• صفحه اصلی
  • ارائه یک مدل مدیریت انرژی یکپارچه تصادفی چندهدفه در ریزشبکه‌های برقی و حرارتی با جایابی منابع CHP و باتری، ذخیره‌ساز حرارتی و مدیریت سمت تقاضا

اشتراک گذاری

آدرس مقاله


کد مقاله : TEEGES-2310-1106 (R2) بازدید : 177 صفحه: 62 - 82

10.30486/TEEGES.2024.904761

نوع مقاله: پژوهشی

ارائه یک مدل مدیریت انرژی یکپارچه تصادفی چندهدفه در ریزشبکه‌های برقی و حرارتی با جایابی منابع CHP و باتری، ذخیره‌ساز حرارتی و مدیریت سمت تقاضا

محورهای موضوعی : مهندسی برق و کامپیوتر

المیرا اخوان معروفی 1 (دانشکده مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران)
محمود سمیعی مقدم 2 (دانشکده مهندسی برق، واحد دامغان، دانشگاه آزاد اسلامی، دامغان، ایران)
آزیتا آذرفر 3 (دانشکده مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران)
رضا داورزنی 4 (دانشکده مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران)
مجتبی واحدی 5 (دانشکده مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران)

تاریخ دریافت : 1402/08/09 تاریخ پذیرش : 1402/12/06 تاریخ انتشار : 1403/06/30

کلید واژه: ریزشبکه, باتری, مدیریت سمت تقاضا, منابع انرژی تجدیدپذیر,

چکیده مقاله :

در این مقاله یک مدل بهینه‌سازی بر اساس برنامه‌ریزی درجه دوم عدد صحیح مختلط تصادفی برای ارائه یک مدیریت انرژی یکپارچه برق و حرارت در ریزشبکه‌های برقی و حرارتی با در نظر گرفتن عدم قطعیت منابع انرژی تجدیدپذیر، جایابی منابع تولید برق و حرارت همزمان (CHP) به همراه سیستم‌های ذخیره انرژی و حرارتی و مدیریت سمت تقاضا در بهره‌برداری جزیره‌ای و متصل به شبکه ارائه شده است. یک تابع چند هدفه شامل کمینه‌سازی تلفات انرژی، انحراف ولتاژ، هزینه بهره‌برداری منابع و همچنین کاهش قطع منابع انرژی تجدیدپذیر و کاهش هزینه نصب در نظر گرفته شده است. شبکه توزیع IEEE 69 باس برای تجزیه و تحلیل انتخاب شده و کدنویسی در نرم‌افزار MATLAB و با بسته بهینه‌سازی CVX انجام شده است. مدل پیشنهادی نیز توسط قوی‌ترین حل‌کننده موجود به نام Gurobi حل شده است. نتایج بدست آمده نشان از عملکرد و دقت مدل پیشنهادی می‌باشد.

چکیده انگلیسی:

In this paper, an optimization model based on stochastic quadratic mixed integer programming to provide an integrated energy management of electricity and heat in electrical and thermal microgrids, taking into account the uncertainty of renewable energy sources, location of electricity generation sources and combined heat and power (CHP) along with energy and thermal storage systems and demand side management are provided in island operation and connected to the grid. A multi-objective function including minimization of energy loss, voltage deviation, cost of resource utilization, as well as reduction of renewable energy sources and reduction of installation cost is considered. The IEEE 69 bus distribution network was selected for analysis and coding was done in MATLAB software and CVX optimization package. The proposed model is also solved by the most powerful existing solver called Gurobi. The obtained results show the performance and accuracy of the proposed model.

منابع و مأخذ:

[1] W. Violante, C. A. Cañizares, M. A. Trovato and G. Forte, “An Energy Management System for Isolated Microgrids With Thermal Energy Resources,” in IEEE Transactions on Smart Grid, vol. 11, no. 4, pp. 2880-2891, July 2020, doi: 10.1109/TSG.2020.2973321.
[2] X. Zhang, G. G. Karady and S. T. Ariaratnam, “Optimal Allocation of CHP-Based Distributed Generation on Urban Energy Distribution Networks,” in IEEE Transactions on Sustainable Energy, vol. 5, no. 1, pp. 246-253, Jan. 2014, doi: 10.1109/TSTE.2013.2278693.
[3] N. Blaauwbroek, P. H. Nguyen, M. J. Konsman, H. Shi, R. I. G. Kamphuis and W. L. Kling, “Decentralized Resource Allocation and Load Scheduling for Multicommodity Smart Energy Systems,” in IEEE Transactions on Sustainable Energy, vol. 6, no. 4, pp. 1506-1514, Oct. 2015, doi: 10.1109/TSTE.2015.2441107.
[4] J. Wei, Y. Zhang, J. Wang and L. Wu, “Distribution LMP-Based Demand Management in Industrial Park via a Bi-Level Programming Approach,” in IEEE Transactions on Sustainable Energy, vol. 12, no. 3, pp. 1695-1706, July 2021, doi: 10.1109/TSTE.2021.3062044.
[5] N. A. Ashtiani, M. Gholami and G. B. Gharehpetian, “Optimal allocation of energy storage systems in connected microgrid to minimize the energy cost,” in 2014 19th Conference on Electrical Power Distribution Networks (EPDC), 2014, pp. 25-28, doi: 10.1109/EPDC.2014.6867493.
[6] M. Zhang, Q. Xu, C. Zhang, L. Nordström and F. Blaabjerg, “Decentralized Coordination and Stabilization of Hybrid Energy Storage Systems in DC Microgrids,” in IEEE Transactions on Smart Grid, vol. 13, no. 3, pp. 1751-1761, May 2022, doi: 10.1109/TSG.2022.3143111.
[7] Y. Song, Y. Liu, R. Wang and M. Ming, “Multi-Objective Configuration Optimization for Isolated Microgrid With Shiftable Loads and Mobile Energy Storage,” in IEEE Access, vol. 7, pp. 95248-95263, 2019, doi: 10.1109/ACCESS.2019.2928619.
[8] M. H. K. Tushar, A. W. Zeineddine and C. Assi, “Demand-Side Management by Regulating Charging and Discharging of the EV, ESS, and Utilizing Renewable Energy,” in IEEE Transactions on Industrial Informatics, vol. 14, no. 1, pp. 117-126, Jan. 2018, doi: 10.1109/TII.2017.2755465.
[9] Y. Fu, Z. Zhang, Z. Li and Y. Mi, “Energy Management for Hybrid AC/DC Distribution System With Microgrid Clusters Using Non-Cooperative Game Theory and Robust Optimization,” in IEEE Transactions on Smart Grid, vol. 11, no. 2, pp. 1510-1525, March 2020, doi: 10.1109/TSG.2019.2939586.
[10] X. Feng, J. Gu and X. Guan, “Optimal allocation of hybrid energy storage for microgrids based on multi-attribute utility theory,” in Journal of Modern Power Systems and Clean Energy, vol. 6, no. 1, pp. 107-117, January 2018, doi: 10.1007/s40565-017-0310-3.
[11] H. Eskandari, M. Kiani, M. Zadehbagheri, T. Niknam, “Optimal scheduling of storage device, renewable resources and hydrogen storage in combined heat and power microgrids in the presence plug-in hybrid electric vehicles and their charging demand,” in Journal of Energy Storage, vol. 50,104558, 2022. doi.org/10.1016/j.est.2022.104558
[12] P. Firouzmakan, R-A. Hooshmand, M. Bornapour, A. Khodabakhshian, “A comprehensive stochastic energy management system of micro-CHP units, renewable energy sources and storage systems in microgrids considering demand response programs,” in Renewable and Sustainable Energy Reviews, vol. 108, pp. 355-368, 2019. doi: 10.1016/j.rser.2019.04.001
[13] P. Pourghasem, F. Sohrabi, M. Abapour, B. Mohammadi-Ivatloo, “Stochastic multi-objective dynamic dispatch of renewable and CHP-based islanded microgrids,” in Electric Power Systems Research, vol. 173, pp. 193-201, 2019. doi: 10.1016/j.rser.2019.04.021
[14] F. Nazari-Heris, B. Mohammadi-ivatloo, D. Nazarpour, “Network constrained economic dispatch of renewable energy and CHP based microgrids,” in International Journal of Electrical Power & Energy Systems, vol. 110, pp. 144-160, 2019. doi: 10.12785/ijcds/1110135
[15] Y. Zhang, F. Meng, R. Wang, B. Kazemtabrizi, J. Shi, “Uncertainty-resistant stochastic MPC approach for optimal operation of CHP microgrid,” in Energy, vol. 179, pp. 1265-1278, 2019. doi:10.1016/j.energy.2019.04.151
[16] M. A. Jirdehi, M. Shaterabadi, V. Sohrabi Tabar, A. R. Jordehi, “Impact of diverse penetration levels of thermal units on a hybrid microgrid energy management considering the time of use and function priority,” in Applied Thermal Engineering, vol. 217, 119164, 2022. doi:10.1016/j.applthermaleng.202.119164
[17] N. B. Roy, D. Das, “Optimal allocation of active and reactive power of dispatchable distributed generators in a droop controlled islanded microgrid considering renewable generation and load demand uncertainties,” in Sustainable Energy, Grids and Networks, vol. 27,100482, 2021. doi: 10.24425/aee.2023.147416
[18] A. Naderipour, Z. Abdul-Malek, S. A. Nowdeh, V. K. Ramachandaramurthy, A. Kalam, J. M. Guerrero, “Optimal allocation for combined heat and power system with respect to maximum allowable capacity for reduced losses and improved voltage profile and reliability of microgrids considering loading condition,” in Energy, vol. 196, 117124, 2020. doi:10.1016/j.energy.2020.117124
[19] Y. Wang, P. Liu, D. Liu, F. Deng and Z. Chen, “Enhanced Hierarchical Control Framework of Microgrids With Efficiency Improvement and Thermal Management,” in IEEE Transactions on Energy Conversion, vol. 36, no. 1, pp. 11-22, March 2021, doi: 10.1109/TEC.2020.3002670.
[20] Z. Li, L. Wu, Y. Xu, S. Moazeni and Z. Tang, “Multi-Stage Real-Time Operation of a Multi-Energy Microgrid With Electrical and Thermal Energy Storage Assets: A Data-Driven MPC-ADP Approach,” in IEEE Transactions on Smart Grid, vol. 13, no. 1, pp. 213-226, Jan. 2022, doi: 10.1109/TSG.2021.3119972.
[21] L. Yang, L. Tianyu and H. Shusen, “Coordination and Optimization of CCHP Microgrid Group Game Based on the Interaction of Electric and Thermal Energy Considering Conditional Value at Risk,” in IEEE Access, vol. 9, pp. 88664-88673, 2021, doi: 10.1109/ACCESS.2021.3089591.
[22] Bidgoli MM, Karimi H, Jadid S, Anvari-Moghaddam A. “Stochastic electrical and thermal energy management of energy hubs integrated with demand response programs and renewable energy: A prioritized multi-objective framework,” in Electric Power Systems Research. Vol. 1;196:107183, 2020. doi:10.1016/j.epsr.2020.107183
[23] Hormozi, M.A., Bahmani Firouzi, B. & Niknam, T. “A Novel Strategy for Multi-area Dynamic Energy Management,” in Iran J Sci Technol Trans Electr Eng, vol. 45, pp. 115–129, 2021, doi: 10.1007/s40998-020-00340-6
متن کامل:
Presenting a Multi-Objective Stochastic Integrated Energy Management Model in Electrical and Thermal Microgrids by Locating CHP and Battery Sources, Thermal Storage and Demand Side Management

