Related Links
News
Statistics
| Number of Journals | 44 |
| Number of Issues | 1,914 |
| Number of Articles | 15,525 |
| Article View | 45,972,366 |
| PDF Download | 18,681,657 |
Optimal energy management system in grid connected Microgrid integrated with distributed generation by using the multi-period artificial bee colony | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| هوش محاسباتی در مهندسی برق | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Article 1, Volume 5, Issue 3, October 2014, Pages 1-14 PDF (1.12 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Document Type: Research Article | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Authors | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Fatemeh Azarinejadian* 1; Seyyed Mazia Mirhosseini Moghaddam1; Mousa Marzband2; Narges Parhizi1 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1Dept. of Electrical Engineering, Islamic Azad University of Lahijan, Lahijan, Iran | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2Dept. of Engineering and Physical Sciences, University of Manchester, Manchester, UK | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Abstract | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Presenting proper and efficient energy management system (EMS) in the Microgrids (MG) is an important issue for gaining assurance to optimize energy usage based on price preference and system technical constraints. Nowadays by utilizing renewable energy resources and energy storage systems in MG, in addition to reducing the pollution caused by fossil fuels, the safety and power system reliability can also be improved. The proposed algorithm to implement an EMS shall increase the MG ability in both islanded and grid connected operating mode to supply non-responsive load demands from the economic points of view. Implementing EMS over the MG of Institute de Recerca on Energia de Catalunya (IREC) based on artificial bee colony (ABC) optimization approach to economic dispatch between various generation units, considering their offer price is main novelty of this paper. The obtained results from the proposed algorithm when compared with the EMS algorithm based on mixed integer non-linear programming (MINLP) demonstrate the reduction of about 18% of the total generation and it also improves the efficiency of the demand/ generation side management. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Keywords | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Artificial bee colony algorithm; optimal energy management system; Microgrid; Demand Response; responsive load demand; demand/ generation side management | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Full Text | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
صنعت برق در سال‌های اخیر با اعمال سیاست‌های تشویقی، شاهد رشد بی‌سابقه‌ای در بهکارگیری منابع توزیع‌شده انرژی DER در مقیاس کوچک و بیشتر بر پایه انرژی‌های تجدیدپذیر بوده است [1]. به این علت، در بخش انرژی تلاش‌های گسترده‌ای به منظور توسعه فناوری‌ها و روش‌های مربوط به بهره‌برداری اقتصادی‌تر و مطمئن‌تر از منابع انرژی تجدیدپذیر و اتصال آنها به سیستم‌های قدرت انجام شده است [2]. یکی از مسایل اصلی فنی در فرآیند اتصال، کنترل و مدیریت منابع انرژی تجدیدپذیر و در حقیقت ویژگی غیر قابل پیش‌بینی‌بودن توان تولیدی توسط این منابع است. یکی دیگر از نگرانی‌های اصلی در این زمینه، ارزیابی تأثیر این منابع برروی امنیت و قابلیت اطمینان کلی شبکه است. ریزشبکه‌ها MGs را می‌توان به عنوان مجموعه‌ای از منابع کوچک، سیستم‌های ذخیره‌کننده انرژی ES و بارهایی با قابلیت پاسخگویی به سیگنال‌های کنترلر مرکزی (بار قابل قطع-RLD)، توصیف کرد. سیستم‌های مدیریت انرژی (Energy Management System-EMS) باید با هدف تضمین قابلیت اعتماد، بهره‌برداری ایمن و مقرون به صرفه‌بودن تولید الکتریسیته در هر دو حالت عملکرد MG (متصل به شبکه و یا مستقل) طراحی شوند. اهداف اصلی بهکارگیری EMSها می‌تواند شامل یافتن عملکرد بهینه (یا نزدیک به بهینه( منابع تولید (به اصطلاح در مدار قرار گرفتن واحدهای تولید UC)) و توزیع توان ژنراتورهایی با توان تولیدی قابل تنظیم DGU باشد [2-7]. هدف معمولی دنبال‌شده برای کنترل MG در حالت عملکرد مستقل این است که بار محلی را از لحاظ اقتصادی تأمین نماید؛ در حالی که در حالت عملکرد متصل به شبکه، بیشتر به دنبال به‌حداکثر رساندن سود و یا حداقل‌نمودن هزینه تولید الکتریسیته است [2]. همچنین، اهداف اضافی دیگر از قبیل به حداقل‌رساندن انتشار گازهای گلخانه‌ای را می‌توان با استفاده از روش‌های بهینه‌سازی چند‌هدفه مدنظر قرار داد [8]. در این مقاله، مسأله مطرح شده به مراحل مختلفی تقسیم‌بندی شده است که شامل: مدل‌سازی ریاضی سیستم تحت مطالعه، بهینه‌سازی عملکرد MG به منظور افزایش کارآیی و زمانبندی مناسب، نحوه بهکارگیری منابع تولید و در نهایت توزیع اقتصادی توان تولیدی است. برای رسیدن به این اهداف از الگوریتم کلونی زنبور مصنوعی چند زمانه MABC برای مسأله بهینه‌سازی استفاده شده است. در اینجا، پیاده‌سازی EMS برای یک MGمد نظر قرار گرفته که هدف آن کاهش هزینه تولید انرژی و در نتیجه کاهش قیمت برق مصرفی مصرف‌کنندگان MCP برای یک دوره زمانی 24 ساعته است. هدف مسأله بهینه‌سازی غیرخطی مینیمم‌نمودن هزینه عملکرد کلی و همزمان با آن کاهش قیمت تمام شده برای مصرف‌کنندگان است. بازار محلی انرژی LEM نیز با استفاده از ساختار حراج یکسویه SSA بر پایه یافتن مینیمم قیمت پیشنهادی توسط هر یک از تولیدکنندگان توسعه داده شده است [2]. در نهایت، نتایج به دست آمده با خروجی‌های الگوریتم EMS-MINLP که در [2] توسط نویسندگان گزارش شده است؛ مقایسه شده و اعتبار روش ارایه‌شده در کاهش هزینه تولید الکتریسیته توسط MG به اثبات رسیده است.
