برنامه¬ریزی و مدیریت بهینه انرژی منابع تولید پراکنده و ذخیره¬ساز باتری در ریزشبکه هوشمند با هدف کاهش هزینه بهره¬برداری توسط الگوریتم جستجوی فاخته
الموضوعات :
اسماعیل خلیل زاده
1
,
احمد قالیبافان
2
,
آیدا کشاورز
3
1 - دانشکده مهندسی برق و کامپیوتر، واحد ارسنجان، دانشگاه آزاد اسلامی، ارسنجان، ایران
2 - دانشکده مهندسی برق و کامپیوتر، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران
3 - گروه اتاق عمل، واحد ارسنجان، دانشگاه آزاد اسلامی، ارسنجان، ایران
الکلمات المفتاحية: الگوریتم جستجوی فاخته, ذخیره¬ساز باتری, ریزشبکه هوشمند, کاهش هزینه, مدیریت انرژی,
ملخص المقالة :
مدیریت بهینه منابع تولید پراکنده و ذخیرهسازها در ریزشبکههای قدرت با اهداف مختلفی همچون کاهش هزینه بهرهبرداری، کاهش آلودگی محیط زیست، بهبود کیفیت توان شبکه و همچنین اصلاح شاخصهای قابلیت اطمینان انجام میپذیرد. برای آنکه هر یک از اهداف اشاره شده حاصل گردد، باید بهرهبردار سیستم قدرت به صورت دقیقی تمامی اجزای شبکه همچون بارها و منابع تولید توان و همچنین توپولوژی شبکه را بشناسد. روشهای گوناگون ابتکاری و فرا ابتکاری برای ارائه برنامه مدیریت انرژی پیشنهاد شده است که در سالهای اخیر، استفاده از الگوریتمهای هوشمند بیش از سایر روشها مورد استفاده قرار گرفته است. دقت بالا و عدم نیاز به تخمین نقطه اولیه دقیق، سبب شده است که الگوریتمهای هوشمند برای حل مسئله مدیریت انرژی ریزشبکه مناسب باشند. در این مقاله، از الگوریتم جستجوی فاخته (CSA) برای مدیریت انرژی منابع تجدیدپذیر فتوولتائیک و بادی به همراه منابع تجدیدناپذیر پیل سوختی و میکروتوربین در کنار ذخیرهساز باتری در یک ریزشبکه استاندارد استفاده شده است. عملکرد روش پیشنهادی به ازای شرایط مختلف بار و شدت تابش خورشید در سناریوهای مختلف مورد ارزیابی قرار گرفت. نتایج شبیهسازی در چهار شرایط بهرهبرداری مختلف و با هدف کاهش هزینه انجام پذیرفت و با نتایج الگوریتمهای ژنتیک (GA)، ازدحام ذرات (PSA)، زنبور عسل (BA)، اصلاح شده خفاش (MBA) و جستجوی صاعقه (LSA) مورد مقایسه قرار گرفت و مشخص شد که الگوریتم جستجوی فاخته عملکرد مناسبی در تمامی شرایط بهرهبرداری در کاهش تابع هدف داشته است.
R. Rashidi, A. Hatami, and M. Abedini, “Multi-microgrid energy management through tertiary-level control: Structure and case study”, Sustainable Energy Technologies and Assessments, vol. 47, p. 101395, Oct. 2021.
[2] S. Ali, Z. Zheng, M. Aillerie, J.P. Sawicki, M.C. Pera, and D. Hissel, “A review of DC Microgrid energy management systems dedicated to residential applications”, Energies, vol. 14, no. 14, p. 4308, July. 2021.
[3] P. Xie, Y. Jia, H. Chen, J. Wu, and Z. Cai, “Mixed-stage energy management for decentralized microgrid cluster based on enhanced tube model predictive control”, IEEE Transactions on Smart Grid, vol. 12, no. 5, pp. 3780-3792, Sep. 2021.
[4] H. Zhou, A. Aral, I. Brandić, and M. Erol-Kantarci, “Multiagent Bayesian Deep Reinforcement Learning for Microgrid Energy Management Under Communication Failures’, IEEE Internet of Things Journal, vol. 9, no. 14, pp. 11685-11698, July. 2022.
[5] E.E. Elattar, and S.K. ElSayed, “Probabilistic energy management with emission of renewable microgrids including storage devices based on efficient salp swarm algorithm”, Renewable Energy, vol. 153, pp. 23-35, June. 2020.
[6] S. Leonori, M. Paschero, F.M.F. Mascioli, and A. Rizzi, “Optimization strategies for Microgrid energy management systems by Genetic Algorithms”, Applied Soft Computing, vol. 86, p. 105903, Jan. 2020.
[7] Y.M. Alsmadi, A.M. Abdel-hamed, A.E. Ellissy, A.S. El-Wakeel, A.Y. Abdelaziz, V. Utkin, and A.A. Uppal, “Optimal configuration and energy management scheme of an isolated micro-grid using Cuckoo search optimization algorithm”, Journal of the Franklin Institute, vol. 356, no. 8, pp. 4191-4214, May. 2019.
[8] H. Karimi, and S. Jadid, “Optimal energy management for multi-microgrid considering demand response programs: A stochastic multi-objective framework”, Energy, vol. 195, p. 116992, March. 2020.
[9] S. Jamal, , N.M. Tan and J. Pasupuleti, “A Review of Energy Management and Power Management Systems for Microgrid and Nanogrid Applications”, Sustainability, vol. 13, no. 18, p. 10331, Sep. 2021.
[10]K. Bio Gassi, and M. Baysal, “Analysis of a linear programming based decision making model for microgrid energy management systems with renewable sources”, International Journal of Energy Research, vol. 46, no. 6, pp. 7495-7518, Jan. 2022.
