Unit Commitment Planning Under Uncertainty and Fuel Cost Volatility with Economical and Emission Reduction Objective
Subject Areas : Power Engineering
Mahyar Abasi
1
,
Javad Ebrahimi
2
,
Sajad Bagheri
3
,
Moaiad Mohseni
4
,
Alireza Niknam Kumlah
5
,
Mahmood Joorabian
6
1 - Department of Electrical Engineering, Faculty of Engineering, Arak University, Arak, Iran
2 - Research Institute of Renewable Energy, Arak University, Arak, Iran
3 - Department of Electrical Engineering, Arak Branch, Islamic Azad University, Arak, Iran
4 - Khuzestan Regional Electric Company, Ahvaz, Iran
5 - Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran
6 - Department of Electrical Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
Keywords: Uncertainty, Electricity market, Unit commitment, Power grid security, Distributed generation,
Abstract :
The mismatch between production and consumption and concern for providing the energy needed in the power grid has always been one of the problems of grid operators. Also, large-scale electricity production has always been a costly and polluting industry. Therefore, engineers and power generation companies have always been looking for a cheap and clean way to generate power so that they can overcome the power imbalance and ensure stability and the allowed level of pollutants in the network. The most common sources used in the power grid to generate power are gas and thermal units, these units enter the circuit faster and, of course, have a higher production cost. When to use thermal units and when to use gas units in the network is a complex issue, which depends on various factors such as peak time, fuel price and gas supply network conditions. None of these things are certain in their true state. Therefore, in this article, the uncertainty of gas sources and the variability of gas prices in the problem of the participation of power plant units in the power system have been modeled and analyzed by GAMS software. Also, the mixed integer non-linear programming solution method has been used to solve the problem. The results show that if there is uncertainty in the gas sources, there is a greater tendency to use other power plants in the network in order to maintain the security and stability of the network.
[1] C. He, X. Zhang, T. Liu, L. Wu, and M. Shahidehpour, “Coordination of Interdependent Electricity Grid and Natural Gas Network—a Review,” Current Sustainable/Renewable Energy Reports, vol. 5, no. 1. 2018. doi: 10.1007/s40518-018-0093-9.
[2] W. van Ackooij, I. Danti Lopez, A. Frangioni, F. Lacalandra, and M. Tahanan, “Large-scale unit commitment under uncertainty: an updated literature survey,” Ann Oper Res, vol. 271, no. 1, 2018, doi: 10.1007/s10479-018-3003-z.
[3] H. Ren, J. Ortega, and D. Watts Casimis, “Review of Operating Reserves and Day-Ahead Unit Commitment Considering Variable Renewable Energies: International Experience,” IEEE Latin America Transactions, vol. 15, no. 11, 2017, doi: 10.1109/TLA.2017.8070418.
[4] Q. P. Zheng, J. Wang, and A. L. Liu, “Stochastic Optimization for Unit Commitment - A Review,” IEEE Transactions on Power Systems, vol. 30, no. 4, 2015, doi: 10.1109/TPWRS.2014.2355204.
[5] A. Tuohy, P. Meibom, E. Denny, and M. O’Malley, “Unit commitment for systems with significant wind penetration,” IEEE Transactions on Power Systems, vol. 24, no. 2, 2009, doi: 10.1109/TPWRS.2009.2016470.
[6] S. Chen, Z. Wei, G. Sun, D. Wang, Y. Zhang, and Z. Ma, “Stochastic look-ahead dispatch for coupled electricity and natural-gas networks,” Electric Power Systems Research, vol. 164, 2018, doi: 10.1016/j.epsr.2018.07.038.
[7] C. He, L. Wu, T. Liu, and Z. Bie, “Robust Co-Optimization Planning of Interdependent Electricity and Natural Gas Systems with a Joint N-1 and Probabilistic Reliability Criterion,” IEEE Transactions on Power Systems, vol. 33, no. 2, 2018, doi: 10.1109/TPWRS.2017.2727859.
[8] J. Munoz, N. Jimenez-Redondo, J. Perez-Ruiz, and J. Barquin, “Natural gas network modeling for power systems reliability studies,” in 2003 IEEE Bologna PowerTech - Conference Proceedings, 2003. doi: 10.1109/PTC.2003.1304696.
