مدیریت نیروی محرکه الکتریکی و بهینه سازی مصرف در حضور منابع تغذیه هیبریدی

نوع مقاله: مقاله علمی فارسی

نویسندگان

1 کارشناسی ارشد، دانشکده فنی مهندسی، دانشگاه آزاد واحد تهران جنوب، تهران، ایران

2 استادیار، دانشکده و پژوهشکده فناوری اطلاعات و ارتباطات، دانشگاه جامع امام حسین (ع)، تهران، ایران

3 - دانشجوی دکتری تخصصی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایران

چکیده

بهره‌برداری از منابع تولید پراکنده و تجدید پذیر اگرچه پتانسیل بالایی دارند، اما ممکن است به علت طبیعت متغیرشان مشکل آفرین باشند. علاوه بر این، نوسان‌های باد و یا تغییرات شدید آب و هوایی می‌تواند به نوسان‌های موقتی در ولتاژ منجر شود. تحقیقات نشان می‌دهد که ذخیره سازی انرژی می‌تواند این طبیعت تصادفی را جبران کند و در بازه زمانی کوتاه بدون نیاز به قطع بار و یا به مدار آوردن منابع انرژی جدید مؤثر باشد. همچنین، بهره‌گیری از ذخیره‌سازهای انرژی برای یکنواخت کردن پروفیل توان و تنظیم ولتاژ در نقاط اتصال، امکان استفاده بهتر از توان تولیدی را فراهم می‌آورد و می‌تواند راه حلّ اقتصادی تلقی شود. در این راستا، در این مقاله یک سیستم مدیریت انرژی هوشمند به منظور بهینه کردن بهره‌برداری از سیستم الکتریکی نمونه و برنامه‌ریزی تولید و ذخیره انرژی طراحی شده است. روش پیشنهاد شده قادر است بسته به اهداف کاری مختلف و درجه اهمیت متناظرشان با استفاده از روش بهینه سازی پارتو نقاط کار بهینه را تعیین نماید. در این روش، ساعات استفاده و میزان استفاده از منابع مختلف انرژی به‌گونه‌ای که کمترین هزینه و پایین ترین آلودگی زیست- محیطی را به‌دست دهد، تعیین شده است. در نهایت، به منظور اعتبار سنجی الگوریتم پیشنهادی، روش با استفاده از نرم افزارهای MATLAB و GAMS بر روی یک سیستم پیشرانه الکتریکی نمونه پیاده و نتایج بحث و بررسی شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Control and Management of Electrical Propulsion and Optimal Consumption despite Multiple Electrical and Hybrid Sources

نویسندگان [English]

  • Ali Reza Pakkhesal 1
  • Habib allah Alami 2
  • Elias Ebrahimzadeh 3
1 Faculty of Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran
2 Faculty of Information and Communication Technology Engineering, Imam Hussein University, Tehran, Iran
3 Department of Electrical and Computer Engineering, Biomedical Engineering, University of Tehran, Tehran, Iran
چکیده [English]

Despite the high potential of distributed and renewable sources, their operation may cause problems because of their variability. Moreover, wind fluctuations or extreme weather changes may lead to temporary voltage fluctuations. Researches show that the energy storage can compensate this random nature effect and also it can be effective in a short duration, without requiring the load cut-off. Furthermore, utilizing the energy storing instruments provides more suitable conditions to use produced power and it can be considered as an economic solution. Therefore, in this paper a Smart Energy Management System has been designed in order to optimize the operation of a sample system, production planning, and energy storage. This study suggests the optimized method which can determine the optimized point depending on different goals and their relative effective coefficients. In this method, the usage time and the amount of usage of different energy sources have been determined so that the lowest cost and minimum environmental pollution has been achieved based on Pareto optimization. Eventually, in order to validate the proposed algorithm, this method has been implemented on an electrical propulsion sample system by MATLAB & GAMS software and related results are discussed.

کلیدواژه‌ها [English]

  • Energy storage
  • Optimal management of energy consumption
  • Integer Linear Programming
  • Pareto optimization

1-    مقدمه

[1]از آنجایی که امروزه مفاهیمی مانند قابلیت اطمینان، بهبود راندمان، تقلیل هزینه­های بهره برداری، بهره‌گیری مناسبتر از منابع انرژی و مدیریت بهینه آنها مرکز توجه بسیاری از صنایع تولیدی؛ بالاخص تولیدات صنعتی با کاربرد نظامی قرارگرفته است، نیاز است نگاهی عمیق­تر و بهتر در این خصوص افکنده شود. برای نمونه، در مرجع]1[ یک پیش بینی میان مدت (MTF) از میزان تابش خورشید و درجه حرارت هوا بر اساس رفتارشان در روزهای قبل در قالب یک تخمینگر عصبی- فازی انجام شده است. سپس با بهره­ گیری از فیلتر کالمن و مدل­سازی ARMA  به یک پیش بینی کوتاه مدت (STF) دست می‌یابد. با تغذیه مدل ریاضی سلول های خورشیدی از طریق MTF و  STFمیزان انرژی تولیدی روزانه و ساعت به ساعت به راحتی به­دست می­آید. مرجع] 2[ یک رشته از داده­های موجود برای میزان تابش آفتاب[1] را به عنوان نمونه بر روی حوزه­های فرکانسی- زمانی  نگاشت می­کند که در این فرایند از تبدیل موجک بهره می­گیرد و در هر حوزه از یک شبکه عصبی RBP برای پیش بینی میزان توان تولیدی حاصل از سلول‌های خورشیدی استفاده می­کند.