1- مبانی اولیه الگوریتم کلونی زنبور مصنوعیالگوریتم ABC یک روش محاسباتی تکاملی بوده که اولین بار در سال 2005 توسط کارابوگا معرفی شده است [9]. با وجود اینکه الگوریتم ABC از تعداد شاخصهای کنترلی کمتری نسبت به دیگر الگوریتم‌های تحت مطالعه برخوردار است، کارایی و عملکرد آن در یافتن نقاط بهینه به مراتب بهتر از الگوریتم‌های دیگر گزارش شده است [10]. همچنین، قابلیت این الگوریتم در حل مسایل بهینه‌سازی دربرگیرنده قیود فنی و اقتصادی و متغییر با زمان در مراجع ارایه شده است [12-11]. هوش جمعی زنبور عسل از سه جزو اساسی شامل منابع غذایی، جستجوگرهای کارگر و جستجوگرهای بیکار تشکیل شده است. ارزش یک منبع غذایی به بسیاری از عوامل مانند نزدیکی آن به لانه، غلظت و غنی بودنش از شهد و سهولت استخراج آن بستگی دارد [9]. به منظور سادگی، تأثیر تمامی‌این عوامل را می‌توان با یک متغیر بهنام سودآوری منبع غذایی نشان داد. هر یک از زنبورهایی که بهعنوان جستجوگرهای کارگر در نظر گرفته شده‌اند، به یک منبع خاص که در حال بهره‌برداری از آن هستند، تعلق دارند. این زنبورها اطلاعاتی شامل فاصله و موقعیتشان نسبت به لانه و میزان سودآوری آن منبع را با خود بههمراه دارند. این اطلاعات با احتمالی ویژه با دیگر زنبورها به اشتراک گذاشته می‌شود. جستجوگرهای بیکار به زنبورهایی اطلاق می‌شود که پیوسته در جستجوی یک منبع غذایی به منظور بهره‌برداری از آن هستند. این دسته از زنبورها به دو گونه پیشاهنگ و تماشاچی تقسیم‌بندی می‌شوند [9]. زنبورهای پیشاهنگ در اطراف لانه به جستجوی منابع غذایی جدید می‌پردازند. در حالیکه، زنبورهای تماشاچی در لانه منتظر دریافت اطلاعات درباره منبع غذایی از زنبورهای کارگر می‌مانند. تعداد زنبورهای پیشاهنگ بهطور متوسط حدود 5 تا 10 درصد جمعیت کلونی است [11]. تبادل اطلاعات بین زنبورها مهمترین بخش شکل‌گیری دانش هوش جمعی زنبور عسل است. همچنین، مهمترین بخش کندوی عسل که در آن تبادل اطلاعات درباره کیفیت و مکان منبع غذایی در آن انجام می‌شود، سالن رقص کندو است [9]. در این سالن، زنبورهای تماشاچی می‌توانند با مشاهده رقص‌های متعدد، منبع غذایی با متغییر سودآوری بالا را انتخاب کرده، سپس، برای بهره‌برداری آن اقدام کنند. زنبورهای جستجوگر کارگر، اطلاعات مربوط به منبع غذایی را متناسب با سودآوری منبع به وسیله رقص با زنبورهای تماشاچی به اشتراک می‌گذارند به طوری که مدت رقص متناسب با سودآوری منبع است [10]. مشابه با الگوریتم‌های مبتنی بر روش‌های ابتکاری، الگوریتم ABC نیز یک فرآیند تکرار شونده بوده که با یک جمعیت اولیه شروع می‌شود. این الگوریتم شامل پاسخ‌های قابل قبول (جواب‌هایی که قیود در نظر گرفته شده برای مسأله را برآورده می‌کنند) است. هر منبع غذایی نشاندهنده یک پاسخ ممکن برای حل مسأله است. بنابراین، جمعیت اولیه پاسخ‌ها از تعداد بردار تصادفی D-بعدی، با مقادیر حقیقی تشکیل‌شده که در آن هر پاسخ به شکل بردار تعریف شده است. این بردار نشاندهنده iامین منبع غذایی در جمعیت ایجاد شده است. هر پاسخ برای مسأله بهینه‌سازی دارای D متغیر است.