[9] T. Li, M. Eremia, and M. Shahidehpour, “Interdependency of natural gas network and power system security,” IEEE Transactions on Power Systems, vol. 23, no. 4, 2008, doi: 10.1109/TPWRS.2008.2004739.
[10] A. Alabdulwahab, A. Abusorrah, X. Zhang, and M. Shahidehpour, “Coordination of Interdependent Natural Gas and Electricity Infrastructures for Firming the Variability of Wind Energy in Stochastic Day-Ahead Scheduling,” IEEE Trans Sustain Energy, vol. 6, no. 2, 2015, doi: 10.1109/TSTE.2015.2399855.
[11] A. Zlotnik, L. Roald, S. Backhaus, M. Chertkov, and G. Andersson, “Coordinated Scheduling for Interdependent Electric Power and Natural Gas Infrastructures,” IEEE Transactions on Power Systems, vol. 32, no. 1, 2017, doi: 10.1109/TPWRS.2016.2545522.
[12] C. Liu, C. Lee, and M. Shahidehpour, “Look ahead robust scheduling of wind-thermal system with considering natural gas congestion,” IEEE Transactions on Power Systems, vol. 30, no. 1, 2015, doi: 10.1109/TPWRS.2014.2326981.
[13] A. Alabdulwahab, A. Abusorrah, X. Zhang, and M. Shahidehpour, “Stochastic security-constrained scheduling of coordinated electricity and natural gas infrastructures,” IEEE Syst J, vol. 11, no. 3, 2017, doi: 10.1109/JSYST.2015.2423498.
[14] B. Zhao, A. J. Conejo, and R. Sioshansi, “Unit commitment under gas-supply uncertainty and gas-price variability,” IEEE Transactions on Power Systems, vol. 32, no. 3, 2017, doi: 10.1109/TPWRS.2016.2602659.
[15] P. Khademi Astaneh and H. Sheikh Shahrokh Dehkordi, “Integrated Optimal Active and Reactive Power Planning in Smart Microgrids with Possibility of One-Hour Islanding,” Technovations of Electrical Engineering in Green Energy System, vol. 2, no. 2, pp. 36–50, 2023.
[16] M. Emadi, H. R. Massrur, E. Rokrok, and A. Samanfar, “A Comprehensive Framework for Optimal Stochastic Operating of Energy Hubs Integrated with Responsive Cooling, Thermal and Electrical Loads, and Ice Storage System by an Improved Self-Adaptive Slime Mold Optimization Algorithm,” Technovations of Electrical Engineering in Green Energy System, vol. 2, no. 1, pp. 77–95, 2023, doi: 10.30486/teeges.2022.1969195.1043.
[17] J. Ebrahimi, M. Abedini, M. M. Rezaei, and M. Nasri, “Optimum design of a multi-form energy in the presence of electric vehicle charging station and renewable resources considering uncertainty,” Sustainable Energy, Grids and Networks, vol. 23, 2020, doi: 10.1016/j.segan.2020.100375.
[18] J. Ebrahimi and M. Abasi, “Design of a Power Management Strategy in Smart Distribution Networks with Wind Turbines and EV Charging Stations to Reduce Loss, Improve Voltage Profile, and Increase Hosting Capacity of the Network,” Journal of Green Energy Research and Innovation, vol. 1, no. 1, pp. 1–15, Mar. 2024, doi: 10.61186/jgeri.1.1.1.
[19] M. Abedini, R. Eskandari, J. Ebrahimi, M. H. Zeinali, and A. Alahyari, “Optimal Placement of Power Switches on Malayer Practical Feeder to Improve System Reliability Using Hybrid Particle Swarm Optimization with Sinusoidal and Cosine Acceleration Coefficients,” Computational Intelligence in Electrical Engineering, vol. 11, no. 2, pp. 73–86, 2020.
[20] S. Darvish Kermani, M. Fayazi, J. Barati, and M. Joorabian, “Percentage of Islanding and Peninsulating Detection in Large Microgrids with Renewable Energy Resources with Multiple Connection Points to Different Grids,” Journal of Green Energy Research and Innovation, vol. 1, no. 2, pp. 1–14, 2024.
[21] B. Arandian, “Utilizing Hybrid Sine Cosine Shuffled Frog Leaping Algorithm for Optimal Energy Management in the Residential building with Renewable Energy Resources and Corresponding Uncertainties,” Journal of Green Energy Research and Innovation, vol. 1, no. 1, pp. 66–79, 2024.