به طور کلی، می­توان گفت چندین عامل در رشد ذخیره سازهای انرژی نقش دارند ]3-10[ که عبارتند از:

  • تولید تصادفی حاصل از منابع تجدید پذیر و افزایش تغییرات آن در گذر زمان
  • رشد سریع ساختار شبکه انتقال با افزایش بار مصرفی
  • حضور سیستم­های با رفتار تصادفی

نیاز روز افزون به قابلیت اعتماد و امنیت در تأمین انرژی الکتریکی مدیریت انرژی فرآیندی است؛ شامل انتخاب مجموعه­ای از تولیدات که بتواند مجموعه­ای از بارها را با کمترین هزینه و تلفات تأمین کند. از این رو، در حل مسأله مدیریت هوشمند تلاش شده است تابع هزینه با فرض عدم قطع بار به حالت بهینه برسد؛ به این صورت که اگر بار موجود در سیستم نتواند از طریق تولیدات پراکنده در محل تأمین شود، باید از طریق دیگری که البته قیمت بالاتری دارد، تهیه شود. در مرجع ]11 [روش هوشمندی برای کنترل توان برای عملکرد خودگردان سیستم­ ارائه شده است. روش کنترلی مذکور مبتنی بر یک واحد تخمین­گر تطبیقی (AEU[2]) است که می­تواند دامنه، فاز و فرکانس مؤلفه­های توان اکتیو و راکتیو را تخمین بزند (شکل 1) و در قالب یک الگوریتم ردیابی سینوسی (STA[3]) پیاده سازی می­شود. در انتها، درستی روش فوق بریک سیستم نمونه تست می­شود و به اثبات می‌رسد. در مرجع [12] از یک روش ترکیبی برای پیش بینی انرژی خورشیدی استفاده شده است؛ به عبارت دیگر، با بهره­گیری از خواص دینامیکی شبکه­های عصبی بازگشتی (RNN[4]) و نگاشت تبدیل موجک از پدیده­های غیر خطی، به یک شبکه عصبی قطری بازگشتی مبتنی بر تبدیل موجک(DRWNN[5]) دست یافته است. به کاربردهای مختلف شبکه های عصبی در بحث انرژی­های نو بر طبق یک فهرست موضوعی در مرجع] 13[ اشاره می­شود؛ از قبیل کاربرد تکنیک­های هوشمند عصبی در مدل­سازی، طراحی و پیش بینی توان تولیدی منابع انرژی های تجدیدپذیر. در مراجع] 14-15[  نویسنده ضمن اشاره به برنامه­ریزی عدد صحیح انرژی­های تجدید پذیر در سیستم‌های هوشمند، بر آن است که روش­های مرسوم مدیریت انرژی را بهبود بخشد و در نهایت روش مزبور را در یک شبکه نمونه، تست و برتری آن را به اثبات می‏رساند. بسیاری از مراجع مذکور با معرفی یک سیستم تولید و ذخیره توان، در واقع تنها به ارائه یک الگو بسنده و یا به برتری توانی یا راندمانی الگوی خود اشاره کرده اند. در ساختار طرح پیشنهادی این مقاله، علاوه بر استفاده از منابع متعدد و متنوع تولید انرژی الکتریکی و نگاه کامل به ذخیره و تولید در کنار استفاده از منابع تولید تجدیدپذیر از یک منظر و اولویت دادن به هر بخش، بنا به محدودیت‌های منابع و خواسته های اپراتور از سویی دیگر پرداخته شده است.

 

 

شکل (1): دیاگرام بلوکیAEU

 

در این تحقیق سعی شده است ضمن پرداختن به اصل "برنامه­ریزی و مدیریت هوشمند انرژی"، با معرفی یک سیستم الکتریکی جامع ترکیبی (هیبریدی) - نظیر یک سیستم پیشرانه الکتریکی که طیف وسیعی از منابع تولید و ذخیره انرژی را در اختیار داشته باشد- اجرای این روش‌های هوشمند مدیریتی و کنترلی تولید و ذخیره انرژی تحقیق و مطالعه شود. در این مقاله سیستم الکتریکی هیبریدی با منابع انرژی های نو که با تولید متغیر و عدم قطعیت همراه است، با حضور ذخیره سازها در نظر گرفته شده است. همچنین، در ساعات مختلف که میزان تولید/میزان بار تغییر می کند، میزان مصرف و میزان بهره برداری از هر منبع انرژی با استفاده از روش توابع چند هدفه بهینه شده است. در واقع، در این مقاله نگاه چند منظوره ای به مسائل تامین انرژی با حفظ قیود اقتصادی از یک منظر و مسأله زیست- محیطی از منظری دیگر طرح گردیده است. روش پیشنهادی به مصرف کننده این امکان را می­دهد تا مهمترین قید تاکیدی خود را عنوان و نتیجه عملیاتی مناسب را با توجه به قیود مطرح شده، دریافت کند. علاوه بر این موضوع، حل مسأله با چند قید همزمان (تابع چند هدفه) و به دست آوردن مجموعه جواب در نقاط کار مختلف، امکان انتخاب بهترین نقطه کار از دیدگاه مصرف کننده را مهیا می سازد. تمامی موارد ذکر شده، از جمله مزایای روش پیشنهادی است که مطالعات گذشته به این جامعیت به آن نپرداخته اند.

 

2-           بهره‌بردای هوشمند از یک ریز شبکه الکتریکی

برنامه­ریزی دقیق منابع انرژی در یک سیستم الکتریکی از درجه اهمیت بالایی برخوردار است ، زیرا بهبود بهره‌برداری از سیستم چه از لحاظ اقتصادی، چه از نظر زیست- محیطی و کاهش آلودگی وچه از نظر قابلیت اطمینان و پایداری شبکه مهم خواهد بود. لذا ارائه روش‌های بهینه سازی مناسب در جهت رفع این مشکل امری لازم و ضروری است. از طرفی باید توجه داشت این حوزه مسائل زیادی، ازجمله بهینه سازی همزمان چندین تابع هدف را شامل می شود. معمولاً این توابع هدف غیر همجنس، متباین و اغلب در تضاد با یکدیگر هستند. بهینه سازی چندهدفه با توابع هدف متناقض به ایجاد یک مجموعه جواب به جای یک جواب بهینه منجر می‌شود ]16-17[. دلیل بهینه بودن تعداد زیادی از جواب­ها این است که با در نظر داشتن همة توابع هدف به طور همزمان هیچ جوابی نمی­تواند همة توابع هدف را بهینه کند. این مجموعه جواب بهینه به عنوان مجموعه بهینه پارتو[6]شناخته می­شود] 18[. یک مسألة بهینه سازی چندهدفه کلی شامل تعدادی تابع هدف است که باید همزمان بهینه شوند و تعدادی قید تساوی و نامساوی که باید رعایت شوند. بنابراین، مسأله را  می توان به صورت زیر فرمول بندی کرد:

