|
پاسخ دیماند دینامیکی مسکونی و مدیریت تولیدات پراکنده در ریزشبکه¬ی هوشمند با استفاده از عامل¬های وراثتی
پاسخ دیماند دینامیکی مسکونی و مدیریت تولیدات پراکنده در ریزشبکه¬ی هوشمند با استفاده از عامل¬های وراثتی
|
|
| دسته بندی | پژوهش |
| فرمت فایل | docx |
| حجم فایل | 1104 کیلو بایت |
| تعداد صفحات فایل | 15 |
پاسخ دیماند دینامیکی مسکونی و مدیریت تولیدات پراکنده در ریزشبکه ی هوشمند با استفاده از عاملهای وراثتی
چکیده
شبکه ی هوشمند پیشرفت بسیار مهمی در سیستم قدرت بحساب میآید. در شبکهی هوشمند، ریزشبکهها بار شبکههای قدیمی را به اشتراک میگذارند، هزینهی مصرف برق را کاهش میدهند و تخریب زیست محیطی را کاهش میدهند. در این مقاله، رویکرد پاسخ دیماند دینامیکی (DR) و مدیریت تولیدات پراکنده (DG) در زمینهی ریزشبکهی هوشمند برای یک منطقهی مسکونی ارائه میشود. با ساز و کار روزآمدسازی دینامیکی، DR بصورت خودکار کار میکند و کار بصورت دستی را هم میسر میکند. مدیریت DG با DR هماهنگ بوده و المانهای تصادفی همچون بار تصادفی و توان بادی را در نظر میگیرد. تا هزینهی مصرف انرژی منطقهی مسکونی را کاهش دهد. نتایج شبیهسازی و عددی کارایی سیستم را در کاهش هزینهی مصرف انرژی بیان میکند در حالیکه رضایت مشتری را در سطح بالایی حفظ میکند.
کلمات کلیدی
شبکه ی هوشمند، ریزشبکه، پاسخ دیماند، تولیدات پراکنده، بهینهسازی اجتماع ذرات، یادگیری-Q.
- 1. مقدمه
پایداری شرط ضروری برای بسیاری از زیرساختها و سیستمهای جامعهی ما با بحران انرژی و تخریب زیستمحیطی شده است. شبکههای برق با حسگرهای پیشرفته، فنآوریهای اطلاعات و ارتباطی به شبکهی هوشمند تبدیل میشوند [1]. در شبکهی هوشمند، عبور توان بین شبکه و مشتریان با تولیدات انرژی نو دو طرفه خواهد شد، که توسط حسگرها، کنتورهای برق هوشمند، کنترلهای دیجیتالی و ابزار تحلیلی تحت نظارت و کنترل خواهند بود. با ایجاد و ارائهی محصولات مصرفکنندهی برق جدید به زندگی روزمره ما همچون خودروهای برقی (EV) و سیستمهای HVAC پیشرفته، انرژی بیشتری در سطح مسکونی لازم است. افزایش دیماند (مصرف) نه تنها هزینهی بیشتری را بر مصرف کنندگان تحمیل خواهد کرد بلکه مشکلات بسیار مهمی را هم بر دوش سیستم برق موجود خواهد گذاشت و محیط زیست را با خطراتی مواجه خواهد کرد. این مسکلات را میتوان از دو جبنه بررسی کرد: پاسخ دیماند (DR) و تولیدات پراکنده (DG). DR مسکونی را میتوان بصورت واکنش مصرفکنندگان در راستای تعییرات انرژی ارائه شده توسط شرکت برق تعریف شود [2]. با DR، مصرفکنندگان میتوانند بار خاصی را از ساعات پیک به ساعات غیر پیک با هزینهی کمتر انتقال دهند. به عنوان یک مکمل انرژی کم هزینه و پاک، تولید برق تجدیدپذیر مسکونی میتواند به برآورده کردن مقدار زیاد دیماند برق کمک کند و بصورت جایگزینی برای انرژی قدیمی باشد. با اینحال، هزینهی سرمایهگذاری برای ساکنان عادی بالا است و زمان بازگشت سرمایه نیز بلند است [3]. ریزشبکه با DG میتواند بشدت کاهش انرژی را در هزینهی سرمایهگذاری قابل قبولی تامین کند. بسته به رابطهی آن با شبکههای برق قدیمی، دو نوع ریزشبکه وجود دارد: ریزشبکهی متصل به شبکه و منفصل از شبکه [4]، [5]. ابتدا ریز شبکهی متصل به شبکه از انرژی تجدیدپذیر استفاده میکند. زمانیکه انرژی تجدیدپذیر کافی نباشد (مثلا، در ساعات پیک) انرژی باقیمانده از شبکهی برق کشیده میشود. مد منفصل از شبکه عمدتا برای مناطق دور از دسترس و مجزا بکار میرود که در آن بهمپیوستگی شبکهی برق دشوار یا غیر ممکن است [6]. زیرا هزینهی ریزشبکه توسط تمامی مشترکین تقسیم میشود، که مصرفکنندگان عادی میتوانند آن را پرداخت کنند. همچنین، تغییرات توزیع بار در بین مصرفکنندگان میتوان مصرف DG را افزایش داده و زمان بازگشت سرمیه نیز کاهش مییابد.
