مدیریت بهینه انرژی با استفاده از روش کلونی زنبور مصنوعی چند زمانه برای یک میکروگرید متصل به شبکه با چندین واحد تولید توزیع شده

نوع مقاله: مقاله علمی فارسی

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی برق- دانشگاه آزاد اسلامی واحد لاهیجان- لاهیجان- ایران

2 استادیار گروه برق، دانشکده فنی و مهندسی برق - دانشگاه آزاد اسلامی واحد لاهیجان - لاهیجان- ایران

3 - دانشیار پژوهشی، دانشکده مهندسی و فیزیک- دانشگاه منچستر - منچستر- انگلیس

چکیده

برای کسب اطمینان از مصرف بهینه انرژی در ریزشبکه‌ها ، ارائه سیستم مدیریت انرژی مناسب و کارآمد از اهمیت ویژه‌ای برخوردار است. امروزه با به‏کارگیری منابع انرژی تجدیدپذیر و همچنین، سیستم‌های ذخیره‌کننده انرژی در MG، علاوه بر کاهش آلایندگی ناشی از مصرف سوخت‌های فسیلی می‌توان ایمنی و قابلیت اطمینان سیستم قدرت را نیز افزایش داد. هدف اصلی به‏کارگیری الگوریتم بهینه‌سازی EMS، افزایش سهم تولید انرژی توسط منابع تجدیدپذیر و در نتیجه مینیمم‌نمودن هزینه کل بهره‌برداری و کاهش قیمت تمام‌شده برای مصرف‌کنندگان است. مهم‏ترین نوآوری ارایه شده در این مقاله پیاده‌سازی EMS بر روی ریزشبکه شرکت مرکز تحقیقات انرژی کاتالونیا برپایه روش بهینه‌سازی کلونی زنبور مصنوعی در حالت متصل به شبکه سراسری جهت توزیع اقتصادی توان مابین عنصرهای مختلف موجود و با توجه به قیمت پیشنهادی آن‏هاست. نتایج بهینه به‏دست‌آمده از الگوریتم پیشنهادی در مقایسه با الگوریتم EMS برپایه روش برنامه‌ریزی غیر خطی گویای کاهش حدود 18 درصد هزینه کل تولید الکتریسیته و نیز افزایش کارآیی این الگوریتم در مدیریت سمت تولید و مصرف است.

کلیدواژه‌ها


عنوان مقاله [English]

Optimal energy management system in grid connected Microgrid integrated with distributed generation by using the multi-period artificial bee colony

نویسندگان [English]

  • Fatemeh Azarinejadian 1
  • Seyyed Mazia Mirhosseini Moghaddam 2
  • Mousa Marzband 3
  • Narges Parhizi 1
1 Dept. of Electrical Engineering, Islamic Azad University of Lahijan, Lahijan, Iran
2 Dept. of Electrical Engineering, Islamic Azad University of Lahijan, Lahijan, Iran
3 Dept. of Engineering and Physical Sciences, University of Manchester, Manchester, UK
چکیده [English]

Presenting proper and efficient energy management system (EMS) in the Microgrids (MG) is an important issue for gaining assurance to optimize energy usage based on price preference and system technical constraints. Nowadays by utilizing renewable energy resources and energy storage systems in MG, in addition to reducing the pollution caused by fossil fuels, the safety and power system reliability can also be improved. The proposed algorithm to implement an EMS shall increase the MG ability in both islanded and grid connected operating mode to supply non-responsive load demands from the economic points of view. Implementing EMS over the MG of Institute de Recerca on Energia de Catalunya (IREC) based on artificial bee colony (ABC) optimization approach to economic dispatch between various generation units, considering their offer price is main novelty of this paper. The obtained results from the proposed algorithm when compared with the EMS algorithm based on mixed integer non-linear programming (MINLP) demonstrate the reduction of about 18% of the total generation and it also improves the efficiency of the demand/ generation side management.

کلیدواژه‌ها [English]

  • Artificial bee colony algorithm
  • optimal energy management system
  • Microgrid
  • Demand Response
  • responsive load demand
  • demand/ generation side management

صنعت برق در سال‌های اخیر با اعمال سیاست‌های تشویقی، شاهد رشد بی‌سابقه‌ای در به‏کارگیری منابع توزیع‌شده انرژی DER در مقیاس کوچک و بیشتر بر پایه انرژی‌های تجدیدپذیر بوده است [1]. به این علت، در بخش انرژی تلاش‌های گسترده‌ای به منظور توسعه فناوری‌ها و روش‌های مربوط به بهره‌برداری اقتصادی‌تر و مطمئن‌تر از منابع انرژی تجدیدپذیر و اتصال آن‏ها به سیستم‌های قدرت انجام شده است [2]. یکی از مسایل اصلی فنی در فرآیند اتصال، کنترل و مدیریت منابع انرژی تجدیدپذیر و در حقیقت ویژگی غیر قابل پیش‌بینی‌بودن توان تولیدی توسط این منابع است. یکی دیگر از نگرانی‌های اصلی در این زمینه، ارزیابی تأثیر این منابع برروی امنیت و قابلیت اطمینان کلی شبکه است. ریزشبکه‌ها MGs را می‌توان به عنوان مجموعه‌ای از منابع کوچک، سیستم‌های ذخیره‌کننده انرژی ES و بارهایی با قابلیت پاسخگویی به سیگنال‌های کنترلر مرکزی (بار قابل قطع-RLD)، توصیف کرد. سیستم‏های مدیریت انرژی (Energy Management System-EMS) باید با هدف تضمین قابلیت اعتماد، بهره‌برداری ایمن و مقرون به صرفه‌بودن تولید الکتریسیته در هر دو حالت عملکرد MG (متصل به شبکه و یا مستقل) طراحی شوند. اهداف اصلی به‏کارگیری EMSها می‌تواند شامل یافتن عملکرد بهینه (یا نزدیک به بهینه( منابع تولید (به اصطلاح در مدار قرار گرفتن واحدهای تولید UC)) و توزیع توان ژنراتورهایی با توان تولیدی قابل تنظیم DGU باشد [2-7]. هدف معمولی دنبال‌شده برای کنترل MG در حالت عملکرد مستقل این است که بار محلی را از لحاظ اقتصادی تأمین‏ نماید؛ در حالی که در حالت عملکرد متصل به شبکه، بیشتر به دنبال به‌حداکثر رساندن سود و یا حداقل‌نمودن هزینه تولید الکتریسیته است [2]. همچنین، اهداف اضافی دیگر از قبیل به حداقل‌رساندن انتشار گازهای گلخانه‌ای را می‌توان با استفاده از روش‌های بهینه‌سازی چند‌هدفه مدنظر قرار داد [8].