(1)

 

 

که در رابطه فوقF بردار حاوی توابع هدف و X بردار شامل متغیرهای بهینه سازی است. نماینده امین تابع هدف و  و  به ترتیب بیانگر قیدهای نامساوی و تساوی است. همچنین بر تعداد توابع هدف موجود در مسأله دلالت دارد. در یک مسألة بهینه سازی چندهدفه جواب­های و می توانند یکی از این دو حالت را داشته باشند: یکی دیگری را مغلوب[7] کند یا هیچ­کدام یکدیگر را مغلوب نکنند. به­طور کلی، در یک مسألة بهینه سازی اگر هر دو شرط زیر برقرار شوند، آنگاه جواب  را مغلوب می کند:

(2)

 

 

اگر جواب  را مغلوب کند، آنگاه جواب غیر مغلوب[8] یا غالب نامیده می­شود و جواب هایی که در کل فضای جستجو مسلط باشند، مجموعه جواب بهینه پارتو را تشکیل می‌دهند.

 

1- 2 – 1 – مدل سازی مسأله بهره برداری هوشمند از ریز شبکه نمونه

سیستم های هوشمند به سیستم هایی گفته می شود که سیستم به صورت خودکار و اتوماتیک وضعیت خود را با تغییر شرایط و داده ها به صورت آنلاین تغییر و در حالت بهینه قرار می دهد. به­عبارت دیگر، مدیریت بهره برداری هوشمند عبارت­ است از مدیریت دینامیکی سیستم ها با توجه به شرایط متغیر محیط؛ چنانکه در این مقاله به صورت هوشمند با توجه به تغییر شرایط محیطی، میزان بهره برداری از سیستم­ها (دیسپاچینگ سیستم ها) تغییر می کند. در این تحقیق مسأله بهره­برداری از شبکه به صورت تابعی بهینه­ساز با دو هدف غیرهمسان پیاده سازی می­شود که در آن هزینه کل بهره­برداری از سیستم محرکه و میزان آلودگی ناشی از آلاینده­ها  به طور همزمان بررسی می­شود.

 

2- 2– 2- توابع هدف

  • تابع هدف اول : حداقل سازی کل هزینه بهره‌برداری

هزینه کل بهره­برداری از سیستم مذکور در حقیقت شامل هزینه­های سوخت منابع تولیدی و هزینه مربوط به روشن یا خاموش شدن آنهاست. خروجی این تابع هدف معرفی مجموعه­ای از توان­های تولیدی مربوط به واحدها و در بازه زمانی خاصی است که در شرایط بهینه اقتصادی محاسبه شده است. به این ترتیب، اولین تابع هدف به صورت رابطه (3) بیان می‌گردد:

 

 

(3)

 

در این رابطه بیانگر کل ساعات مورد مطالعه است و و  به ترتیب بر کل تعداد واحدهای تولیدی و عناصر ذخیره کننده انرژی دلالت دارد. نشان دهنده وضعیت روشن (عدد 1) و یا خاموش بودن (عدد 0) واحد ام در زمان  است و و نیز به توان خروجی واحد ام و ذخیره کننده ام در زمان  اشاره دارد. و بترتیب تابع هزینه واحدهای تولیدی و عناصر ذخیره کننده است و هزینه راه اندازی متناظرشان با  و مدل می شود.

  • تابع هدف دوم : حداقل سازی کل آلودگی ناشی از آلاینده­ها

به منظور در نظر گرفتن اثرهای مخرب زیست- محیطی ناشی از آلاینده­های موجود، میزان آلودگی به عنوان هدف دوم در حل مسأله بهینه­سازی لحاظ می شود. در این راستا از شایعترین آلاینده­ها نظیر دی اکسید گوگرد (SO2)، اکسیدهای نیتروژن (NOx) و دی­اکسید کربن (CO2) استفاده می­شود. مدل ریاضی دومین تابع هدف مشابه با رابطه (4) بوده، تنها میزان آلودگی ناشی از واحدها و یا ذخیره کننده­های انرژی جایگزین قیمت پیشنهادی آنها می‌شود.

 

(4)

 

در این رابطه  و  به ترتیب به میزان آلودگی ناشی از واحد ام و ذخیره کننده ام در زمان  و بر حسب  اشاره دارد که از قرار زیر هستند:

 

(5)

 

(6)

 

 

که عبارات شامل ،  و در هر یک از روابط فوق به ترتیب بیانگر میزان تصاعد دی اکسید گوگرد، اکسیدهای نیتروژن و دی اکسید کربن از منبع مربوطه در زمان  است.

 

3- 2 – 3 - قیود مسأله

  • تعادل بار-تولید :

مهمترین شرطی­که در واقع پایه بهره­برداری از یک سیستم به حساب می­آید، تعادل میان میزان بار و مجموع توان تولیدی واحدها در هر زمان است که به صورت رابطه (7) بیان می­گردد.

(7)

 

در رابطه فوق بیانگر میزان بار ام وارد بر سیستم و در زمان  و تعداد کل سطوح بارهاست.

  • محدودیت توان اکتیو :

تمامی منابع انرژی به دلایل فنی و مشخصه­های عملکردی خود لازم است در محدوده توانی خاصی مطابق رابطه (3-8) عمل کنند:

(8)

 

 

که و به ترتیب بیانگر حداقل توان اکتیو تولیدی واحدهای پراکنده و ذخیره کننده­­های انرژی است و و نشان دهنده ماکزیمم توان تولیدی آنها در زمان  است.