2- تعریف مسألهدر این مطالعه، یک سیستم MG شامل توربین بادی WT، خورشیدی PV، میکروتوربین MT و منبع ذخیره انرژیES است که قابلیت کار در حالت عملکرد متصل به شبکه سراسری، بررسی شده است. تابع هزینه به شکل زیر تعریف می‌شود.
توان مربوط به هر یک از اجزای MG در بازه زمانی t (kW)، است بهطوری که:و قیمت پیشنهادی هر یک از منابع بر حسب €/kW است.
2-1- قیود مسألهقیود فنی نیز می‌تواند با استفاده از روابط ریاضی زیر بیان شود:
که در آنها حداکثر توان خروجی و یا مصرفی توسط جزء(kW) A ، بازه زمانی مورد مطالعه بر حسب ساعت (در این مطالعه بازه‌های نیم‌ساعته در نظر گرفته شده‌اند) و انرژی مربوط به باتری (- مربوط به فرآیند دشارژ و + مربوط به فرآیند شارژ) و بر حسب kWh است.
3- الگوریتم مدیریت بهینه انرژی پیشنهادی EMS-MABCهمانطور در شکل (1) نشان داده شده است، این الگوریتم از دو واحد به نام‌های MABC و LEM تشکیل شده است. نحوه پیاده‌سازی هر یک این واحد‌ها در ادامه توضیح داده شده است.
شکل (1): الگوریتم پیشنهاد شده EMS-MABC 3-1- واحد MABCمشابه با الگوریتم‌های مبتنی بر روش‌های ابتکاری، الگوریتم ABC نیز یک فرآیند تکرارشونده بوده که با یک جمعیت اولیه شروع می‌شود. این الگوریتم شامل پاسخ‌های قابل قبول (جواب‌هایی که قیود در نظر گرفته شده برای مسأله را برآورده می‌کنند) است. گام‌های پیاده‌سازی الگوریتم ABC به شرح زیر است: گام 1: مقداردهی اولیه منابع غذایی گام 2: مقداردهی اولیه زنبورهای کارگر گام 3: محاسبه ارزش احتمالی انتخاب‌ها گام 4: ارزیابی زنبورهای تماشاچی گام 5: ارزیابی زنبورهای پیشاهنگ در این مقاله، D = 8 بوده و در برگیرنده شاخصهایی چون توان‌های ، ، ، ، ، ، و است. هدف پیدا کردن مقادیر این متغیرها است که در نهایت منجر به یافتن کمترین مقدار هزینه تولید الکتریسیته با استفاده از تابع هزینه (1)، شود. بنابراین، به شکل یک بردار 8 بعدی بهشکل تعریف شده که هر یک از درایه‌های آن ، ، ، ، ، ، و هستند. این متغیرها به دو نوع متغیر وابسته و مستقل تقسیم‌بندی می‌شوند. توان‌های MT،ES و DR خریداری و فروخته‌شده از شبکه سراسری بهعنوان متغیرهای وابسته و توان خروجی WT و PV بهعنوان متغیرهای مستقل فرض شده‌اند. علت آن این است که منابع WT و PV بهعنوان منابع تولید غیر قابل کنترل هستند و بسته به شرایط آب و هوایی توان خروجی آنها قابل تغییر و مستقل از توان بار و یا منابع تولید دیگر است. درحالی که، توان خروجی MT و ES بسته به توانی که توسط منابع تجدیدپذیر (WT و PV) تولید شده و میزان بار مصرفی، می‌تواند تغییر نماید. در نتیجه، ابتدا باید متغیرهای مستقل ( و ) به شکل تصادفی با در نظر گرفتن ماکزیمم توان تولیدی توسط این منابع، ایجاد شوند. سپس، با توجه به این، متغیرهای مستقل و نیز قیود مطرح‌شده برای حل مسأله، مقادیری به شکل تصادفی برای متغیرهای وابسته ایجاد خواهد شد. شاخصهای مربوط به الگوریتم پیشنهاد شده در جدول (1) بهطور کامل فهرست شده‌اند.
جدول (1): شاخصهای مربوط به الگوریتم MABC
3-2- واحد LEMدر این واحد با استفاده از حراج یکسویه SSA یک بازار محلی برای MG تحت مطالعه معرفی شده است. توضیحات بیشتر این واحد بهطور مفصل در مقاله قبلی توسط نویسندگان ارایه شده است [1].