در این مقاله، مسأله مطرح شده به مراحل مختلفی تقسیم‌بندی شده است که شامل: مدل‌سازی ریاضی سیستم تحت مطالعه، بهینه‌سازی عملکرد MG به منظور افزایش کارآیی و زمانبندی مناسب، نحوه به‏کارگیری منابع تولید و در نهایت توزیع اقتصادی توان تولیدی است. برای رسیدن به این اهداف از الگوریتم کلونی زنبور مصنوعی چند زمانه MABC برای مسأله بهینه‌سازی استفاده شده است. در اینجا، پیاده‌سازی EMS برای یک  MGمد نظر قرار گرفته که هدف آن کاهش هزینه تولید انرژی و در نتیجه کاهش قیمت برق مصرفی مصرف‌کنندگان MCP برای یک دوره زمانی 24 ساعته است. هدف مسأله بهینه‌سازی غیرخطی مینیمم‌نمودن هزینه عملکرد کلی و هم‏زمان با آن کاهش قیمت تمام شده برای مصرف‌کنندگان است. بازار محلی انرژی LEM نیز با استفاده از ساختار حراج یکسویه SSA بر پایه یافتن مینیمم قیمت پیشنهادی توسط هر یک از تولیدکنندگان توسعه داده شده است [2]. در نهایت، نتایج به دست آمده با خروجی‌های الگوریتم EMS-MINLP که در [2] توسط نویسندگان گزارش شده است؛ مقایسه شده و اعتبار روش ارایه‌شده در کاهش هزینه تولید الکتریسیته توسط MG به اثبات رسیده است.

 

1- مبانی اولیه الگوریتم کلونی زنبور مصنوعی

الگوریتم ABC یک روش محاسباتی تکاملی بوده که اولین بار در سال 2005 توسط کارابوگا معرفی شده است [9]. با وجود اینکه الگوریتم ABC از تعداد شاخص‏های کنترلی کمتری نسبت به دیگر الگوریتم‌های تحت مطالعه برخوردار است، کارایی و عملکرد آن در یافتن نقاط بهینه به مراتب بهتر از الگوریتم‌های دیگر گزارش شده است [10]. همچنین، قابلیت این الگوریتم در حل مسایل بهینه‌سازی دربرگیرنده قیود فنی و اقتصادی و متغییر با زمان در مراجع ارایه شده است [12-11].

هوش جمعی زنبور عسل از سه جزو اساسی شامل منابع غذایی، جستجوگرهای کارگر و جستجوگرهای بی‏کار تشکیل شده است. ارزش یک منبع غذایی به بسیاری از عوامل مانند نزدیکی آن به لانه، غلظت و غنی بودنش از شهد و سهولت استخراج آن بستگی دارد [9]. به منظور سادگی، تأثیر تمامی‌این عوامل را می‌توان با یک متغیر به‏نام سودآوری منبع غذایی نشان داد. هر یک از زنبورهایی که به‏عنوان جستجوگرهای کارگر در نظر گرفته شده‌اند، به یک منبع خاص که در حال بهره‌برداری از آن هستند، تعلق دارند. این زنبورها اطلاعاتی شامل فاصله و موقعیتشان نسبت به لانه و میزان سودآوری آن منبع را با خود به‏همراه دارند. این اطلاعات با احتمالی ویژه با دیگر زنبورها به اشتراک گذاشته می‌شود. جستجوگرهای بی‏کار به زنبورهایی اطلاق می‌شود که پیوسته در جستجوی یک منبع غذایی به منظور بهره‌برداری از آن هستند. این دسته از زنبورها به دو گونه پیشاهنگ و تماشاچی تقسیم‌بندی می‌شوند [9]. زنبورهای پیشاهنگ در اطراف لانه به جستجوی منابع غذایی جدید می‌پردازند. در حالی‏که، زنبورهای تماشاچی در لانه منتظر دریافت اطلاعات درباره منبع غذایی از زنبورهای کارگر می‌مانند. تعداد زنبورهای پیشاهنگ به‏طور متوسط حدود 5 تا 10 درصد جمعیت کلونی است [11].

تبادل اطلاعات بین زنبورها مهم‏ترین بخش شکل‌گیری دانش هوش جمعی زنبور عسل است. همچنین، مهم‏ترین بخش کندوی عسل که در آن تبادل اطلاعات درباره کیفیت و مکان منبع غذایی در آن انجام می‏شود، سالن رقص کندو است [9]. در این سالن، زنبورهای تماشاچی می‌توانند با مشاهده رقص‌های متعدد، منبع غذایی با متغییر سودآوری بالا را انتخاب کرده، سپس، برای بهره‌برداری آن اقدام کنند. زنبورهای جستجوگر کارگر، اطلاعات مربوط به منبع غذایی را متناسب با سودآوری منبع به وسیله رقص با زنبورهای تماشاچی به اشتراک می‌گذارند به طوری که مدت رقص متناسب با سودآوری منبع است [10].