1.1. تحقیقات مربوط
بتازگی، تحقیقاتی در ارتباط با DR مسکونی در شبکهی هوشمند انجام شده است. مسائل مرتبط با پیشبینی بار و پاسخ دیماند از رویدادهای نامطمئن در [7] مورد بحث و بررسی قرار گرفته است. در [8]، یک سیستم تجارت، اندازهگیری و صدور قبض پیشنهاد و تحقق یافته است تااطلاعات قیمت زمان واقعی را برای مصرفکنندگان به منظور زمانبندی وظایف ارائه دهد. این پشتیبانی سختافزاری برای DR است. برای روشهای بهینهسازی DR، روش برنامهنویسی دینامیکی تصادفی برای مصرف برق در [9] پیشنهاد شده است. این روش اساسا به کنترل ترموستاتها برای برآورده کردن الزامات دمای داخلی میپردازد و احتمالات گذر حالات همچون قیمت و دمای بیرونی (همانطورکه در شرایط عادی غیر محتمل است) را فرض میکند. الگوریتم پاسخ دیماند مسکونی که از یادگیری-Q استفاده میکند در [10] ارائه شده است. این روش شرایطی را در نظر میگیرد که در آن هم دیماند بار و هم قیمت برق تصادفی هستند و تصمیم میگیرد که درخواست دیماند را چقدر بایستی به تاخیر بیاندازد تا هزینه را کاهش دهد. با اینحال، این الگوریتم تنها برای وظیفهی ساده و مدل قیمت مناسب است که ناکارایی یادگیری-Q را برای مسائلی با فضای عمل و حالت ابعادی بزرگ در نظر میگیرد. اما یادگیری-Q برای بهینهسازی تطبیقی محیط با مدل کمتر پیچیده همانند مدیریت باتری مناسب است. در کل، تمامی این روشهای DR تعامل بین مصرفکنندگان و سیستم را بیان نمیکنند. بدون در نظر گرفتن نتایج ارزیابی بر روی DR مصرفکنندگان به عنوان فیدبک، این سیستمهای DR به سختی میتوانند تغییرات ترجیحی مصرفکنندگان را تطبیق دهند.
بتازگی، تحقیقاتی در ارتباط با DR مسکونی در شبکهی هوشمند انجام شده است. مسائل مرتبط با پیشبینی بار و پاسخ دیماند از رویدادهای نامطمئن در [7] مورد بحث و بررسی قرار گرفته است. در [8]، یک سیستم تجارت، اندازهگیری و صدور قبض پیشنهاد و تحقق یافته است تا اطلاعات قیمت زمان واقعی را برای مصرفکنندگان به منظور زمانبندی وظایف ارائه دهد. این پشتیبانی سختافزاری برای DR است. برای روشهای بهینهسازی DR، روش برنامهنویسی دینامیکی تصادفی برای مصرف برق در [9] پیشنهاد شده است. این روش اساسا به کنترل ترموستاتها برای برآورده کردن الزامات دمای داخلی میپردازد و احتمالات گذر حالات همچون قیمت و دمای بیرونی (همانطورکه در شرایط عادی غیر محتمل است) را فرض میکند. الگوریتم پاسخ دیماند مسکونی که از یادگیری-Q استفاده میکند در [10] ارائه شده است. این روش شرایطی را در نظر میگیرد که در آن هم دیماند بار و هم قیمت برق تصادفی هستند و تصمیم میگیرد که درخواست دیماند را چقدر بایستی به تاخیر بیاندازد تا هزینه را کاهش دهد. با اینحال، این الگوریتم تنها برای وظیفهی ساده و مدل قیمت مناسب است که ناکارایی یادگیری-Q را برای مسائلی با فضای عمل و حالت ابعادی بزرگ در نظر میگیرد. اما یادگیری-Q برای بهینهسازی تطبیقی محیط با مدل کمتر پیچیده همانند مدیریت باتری مناسب است. در کل، تمامی این روشهای DR تعامل بین مصرفکنندگان و سیستم را بیان نمیکنند. بدون در نظر گرفتن نتایج ارزیابی بر روی DR مصرفکنندگان به عنوان فیدبک، این سیستمهای DR به سختی میتوانند تغییرات ترجیحی مصرفکنندگان را تطبیق دهند.
