روش بهینه سازی برای برنامه عملکرد میکروگریدها با توجه به عدم اطمینان در داده های موجود

برنامه ریزی عملیات در شبکه های برق یکی از عملی ترین مشکلات بهینه سازی است زیرا هدف خود را برای مدیریت کارآمد منبع تغذیه و تقاضای برق تعیین می کند. پیشرفت یک روش برای حل این مسئله به ویژه در میکروگریدها بسیار مهم است. این امر به این دلیل است که توانایی عملیاتی میکروگریدها به طور کلی پایین تر از شبکه های قدرت فله معمولی است و بنابراین تهیه یک برنامه عملکرد مناسب و هماهنگ از اجزای میکروگرید بسیار مهم است. اگرچه تکنیک های مختلفی برای حل مشکل ایجاد شده است ، اما هیچ راه حل مشخصی وجود ندارد. نویسندگان یک چارچوب مشکل و یک روش راه حل را پیشنهاد می کنند که برنامه عملکرد بهینه از اجزای میکروگرید را با توجه به عدم اطمینان در داده های موجود می یابد. در پیشنهاد نویسندگان ، عملکرد عینی مشکل هدف به عنوان هزینه مورد انتظار عملیات میکروگرید تدوین می شود. از آنجا که خطر عدم تعادل در منبع تغذیه و تقاضا به عنوان بخشی از عملکرد هدف ارزیابی می شود ، قدرت ذخیره عملیاتی لازم به طور خودکار محاسبه می شود. سودمندی چارچوب مسئله پیشنهادی و روش راه حل آن از طریق شبیه سازی عددی تأیید شد و نتایج مورد بحث قرار می گیرد.

1. مقدمه

Microgrids چارچوبی از شبکه های برق هوشمند است که یک گروه بومی شده از منابع برق و بارهای الکتریکی را مدیریت می کنند. آنها را می توان در هر دو متصل و به شبکه برق فله معمولی متصل کرد [1،2،3]. بر اساس رشد در نفوذ بازار منابع انرژی تجدید پذیر (RESS) ، اکنون میکروگرها به عنوان یکی از کاربردی ترین و پایدار شبکه های برق در نظر گرفته می شوند. در حقیقت ، بسیاری از مطالعات و تحولات در زمینه فن آوری های مرتبط با میکروگرید در حال حاضر انجام می شود [4،5] ، و همچنین آزمایش های میدانی نمایشی [6،7].

دو نوع مؤلفه میکروگرید وجود دارد: یکی مؤلفه قابل کنترل و دیگری غیرقابل کنترل است. سیستم های تولید برق قابل کنترل (CGS) ، سیستم های ذخیره انرژی (ESS) و بارهای قابل کنترل (CLS) نمونه هایی از سابق هستند. ویژگی های اجزای قابل کنترل معمولاً به این قضاوت بستگی دارد که آیا شبکه های برق جریان قدرت معکوس را از آنها می پذیرند یا خیر. وسایل نقلیه الکتریکی (EV) یک نمونه معمولی هستند (پذیرفته شده: ESS ، پذیرفته نشده: CL). در مقابل ، نوع دوم از وسایل الکتریکی در سمت مصرف کننده و سیستم های تولید مبتنی بر انرژی تجدید پذیر متغیر (VREGS) تشکیل شده است. از آنجا که کنترل اپراتورهای میکروگرید برای کنترل وسایل الکتریکی دشوار است ، این مقاله آنها را به عنوان یک نوع CL درج نمی کند. در میکروگریدها ، VREG ها بخش قابل توجهی از منبع برق را به خود اختصاص می دهند و بنابراین ، آنها در مدیریت منبع تغذیه و تقاضا مشکلاتی ایجاد می کنند. این امر به این دلیل است که VREGS ، که خروجی های آن به شدت به شرایط آب و هوایی وابسته است ، عدم اطمینان اضافی را به داده های موجود در دسترس که میکروگریدها باید برای برنامه عملکرد خود به آنها اعتماد کنند ، معرفی می کنند. اگر اپراتورهای میکروگرید نتوانند تعادل منبع تغذیه و تقاضا را حفظ کنند ، مازاد قدرت حاصل از آن منجر به تأثیرات قابل توجهی بر فعالیت های جامعه ما می شود. بنابراین ، مازاد یا کمبود منبع تغذیه باید با پرداخت اضافی به شبکه های برق فله از بین برود. این یک مجازات عدم تعادل است و به طور کلی بسیار گران است. به همین دلایل ، پیشرفت تکنیک های برنامه ریزی عملکرد در میکروگریدها از نظر بسیار مهمی لازم است.