مشابه با الگوریتم‌های مبتنی بر روش‌های ابتکاری، الگوریتم ABC نیز یک فرآیند تکرار شونده بوده که با یک جمعیت اولیه شروع می‌شود. این الگوریتم شامل پاسخ‌های قابل قبول (جواب‌هایی که قیود در نظر گرفته شده برای مسأله را برآورده می‌کنند) است. هر منبع غذایی نشان‌دهنده یک پاسخ ممکن برای حل مسأله است. بنابراین، جمعیت اولیه پاسخ‌ها از  تعداد بردار تصادفی D-بعدی، با مقادیر حقیقی تشکیل‌شده که در آن هر پاسخ به شکل بردار تعریف شده است. این بردار نشان‌دهنده iامین منبع غذایی در جمعیت ایجاد شده است. هر پاسخ برای مسأله بهینه‌سازی دارای D متغیر است.

 

2- تعریف مسأله

در این مطالعه، یک سیستم MG شامل توربین بادی WT، خورشیدی PV، میکروتوربین MT و منبع ذخیره انرژیES  ‏است که قابلیت کار در حالت عملکرد متصل به شبکه سراسری، بررسی شده است. تابع هزینه به شکل زیر تعریف می‌شود.

(1)

 

 

 توان مربوط به هر یک از اجزای MG در بازه زمانی t (kW)، است به‏طوری که:

و  قیمت پیشنهادی هر یک از منابع بر حسب €/kW است.

 

2-1- قیود مسأله

قیود فنی نیز می‌تواند با استفاده از روابط ریاضی زیر بیان شود:

  • قید تعادل توان

(2)

 

 

  • قیود مربوط به منابع تجدیدپذیر (WT و PV در این مطالعه)

(3)

 

(4)

 

 

  • قیود مربوط به منابع تجدید ناپذیر (MT در این مطالعه)

(5)

 

 

  • قیود مربوط به منابع ES ‏(باتری در این مطالعه)

(6)

 

(7)

 

(8)

 

(9)

 

(10)

 

(11)

 

 

  • قیود مربوط به بار RLD

(12)

 

 

  • قیود مربوط به شبکه سراسری

(13)

 

(14)

 

(15)

 

 

که در آنها  حداکثر توان خروجی و یا مصرفی توسط جزء(kW) A ‏،  بازه زمانی مورد مطالعه بر حسب ساعت (در این مطالعه بازه‌های نیم‌ساعته در نظر گرفته شده‌اند) و  انرژی مربوط به باتری (- مربوط به فرآیند دشارژ و + مربوط به فرآیند شارژ) و بر حسب kWh است.

 

3- الگوریتم مدیریت بهینه انرژی پیشنهادی EMS-MABC

همان‏طور در شکل (1) نشان داده شده است، این الگوریتم از دو واحد به نام‌های MABC و LEM تشکیل شده است. نحوه پیاده‌سازی هر یک این واحد‌ها در ادامه توضیح داده شده است.

 

شکل (1): الگوریتم پیشنهاد شده EMS-MABC

3-1- واحد MABC

مشابه با الگوریتم‌های مبتنی بر روش‌های ابتکاری، الگوریتم ABC نیز یک فرآیند تکرارشونده بوده که با یک جمعیت اولیه شروع می‌شود. این الگوریتم شامل پاسخ‌های قابل قبول (جواب‌هایی که قیود در نظر گرفته شده برای مسأله را برآورده می‌کنند) است. گام‌های پیاده‌سازی الگوریتم ABC به شرح زیر است:

گام 1: مقداردهی اولیه منابع غذایی

گام 2: مقداردهی اولیه زنبورهای کارگر

گام 3: محاسبه ارزش احتمالی انتخاب‌ها

گام 4: ارزیابی زنبورهای تماشاچی

گام 5: ارزیابی زنبورهای پیشاهنگ

در این مقاله، D = 8 بوده و در برگیرنده شاخص‏هایی چون توان‌های ، ، ، ، ، ،  و  است. هدف پیدا کردن مقادیر این متغیرها است که در نهایت منجر به یافتن کم‏ترین مقدار هزینه تولید الکتریسیته با استفاده از تابع هزینه (1)، شود. بنابراین،  به شکل یک بردار 8 بعدی به‏شکل  تعریف شده که هر یک از درایه‌های آن ، ، ، ، ، ،  و  هستند. این متغیرها به دو نوع متغیر وابسته و مستقل تقسیم‌بندی می‌شوند. توان‌های MT،ES  و DR خریداری‌ و فروخته‌شده از شبکه سراسری به‏عنوان متغیرهای وابسته و توان خروجی WT و PV به‏عنوان متغیرهای مستقل فرض شده‌اند. علت آن این است که منابع WT و PV به‏عنوان منابع تولید غیر قابل کنترل هستند و بسته به شرایط آب و هوایی توان خروجی آن‏ها قابل تغییر و مستقل از توان بار و یا منابع تولید دیگر است. درحالی که، توان خروجی MT و ES بسته به توانی که توسط منابع تجدیدپذیر (WT و PV) تولید شده و میزان بار مصرفی، می‌تواند تغییر نماید. در نتیجه، ابتدا باید متغیرهای مستقل (  و ) به شکل تصادفی با در نظر گرفتن ماکزیمم توان تولیدی توسط این منابع، ایجاد شوند. سپس، با توجه به این، متغیرهای مستقل و نیز قیود مطرح‌شده برای حل مسأله، مقادیری به شکل تصادفی برای متغیرهای وابسته ایجاد خواهد شد. شاخص‏های مربوط به الگوریتم پیشنهاد شده در جدول (1) به‏طور‏ کامل فهرست شده‌اند.