المیرا اخوان معروفی، محمود سمیعی¬مقدم، آزیتا آذرفر، رضا داورزنی، مجتبی واحدی

img0 

 

Technovations of Electrical Engineering in Green Energy System

img0 

Research Article                                                                         (2024) 3(2):62-82

 

Presenting a Multi-Objective Stochastic Integrated Energy Management Model in Electrical and Thermal Microgrids by Locating CHP and Battery Sources, Thermal Storage and Demand Side Management

Elmira Akhavan Maroofi1, PhD Student, Mahmoud Samiei Moghaddam2, Assistant Professor, Azita Azarfar1, Assistant Professor, Reza Davarzani1, Assistant Professor,

Mojtaba Vahedi1, Assistant Professor

 

1 Department of Electrical Engineering, Shahrood Branch, Islamic Azad University, Shahrood, Iran

2Department of Electrical Engineering, Damghan Branch, Islamic Azad University, Damghan, Iran

 

Abstract:

In this paper, an optimization model based on stochastic quadratic mixed integer programming to provide an integrated energy management of electricity and heat in electrical and thermal microgrids, taking into account the uncertainty of renewable energy sources, location of electricity generation sources and combined heat and power (CHP) along with energy and thermal storage systems and demand side management are provided in island operation and connected to the grid. A multi-objective function including minimization of energy loss, voltage deviation, cost of resource utilization, as well as reduction of renewable energy sources and reduction of installation cost is considered. The IEEE 69 bus distribution network was selected for analysis and coding was done in MATLAB software and CVX optimization package. The proposed model is also solved by the most powerful existing solver called Gurobi. The obtained results show the performance and accuracy of the proposed model.

Keywords: Microgrid, Battery, Demand side management, Renewable energy sources.

 

 

 

 

 

 

Received: 31 October 2023

Revised: 3 February 2024

Accepted: 25 February 2024

img0Corresponding Author: Dr. Mahmoud Samiei Moghaddam, samiei@damghaniau.ac.ir

DOI: http://dx.doi.org/10.30486/TEEGES.2024.904761

img0 


 

img0 

فناوری‏های نوین مهندسی برق در سیستم انرژی سبز

         ..مقاله پژوهشی...       

 

ارائه یک مدل مدیریت انرژی یکپارچه تصادفی چندهدفه در ریزشبکه­های برقی و حرارتی با جایابی منابع CHP و باتری، ذخیره­ساز حرارتی و مدیریت سمت تقاضا

المیرا اخوان معروفی1، دانشجوی دکتری، محمود سمیعی­مقدم2، استادیار، آزیتا آذرفر1، استادیار، رضا داورزنی۱، استادیار، مجتبی واحدی1، استادیار

1- دانشکده مهندسي برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ايران

2- دانشکده مهندسي برق، واحد دامغان، دانشگاه آزاد اسلامی، دامغان، ايران

 

 

چكيده: در این مقاله یک مدل بهینه­سازی بر اساس برنامه­ریزی درجه دوم عدد صحیح مختلط تصادفی برای ارائه یک مدیریت انرژی یکپارچه برق و حرارت در ریزشبکه­های برقی و حرارتی با در نظر گرفتن عدم قطعیت منابع انرژی تجدیدپذیر، جایابی منابع تولید برق و حرارت همزمان به همراه سیستم­های ذخیره انرژی و حرارتی و مدیریت سمت تقاضا در بهره­برداری جزیره­ای و متصل به شبکه ارائه شده است. یک تابع چند هدفه شامل کمینه­سازی تلفات انرژی، انحراف ولتاژ، هزینه بهره­برداری منابع و همچنین کاهش قطع منابع انرژی تجدیدپذیر و کاهش هزینه نصب در نظر گرفته شده است. شبکه توزیع IEEE 69 باس برای تجزیه و تحلیل انتخاب شده و کدنویسی در نرم­افزار MATLAB و با بسته بهینه­سازی CVX انجام شده است. مدل پیشنهادی نیز توسط قوی­ترین حل­کننده موجود به نام Gurobi حل شده است. نتایج بدست آمده نشان از عملکرد و دقت مدل پیشنهادی می­باشد.

 

واژه هاي كليدي: ریزشبکه، باتری، مدیریت سمت تقاضا، منابع انرژی تجدیدپذیر.

