A strategy proposing the simultaneous purchase and sale of electricity to exploit of a multi-agent micro-grid energy market

Document Type : Research Article

Authors

Dep. of Electrical and Computer Engineering, Kashan Branch, Islamic Azad University, Kashan, Iran

Abstract

In a smart distribution network, micro-grids can reduce their bidding on the market the previous day. The issue of buying and selling is challenging due to various uncertainties. This paper proposes a two-stage strategy proposing the optimal purchase and sale of electricity, despite the dependence of the electricity and gas prices on the previous day's market and real-time for a multi-agent micro-grid. In this model we study the behavior of the grid on the amount of purchase / sale of electricity and gas, the simultaneous effect of the price of electricity and gas, the dependence of energy carriers on each other. In the proposed network, the purchase and sale of energy in a multi-agent micro-grid is presented as a two-stage model. In the first step, the grid offers the purchase and sale of hourly energy to the operator of the distribution system, regardless of uncertainty. In the second step, considering the bidding of the previous day, they are confirmed, the network operator exploits the moment in the market to balance the load. This problem has been solved in a linear model of integer with GAMS and scenario reduction method. Numerical results show the effectiveness of the model by comparing scenarios.

Keywords


1- مقدمه

[1]

امروزه ریز‌شبکه‌ها راه‌حل مناسب برای افزایش نفوذ منابع انرژی تجدیدپذیر در سیستم‌های قدرت در نظر گرفته می‌شوند [1]. ریز‌شبکه می‌تواند یک شبکۀ توزیع ولتاژ پایین متشکل از منابع تولید پراکنده، دستگاههای ذخیره‌ساز، نیروگاههای تجدیدپذیر و بارهای پاسخگو باشد که می‌توانند در حالت‌های متصل به شبکه و جدا از شبکه (جزیره‌ای) عمل کنند [2]. ازنظر شبکه، یک ریز‌شبکه می‌تواند یک عنصر کنترل‌پذیر در نظر گرفته شود که به نقطه مشترک شبکۀ توزیع متصل می‌شود. ممکن است انرژی ازطریق واردات یا صادرات تحت تعرفه‌های مختلف بازار و شرایط عملیاتی ریز‌شبکه به شبکۀ توزیع اصلی باشد. علاوه بر این، ریز‌شبکه می‌تواند سرویس‌های جانبی مانند پشتیبانی و سرویس تنظیم ولتاژ را به شبکۀ اصلی توزیع ارائه دهد [3 و 4]. از دیدگاه مشتریان، یک ریز‌شبکه نه‌تنها می‌تواند انرژی را فراهم کند، باعث افزایش قابلیت اطمینان محلی، کاهش انتشار گازها و همچنین کاهش هزینه‌های تأمین انرژی با استفاده از منابع انرژی توزیع‌شده، دستگاههای ذخیره‌سازی و بارهای پاسخگو می‌شود. علاوه بر این، یک ریز‌شبکه می‌تواند کیفیت توان را با حمایت از ولتاژ و کاهش ولتاژ بهبود بخشد [5]. در [6] عدم قطعیت قیمت، بارهای الکتریکی و دمای محیط از درخت سناریو به تصویر کشیده شده و با یک طرح بهینه‌سازی تصادفی دو مرحله‌ای هزینه‌های بهره‌برداری را به حداقل رسانده است. برای کاهش زمان حل مسئله خطی‌سازی مدل انجام شده است. در [7] مدل تصادفی دو مرحله‌ای برای مدیریت منابع انرژی ریز‌شبکه‌ها با توجه به تولیدات تجدیدپذیر، وسایل نقلیۀ الکتریکی و عدم قطعیت قیمت بازار پیشنهاد شده است. یک مدل دو مرحله‌ای استوار برای بهینه‌سازی همزمان روز - پیش و عدم قطعیت زمان - واقعی ریزشبکه‌ها با در نظر گرفتن مدلسازی دقیق محدودیت‌های بهره‌برداری در [8] ارائه شده است. مسئله بهینه‌سازی روز - قبل با توجه به مقدار پیش‌بینی‌شدۀ تولیدات تجدید‌پذیر، در مرحله اول به‌صورت یک مسئلۀ برنامه‌ریزی خطی آمیخته با عدد صحیح تدوین می‌شود و در مرحله دوم بهره‌برداری زمان -واقعی غیرقطعی با مدلسازی استوار عدم قطعیت‌ها صورت می‌گیرد. از آنجایی که گسترش روزافزون منابع تجدیدپذیر توزیع‌شدۀ انرژی، باعث ایجاد چالش‌های عمدۀ فنی در تعادل عرضه و بار می‌شود، استفاده از خدمات جانبی فرعی محلی برای اپراتورهای شبکه از اهمیت بسزایی برخوردار است؛ بنابراین، یک مدل برنامه‌ریزی بهینۀ ریز‌شبکه در [9] ارائه شده است تا توانایی ریز‌شبکه را در ارائۀ خدمات جانبی به شبکۀ برق نشان دهد.

در بیشتر مقالات، مدیریت انرژی در ریز‌شبکه تنها در مرحله روز - قبل مدلسازی شده است؛ بدون اینکه عدم قطعیت در بهره‌برداری تقریباً واقعی در زمان - واقعی و امکان مبادلۀ برق با بازار زمان - واقعی را منظور کرده باشند. در این مطالعات، تفاوت‌های اصلی را می‌توان در نوع مدل‌های عدم قطعیت و استراتژی حل مسئله خلاصه کرد.

علاوه بر این، ریز‌شبکه‌ها نیز به مبادله برق با روز - قبل و بازارهای زمان - واقعی در حالت متصل به شبکه قادرند. همان‌طور که بازار زمان - واقعی فقط چند دقیقه قبل از هر ساعت تسویه می‌شود [10]، مشارکت در این بازار فرصت خوبی برای ریز‌شبکه‌ها برای پوشش‌دادن عدم قطعیت منابع انرژی تجدیدپذیر، کاهش هزینه‌های کلی و تعادل عرضه و تقاضا در بهره‌برداری نزدیک به زمان - واقعی است. همچنین برای قیمت بازار در زمان - واقعی عدم قطعیت وجود دارد و مبادلۀ برق با این بازار خطرناک است؛ بنابراین، مهم است یک مدل بهینه‌سازی روزمرۀ کارآمد ایجاد شود که برای بهره‌بردار واقعی در زمان - واقعی و عدم قطعیت به دلیل نیروگاه تجدیدپذیر و قیمت بازار باشد [11]. در بازار مصرف‌کنندگان با هدف کمینه‌سازی قیمت تسویه بازار و تولیدکنندگان با هدف حداکثرسازی سود در رسیدن به نقطۀ تعادل با یکدیگر همکاری می‌کنند. این کار با مدیریت در بهره‌برداری محلی از منابع تولید پراکنده، ذخیره‌سازهای انرژی و بارهای پاسخگو و در ارتباط با شبکۀ بالادست صورت می‌گیرد [12]. ارائۀ سیستم‌های مدیریت انرژی با در نظر گرفتن عملکرد بهینۀ منابع موجود در ریزشبکه‌ها، کنترل تبادل توان با شبکه و نیز مابین ریزشبکه‌ها حائز اهمیت است [13].

در [14] یک مسئله بهینه‌سازی غیرخطی مختلط صحیح برای مدلسازی یک هاب انرژی خانگی به‌منظور پاسخگویی به نیازهای گرمایشی، سرمایشی و الکتریکی ساختمان طراحی شده که امکان فروش برق به شبکه نیز برای آن در نظر گرفته شده است. در [15] برای حل مسئله چندهدفۀ توزیع در ریز‌شبکه شامل حداقل‌سازی هزینه و میزان انتشار با در نظر گرفتن برنامه‌های پاسخگویی به تقاضا و عدم قطعیت ارائه شده است. یک چارچوب احتمالی براساس روش سناریو برای غلبه بر عدم قطعیت‌ها در مدیریت بهینۀ انرژی ریز‌شبکه در نظر گرفته شده است. از مفهوم هاب انرژی برای ساختن یک مدل مبتنی بر سناریو برای برنامه‌ریزی بهینۀ منابع الکتریکی و حرارتی در یک ریز‌شبکه با زیرساخت‌های یکپارچه برقی و گاز طبیعی استفاده شده است [16]. تابع هدف ضمن در نظر گرفتن کلیۀ محدودیت‌ها و عدم قطعیت‌های شبکه، هزینه‌های بهره‌برداری مورد انتظار را به حداقل رسانده است و سناریوهای مرتبط با متغیرهای تصادفی مانند تولید تجدیدپذیر و بارهای الکتریکی و حرارتی با استفاده از توابع توزیع احتمال مربوطه تولید شده‌اند و با استفاده از تکنیک کاهش سناریو تعداد سناریوها کاهش یافته است. یک چارچوب تصادفی دو مرحله‌ای برای برنامه‌ریزی بهره‌برداری کوتاه‌مدت ریزشبکه‌ها شامل شبکه‌های برق و گاز طبیعی که از هاب‌های انرژی، منابع انرژی تجدیدپذیر و تأسیسات ذخیره انرژی تشکیل شده است، با در نظر گرفتن عدم قطعیت‌های پیش‌بینی‌شده در [17] پیشنهاد شده است.