[22] A. A. Karimi Taleb, H. Makvandi, and A. Oraee, “The Impact of Wind Direction on Wind Farms’ Output Power and Income,” Journal of Green Energy Research and Innovation, vol. 1, no. 1, pp. 34–47, 2024.
[23] J. Ebrahimi, M. Abedini, and M. M. Rezaei, “Optimal scheduling of distributed generations in microgrids for reducing system peak load based on load shifting,” Sustainable Energy, Grids and Networks, vol. 23, 2020, doi: 10.1016/j.segan.2020.100368.
[24] J. Ebrahimi and M. Abedini, “A two-stage framework for demand-side management and energy savings of various buildings in multi smart grid using robust optimization algorithms,” Journal of Building Engineering, vol. 53, 2022, doi: 10.1016/j.jobe.2022.104486.
Technovations of Electrical Engineering in Green Energy System |
|
Research Article (2024) 4(1):67-84
Unit Commitment Planning Under Uncertainty and Fuel Cost Volatility with Economical and Emission Reduction Objective
Mahyar Abasi 1,2, Assistant Professor, Javad Ebrahimi2, PhD, Sajad Bagheri3, Assistant Professor,
Moaiad Mohseni4, PhD, Alireza Niknam Kumlah5, M.Sc, Mahmood Joorabian6, Professor
1Department of Electrical Engineering, Faculty of Engineering, Arak University, Arak, Iran
2Research Institute of Renewable Energy, Arak University, Arak, Iran
3Department of Electrical Engineering, Arak Branch, Islamic Azad University, Arak, Iran
4Khuzestan Regional Electric Company, Ahvaz, Iran
5Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran
6Department of Electrical Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
Abstract:
The mismatch between production and consumption and concern for providing the energy needed in the power grid has always been one of the problems of grid operators. Also, large-scale electricity production has always been a costly and polluting industry. Therefore, engineers and power generation companies have always been looking for a cheap and clean way to generate power so that they can overcome the power imbalance and ensure stability and the allowed level of pollutants in the network. The most common sources used in the power grid to generate power are gas and thermal units, these units enter the circuit faster and, of course, have a higher production cost. When to use thermal units and when to use gas units in the network is a complex issue, which depends on various factors such as peak time, fuel price and gas supply network conditions. None of these things are certain in their true state. Therefore, in this article, the uncertainty of gas sources and the variability of gas prices in the problem of the participation of power plant units in the power system have been modeled and analyzed by GAMS software. Also, the mixed integer non-linear programming solution method has been used to solve the problem. The results show that if there is uncertainty in the gas sources, there is a greater tendency to use other power plants in the network in order to maintain the security and stability of the network.
Keywords: Uncertainty, Electricity market, Unit commitment, Power grid security, Distributed generation.
Received: 22 May 2024
Revised: 14 July 2024
Accepted: 15 August 2024
Corresponding Author: Dr. Mahyar Abasi, m-abasi@araku.ac.ir
DOI: 10.30486/TEEGES.2025.1120474
| فناوریهای نوین مهندسی برق در سیستم انرژی سبز |
..مقاله پژوهشی...
