دانلود ترجمه مقاله نقش پاسخ دیماند در برنامه ریزی زمانی تولید بادی حرارتی یک و چند هدفه: برنامه ریزی تصادفی

ترجمه مقاله نقش پاسخ دیماند در برنامه ریزی زمانی تولید بادی حرارتی یک و چند هدفه: برنامه ریزی تصادفی ترجمه مقاله نقش پاسخ دیماند در برنامه ریزی زمانی تولید بادی حرارتی یک و چند هدفه برنامه ریزی تصادفی

دسته بندی	پژوهش
فرمت فایل	doc
حجم فایل	2091 کیلو بایت
تعداد صفحات فایل	33

ترجمه مقاله نقش پاسخ دیماند در برنامه ریزی زمانی تولید بادی حرارتی یک و چند هدفه: برنامه ریزی تصادفی

( + به همراه متن اصلی انگلیسی مقاله )

Energy 64 (2014) 8

The role of demand response in single and multi-objective wind-thermal generation scheduling: A stochastic programming

a b s t r a c t

This paper focuses on using DR (Demand Response) as a means to provide reserve in order to cover uncertainty in wind power forecasting in SG (Smart Grid) environment. The proposed stochastic model schedules energy and reserves provided by both of generating units and responsive loads in power systems with high penetration of wind power. This model is formulated as a two-stage stochastic programming, where first-stage is associated with electricity market, its rules and constraints and the second-stage is related to actual operation of the power system and its physical limitations in each scenario. The discrete retail customer responses to incentive-based DR programs are aggregated by DRPs (Demand Response Providers) and are submitted as a load change price and amount offer package to ISO (Independent System Operator). Also, price-based DR program behavior and random nature of wind power are modeled by price elasticity concept of the demand and normal probability distribution function, respectively. In the proposed model, DRPs can participate in energy market as well as reserve market and submit their offers to the wholesale electricity market. This approach is implemented on a modified IEEE 30-bus test system over a daily time horizon. The simulation results are analyzed in six different case studies. The cost, emission and multiobjective functions are optimized in both without and with DR cases. The multiobjective generation scheduling model is solved using augmented epsilon constraint method and the best solution can be chosen by Entropy and TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) methods. The results indicate demand side participation in energy and reserve scheduling reduces the total operation costs and emissions.

Keywords:

Demand response

Emission

Multiobjective programming

Reserve

Smart grid

Wind power

نقش پاسخ دیماند در برنامه ریزی زمانی تولید بادی-حرارتی یک و چند هدفه: برنامه­ریزی تصادفی

چکیده

این مقاله بر استفاده از DR (پاسخ دیماند) به عنوان ابزاری برای ارائه­ی رزرو تمرکز دارد تا عدم قطعیت در پیش­بینی توان بادی در محیط SG (شبکه­ی هوشمند) را پوشش دهد. مدل تصادفی پیشنهادی به زمان­بندی انرژی و رزروهای ارائه شده هم توسط واحدهای تولیدی و هم بارهای واکنشی در سیستم­های قدرت با نفوذ بالای توان بادی می­پردازد. این مدل بصورت برنامه­ریزی تصادفی دو مرحله­ای فرمول­بندی می­شود که در آن مرحله­ی اول به بازار برق، قوانین و قیود آن مرتبط بوده و مرحله­ی دوم به عملیات واقعی سیستم قدرت و محدودیت­های فیزیکی در هر سناریو مربوط می­شود. پاسخ­های گسسته­ی مشتری خرده­ به برنامه­های DR مبتنی بر تشویق توسط DPRها (ارائه­دهندگان پاسخ دیماند) جمع می­شود و بصورت قیمتمتغیر بار و بسته­ی پیشنهادی به ISO (اپراتور سیستم مستقل) ارسال می­شود. همچنین، رفتار برنامه­ی DR مبتنی بر قیمت و ماهیت تصادفی توان بادی به ترتیب توسط مفهوم الاستیسیته­ قیمت دیماند و تابع توزیع احتمال نرمال مدل­سازی می­شوند. در مدل پیشنهادی، DPRها می­توانند در بازار برق و همچنین بازار رزرو شرکت کرده و پیشنهادات خود را به بازار برق عمده­فروشی ارسال کنند. این رویکرد بر روی سیستم آزمایش 30 باسه­ی IEEE تغییر یافته در افق زمانی روزانه پیاده­سازی شد. نتایج شبیه­سازی در شش مورد مطالعاتی مختلف آنالیز شده است. هزینه، انتشار و توابع چندهدفه­ در هر دو مورد بدون و با DR بهینه­سازی می­شوند. مدل زمان­بندی تولید چندهدفه با استفاده از روش محدود اپسیلون افزایشی حل می­شود و بهترین پاسخ را می­توان با روش­های آنتروپی و تاپسیس (روش ترجیح مرتبه توسط شباهت به پاسخ ایده­آل) انتخاب کرد. نتایج حاکی از مشارکت سمت دیماند در انرژی بوده و زمان­بندی رزرو هزینه­های عملیاتی و انتشار کل را کاهش می­دهد. 

واژگان کلیدی

پاسخ دیماند، انتشار، برنامه ­ریزی چند هدفه، رزرو، شبکه­ ی هوشمند، توان بادی.

دانلود پاسخ دیماند دینامیکی مسکونی و مدیریت تولیدات پراکنده در ریزشبکه ی هوشمند با استفاده از عاملهای وراثتی

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. 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.