در مطالعات انجام‌شده تا کنون به بررسی پیشنهاد خرید و فروش برق در یک ریز‌شبکه چندحاملی با در نظر گرفتن وابستگی شبکۀ برق و گاز پرداخته نشده است. همچنین اثر عدم قطعیت‌های گوناگون در بار و تولید روی هزینه‌های بهره‌برداری ریز‌شبکۀ چندحاملی صورت نگرفته است. از آنجایی که عدم قطعیت‌های گوناگون روی بهره‌برداری بهینۀ ریز‌شبکه‌ها در پیش‌خرید و پیش‌فروش انرژی تأثیر مستقیم دارد، بررسی یک استراتژی بهینه برای کاهش هزینه‌های بهره‌برداری ریز‌شبکه‌ها اهمیت پیدا می‌کند. پس در این مقاله، یک مدل بهینه‌سازی احتمالی روی یک ریز‌شبکه چندحاملی پرداخته شده است. در ریز‌شبکۀ پیشنهادی تولیدات پراکنده و مبدل نظیر ترانسفورماتور، مبدل تولید همزمان، بوبلر، نیروگاه خورشیدی و بادی، باطری و سیستم گرمایشی در نظر گرفته شده‌اند. از آنجا که میزان تولیدات پراکنده، بار الکتریکی وحرارتی و قیمت برق در بازار روز - قبل و واقعی دارای عدم قطعیت‌اند، در این مقاله، یک مدل احتمالی سازگار با مسئلۀ استراتژی توزیع انرژی در ریز‌شبکه چندحاملی ارائه شده است. استراتژی پیشنهادی در این مقاله شامل خرید/فروش انرژی در بازار روز - قبل است که میزان خطای نامتعادلی بار در بازار با قیمت‌های زمان - واقعی جبران می‌شود. در این مدل عدم قطعیت روی قیمت بازار روز - قبل و زمان - واقعی دیده شده است. همچنین در این مقاله وابستگی قیمت گاز و برق در بازار روز - قبل و بازار زمان - واقعی بررسی شده است. در شبکۀ پیشنهادی خرید و فروش انرژی در یک ریز‌شبکۀ چندحاملی به‌صورت یک مدل دو مرحله‌ای ارائه شده است. درنهایت این مسئله به‌صورت یک مدل تصادفی خطی عدد صحیح آمیخته مدل شده است. به‌طور خلاصه، نوآوری اصلی مقاله به‌صورت زیر خلاصه شده است:

  • محاسبۀ میزان پیش‌خرید/فروش برق در یک ریزشبکۀ چندحاملی تحت عدم ‌قطعیت‌.
  • استفاده از یک روش دو مرحله‌ای برای بهینه‌سازی توامان در بازار روز - قبل و زمان - واقعی.
  • در نظر گرفتن وابستگی قیمت برق و گاز در بازار روز - قبل، و وابستگی قیمت بازار روز - قبل و زمان - واقعی برای جلوگیری از تغییر یک‌جانبۀ قیمت بازار برق.

 

2- ساختار ریز‌شبکه چندحاملی

یک ریز‌شبکه چندحاملی به‌صورت گروهی از بار و تولیدات پراکنده متصل به‌هم با زیرساخت‌های انرژی تعریف‌شده توصیف می‌شود. این ریز‌شبکۀ چندحاملی به‌عنوان یک ناحیۀ مجزا نسبت به شبکه اصلی است که به‌صورت متصل به شبکه ‌یا جزیره‌ای عمل می‌کند. در این مقاله، شکل (1) ریز‌شبکۀ چندحاملی با زیرساخت شبکۀ برق و گاز طبیعی، سیستم هاب انرژی، منابع تجدیدپذیر و باطری پیشنهاد شده که در اینجا سیستم‌هاب انرژی یک رابط بین منابع مختلف انرژی ازجمله برق و گاز طبیعی و بارهای الکتریکی و حرارتی است. در اینجا ریز‌شبکۀ پیشنهادی به شبکۀ برق و گاز بالادست متصل است و قابلیت جزیره‌ای‌شدن را دارد. همچنین برای تسهیل بهره‌برداری یک کنترلر مرکزی در ریز‌شبکه در نظر گرفته شده است که اطلاعات را از هر کنترلر محلی نظیر وضعیت تولیدات پراکنده و بارها جمع‌آوری می‌کند و در صورت لزوم، فرمان‌های لازم را برای بهره‌برداری بهینۀ ریز‌شبکه صادر می‌کند. درواقع این کنترلر مرکزی بهره‌برداری بهینۀ ریز‌شبکه‌ را براساس وضعیت تولیدات پراکنده، سرعت باد پیش‌بینی‌شده، تشعشع خورشید و میزان بارها را انجام می‌دهد و سپس سیگنال توزیع انرژی را به کنترلر محلی هر ریز‌شبکه ارسال می‌کند. این کنترلر مرکزی با بهره‌بردار مستقل ریز‌شبکه مدیریت می‌شود.

 

شکل (1): ساختار ریزشبکه

 

2-1- هاب انرژی

سیستم هاب انرژی تبدیل حامل‌های انرژی را تسهیل می‌کند. هاب انرژی به‌عنوان رابط بین منابع انرژی مختلف ازجمله برق و گاز طبیعی و انواع بارها (مانند برق و حرارت) است. هاب انرژی شامل ترانسفورماتور، بویلر و مولد تولید همزمان برق و حرارت است که برق و گاز طبیعی را از شبکۀ بالادست به‌عنوان ورودی دریافت می‌کند و برق و حرارت مورد نیاز مشترکین را به‌عنوان خروجی هاب تأمین می‌کند [18]. شبکۀ پیشنهادی هاب انرژی در ریز‌شبکۀ چندحاملی در شکل (2) ارائه شده است.

شکل (2): هاب انرژی

 

3- مدلسازی احتمالی بار، قیمت برق و منابع انرژی تجدیدپذیر

3-1- مدلسازی بارها

در این مطالعه، بارهای الکتریکی و حرارتی با استفاده از یک تابع توزیع نرمال با میانگین برابر با بار پایه در هر دوره، مطالعه و انحراف معیار برابر با 5 درصد از بار پایه آن به‌صورت زیر مدلسازی می‌شود [19-21].

(1)

 

3-2- مدلسازی قیمت برق در بازار روز - قبل و بازار زمان - واقعی

تجزیه‌وتحلیل آماری در [22-24] نشان می‌دهد توزیع منطق عام مناسب‌ترین مدل است و استراتژی پیشنهادشده در تحلیل را تأیید می‌کند؛ ازاین‌رو تابع توزیع لاگ نرمال با میانگین مقدار برابر با قیمت برق پایه در یک فاصله زمانی معین و مقدار برابر 5٪ از قیمت پایه آن برای مدل بازار برق استفاده می‌شود.

(2)

 

3-3- مدل احتمالاتی از منابع انرژی تجدیدپذیر

دو تابع توزیع برای مدلسازی عدم قطعیت مربوط به واحد بادی و خورشیدی اجرا می‌شود. توان خروجی ژنراتور بادی به سرعت باد با هزینۀ صفر سوخت بستگی دارد. سرعت باد هر لحظه متفاوت است که اهمیت یک مدل احتمالی را برجسته می‌کند. در مقالات موجود، استفاده از تابع توزیع نرمال ویبال برای سرعت باد [25] معمول است. تابع توزیع نرمال ویبال به‌صورت رابطه (3) است.

(3)

 

توان خروجی نیروگاه تولید بادی در هر فاصله زمانی معین با استفاده از منحنی قدرت با سرعت باد محاسبه می‌شود که بیان‌کنندۀ معادله (4) است [26].

(4)

 

توان تولیدشده از یک واحد خورشیدی با توجه به تابش خورشید متفاوت است که به عوامل متعددی نظیر شرایط محیطی، زمان، روز، ماه، فصل و جهت‌گیری نیروگاه خورشیدی به تابش خورشید در میان سایرین بستگی دارد. در این مقاله، تابش خورشید با یک تابع توزیع بتا (β) مدلسازی می‌شود [27]. تابع توزیع β با رابطه (5) نمایش داده می‌شود.

(5)

 

مولد خورشیدی توان خروجی مربوط به تابش خورشید است؛ بنابراین مدلسازی توان خروجی نیاز به مدلسازی تابش خورشیدی دارد. توان خروجی نیروگاه خورشیدی به‌عنوان تابعی از تابش در هر فاصله زمانی مشخص، منحنی توان تابش طبق رابطه (6) بیان شده است [28].