 

 

 

 

 

 

 

 

 

تاریخ ارسال مقاله: 0۹/0۸/140۲

تاریخ بازنگری مقاله: 14/۱۱/140۲

img0تاریخ پذیرش مقاله: 0۶/۱۲/140۲

نویسنده­ی مسئول: دکتر محمود سمیعی مقدم، samiei@damghaniau.ac.ir

DOI: http://dx.doi.org/10.30486/TEEGES.2024.904761        

img0 

1-       مقدمه

ریزشبکه­های برقی و حرارتی قابلیت این را دارند که علاوه بر تامین بارهای الکتریکی محلی بتوانند بارهای حرارتی را توسط منابعی مانند 1CHP تامین نمایند. از چالش­های اصلی در ریزشبکه­ها مدیریت بهینه توان یا تعادل بین بار و تولید2 می­باشد، به طوری که علاوه بر تامین مستمر بار بتوان شاخص­های مرتبط با شبکه مثل تلفات، ولتاژ و هزینه­ها را بهبود بخشید. ریزشبکه­های برقی و حرارتی با توجه به اینکه می­بایست دو قید تعادل توان الکتریکی و حرارتی را در نظر گرفت با پیچیدیگی­هایی همراه می­باشد که شدنی شدن مثل را سخت می­کند. لذا ارائه یک مدل بهینه­سازی برای مدیریت مستمر توان الکتریکی و حرارتی در ریزشبکه­ها3 با هر نوع بهره­برداری جزیره­ای یا متصل به شبکه به طوری که جواب­های بهینه سراسری تضمین شده باشد از اهمیت ویژه­ای برخوردار است. به منظور بررسی ادبیات موضوع و کاستی­های انجام نشده در ریزشبکه­های برقی و حرارتی مراجعی که اخیرا چاپ شده­اند بررسی شده است.

در مرجع [1] یک مدل برنامه­ریزی خطی عدد صحیحی برای مدیریت انرژی ریزشبکه­های ایزوله با در نظر گرفتن بارهای حرارتی، مناب تولید برق و حرارت همزمان و ذخیره­سازهای حرارتی ارائه نموده است. در مرجع [2] یک مدل غیرخطی برای جایابی بهینه منابع CHP را در شبکه­های توزیع به منظور افزایش بازیابی حرارتی منابع ارائه نمودند. نویسندگان در [3] یک مدل غیرمتمرکز برای جایابی بهینه منابع CHP و سیستم­های حرارتی به منظور مدیریت شبکه و افزایش انعطاف­پذیری سیستم ارائه نمودند. در [4] یک مدل برنامه­ریزی مخروطی مرتبه دوم برای مدیریت انرژی و مدیریت سمت تقاضا با هدف کاهش پیک بار با در نظر گرفتن منابع انرژی تجدیدپذیر و منابع CHP پیشنهاد شده است. در مرجع [5] یک روش مبتنی بر جستجوی هارمونی را برای جایابی بهینه سیستم ذخیره انرژی در ریزشبکه متصل به شبکه به منظور کاهش هزینه انرژی پیشنهاد شده است. در [6] نویسندگان یک مدل ترکیبی مبتنی بر کنترل پیش­بینی کننده غیرمتمرکز با در نظر گرفتن ابرخازن­ها در ریزشبکه­­های DC به منظور کنترل ولتاژ و پایداری ریزشبکه ارائه شده است. در مرجع [7] نویسندگان یک الگوریتم فراابتکاری را برای بهینه­سازی ریزشبکه­های ایزوله با در نظر گرفتن بارهای تغییرپذیر و ذخیره­ساز انرژی با هدف کاهش هزینه سالانه ریزشبکه، نسبت تامین انرژی دیزل و نرخ کمبود تقاضا پیشنهاد شده است. در [8] مسئله مدیریت انرژی در ریزشبکه­ها را با استفاده از مسئله مدیریت سمت تقاضا با اعمال شارژ و دشارژ بهینه خودروهای برقی و سیستم­های ذخیره انرژی ارائه کرده است. در [9] نویسندگان یک رویکرد مبتنی بر بهینه­سازی دو سطحی استوار برای مدیریت انرژی در ریزشبکه­های خوشه­ای و ترکیبی AC/DC با هدف کاهش هزینه، تلفات و گازگلخانه­ای پیشنهاد کردند. در [10] یک مدل بهینه­سازی برای تخصیص بهینه سیستم­های ذخیره انرژی ترکیبی در ریزشبکه­ها به منظور کاهش هزینه سالانه و هموارسازی نوسانات توان در ریزشبکه­ها پیشنهاد شده است. در [11] یک الگوریتم تکامل دیفرانسیل برای زمان­بندی بهینه منابع CHP، ذخیره­سازها و منابع انرژی تجدیدپذیر با در نظر گرفتن خودروهای برقی4 به منظور کاهش هزینه ریزشبکه ارائه شده است. در [12] یک استراتژی بهینه مبتنی بر الگوریتم بهینه­سازی ازدحام ذرات5 برای مدیریت ریزشبکه با منابع CHP، باتری، منابع تجدیدپذیر و مدیریت سمت تقاضا ارائه شده است. در [13] نویسندگان یک بهینه­ساز چند-هدفه تصادفی پویا برای بهینه­سازی ریزشبکه­های جزیره­ای پیشنهاد دادند. در [14] یک توزیع اقتصادی مبتنی بر پخش بار AC برای بهینه­سازی ریزشبکه­ها در حضور منابع CHP ارائه شده است. در [15] یک مدل کنترل پیش­بینی تصادفی6 مبتنی بر برنامه­ریزی خطی عدد صحیحی مرکب برای بهره­برداری بهینه ریزشبکه­ها در حضور منابع انرژی تجدیدپذیر، منابع CHP، ذخیره­سازهای باتری7 و حرارتی و برنامه مدیریت سمت تقاضا8 ارائه شده است. نویسندگان در [16] یک رویکرد مبتنی بر برنامه­ریزی خطی عدد صحیح مرکب برای بهینه­سازی ریزشبکه­های الکتریکی و حرارتی در حضور برنامه مدیریت سمت تقاضا و ذخیره­سازهای حرارتی و الکتریکی با هدف کاهش آلایندگی و هزینه ارائه کردند. نویسندگان در [17] یک رویکردی مبتنی بر استراتژی بهینه­سازی متوالی برای اختصاص بهینه منابع توزیع شده اکتیو و راکتیو در حضور عدم قطعیت بار­های شبکه ارائه شده است. در [18] نویسندگان الگوریتم بهینه­سازی ازدحام ذرات را برای حل مسئله جایابی بهینه سیستم­های CHP در ریزشبکه­ها به منظور کاهش تلفات و بهبود ولتاژ پیشنهاد کرده­اند. در مرجع [19] نویسندگان یک چارچوب سلسله مراتبی برای مدیریت بهینه حرارت و برق در ریزشبکه­های جزیره­ای به منظور کنترل افت ولتاژ و پایداری ریزشبکه هنگام قطع بار با در نظر گرفتن اینورترهای موازی شبکه ارائه نمودند. در [20] نویسندگان مطالعه­ای بر عملکرد تصادفی چند مرحله­ای زمان واقعی ریزشبکه­های چند انرژی (برق/حرارت) متصل به شبکه را از طریق کنترل پیش­بینی مدل ترکیبی و رویکرد برنامه­ریزی پویا تقریبی انجام دادند. نویسندگان در [21] یک برنامه یکپارچه انرژی مبتنی بر الگوریتم تکاملی برای مدیریت بهینه منابع تولید همزمان، پمپ‌های حرارتی، ذخیره‌سازی انرژی الکتریکی و تجهیزات ذخیره‌سازی انرژی حرارتی برای یک سیستم چند ریزشبکه‌ای با هدف کاهش هزینه و کاهش ریسک ریزشبکه ارائه نموده­اند. در مرجع [22] نویسندگان یک مدل مدیریت انرژی بهینه برای هاب انرژی با در نظر گرفتن مدیریت سمت تقاضا و منابع انرژی تجدیدپذیر ارائه دادند. در [23] نویسندگان یک مدل خطی عدد صحیح برای مدیریت بهینه انرژی در شبکه­های چند ناحیه انرژی پیشنهاد کردند.

 در جدول (1) مقایسه­ای این مقاله با مراجع مشابه انجام شده است. همانطور که مشاهده می­گردد، در این مقاله برای اولین بار جایابی بهینه همزمان باتری، منابع ذخیره حرارتی و منابع CHP در ریزشبکه­های جزیره­ای یا متصل به شبکه به همراه مدیریت سمت تقاضا با ارائه یک تابع چند-هدفه مبتنی بر سناریو پیشنهاد شده است.