 

جدول (1): شاخص‏های مربوط به الگوریتم MABC

نام متغییر

مقدار

تعداد متغییرها

8 عدد

تعداد جمعیت اولیه

100

تعداد منابع غذا

200

ماکزیمم تعداد سیکل (maximum cycle number- MCN)

100

Limit (بدین معنی هست که اگه به اندازه این معیار جواب الگوریتم بهبود پیدا نکند جواب قبلی حذف شده و زنبور پیشاهنگ به‏عنوان یکی از جواب‌ها منظور می‌شود)

100

 

3-2- واحد LEM

در این واحد با استفاده از حراج یک‏سویه SSA  یک بازار محلی برای MG تحت مطالعه معرفی شده است. توضیحات بیشتر این واحد به‏طور‏ مفصل در مقاله قبلی توسط نویسندگان ارایه شده است [1].

 

4- سیستم تحت مطالعه

در شکل‌های (2) و (3) به‏ترتیب ساختار تک‌خطی میکروگرید IREC و نیز شمای کلی آن نشان داده شده است. جزئیات مربوط به ویژگی‏های‏ این سیستم و نحوه پیکربندی ایمولاتورهای موجود به‏طور‏ کامل در مقالات قبلی ارایه شده است [1،2،13،14 و 15]. منحنی توان مربوط به ادوات تجدیدپذیر (PV و WT در این مطالعه) و نیز توان مصرفی توسط بارهای NRLD نیز از [1] اخذ و در شکل‌های (4-الف تا 4-ج) نشان داده شده است. قیمت پیشنهادی مربوط به منابع تولید تجدیدپذیر، تجدیدناپذیر، NRLD، تعرفه خرید از شبکه و یا فروش برق به شبکه اصلی و پنالتی ناشی از عدم تغذیه کامل بار در جدول (2) بیان شده‌است [1].

 

شکل (2): دیاگرام تک‌خطی سیستم تحت مطالعه

 

 

شکل (3): نمای کلی از ریزشبکه IREC

(4-الف) ایمولاتور WT

 

(4-ب): ایمولاتور PV

 

(4-ج): ایمولاتور NRLD

 

شکل (4) توان تولیدی و مصرفی توسط هر یک از ایمولاتورهای WT، PV و NRLD در هر بازه زمانی

 

جدول (2): قیمت پیشنهادی مربوط به منابع

083/0

 

1/0

 

71/0

 

155/0

 

125/0

 

5/1

 

118/0

 

115/0

 

14/0

 

سناریوهای مختلفی با استفاده از الگوریتم‌های پیشنهاد شده به منظور نشان‌دادن قابلیت پاسخگویی سریع الگوریتم به وقوع هر رویدادی در سیستم در نظر گرفته شده است. در نهایت، این سناریوها بر روی سیستم میکروگرید IREC به‏شکل عملی نیز آزمایش شده است. این سناریوها عبارتند از:

1- سناریوی 1 (بهره‌برداری در حالت عادی)

در این سناریو، فقط اطلاعات مربوط به بازه‌های زمانی یک ساعته به‏عنوان‏ ورودی به الگوریتم در نظر گرفته شده و عملکرد عادی سیستم بررسی شده است.

2- سناریوی 2

در این سناریو یک افزایش قابل ملاحظه‌ای در بار اصلی رخ داده است (در دوره‌های زمانی 17:00-17:30 و 18:00-18:30).

3- سناریوی 3

در این سناریو منابع تجدیدپذیر توان (PV و WT) در بازه‌هایی دچار خطاشده و خاموشی اضطراری در این سیستم‌ها رخ داده است. (در بازه‌های 19:30-21:00 برای سیستم WT و 20:30-21:00 برای سیستم PV)

 

5- نتایج شبیه‌سازی و عملی

در این بخش نتایج شبیه‌سازی و عملی ناشی از پیاده‌سازی سه الگوریتم ارایه شده است. در طول دوره 24 ساعته کار سیستم به 4 دوره زمانی به نام‌های دوره 1، دوره 2، دوره 3 و دوره 4 تقسیم می‌شود. هر دوره 6 ساعت است. SOC و توان ES به‏ترتیب در شکل‌های (5) و (6) نشان داده شده است. در طول دوره 1، ES در الگوریتم EMS-MABC ابتدا به‏طور‏ کامل دشارژ شده و مقدارش به  می‌رسد. به منظور جبران انرژی دشارژ شده در ES، این الگوریتم در بازه زمانی بعدی با به سرویس‌آوردن MT و بیشتر با خرید توان از شبکه اصلی شروع به شارژ ES کرده است. ES در الگوریتم EMS-MINLP به روش دیگری عمل کرده است. ES در این الگوریتم تا ساعت 05:00 در حالت جزیره‌ای بوده است. سپس، MT ضمن برآورده‌نمودن توان مورد نیاز بار، بخشی از توان تولیدی آن نیز صرف شارژ ES شده است. در پایان دوره 1 مقدار SOC در هر دو الگوریتم برابر  شده است. در دوره 2، ES در الگوریتم EMS-MABC تا ساعت 09:30 تغییر نکرده و به ترتیب 6/42 و 5/23 درصد از کمبود توان توسط MT و خرید از شبکه تأمین‏ شده است. این در حالی است که در الگوریتم EMS-MINLP علاوه بر دشارژ ES، همواره MT را نیز با توان  وارد سرویس کرده است. در این الگوریتم همچنین بخشی از توان (در حدود 46 درصد) توسط خرید از شبکه اصلی تأمین‏ شده است. عملکرد ES در هر الگوریتم در دوره 3 که سناریوی 2 رخ می‌دهد، متفاوت است. ES در هر دو الگوریتم در ساعت 17:00 در حالت جزیره‌ای عمل کرده و کمبود توان در الگوریتم EMS-MABC بیشتر توسط خرید از شبکه جبران شده است. در این لحظه، الگوریتم EMS-MINLP بیشتر کمبود توان خود را از طریق به سرویس وار کردن MT تأمین‏ کرده است. ولی در ساعت 18:00، بخشی از کمبود توان در الگوریتم EMS-MINLP نیز توسط ES تأمین‏ شده است. سپس، به‏ترتیب از MT و خرید از شبکه بقیه توان مورد نیاز برآورده شده است. این در حالی است که در الگوریتم EMS-MABC بیشتر تغذیه کامل بار توسط شبکه اصلی و سپس، با استفاده از MT تأمین‏ شده است. در دوره 4 نیز سناریوی 3 رخ داده است. در زمان وقوع سناریوی 3، MT در الگوریتم EMS-MINLP در طول این بازه زمانی با توان  وارد سرویس شده و سپس، بخشی از توان نیز توسط ES تأمین‏ شده است. در این الگوریتم شبکه اصلی بخش ناچیزی از تأمین‏ کمبود توان مورد نیاز سیستم را برعهده دارد. ولی در الگوریتم EMS-MABC از MT و شبکه اصلی استفاده شده و ES همواره در حالت آیدل است. SOC در الگوریتم EMS-MABC در پایان عملکرد 24 ساعته سیستم مقداری به مراتب بیشتر از الگوریتم بهینه‌سازی دیگر دارد که این موضوع نشاندهنده بالاتر بودن قابلیت اطمینان شبکه توسط این الگوریتم به منظور پشتیبانی بار در روز بعد است.