(6)

 

4- تعریف مسئله

در این قسمت، روند استراتژی پیشنهادی (خرید و فروش) در بازار روز - قبل و زمان - واقعی انرژی در شرایط تصادفی، مدل و در شکل (3) نشان داده شده است. منظور از استراتژی پیشنهاددهی میزان انرژی خریداری یا فروخته‌شده در بازار روز - قبل است. با توجه به عدم قطعیت‌های مختلف در داده‌های پیش‌بینی‌شده و در سیستم، پیداکردن یک رویکرد مطلوب پیشنهاددهی موضوع چالش‌برانگیزی است. در مدل پیشنهادی، امکان مبادله برق و گاز بین ریز‌شبکۀ چندحاملی پیشنهادی و شبکۀ بالادست دیده شده است که این امر نقش مهمی در بازار انرژی با دسترسی به اطلاعات زمان - واقعی بازی می‌کند. نهادهای قیمت‌دهنده، پیشنهادات (شامل قیمت خرید و فروش و ساعتی برق) خود را در روز - قبل به بهره بهره‌بردار سیستم توزیع ارائه می‌دهند.

پیشنهادات ارائه‌شده به بهره‌بردار سیستم توزیع با توجه به قیمت بازار روز - قبل و پیش‌بینی تولید و مصرف براساس داده‌های پیش‌بینی شده است. پس از تسویه بازار با بهره‌بردار سیستم توزیع، تولید و مصرف به دلیل ماهیت تصادفی متغیرها ممکن است تغییراتی داشته باشد؛ بنابراین، مشتری فعالانه باید در بازار زمان - واقعی به‌منظور بالانس بار در زمان - واقعی شرکت کند [29]. درخور ذکر است قیمت‌ها در این بازار ثانویه متفاوت از بازار روز - قبل است. همچنین از آنجا که اندازۀ ریز‌شبکه چندحاملی در مقایسه با اندازۀ شبکه کوچک فرض شده است، آن یک نهاد قیمت‌گیرنده در نظر گرفته‌ شده است. به‌صورت خلاصه، در مدل پیشنهادی، ابتدا با توجه به اطلاعات موجود از بازار روز - قبل نظیر میزان بار الکتریکی و حرارتی پیش‌بینی‌شده، تولید تجدیدپذیر، قیمت برق و گاز در بازار روز - قبل یک بار برنامه شبیه‌سازی می‌شود و تابع هزینه به همراهی میزان بهینۀ خرید و فروش انرژی در بازار روز - قبل به دست می‌آید. سپس متغیرهای مرحله اول نظیر میزان بهینۀ خرید و فروش انرژی در بازار روز - قبل پارامترهای مرحله دوم در نظر گرفته می‌شوند. در مرحله دوم شبیه‌سازی مدل بازار زمان – واقعی، با توجه به عدم‌قطعیت‌های متعدد نظیر بار الکتریکی و حرارتی، تولیدات تجدیدپذیر و قیمت بازار لحظه‌ای برای تنظیم بالانس انرژی و تسویۀ بازار در هر ساعت صورت می‌گیرد.

 

شکل (3): ریز‌شبکۀ چندحاملی در محیط بازار

 

منابع اصلی عدم قطعیت، قیمت روز - قبل و زمان -واقعی، تولید تجدیدپذیر و بارها هستند. از آنجا که در این مقاله شش نوع عدم قطعیت در مسئلۀ پیشنهادی، بهینه‌سازی تصادفی در نظر گرفته شده، برای مطالعۀ اثر این عدم قطعیت روی استراتژی بهره‌برداری ریز‌شبکه، از شبیه‌سازی مونت کارلو برای تولید سناریوهای تصادفی استفاده شده است. همچنین با روش کاهش سناریو (روش کاهش عقبگرد براساس فاصله کانتروویچ) سناریوهای تولیدشدۀ هر پارامتر به‌منظور کاهش بار محاسباتی مسئله به سه سناریو کاهش یافته است [30].

 

4-1- تابع هدف مرحله اول

در ریز‌شبکه چندحاملی پیشنهادی، شش منبع عدم قطعیت در نظر گرفته شده وجود دارد: قیمت‌های روز - قبل و زمان - واقعی، میزان تولیدات خورشیدی و بادی، بارهای الکتریکی و حرارتی. در شبکۀ پیشنهادی میزان خرید و فروش انرژی در یک ریز‌شبکۀ چندحاملی به‌صورت یک مدل دو مرحله‌ای ارائه شده است. در مرحله اول، ریز‌شبکۀ چندحاملی پیشنهادات میزان خرید و فروش انرژی ساعتی را به بهره‌بردار سیستم توزیع ارائه می‌دهد؛ درحالی‌که عدم قطعیت‌های موجود در نظر گرفته نشده‌اند. پس از تسویۀ بازار، ریز‌شبکه به برنامه‌ریزی تولید برای بهره‌برداری ریز‌شبکه در روز آینده طبق پارامترهای قطعی می‌پردازد. در مرحله دوم (بهره‌برداری در زمان - واقعی)، با در نظر گرفتن پیشنهادات خرید و فروش روز - قبل تأییدشده، بهره‌بردار ریز‌شبکه به بهره‌برداری منابع به‌منظور متعادل‌کردن میزان تولید و مصرف به‌دلیل عدم قطعیت‌های موجود اقدام می‌کند. درواقع، این مرحله قبل از تسویه بازار زمان - واقعی در هر ساعت صورت می‌پذیرد؛ بنابراین، میزان تولید واحدها، شارژ و دشارژ ذخیره‌سازها و خرید و فروش انرژی در بازار لحظه‌ای بهینه می‌شود. این مدل یک مسئله خطی عدد صحیح آمیخته است که تابع هدف و قیود ریز‌شبکۀ چندحاملی پیشنهادشده در مدت زمان 24 ساعت برای هر یک از سناریوها در آن مدل‌سازی شده‌اند. در این مدل تابع هدف کمینه‌کردن هزینه‌های خرید و فروش انرژی و نگهداری تجهیزات است. تابع هدف با هدف حداقل رساندن به‌صورت رابطه (7) مدل شده است.

(7)

 

که عبارت اول هزینۀ خرید یا سود فروش انرژی در بازار روز - قبل برای هر ساعت است. عبارت دوم هزینۀ خرید گاز طبیعی به‌منظور تأمین واحدهای مصرف‌کنندۀ سوخت گاز است که وظیفۀ تأمین برق و حرارت ریز‌شبکه را برعهده دارند و عبارت آخر، هزینه‌های نگهداری تجهیزات است که به‌صورت زیر مدل شده است.

(8)

 

در معادله (8) هزینۀ نگهداری هر واحد از ضرب میزان تولید هر واحد در ضریب هزینه نگهداری در هر ساعت محاسبه می‌شود.

 

4-2- قیود مسئله

معادلات زیر نشان از رابطۀ تبدیل/تولید تجهیزات موجود در ریز‌شبکه دارد. در این ریز‌شبکه وظیفۀ تبدیل انرژی را با یک ترانس به‌ عهده دارد که در معادله (9) مدل شده است. همچنین میزان انرژی تولیدی با مولد تولید همزمان و بویلر در (10) و (11) نشان داده شده که وابسته به میزان گاز خریداری‌شده و راندمان تجهیزات است. همچنین سیستم گرمایشی در معادله (12) فرموله شده است.

(9)

 

(10)

 

(11)

 

(12)

 

 

مدلسازی باطری در (13) فرموله شده است؛ به‌طوری‌که معادله (14) از شارژ و دشارژ همزمان باتری جلوگیری می‌کند. همچنین در معادله (12) به‌منظور استفاده پایا از باطری میزان انرژی در لحظه اول و آخر روز باید با هم برابر باشند که در رابطه (15) نوشته شده است.

(13)

 

(14)

 

(15)

 

 

معادله (16) بالانس بار الکتریکی و حرارتی را نشان می‌دهد که برای هر سناریو در هر ساعت باید برقرار باشد. معادله (16) نشان می‌دهد میزان بار الکتریکی و برق لازم برای تأمین سیستم گرمایشی می‌تواند با شبکۀ بالادست، مولد تولید همزمان، نیروگاه بادی و خورشیدی و باطری تأمین شود. همچنین معادله (17) نشان می‌دهد میزان بار حرارتی می‌تواند با مولد تولید همزمان، چیلر جذبی و سیستم گرمایشی تأمین شود.

(16)

 

(17)

 

 

حد بالا و پایین هر واحد نظیر ظرفیت ترانسفورماتور، مولد تولید همزمان، بویلر، سیستم گرمایشی، ظرفیت ذخیره‌ساز و میزان انرژی شارژ و دشارژشده باطری به ترتیب زیرند:

(18)

 

(19)

 

(20)

 

(21)

 

(22)

 

(23)

 

 

همچنین ضریب میزان گاز ورودی به مولد تولید همزمان و بویلر به‌صورت رابطه (24) مدل شده است.