 

جدول (1): مقایسه بین روش و رویکرد این مقاله با سایر مطالعات پیشین

بار حرارتی

چند هدفه

تصادفی

مدیریت سمت تقاضا

جایابی ذخیره­ساز حرارتی

جایابی باتری

جایابی CHP

مدل

مراجع

P 

P 

P 

P 

P 

P 

P 

MIQP9

این مطالعه

P 

P 

×

×

×

×

×

MILP10

 [1]

P 

×

×

×

×

×

P 

NLP11

 [2]

P 

P 

×

P 

P 

×

P 

MIQP

 [3]

P 

P 

×

P 

P 

×

P 

MISOCP

 [4]

×

×

×

×

×

P 

×

NLP

 [5]

×

P 

×

×

×

P 

×

NLP

 [6]

×

P 

×

P 

×

P 

×

NLP

 [7]

×

×

P 

P 

×

P 

×

MILP

 [8]

×

P 

P 

×

×

×

×

MILP

 [9]

×

P 

×

×

×

P 

×

NLP

 [10]

P 

×

P 

×

×

P 

P 

MINLP

 [11]

P 

P 

P 

P 

×

×

×

NLP

 [12]

P 

P 

P 

×

×

×

×

MINLP

 [13]

P 

P 

P 

×

×

×

×

NLP

 [14]

P 

P 

P 

P 

×

×

×

MILP

 [15]

P 

P 

P 

P 

×

×

×

MILP

 [16]

P 

P 

P 

P 

×

×

P 

MILP

 [17]

P 

P 

×

×

×

×

P 

MINLP

 [18]

P 

P 

P 

×

×

×

×

NLP

 [19]

P 

P 

P 

×

×

P 

×

LP

 [20]

P 

P 

P 

×

P 

×

×

NLP

 [21]

P 

P 

P 

P 

×

×

×

MILP

 [22]

P 

P 

×

P 

×

×

×

MILP

[23]

 

در زیر با توجه به مراجعی که بررسی شد، نوآوری­های این مقاله به شرح زیر می­باشد:

1- ارائه یک مدل مدیریت انرژی یکپارچه برق و حرارت برای ریزشبکه­های برقی و حرارتی با هر نوع بهره­برداری به منظور بهبود تلفات انرژی، ولتاژ، هزینه بهره­برداری و نصب و عدم قطع منابع انرژی تجدیدپذیر.

2-مدل­سازی جایابی بهینه منابع CHP، باتری، سیستم حرارتی و برنامه مدیریت سمت تقاضا به همراه شارژ و دشارژ بهینه سیستم ذخیره انرژی و ذخیره­سازهای حرارتی.

3- ارائه یک مدل برنامه­ریزی درجه دوم عدد صحیح مرکب تصادفی برای مدیریت انرژی الکتریکی و حرارتی در ریزشبکه­های جزیره­ای و متصل به شبکه به طوری که جواب­های بهینه سراسری تضمین شده می­باشد.

در بخش بعدی مقاله مدل­سازی پیشنهادی ارائه خواهد شد. در بخش سوم شبکه مورد مطالعه معرفی و نتایج شبیه­سازی تجزیه و تحلیل می­شود و در بخش نهایی نتیجه­گیری ارائه شده است.

2-       مدل بهینه­سازی پیشنهادی

در این بخش مدل تابع هدف مسئله و همچنین قیود حاکم بر مسئله ارائه می­شود. همانطور که در فصل اول بیان شد، تابع هدف در نظر گرفته شده یک تابع چند هدفه شامل کاهش هزینه تلفات انرژی، کاهش انحراف ولتاژ، هزینه اقتصادی و نصب منابع CHP، باتری، ذخیره­ساز حرارتی و کاهش قطع منابع انرژی تجدیدپذیر می­باشد. تابع چند هدفه ارائه شده در رابطه (1) ارائه شده است.

 

 

همانطور که مشاهده می­گردد، تابع چند هدفه (1) دارای هفت جمله می­باشد. جمله اول نشان­دهنده تلفات انرژی در ریزشبکه () می­باشد. جمله دوم کاهش انحراف ولتاژ () در ریزشبکه می­باشد، جمله بعدی کاهش هزینه بهره­برداری () از منابع CHP در شبکه می­باشد، جمله  نشان­دهنده هزینه نصب CHP می­باشد. جمله پنجم  هزینه سرمایه­گذاری باتری را نشان می­دهد. جمله ششم  نشان­دهنده هزینه نصب سیستم ذخیره حرارتی می­باشد. در نهایت جمله نهایی کاهش قطع توان منابع انرژی تجدیدپذیر () در هر سناریو می­باشد که به صورت روش مبتنی بر سناریو در نظر گرفته شده است. در این رابطه به دلیل غیر واحد بودن توابع هدف مدل­سازی شده ضرایب وزنی برای مدل­سازی تابع چند هدفه در نظر گرفته شده است. به ترتیب  الی   ضرایب وزنی مدل شده برای هر یک از اهداف موجود در تابع هدف مسئله می­باشد.

ماهیت تصادفی منابع انرژی تجدید پذیر از طریق مجموعه‌های محدودی از سناریوها توصیف می‌شود. عدم قطعیت منابع انرژی تجدیدپذیر (در نظر گرفته شده به عنوان بار منفی) با استفاده از یک رویکرد سناریوی گسسته در نظر گرفته می­شود. برای سادگی و معرفی عدم قطعیت‌های بی‌اهمیت به مدل، فرض می‌شود که تولید انرژی‌های تجدیدپذیر می‌توانند تا 20±% نسبت به سطح پایه فرضی متفاوت باشند. برای مدل‌سازی عدم قطعیت منابع انرژی تجدیدپذیر، فرض کردیم که توان منابع توزیع احتمال یکنواخت را نشان می‌دهند و می‌توانند 20±٪ از پیش‌بینی اسمی انحراف داشته باشند. با انجام این کار، 10 سناریوی مشابه برای محاسبه تغییرات غیرقابل پیش‌بینی ایجاد شد.

در این رابطه به ترتیب ،   و  شاخص مربوط به سناریوها، باس شبکه و زمان می­باشد، که به ترتیب مجموعه­های آن برابر است با ،  و . متغیر  برابر ولتاژ باس nام ریزشبکه در زمان t ام می­باشد و  برابر ماتریس کاندوکتانس ریزشبکه می­باشد، که شامل تمام اثرات خط مقاومتی می­باشد. متغیر  برابر توان الکتریکی منابع CHP در باس nام در زمان tام می­باشد و  برابر هزینه تولید توان الکتریکی واحدهای CHP می­باشد.  برابر احتمال هر سناریو می­باشد.  برابر تولید توان واقعی منابع تجدیدپذیر در باس nام در زمان tام و در سناریو sام می­باشد، همچنین  برابر توان بهره­برداری شده از واحد تجدیدپذیر nام در زمان tام می­باشد. شایان ذکر است که انتخاب ضرایب وزنی با استفاده از روش جبهه پارتو انجام شده و بهترین راه حل توسط این تکنیک بدست می­آید.

با معرفی تابع هدف مسئله و جمله­های آن در بخش بعدی قیود حاکم بر مسئله را شرح می­دهیم. رابطه (2) و (3) به ترتیب رابطه بین تعادل توان الکتریکی و حرارتی در ریزشبکه را نشان می­دهد.

 

(1)

 

 

در رابطه (2) که تعادل بین توان الکتریکی در ریزشبکه می­باشد، می­بایست بار و تولید در هر باس باهم برابر باشد، بدین منظور  برابر توان دشارژ باتری در باس nام در زمان tام می­باشد،  برابر توان بار تغییر یافته در باس nام در زمان tام در برنامه مدیریت سمت تقاضا می­باشد،  برابر توان شارژ باتری در باس nام در زمان tام می­باشد، همچنین  برابر ماتریس مثبت قطری است، به طوری که  برابر  است و  برابر صفر و  می­باشد. همچنین  برابر ماتریس کاندوکتانس شامل بارهای مقاومتی ثابت می­باشد.

در رابطه (3)  برابر حرارت تولید شده توسط CHPها در باس nام در زمان tام می­باشد، همچنین  برابر بار حرارتی ریزشبکه در باس nام در زمان tام می­باشد. متغیرهای  و  به ترتیب توان حرارتی شارژ و دشارژ شده ذخیره­ساز گرمایی می­باشد.

