شکل ‏۰‑۱۴: میزان شاخص ریسک برای روزهای مختلف

جمع بندی

در این فصل، نتایج بهینه سازی تک هدفه در روزهای مختلف سال تحت سناریوهای مختلف و به منظور کنترل تولیدات پراکنده در بازار خرده فروشی در یک ریزشبکه هوشمند انجام شد. این شبیه سازیها به منظور ارزیابی مدل مدیریت انرژی پیشنهادی انجام شده اند. همان طور که از نتایج شبیه سازی مشاهده شد مدل بهینه‌سازی پیشنهادی نه تنها ساختاری کامل دارند بلکه در رسیدن به جواب‌های بهینه از قدرت بالایی نیز برخوردار است. همچنین استفاده از الگوریتم بهینه‌سازی اجتماع ذرات باعث افزایش دقت و سرعت در پاسخ‌های موجود شد. در ضمن صحت و دقت این الگوریتم در مقایسه با حل کننده MINLP نرم افزار GAMS تصدیق شد.
علاوه بر این، با معرفی شاخص ریسک ریزشبکه‌ی نمونه در معرض عدم قطعیت‌های مختلف ارزیابی شده‌ است. با مقایسه شاخص ریسک در روزهای مختلف به این نتیجه می‌توان رسید که انحراف بار مصرفی بیشترین و قیمت بازار انرژی کمترین اثر را به عنوان پارامترهای نایقینی داشتند.

فصل پنجم
نتیجه‌گیری و ارائه پیشنهادات۱٫۵ نتیجه‌گیری

هدف از این پروژه کنترل و برنامه­ ریزی تولیدات پراکنده در بازار خرده فروشی در محیط شبکه هوشمند با در نظر گرفتن عدم قطعیت برای پارامترهای تصادفی است. سه پارامتری که دارای عدم قطعیت هستند، شامل تولید توان فتوولتائیک، میزان بار و قیمت بازار خرده فروشی می­باشد. مسئله برنامه­ ریزی کوتاه مدت مشارکت و کنترل تولیدات پراکنده برای دو سناریو زمستان و تابستان برای دو روز مختلف اول هفته و آخر هفته انجام گرفته است. در ضمن مسئله در حضور خودروهای الکتریکی حل شده و نهایتا مدل بهره ­برداری هوشمند برای برنامه­ ریزی مشارکت واحدها در محیط شبکه هوشمند معرفی شده و این نتایج با برنامه­ ریزی مشارکت واحدها در محیط سنتی مقایسه شده است. این نتایج به شرح ذیل می­باشد:

• • استفاده از لیست حق تقدم برای تشکیل جمعیت اولیه ممکن باعث کاهش زمان محاسبات و همگرایی سریع مسئله می­ شود.

• • استفاده از خودرو الکتریکی در سیستم قدرت علاوه بر اصلاح پیک بار باعث کاهش هزینه بهره ­برداری و آلودگی می­ شود. البته لازم به ذکر است که کاهش آلودگی همیشه رخ نمی­دهد. چون خودرو الکتریکی نمی­تواند توان تولید کند. بلکه توان را از یک ساعت به ساعت دیگر منتقل می­ کند. و به دلیل اینکه عموما واحدهای بزرگ آلودگی بالاتری نسبت به واحدهای کوچک‌تر دارند آلودگی کاهش نمی­یابد. ولی در این پروژه چون تابع هدف کاهش آلودگی و هزینه است مقداری کاهش آلودگی داریم.

• • استفاده از خودروهای الکتریکی در سیستم قدرت باعث افزایش رزرو و در نتیجه افزایش قابلیت اطمینان شبکه می­شوند.

• • برنامه­ ریزی مشارکت واحدها در حضور منابع تجدیدپذیر باعث کاهش هزینه بهره ­برداری و آلودگی می­ شود. بنابراین با مدیریت این منابع در سیستم قدرت می‌توان هزینه­ های بهره ­برداری و آلودگی را کاهش داد.

• • افزایش تعداد سناریوها برای مدل‌سازی عدم قطعیت مسئله باعث افزایش زمان محاسبات می­ شود. چون وقتی سناریوها زیاد می­ شود تعداد تکرارها برای حل مسئله هم زیاد می­ شود، اما تعداد زیاد سناریو باعث ارائه مدل دقیق­تری از مسئله و کاهش خطای می­ شود.

• • با مدیریت صحیح خودروهای الکتریکی در سیستم قدرت می‌توان علاوه بر ایفای نقش موثر در سیستم، باعث کاهش آلودگی­های زیست محیطی ناشی از مصرف سوخت فسیلی در خودروهای الکتریکی شد.