4- سیستم تحت مطالعهدر شکل‌های (2) و (3) بهترتیب ساختار تک‌خطی میکروگرید IREC و نیز شمای کلی آن نشان داده شده است. جزئیات مربوط به ویژگیهای این سیستم و نحوه پیکربندی ایمولاتورهای موجود بهطور کامل در مقالات قبلی ارایه شده است [1،2،13،14 و 15]. منحنی توان مربوط به ادوات تجدیدپذیر (PV و WT در این مطالعه) و نیز توان مصرفی توسط بارهای NRLD نیز از [1] اخذ و در شکل‌های (4-الف تا 4-ج) نشان داده شده است. قیمت پیشنهادی مربوط به منابع تولید تجدیدپذیر، تجدیدناپذیر، NRLD، تعرفه خرید از شبکه و یا فروش برق به شبکه اصلی و پنالتی ناشی از عدم تغذیه کامل بار در جدول (2) بیان شده‌است [1].
شکل (2): دیاگرام تک‌خطی سیستم تحت مطالعه
شکل (3): نمای کلی از ریزشبکه IREC (4-الف) ایمولاتور WT
(4-ب): ایمولاتور PV
(4-ج): ایمولاتور NRLD
شکل (4) توان تولیدی و مصرفی توسط هر یک از ایمولاتورهای WT، PV و NRLD در هر بازه زمانی
جدول (2): قیمت پیشنهادی مربوط به منابع
سناریوهای مختلفی با استفاده از الگوریتم‌های پیشنهاد شده به منظور نشان‌دادن قابلیت پاسخگویی سریع الگوریتم به وقوع هر رویدادی در سیستم در نظر گرفته شده است. در نهایت، این سناریوها بر روی سیستم میکروگرید IREC بهشکل عملی نیز آزمایش شده است. این سناریوها عبارتند از: 1- سناریوی 1 (بهره‌برداری در حالت عادی) در این سناریو، فقط اطلاعات مربوط به بازه‌های زمانی یک ساعته بهعنوان ورودی به الگوریتم در نظر گرفته شده و عملکرد عادی سیستم بررسی شده است. 2- سناریوی 2 در این سناریو یک افزایش قابل ملاحظه‌ای در بار اصلی رخ داده است (در دورههای زمانی 17:00-17:30 و 18:00-18:30). 3- سناریوی 3 در این سناریو منابع تجدیدپذیر توان (PV و WT) در بازه‌هایی دچار خطاشده و خاموشی اضطراری در این سیستم‌ها رخ داده است. (در بازه‌های 19:30-21:00 برای سیستم WT و 20:30-21:00 برای سیستم PV)
5- نتایج شبیه‌سازی و عملیدر این بخش نتایج شبیه‌سازی و عملی ناشی از پیاده‌سازی سه الگوریتم ارایه شده است. در طول دوره 24 ساعته کار سیستم به 4 دوره زمانی به نام‌های دوره 1، دوره 2، دوره 3 و دوره 4 تقسیم می‌شود. هر دوره 6 ساعت است. SOC و توان ES بهترتیب در شکل‌های (5) و (6) نشان داده شده است. در طول دوره 1، ES در الگوریتم EMS-MABC ابتدا بهطور کامل دشارژ شده و مقدارش به می‌رسد. به منظور جبران انرژی دشارژ شده در ES، این الگوریتم در بازه زمانی بعدی با به سرویس‌آوردن MT و بیشتر با خرید توان از شبکه اصلی شروع به شارژ ES کرده است. ES در الگوریتم EMS-MINLP به روش دیگری عمل کرده است. ES در این الگوریتم تا ساعت 05:00 در حالت جزیره‌ای بوده است. سپس، MT ضمن برآورده‌نمودن توان مورد نیاز بار، بخشی از توان تولیدی آن نیز صرف شارژ ES شده است. در پایان دوره 1 مقدار SOC در هر دو الگوریتم برابر شده است. در دوره 2، ES در الگوریتم EMS-MABC تا ساعت 09:30 تغییر نکرده و به ترتیب 6/42 و 5/23 درصد از کمبود توان توسط MT و خرید از شبکه تأمین شده است. این در حالی است که در الگوریتم EMS-MINLP علاوه بر دشارژ ES، همواره MT را نیز با توان وارد سرویس کرده است. در این الگوریتم همچنین بخشی از توان (در حدود 46 درصد) توسط خرید از شبکه اصلی تأمین شده است. عملکرد ES در هر الگوریتم در دوره 3 که سناریوی 2 رخ می‌دهد، متفاوت است. ES در هر دو الگوریتم در ساعت 17:00 در حالت جزیره‌ای عمل کرده و کمبود توان در الگوریتم EMS-MABC بیشتر توسط خرید از شبکه جبران شده است. در این لحظه، الگوریتم EMS-MINLP بیشتر کمبود توان خود را از طریق به سرویس وار کردن MT تأمین کرده است. ولی در ساعت 18:00، بخشی از کمبود توان در الگوریتم EMS-MINLP نیز توسط ES تأمین شده است. سپس، بهترتیب از MT و خرید از شبکه بقیه توان مورد نیاز برآورده شده است. این در حالی است که در الگوریتم EMS-MABC بیشتر تغذیه کامل بار توسط شبکه اصلی و سپس، با استفاده از MT تأمین شده است. در دوره 4 نیز سناریوی 3 رخ داده است. در زمان وقوع سناریوی 3، MT در الگوریتم EMS-MINLP در طول این بازه زمانی با توان وارد سرویس شده و سپس، بخشی از توان نیز توسط ES تأمین شده است. در این الگوریتم شبکه اصلی بخش ناچیزی از تأمین کمبود توان مورد نیاز سیستم را برعهده دارد. ولی در الگوریتم EMS-MABC از MT و شبکه اصلی استفاده شده و ES همواره در حالت آیدل است. SOC در الگوریتم EMS-MABC در پایان عملکرد 24 ساعته سیستم مقداری به مراتب بیشتر از الگوریتم بهینه‌سازی دیگر دارد که این موضوع نشاندهنده بالاتر بودن قابلیت اطمینان شبکه توسط این الگوریتم به منظور پشتیبانی بار در روز بعد است.