  • محدودیت میزان شارژ و دشارژ ذخیره کننده­های انرژی :

از آنجایی که ذخیره کننده­های انرژی در هر بخش معینی از زمان قادرند میزان معینی به شارژ خود اضافه کنند یا دشارژ شوند، لذا دارای محدودیت­هایی از لحاظ نرخ شارژ یا دشارژ و توان تحویلی در هر ساعت مطابق روابط (9) و (10) هستند:

(9)

 

(10)

 

 

که  و  به ترتیب نمایانگر میزان انرژی ذخیره ساز ام در ساعت فعلی و قبلی  است و  و به ترتیب نشان دهنده میزان مجاز توان مصرفی (شارژ) و یا تولیدی (دشارژ) ذخیره کننده در زمان فعلی هستند که بین مقادیر حداقل صفر و حداکثرهای  و  محدود هستند. به طور مشابه کمیت­های و  راندمان­های کلی عملکردی را بیان می کنند که  به ترتیب نمایانگر راندمان شارژ و یا دشارژ ذخیره کننده مزبور هستند. در این تحقیق به منظور بررسی رفتار المان­های موجود در سیستم از بازه‌های کوتاه مدت ساعت به ساعت ( ) و افق زمانی بلند مدت (24 ساعته) استفاده شده است.

 

  • محدودیت رزرو :

برای عملکرد مطمئن سیستم الکتریکی و همچنین افزایش قابلیت اطمینان، نیاز است که سطحی از رزرو در نظرگرفته شود تا اگر به هر دلیلی سیستم اصلی دچار مشکل شود، بتواند بارمصرفی خود را بدون بروز اخلال تأمین کند. به همین علت، در شبیه سازی ها این قید اعمال شده است که در هر ساعت همواره حداقل به اندازه بزرگترین منبع انرژی رزرو درنظر گرفته شده است، تا اگر یک منبع انرژی اصلی از سیستم جدا شود، این کمبود توان توسط منابع دیگر درون سیستم بتواند جبران شود.

(11)

 

 

3-      سیستم الکتریکی مورد مطالعه

به­کارگیری منابع کوچک انرژی به صورت منفرد می‌تواند به بروز مشکلاتی منجر شود؛ اگر چه گاهی راه حل مشکل نیز تلقی می­شود. لذا یک روش بهتر برای استفاده مناسبتر از این واحدها، در نظر گرفتن مجموعه ای از تولیدات به همراه بارهای محلی مربوطه به صورت یک زیر سیستم و یا ریز شبکه است.

 

 

درپوش دسترسی

حسگر سرعت

جعبه سیاه اضطراری شناور

حسگر عمق‌‏‎ _حرارت‌‏‎ _ رسانایی‌‏‎

سیستم پیشرانش

آنتن رادیویی

پانل های خورشیدی

هشدار صوتی و فلاشر

ترانسدیوسر اکوستیکی

بال

بدنه

ارتفاع سنج

آنتن ماهواره ای/ GPS

 

شکل (2): یک پیشرانه نمونه مجهز به پانل‌های خورشیدی برای استفاده از منبع انرژی تجدیدپذیر

 

 

در این مقاله، یک سیستم الکتریکی نمونه­ در سطح ولتاژ پایین (L.V) فرض می­شود که که طیف متنوعی از مولدهای انرژی الکتریکی مانند: میکروتوربین، پیل سوختی، فتوولتائیک و باتری در اختیار باشند (شکل2). همچنین هسته کنترل مرکزی شبکه (SEMS [9]) از طریق کنترلرهای اصلی سیستم عمل برنامه­ریزی تولید، ذخیره و یا تبادل توان میان بخش­های مختلف سیستم را به­عهده می­گیرد. سیستم محرک یک پیشرانه در شکل (3) و کل بار الکتریکی وارد بر سیستم، اعم از رانشی، وادارنده، روشنایی داخلی و غیره در یک روز منتخب (منحنی بار کل ریزشبکه) در شکل (4) رسم شده است.

 

شکل (3): سیستم نیروی محرکه الکتریکی

 

شکل (4): منحنی بار ریز شبکه نمونه در یک روز مشخص

 

همچنین، کلیه مشخصات فنی و قیود عملکردی واحدهای تولید پراکنده در جداول 1 و 2 نشان داده شده است. از آنجایی که در تأمین توان مورد نیاز سیستم رانشی از انرژی­های تجدید پذیر نظیر انرژی خورشیدی استفاده شده است، ارزیابی مناسب آنها در بهبود بهره برداری از سیستم امری ضروری خواهد بود. به این منظور، از یک الگوریتم تخمین­گر نظیر شبکه عصبی برای پیش بینی میزان توان حاصل از این منابع انرژی در ریز شبکه نمونه بهره گرفته می­شود. میزان توان خروجی پیش بینی شده برای واحد خورشیدی در جدول 3 نشان داده شده است.

 

جدول (1): حدود توانی واحدهای تولیدی

ID

Type

Min Power(kW)

Max Power(kW)

1

Micro turbine (MT)

1

100

2

Fuel Cell (FC)

3

100

3

Photovoltaic (PV)

0

25

4

Diesel Generator (DG)

3

150

5

Battery (Batt.)*

-25

25

* علامت مثبت در باتری به منزله تحویل توان به سیستم یا وضعیت دشارژ باتری­­ و علامت منفی به منزله جذب توان یا وضعیت شارژ باتری است.

 

جدول (2): مشخصه­های فنی و عملکردی واحدهای تولید پراکنده (میزان آلاینده ها)

ID

type

Start-up/Shut-down cost (Ect)

CO2 (kg/MWh)

SO2 (kg/MWh)

NOx (kg/MWh)

1

MT

9

720

0036/0

1/0

2

FC

16

460

003/0

007/0

3

PV

0

0

0

0

4

DG

0

650

23/0

10

5

Batt.

