کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
400431 | 1438725 | 2015 | 8 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Microgrid operation and management using probabilistic reconfiguration and unit commitment
ترجمه فارسی عنوان
بهرهبرداری و مدیریت ریزشبکه با استفاده از پیکربندی مجدد احتمالاتی و مشارکت واحد
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
پیکربندی دوباره، تعهد واحد، ریز شبکه، عدم قطعیت، برق بادی
فهرست مطالب مقاله
چکیده
کلیدواژهها
مقدمه
فرمولبندی مسالهشکل 1. طرح ساختار ریزشبکه
متغیرهای تصمیم
هزینۀ ریزتوربین
مدل احتمالاتی ریزتوربین
هزینۀ باتری
هزینۀ شبکه
هزینۀ تلفات
هزینۀ کلیدزنی
قیود (محدودیتهای) سیستم
توپولوژی سیستم
شکل 2. الگوریتم ارائهشده.
جدول 1: امپدانس خط ریزشبکه.
مدل عدم قطعیت
الگوریتم پیشنهادی
نتایج شبیهسازی
جدول 2: مشخصات هزینۀ ریزتوربینها (ضرایب هزینۀ سوخت و راهاندازی)
جدول 3: مشخصات هزینۀ ریزتوربینها (ضرایب هزینۀ سرمایهگذاری، تعمیر و نگهداری و انتشارات)
جدول 4: مشخصات واحد توربین بادی
جدول 5: پارامترهای باتری
جدول 6: پارامترهای کلیدزنی
جدول 7: اولویت بارها
جدول 8: مقدار میانیگ بارها در هر ساعت
جدول 9: ضریب بار نرمالشده (برای محاسبۀ مقدار میانگین ساعتی) برای هر ساعت.
جدول 10: قیمت ساعتی توان
جدول 11: کد هر توپولوژی پیکربندی
جدول 12: دادههای سرعت باد محاسبه شده برای هر ساعت با استفاده از اطلاعات 12 سال گذشته
جدول 13: نتایج پیکربندی و مشارکت واحد بهینه بهطور همزمان برای مقدار میانگین توربین بادی و تقاضای بار
جدول 14: نتایج شبیهسازی
شکل 3. تابع توزیع احتمالاتی سود ریزشبکه
شکل 4. ضریب سود همگراییهای واریانس در برابر سناریوها.
نتیجهگیری
کلیدواژهها
مقدمه
فرمولبندی مسالهشکل 1. طرح ساختار ریزشبکه
متغیرهای تصمیم
هزینۀ ریزتوربین
مدل احتمالاتی ریزتوربین
هزینۀ باتری
هزینۀ شبکه
هزینۀ تلفات
هزینۀ کلیدزنی
قیود (محدودیتهای) سیستم
توپولوژی سیستم
شکل 2. الگوریتم ارائهشده.
جدول 1: امپدانس خط ریزشبکه.
مدل عدم قطعیت
الگوریتم پیشنهادی
نتایج شبیهسازی
جدول 2: مشخصات هزینۀ ریزتوربینها (ضرایب هزینۀ سوخت و راهاندازی)
جدول 3: مشخصات هزینۀ ریزتوربینها (ضرایب هزینۀ سرمایهگذاری، تعمیر و نگهداری و انتشارات)
جدول 4: مشخصات واحد توربین بادی
جدول 5: پارامترهای باتری
جدول 6: پارامترهای کلیدزنی
جدول 7: اولویت بارها
جدول 8: مقدار میانیگ بارها در هر ساعت
جدول 9: ضریب بار نرمالشده (برای محاسبۀ مقدار میانگین ساعتی) برای هر ساعت.
جدول 10: قیمت ساعتی توان
جدول 11: کد هر توپولوژی پیکربندی
جدول 12: دادههای سرعت باد محاسبه شده برای هر ساعت با استفاده از اطلاعات 12 سال گذشته
جدول 13: نتایج پیکربندی و مشارکت واحد بهینه بهطور همزمان برای مقدار میانگین توربین بادی و تقاضای بار
جدول 14: نتایج شبیهسازی
شکل 3. تابع توزیع احتمالاتی سود ریزشبکه
شکل 4. ضریب سود همگراییهای واریانس در برابر سناریوها.
نتیجهگیری
ترجمه چکیده
در این مقاله یک مدل تصادفی برای مدیریت روز بعد ریزشبکه (MG) ارائه شده است. مدل ارائهشده از پیکربندی مجدد احتمالاتی و مشاکرت واحد (UC) بهطور همزمان بهره میبرد تا به نقاط تنظیم بهینۀ واحدهای ریزشبکه و نیز به توپولوژی بهینۀ ریزشبکه برای بازار برق روز بعد دست یابد. روش بهرهبرداری ارائهشده به منطور بیشینه کردن سود ریزشبکه با در نظر گرفتن تقاضای بار و عدم قطعیت تولید توان بادی بهکار گرفته میشود. سود روز بعد ریزشبکه به عنوان تابع هدف (OF) در نظر گرفته شده و الگوریتم بهینهسازی ازدحام ذرات (PSO) برای حل این مساله به کار میرود. برای مدلسازی عدمقطعیتها، چندین سناریو بر اساس شبیهسازی مونتکارلو (MC) تولید میشود، و بهرهبرداری بهینۀ ریزشبکه تحت این سناریوها تجزیهوتحلیل میشود. مطالعۀ موردی یک ریزشبکۀ معمولی 10 شینه است که شامل توربین بادی (WT)، باتری، ریزتوربینها (MT)، و بارهای حیاتی و غیرحیاتی است. این ریزشبکه در یک شینه به شبکۀ بالادست متصل میشود. در نهایت، نقاط تنظیم بهینۀ واحدهای قابل توزیع و بهترین توپولوژی از طریق تجمع سناریو تعیین میشوند، و این مقادیر برای بهرهبرداری روز بعد پیشنهاد میشوند. در واقع، مدل ارائه شده قادر است تاثیر نامطلوب عدمقطعیتها روی سود ریزشبکه را از طریق ایجاد سناریوهای مختلف به حداقل برساند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
A stochastic model for day-ahead Micro-Grid (MG) management is proposed in this paper. The presented model uses probabilistic reconfiguration and Unit Commitment (UC) simultaneously to achieve the optimal set points of the MG’s units besides the MG optimal topology for day-ahead power market. The proposed operation method is employed to maximize MG’s benefit considering load demand and wind power generation uncertainty. MG’s day-ahead benefit is considered as the Objective Function (OF) and Particle Swarm Optimization (PSO) algorithm is used to solve the problem. For modeling uncertainties, some scenarios are generated according to Monte Carlo Simulation (MCS), and MG optimal operation is analyzed under these scenarios. The case study is a typical 10-bus MG, including Wind Turbine (WT), battery, Micro-Turbines (MTs), vital and non-vital loads. This MG is connected to the upstream network in one bus. Finally, the optimal set points of dispatchable units and best topology of MG are determined by scenario aggregation, and these amounts are proposed for the day-ahead operation. In fact, the proposed model is able to minimize the undesirable impact of uncertainties on MG’s benefit by creating different scenarios.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Electrical Power & Energy Systems - Volume 75, February 2016, Pages 328–336
Journal: International Journal of Electrical Power & Energy Systems - Volume 75, February 2016, Pages 328–336
نویسندگان
Reza Jabbari-Sabet, Seyed-Masoud Moghaddas-Tafreshi, Seyed-Sattar Mirhoseini,