[11] S. Areekkara, R. Kumar, and R.C. Bansal, “An intelligent multi agent based approach for autonomous energy management in a Micro¬¬grid”, Electric Power Components and Systems, vol. 49, no. 12, pp. 18-31, Jun. 2021.
[12 X. He, X. Liang, and H. Wang, “Distributed neuro¬dynamic algorithm for multi-objective problem optimization and its applications to isolated micro¬grid energy management”, Sustainable Cities and Society, vol. 70, p. 102866, July. 2021.
[13] M. Kermani, B. Adelmanesh, E. Shirdare, C.A. Sima, D.L. Carnì, and L. Martirano, “Intelligent energy management based on SCADA system in a real Microgrid for smart building applications”, Renewable Energy, vol. 171, pp. 1115-1127, June. 2021.
[14] M. Restrepo, C.A. Cañizares, J.W. Simpson-Porco, P. Su, and J. Taruc, “Optimization-and rule-based energy management systems at the canadian renewable energy laboratory microgrid facility”, Applied Energy, vol. 290, p. 116760, May. 2021.
[15] M. Dashtdar, M. Bajaj, and S.M.S. Hosseinimoghadam, “Design of optimal energy management system in a residential micro¬grid based on smart control”, Smart Science, vol. 10, no. 1, pp. 25-39, July. 2022.
[16] J. Arkhangelski, M. Abdou-Tankari, and G. Lefebvre, “Day-ahead optimal power flow for efficient energy management of urban microgrid”, IEEE transactions on industry applications, vol. 57, no. 2, pp. 1285-1293, March-April. 2021.
[17] A. Hasankhani, and S.M. Hakimi, “Stochastic energy management of smart micro¬¬grid with intermittent renewable energy resources in electricity market”, Energy, vol. 219, p. 119668, March. 2021.
[18] X. Fang, Q. Zhao, J. Wang, Y. Han, and Y. Li, “Multi-agent deep reinforcement learning for distributed energy management and strategy optimization of microgrid market”, Sustainable Cities and Society, vol. 74, p. 103163, Nov. 2021.
[19] D. Ahmed, M. Ebeed, A. Ali, A.S. Alghamdi, and S. Kamel, “Multi-objective energy management of a microgrid considering stochastic nature of load and renewable energy resources”, Electronics, vol. 10, no. 4, p. 403, Feb. 2021.
[20]A. Mishra, M. Tripathy, and P. Ray, “A survey on different techniques for distribution network reconfiguration,” Journal of Engineering Research, vol. 12, no. 1, pp. 173-181, March. 2024.
[21] M. R. Behbahani, A. Jalilian, A. Bahmanyar, and D. Ernst, “Comprehensive Review on Static and Dynamic Distribution Network Reconfiguration Methodologies,” IEEE Access, vol. 12, pp. 874-991, 2024.
[22] G. Abbas, Z. Wu, and A. Ali, “Multi objective multi period optimal site and size of distributed generation along with network reconfiguration,” IET Renewable Power Generation, vol. 11, no. 2, pp. 223-235, 2024.
[23] M. R. Behbahani, and A. Jalilian, “Reconfiguration of distribution network for improving power quality indexes with flexible lexicography method,” Electric Power Systems Research, vol. 230, pp. 172-189, May. 2024.
[24] A. S. Chaitra, and H. R. Sudarshana Reddy, “Improving Reliability in Distribution Systems through Optimal Allocation of Distributed Generators,” Network Reconfiguration and Capacitor Placement. SN Computer Science, vol. 5, no. 5, pp. 1-12, April. 2024.
[25] A. R. Battula, S. Vuddanti, and S. R. Salkuti, “A day ahead demand schedule strategy for optimal operation of microgrid with uncertainty,” Smart Cities, vol. 6, no. 1, pp. 491-509, Feb. 2023.
[26] M. Al-Dhaifallah, Z. Alaas, A. Rezvani, B. N. Le, and S. Samad, “RETRACTED: Optimal day-ahead economic/emission scheduling of renewable energy resources based microgrid considering demand side management,” Journal of Building Engineering, vol. 76, pp. 110258, Oct. 2023.
[27] A. Jani, and S. Jadid, “Two-stage energy scheduling framework for multi-microgrid system in market environment,” Applied Energy, vol. 336, pp. 683-702, April. 2023.
[28] T. Chen, Y. Cao, X. Qing, J. Zhang, Y. Sun, and G.A. Amaratunga, “Multi-energy microgrid robust energy management with a novel decision-making strategy”, Energy, vol. 239, p. 121840, Jan. 2022.
[29] H.A. Muqeet, H.M. Munir, H. Javed, M. Shahzad, M. Jamil, and J.M. Guerrero, “An energy management system of campus microgrids: State-of-the-art and future challenges”, Energies, vol. 14, no. 20, p. 6525, Oct. 2021.
[30] A.C. Pérez-Flores, J.D.M. Antonio, V.H. Olivares-Peregrino, H.R. Jiménez-Grajales, A. Claudio-Sánchez, and G.V.G. Ramírez, “Microgrid energy management with asynchronous decentralized particle swarm optimization”, IEEE Access, vol. 9, pp. 69588-69600, May. 2021.
[31] L. Luo, S.S. Abdulkareem, A. Rezvani, M.R. Miveh, S. Samad, N. Aljojo, and M. Pazhoohesh, “Optimal scheduling of a renewable based microgrid considering photovoltaic system and battery energy storage under uncertainty”, Journal of Energy Storage, vol. 28, p. 101306, April. 2020.