 

شکل (5): SOC در طول عملکرد روزانه سیستم

شکل (6): توان شارژ و یا دشارژ ES در طول عملکرد روزانه سیستم

منحنی توان MT در شکل (7) نشان داده شده است. همانطوری که از شکل مشاهده می‌شود، در طول دوره 1، MT در الگوریتم EMS-MINLP همواره با توان در حال کار است. این در حالی است که در الگوریتم EMS-MABC تنها در 7/7 درصد مواقع در سرویس است. در دوره 2، مشارکت MT در تأمین‏ توان مورد نیاز در الگوریتم‌های EMS-MINLP و EMS-MABC به‏ترتیب در حدود 54/61 و 15/46 درصد است. در این حالت الگوریتم EMS-MABC تصمیم گرفته است تا بیشتر توان مورد نیاز خود را (در حدود 77 درصد ) از طریق خرید از شبکه تأمین‏ نماید. در دوره 3 (وقوع سناریوی 2) مقدار مشارکت MT و شبکه اصلی در تأمین‏ توان به‏ترتیب در الگوریتم EMS-MABC در حدود 3/15 و 7/30 درصد است. این در حالی است که در الگوریتم EMS-MINLP دقیقا این مشارکت عکس است. در این دوره، مقدار متوسط MCP در هر دو الگوریتم با هم برابر است. با توجه به آنکه  کمتر از  بوده، بنابراین، الگوریتم EMS-MABC عملکرد خیلی مناسبی در انتخاب منبع تأمین‏ توان بار خود داشته است. بدین معنی که با توجه به پایین‌تر بودن قیمت پیشنهادی توسط شبکه اصلی - با ملاحظه برابر بودن مقدار متوسط MCP در هر دو الگوریتم- بهتر است که توان بیشتری از شبکه اصلی خریداری شود تا هزینه کلی سیستم کاهش بیشتری داشته باشد. در دوره 4 مشارکت MT و شبکه اصلی برای تغذیه بار در الگوریتم EMS-MABC به‏طور‏ مساوی و در حدود 5/61 درصد است در حالی‏که در الگوریتم EMS-MINLP به‏ترتیب در حدود 5/38 و 6/84 درصد تخمین زده شده است. با توجه به اینکه در این دوره مقدار متوسط MCP ماکزیمم مقدار خود در طول روز دارد؛ همچنین با ملاحظه قیمت پیشنهادی توسط هر یک از این منابع الگوریتم EMS-MINLP تصمیم به تأمین‏ تقاضای بار خود با استفاده از MT نموده است که تصمیم نادرستی است. زیرا  بزرگتر از  بوده و شایسته است به منظور کاهش هزینه کلی، توان بیشتری توسط الگوریتم از شبکه خریداری شود و از توان تولیدی توسط MT کاسته شود.

شکل (7) توان تولیدی توسط MT در طول عملکرد روزانه

 

منحنی کل توان مصرفی توسط مصرف‌کندگان در هر بازه زمانی در شکل (8) نشان داده شده است. در دوره 1، مقدار در همه بازه‌های زمانی از مقدار بزرگتر است. با توجه به بالاتر بودن مقدار متوسط  نسبت به مقدار آن در دوره‌های 2 و 3، بهتر بود که الگوریتم، TCP کمتری نسبت به دوره‌‌های 2 و 3 داشته باشد. در این دوره، بار RLD بیشتر تغذیه و بخش قابل ملاحظه‏ای توان نیز به شکبه سراسری فروخته شده است. در دوره 2 تقریبا تنها در 7/7 درصد مواقع مقدار بزرگتر از  به‏دست آمده است. در الگوریتم EMS-MINLP علاوه بر تأمین‏ بخشی از توان از شبکه سراسری، ES نیز در حالت دشارژ عمل نموده است. در دوره 3 نیز مشابه دوره 1، بار RLD بیشتری توسط الگوریتم EMS-MINLP نسبت به الگوریتم دیگر تغذیه شده است و نیز در این الگوریتم توان بیشتری به شبکه فروخته شده است. به تبع آن مقدار TCP آن نیز بیشتر از الگوریتم EMS-MABC (در حدود 5/61 درصد مواقع) خواهد شد. در دوره 4 الگوریتم EMS-MINLP تصمیم به شارژ ES در بعضی از بازه‌های زمانی خود کرده است. با توجه به اینکه مقدار متوسط MCP در هر دو الگوریتم ماکزیمم مقدار خود در طول روز بوده، بنابراین به منظور کاهش هزینه برای مصرف‌کنندگان شایسته است که الگوریتم بهینه‌سازی زمان شارژ ES و یا تغذیه RLD را به زمانی دیگر با مقدار MCP پایین‌تر منتقل کند.