رابطه (4) الی (5) روابط مربوط به تبدیل توان الکتریکی به حرارتی در منابع CHP را نشان می­دهد.

 

(2)

 

(3)

 

 

در رابطه (4)  نشان­دهنده ثابت تناسب می­باشد،  برابر نرخ حرارتی و به ترتیب  و  برابر راندمان حرارتی و راندمان بهره­وری مبدل می­باشد.

رابطه­های (6) و (7) نشان­دهنده روابط مربوط به ولتاژ ریزشبکه می­باشد. در رابطه (7) به ترتیب  و  برابر حداقل ولتاژ و حداکثر ولتاژ در نظر گرفته شده برای باس ریزشبکه می­باشد.

 

(4)

 

(5)

 

 

در رابطه (7)  برابر باسی است که دستگاه کنترل ولتاژ در آن قرار دارد و ولتاژ آن باس برابر با 1 می­باشد.

رابطه (8) و (9) به ترتیب حد بهره­برداری از منابع CHP و منابع انرژی تجدیدپذیر را نشان می­دهد. در این رابطه  برابر کمترین حد بهره­برداری و  برابر بیشترین حد بهره­برداری از منابع CHP می­باشد. متغیر باینری  نشان­دهنده وضعیت وجود CHP در باس nام می­باشد، که اگر برابر 1 باشد یعنی CHP در آن باس وجود دارد و اگر برابر 0 باشد یعنی CHP در آن باس وجود ندارد.

 

(6)

 

(7)

 

 

رابطه (10) و (11) روابط مربوط به برنامه مدیریت سمت تقاضا در ریزشبکه را نشان می­دهد. در رابطه (10)  برابر بار اولیه شبکه و تغییرنیافته در باس nام در زمان tام است، این رابطه تضمین می­کند که هیچگونه حذف باری در ریزشبکه پس از برنامه مدیریت سمت تقاضا نداشته باشیم. در رابطه (11) تغییرات بار در برنامه مدیریت سمت تقاضا نشان داده شده است، که  برابر مقدار درصد تغییر بار مورد نظر می­باشد [38].

 

(8)

 

(9)

 

روابط بعدی روابط حاکم بر سیستم ذخیره انرژی یا باتری در ریزشبکه می­باشد. رابطه (12) محدودیت توان دشارژ و رابطه (13) محدودیت توان شارژ باتری را نشان می­دهد، در این رابطه  برابر ظرفیت باتری nام و  برابر وضعیت شارژ و دشارژ باتری می­باشد، که اگر برابر 1 باشد بدین معنی است که باتری در حال دشارژ و اگر صفر باشد باتری در حال شارژ است. رابطه (14) محدودیت بهره­برداری انرژی موجود در باتری را نشان می­دهد، که در این رابطه  برابر وضعیت انرژی باتری در باس nام در ساعت tام می­باشد و  برابر متغیر باینری وجود باتری در باس nام می­باشد، که اگر برابر صفر بود یعنی باتری در آن باس وجود ندارد در غیر اینصورت باتری در باس nام وجود دارد.

رابطه (15) نشان می­دهد که وضعیت انرژی در ساعت جدید برابر است با وضعیت انرژی در ساعت قبل به علاوه شارژ در ساعت جدید منهای دشارژ در ساعت جدید، در اینجا  برابر راندمان باتری می­باشد. رابطه (16) نشان­دهنده وضعیت انرژی اولیه موجود در باتری می­باشد که در این رابطه t برابر با 1 می­باشد و  نشان­دهنده مقدار انرژی موجود اولیه در باتری می­باشد.

 

(10)

 

(11)

 

 

روابط بعدی روابط حاکم بر سیستم ذخیره حرارتی در ریزشبکه می­باشد. رابطه (17) محدودیت حرارت تزریق شده به شبکه و رابطه (18) محدودیت حرارت دریافت شده را نشان می­دهد، در این رابطه  برابر ظرفیت سیستم حرارتی nام و  برابر وضعیت سیستم ذخیره حرارتی می­باشد. رابطه (19) محدودیت بهره­برداری توان حرارتی موجود در سیستم ذخیره حرارتی را نشان می­دهد، که در این رابطه  برابر توان حرارتی موجود در سیستم ذخیره حرارتی در باس nام در ساعت tام می­باشد و  برابر متغیر باینری وجود سیستم ذخیره حرارتی در باس nام می­باشد، که اگر برابر صفر بود یعنی سیستم حرارتی در آن باس وجود ندارد در غیر اینصورت وجود دارد.

رابطه (20) نشان می­دهد که وضعیت توان حرارتی در ساعت جدید است در اینجا  برابر راندمان سیستم ذخیره حرارتی می­باشد. رابطه (21) نشان­دهنده وضعیت توان حرارتی اولیه موجود در سیستم ذخیره حرارتی می­باشد که در این رابطه t برابر با 1 می­باشد و  نشان­دهنده مقدار اولیه در سیستم ذخیره حرارتی می­باشد.

 

(12)

 

(13)

 

(14)

 

(15)

 

(16)

 

 

از آنجایی که مکان­یابی بهینه سیستم ذخیره­ساز انرژی الکتریکی و حرارتی و CHP نیز در این مقاله انجام شده است، لذا حداکثر تعداد باتری و سیستم حرارتی و CHP که می­بایست مکان­یابی گردد باید در نظر گرفته شود. رابطه (22) الی (24) به ترتیب حداکثر تعداد منابع CHP و باتری و سیستم حرارتی را در مسئله نشان می­دهد که باید نصب گردد. در رابطه (22)  برابر تعداد منابع CHP است که باید جایابی شود و  و C به ترتیب برابر تعداد باتری و سیستم حرارتی است که باید در ریزشبکه جایابی گردد.

 

 

(17)

 

(18)

 

(19)

 

(20)

 

(21)

 

 

معادلات (1) الی (24) برای بهره­برداری از ریزشبکه­ها به صورت جزیره­ای می­باشد. برای بهره­برداری به صورت متصل به شبکه نیز می­بایست تزریق توان به ریزشبکه از طریق پست فوق توزیع یا همان باس مرجع نیز مدل­سازی گردد و قید مربوط به پست فوق توزیع هم اضافه شود. بدین منظور برای بهره­برداری به صورت متصل به شبکه به جای رابطه (2) از رابطه (25) استفاده کرده و رابطه (26) هم به قیود اضافه می­کنیم. در رابطه (25)  برابر توان پست توزیع در ساعت tام می­باشد و n نیز در اینجا برابر با باسی از شبکه است که پست فوق توزیع روی آن قرار دارد. رابطه (26) محدودیت بهره­برداری از پست توزیع را نشان می­دهد و  برابر حداکثر توان قابل بهره­برداری پست nام در شبکه توزیع است. متغیر باینری  برای تعیین تعداد پست­ها و همچنین کنترل ساعات تزریق توان از پست توزیع به ریزشبکه می­باشد.

 

(22)

 

(23)

 

(24)

 

 

همانطور که در ابتدا بیان شد تولید سناریو برای منابع انرژی تجدیدپذیر و مثل بادی و PV به صورت تابع توزیع نرمال در برنامه MATLAB بدست آمده است که به صورت روابط زیر می­باشد بدست آمده است.

رابطه (27) تابع توزیع نرمال منابع PV می­باشد، که  برابر مقدار متوسط و  انحراف استاندارد می­باشد، همچنین  برابر میزان تابش می­باشد. رابطه (28) توان واقعی PV را نشان می­دهد، که  برابر ظرفیت PV در باس n ام می­باشد. رابطه (29) تابع توزیع برای منابع بادی در شبکه می­باشد، در این رابطه ،  و  به ترتیب برابر حداکثر، مقدار و حداقل نرخ سرعت باد می­باشد و  برابر نرخ توان خروجی منبع بادی در باس n ام می­باشد [23].

 

(25)

 

(26)

 

 

همانطور که مشاهده گردید یک مدل بهینه­سازی بر مبنای برنامه­ریزی درجه دوم عدد صحیح ارائه شد، که برای حل آن می­توانیم از حل­کننده قدرتمند Gurobi استفاده کنیم، اگر فرم و ساختار مسئله به صورت استاندارد، یعنی شامل تابع هدف و مجموعه قیود باشد. در بخش بعدی نتایج شبیه­سازی ارائه می­شود.