برنامه ریزی مشارکت واحدهای نیروگاهی در شرایط عدم قطعیت و تغییر پذیری قیمت سوخت با اهداف صرفه جویی اقتصادی و کاهش آلایندگی
کارشناسی ارشد، محمود جورابیان6، استاد
1- گروه مهندسی برق، دانشکده مهندسی ، دانشگاه اراک، اراک، ایران
2- پژوهشکده انرژیهای تجدید پذیر، دانشگاه اراک، اراک، ایران
3- دانشکده فنی و مهندسی، گروه مهندسی برق، دانشگاه آزاد اسلامی، واحد اراک، اراک، ایران
4- شرکت سهامی برق منطقه ای خوزستان، اهواز، ایران
5- گروه مهندسی برق، دانشگاه صنعتی امیر کبیر، تهران، ایران
6- مهندسی برق، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران
چكيده: ناترازی تولید و مصرف و نگرانی برای تأمین انرژی مورد نیاز در شبکه قدرت همواره یکی از مشکلات بهرهبرداران شبکه بوده است. همچنین تولید برق در سطح کلان همواره صنعتی پرهزینه و پرآلاینده بوده است. لذا همیشه مهندسان و شرکتهای تولید توان به دنبال راهی ارزان و پاک برای تولید توان بودهاند تا هم بتوانند بر ناترازی توان غلبه کنند و هم پایداری و سطح مجاز آلاینده در شبکه را تضمین کنند. معمولترین منابعی که در شبکه قدرت برای تولید توان استفاده میشوند واحدهای گازی و حرارتی هستند، این واحدها سریعتر وارد مدار شده و البته هزینه تولید بیشتری هم دارند. اینکه چه زمانی از واحدهای حرارتی و چه زمان از واحدهای گازی در شبکه استفاده شود مسئله پیچیدهای است، که به عوامل مختلفی چون زمان پیک، قیمت سوخت و شرایط شبکه گازرسانی بستگی دارد. هیچ کدام از این موارد در حالت واقعی خود دارای قطعیت نیستند. از این رو در این مقاله عدم قطعیت منابع گازی و تغییرپذیری قیمتگاز در مساله مشارکت واحدهای نیروگاهی در سیستم قدرت توسط نرمافزار گمز مدلسازی و تحلیل شدهاست. همچنین از روش حل برنامهریزی غیرخطی عدد صحیح مختلط برای حل مسئله استفاده شده است. نتایج نشان میدهد که در صورت وجود عدم قطعیت در منابع گازی، بیشتر تمایل به بهرهگیری از سایر نیروگاههای شبکه است تا امنیت و پایداری شبکه حفظ گردد.
واژه هاي كليدي: عدم قطعیت، بازار برق، مشارکت نیروگاهها ، امنیت شبکه برق، تولید پراکنده.
تاریخ ارسال مقاله: ۰۲/۰۳/140۳
تاریخ بازنگری مقاله: ۲4/0۴/140۳
تاریخ پذیرش مقاله: ۲۵/0۵/140۳
نویسندهی مسئول: دکتر مهیار عباسی، m-abasi@araku.ac.ir
DOI: 10.30486/TEEGES.2025.1120474
1- مقدمه
1-1- بیان مسئله
امروز به دلیل بحران انرژی در جهان کشورهای مختلف از انواع مختلف سوختها برای تولید توان الکتریکی استفاده میکنند. یکی از این منابع گاز طبیعی است، واحدهای تولید گازی و فناوریهای وابسته به برق وابستگی میان شبکههای برق و شبکه گاز طبیعی را افزایش دادهاند. در واقع، امنیت و اقتصاد هر دو شبکه مستقیماً بر هم اثرگذار هستند. از این رو، در چنین شبکههایی به دلیل پیوستگی برق و گاز، به هم مسئله برنامهریزی تولید خیلی پیچیدهتر شده و نیازمند برنامهریزی همزمان و یکپارچه هستند. لذا روشهای برنامهریزی بهینه هماهنگ این دو شبکه انرژی در سالهای اخیر مورد توجه واقع شده است که نتایج به مراتب بهتری نسبت به روشهای بهینهسازی مجزا ارائه میدهد [1]. به همین دلیل در ادامه به بررسی برخی از تحقیقات صورت گرفته در زمینه برنامهریزی یکپارچه منابع تولید پراکنده دارای عدم قطعیت و به هم وابسته پرداخته میشود.