با تمرکز بر روی عملیات CGS ، می توانیم مشکلات برنامه ریزی عملکرد را در میکروگریدها به عنوان مشکلات برنامه نویسی مخلوط مخلوط (MIP) تدوین کنیم که مشکلات بهینه سازی تعهد واحد (UC) و اعزام بار اقتصادی (ELD) را ترکیب می کند. این مشکلات شبیه به مشکلات UC-ELD سیستم های تولید انرژی حرارتی در شبکه های برق فله است و بنابراین ، روش های راه حل آنها قابل اجرا است. از نظر تاریخی ، شاخه و محدود (BB) [8،9] و برنامه نویسی پویا (DP) [10،11] برای برنامه ریزی عملکرد تولید انرژی حرارتی استفاده شده است. همچنین ، مطالعات بسیاری وجود دارد که الگوریتم های بهینه سازی هوشمند را به عنوان اساس روش های راه حل آنها از جمله استفاده از برنامه نویسی تکاملی (EP) [12] ، الگوریتم های ژنتیکی (GAS) [13] ، آنیل شدن شبیه سازی شده (SA) [14،15) تصویب کرده اند.] ، جستجوی تابو (TS) [16،17] ، و بهینه سازی swarm ذرات (PSO) [18،19،20]. الگوریتم های بهینه سازی سنتی برای مشکلات در مقیاس بزرگ یا پیچیده دشوار است ، در حالی که الگوریتم های هوشمند نمی توانند بهینه ریاضی راه حل به دست آمده را تضمین کنند. به همین دلیل الگوریتم های مختلف برای مشکلات هدف اعمال شده است. با این وجود ، هنوز روش راه حل مشخصی وجود ندارد.

مشکلات برنامه ریزی عملیاتی در میکروگریدها پیچیده تر شده است. از آنجا که سایر مؤلفه های قابل کنترل ، ESS و CLS تأثیر زیادی در عملیات میکروگرید دارند ، مهم است که وضعیت شارژ/تخلیه ESS و شارژ (یا مصرف برق) CLS را بررسی کنید [21 ،22،23،24،25]. از دیدگاه مدیریت کارآمد منبع تغذیه و تقاضا ، ما باید همزمان با توجه به اقدامات متقابل برای تأثیر عدم اطمینان ، این حالتها را به عنوان متغیرهای بهینه سازی رفتار کنیم [26،27،28].

در این مقاله یک چارچوب مشکل و یک روش راه حل ارائه شده است که برنامه عملکرد هماهنگ بهینه را برای اجزای میکروگرید پیدا می کند. در فرمول مسئله ، عملکرد هدف به عنوان هزینه مورد انتظار عملیات میکروگرید نشان داده می شود. این ویژگی ما را قادر می سازد تا با عدم اطمینان در پیش بینی خروجی VREG به عنوان یک خطر افزایش هزینه برخورد کنیم و سپس به طور خودکار قدرت ذخیره عملیاتی لازم را تأمین کنیم. PSO ، که یکی از محبوب ترین الگوریتم های هوشمند با الهام از طبیعت است ، به عنوان اساس روش راه حل انتخاب شد. روند پیش بینی خروجی VERG به عنوان یک عملکرد چگالی احتمال مداوم در توسعه روش راه حل مورد استفاده قرار گرفت. سرانجام ، اعتبار پیشنهاد نویسندگان از طریق شبیه سازی های عددی در یک مدل میکروگرید تأیید شد ، و نتایج در زیر مورد بحث قرار می گیرد.

2. چارچوب مشکل

همانطور که در شکل 1 نشان داده شده است ، میکروگریدها به طور کلی از CGS ، ESS ، CLS ، بارهای الکتریکی و VREG ها تشکیل شده اند. اجزای 1-3 قابل کنترل هستند و اجزای 4 و 5 غیرقابل کنترل هستند. ما می توانیم دومی را در یک مؤلفه غیرقابل کنترل جمع کنیم. این بار خالص است و مقادیر آن با مجموع مقادیر بارهای الکتریکی و خروجی های VREG در هر بازه زمانی تنظیم می شود. بر اساس مقادیر پیش بینی شده بار خالص ، برنامه ریزی عملیات میکروگریدها به عنوان مشکل تعیین مجموعه ای از زمان های شروع/خاموش و خروجی CGS ، شارژ/تخلیه حالت های ESS و شارژ نشان داده شده است. حالتهای CLS.

اگر اپراتورهای میکروگرید نتوانند به طور مناسب تراز منبع تغذیه و تقاضا را مدیریت کنند ، برای تجارت اضافی برق اضافی برای جبران مازاد برق یا کمبود حاصل می شود. این مجازات عدم تعادل است. مجازات عدم تعادل به طور معمول بسیار گران است و بنابراین ، اپراتورهای میکروگرید قدرت ذخیره را برای جلوگیری از پرداخت غیر منتظره تأمین می کنند. از طرف دیگر ، رزرو منابع برقی در مرحله برنامه ریزی عملیات ، به عنوان مثال ، یک روز پیش می تواند مشکلات را در تنظیم مجدد مدیریت منبع تغذیه و تقاضا کاهش دهد. به عبارت دیگر ، برنامه ریزی مناسب تجارت برق به بهبود کارآیی اقتصادی ، قابلیت اطمینان و کیفیت مدیریت انرژی کمک می کند. در این شرایط ، برق تجارت به عنوان یک عامل قابل کنترل اضافی در این مقاله در نظر گرفته می شود ، اگرچه اپراتورهای میکروگرید نمی توانند اجزای شبکه های برق فله را کنترل کنند.

2. 1فرمول مسأله

اپراتورهای میکروگرید از قبل برنامه ای برای همه مؤلفه های قابل کنترل طراحی می کنند. این مشکل به عنوان یک مشکل MIP تدوین شده است ، و متغیرهای بهینه سازی آن به صورت تعریف شده است