 

 

 

 

 

 

 

جدول (2): داده­های بار الکتریکی و حرارتی ریزشبکه

(27)

 

(28)

 

(29)

 

 

باس

بار الکتریکی (کیلووات)

بار حرارتی (کیلووات گرما)

باس

بار الکتریکی (کیلووات)

بار حرارتی (کیلووات گرما)

1

0

0

36

26

18.6

2

0

0

37

0

18.6

3

0

0

38

24

0

4

0

0

39

24

17

5

0

0

40

1.2

17

6

2.6

2.2

41

0

1

7

40.4

30

42

6

0

8

75

54

43

0

4.3

9

30

22

44

39.2

0

10

28

19

45

39.2

26.3

11

145

104

46

0

26.3

12

145

104

47

79

0

13

8

5.5

48

384.7

56.4

14

8

5.5

49

384.7

274.5

15

0

0

50

40.5

274.5

16

45.5

30

51

36

28.3

17

60

35

52

43

2.7

18

60

35

53

26.4

3.5

19

0

0

54

24

19

20

1

0.6

55

0

17

21

114

81

56

0

0

22

5.3

3.5

57

0

0

23

0

0

58

100

0

24

28

20

59

0

72

25

14

0

60

1244

888

26

14

10

61

32

23

27

26

10

62

0

0

28

26

18.6

63

227

162

29

0

18.6

64

59

42

30

0

0

65

18

13

31

0

0

66

18

13

32

14

0

67

28

20

33

19.5

10

68

28

20

34

6

14

69

28

20

35

26

4

 

 

 

 

3-       نتایج شبیه­سازی

در این بخش نتایج مربوط به شبیه­سازی ارائه شده است. برای نشان دادن کارایی مدل پیشنهادی، ریزشبکه 69 باس مطابق شکل (1) در نظر گرفته شده است. این ریزشبکه دارای 69 باس و 68 خط می­باشد که از طریق باس 1 به شبکه بالا دستی متصل است. ولتاژ مبنا این ریزشبکه 12.67 کیلوولت می­باشد. محدودیت ولتاژ بین 0.95 الی 1.05 پریونیت در نظر گرفته شده است. همانطور که مشاهده می­شود بارهای الکتریکی با فلش مشکلی و بارهای حرارتی با فلش قرمز رنگ در شکل نشان داده شده است. منابع انرژی تجدیدپذیر فتوولتائیک و بادی در باس­های 14 و 57 نصب شده است و حداکثر ظرفیت خروجی توان آن­ها در بهترین شرایط 1 مگاوات می­باشد. باس­های کاندید برای نصب CHP، باتری و ذخیره­ساز حرارتی به ترتیب برابر باس­های 11 الی 14، 46 الی 49 و 61 الی 69 می­باشد. حداکثر ظرفیت منابع CHP برابر 5 مگاوات می­باشد. به منظور تجزیه و تحلیل و راستی­آزمایی بهتر مدل پیشنهادی دو حاله بهره­برداری جزیره­ای و متصل به شبکه انجام شده است. راندمان باتری 90 درصد و از نوع لیتیومی در نظر گرفته شده است و حداکثر ظرفیت باتری­ها برابر 1.5 مگاوات ساعت می­باشد. میزان مجاز تغییر بار در برنامه مدیریت سمت تقاضا 5 درصد در نظر گرفته شده است. در هر دو حالت در نظر گرفته شده، تعداد 3 واحد CHP، 3 واحد باتری و ذخیره­ساز حرارتی نیز برای جایابی بهینه در نظر گرفته شده است. شبیه­سازی­ها با استفاده از CVX و نرم­افزار MATLAB پیاده­سازی شده و با حل­کننده Gurobi حل شده است.

 

C:\Users\Hossein-Work\Documents\thesis\PhD10\farsi\1.png 

شکل (1): ریزشبکه در نظر گرفته شده

 

img0 

شکل (2): سناریوهای تولید شده برای توربین بادی

 

 

 

 

شکل (2) و (3) به ترتیب نشان­دهنده سناریوهای در نظر گرفته شده برای توربین بادی و PV می­باشد. همچنین شکل (4) نشان­دهنده قیمت انرژی در یک روز و شکل (5) بارهای حرارتی و الکتریکی ریزشبکه را در یک روز نشان می­دهد. در جدول (2) داده­های مربوط به ریزشبکه استفاده شده ذکر شده است.

 

img0 

شکل (3): سناریوهای تولید شده برای منبع PV

 

img0 

شکل (4): قیمت انرژی الکتریکی در یک دوره 24 ساعته

img0 

شکل(5): بارهای حرارتی و الکتریکی ریزشبکه

 

3-1-بهره­برداری جزیره­ای

در این بخش نتایج مربوط به بهره­برداری جزیره­ای ریزشبکه ارائه شده است. جدول (3) نتایج بدست آمده از شبیه­سازی را در بهره­برداری جزیره­ای ریزشبکه نشان می­دهد. همانطور که مشاهده می­شود در این حالت تلفات انرژی در طول روز برای یک دوره 24 ساعته 1516 کیلوات ساعت شده است، همچنین کمترین ولتاژ شبکه در طول دوره برابر 0.9903 پریوینت می­باشد. هزینه تولید توان در منابع CHP نیز برابر 4000 دلار برای یک روز شده است. مکان بهینه برای نصب CHP برابر باس­های 47، 49 و 61 شده است که به ترتیب حداکثر ظرفیت بهینه آن برابر 670، 730 و 1500 کیلووات می­باشد. به همین ترتیب مکان بهینه باتری باس­های 64، 67 شده است که حداکثر ظرفیت آن برابر 730 و 1020 کیلووات ساعت می­باشد. در حالت جزیره­ای نیز هیچگونه سیستم ذخیره انرژی حرارتی نصب نشده است. زمان حل مسئله برابر 160 ثانیه می­باشد.

 

جدول (3): نتایج بهره­برداری جزیره­ای در ریزشبکه 69 باس

تلفات انرژی (کیلوات ساعت)

1516

کمترین ولتاژ شبکه (پریونیت)

0.9903

هزینه تولید (دلار)

4000

مکان بهینه CHP (حداکثر اندازه:کیلووات)

47 (670)

49 (730)

61 (1500)

مکان بهینه باتری (حداکثر ظرفیت: کیلووات ساعت)

64 (730)

67 (1020)

مدت زمان حل مسئله (ثانیه)

160

 

شکل (6) نشان­دهنده توان منابع به همراه بار تغییریافته و تلفات ریزشبکه می­باشد. همانطور که مشاهده می­گردد؛ در ساعات 2 الی 5 که قیمت انرژی ارزان است باتری شارژ شده و در ساعاتی که قیمت انرژی گران است دشارژ شده است. شکل (7) مقایسه­ای بین بارهای اولیه ریزشبکه با بار تغییریافته در برنامه مدیریت سمت تقاضا نشان داده شده است. مشاهده می­شود که پیک بار از ساعت 18 که مقدار 3.8 مگاوات بود به ساعت 14 با مقداری کمتر 3.8 مگاوات منتقل شده است. شکل (8) و شکل (9) به ترتیب نمودار بهینه شارژ و دشارژ باتری و ذخیره­ساز حرارتی را در طول دوره 24 ساعته نشان می­دهد.