0

4/12

0

0

 

جدول (3): میزان توان خروجی پیش بینی شده برای واحد خورشیدی

Hour

PV /Installed

Hour

PV /Installed

1

0

13

318/0

2

0

14

433/0

3

0

15

37/0

4

0

16

403/0

5

0

17

33/0

6

0

18

238/0

7

002/0

19

133/0

8

008/0

20

043/0

9

035/0

21

003/0

10

1/0

22

0

11

23/0

23

0

12

233/0

24

0

 

 

4-   ارزیابی الگوریتم بهینه‌سازی پیشنهادی

در این بخش، الگوریتم پیشنهادی برای حل مسأله مدیریت بهره­برداری از شبکه نمونه پیاده­سازی و عملکرد آن در تخصیص تولید و یا ذخیره توان با در نظر گرفتن اهداف اقتصادی و زیست محیطی بررسی می شود. در تمامی مدل‌های پیشنهادی کلیه هزینه­های مربوط به بهره‌برداری از شبکه در نظر گرفته می­شود و آلودگی ناشی از تمام آلاینده‌های موجود لحاظ می­گردد. از طرفی ضروری است تا مسأله بهینه سازی  با توجه به هر تابع هدف جداگانه حل شود و سپس با در دست داشتن مقادیر مختلف توابع  هدف و تجمیع آنها در یک قالب مشخص به حل مسأله کلی پرداخته شود. اضافه می گردد که حل مسأله بهینه سازی مطرح در این مقاله از دسته مسائل برنامه ریزی خطی اعداد صحیح [10] محسوب می شود که به­علت پیچیدگی مدل برای حل آن از نرم افزار GAMS[11] کمک گرفته شده است. این نرم افزار از سرعت بسیار بالایی در حل مسائل بهینه سازی مدل­های بزرگ و پیچیده برخوردار است و معمولا برای حل مسائل برنامه ریزی خطی (LP)، برنامه ریزی غیرخطی (NLP) و برنامه ریزی اعداد صحیح مختلط (خطی و غیرخطی) به­کار می رود. همچنین، سعی می­شود به منظور شناسایی بهتر هزینه­ها و آلودگی­های موجود در شبکه و ارزیابی میزان آنها در شرایط کاری مختلف، نخست چندین سناریوی مختلف از وضعیت کاری ریز شبکه طرح شود و سپس بر مبنای محاسبات صورت گرفته و نتایج به­دست آمده تصمیمات مناسب برای ساخت مدل نهایی اتخاذ شود.

 

4-1- سناریوی اول

در اولین سناریوی پیشنهادی فرض می­شود سیستم الکتریکی در پیشرانه مورد مطالعه و اجزای محرکة آن طوری مدیریت و برنامه­ریزی شوند که کمترین هزینه بهره­برداری به­دست آید. در این صورت، تخصیص نقاط کار بهینه به واحدهای تولیدی با در نظر گرفتن تک هدف اقتصادی در جدول 4 و شکل (5) نشان داده شده است. در واقع، پس از حل معادلات موجود با تاکید بر مسأله اقتصادی، اعداد بهینه منابع در جدول و شکل مذکور نمایش داده شده­اند. با توجه به معادلات توانی منابع موجود، حداقل و حداکثر شدن هریک از پارامترها، به پیش شرط های انتخابی در حل مسأله وابسته است؛ مانند وضعیت کاری سیستم اصلی پیش­رانش که شامل وضیعت شتاب گیری، حالت یکنواخت و کاهش سرعت است. برای مثال، در وضعیت ترمزی (کاهش سرعت) مولدها وظیفه شارژ باتری را نیز به­عهده دارند. باتری ها (Batt.) در دو وضعیت دیگر نیز شارژ می شوند: اول حالت کم باری (ساعات ابتدایی صبح) و دوم وقتی که وضعیت شارژ آنها به زیر 30 درصد برسد. در ساعات پیک بار (21 به بعد) باتری ها در مدار قرار گرفته، به تامین انرژی می‌پردازند. همچنین، در ستون مربوط به پیل سوختی (FC) مشاهده می شود که در تمام ساعات این مولد با حداکثر توان کار می کند. علت این امر از یک سو ثابت و کم هزینه بودن  تولید این سیستم و از سوی دیگر، هزینه بالای راه اندازی و خاموش کردن آن است. میکروتوربین (MT) نیز در تمام ساعات شبانه روز روشن است و به‌علت هزینه بالای راه اندازی/خاموش سازی از روشن و خاموش شدن آن پرهیز می شود. همچنین، از ساعت 8 تا 23 که دوره میان باری و پیک بار است، با تمام ظرفیت مشغول تولید انرژی الکتریکی است. از طرفی، مسأله مهم دوم توجه به زمان است. در برخی از ساعات شبانه روز امکان به­کار گیری تمامی منابع وجود ندارد. برای مثال، همان­طور که در جدول ملاحظه می شود، در شب سلول‌های خورشیدی (PV) قادر به تولید توان نبوده و با عدد صفر مشخص شده اند و حداکثر توان خود را در ساعات میانی روز که بیشترین تابش خورشید وجود دارد (ساعات 13 تا 17) تولید کرده اند. در جدول (4) مشاهده می شود که دیزل ژنراتور (DG) به­علت هزینه بالای سوخت آخرین مولدی است که تغذیه بار را به­عهده دارد. در نهایت، از حل شرایط موجود، مقادیر توان های بهینه هریک از منابع به­دست می آید. چنانکه اشاره شد، از نظر اقتصادی در ساعات اولیه کار سیستم، بخش عمده­ای از بار توسط پیل سوختی تأمین می­شود؛ چراکه قیمت آن در این ساعات به نسبت پایین­تر از سایر واحدهاست، اما با اوج گرفتن بار، سایر واحدها با قیمت­های تمام شده پایین‌تر خروجی خود را افزایش می­دهند تا تعادل بار- تولید در هزینه پایین­تر برقرار شود. باید توجه کرد زیر سیستم مدیریت انرژی سعی می‌نماید فرایند شارژ باتری را در ساعات کم باری و در هزینه پایین‌تر انجام دهد؛ حال آنکه عمل دشارژ را تا ساعات پیک بار به تعویق بیندازد.