شکل (5): SOC در طول عملکرد روزانه سیستم شکل (6): توان شارژ و یا دشارژ ES در طول عملکرد روزانه سیستم منحنی توان MT در شکل (7) نشان داده شده است. همانطوری که از شکل مشاهده می‌شود، در طول دوره 1، MT در الگوریتم EMS-MINLP همواره با توان در حال کار است. این در حالی است که در الگوریتم EMS-MABC تنها در 7/7 درصد مواقع در سرویس است. در دوره 2، مشارکت MT در تأمین توان مورد نیاز در الگوریتم‌های EMS-MINLP و EMS-MABC بهترتیب در حدود 54/61 و 15/46 درصد است. در این حالت الگوریتم EMS-MABC تصمیم گرفته است تا بیشتر توان مورد نیاز خود را (در حدود 77 درصد ) از طریق خرید از شبکه تأمین نماید. در دوره 3 (وقوع سناریوی 2) مقدار مشارکت MT و شبکه اصلی در تأمین توان بهترتیب در الگوریتم EMS-MABC در حدود 3/15 و 7/30 درصد است. این در حالی است که در الگوریتم EMS-MINLP دقیقا این مشارکت عکس است. در این دوره، مقدار متوسط MCP در هر دو الگوریتم با هم برابر است. با توجه به آنکه کمتر از بوده، بنابراین، الگوریتم EMS-MABC عملکرد خیلی مناسبی در انتخاب منبع تأمین توان بار خود داشته است. بدین معنی که با توجه به پایین‌تر بودن قیمت پیشنهادی توسط شبکه اصلی - با ملاحظه برابر بودن مقدار متوسط MCP در هر دو الگوریتم- بهتر است که توان بیشتری از شبکه اصلی خریداری شود تا هزینه کلی سیستم کاهش بیشتری داشته باشد. در دوره 4 مشارکت MT و شبکه اصلی برای تغذیه بار در الگوریتم EMS-MABC بهطور مساوی و در حدود 5/61 درصد است در حالیکه در الگوریتم EMS-MINLP بهترتیب در حدود 5/38 و 6/84 درصد تخمین زده شده است. با توجه به اینکه در این دوره مقدار متوسط MCP ماکزیمم مقدار خود در طول روز دارد؛ همچنین با ملاحظه قیمت پیشنهادی توسط هر یک از این منابع الگوریتم EMS-MINLP تصمیم به تأمین تقاضای بار خود با استفاده از MT نموده است که تصمیم نادرستی است. زیرا بزرگتر از بوده و شایسته است به منظور کاهش هزینه کلی، توان بیشتری توسط الگوریتم از شبکه خریداری شود و از توان تولیدی توسط MT کاسته شود. شکل (7) توان تولیدی توسط MT در طول عملکرد روزانه
منحنی کل توان مصرفی توسط مصرف‌کندگان در هر بازه زمانی در شکل (8) نشان داده شده است. در دوره 1، مقدار در همه بازه‌های زمانی از مقدار بزرگتر است. با توجه به بالاتر بودن مقدار متوسط نسبت به مقدار آن در دورههای 2 و 3، بهتر بود که الگوریتم، TCP کمتری نسبت به دورههای 2 و 3 داشته باشد. در این دوره، بار RLD بیشتر تغذیه و بخش قابل ملاحظه‌ای توان نیز به شکبه سراسری فروخته شده است. در دوره 2 تقریبا تنها در 7/7 درصد مواقع مقدار بزرگتر از بهدست آمده است. در الگوریتم EMS-MINLP علاوه بر تأمین بخشی از توان از شبکه سراسری، ES نیز در حالت دشارژ عمل نموده است. در دوره 3 نیز مشابه دوره 1، بار RLD بیشتری توسط الگوریتم EMS-MINLP نسبت به الگوریتم دیگر تغذیه شده است و نیز در این الگوریتم توان بیشتری به شبکه فروخته شده است. به تبع آن مقدار TCP آن نیز بیشتر از الگوریتم EMS-MABC (در حدود 5/61 درصد مواقع) خواهد شد. در دوره 4 الگوریتم EMS-MINLP تصمیم به شارژ ES در بعضی از بازه‌های زمانی خود کرده است. با توجه به اینکه مقدار متوسط MCP در هر دو الگوریتم ماکزیمم مقدار خود در طول روز بوده، بنابراین به منظور کاهش هزینه برای مصرف‌کنندگان شایسته است که الگوریتم بهینه‌سازی زمان شارژ ES و یا تغذیه RLD را به زمانی دیگر با مقدار MCP پایین‌تر منتقل کند.