 

 

شکل (8) توان کل مصرف شده در طول عملکرد روزانه

 

نمودار میله‌ای توان شامل توان شارژ و یا دشارژ ES، توان خریداری شده از شبکه و یا فروخته شده به شبکه سراسری، بار RLD، UP و EGP برای هر دو الگوریتم در شکل‌های(9) (الف) و (ب) نشان داده شده است. بار RLD در الگوریتم EMS-MINLP در حدود 8/72 و 26 درصد از توان مورد نیاز خود در طول روز را به‏ترتیب در دوره 1 و دوره 3 تغذیه نموده است. در دوره 1 مقدار متوسط MCP بالا بوده است. بنابراین، عملکرد بهتر این است که بیشتر این بار در دوره 3 که مقدار متوسط  مینیمم مقدار MCP در طول روز است، تغذیه بشود. بار RLD در الگوریتم EMS-MABC نیز بیشتر در طول 3 دوره اول تغذیه شده است که مقدار توان تغذیه شده آن در این دوره‌ها به‏ترتیب‏ برابر 17، 6/15 و 65 درصد است. با وجود این موضوع، با توجه به اینکه مقدار متوسط  در طول دوره 3 به مراتب کمتر از مقدار متوسط  در طول دوره 1 است، به تبع آن مصرف‌کنندگان هزینه کمتری برای تغذیه بارهای خود پرداخت می‏کنند. با این وجود، مقدار توان تغذیه شده RLD در طول عملکرد روزانه سیستم در الگوریتم EMS-MABC در حدود 55 درصد کمتر از الگوریتم بهینه‌سازی دیگر شده است و الگوریتم EMS-MABC بیشتر سعی در بهبود وضعیت شارژ ES در طول روز نموده است.

مقدار توان فروخته‌شده به شبکه سراسری در الگوریتم EMS-MABC نیز در حدود 46 درصد کاهش پیدا کرده است. دلیل آن این است که در این الگوریتم، مقدار توان تولیدی توسط MT در حدود 47 درصد کمتر از مقدار آن در الگوریتم بهینه سازی EMS-MINLP شده است. بنابراین، کاهش قابل ملاحظه‌ای در هزینه ناشی از راه‌اندازی MT در الگوریتم EMS-MABC انجام شده است. توان UP در هیچکدام از الگوریتم‌های بهینه‌سازی در طول عملکرد روزانه سیستم وجود ندارد. علت آن این است که با وجود وقوع سناریوهای 2 و 3 با این حال کمبود توان با خرید از شبکه به‏طور‏ کامل جبران خواهد شد. توان خریداری‌شده از شبکه در الگوریتم EMS-MABC به میزان 61 درصد بیشتر از الگوریتم بهینه‌سازی دیگر شده است. با توجه به کاهش قابل ملاحظه MT (در حدود 47 درصد) و بالاتر بودن  نسبت به ، می‌توان کاهش قابل ملاحظه‌ای در هزینه تأمین‏ الکتریسیته به‏دست آورد. همچنین، کل توان EGP در طول عملکرد روزانه در الگوریتم EMS-MABC نسبت به الگوریتم دیگر در حدود 51 درصد کاهش نشان داده است. علت آن این است که الگوریتم EMS-MABC بیشتر سیاست تأمین‏ تغذیه بار NRL را دنبال نموده و RLD کمتری (در حدود 55 درصد) را در طول روز تغذیه کرده است. همچنین، توان کمتری به شبکه سراسری فروخته است. در این الگوریتم ES در حدود 2/81 درصد مواقع در طول روز در حالت شارژ عمل کرده است. درصورتی‏که ES در الگوریتم EMS-MINLP تنها در 27 درصد مواقع در حالت شارژ کار کرده است. بنابراین، SOC آن به مراتب بهتر از SOC سیستم ES در الگوریتم EMS-MINLP است.


 

 

(9-الف): EMS-MINLP

 

(9-ب): EMS-MABC

شکل (9) نمودار میله‌ای توان شارژ و یا دشارژ ES، توان خریداری‌شده از شبکه ویا فروخته‌شده به شبکه سراسری، UP، RLD و EGP