1-2- ادبیات تحقیق
مسئله در مدار قرار گرفتن نیروگاهها عبارتند از مدیریت انرژی با هدف یافتن برنامه تولید بهینه مجموعه ای از واحدهای تولیدی در حالی که محدودیتهای مختلف سیستم باید برآورده شود. این مسئله همیشه یک مسئله غیر محدب بوده است، و باید در زمان کمی حل شود. از طرفی، ظرفیت روزافزون برای تولید انرژیهای تجدیدپذیر به شدت سطح عدم قطعیت را در سیستم افزایش داده است [2]. همچنین رشد مداوم تولید برق بادی باعث شده است که بهرهبرداران سیستم قدرت برای ایمن نگه داشتن عملیات خود همیشه با چالشهای زیادی روبرو شوند. از طرفی افزایش ذخایر عملیاتی نقش بسیار مهمی در تأمین بار شبکه ایفا میکنند، چراکه این نوع ذخایر ظرفیت تولید در مواقع اضطراری را زیاد کرده و باعث جبران ناترازی توان میشوند. در [3] مروری بر انواع ذخایر عملیاتی مورد استفاده در سیستمهای الکتریکی برای جبران نوسانات بار، تولید و حفظ تعادل بین عرضه و تقاضا پرداخته شده است. همچنین افزایش سهم انرژی باد و طبیعت متغیر منابع تجدیدپذیر چالشهای فنی زیادی را به سیستم قدرت تحمیل میکنند، به دلیل اینکه پیشبینی توان خروجی آنها دشوار است. از طرفی متناوب بودن باد ذخیره انرژی هوای فشرده1 به عنوان یک منبع انعطاف پذیر با نرخ رمپ2 بالا میتواند یک راه حل جایگزین باشد برای کاهش اثر عدم قطعیت تولید نیروی بادی بر توان و هزینه عملیات سیستم باشد. ازاینرو، در [4] اپراتور مستقل سیستم کالیفرنیا3 بازار جدیدی را برای رمپینگ انعطاف پذیر طراحی کرده است.
ماهیت تصادفی باد، مسئله در مدار قرار گرفتن نیروگاهها و مشکل توزیع توان بهینه سیستم قدرت را تغییر میدهد. با در نظر گرفتن این عدم قطعیت در زمانبندی سیستم، زمانبندی قویتری تولید میشود که به طور متوسط باید هزینههای مورد انتظار را کاهش دهد. در این مقاله، اثرات عدم قطعیت باد و بار برمسئله در مدار قرار گرفتن نیروگاهها و بار سیستمهای قدرت با سطوح بالای توان بادی بررسی شده است [5]. استفاده روزافزون از ژنراتورهای گاز طبیعی برای متعادل کردن منابع انرژی تجدیدپذیر، وابستگی متقابل بین شبکههای برق و گاز را بسیار تقویت کرده است. بنابراین در [6] یک روش دو مرحلهای را برای پخش بار بهینه شبکههای برق و گاز پیشنهاد میکند، که شامل مرحله اول برنامهریزی برای یک مورد پایه و مرحله دوم برنامهریزی تنظیم شده برای هر سناریوی نهایی را آماده میکند. برنامهریزی مخروط مرتبه دوم تقویت شده4 برای مدلسازی مسئله بهینهسازی و برنامهریزی اختلاف محدب5 برای اطمینان از امکان سنجی و بهینه بودن نتایج استفاده میشود. همچنین در [7] یک روش بهینهسازی مقاوم6 برای توسعه شبکههای برق و گاز ارائه شده است. هدف در این مقاله کمینهسازی هزینههای بهرهبرداری و سرمایهگذاری اولیه شبکه است.
رشد تولید برق در اسپانیا و چندین کشور دیگر عمدتاً مبتنی بر ساخت نیروگاه های سیکل ترکیبی است. با افزایش تعداد این نوع نیروگاه ها، سیستمهای گاز و برق به یکدیگر متصل میشوند. بنابراین، مطالعات قابلیت اطمینان سیستم قدرت باید قابلیت اطمینان تامین گاز را در نظر بگیرد. در نتیجه، نسل جدید مدلهای قابلیت اطمینان باید عملکرد مشترک سیستمهای برق و گاز را در نظر بگیرد. مرجع [8] مدلی را برای محاسبه حداکثر توانی که میتواند توسط نیروگاههای سیکل ترکیبی در یک سیستم تامین شود، ارائه میکند. اثرات همبستگی میان شبکههای برق و گاز بر امنیت شبکههای برق مورد مطالعه قرارداده شده است. همچنین در [9] روش دیگری برای برنامهریزی هماهنگ استفاده شده است، که در آن قیود مربوط به شبکه گازرسانی در برنامهریزی بهینه تولید نیروگاهی با در نظرگیری قیود امنیت شبکه مورد بررسی واقع شده و محدودیتهای مربوط به خط لوله، منابع تأمین گاز و محدودیتهای واحدهای نیروگاهی در این پژوهش مورد بررسی قرار گرفته است. در این مرجع اهمیت واحدهای چندگانه سوز با قابلیت تغییر سوخت مصرفی در ساعات اوج مصرف شبکه گاز بیان شده است، که این ویژگی از تغییرات زیاد تعرفههای برق و گاز جلوگیری خواهد کرد.