(24)

 

 

4-3- وابستگی قیمت برق به گاز

حساسیت بالای قیمت برق در زمان روز - قبل و واقعی به عرضۀ میزان گاز در زمستان سال 2014 نشان داده شد. اگرچه این قیمت برق به دنبال الگوی قیمت گاز طبیعی است، وابستگی نسبی آنها باید قدم اول برای ایجاد الگوهای مناسب وابستگی متقابل باشد [31]؛ با این حال، قیمت برق بازار زمان - واقعی به بسیاری از عوامل دیگر بستگی دارد که تعداد کمی از آنها با استفاده از داده‌های دردسترس سنجش‌پذیرند؛ نظیر: قیمت گاز طبیعی در بازار لحظه‌ای، تأثیر ظرفیت خط لوله گاز، انحرافات الگوی بار و پاسخگویی بار، سطح نفوذپذیری منابع تجدیدپذیر، قیمت برق در بازار روز - قبل که هر کدام از عوامل ذکرشده تا حدودی بر قیمت برق در بازار زمان - واقعی تأثیر می‌گذارد. درنهایت، برای تعیین اینکه چگونه عوامل مختلف قیمت برق در روزهای آینده و در زمان - واقعی در دوره‌های زمانی ذکرشده تأثیر می‌گذارند، ضریب همبستگی مربوط به قیمت برق و عوامل مختلف در هر هاب محلی محاسبه می‌شود. وابستگی قیمت حامل‌ها با رابطه (26) نشان داده شده است که بردار Y قیمت‌های بازار روز - قبل و زمان - واقعی را نشان می‌دهد. همچنین بردار X به میزان خطای پیش‌بینی بار، خطای پیش‌بینی باد، قیمت گاز طبیعی و/یا قیمت برق روز - قبل اشاره دارد [31].

(25)

 

 

همچنین ضرائب و  نشان‌دهندۀ بهترین خط مناسب به‌منظور وابستگی حامل‌ها هستند.

 

4-4- تابع هدف مرحله دوم

در این مرحله، متغیر مرحله اول میزان پیش‌خرید/فروش برق به‌عنوان یک پارامتر و ثابت در تابع هدف مرحله دوم قرار داده شده است (عبارت اول) و میزان کمبود/مازاد برق در بازار زمان - واقعی معامله می‌شود (عبارت دوم). در این مرحله، تمامی عدم‌قطعیت‌ها دیده شده است و همچنین امکان فروش برق مازاد پیش‌خریدشده در بازار زمان - واقعی برای بهره‌بردار ریزشبکه وجود دارد. تابع هدف مرحله دوم در (26) نمایش داده شده است.

(26)

 

همچنین تمام قیود اشاره‌شده در بالا به‌جز قیود (27-28) - که تغییر یافته‌اند - برقرار است. پس در این مرحله میزان برق خریداری‌شده در (27) تغییر یافته که درنتیجه آن بالانس بار الکتریکی مطابق معادله (28) تغییر داده شده است.

(27)

 

(28)

 

معادله (27) نشان می‌دهد میزان کل برق خریداری‌شده از شبکه از جمع برق خریداری‌شده از بازار روز - قبل و بازار زمان - واقعی محاسبه شده است.

5- روندنمای حل مسئله

در این مقاله، برای حل مسئله، ابتدا سناریو در نرم‌افزار متلب برای هر کدام از پارامترهای غیرقطعی، تولید و سپس سناریوها با روش کانتروویچ به تعداد معینی کاهش داده‌ شد. سپس این مقادیر به‌دست‌آمده با نرم‌افزار شبیه‌سازی گمز برای حل مسئله دو مرحله‌ای فراخوانی شد. در مرحله اول این شبیه‌سازی تنها عدم‌ قطعیت قیمت برق بازار روز - قبل در نظر گرفته و از تابع هدف (7) و قیود مربوطه (8-26) استفاده شد. بعد از محاسبۀ نتایج مرحله اول، متوسط میزان پیش‌خرید/فروش بهینه برای ریزشبکه که در مرحله اول محاسبه شده است، به‌عنوان پارامتر برای مرحله دوم در نظر گرفته شد و مجدداً در این مرحله، بهینه‌سازی برنامه‌ریزی زمان‌بندی تولید در زمان - واقعی با در نظر گرفتن تمام عدم‌قطیعت‌های موجود انجام شد.

6- شبیه‌سازی و بررسی نتایج

6-1- سیستم مورد مطالعه

ریز‌شبکۀ چندحاملی یک سیستم است که انعطاف‌پذیری انرژی را افزایش می‌دهد [32]. برای پاسخگویی به انواع مختلف تقاضاها، ریز‌شبکۀ چندحاملی با مبدل‌های انرژی، ژنراتورها و سیستم‌های ذخیره‌سازی انرژی تجهیز شده است [33]. شکل (1) نمایش ساختار یک ریز‌شبکۀ چندحاملی را نشان می‌دهد. با توجه به شکل (1) هر ریز‌شبکۀ چندحاملی شامل منابع انرژی مقیاس کوچک، تقاضاهای متعدد و باطری است. منابع انرژی مقیاس کوچک شامل نیروگاههای فتوولتائیک و بادی، بویلر و مولد تولید همزمان، ترانسفورماتور و سیستم گرمایشی‌اند. مشخصات فنی تجهیزات به‌کاررفته در این ریز‌شبکه در جدول (1) نشان داده شده است [21].

 

جدول (1): مشخصات فنی عناصر ریز‌شبکه

عناصر

ماکزیمم ظرفیت (kW/kWh)

راندمان (٪)

ضریب نگهداری ($/kWh)

El.

Th.

Σ

ترانسفورماتور

1000

92

-

92

012/0

مولد همزمان برق وحرارت

300

40

40

80

03/0

بویلر

600

-

85

85

012/0

خورشیدی

50

95

-

95

0

بادی

50

90

-

90

02/0

سیستم گرمایشی

450

-

-

-

01/0

مبدل باطری

20/20-

-

-

-

01/0

ظرفیت باطری

100

-

-

90/95

02/0

 

6-2- مطالعات موردی و نتایج

در شبیه‌سازی پیش رو تعداد 5000 سناریو با روش مونت کارلو برای شش پارامتر دارای عدم قطعیت نظیر (بار الکتریکی و حرارتی، قیمت روز - قبل، قیمت زمان - واقعی، تولید خورشیدی و نیروگاه بادی) و برای هر ساعت تولید شده است. همچنین به‌منظور کاهش زمان حل مسئله تعداد سناریوهای هر پارامتر به سه سناریو با روش کاهش سناریو (از روش کاهش عقبگرد براساس فاصلۀ کانتروویچ) تقلیل یافته است. میزان احتمال هر سناریو برای هر پارامتر در جدول (2) نشان داده شده است. با توجه به جدول، تعداد کل سناریوها 36 حالت را ایجاد می‌کند. همچنین زمان حل مسئله برای تمام سناریوها زیر 15 ثانیه است.

جدول (2): میزان احتمال هر سناریو برای هر پارامتر

پارامترها

سناریو کاهش داده شده و احتمال آن

3

2

1

بار الکتریکی

234/0

476/0

29/0

بار حرارتی

276/0

24/0

484/0

قیمت روز - قبل

3/0

3/0

4/0

قیمت زمان - واقعی

312/0

184/0

504/0

تولید بادی

104/0

176/0

72/0

تولید خورشیدی

242/0

244/0

514/0

داده‌های بار الکتریکی و حرارتی، تولیدات بادی و خورشیدی، قیمت برق در بازار روز - قبل و در بازار زمان - واقعی در سه سناریو شکل‌های (4) و (5) نشان داده شده است. قیمت برق و گاز طبیعی در شکل (6) برای سه سناریو نشان داده شده است.

 

 

شکل (4): منحنی بار الکتریکی

 

 

شکل (5): منحنی بار حرارتی

 

 

سناریو 1

 

سناریو 2

 

 

سناریو 3

 شکل (6): قیمت برق در حالت‌های روز - قبل و لحظه‌ای برای سه سناریو

 

میزان تولید واحد خورشیدی و بادی برای هر سناریو در شکل‌های (7) و (8) نشان داده شده است.

 

 

 

 شکل (7): نمودار مقدار تولید نیروگاه بادی

 

شکل (8): نمودار مقدار تولید نیروگاه خورشیدی

 

در این بخش، نتایج شبیه‌سازی، ارائه و بحث شده‌اند. مسئلۀ استراتژی قیمت‌دهی در ریز‌شبکۀ چندحاملی روی شبکۀ پیشنهاد داده شده اجرا شده است. مسئله بعنوان یک مدل خطی عدد صحیح آمیخته، مدل و روی نرم‌افزار GAMS کدنویسی شده است. به‌منظور ارزیابی مدل پیشنهاد هفت حالت در نظر گرفته شده است.

حالت 1- استراتژی خرید و فروش با عدم قطعیت روی قیمت برق روز - قبل و زمان - واقعی.

