بهره برداری بهینه از یک ریزشبکه شامل منابع تولید پراکنده با در نظر گرفتن هزینه های قابلیت اطمینان
محورهای موضوعی : مهندسی برق- قدرتالهه سالاری 1 , مهرداد محمودیان 2
1 - شرکت برق منطقه¬ای استان هرمزگان - بندرعباس، ايران
2 - گروه برق، دانشگاه صنعتی شیراز، شیراز، ایران
کلید واژه: بهره برداری بهینه, ریزشبکه, قابلیت اطمینان, منابع تولید پراکنده.,
چکیده مقاله :
ریزشبکه‌ها که با منابع انرژی محلی و توزیع شده مشخص می‌شوند، در تکامل سیستم‌های انرژی مدرن به سمت پایداری و انعطاف‌پذیری بسیار مهم هستند. این مقاله یک رویکرد جدید برای عملکرد بهینه ریزشبکه ها را، با تمرکز بر یکپارچه سازی منابع تولید پراکنده و همجنین در نظر گرفتن هزینه های قابلیت اطمینان، ارائه می دهد. استراتژی بهینه سازی پیشنهادی از روشCPLEX استفاده می‌کند تا به طور موثری فرآیند تصمیم‌گیری پیچیده ذاتی مدیریت ریزشبکه را بهینه کند. چارچوب بهینه‌سازی ارائه شده به تعامل پیچیده بین منابع انرژی توزیع شده، تقاضای بار و قابلیت اطمینان شبکه می‌پردازد که البته با هدف به حداقل رساندن هزینه‌های بهره برداری، استانداردهای قابلیت اطمینان بالا را تضمین می‌کند. با گنجاندن هزینه‌های قابلیت اطمینان در تابع هدف تحت بهینه‌سازی، بر اهمیت انعطاف‌پذیری شبکه و استراتژی‌های کاهش خاموشی در بهره برداری ریزشبکه تأکید می‌گردد. عوامل کلیدی مانند تغییرپذیری انرژی تجدیدپذیر، نوسانات تقاضا، و خرابی تجهیزات به دقت در نظر گرفته می‌شوند تا ماهیت دینامیکی بهره برداری ریزشبکه را به تصویر بکشند. روش CPLEX در نظر گرفتن محدودیت‌ها و اهداف مختلف، از جمله محدودیت‌های تولید توان توسط منابع تولید پراکنده تجدیدپذیر، محدودیت‌های ذخیره‌سازی انرژی و آستانه‌های قابلیت اطمینان را امکان‌پذیر می‌کند و فرآیند بهینه‌سازی جامع و کارآمد را تسهیل می‌کند. نتایج حاصل از مطالعات موردی و شبیه‌سازی، اثربخشی رویکرد پیشنهادی را در دستیابی به بهره برداری بهینه ریزشبکه تحت شرایط و سناریوهای متنوع نشان می‌دهد
Micro grids, characterized by local and distributed energy sources, are crucial in the evolution of modern energy systems towards sustainability and resilience. This paper presents a new approach for the optimal performance of microgrids, focusing on the integration of distributed and homogeneous generation resources considering reliability costs. The proposed optimization strategy uses the CPLEX method to efficiently optimize the complex decision-making process inherent in micro grid management. The presented optimization framework deals with the complex interaction between distributed energy resources, load demand and network reliability, aiming to minimize operating costs while ensuring high reliability standards. By including reliability costs in the objective function under optimization, the importance of network flexibility and blackout reduction strategies in micro grid operation is emphasized. Key factors such as renewable energy variability, demand fluctuations, and equipment failures are carefully considered to capture the dynamic nature of microgrid operation. The CPLEX method enables consideration of various constraints and objectives, including power generation constraints by distributed renewable generation sources, energy storage constraints, and reliability thresholds, and facilitates a comprehensive and efficient optimization process. The results of case studies and simulations show the effectiveness of the proposed approach in achieving optimal microgrid operation under various conditions and scenarios.
[1] S. Harasis, Y. Sozer and M. Elbuluk, "Reliable Islanded Microgrid Operation Using Dynamic Optimal Power Management," in IEEE Transactions on Industry Applications, vol. 57, no. 2, pp. 1755-1766, March-April 2021, doi: 10.1109/TIA.2020.3047587.
[2] Q. Xu, Y. Xu, Z. Xu, L. Xie and F. Blaabjerg, "A Hierarchically Coordinated Operation and Control Scheme for DC Microgrid Clusters Under Uncertainty," in IEEE Transactions on Sustainable Energy, vol. 12, no. 1, pp. 273-283, Jan. 2021, doi: 10.1109/TSTE.2020.2991096.
[3] F. S. Al-Ismail, "DC Microgrid Planning, Operation, and Control: A Comprehensive Review," in IEEE Access, vol. 9, pp. 36154-36172, 2021, doi: 10.1109/ACCESS.2021.3062840.