در مرجع [10]، مدل تصادفی برنامهریزی کوتاه مدت واحدهای نیروگاهی ارائه شده است که در آن به هماهنگسازی نیروگاههای گازسوز با توربینهای بادی پرداختهشدهاست. در این مدل قیود مربوط به شبکه گازرسانی، محدودیتهای زیست محیطی و نوسانات توربینهای بادی در مساله گنجاندهشده و از الگوریتم بندرز برای حل مساله استفاده شدهاست. در پژوهش دیگری، مدل برنامهریزی پویای تولید نیروگاهها با در نظرگیری کنترل هماهنگ میان سیستمهای گازی و الکتریکی بیان شده است. چون معمولاً از واحدهای گازسوز در مواقع پیک بار و یا برای فراهمسازی رزرو استفاده میشود در چنین ساعاتی نیاز به تامین گاز پرفشار است. بنابراین این نوع استفاده از خط لوله منجر به افزایش نوسانات قیمت گاز و در نتیجه تغییر قیمت برق میشود که امکان دارد امنیت شبکه را با تهدید مواجه سازد. در این پژوهش همچنین روش جدیدی برای کنترل هماهنگ تولید نیروگاه و شبکه کنترل گاز ارائه شدهاست [11]. در [12]، تقریب خطی مدل گاز طبیعی در مدل برنامهریزی مقاوم تولید نیروگاه معرفی شده است. در این مرجع معادلات دیفرانسیل با مشتقات جزئی مربوط به خط لوله گاز خطی سازی شده است و به عنوان یک قید در مساله برنامهریزی تولید نیروگاه مورد استفاده قرار گرفته است. آنچه در این پژوهش اهمیت دارد، ارائهی مدل مقاوم برای حل مساله است، که مزیت آن نسبت به سایر روشها جلوگیری از تولید تعداد بالایی از سناریوها است.
در [13]، مدل تصادفی برنامهریزی تولید نیروگاه با در نظرگیری قیود امنیت شبکه ارائه شده است که در آن تاثیر خرابی خطوط انتقال برق، خروج نیروگاهها و یا وقوع خطا در دادههای مربوط به بار بررسی شده است. روش به کار گرفته شده برای مدلسازی عدم قطعیت در این مرجع روش مونت کارلو است که در آن چندین سناریوی مختلف برای شبیهسازی عدم قطعیت ارائه شده است. در مراجع [14-16]، یک مدل بهینهسازی تصادفی خطی اعداد صحیح مختلط7 دو مرحلهای برای تحلیل زمانبندی واحدهای تولید برق تحت عدم قطعیت عرضه گاز طبیعی با در نظر گرفتن ازدحام خط لوله و تغییر قیمت گاز طبیعی پیشنهاد شده است. مرحله اول این مدل بهینهسازی تصادفی، مرحله زمانبندی روز آینده (یعنی تعهد واحد) را نشان میدهد، در حالی که مرحله دوم عملیات واقعی زمان واقعی را از طریق تعدادی سناریو نشان میدهد.
1-3- خلاءهای تحقیقاتی
همانطور که مطالعات انجام شده نشان میدهند، در شبکههای مبتنی بر سوختهای فسیلی بحث همبستگی میان شبکههای برق و گاز از اهمیت بالایی برخوردار است. در واقع مطالعات نشان میدهد که بهرهبرداری از شبکههای برق بدون در نظرگیری محدودیتهای شبکه گاز از قابلیت اطمینان کمتری در مواقع اعمال محدودیت و یا وقوع خرابی در شبکهی انتقال گاز برخوردار است. یکی دیگر از مسائل مهم در شبکههای متکی بر گاز طبیعی مسالهی قیمت گاز طبیعی است که میتواند در تصمیمات بهرهبردار شبکهی برق بسیار اثرگذار باشد. در واقع بهرهبردار برق باید مصالحهای میان بهرهبرداری از گاز ارزان قیمت با قابلیت اطمینان پایین و یا گاز گران قیمت با قابلیت اطمینان بالا برقرار کند.