حالت 2- استراتژی خرید و فروش با تمامی عدم‌ قطعیت‌ها در قیمت برق روز - قبل و زمان - واقعی، بارهای الکتریکی و حرارتی، تولیدات تجدیدپذیر.

حالت 3- تأثیر تغییر قیمت برق روز - قبل روی استراتژی خرید و فروش با تمامی عدم قطعیت‌های دیده‌شده در مقاله.

حالت 4- تأثیر ظرفیت نیروگاههای تجدیدپذیر(بادی و خورشیدی) روی استراتژی خرید و فروش با تمامی عدم قطعیت‌های دیده‌شده در مقاله.

حالت 5- تأثیر ظرفیت باطری روی استراتژی خرید و فروش با تمامی عدم قطعیت‌های دیده‌شده در مقاله.

حالت 6- تأثیر قیمت گاز روی استراتژی خرید و فروش با تمامی عدم قطعیت‌های دیده‌شده در مقاله.

حالت 7 – اثر عدم قطعیت‌ها روی هزینۀ بهره‌برداری ریز‌شبکه.

حالت 1

در نخستین حالت، استراتژی پیشنهادی در یک ریز‌شبکه چندحاملی انجام شده است. شکل (9) هزینۀ بهره‌برداری ریز‌شبکه را در بازار روز - قبل، بازار زمان - واقعی و به‌صورت توأم با عدم قطعیت قیمت برق در بازار روز - قبل و بازار زمان - واقعی مقایسه کرده است. با توجه به شکل (9)، هزینۀ بهره‌برداری برای مدلی که ریز‌شبکه در هر دو بازار روز - قبل و زمان - واقعی به‌صورت توأم مشارکت می‌کند، نسبت به مدل مشارکت تنها در بازار روز - قبل یا بازار زمان - واقعی کاهش چشمگیری یافته است. همچنین هزینۀ بهره‌برداری ریز‌شبکه در صورت مشارکت در بازار زمان - واقعی به علت قیمت برق بالا افزایش شدیدی نسبت به مشارکت در بازار روز - قبل داشته است. مقایسۀ بهره‌برداری بهینۀ ریز‌شبکه با و بدون مشارکت در بازار روز - قبل نشان داده است که هزینۀ بهره‌برداری ریز‌شبکه حدود 2.5% با مشارکت توأمان در بازار روز - قبل و زمان - واقعی نسبت به مشارکت تنها در بازار زمان - واقعی کاهش یافته است.

 

 

شکل (9): هزینۀ بهره‌برداری ریز‌شبکه با عدم قطعیت روی قیمت برق روز - قبل و زمان - واقعی

 

حالت 2

برای نشان‌دادن اهمیت استراتژی پیشنهادی برای یک ریز‌شبکۀ چندحاملی و همچنین بهره‌وری از استراتژی پیشنهادی بهره‌برداری این شبکه با در نظر گرفتن عدم قطعیت در قیمت برق بازار روز - قبل و بازار زمان - واقعی بار الکتریکی و حرارتی و میزان تولیدات تجدیدپذیر نظیرخورشیدی و بادی روی حالت (2) شبیه‌سازی شده است.

شکل (10) هزینۀ بهره‌برداری ریز‌شبکه را در بازار روز - قبل، بازار زمان - واقعی و به‌صورت توأم با عدم قطعیت برای تمام پارامترهای موجود در بازار روز - قبل و زمان -واقعی مقایسه کرده است. با توجه به شکل (10)، هزینۀ بهره‌برداری برای مدلی که ریز‌شبکه در هر دو بازار روز - قبل و زمان - واقعی به‌صورت توأم مشارکت می‌کند، نسبت به مدل مشارکت تنها در بازار روز - قبل به علت افزایش بار الکتریکی و حرارتی و کاهش پیش‌بینی تولیدات پراکنده افزایش یافته و نسبت به مدل مشارکت تنها در بازار زمان -واقعی به دلیل قیمت برق گران در بازار زمان - واقعی کاهش یافته است. این حالت نشان می‌دهد هزینۀ بهره‌برداری در صورت مشارکت توأم نسبت به حالت (1) به دلیل وجود یک مدل واقعی‌تر با عدم قطعیت‌های گوناگون افزایش داشته است. این اختلاف هزینه ممکن است در نگاه اول غیرمنطقی به نظر برسد؛ ولی به علت وجود عدم قطعیت در تولیدات پراکنده و قیمت انرژی، ریز‌شبکه تمایل بیشتر به خرید انرژی را در بازار روز - قبل به علت ارزانی برق دارد؛ در صورتی که در بازار زمان - واقعی تمایل به فروش انرژی را با قیمت بالاتر دارد.

 

 

شکل (10): هزینۀ بهره‌برداری ریز‌شبکه در بازار روز - قبل، بازار زمان - واقعی با عدم قطعیت برای تمام پارامترهای موجود

 

شکل‌های (11) و (12) متوسط انرژی خریداری/فروخته‌شده در بازار روز - قبل و مبادلات انرژی در بازار زمان - واقعی را برای جبران نامتعادلی نشان می‌دهند. در شکل (12) از شکل ساعت برای نشان‌دادن میزان پیش‌خرید/فروش در بازار روز - قبل و همچنین خرید و فروش انرژی در بازار زمان - واقعی برای جبران نامتعادلی بار استفاده شده است. به صورتی که از یک متغیر باینری برای بررسی اینکه آیا پیش‌خرید یا پیش‌فروش انرژی که در مرحله اول انجام‌شده مقرون‌به‌صرفه بوده است یا خیر و با مقدار صفر (عدم تأیید) و یک (تأیید) نشان داده شده است. با توجه به دو شکل زیر، در مرحله اول، ریز‌شبکه در ساعات 1، 2، 3، 5، 6 و 23-24 به دلیل مصرف کم و تولید زیاد تمایل به فروش انرژی داشته است؛ در صورتی که امکان تولید یا صرفۀ اقتصادی فروش در زمان - واقعی برای ریز‌شبکه میسّر نبوده است. یکی از دلایل این امر در نظر گرفتن حداکثر تولید برای واحدهای تجدیدپذیر در زمان روز - قبل بوده که در بازار زمان - واقعی به علت عدم قطعیت میزان کمتر انرژی را تولید کرده است. پس از تحلیل مرحله دوم و بررسی متغیر باینری تعریف‌شده (تأیید خرید یا فروش در بازار روز - قبل) این نتیجه حاصل می‌شود که ریز‌شبکه بهتر است برق مازاد را در بازار زمان - واقعی به علت قیمت بالا به فروش برساند. همان‌طور که مشخص است بهره‌بردار ریز‌شبکه در برنامه‌ریزی استراتژی پیش‌خرید و فروش در ساعت 4 تصمیم به فروش انرژی گرفته بود؛ در صورتی که در زمان - واقعی حتی در آن ساعت به خرید مقدار کمی برق از شبکۀ بالادست نیاز بوده است. همچنین در ساعات 7-9 و 11-15 و 17، 19و20-22 بهره‌بردار ریز‌شبکه تصمیم گرفته بود برق را از شبکۀ بالادست پیش‌خرید کند که در بیشتر ساعات پذیرفتنی بوده است و حتی در بازار زمان - واقعی میزان کمی برق را برای تأمین بار مازاد از شبکه خریداری کند. نکتۀ تأمل‌برانگیز، تأییدنشدن پیش‌خرید برق در ساعات 10 و 18 است که بهره‌بردار در مرحلۀ زمان - واقعی پی برده است کاهش قیمت برق در بازار زمان - واقعی اتفاق افتاده و برایش مقرون‌به‌صرفه بوده است که در بازار زمان - واقعی کل خرید برق را انجام دهد.

درنهایت این نتیجه حاصل می‌شود که بهره‌بردار ریز‌شبکه بهتر است به دلیل عدم قطعیت‌های موجود، برق مورد نیاز را در ساعات پرباری پیش‌خرید کند؛ ولی به هیچ عنوان هیچ برقی را پیش‌فروش نکند و برق مازاد را در بازار زمان - واقعی به فروش برساند. همچنین پیش‌خرید برق مازاد برای فائق‌شدن بر عدم‌ قطعیت‌های موجود مطلوب‌تر از پیش‌خرید کم است؛ زیرا امکان فروش برق مازاد پیش‌خریداری شده در بازار زمان - واقعی میسّر است.

