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 ریزشبکه­ی 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

شبکه­ی هوشمند، ریزشبکه، پاسخ دیماند، تولیدات پراکنده، بهینه­سازی اجتماع ذرات، یادگیری-Q.

  1. ۱٫ 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 [۱]. 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 [۲]. 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 [۳]. 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 [۴]، [۵]. 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 [۶]. 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.

۱٫۱٫ 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 [۷] مورد بحث و بررسی قرار گرفته است. در [۸]، 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 [۹] 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 [۱۰] 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 [۷] مورد بحث و بررسی قرار گرفته است. در [۸]، 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 [۹] 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 [۱۰] 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.

خرید فایل