• • استفاده از خودروهای الکتریکی در شبکه به عنوان یک منبع ذخیره­ساز انرژی در کنار منابع تجدیدپذیر باعث کمرنگ شدن نوسانات ناشی از منابع تجدیدپذیر در سیستم قدرت و افزایش قابلیت اطمینان در شبکه می­ شود.

• • استفاده از خودروهای الکتریکی و ذخیره انرژی در ساعات ارزان قیمت و فروش آن در ساعات پیک بار که قیمت برق بالاست، باعث افزایش سود می­ شود.

• • در نظرگیری برنامه مناسب پاسخگویی بار باعث کاهش پیک بار، مسطح شدن نمودار مصرف انرژی الکتریکی و در نهایت کاهش هزینه نهایی می‌شود.

پیشنهادها

• • برنامه­ ریزی مشارکت واحدها با در نظر گرفتن محدودیت­های شبکه

• • پیاده­سازی مدل ذکر شده با در نظر گرفتن بازار خدمات جانبی

• • برنامه­ ریزی مبتنی بر قیود امنیت مشارکت واحدها با حضور خودروهای الکتریکی و منابع تجدیدپذیر

• • بهینه سازی ارائه شده می‌تواند در بازه های بلند مدت انجام شود. در این حالت شاخص‌های قابلیت اطمینان مانند عدم تامین بار نیز می‌تواند به سیستم اضافه شده و مدل را چند منظوره کند.

منابع و مراجع

[۱] J. Wood and B. F. Wollenberg, “Power Generation, Operation and Control”. New York: John Wily & Sons, 2^nded, 1996.
[۲] Ahmed Yousuf Saber, and Ganesh Kumar Venayagamoorthy.: ‘Resource Scheduling Under Uncertainty in a Smart Grid with Renewables and Plug-in Vehicles’IEEE SYSTEMS JOURNAL-1932-8184/$26.00-2011 IEEE.
]۳[ امیر عبداللهی، “برنامه­ ریزی تولید بهینه نیروگاه­ها با در نظر گرفتن قیود امنیتی با بهره گرفتن از روش کلاسیک و ترکیبی” پایان نامه کارشناسی ارشد دانشکده برق دانشگاه شریف، مرداد ۸۸٫
[۴] Fred N. Lee, “Short-term Thennal Unit Commitment-A New Method,” IEEE Transactions on Power Systems, Vol.3,No.,pp.421,May 1998.
[۵] A. Borghetti, A. Frangioni, F. Lacalandra, A. Lodi, S. Martello, C. A. Nucci, and A. Trebbi, “Lagrangian Relaxation and Tabu Search Approaches for the Unit Commitment Problem,” IEEE Porto Power Tech Conference, Porto, Portugal, September, ‘ 2001 ‘.
[۶] Ahmed Yousuf Saber, Ganesh Kumar Venayagamoorthy’Intelligent unit commitment with vehicle-to-grid —A cost-emission optimization’Elsevier Journal of Power Sources 195 (2010) 898–۹۱۱٫
]۷[ مصطفی اسماعیلی شاهرخت،"برنامه­ ریزی میان مدت واحدهای حرارتی در حضور نیروگاه بادی"، پایان نامه کارشناسی ارشد دانشکده برق دانشگاه علم و صنعت ایران، مهرماه ۹۰٫
[۸] Marnay, C., Venkataramanan, G., Stadler, M., Siddiqui, A.S., Firestone, R., Chandran, B.: ‘Thermal Units Commitment Considering Voltage Constraint Based on Controllable Loads Reactive Control in Smart Grid’, IEEE Trans. Power Syst., 2011.
[۹] J.C. Inostroza V.H. Hinojosa ‘Short-term scheduling solved with a particle swarm optimiser’IET Gener. Transm. Distrib. , 2011, Vol. 5, Iss. 11, pp. 1091 – ۱۱۰۴٫
[۱۰] Pablo A. Ruiz ,. C. Russ Philbrick. Eugene Zak,. Kwok W. Cheung. Peter W. Sauer , ‘Uncertainty Management in the Unit Commitment Problem’, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 24, NO. 2, MAY 2009.
[۱۱] Aidan Tuohy, Peter Meibom, Eleanor Denny , Mark O’Malley."Unit Commitment for Systems With Significant Wind Penetration” IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 24, NO. 2, MAY 2009.
[۱۲] Shengrong Bu, F. Richard Yu, and Peter X. Liu;” Stochastic Unit Commitment in Smart Grid Communications", IEEE Conference on ۲۰۱۱-page 307-312.