 

شکل (11): متوسط انرژی (خریداری/فروخته‌شده) در بازار روز - قبل و مبادلات انرژی در بازار زمان واقعی

 

 

شکل (12): متوسط انرژی (خریداری/فروخته‌شده) در بازار روز - قبل و مبادلات انرژی در بازار زمان واقعی

 

حالت 3

اثر تغییرات (افزایش/کاهش) قیمت برق روز - قبل روی هزینۀ بهره‌برداری ریز‌شبکه در شکل (13) و جدول (3) نشان داده شده است. همان‌طور که مشخص است چنانچه قیمت برق در بازار روز - قبل روند کاهشی داشته باشد، هزینۀ بهره‌برداری ریز‌شبکه در حالت فقط مشارکت در بازار روز - قبل یا به‌صورت توأم کاهش می‌یابد که در این حالت مقرون‌به‌صرفه است بهره‌بردار ریز‌شبکه در بازار روز - قبل پیش‌خرید لازم را انجام دهد. نکتۀ جالب در اینجا این است که در این حالت هزینۀ تمام‌شدۀ مشارکت تنها در بازار زمان - واقعی بیشتر از دو حالت دیگر است. در کل اگر قیمت برق هیچ تغییری نکند، هزینه‌های بهره‌برداری در زمان‌های روز - قبل و زمان - واقعی هم ثابت هست. نیز اگر قیمت برق 10 درصد افزایش پیدا کند، هزینۀ بهره‌برداری فقط در مدل مشارکت در روز - قبل یا مشارکت توأم مقدار کمی افزایش می‌یابد؛ اما چنانچه قیمت برق به‌تدریج از 20 درصد به بالا افزایش یابد، هزینۀ بهره‌برداری در مدل مشارکت در روز - قبل در حال افزایش است؛ ولی در مدل مشارکت توأم هزینۀ بهره‌برداری رو به کاهش است. همچنین با افزایش قیمت برق در بازار روز -قبل تا 30 درصد، هزینۀ بهره‌برداری تنها در بازار روز - قبل افزایش یافته است؛ ولی در مدل مشارکت توأم تغییرات محسوس نبوده است؛ ولی همچنان هزینۀ مشارکت تنها در بازار زمان - واقعی همچنان بیشتر است. نکتۀ تأمل‌برانگیز در اینجا روند کاهشی هزینۀ بهره‌برداری با افزایش بالای 30 درصدی قیمت برق روز - قبل در مدل مشارکت توأم است که دلیل آن فروش برق در بازار روز - قبل و خرید آن در بازار زمان - واقعی است. همچنین شکل (13) نشان می‌دهد حداقل افزایش 50 درصدی قیمت برق در بازار روز - قبل موجب افزایش تصاعدی هزینۀ بهره‌برداری در بازار روز -قبل شده است؛ درحالی‌که موجب کاهش هزینه در مشارکت توأم شده است. همچنین در این مدل هزینۀ بهره‌برداری مشارکت توأم نسبت به مشارکت تنها در بازار زمان - واقعی کمتر است. در ادامه نشان داده می‌شود وقتی قیمت برق در بازار روز - قبل 100 درصد افزایش یابد، بهتر است برای کاهش هزینه‌های بهره‌برداری ریز‌شبکه میزان خیلی کمی از انرژی در روز - قبل و بیشترین مقدار انرژی در زمان -واقعی خریداری شود.

جدول (3): سناریو درصد تغییرات قیمت برق نسبت به حالت دوم در بازار روز - قبل

سناریو

تغییرات قیمت برق

هزینه‌های بهره‌برداری (دلار)

DA

DA&RT

RT

1

50-٪

6605/406

3809/431

8742/547

2

30-٪

7353/440

2831/473

8742/547

3

20-٪

4647/457

1787/494

8742/547

4

10-٪

1675/474

1969/515

8742/547

5

8419/490

5332/535

8742/547

6

10٪

5032/507

1954/546

8742/547

7

20٪

156/524

0177/545

8742/547

8

30٪

8049/540

5607/541

8742/547

9

50٪

1025/574

3119/533

8742/547

10

100٪

3066/657

3164/512

8742/547

 

شکل (13): نمودار اثر تغییرات (افزایش/کاهش) قیمت برق در زمان روز - قبل، زمان - واقعی و مشارکت توأم روی هزینۀ بهره‌برداری ریز‌شبکه

 

حالت 4

شکل (14) تأثیرات ظرفیت نیروگاه تجدیدپذیر (خورشیدی و بادی) را روی هزینه‌های بهره‌برداری نشان می‌دهد؛ به طوری که هرچقدر ظرفیت نیروگاههای تجدیدپذیر بیشتر شوند، هزینه‌های بهره‌برداری کاهش پیدا می‌کند. نکته درخور توجه در این سناریو این است که با افزایش 10 برابری ظرفیت واحدهای تجدیدپذیر هزینۀ بهره‌برداری ریز‌شبکه به شدت کاهش پیدا کرده است. همچنین از جدول (4) می‌توان دریافت با این میزان احداث نیروگاه تجدیدپذیر نیازی به مشارکت در بازار روز - قبل نیست و مشترک می‌تواند تمام برق مورد نیاز خود را در بازار زمان - واقعی خرید/فروش کند.

جدول (4): تأثیر ظرفیت نیروگاههای تجدیدپذیر

سناریو

ضریب تغییر ظرفیت نیروگاه تجدیدپذیر

هزینه‌های بهره‌برداری (دلار)

DA

DA&RT

RT

1

0

907/572

0791/577

942/593

2

5/0

668/531

1313/556

852/570

3

1

8419/490

5332/535

8742/547

4

2

6981/410

3127/494

2396/502

5

3

7545/332

0749/452

1644/457

6

4

5455/256

6031/409

8892/412

7

5

9056/182

0836/367

4476/369

8

10

842/176-

1286/160

1279/160

 

 

شکل (14): نمودار تأثیرات ظرفیت نیروگاه تجدیدپذیر (خورشیدی و بادی) در زمان روز - قبل، زمان - واقعی و زمان مشارکت توأم روی هزینه‌های بهره‌برداری

حالت 5

در شکل (14) و جدول (5) تأثیر ظرفیت باطری روی هزینۀ بهره‌برداری نشان داده شده است. این سناریو نشان می‌دهد با افزایش ظرفیت باطری انعطاف‌پذیری بیشتری برای خرید/فروش انرژی به بهره‌بردار سیستم در هر سه حالت مشارکت در بازار روز - قبل، روز بعد و توأم داده شده است که درنهایت، موجب کاهش هزینه‌های بهره‌برداری ریز‌شبکه شده است.

همچنین برای نمونه، عملکرد ذخیره‌ساز در مدل اصلی در شکل (15) نشان داده شده است. عملکرد باطری نشان می‌دهد ریز‌شبکه در ساعات کم باری تمایل به شارژ داشته و در ساعات پیک که قیمت برق زیاد است، عمل دشارژ انرژی را برای تأمین بار انجام داده است.

جدول (5): تأثیر افزایش ظرفیت باطری بر هزینه‌های بهره‌برداری ریزشبکه

سناریو

انرژی باطری (کیلووات ساعت)

توان مبدل (کیلوولت)

هزینه‌های بهره‌برداری (دلار)

DA

DA&RT

RT

1

0

0

4367/493

6096/537

9437/549

2

50

10

1716/492

5851/536

9387/548

3

100

20

8419/490

5332/535

8742/547

4

150

30

5123/489

5213/534

8271/546

5

200

40

2832/488

5169/533

8116/545

6

250

50

0984/487

5096/532

8475/544

7

300

60

9136/485

564/531

9476/543

8

500

100

6842/481

0484/528

8147/540

9

1000

250

7771/470

7608/515

7427/531

 

 

شکل (14): نمودار تأثیرات ظرفیت باطری در زمان روز - قبل، زمان - واقعی و زمان مشارکت توأم روی هزینه‌های بهره‌برداری

 

 

شکل (15): عملکرد ذخیره‌ساز در مدل اصلی

 

حالت 6

در جدول (6) و شکل (16) مشخص است قیمت برق به قیمت گاز در زمان روز - قبل و واقعی وابسته است؛ به صورتی که با افزایش قیمت گاز، قیمت برق نیز افزایش می‌یابد و درنتیجه، هزینۀ بهره‌برداری کل ریز‌شبکه افزایش یافته است.

جدول (6): تأثیر افزایش قیمت گاز طبیعی بر هزینه‌های بهره‌برداری

سناریو

تغییرات قیمت برق

هزینه‌های بهره‌برداری (دلار)

DA

DA&RT

RT

1

1

8419/490

5332/535

8742/547

2

2

7613/552

4526/597

7935/609

3

3

6806/614

3719/659

7129/671

4

5

1244/738

2106/783

5516/795

5

7

1832/856

9941/902

2675/918

6

10

5928/978

494/1028

539/1064

 

شکل (16): قیمت برق به قیمت گاز در زمان روز - قبل و زمان - واقعی و مشارکت توأم

حالت 7

در این مدل اثر وجود عدم قطعیت روی هزینۀ ریز‌شبکه در مدل مشارکت توأم با توجه به جدول (7) مطالعه شده است. همچنان که مشاهده می‌شود نبود عدم قطعیت در میزان تولید تجدیدپذیرها باعث کاهش هزینه‌ها به‌صورت غیرواقعی شده است.