 

جدول (4): تخصیص نقاط کار بهینه به واحدهای تولیدی با در نظر گرفتن تابع هدف اقتصادی (kW)

Hour

MT

FC

PV

DG

Batt.

 

7514/28

100

0

3

-2514/2

2

60562/48

100

0

3

-00562/6

3

00841/52

100

0

3

-2084/14

4

21236/59

100

0

3

4124/21-

5

41236/48

100

0

3

-4124/11

6

53648/39

100

0

3

-73648/1

7

434/58

100

05/0

3

-484/1

8

8/80

100

2/0

3

0

9

100

100

875/0

925/9

10

10

100

100

5/2

5/25

20

11

100

100

75/5

60745/45

04255/19

12

100

100

825/5

33245/84

042553/9

13

100

100

95/7

65/75

10

14

100

100

825/10

975/81

0

15

100

100

25/9

55/75

0

16

100

100

075/10

06786/76

-14286/2

17

100

100

25/8

89286/83

-1429/12

18

100

100

95/5

5929/110

-1429/22

19

100

100

325/3

8179/120

1429/12-

20

100

100

075/1

6679/122

-14286/2

21

100

100

075/0

4679/118

857143/7

22

100

100

0

94286/46

85714/17

23

100

100

0

11

25

24

77872/76

100

0

3

02128/17

 

شکل (5): عملکرد بهینه منابع تولیدی موجود با شرط حداقل هزینه بهره برداری

 


4-2- سناریوی دوم

در دومین سناریوی پیشنهادی فرض می‌شود بخش کنترلی پیشرانه طوری مدیریت و برنامه­ریزی می شود تا کمترین آلودگی زیست- محیطی در بهره­برداری - صرف نظر از آنکه به لحاظ اقتصادی چه هزینه­ای بر سیستم تحمیل خواهد شد- نتیجه شود. در این صورت، تخصیص نقاط کار بهینه به واحدهای تولیدی با در نظر گرفتن تک هدف زیست- محیطی (آلودگی) به صورت نتایج نشان داده شده در جدول (5) و شکل (6) است.


 

جدول (5): تخصیص نقاط کار بهینه به واحدهای تولیدی با در نظر گرفتن تابع هدف زیست- محیطی

Hour

MT

FC

PV

DG

Batt.

1

6

100

0

8274/29

-3274/6

2

6

100

0

9274/35

672604/3

3

6

100

0

96627/35

-16627/1

4

6

100

0

96627/45

-1663/11

5

6

100

0

16627/35

-16627/1

6

6

100

0

96627/45

-1663/11

7

6

100

05/0

11627/55

-16627/1

8

6

100

2/0

52876/86

-73/8E+00

9

6

100

875/0

5729/129

-6479/15

10

6

100

5/2

147/145

-647865/5

11

29786/10

100

75/5

150

352138/4

12

02286/29

100

825/5

150

35214/14

13

29786/11

100

95/7

150

35214/24

14

87853/15

100

825/10

150

09647/16

15

45353/19

100

25/9

150

096474/6

16

08926/21

100

075/10

150

835745/2

17

91426/28

100

25/8

150

-16426/7

18

61426/55

100

95/5

150

-1643/17

19

83926/65

100

325/3

150

-16426/7

20

68926/67

100

075/1

150

835745/2

21

48926/63

100

075/0

150

83574/12

22

6

100

0

150

8/8

23

6

100

0

9787/122

021277/7

24

6

100

0

77872/73

02128/17

 

 

شکل (6): عملکرد بهینه منابع تولیدی موجود با شرط حداقل آلودگی ناشی از بهره برداری

 

 

با عوض شدن هدف بهره­برداری از رویکرد اقتصادی به زیست- ­محیطی مشاهده می­شود (جدول (5) و شکل (6)) در نتایج شبیه­­سازی تغییرات شگرفی رخ می­دهد. خلاف آنچه در حالت اول عنوان شد، اکنون از واحدهایی بیشتر بهره‌برداری می­شود که از حجم آلودگی کمتری برخوردار ند. بدین سان تمایل به تأمین توان از طریق واحدهای خورشیدی و پیل سوختی به جهت آلودگی کمتر به حداکثر میزان خود می­رسد؛ حال آنکه تبادل انرژی با سایر منابع انرژی افت می کند. مقایسه جدول­های (3) و (5) نشان می‌دهد نیروگاه خورشیدی و پیل سوختی در تمام ساعات با حداکثر توان خود کار می کنند و در اولویت اول تولید انرژی قرار دارند. همچنین، جدول (5) نشان می دهد میکروتوربین که طبق جدول (2) آلاینده ترین منبع تولید مورد مطالعه است، آخرین گزینه تامین انرژی بوده و دیزل ژنراتور در رده ماقبل آخر قرار دارد.

اکنون که پیاده سازی سناریوهای مختلف در خصوص بهره­برداری از سیستم نمونه به پایان رسید و بحث و تحقیق در باب هر یک به تفصیل انجام شد، لازم است با مقایسه کلی نتایج حاصله چندین نکته را خاطر نشان ­کنیم:

- طرح الگوهای مختلف بهره­برداری از سیستم الکتریکی مزبور به شدت به اهداف کاربران سیستم وابسته است و لذا با تغییر نوع هدف، رویه بهره­برداری نیز تغییر خواهد نمود.

- اعمال سناریوهای مختلف عملکردی در یک سیستم علاوه بر تصمیمات انسانی بسته به شرایط محیطی نیز هست؛ چراکه گاهی به سبب قیدهای بیرونی کاربران سیستم ناگزیرند نوع بهره­برداری از سیستم را عوض کنند.

- ارائه یک نقطه کار بهینه برای عمل مناسب یک سیستم الکتریکی همواره میسر نیست؛ زیرا گاهی انتخاب نوع بهره­برداری منوط به ارضای همزمان چندین هدف است که الزاماً این اهداف از یک سنخ نیستند (متباین هستند) و لذا در این حالت نیاز است با ارائه مجموعه­ای از نقاط کار بهینه، نوع بهره­برداری معین شود.