 

img0 

شکل (6): تعادل بار در ریزشبکه 69 باس در حالت بهره­برداری جزیره­ای

 

img0 

شکل (7): مقایسه بار اولیه و بار تغییریافته در مدیریت سمت تقاضا در حالت جزیره­ای

img0 

شکل (8): شارژ و دشارژ بهینه باتری­ها در بهره­برداری جزیره­ای

 

img0 

شکل (9): وضعیت انرژی باتری­ها در بهره­برداری جزیره­ای

 

3-2-بهره­برداری متصل به شبکه

در این بخش نتایج مربوط به بهره­برداری متصل به ریزشبکه ارائه شده است. جدول (4) نتایج بدست آمده از شبیه­سازی را در بهره­برداری جزیره­ای ریزشبکه نشان می­دهد. همانطور که مشاهده می­شود در این حالت تلفات انرژی در طول روز برای یک دوره 24 ساعته 1567 کیلوات ساعت شده است، همچنین کمترین ولتاژ شبکه در طول دوره برابر 0.9641 پریوینت می­باشد که در حدود 0.03 پریونیت از حال جزیره­ای کمتر می­باشد. هزینه تولید توان در منابع CHP نیز برابر 2585 دلار برای یک روز شده است که از مقدار بهره­برداری جزیره­ای کمتر می­باشد. مکان بهینه برای نصب CHP برابر باس­های 14، 49 و 61 شده است که به ترتیب حداکثر ظرفیت بهینه آن برابر 440، 850 و 1400 کیلووات می­باشد. به همین ترتیب مکان بهینه باتری باس­های 61 و 62 شده است که حداکثر ظرفیت آن برابر 390 و235 کیلووات ساعت می­باشد. مکان بهینه سیستم ذخیره­ساز حرارتی نیز باس­های 64، 66 و 69 می­باشد که ظرفیت بهینه آن برابر 865، 2500 و 3000 کیلووات گرما ساعت می­باشد. زمان حل مسئله برابر 2686 ثانیه می­باشد.

 

جدول (4): نتایج بهره­برداری متصل به شبکه در ریزشبکه 69 باس

تلفات انرژی (کیلوات ساعت)

1567

کمترین ولتاژ شبکه (پریونیت)

0.9641

هزینه تولید (دلار)

2585

مکان بهینه CHP (حداکثر اندازه:کیلووات)

14 (440)

49 (850)

61 (1400)

مکان بهینه باتری (حداکثر ظرفیت: کیلووات ساعت)

61 (390)

62 (235)

مکان بهینه ذخیره­ساز حرارتی (حداکثر ظرفیت: کیلووات گرما ساعت)

64 (865)

66 (2500)

69 (3000)

مدت زمان حل مسئله (ثانیه)

2686

 

شکل (10) نشان­دهنده توان­های موجود در ریزشبکه به همراه بار تغییریافته و تلفات می­باشد. در این شکل توان خریداری شده از ایستگاه توزیع نیز نشان داده شده است. شکل (11) مقایسه بار تغییر یافته با بار اولیه شبکه نشان داده شده است. توجه شود که تغییرات بار به منظور بهبود تلفات انرژی، انحراف ولتاژ، هزینه خرید انرژی و هزینه عدم قطع منابع انرژی تجددیپذیر در نظر گرفته شده است. شکل (12) شارژ و دشارژ بهینه باتری را نشان می­دهد و شکل (13) توان حرارتی سیستم ذخیره­ساز حرارتی را نشان می­دهد.

 

img0 

شکل (10): تعادل بار در ریزشبکه 69 باس در حالت بهره­برداری متصل به شبکه

 

 

 

 

 

img0 

شکل (11): مقایسه بار اولیه و بار تغییریافته در مدیریت سمت تقاضا در حالت متصل به شبکه

 

img0 

شکل (12): شارژ و دشارژ بهینه باتری­ها در بهره­برداری متصل به شبکه

img0 

شکل (13): وضعیت ذخیره­ساز حرارتی در بهره­برداری متصل به شبکه

 

3-۳- مقایسه

در این بخش به منظور نشان دادن عملکرد رویکرد پیشنهادی، چندین رویکرد دیگر مثل الگوریتم ژنتیک، الگوریتم ازدحام ذرات، الگوریتم جایا و الگوریتم آموزش و یادگیری با روش پیشنهادی مقایسه شده است. جدول (5) نتایج مربوط به بهره­برداری به صورت جزیره­ای را نشان می­دهد. مقایسه با یک سیستم کامپیوتری یکسان انجام شده است و تمامی پارامترهای ریزشبکه برای هر الگوریتم برابر می­باشد تا در شرایط یکسانی مقایسه انجام شده باشد. شایان ذکر است که از آنجایی که الگوریتم­های تکاملی برای پایه جستجوی تصادفی در ابتدا راه­اندازی می­شوند لذا برای اینکه بهترین جواب گزارش شود هر الگوریتم چندین مرتبه اجرا شده است. طبق جدول (5) رویکرد پیشنهادی با تلفات انرژی کمتری (1516 کیلوات ساعت) نسبت به الگوریتم ژنتیک، الگوریتم ازدحام ذرات، الگوریتم جایا، و الگوریتم یادگیری و آموزش دیگر، به عنوان یک اندیکاتور مهم برای بهبود کارایی الگوریتم معرفی شده است. رویکرد پیشنهادی با کمترین ولتاژ شبکه (0.9903 پریونیت) نسبت به سایر الگوریتم‌ها به نظر می‌رسد، که این امر می‌تواند به بهبود استحکام و پایداری شبکه انرژی کمک کند. رویکرد پیشنهادی با هزینه تولید کمتری (4000 دلار) نسبت به سایر الگوریتم‌ها، به ویژه الگوریتم ازدحام ذرات و الگوریتم یادگیری و آموزش، نشان می‌دهد. این امر می‌تواند به مدیران سیستم‌های انرژی کمک کند تا اقتصادی‌ترین تصمیمات را در زمینه تولید انرژی بگیرند. رویکرد پیشنهادی با مدت زمان حل مسئله کمتر (160 ثانیه) نسبت به الگوریتم ژنتیک و الگوریتم یادگیری و آموزش، به نظر می‌رسد. این نشانگر از سرعت و کارایی الگوریتم معرفی شده است. بر اساس نتایج این جدول، رویکرد پیشنهادی در مقایسه با الگوریتم‌های تکاملی دارای عملکرد بهتری در تلفات انرژی، پایداری و قابلیت بهره‌وری اقتصادی است. این موارد می‌توانند در ارتقاء کارایی سیستم‌های انرژی متمرکز و بهبود در مدیریت منابع انرژی مؤثر باشند.

 

جدول (5): مقایسه نتایج بهره­برداری جزیره­ای رویکرد پیشنهادی با الگوریتم­های تکاملی

 

رویکرد پیشنهادی

الگوریتم ژنتیک

الگوریتم ازدحام ذرات

الگوریتم جایا

الگوریتم یادگیری و آموزش

تلفات انرژی (کیلوات ساعت)

1516

1541

1532

1554

1598

کمترین ولتاژ شبکه (پریونیت)

0.9903

0.9910

0.9874

0.9888

0.9891

هزینه تولید (دلار)

4000

4059

4098

4029

4067

مدت زمان حل مسئله (ثانیه)

160

324

241

180

197

4-       نتیجه­گیری

در این مقاله، یک مدل بهینه‌سازی چندهدفه مبتنی بر برنامه‌ریزی اعداد صحیح درجه دوم مختلط برای مدیریت انرژی در ریزشبکه‌های جزیره‌ای یا متصل به شبکه ارائه شد. مدل پیشنهادی مکان و عملکرد بهینه منابع CHP و همچنین سیستم‌های ذخیره‌سازی انرژی و حرارتی را فراهم می‌کند. در این مقاله یک تابع چند هدفه شامل کاهش هزینه بهره­برداری و نصب، تلفات، انحراف ولتاژ و کاهش قطعی برق منابع انرژی تجدیدپذیر مانند باد و خورشید ارائه شده است. در مدل پیشنهادی، مسئله مدیریت سمت تقاضا نیز در نظر گرفته شده است، تا بتوان مدیریت بهتر بار و انرژی در ریزشبکه برقی/حرارتی را در دو حالت عملیاتی مختلف به خوبی انجام داد. منابع انرژی تجدیدپذیر در این تحقیق به صورت غیر قطعی و مبتنی بر سناریو در نظر گرفته شده است. مدل‌سازی پیشنهادی با استفاده از حل‌کننده قدرتمند Gurobi حل شده است که راه‌حل‌های بهینه سراسری را تضمین می‌کند. شبکه استاندارد 69 باس برای تجزیه و تحلیل انتخاب شده است و حالت­های مختلف بهره­برداری در نظر گرفته شده است و نتایج کارایی مدل پیشنهادی را نشان می­دهد.

 

مراجع

 

[1]       W. Violante, C. A. Cañizares, M. A. Trovato and G. Forte, “An Energy Management System for Isolated Microgrids With Thermal Energy Resources,” in IEEE Transactions on Smart Grid, vol. 11, no. 4, pp. 2880-2891, July 2020, doi: 10.1109/TSG.2020.2973321.

