزی فرآیند شارژ و دشارژ باتری‌ خودروهای الکتریکی مشخصه بار شبکه را بهبود داد. در شبکه‌های‌ هوشمند مشترکان به صورت لحظه‌ای از بار و قیمت الکتریکی باخبر می‌باشند و توانایی واکنش نسبت به قیمت‌ها را دارند. این الگوی واکنش باعث تغییرات گسترده در منحنی بار شبکه می‌گردد. در این مقاله مدلی چندمرحله‌ای با استفاده از شبکه‌عصبی و شبکه فازی-عصبی جهت پیش‌بینی بار الکتریکی روز آینده در محیط حساس به قیمت شبکه‌های هوشمند ارائه شده است. سپس برای تعیین مدل بار و تولید مجموعه خودروهای الکتریکی براساس بار پیش‌بینی‌ شده روز آینده با در نظر گرفتن استراتژی بهره‌برداری شارژ و دشارژ هوشمند، مدل احتمالاتی کاملی از این خودروها در محدودۀ پارکینگ‌ها ارائه شده است. این مدل احتمالاتی بر پایه یک روش ترکیبی جدید شامل الگوریتم بهینه‌سازی رقابت استعماری و شبیه‌سازی مونت‌کارلوی‌ ترتیبی می‌باشد. نهایتاً مدل پیشنهادی به داده‌های بار چهار روز نمونه از سال‌های 2014-2013 بازار برق استرالیا منطقه NSW اعمال شده است و برنامه‌ریزی شارژ و دشارژ خودروهای الکتریکی در پارکینگ براساس بار پیش‌بینی شده برای روز آینده تعیین گردیده است. Reduce the use of electric vehicles in addition to environmental concerns, can reduce the peak and fill the valley daily load characteristic of network. In other words, in the context of smart grids, electric vehicles battery can charge and discharge planning process to improve the load characteristics. with the emergence of smart grids and using advanced metering infrastructure (AMI), customers are instantaneously aware of prices therefore it is expected that the demand side customers change their consumption patterns according to the forecasted prices by interrupting, shifting or even locally generating the load. This response pattern is causing massive changes in network load curve. In this article, a multistage model using neural networks and ANFIS to forecast the day-ahead load of price-responsive smart grid environments have been provided. Then, smart charge and discharge planning of electric vehicles in the parking according to the forecasted load curve of next day In considering smart charge and discharge operation strategy, a Complete probabilistic model of the car parking area is provided. The probabilistic model is based on a new hybrid optimization algorithm consists of sequential Monte Carlo simulation and imperialist competitive algorithm. Finally, the proposed model applied to four sample days data from the years 2014-2013 of the NSW electricity market in Australia and determined smart charge and discharge planning of electric vehicles in the parking in price responsive of smart grid environment. اصلاح مشخصه بار, بارهای حساس به قیمت, پیش‌بینی بار, خودروهای الکتریکی, شبکه هوشمند, شبکه عصبی, شبکه فازی-عصبی, مونت کارلوی ترتیبی. load forecasting, smart grid, anfis, electric vehicle, price-responsive smart grid environments 11 19 http://ieijqp.ir/browse.php?a_code=A-10-291-1&slc_lang=fa&sid=1 Mohammadreza aghaebrahimi محمدرضا آقاابراهیمی aghaebrahimi@birjand.ac.ir 1003194753284600910 1003194753284600910 Yes birjand univesity دانشگاه بیرجند Hosein Taherian حسین طاهریان htaherian@birjand.ac.ir 1003194753284600911 1003194753284600911 No birjand university دانشگاه بیرجند mohammad ghasemipour محمدمهدی قاسمی پور mahdi.ghasemipour@gmail.com 1003194753284600912 1003194753284600912 No birjand university دانشگاه بیرجند