در سناریو اول اهمیت عدم قطعیت روی تجدیدپذیرها و باطری روی هزینۀ بهره‌برداری از ریز‌شبکه از همۀ حالات بیشتر است, به طوری که اگر دیده نشود، هزینۀ واقعی شبکه به‌صورت غیرواقعی خیلی کم دیده می‌شود که دلیل این امر فرض تولید حداکثر نیروگاههای تجدیدپذیر است. پس در نظر گرفتن عدم قطعیت روی تجدیدپذیرها حتی با ظرفیت کم در بهره‌برداری ریز‌شبکه امری اجتناب ناپذیر است؛ اما در مدلی که عدم قطعیت بار دیده نشده، هزینه‌های بهره‌برداری نسبت به سناریو اول افزایش چشمگیری یافته است که یک دلیل این امر، در نظر گرفتن عدم قطعیت در تولید نیروگاههای تجدیدپذیر است. همچنین در سناریو سوم نشان داده شده که اثر در نظر نگرفتن عدم قطعیت روی قیمت، موجب افزایش هزینۀ بهره‌برداری نسبت به سناریو دو شده است. مقایسۀ سناریو دو و سه نشان می‌دهد دلیل این امر اهمیت بیشتر در نظر گرفتن عدم قطعیت در بار و تا حد کمی در نظر نگرفتن عدم قطعیت در قیمت است که موجب افزایش بیشتر هزینه‌ها در شبکۀ موجود شده است. همچنین در سناریو چهارم، عدم قطعیت تمام موارد دیده شده که نسبت به سناریو سوم تاحد خیلی کمی هزینۀ بهره‌برداری را کاهش داده است. نتیجۀ مهم در اینجا این است که بهره‌برداری همزمان چندین حامل انرژی نظیر برق و گاز به‌شدت از اثر تغییرات قیمت برق روی هزینه‌های بهره‌برداری ریز‌شبکه کاسته و درواقع اثرات عدم قطعیت قیمت برق، چه در بازار روز - قبل یا زمان - واقعی کمرنگ شده است.

 

جدول (7): اثر عدم قطعیت‌ها روی هزینۀ بهره‌برداری ریز‌شبکه

 

سناریو‌ها

عدم قطعیت روی

1

2

3

4

بارها

ü

 

ü

ü

تجدیرپذیرها

 

ü

ü

ü

قیمت انرژی

ü

ü

 

ü

هزینه‌های بهره‌برداری (دلار)

05/493

58/529

70/535

53/535

 

در هیچ‌کدام از مقالات چاپ‌شده در [14-17] تمام عدم‌قطعیت‌های موجود بررسی همزمان نشده است. همچنین این مقالات فقط به بهره‌برداری ریزشبکه‌ها و حل مدل تنها در بازار زمان - واقعی پرداخته‌اند و تأثیر میزان پیشنهاد خرید و فروش انرژی را در بازار روز - قبل برای کاهش هزینه‌ها در بازار زمان - واقعی بررسی نکرده‌اند.

 

7- نتیجه‌گیری

در یک محیط با منابع مختلف، تولیدات پراکنده، تقاضا و قیمت انرژی در بازار برق، قطعی نیست. پس در چنین شرایطی، محاسبات قطعی خرید و فروش انرژی یک ریزشبکۀ چندحاملی با شبکۀ بالادست با در نظر گرفتن عدم‌قطعیت گوناگون نیاز به یک مدل استراتژی بهره‌برداری در بازار روز - قبل و زمان - واقعی ضروری به نظر می‌رسد؛ بنابراین، در این مقاله، بهینه‌سازی توزیع اقتصادی انرژی همزمان حامل‌ها برای سیستم‌های الکتریکی و هیدرولیکی در یک محیط با عدم قطعیت در بازار روز - قبل و زمان - واقعی در یک ریز‌شبکه چندحاملی صورت پذیرفته است. در این مدل، سیستم مدیریت انرژی ریز‌شبکه چندحاملی، پیشنهاد میزان خرید/فروش انرژی را به بهره‌بردار سیستم توزیع به‌منظور مشارکت در بازار روز - قبل ارائه می‌دهد. مسئلۀ بهره‌برداری هزینه‌های ریز‌شبکه را با در نظر گرفتن قیود و اطلاعات پیش‌بینی‌شده بهینه می‌کند. در این مدل شش پارامتر دارای عدم قطعیت‌های گوناگون نظیر قیمت برق در بازار روز - قبل و زمان - واقعی، تولیدات بادی و خورشیدی و میزان بارهای الکتریکی و حرارتی در نظر گرفته شده‌اند. درنهایت در این مقاله به بررسی یک مدل دو مرحله‌ای مشارکت توأم در بازار روز -قبل و زمان - واقعی برای تأمین بار الکتریکی و حرارتی و مقابله با عدم قطعیت‌های موجود به‌منظور کاهش هزینه‌های بهره‌برداری ریز‌شبکه پرداخته‌ شده است. این مسئله به‌صورت یک مدل خطی عدد صحیح آمیخته با نرم‌افزار GAMS و روش کاهش سناریو کانتروویچ حل شده است. در این مقاله از یک ریز‌شبکه چندحاملی برای اثبات اثرگذاری روش پیشنهادی استفاده شده است که در آن از یک رابط به نام سیستم‌هاب انرژی برای اتصال باس‌های مختلف به نقاط محلی در نظر گرفته شده است که درنهایت کار بهره‌برداری این ریز‌شبکه را تسهیل می‌کند. نتایج مدل پیشنهادی، اثرگذاری مشارکت توأمان در بازار روز - قبل و زمان - واقعی ریز‌شبکه چندحاملی و مزایای آن را نشان داده است. نتایج نشان می‌دهند بهره‌برداری ریز‌شبکه حدود 2.5% با مشارکت توأمان در بازار روز - قبل و زمان - واقعی نسبت به مشارکت تنها در بازار زمان - واقعی کاهش یافته است. همچنین نشان داده شد در حالتی که تمام عدم‌قطعیت‌ها در نظر گرفته شده باشند، ریز‌شبکه تمایل بیشتر به خرید انرژی در بازار روز - قبل به علت ارزانی برق و فروش انرژی در بازار زمان - واقعی قیمت بالاتر دارد. افزایش توان و ظرفیت باطری در ریزشبکه تأثیر بسزایی در کاهش هزینۀ بهره‌برداری ریزشبکه در زمان -واقعی شده است. با بررسی نتایج می‌توان درک کرد با افزایش قیمت برق در بازار زمان - واقعی هزینۀ‌ بهره‌برداری ریزشبکه به دلیل فروش انرژی، تقلیل چشم‌گیری یافته است. همچنین نشان داده شد بهره‌برداری همزمان چندین حامل انرژی نظیر برق و گاز به‌شدت از اثر عدم‌قطعیت‌های موجود روی هزینه‌های بهره‌برداری ریزشبکه کاسته است. علاوه بر آن، استفاده از روش احتمالاتی موجب شده است نتایج با در نظر گرفتن پارامترهای عدم قطعیت بسیار قابل اعتمادتر باشند.

در مطالعات بعدی می‌توان در زمینۀ بررسی استراتژی خرید و فروش انرژی بین چندریزشبکه و شبکۀ بالادست در بازار روز - قبل و زمان - واقعی در محیط بازارهای انرژی مختلف تحقیق کرد. همچنین انواع برنامه‌های پاسخگویی بار و اثر هر کدام از برنامه‌ها روی کاهش تراکم خطوط بین این ریز‌شبکه‌ها درخور بررسی است.

 

علائم

متغیر و پارامترها

 

قیمت

 

تولید انرژی

 

انرژی دریافت‌شده

 

انرژی انتقال داده شده

 

انرژی ذخیره‌ساز

I

متغیر باینری وضیعت ذخیره‌ساز

 

بار غیرپاسخگو

 

انرژی شارژ و دشارژشده ذخیره‌ساز

 

ساعت

 

تولیدات پراکنده

 

توان نامی

 

تابش خورشید

 

سرعت باد

 

پارامترهای انتخاب ویبال

 

پارامترهای انتخاب بتا

 

راندمان واحدها

 

ضریب هزینۀ نگهداری

 

ضریب کوپلاژ ذخیره‌ساز

 

انحراف استانداد

 

مقدار میانگین

 

شمارۀ ریزشبکه

 

سناریو

Pix

تأیید پیش خرید/فروش{0 عدم تأیید و 1 تأیید}

علائم یونانی

Ρ

قیمت خرید انرژی

 

ضریب توزیع گاز

 

احتمال

بالانویس

 

فتوولتائیک

 

توربین بادی

 

واحدهای تجدیدپذیر

 

مولد تولید همزمان

EHP

پمپ حرارتی الکتریکی

AB

بوبلر

ES

ذخیره‌ساز انرژی

Net

شبکه

 

مبدل تبدیل توان ذخیره‌ساز در حال شارژ

 

مبدل تبدیل توان ذخیره‌ساز در حال دشارژ

 

ترانسفورماتور

پایین‌نویس

 