MCP در هر بازه زمانی در هر دو الگوریتم در شکل (10) نشان داده شده است. همچنین، مقدار متوسط MCP در دوره‌های 1 تا 4 در جدول (3) ارایه شده است. در دوره 1 در تمامی ‌بازه‌های زمانی مقدار  بزرگتر از  است. با توجه به اینکه در این بازه زمانی مقدار  در 85 درصد مواقع بزرگتر از مقدار  است، بنابراین، الگوریتم EMS-MINLP بار بیشتری با هزینه بالاتر تغذیه کرده است. در دوره 2 با کاهش ، تغییری در مقدار کل توان TCP در الگوریتم EMS-MINLP ایجاد نشده است. این در حالی است که در الگوریتم EMS-MABC، مجموع توان  در این بازه زمانی در حدود 36 درصد افزایش یافته است. در دوره 3 همچنان مجموع مقدار  افزایش نشان داده (در حدود 42 درصد) در نتیجه الگوریتم EMS-MABC سعی در پایین نگاه‌داشتن مقدار MCP در طول این دوره کرده است. در دوره 3 مجموع مقدار  در حدود 46 درصد بیشتر از مجموع مقدارش در دوره 2 شده است. با توجه به کاهش قابل ملاحظه  در دوره 3، عملکرد الگوریتم EMS-MINLP در کاهش هزینه با ملاحظه افزایش مصرف، بسیار مناسب بوده است. در دوره 4 که مقدار MCP در هر دو الگوریتم ماکزیمم مقدار خود را در طول روز دارد، بهتر است که مصرف‌کنندگان کمتری توسط الگوریتم‌های بهینه‌سازی تغذیه شوند. در این راستا، الگوریتم EMS-MABC در حدود 5/1 درصد بار کمتری نسبت به الگوریتم EMS-MINLP تغذیه کرده است.

 

شکل (10): MCP در هر بازه زمانی در طول عملکرد روزانه

جدول (3): مقدار متوسط MCP در هر دوره 6 ساعته عملکرد سیستم طی یک روز

MCP

دوره 1

دوره ‏2

دوره 3

دوره ‏4

 

44/0

42/0

40/0

58/0

 

25/0

36/0

38/0

50/0

 

الگوریتم‌های پیشنهادی برای حل مساله EMS در محیط برنامه‌نویسی C و GAMS پیاده‌سازی شده و با استفاده از یک کامپیوتر با ویژگی‏های‏ CPU 2.6GHz و RAM 4GB آزمایش شده است. برای مقایسه زمان اجرای الگوریتم پیشنهادشده، قدرمطلق زمان CPU در جدول (4) بیان شده است.

 

جدول (4): متوسط زمان محاسبه برای سیستم تحت مطالعه متناظر با 100 تکرار

MABC

MINLP

 

132

75

زمان اجرا (ثانیه)

 

مشخصه همگرایی الگوریتم پیشنهادی برای یک بازه زمانی در شکل (11) نشان داده شده است. ماکزیمم تکرار برروی 90 تکرار تنظیم شده است. همانطوری که از شکل مشاهده می‌شود، الگوریتم بعد از 68 تکرار همگرا شده است. به منظور کیفیت حل ارایه‌شده توسط الگوریتم EMS-MABC برای سیستم تحت مطالعه، کارایی الگوریتم برای 100 تکرار با نتایج به دست آمده از الگوریتم دیگر تحت مواردی از قبیل متوسط هزینه، مینیمم هزینه و انحراف استاندارد در جدول (5) ارایه شده است. همانطوری‏که در شکل (1) مشاهده می‌شود، آشکار است که الگویتم EMS-MABC پس از 68 تکرار به مینیمم هزینه خود رسیده است در صورتی‏که الگوریتم EMS-MINLP پس از 83 تکرار به مینمم مقدار خود رسیده است. همانطوری‏که در جدول (5) مشاهده می‌شود، مقدار متوسط در الگوریتم EMS-MABC خیلی به مقدار مینیمم هزینه نزدیک بوده و انحراف معیار نیز به مراتب پایین‌تر از الگوریتم دیگر است.

 

شکل (11): مشخصه همگرایی الگوریتم پیشنهادشده برای سیستم تحت مطالعه در یک بازه زمانی

 

جدول (5): مقایسه کیفیت راه‌حل برای سیستم تحت مطالعه

نام

الگوریتم

مینیمم

هزینه

متوسط

هزینه

انحراف

معیار

EMS-MABC

22/0

2279/0

0066/0

EMS-MINLP

23/0

2745/0

0425/0

 

6- نتیجه‌گیری

الگوریتم EMS-MABC در این مطالعه، به منظور تخمین عملکرد بهینه یک MG در دو حالت عملکرد (مستقل و متصل به شبکه) با توجه به تقاضای بار و قیود مربوط به منابع تولید انرژی تجدیدپذیر و تجدید ناپذیر، پیشنهاد شده است. مدیریت سمت تقاضا با کمک پاسخ تقاضا و با در نظر گرفتن مجموعه‌ای از بارهای قابل قطع برای سیستم تحت مطالعه انجام شده است. در نهایت، به منظور نشان‌دادن سرعت پاسخگویی الگوریتم پیشنهادی به وقوع هر رویدادی در سیستم و بررسی قابلیت نصب و سازگاری، سناریوهای مختلفی اعمال شده، سپس، بر روی سیستم میکروگرید IREC به شکل عملی نیز آزمایش شده‌اند. روشن است که روند بهینه‌سازی بر اساس نتایج به دست آمده به خوبی عمل کرده و می‌تواند مقدار توان بهینه منابع تولید را پس از در نظر گرفتن تابع هزینه هر یک از آنها با مینیمم‌نمودن هزینه کل تولید الکتریسیته تعیین کند. نتایج به‏دست‌آمده از الگوریتم پیشنهادی با الگوریتم مدیریت انرژی برپایه روش EMS-MINLP مقایسه شده، و نتایج به دست آمده گویای کاهش بیشتر هزینه کل تولید الکتریسیته در حدود 18 درصد در الگوریتم پیشنهادی است. علاوه بر این، الگوریتم پیشنهادی می‌تواند به منظور مدیریت انرژی در نیروگاه‌های کوچک منطقه‌ای که در آن‏ها از منابع انرژی تجدیدپذیر بهره می‌برند، استفاد شود. به عنوان ادامه پژوهش در این رابطه، بهینه‌سازی زمان حقیقی با در نظر گرفتن دیتای پیش‌بینی شده برای توان قابل دسترس منابع تجدیدپذیر در طول عملکرد روزانه سیستم، می‌تواند بررسی شود.