شکل (8) توان کل مصرف شده در طول عملکرد روزانه
نمودار میله‌ای توان شامل توان شارژ و یا دشارژ ES، توان خریداری شده از شبکه و یا فروخته شده به شبکه سراسری، بار RLD، UP و EGP برای هر دو الگوریتم در شکل‌های(9) (الف) و (ب) نشان داده شده است. بار RLD در الگوریتم EMS-MINLP در حدود 8/72 و 26 درصد از توان مورد نیاز خود در طول روز را بهترتیب در دوره 1 و دوره 3 تغذیه نموده است. در دوره 1 مقدار متوسط MCP بالا بوده است. بنابراین، عملکرد بهتر این است که بیشتر این بار در دوره 3 که مقدار متوسط مینیمم مقدار MCP در طول روز است، تغذیه بشود. بار RLD در الگوریتم EMS-MABC نیز بیشتر در طول 3 دوره اول تغذیه شده است که مقدار توان تغذیه شده آن در این دوره‌ها بهترتیب برابر 17، 6/15 و 65 درصد است. با وجود این موضوع، با توجه به اینکه مقدار متوسط در طول دوره 3 به مراتب کمتر از مقدار متوسط در طول دوره 1 است، به تبع آن مصرف‌کنندگان هزینه کمتری برای تغذیه بارهای خود پرداخت می‌کنند. با این وجود، مقدار توان تغذیه شده RLD در طول عملکرد روزانه سیستم در الگوریتم EMS-MABC در حدود 55 درصد کمتر از الگوریتم بهینه‌سازی دیگر شده است و الگوریتم EMS-MABC بیشتر سعی در بهبود وضعیت شارژ ES در طول روز نموده است. مقدار توان فروخته‌شده به شبکه سراسری در الگوریتم EMS-MABC نیز در حدود 46 درصد کاهش پیدا کرده است. دلیل آن این است که در این الگوریتم، مقدار توان تولیدی توسط MT در حدود 47 درصد کمتر از مقدار آن در الگوریتم بهینه سازی EMS-MINLP شده است. بنابراین، کاهش قابل ملاحظه‌ای در هزینه ناشی از راه‌اندازی MT در الگوریتم EMS-MABC انجام شده است. توان UP در هیچکدام از الگوریتم‌های بهینه‌سازی در طول عملکرد روزانه سیستم وجود ندارد. علت آن این است که با وجود وقوع سناریوهای 2 و 3 با این حال کمبود توان با خرید از شبکه بهطور کامل جبران خواهد شد. توان خریداری‌شده از شبکه در الگوریتم EMS-MABC به میزان 61 درصد بیشتر از الگوریتم بهینه‌سازی دیگر شده است. با توجه به کاهش قابل ملاحظه MT (در حدود 47 درصد) و بالاتر بودن نسبت به ، می‌توان کاهش قابل ملاحظه‌ای در هزینه تأمین الکتریسیته بهدست آورد. همچنین، کل توان EGP در طول عملکرد روزانه در الگوریتم EMS-MABC نسبت به الگوریتم دیگر در حدود 51 درصد کاهش نشان داده است. علت آن این است که الگوریتم EMS-MABC بیشتر سیاست تأمین تغذیه بار NRL را دنبال نموده و RLD کمتری (در حدود 55 درصد) را در طول روز تغذیه کرده است. همچنین، توان کمتری به شبکه سراسری فروخته است. در این الگوریتم ES در حدود 2/81 درصد مواقع در طول روز در حالت شارژ عمل کرده است. درصورتیکه ES در الگوریتم EMS-MINLP تنها در 27 درصد مواقع در حالت شارژ کار کرده است. بنابراین، SOC آن به مراتب بهتر از SOC سیستم ES در الگوریتم EMS-MINLP است.