[4] L. Jia, S. Pannala, G. Kandaperumal and A. Srivastava, "Coordinating Energy Resources in an Islanded Microgrid for Economic and Resilient Operation," in IEEE Transactions on Industry Applications, vol. 58, no. 3, pp. 3054-3063, May-June 2022, doi: 10.1109/TIA.2022.3154337.
[5] L. Djilali, C. J. Vega, E. N. Sanchez and J. A. Ruz-Hernandez, "Distributed Cooperative Neural Inverse Optimal Control of Microgrids for Island and Grid-Connected Operations," in IEEE Transactions on Smart Grid, vol. 13, no. 2, pp. 928-940, March 2022, doi: 10.1109/TSG.2021.3132640.
[6] K. H. Youssef, "Microgrid Reliability Considering Directional Protection Failure and Optimal Load Shedding," in IEEE Transactions on Smart Grid, vol. 13, no. 2, pp. 877-887, March 2022, doi: 10.1109/TSG.2021.3124929.
[7] H. Lee, J. Ban and S. W. Kim, "Microgrid Optimal Scheduling Incorporating Remaining Useful Life and Performance Degradation of Distributed Generators," in IEEE Access, vol. 10, pp. 39362-39375, 2022, doi: 10.1109/ACCESS.2022.3167037.
[8] F. Kamal, B. H. Chowdhury and C. Lim, "Networked Microgrid Scheduling for Resilient Operation," in IEEE Transactions on Industry Applications, vol. 60, no. 2, pp. 2290-2301, March-April 2024, doi: 10.1109/TIA.2023.3320637.
[9] A. M. Hussien, H. M. Hasanien, M. H. Qais and S. Alghuwainem, "Hybrid Transient Search Algorithm With Levy Flight for Optimal PI Controllers of Islanded Microgrids," in IEEE Access, vol. 12, pp. 15075-15092, 2024, doi: 10.1109/ACCESS.2024.3357741.
[10] Z. Zhang, Z. Wang, H. Wang, H. Zhang, W. Yang and R. Cao, "Research on Bi-Level Optimized Operation Strategy of Microgrid Cluster Based on IABC Algorithm," in IEEE Access, vol. 9, pp. 15520-15529, 2021, doi: 10.1109/ACCESS.2021.3053122.
[11] Y. Jia, P. Wen, Y. Yan and L. Huo, "Joint Operation and Transaction Mode of Rural Multi Microgrid and Distribution Network," in IEEE Access, vol. 9, pp. 14409-14421, 2021, doi: 10.1109/ACCESS.2021.3050793.
[12] M. Hamidieh and M. Ghassemi, "Microgrids and Resilience: A Review," in IEEE Access, vol. 10, pp. 106059-106080, 2022, doi: 10.1109/ACCESS.2022.3211511.
[13] M. Billah, M. Yousif, M. Numan, I. U. Salam, S. A. A. Kazmi and T. A. H. Alghamdi, "Decentralized Smart Energy Management in Hybrid Microgrids: Evaluating Operational Modes, Resources Optimization, and Environmental Impacts," in IEEE Access, vol. 11, pp. 143530-143548, 2023, doi: 10.1109/ACCESS.2023.3343466.
[14] M. S. Reza et al., "Optimal Algorithms for Energy Storage Systems in Microgrid Applications: An Analytical Evaluation Towards Future Directions," in IEEE Access, vol. 10, pp. 10105-10123, 2022, doi: 10.1109/ACCESS.2022.3144930.
[15] M. Ali, M. A. Abdulgalil, I. Habiballah and M. Khalid, "Optimal Scheduling of Isolated Microgrids With Hybrid Renewables and Energy Storage Systems Considering Demand Response," in IEEE Access, vol. 11, pp. 80266-80273, 2023, doi: 10.1109/ACCESS.2023.3296540.
[16] J. Lee, S. Lee and K. Lee, "Multistage Stochastic Optimization for Microgrid Operation Under Islanding Uncertainty," in IEEE Transactions on Smart Grid, vol. 12, no. 1, pp. 56-66, Jan. 2021, doi: 10.1109/TSG.2020.3012158.
[17] M. A. Igder, M. Rafiei, J. Boudjadar and M. -H. Khooban, "Reliability and Safety Improvement of Emission-Free Ships: Systemic Reliability-Centered Maintenance," in IEEE Transactions on Transportation Electrification, vol. 7, no. 1, pp. 256-266, March 2021, doi: 10.1109/TTE.2020.3030082.
[18] X. Sun and J. Qiu, "Hierarchically Coordinated Voltage Control in Seaport Microgrids Considering Optimal Voyage Navigation of All-Electric Ships," in IEEE Transactions on Transportation Electrification, vol. 8, no. 2, pp. 2191-2204, June 2022, doi: 10.1109/TTE.2021.3138204.
[19] Y. Li, B. Wang, Z. Yang, J. Li and G. Li, "Optimal Scheduling of Integrated Demand Response-Enabled Community-Integrated Energy Systems in Uncertain Environments," in IEEE Transactions on Industry Applications, vol. 58, no. 2, pp. 2640-2651, March-April 2022, doi: 10.1109/TIA.2021.3106573.