[2]       X. Zhang, G. G. Karady and S. T. Ariaratnam, “Optimal Allocation of CHP-Based Distributed Generation on Urban Energy Distribution Networks,” in IEEE Transactions on Sustainable Energy, vol. 5, no. 1, pp. 246-253, Jan. 2014, doi: 10.1109/TSTE.2013.2278693.

[3]       N. Blaauwbroek, P. H. Nguyen, M. J. Konsman, H. Shi, R. I. G. Kamphuis and W. L. Kling, “Decentralized Resource Allocation and Load Scheduling for Multicommodity Smart Energy Systems,” in IEEE Transactions on Sustainable Energy, vol. 6, no. 4, pp. 1506-1514, Oct. 2015, doi: 10.1109/TSTE.2015.2441107.

[4]       J. Wei, Y. Zhang, J. Wang and L. Wu, “Distribution LMP-Based Demand Management in Industrial Park via a Bi-Level Programming Approach,” in IEEE Transactions on Sustainable Energy, vol. 12, no. 3, pp. 1695-1706, July 2021, doi: 10.1109/TSTE.2021.3062044.

[5]       N. A. Ashtiani, M. Gholami and G. B. Gharehpetian, “Optimal allocation of energy storage systems in connected microgrid to minimize the energy cost,” in 2014 19th Conference on Electrical Power Distribution Networks (EPDC), 2014, pp. 25-28, doi: 10.1109/EPDC.2014.6867493.

[6]       M. Zhang, Q. Xu, C. Zhang, L. Nordström and F. Blaabjerg, “Decentralized Coordination and Stabilization of Hybrid Energy Storage Systems in DC Microgrids,” in IEEE Transactions on Smart Grid, vol. 13, no. 3, pp. 1751-1761, May 2022, doi: 10.1109/TSG.2022.3143111.

[7]       Y. Song, Y. Liu, R. Wang and M. Ming, “Multi-Objective Configuration Optimization for Isolated Microgrid With Shiftable Loads and Mobile Energy Storage,” in IEEE Access, vol. 7, pp. 95248-95263, 2019, doi: 10.1109/ACCESS.2019.2928619.

[8]       M. H. K. Tushar, A. W. Zeineddine and C. Assi, “Demand-Side Management by Regulating Charging and Discharging of the EV, ESS, and Utilizing Renewable Energy,” in IEEE Transactions on Industrial Informatics, vol. 14, no. 1, pp. 117-126, Jan. 2018, doi: 10.1109/TII.2017.2755465.

[9]       Y. Fu, Z. Zhang, Z. Li and Y. Mi, “Energy Management for Hybrid AC/DC Distribution System With Microgrid Clusters Using Non-Cooperative Game Theory and Robust Optimization,” in IEEE Transactions on Smart Grid, vol. 11, no. 2, pp. 1510-1525, March 2020, doi: 10.1109/TSG.2019.2939586.

[10]       X. Feng, J. Gu and X. Guan, “Optimal allocation of hybrid energy storage for microgrids based on multi-attribute utility theory,” in Journal of Modern Power Systems and Clean Energy, vol. 6, no. 1, pp. 107-117, January 2018, doi: 10.1007/s40565-017-0310-3.

[11]       H. Eskandari, M. Kiani, M. Zadehbagheri, T. Niknam, “Optimal scheduling of storage device, renewable resources and hydrogen storage in combined heat and power microgrids in the presence plug-in hybrid electric vehicles and their charging demand,” in Journal of Energy Storage, vol. 50,104558, 2022. doi.org/10.1016/j.est.2022.104558

[12]       P. Firouzmakan, R-A. Hooshmand, M. Bornapour, A. Khodabakhshian, “A comprehensive stochastic energy management system of micro-CHP units, renewable energy sources and storage systems in microgrids considering demand response programs,” in Renewable and Sustainable Energy Reviews, vol. 108, pp. 355-368, 2019. doi: 10.1016/j.rser.2019.04.001

[13]       P. Pourghasem, F. Sohrabi, M. Abapour, B. Mohammadi-Ivatloo, “Stochastic multi-objective dynamic dispatch of renewable and CHP-based islanded microgrids,” in Electric Power Systems Research, vol. 173, pp. 193-201, 2019. doi: 10.1016/j.rser.2019.04.021

[14]       F. Nazari-Heris, B. Mohammadi-ivatloo, D. Nazarpour, “Network constrained economic dispatch of renewable energy and CHP based microgrids,” in International Journal of Electrical Power & Energy Systems, vol. 110, pp. 144-160, 2019. doi: 10.12785/ijcds/1110135

[15]       Y. Zhang, F. Meng, R. Wang, B. Kazemtabrizi, J. Shi, “Uncertainty-resistant stochastic MPC approach for optimal operation of CHP microgrid,” in Energy, vol. 179, pp. 1265-1278, 2019. doi:10.1016/j.energy.2019.04.151

[16]       M. A. Jirdehi, M. Shaterabadi, V. Sohrabi Tabar, A. R. Jordehi, “Impact of diverse penetration levels of thermal units on a hybrid microgrid energy management considering the time of use and function priority,” in Applied Thermal Engineering, vol. 217, 119164, 2022. doi:10.1016/j.applthermaleng.202.119164

[17]       N. B. Roy, D. Das, “Optimal allocation of active and reactive power of dispatchable distributed generators in a droop controlled islanded microgrid considering renewable generation and load demand uncertainties,” in Sustainable Energy, Grids and Networks, vol. 27,100482, 2021. doi: 10.24425/aee.2023.147416

[18]       A. Naderipour, Z. Abdul-Malek, S. A. Nowdeh, V. K. Ramachandaramurthy, A. Kalam, J. M. Guerrero, “Optimal allocation for combined heat and power system with respect to maximum allowable capacity for reduced losses and improved voltage profile and reliability of microgrids considering loading condition,” in Energy, vol. 196, 117124, 2020. doi:10.1016/j.energy.2020.117124

[19]       Y. Wang, P. Liu, D. Liu, F. Deng and Z. Chen, “Enhanced Hierarchical Control Framework of Microgrids With Efficiency Improvement and Thermal Management,” in IEEE Transactions on Energy Conversion, vol. 36, no. 1, pp. 11-22, March 2021, doi: 10.1109/TEC.2020.3002670.

[20]       Z. Li, L. Wu, Y. Xu, S. Moazeni and Z. Tang, “Multi-Stage Real-Time Operation of a Multi-Energy Microgrid With Electrical and Thermal Energy Storage Assets: A Data-Driven MPC-ADP Approach,” in IEEE Transactions on Smart Grid, vol. 13, no. 1, pp. 213-226, Jan. 2022, doi: 10.1109/TSG.2021.3119972.

[21]       L. Yang, L. Tianyu and H. Shusen, “Coordination and Optimization of CCHP Microgrid Group Game Based on the Interaction of Electric and Thermal Energy Considering Conditional Value at Risk,” in IEEE Access, vol. 9, pp. 88664-88673, 2021, doi: 10.1109/ACCESS.2021.3089591.

[22]       Bidgoli MM, Karimi H, Jadid S, Anvari-Moghaddam A. “Stochastic electrical and thermal energy management of energy hubs integrated with demand response programs and renewable energy: A prioritized multi-objective framework,” in Electric Power Systems Research. Vol. 1;196:107183, 2020. doi:10.1016/j.epsr.2020.107183

[23]       Hormozi, M.A., Bahmani Firouzi, B. & Niknam, T. “A Novel Strategy for Multi-area Dynamic Energy Management,” in Iran J Sci Technol Trans Electr Eng, vol. 45, pp. 115–129, 2021, doi: 10.1007/s40998-020-00340-6

 

زیرنویس‏ها

img0فناوری‏های نوین مهندسی برق در سیستم انرژی سبز، سال سوم، شماره ۲، تابستان ۱۴۰۳                                            21

[1]  Combined heat and power (CHP)

[2]  Power balance

[3]  Microgrid

[4]  Electric vehicle

[5]  Particle swarm optimization (PSO)

[6]  Stochastic

[7]  Energy storage

[8]  Demand side management

[9]  Mixed integer quadratic programming (MIQP)

[10]  Mixed integer linear programming (MILP)

[11]  Non-linear programming (NLP)


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]