(9-الف): EMS-MINLP
(9-ب): EMS-MABC شکل (9) نمودار میله‌ای توان شارژ و یا دشارژ ES، توان خریداری‌شده از شبکه ویا فروخته‌شده به شبکه سراسری، UP، RLD و EGP
MCP در هر بازه زمانی در هر دو الگوریتم در شکل (10) نشان داده شده است. همچنین، مقدار متوسط MCP در دورههای 1 تا 4 در جدول (3) ارایه شده است. در دوره 1 در تمامی بازه‌های زمانی مقدار بزرگتر از است. با توجه به اینکه در این بازه زمانی مقدار در 85 درصد مواقع بزرگتر از مقدار است، بنابراین، الگوریتم EMS-MINLP بار بیشتری با هزینه بالاتر تغذیه کرده است. در دوره 2 با کاهش ، تغییری در مقدار کل توان TCP در الگوریتم EMS-MINLP ایجاد نشده است. این در حالی است که در الگوریتم EMS-MABC، مجموع توان در این بازه زمانی در حدود 36 درصد افزایش یافته است. در دوره 3 همچنان مجموع مقدار افزایش نشان داده (در حدود 42 درصد) در نتیجه الگوریتم EMS-MABC سعی در پایین نگاه‌داشتن مقدار MCP در طول این دوره کرده است. در دوره 3 مجموع مقدار در حدود 46 درصد بیشتر از مجموع مقدارش در دوره 2 شده است. با توجه به کاهش قابل ملاحظه در دوره 3، عملکرد الگوریتم EMS-MINLP در کاهش هزینه با ملاحظه افزایش مصرف، بسیار مناسب بوده است. در دوره 4 که مقدار MCP در هر دو الگوریتم ماکزیمم مقدار خود را در طول روز دارد، بهتر است که مصرف‌کنندگان کمتری توسط الگوریتم‌های بهینه‌سازی تغذیه شوند. در این راستا، الگوریتم EMS-MABC در حدود 5/1 درصد بار کمتری نسبت به الگوریتم EMS-MINLP تغذیه کرده است.
شکل (10): MCP در هر بازه زمانی در طول عملکرد روزانه جدول (3): مقدار متوسط MCP در هر دوره 6 ساعته عملکرد سیستم طی یک روز
الگوریتم‌های پیشنهادی برای حل مساله EMS در محیط برنامه‌نویسی C و GAMS پیاده‌سازی شده و با استفاده از یک کامپیوتر با ویژگیهای CPU 2.6GHz و RAM 4GB آزمایش شده است. برای مقایسه زمان اجرای الگوریتم پیشنهادشده، قدرمطلق زمان CPU در جدول (4) بیان شده است.
جدول (4): متوسط زمان محاسبه برای سیستم تحت مطالعه متناظر با 100 تکرار
مشخصه همگرایی الگوریتم پیشنهادی برای یک بازه زمانی در شکل (11) نشان داده شده است. ماکزیمم تکرار برروی 90 تکرار تنظیم شده است. همانطوری که از شکل مشاهده می‌شود، الگوریتم بعد از 68 تکرار همگرا شده است. به منظور کیفیت حل ارایه‌شده توسط الگوریتم EMS-MABC برای سیستم تحت مطالعه، کارایی الگوریتم برای 100 تکرار با نتایج به دست آمده از الگوریتم دیگر تحت مواردی از قبیل متوسط هزینه، مینیمم هزینه و انحراف استاندارد در جدول (5) ارایه شده است. همانطوریکه در شکل (1) مشاهده می‌شود، آشکار است که الگویتم EMS-MABC پس از 68 تکرار به مینیمم هزینه خود رسیده است در صورتیکه الگوریتم EMS-MINLP پس از 83 تکرار به مینمم مقدار خود رسیده است. همانطوریکه در جدول (5) مشاهده می‌شود، مقدار متوسط در الگوریتم EMS-MABC خیلی به مقدار مینیمم هزینه نزدیک بوده و انحراف معیار نیز به مراتب پایین‌تر از الگوریتم دیگر است.