1-4- سهم تحقیقاتی و نوآوریها
در این مقاله به بررسی و تحلیل مساله برنامهریزی تولید نیروگاه با در نظرگیری عدم قطعیت شبکه گازرسانی و قیمتگذاری برق پرداخته شده است. شبکههای مورد بررسی در دو حالت قیمت مختلف یکی مربوط به گاز قیمت پایین با قابلیت پایین تامینگاز و دیگری مربوط به گاز قیمت بالا با قابلیت اطمینان بالا مورد تحلیل قرار گرفتهاند.
از نوآوریهای مهم این مقاله،
· در نظرگیری عدم قطعیت مربوط به شبکه گاز رسانی است. در واقع نمیتوان با قطعیت کامل تامین گاز را در نظرگرفت و عدم قطعیتی برای تامین گاز طبیعی واحدهای گازسوز شبکه در نظرگرفته میشود.
· در نظرگیری قیمتهای مختلف گاز طبیعی در مساله است که از دیدگاه بهرهبردار شبکه از اهمیت بالایی برخوردار است. آنچه در این پژوهش جدید تلقی میشود، تعیین میزان اطمینان بر واحدهای گاز سوز با سرعت پاسخگویی بالا در مقابل واحدهای حرارتی با سرعت پاسخگویی پایین است.
· همچنین مدلریاضی جدید از مساله و روش حل متفاوتی مبتنی بر نرمافزار گمز و روش حل برنامهریزی غیر خطی آمیخته با عدد صحیح8 برای مساله ارائه شده است.
2- توصیف مدل پیشنهادی
در این مقاله فرض میشود که نیروگاههای تولید برق شبکه به دو دسته نیروگاههای حرارتی و نیروگاههای گازسوز دستهبندی شدهاند. هر یک از این نیروگاهها مشخصات مربوط به خود را داشته و از دیدگاه وابستگی به گاز طبیعی از اهمیت ویژهای برخوردار هستند. همچنین فرض شده است که مدیریت در مدار قرار گرفتن نیروگاهها نیز به دو بخش تنظیم شود. بخش اول (بالادستی) مربوط به برنامهریزی روزانه (یا از یک روز قبلتر)9 است که در آن سعی شده تا محدودیتهای مربوط به قراردادهای روزانه تبادل انرژی رعایت گردد و وضعیت کلی نیروگاهها از نظر روشنی و خاموشی یا راهاندازی (متغیرهای باینری مساله) مشخص گردد. بخش دوم (پایین دستی) مربوط به بهرهبرداری روزانه (همان روز) است که در آن هرگونه عدم قطعیت یا نوساناتی در قالب تنظیم توان تولیدی نیروگاهها (متغیرهای حقیقی پیوسته) پاسخ داده میشود. در این مرحله عدم قطعیت خود را نشان داده و معمولا نتیجه نهایی این مرحله بر اساس امید ریاضی از وقایع محتمل به دست میآید. در این مقاله عدم قطعیت در مورد محدودیتهای خطوط گازرسانی در نظر گرفته شدهاست. همچنین به منظور درک تاثیر قیمتگذاری گاز طبیعی در مساله، موارد مطالعاتی جداگانهای بررسی خواهد شد. در ادامه به بررسی مدل ریاضی مساله پرداخته میشود و سپس فرم تصادفی مساله ارائه میگردد.
2-1- مدل ریاضی
2-1-1- فرم تصادفی مساله
فرم تصادفی مساله مربوط به هر یک از سناریوهای مساله است که در آن بهینهسازی به صورت جداگانه صورت گرفته تا بهترین وضعیت هر یک از سناریوها مشخص گردد. در واقع در این فرم مساله مشخص میشود که در هر سناریو، تغییرات به چه شکلی باید پاسخ داده شود تا کمترین هزینه حاصل شده و در عین حال قیود مربوط به شرایط مرزی در هر سناریو برآورده گردد. لازم به ذکر است که برخی از قیود مرزی مستقل از سناریو و عدم قطعیت بوده (قیود مربوط به مرحله برنامهریزی روز قبل) و برخی دیگر وابسته به سناریو و عدم قطعیت (قیود مربوط به بهرهبرداری) هستند.