برق

 

گاز طبیعی

 

حرارت

 

کل

 

حامل ورودی

 

حامل خروجی

 

نوع حامل

 

مقدار اولیه

 

تلفات انرژی ذخیره‌ساز

 

بهره‌برداری و نگهداری

 

توان نامی

 

سرعت حداقل

 

سرعت حداکثر

 

نقطه تابش خاص

 

شرایط استاندارد

اختصارات

RT

زمان - واقعی

DA

روز - قبل

OF

هزینه‌های بهره‌برداری

SOC

وضعیت شارژ باطری

ME

مبدل باطری



[1]تاریخ ارسال مقاله: 24/03/1398

تاریخ پذیرش مقاله: 16/02/1399

نام نویسنده مسئول: وحید امیر

نشانی نویسنده مسئول: ایران – کاشان – دانشگاه آزاد اسلامی واحد کاشان – دانشکده برق

[1]   S. Chowdhury, P. Crossley “Microgrids and active distribution networks,” Inst. Eng. Technol. 2009.
[2]   V. Davatgaran, M. Saniei, S. S. Mortazavi, " Optimal bidding strategy for an energy hub in energy market," Energy, Vol. 148, pp. 482-493, 2018.
[3]   R. Aboli, M. Ramezani, H. Falaghi, "Joint optimization of day-ahead and uncertain near real-time operation of microgrids," Electrical Power and Energy Systems, Vol. 107, pp. 34–46, 2019.
[4]   G. Liu, Y. Xu and K. Tomsovic, "Bidding Strategy for Microgrid in Day-Ahead Market Based on Hybrid Stochastic/Robust Optimization," in IEEE Tran. Smart Grid, Vol. 7, No. 1, pp. 227-237, Jan. 2016.
[5]   CERTS Microgrid Concept. [Online]. Available: http://certs.lbl.gov/certs-der-micro.html, 2003.
[6]   T. Zhao, X. Pan, S. Yao, C. Ju and L. Li, "Strategic Bidding of Hybrid AC/DC Microgrid Embedded Energy Hubs: A Two-stage Chance Constrained Stochastic Programming Approach," IEEE Transactions on Sustainable Energy, 2018.
[7]   S. Beer et al., “An economic analysis of used electric vehicle batteries integrated into commercial building microgrids,” IEEE Trans. Smart Grid, Vol. 3, No. 1, pp. 517–525, Mar. 2012.
[8]   R. Aboli, M. Ramezani, H. Falaghi, “Joint optimization of day-ahead and uncertain near real-time operation of microgrids,” International Journal of Electrical Power & Energy Systems, Vol. 107, pp. 34-46, May. 2019.
[9]   A. R. Majzoobi, A. Khodaei, "Application of microgrids in providing ancillary services to the utility grid," Energy, Vol. 123, pp. 555-563, March 2017.
[10]    V. S. Tabar, M. A. Jirdehi, R. Hemmati “Energy management in microgrid based on the multi objective stochastic programming incorporating portable renewable energy resource as demand response option,” Energy, Vol. 118, pp. 827–839, 2017.
[11]    J. Soares, M. A. F. Ghazvini, N. Borges and Z. Vale, “A stochastic model for energy resources management considering demand response in smart grids,” Electric Power Systems Research, Vol. 143, pp. 599–610, 2017.
[12]    Masoumeh Javadi, Mousa Marzban, and Seyyed Maziar Mirhosseini Moghaddam.” Optimal energy management in domestic Microgrids considering optimal distributed energy resources bidding strategy based on game theory method”, Computational Intelligence in Electrical Engineering, Vol. 6, No3, pp. 69–86, 2016.
[13]    Narges Parhizi , Mousa Marzband , Seyyed Maziar Mirhosseini Moghaddam , Fatemeh Azarinajadian , and Behnam Mohammadi-Ivatloo ,“Optimal energy management system implementation in power networks with multiple Microgrids by using multi-period imperialist competition” ,Computational Intelligence in Electrical Engineering, vol. 5, No1, pp.49-66, 2015.
[14]    I. G. Moghaddam, M. Saniei and E. Mashhour, “A comprehensive model for self-scheduling an energy hub to supply cooling, heating and electrical demands of a building,” Energy, Vol. 94, pp. 157–170, 2016.
[15]    M. Nazari-Heris, S. Abapour and B. Mohammadi-Ivatloo, “Optimal economic dispatch of FC- CHP based heat and power micro-grids,” Appl. Therm. Eng., Vol. 114, pp. 756-769, 2017.
[16]    M. H. Shams, M. Shahabi, M. Kia, A. Heidari, M. Lotfi, M. Shafie-khah and P.S. Joã Catalão, “Optimal operation of electrical and thermal resources in microgrids with energy hubs considering uncertainties,” Energy, Vol. 187, 2019.
[17]    M. H. Shams, M. Shahabi and M.E. Khodayar, “Stochastic day-ahead scheduling of multiple energy Carrier microgrids with demand response,” Energy, Vol. 155, pp. 326-338, 2018.
[18]    M. H. Shams, M. Shahabi, M. E. Khodayar, “Stochastic day-ahead scheduling of multiple energy Carrier microgrids with demand response,” Energy, Vol. 155, pp. 326-338, 2018.
[19]    N. Nikmehr, S. N. Ravadanegh, “Solving probabilistic load flow in smart distribution grids using heuristic methods,” Journal of Renewable and Sustainable Energy, Vol. 7(4), 2015.
[20]    K. C. Sharma, R. Bhakar, and H. P. Tiwari, “Influence of price uncertainty modeling accuracy on bidding strategy of a multi-unit GenCo in electricity markets,” Iran. J. Sci. Technol. Trans. Electr. Eng., Vol. 38, No. 2, pp. 191–203, 2014.
[21]    V. Amir, S. Jadid and M. Ehsan “Probabilistic Optimal Power Dispatch in Multi-Carrier Networked Microgrids under Uncertainties,” Energies, Vol. 10, pp. 1770, November 2017.
[22]    S. K. Aggarwal, L. M. Saini, A. Kumar, “Electricity price forecasting in deregulated markets: A review and evaluation,” Int. J. Electr. Power Energy Syst., Vol. 31, pp.13–22, 2009.
[23]    G. Kumbaroglu, R. Madlener, “Evaluation of economically optimal retrofit investment options for energy savings in buildings,” Energy Build., Vol. 49, pp. 327–334, 2012.
[24]    K. Sharma, R. Bhakar, H. P. Tiwari, “Influence of price uncertainty modeling accuracy on bidding strategy of a multi-unit GenCo in electricity markets,” Iran. J. Sci. Technol. Trans. Electr. Eng., Vol. 38, pp. 191–203, 2014.
[25]    S. N. Ravadanegh, T. Farhudi, N. Nikmehr, M. R. J. Oskuee, “Statistical analysis on results of optimal power sharing between linked microgrids,” Int. J. Ambient Energy, Vol. 38, pp. 710-718, 2016.
[26]    I. Prodan, E. Zio, “A model predictive control framework for reliable microgrid energy management,” Int. J. Electr. Power and Energy Syst., Vol. 61, pp. 399–409, 2014.
[27]    N. Nikmehr, S. Najafi-Ravadanegh, “Optimal operation of distributed generations in micro-grids under uncertainties in load and renewable power generation using heuristic algorithm,” IET Renew. Power Gener., Vol. 9, pp. 982–990, 2015.
[28]    S. Bahramirad, W. Reder, A. Khodaei, “Reliability-Constrained Optimal Sizing of Energy Storage System in a Microgrid,” IEEE Trans. Smart Grid, Vol. 3, pp. 2056–2062, 2012.
[29]    A. Sheikhi, M. Rayati, S.Bahrami, A.M. Ranjbar, “Integrated demand side management game in smart energy hubs,” IEEE Trans. Smart Grid, Vol. 6, pp. 675–683, 2015.
[30]    Eslami, R., Eyvazi, B., Soveyzi, M.H., Hosseini, S.A. and Aghaei, S.T., "A Multi-Objective Approach for Improving Technical Factors of Distribution Networks Considering Uncertainties in Loads and Wind Turbines," Indian Journal of Science and Technology, Vol. 9, p.43, 2016.
[31]    C. Adcock, M. Cvetkovic, A. Annaswamy, “Influence of Natural Gas Price and Other Factors on ISO-NE Electricity Price,” Massachusetts Institute of Technology, February 2015.
[32]    M. Geidl, G. Koeppel, P. Favre-Perrod, B. Klockl, G. Andersson and K. Frohlich, "Energy hubs for the future," IEEE Power and Energy Magazine, Vol. 5, No. 1, pp. 24-30, Jan.-Feb. 2007.
[33]    M. S. Javadi, A. Anvari-Moghaddam and J. M. Guerrero, "Optimal scheduling of a multi-carrier energy hub supplemented by battery energy storage systems," 2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC/ I&CPS Europe), Milan, 2017, pp. 1-6.