شکل (11): مشخصه همگرایی الگوریتم پیشنهادشده برای سیستم تحت مطالعه در یک بازه زمانی
جدول (5): مقایسه کیفیت راه‌حل برای سیستم تحت مطالعه
6- نتیجهگیریالگوریتم EMS-MABC در این مطالعه، به منظور تخمین عملکرد بهینه یک MG در دو حالت عملکرد (مستقل و متصل به شبکه) با توجه به تقاضای بار و قیود مربوط به منابع تولید انرژی تجدیدپذیر و تجدید ناپذیر، پیشنهاد شده است. مدیریت سمت تقاضا با کمک پاسخ تقاضا و با در نظر گرفتن مجموعه‌ای از بارهای قابل قطع برای سیستم تحت مطالعه انجام شده است. در نهایت، به منظور نشان‌دادن سرعت پاسخگویی الگوریتم پیشنهادی به وقوع هر رویدادی در سیستم و بررسی قابلیت نصب و سازگاری، سناریوهای مختلفی اعمال شده، سپس، بر روی سیستم میکروگرید IREC به شکل عملی نیز آزمایش شده‌اند. روشن است که روند بهینه‌سازی بر اساس نتایج به دست آمده به خوبی عمل کرده و می‌تواند مقدار توان بهینه منابع تولید را پس از در نظر گرفتن تابع هزینه هر یک از آنها با مینیمم‌نمودن هزینه کل تولید الکتریسیته تعیین کند. نتایج بهدستآمده از الگوریتم پیشنهادی با الگوریتم مدیریت انرژی برپایه روش EMS-MINLP مقایسه شده، و نتایج به دست آمده گویای کاهش بیشتر هزینه کل تولید الکتریسیته در حدود 18 درصد در الگوریتم پیشنهادی است. علاوه بر این، الگوریتم پیشنهادی می‌تواند به منظور مدیریت انرژی در نیروگاه‌های کوچک منطقه‌ای که در آنها از منابع انرژی تجدیدپذیر بهره می‌برند، استفاد شود. به عنوان ادامه پژوهش در این رابطه، بهینه‌سازی زمان حقیقی با در نظر گرفتن دیتای پیش‌بینی شده برای توان قابل دسترس منابع تجدیدپذیر در طول عملکرد روزانه سیستم، می‌تواند بررسی شود. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| References | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
[1] Marzband M., Sumper A., Ruiz-Álvarez A., Domínguez-García J. L., Tomoiag˘a B., “Experimental evaluation of a real time energy management system for stand-alone microgrids in day-ahead markets”, Applied Energy, Vol. 106, pp. 365-76, 2013. [2] Marzband M., Sumper A., Domínguez-García J. L., Gumara-Ferret R., “Experimental Validation of a Real Time Energy Management System for Microgrids in Islanded Mode Using a Local Day-Ahead Electricity Market and MINLP”, Energy Conversion and Management, Vol. 76, pp. 314-22, 2013. [3] Pedrasa M. A. A., Spooner T. D., MacGill I. F., “A novel energy service model and optimal scheduling algorithm for residential distributed energy resources”, ELECTR POW SYST RES, Vol. 81, No. 12, pp. 2155-63, 2011. [4] Khodr H., Halabi N. E., Gracia M. G., “Intelligent renewable microgrid scheduling controlled by a virtual power producer: A laboratory experience”, renew energy, Vol. 48, pp. 269-75, 2012. [5] Alvarez E., Campos A. M., Arboleya P., Guti_errez A., “Microgrid management with a quick response optimization algorithm for active power dispatch”, INT J ELEC POWER, Vol. 43, No. 1, pp. 465-73, 2012. [6] Jahromi M. E., Ehsan M., Meyabadi A. F., “A dynamic fuzzy interactive approach for DG expansion planning”, INT J ELEC POWER, Vol. 43, No. 1, pp. 1094-105, 2012. [7] Basu A. K., “Microgrids: Planning of fuel energy management by strategic deployment of CHP-based DERs- an evolutionary algorithm approach”, INT J ELEC POWER, Vol. 44, No. 1, pp. 326-36, 2013. [8] Peik-Herfeh M., Seifi H., Sheikh-El-Eslami M., “Decision making of a virtual power plant under uncertainties for bidding in a day-ahead market using point estimate method”, INT J Elec Power, Vol. 44, No. 1, pp. 88-98, 2013. [9] Liao X., Zhou J., Ouyang S., Zhang R., Zhang Y., “An adaptive chaotic artificial bee colony algorithm for short-term hydrothermal generation scheduling”, Electrical Power and Energy Systems, Vol. 53, pp. 34–42, 2013. [10] Rezaei-Adaryani M., Karami A., “Artificial bee colony algorithm for solving multi-objective optimal power flow problem”, Electrical Power and Energy Systems, Vol. 53, pp. 219–230, 2013. [11] Kilic U., Ayan K., “Optimizing power flow of AC–DC power systems using artificial bee colony algorithm”, Electrical Power and Energy Systems, Vol. 53, pp. 592–602, 2013. [12] Basu M., “Artificial bee colony optimization for multi-area economic dispatch”, Electrical Power and Energy Systems, Vol. 49, pp. 181–187, 2013. [13] Ruiz-Alvarez A, Colet-Subirachs A, Alvarez-Cuevas Figuerola F, Gomis-Bellmunt O, Sudria-Andreu A. “Operation of a utility connected microgrid using an IEC 61850-based multi-level management system”, IEEE Trans Smart Grid, Vol. 3, No. 2, pp. 858–65, 2012. [14] Colet-Subirachs A., Ruiz-Alvarez A., Gomis-Bellmunt O., Alvarez-Cuevas-Figuerola F., Sudria-Andreu A., “Centralized and distributed active and reactive power control of a utility connected microgrid using IEC 61850”. IEEE Syst J, Vol. 6, No. 1, pp. 58–67, 2012. [15] Marzband M., Ghadimi M., Sumper A., Dom´ınguez-Garc´ıa J. L., “Experimental validation of a real-time energy management system using multi-period gravitational search algorithm for microgrids in islanded mode“, Applied Energy, Vol. 128, pp. 164–74.
پیوست 1
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Statistics Article View: 2,452 PDF Download: 1,343 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||