(1) |
|
| ضریب تلفات |
| هزینه بهرهبرداری از واحد حرارتی gام در حالت بیباری |
| هزینه راه اندازی واحد گازی gام |
| هزینه بهرهبرداری از واحد حرارتی iام در حالت بیباری |
| هزینه راه اندازی واحد حرارتی iام |
| حداکثر میزان توان عبوری از خط بین شین n و m |
| میزان سوخت مصرفی محاسبه شده حین برنامه ریزی |
| میزان گاز طبیعی مصرف شده در زمان t برای واحد g ام |
| حداکثر میزان سوخت مصرفی در زمان بهره برداری |
| میزان گاز مصرفی در زمان بی باری |
| میزان گاز مصرفی در زمان راه اندازی |
| بار واقعی در باس n برای زمان t |
| میزان بار اصلاح شد در سناریو |
| توان تولیدی واحد حرارتی gام در زمان t |
| حداکثر توان تولید واحد گازی g ام |
| حداقل توان تولید واحد گازی g ام |
| توان تولیدی واحد حرارتی iام در زمان t |
| حداکثر توان تولید واحد حرارتی i ام |
| حداقل توان تولید واحد حرارتی i ام |
| حد پایین رزرو چرخان برای واحدهای گازی |
| حد بالای رزرو چرخان برای واحدهای گازی |
| حد پایین رزرو چرخان برای واحدهای حرارتی |
| حد بالای رزرو چرخان برای واحدهای حرارتی |
| هزینه بارزدایی |
| میزان گاز مصرفی یک واحد بر حسب توان حین بهره برداری |
| هزینه بهرهبرداری از واحد حرارتی gام در حالت باردار |
| هزینه بهرهبرداری از واحد حرارتی iام در حالت باردار |
| میزان سوخت مصرف شده حین نوسان توان در زمان بهره برداری |
| حد پایین نوسان توان حین بهره برداری برای واحدهای گازی |
| حد بالای نوسان توان حین بهره برداری برای واحدهای گازی |
| حد پایین نوسان توان حین بهره برداری برای واحدهای حرارتی |
| حد بالای نوسان توان حین بهره برداری برای واحدهای حرارتی |
| وضعیت روشن یا خاموش بودن واحد گازی gام در زمان t |
| وضعیت روشن یا خاموش بودن واحد حرارتی iام در زمان t |
| وضعیت راه اندازی واحد گازی gام در زمان t |
| وضعیت راه اندازی واحد حرارتی iام در زمان t |
| متغیر باینری وضعیت اولیه واحدهای گازی |
| متغیر باینری وضعیت اولیه واحدهای حرارتی |
| تعداد کل واحدهای گازی |
| تعداد کل واحدهای حرارتی |
| زاویه باس مرجع در زمان برنامه ریزی |
| زاویه باس مرجع در زمان بهره برداری |
| زاویه باس m در زمان t در مرحله برنامه ریزی |
| زاویه باس n در زمان t در مرحله بهره برداری |
| زاویه باس n در زمان t در مرحله برنامه ریزی |
| زاویه باس n در زمان t در مرحله بهره برداری |
| احتمال هر سناریو بارزدایی |
| حد پایین نرخ افزایش شیب برای واحدهای گازی |
| حد پایین نرخ افزایش شیب برای واحدهای حرارتی |
| حد بالای نرخ افزایش شیب برای واحدهای گازی |
| حد بالای نرخ افزایش شیب برای واحدهای حرارتی |
| تعداد کل سناریوها |
| شماره هر سناریوها |
| هزینه مصرف گاز طبیعی |
|
(3) |
|
2-الف) قید مربوط به زاویه فاز شین اسلک در مرحله برنامهریزی مطابق رابطه (4) است.
|
| |
(6) |
|
(7) |
|
| |
(9) |
|
| |
(11) |
|
(12) |
|
(13) |
|
(14) |
|
| |
(16) |
|
(17) |
|
(18) |
|
(19) |
|
(20) |
|
(21) |
|
(22) |
|
(23) |
|
(24) |
|
(25) |
|
(26) |
|
(27) |
|
|
(29) |
|
(30) |
|
(31) |
|
| |
(33) |
|
(34) |
|
(35) |
|
(36) |
|
(37) |
|
(38) |
|
(39) |
|
| |
(41) |
|
| |
(43) |
|
Related articles
-
Integral Sliding Mode Based Direct Power Control of Brushless Doubly Fed Induction Generators
Print Date : 2022-08-23 -
An Intelligent Multi-Agent Based Approach for Protecting Distribution Networks
Print Date : 2022-05-22
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2024