 

4-3- سناریوی سوم

با توجه به مطالب ذکر شده، مشخص می­شود که به منظور تکمیل یک طرح برنامه­ریز هوشمند که قادر باشد بسته به شرایط مختلف، تصمیمات مناسب را اتخاذ کند حضور چند فاکتور الزامی است:

اول آنکه طرح پیشنهادی جامع و منعطف باشد؛ یعنی قابلیت انطباق با هر تغییر شرایط و یا اعمال نظر را دارا باشد؛

دوم آنکه مدل چند هدفه باشد؛ بدان معنی که در مسیر رسیدن به جواب یا جواب­های بهینه، تعداد معینی از اهداف را بسته به نظر کاربران و شرایط مسأله مد نظر قرار دهد؛ سوم آنکه در حل یک مسأله بهره­برداری تا حد امکان شرایط نزدیک به واقعیت مدل و برای مدل پیشنهادی جواب مناسب در زمان کافی ارائه شود.

با این اوصاف، سعی می­شود در ارائه مدل نهاییِ بهینه‌ساز چند هدفه فاکتورهای یاد شده به دقت رعایت و پیاده سازی شوند. بدین منظور، فرض می­شود مجدداً در سیستم نمونه تمامی واحدها مجازند بنا به شرایط در ساعاتی از بازه کاری در مدار حضور داشته باشند و یا خاموش باقی بمانند؛ به عبارتی دیگر، تمامی مولدها اینک علاوه بر هزینه تولید انرژی و آلودگی ناشی از آن، متحمل هزینه­ای بابت روشن و یا خاموش شدن نیز بشوند. از این رو، نیاز است در مدل سازی تابع هزینه، تغییر وضعیت واحدها نیز لحاظ شود. همچنین، با در نظر گرفتن توابع هدف مختلف، از آنجایی که هیچ جوابی نمی­تواند تمامی توابع هدف­ را به طور همزمان به نقطه ایده ال یا ماکزیمم برساند، مجموعه جواب های بهینه پارتو برای بهره­برداری از سیستم معرفی می­شوند؛ به گونه­ای که هر یک از جواب های موجود در مجموعه جواب های به دست آمده بیانگر یک الگوی بهره‌برداری خاص و نوعی تغییر کاربری سیستم بر مبنای مصالحه بین اهداف مختلف (هزینه، آلودگی) است. در شکل (7) منحنی جواب های پارتو حاصل از بهینه سازی دو هدفه مسأله مدیریت هوشمند انرژی در زیر سیستم الکتریکی یک پیشرانه نمونه نشان داده شده است. از شکل فوق به خوبی پیداست که روش بهینه سازی پیشنهادی قادر است بسته به اهداف کاری مختلف و درجه اهمیت متناظرشان نقاط کار بهینه را تعیین نماید و در مسیر رسیدن به مجموعه جواب های بهینه بهترین عملکرد را نیز نتیجه دهد. در همین خصوص باید اضافه نمود از آنجایی­که اهداف اقتصادی و زیست- محیطی در مسأله بهره­برداری مذکور در تقابل با یکدیگر هستند، حرکت از نقاط ابتدایی نمودارها به سمت نقاط انتهایی آنها و بر مسیر پارتو به معنای تغییر الگوی بهره­برداری از آلودگی کمتر و هزینه بیشتر به سوی آلودگی بیشتر و هزینه پایین­تر است؛ به طوری­که در قسمت بالا و سمت چپ شکل (7) نقطه کار با بیشترین هزینه و کمترین آلودگی زیست- محیطی و در قسمت پایین و سمت راست نقطه کار با کمترین هزینه و بیشترین آلودگی زیست- محیطی مشاهده می شود.

 

 

 

 

 

 

شکل (7): منحنی جواب های پارتو حاصل از بهینه سازی مسأله مدیریت هوشمند انرژی دو هدفه

 

 


5- نتیجه‌گیری

در این تحقیق، مدیریت انرژی الکتریکی هوشمند در یک سیستم پیشرانه الکتریکی نمونه که مجهز به مولدهای انرژی الکتریکی مانند: سلول های خورشیدی، پیل سوختی، میکرو توربین و باتری است، بررسی شده است. مسأله بهینه سازی با دو تابع هدف متباین هزینه بهره برداری و آلودگی محیط زیست تعریف شد و با استفاده از روش برنامه ریزی عدد صحیح مجموعه جواب های بهینه پارتو به­دست آمد. روش پیشنهادی نشان داد که سیستم مدیریت انرژی یا اپراتور سیستم الکتریکی یک پیشرانه قادر است بسته به اهداف کاری مختلف و درجه اهمیت متناظرشان نقاط کار بهینه را تعیین نماید و در مسیر رسیدن به مجموعه جواب های بهینه بهترین عملکرد را نیز به­دست آورد. در روش پیشنهادی، ساعات استفاده و میزان استفاده از منابع مختلف انرژی به­گونه­ای که کمترین هزینه و پایین ترین آلودگی زیست- محیطی را به­دست دهد، تعیین شده است. در همین خصوص باید اضافه نمود از آنجایی­که اهداف اقتصادی و زیست- محیطی در مسأله بهره­برداری مذکور در تقابل با یکدیگر هستند، حرکت از نقاط ابتدایی نمودارها به سمت نقاط انتهایی آنها و بر مسیر پارتو به معنای تغییر الگوی بهره­برداری از آلودگی کمتر و هزینه بیشتر به آلودگی بیشتر و هزینه پایین­تر است.

در نهایت، می توان گفت در این مطالعه، یک سیستم مدیریت انرژی هوشمند (SEMS) به منظور بهینه کردن بهره­برداری از سیستم نمونه و برنامه­ریزی تولید و ذخیره انرژی طراحی شده است. از سویی، چون توابع بهینه سازی به طور گسترده به پروفیل بار سیستم و گاهی به میزان انرژی قابل حصول از یک منبع خاص (نظیر انرژی خورشیدی) وابسته است، بخش پیش بینی کننده ای برای ارزیابی میزان بار و یا انرژی تولیدی در بازه زمانی مورد مطالعه برای SEMS ارائه شده است. همچنین، با ارائه یک الگوریتم پیش بینی کننده مناسب،  پارامترهای مزبور برای بازه­های کوتاه ساعت به ساعت پیش بینی شده است.