 

[1]          Marzband M., Sumper A., Ruiz-Álvarez A., Domínguez-García J. L., Tomoiag˘a B., “Experimental evaluation of a real time energy management system for stand-alone microgrids in day-ahead markets”, Applied Energy, Vol. 106, pp. 365-76, 2013.

[2]          Marzband M., Sumper A., Domínguez-García J. L., Gumara-Ferret R., “Experimental Validation of a Real Time Energy Management System for Microgrids in Islanded Mode Using a Local Day-Ahead Electricity Market and MINLP”, Energy Conversion and Management, Vol. 76, pp. 314-22, 2013.

[3]          Pedrasa M. A. A., Spooner T. D., MacGill I. F., “A novel energy service model and optimal scheduling algorithm for residential distributed energy resources”, ELECTR POW SYST RES, Vol. 81, No. 12, pp. 2155-63, 2011.

[4]          Khodr H., Halabi N. E., Gracia M. G., “Intelligent renewable microgrid scheduling controlled by a virtual power producer: A laboratory experience”, renew energy, Vol. 48, pp. 269-75, 2012.

[5]           Alvarez E., Campos A. M., Arboleya P., Guti_errez A., “Microgrid management with a quick response optimization algorithm for active power dispatch”, INT J ELEC POWER, Vol. 43, No. 1, pp. 465-73, 2012.

[6]          Jahromi M. E., Ehsan M., Meyabadi A. F., “A dynamic fuzzy interactive approach for DG expansion planning”, INT J ELEC POWER, Vol. 43, No. 1, pp. 1094-105, 2012.

[7]          Basu A. K., “Microgrids: Planning of fuel energy management by strategic deployment of CHP-based DERs- an evolutionary algorithm approach”, INT J ELEC POWER, Vol. 44, No. 1, pp. 326-36, 2013.

[8]          Peik-Herfeh M., Seifi H., Sheikh-El-Eslami M., “Decision making of a virtual power plant under uncertainties for bidding in a day-ahead market using point estimate method”, INT J Elec Power, Vol. 44, No. 1, pp. 88-98, 2013.

[9]          Liao X., Zhou J., Ouyang S., Zhang R., Zhang Y., “An adaptive chaotic artificial bee colony algorithm for short-term hydrothermal generation scheduling”, Electrical Power and Energy Systems, Vol. 53, pp. 34–42, 2013.

[10]          Rezaei-Adaryani M., Karami A., “Artificial bee colony algorithm for solving multi-objective optimal power flow problem”, Electrical Power and Energy Systems, Vol. 53, pp. 219–230, 2013.

[11]          Kilic U., Ayan K., “Optimizing power flow of AC–DC power systems using artificial bee colony algorithm”, Electrical Power and Energy Systems, Vol. 53, pp. 592–602, 2013.

[12]          Basu M., “Artificial bee colony optimization for multi-area economic dispatch”, Electrical Power and Energy Systems, Vol. 49, pp. 181–187, 2013.

[13]          Ruiz-Alvarez A, Colet-Subirachs A, Alvarez-Cuevas Figuerola F, Gomis-Bellmunt O, Sudria-Andreu A. “Operation of a utility connected microgrid using an IEC 61850-based multi-level management system”, IEEE Trans Smart Grid, Vol. 3, No. 2,  pp. 858–65, 2012.

[14]          Colet-Subirachs A., Ruiz-Alvarez A., Gomis-Bellmunt O., Alvarez-Cuevas-Figuerola F., Sudria-Andreu A., “Centralized and distributed active and reactive power control of a utility connected microgrid using IEC 61850”. IEEE Syst J, Vol. 6, No. 1, pp. 58–67, 2012.

[15]          Marzband M., Ghadimi M., Sumper A., Dom´ınguez-Garc´ıa J. L., “Experimental validation of a real-time energy management system using multi-period gravitational search algorithm for microgrids in islanded mode“, Applied Energy, Vol. 128, pp. 164–74.

 

 

 

 

پیوست 1

 

علائم اختصاری

 

Artificial Bee Colony

ABC

 

Distributed Energy Resource

DER

 

Dispatchable Generation Unit

DGU

 

Demand Response

DR

 

Energy Management System

EMS

 

Energy Storage

ES

 

Microgrid

MG

 

Local Energy Market

LEM

 

Multi-period Artificial Bee Colony

MABC

 

Mixed Integer Non Linear Programming

MINLP

 

Market Clearing Price

MCP

 

Micro Turbine

MT

 

Non-Responsive Load

NRL

 

Photovoltaic

PV

 

Responsive Load Demand

RLD

 

State Of Charge

SOC

 

Single Side Auction

SSA

 

Unit commitment

UC

 

Undelivered Power

UP

 

Wind Turbine

WT

 

 

نام متغیر

تعریف متغیر

واحد

M

تعداد دوره‌های شبیه‌سازی در بازه زمانی t

-

 

پیشنهاد قیمت انرژی تولید شده توسط منابع A در دوره t

 

توان تولیدشده/مصرف شده توسط منابع A در بازه زمانی t

 

kW

 

توان ورودی  ES در طول عملکرد شارژ

kW

 

توان خروجی  ES در طول عملکرد دشارژ

kW

 

توان خریداری شده از شبکه سراسری توسط MG

kW

 

توان فروخته شده به شبکه سراسری توسط MG

kW

 

هزینه پنالتی ناشی از توان تامین نشده (UP) در طول دوره زمانی t

 

مقدار متوسط فیمت تسویه بازار در الگوریتم EMS-MINLP

€/kWh

 

مقدار متوسط فیمت تسویه بازار در الگوریتم EMS-MABC

€/kWh