با توجه به الگوریتم پیش بینی کننده در مطالعات بعدی سعی شده است اطلاعات خروجی با دقت مناسب از بخش پیش بینی کننده، برای تغذیه  قسمت بهینه سازی ارائه شود که این فرایند خود می­تواند مبتنی بر روش تحلیلی ریاضی و یا یک الگوریتم تلفیقی نظیر الگوریتم­های تکاملی و منطق فازی ­باشد.



1تاریخ ارسال مقاله  : 14/6/1392

تاریخ پذیرش مقاله : 22/02/1393

نام نویسنده مسؤول : حبیب اله اعلمی

نشانی نویسنده مسؤول : ایران- تهران- بزرگراه شهید بابایی- دانشگاه جامع امام حسین (ع)



[1]. Irradiation 

[2]. Adaptive Estimation Unit

[3]. Sinusoid-Tracking algorithm

[4]. Recurrent Neural Network

[5]. Diagonal Recurrent Wavelet Neural Network

[6]. Pareto-optimal set 

[7]. Dominate

8. Non-dominated

[9]. Smart Energy Management System

[10]. mixed-integer linear programming

[11] . The general algebraic modeling system

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

[1]  Maher Chaabene, Mohsen Ben Ammar, “Neuron-fuzzy dynamic model with Kalman filter to forecast irradiance and temperature for solar energy systems”, journal of Renewable Energy, Vol. 33, No. 7, pp. 1435-1443, 2008.

[2]  J.C. Cao, S.H. Cao, “Study of forecasting solar irradiance using neural networks with preprocessing sample data by wavelet analysis”, Energy, Vol. 31, No. 15, pp. 3435-3445, 2006.

[3]  P.L. Zervas, H. Sarimveis, J.A. Palyvos, N.C.G. Markatos, ”Prediction of daily global solar irradiance on horizontal surfaces based on neural-network techniques”, Renewable Energy, Vol. 33, No.  8, pp. 1796-1803, 2008.

[4]  Shuanghua Cao, Jiacong Cao, ”Forecast of solar irradiance using recurrent neural networks combined with wavelet analysis”, Applied Thermal Engineering, Vol. 25, No.  3, pp. 161-172, 2005.

[5]  Fatih O. Hocaoğlu, Ömer N. Gerek, Mehmet Kurban ,” Hourly solar radiation forecasting using optimal coefficient 2-D linear filters and feed-forward neural networks”, Solar. Energy, pp.  714–726 , 2008.

[6]  T.M.I. Mahlia, T.J. Saktisahdan, A. Jannifar, M.H. Hasan, H.S.C. Matseelar,  "A review of available methods and development on energy storage; technology update” Renewable and sustainable Energy Reviews, Vol.  33, No. 5, pp. 532-545, 2014.

[7]  G. N. Bathurst, G. Strbac, ”Value of combining energy storage and wind in short-term energy and balancing markets” Electric Power Systems Research, Vol. 67, No. 1, pp.  1-8, 2003.

[8]  Ryan Anderson, Samira Shiri, Hitesh Bindra, Jeffrey F. Morris "Experimental results and modeling of energy storage and recovery in a packed bed of alumina particles" Applied Energy, Vol. 119, No. 4, pp. 521-529, 2014.

[9]  N. Hamsic, A. Schmelter, A. Mohd, E. Ortjohann, E. Schultze, A. Tuckey, J. Zimmermann. “Stabilizing the Grid Voltage and Frequency in Isolated Power Systems Using a Flywheel Energy Storage System,” The Great Wall World Renewable Energy Forum , Beijing, China, 2006.

[10]   A. Ruddell, G. Schönnenbeck, R. Jones, “Flywheel Energy Storage Systems”, Rutherford Appleton Lab, UK.

[11]   Vallve, X.; Graillot, A.; Gual, S.; Colin, H.; “Micro storage and demand side management in distributed PV grid-connected installations”, 9th International Conference on  Electrical Power Quality and Utilization, Publication, pp. 1-6, 2007.

[12]    S.A. Kalogirou, E. Mathioulakis, V. Belessiotis "Artificial neural networks for the performance prediction of large solar systems" Renewable Energy, Vol. 63, No. 3, pp. 90-97, 2014.

[13]   A. Azadeh, R. Babazadeh, S.M. Asadzadeh "Optimum estimation and forecasting of renewable energy consumption by artificial neural networks "Renewable and Sustainable Energy Reviews, Vol. 27, No. 11, pp.  605-612, 2013.

[14]   Kerim Karabacak, Numan Cetin "Artificial neural networks for controlling wind–PV power systems: A review" Renewable and Sustainable Energy Reviews, Vol. 29, No. 1,  pp. 804-827, 2014.

[15]   Francis Mwasilu, Jackson John Justo, Eun-Kyung Kim, Ton Duc Do, Jin-Woo Jung "Electric vehicles and smart grid interaction: A review on vehicle to grid and renewable energy sources integration" Renewable and Sustainable Energy Reviews, Vol. 34, No. 6, pp. 501-516, 2014.

[16]   H. Bindner, “Power Control for Wind Turbines in Weak Grids,” Rios National Lab, March 1999.

[17]   Bhatia, R.S.; Jain, S.P.; Jain, D.K.; Singh, B.; “Battery Energy Storage System for Power Conditioning of Renewable Energy Sources", International Conference on  Power Electronics and Drives Systems, Vol. 1, pp. 501- 506, 2005.

[18]   Shuang Yu; Mays, T.J.; Dunn, R.W.; “A new methodology for designing hydrogen energy storage in wind power systems to balance generation and demand “,  International Conference on  Sustainable Power Generation and Supply, pp. 1 - 6, 2009.