Assessing the impact of load response on microgrids with the aim of increasing the reliability and stability of network voltage by examining the uncertainty in the production of renewable resources

Document Type : Research Article

Authors

1 Faculty of Engineering, Department of Electrical Engineering, Hamedan Branch, Islamic Azad University, Hamedan, Iran

2 Faculty of Engineering, Department of Electrical Engineering, Bu-Ali Sina University, Hamedan, Iran

3 Dept. of Electrical Engineering, Ayatollah Borujerdi University, Borujerd, Lorstan, Iran

Abstract

In this paper, a method for evaluating the impact of load response on microgrids is presented. Several different modes have been stimulated to better understand the problem. A hybrid optimization algorithm including gray wolf optimization algorithm and shark olfactory optimization algorithm to optimize the multi-purpose objective function under limited conditions and constraints. In addition, to determine the uncertainty in the production of renewable energy sources, the Monte Carlo method has been used to produce the scenario. The parameters considered in this method include technical parameters such as network losses, generation cost, and reliability index and voltage deviation. The proposed method is implemented using a hybrid optimization algorithm using MATLAB software on a modified 69-bus system, including wind turbines, solar power plants and energy storage systems. The results show that the proposed method will increase network productivity.

Keywords


1- مقدمه[1]

بروز مشکل افزایش جمعیت و کمبود ظرفیت منابع طبیعی در فراهم‌آوردن برق مورد نیاز یک منطقه، سیاست‌گذاران آن منطقه را به فکر واداشت که با ارائۀ راه‌حل مناسب، تلفات و مشکلات ناشی از تأمین برق را به حداقل برسانند. همچنین در طی دو دهه گذشته به دلیل روند اقبال عمومی به انرژی پاک و همچنین خصوصی‌سازی در صنعت برق و مسئلۀ تجدید ساختار در دستگاه‌های قدرت، استفاده از انرژی‌های نو شایان توجه قرار گرفته است. استفاده از انرژی‌های نو با توجه به نوع منبع انرژی نمی‌تواند مانند نیروگاههای مرسوم انجام شود؛ بنابراین، باعث ایجاد تولید به‌صورت پراکنده در سطح شبکه می‌شود. این مسائل موجب شده است تولید پراکنده به‌عنوان یک انتخاب مناسب برای تولید و پاسخگویی به افزایش تقاضای مصرف مطرح شود. استراتژی‌های مؤثری با نام برنامۀ پاسخگویی تقاضا برای مدیریت و کنترل سمت تقاضا مدنظر قرار گرفته است.

در این زمینه، مطالعات فراگیری صورت گرفته که برخی از آنها بر پایۀ روش‌های کلاسیک بنا شده و برخی دیگر بر پایۀ روش‌های فراابتکاری است؛ به چند نمونه اشاره می‌شود:

نیسا و توماس (2017) در تحقیقی از نقش پاسخگویی تقاضا در بهره‌برداری در یک ریز‌شبکه خودکار و با در نظر گرفتن عدم قطعیت تعادل بین توان تولیدی و توان مصرفی استفاده کرده‌اند [1]. در این مقاله، پایداری ولتاژ و فرکانس نیز مدنظر قرار گرفته است. ملا‌حسنی‌پور و همکاران (2017) دو شبکه به‌صورت شبکۀ خانگی و شبکۀ مجاور را با در نظر گرفتن برنامۀ پاسخگویی تقاضا ارزیابی کرده‌اند. هدف اصلی در این پژوهش، رضایت‌مندی حداکثری مشتری و تحت پایداربودن شبکه است. برنامۀ پاسخگویی بار تحت اعمال قیود کاری و ایمنی برای جلوگیری از پرداخت هزینه‌های اضافی درخصوص برنامه‌های تعمیراتی در بهره‌برداری از سیستم به کار می‌رود [2]. هاوارد و همکاران (2012) طرحی از پاسخگویی بار چند‌مرحله‌ای و هماهنگی میان آنها را ارائه داده‌اند؛ به نحوی که حداکثر پاسخگویی بار، بیشترین منفعت و سود را داشته باشد. نتایج نشان می‌دهند به‌کارگیری خودروهای برقی در سیستم سطح باردهی سیستم را افزایش می‌دهد [3]. وانگ و پران چاپه (2017) یک سیستم چندمنظوره را برای پاسخگویی بار در ریزشبکه، تحلیل و ارزیابی کرده‌اند. این مدل برای مدیریت انرژی خانگی به‌صورت هوشمندانه‌ای به کار گرفته می‌شود [4]. علیپور و همکاران (2018) از یک مدل برنامه‌ریزی آماری برای بهره‌برداری بهینه تحت پاسخگویی بار استفاده کرده‌اند که در آن هزینه‌های کلی، کاهش یافته است. در این پژوهش، عدم قطعیت بار و قیمت در مدل آماری لحاظ شده‌اند. طبق نتایج به‌دست‌آمده در این مطالعه، روش ارائه‌شده در این تحقیق، سبب کاهش هزینه‌های اقتصادی و بهبود شاخص‌های فنی می‌شود [5].

پانوار و همکاران (2017) دربارۀ پاسخگویی بار با برنامه‌ریزی هماهنگ‌شده در ریز‌شبکه کار کرده‌اند. در این مقاله، چندین مقایسه در زمینه‌های فنی و اقتصادی تحت پاسخگویی بار آورده شده است [6]. فنگ و همکاران (2018) ارزیابی برنامۀ پاسخگویی بار را درخصوص ظرفیت منابع تجدیدپذیر در ریزشبکه‌ها بررسی کرده‌ا‌ند. در این پژوهش، یک مدل ترکیبی از قابلیت اطمینان برای پاسخگویی بار با در نظر گرفتن عدم قطعیت و فرآیند بازیابی بار در نظر گرفته شده است [7]. زیمیران و همکاران (2011) در تحقیقی تأثیر شاخص‌های احتمالاتی از منابع انرژی و بهبود قابلیت اطمینان شبکه‌های متعارف را ارزیابی کرده‌اند [8].

در [9] به برنامۀ پاسخگویی تقاضا با در نظر گرفتن عدم قطعیت سرعت باد و تابش خورشید پرداخته و با استفادۀ توابع احتمالی چون تابع ویوبال، میزان سرعت باد و تابش خورشید پیش‌بینی شده است. در این مقاله، سیستم آزمایش‌شده، یک سیستم سه ژنراتور به همراه توربین‌های بادی و نیروگاههای خورشیدی است. در [10] پخش بار اقتصادی در کشور پاکستان با به‌کارگیری نیروگاههای خورشیدی در شهر اسلام‌آباد ارائه شده است. در این مقاله از پخش بار اقتصادی / زیست‌محیطی برای بهینه‌سازی در شبکه‌ای حاوی 6 نیروگاه حرارتی و 13 نیروگاه خورشیدی استفاده ‌شده است. روش بهینه‌سازی استفاده‌شده در این مقاله، روش بهینه‌سازی ازدحام ذرات باینری است. در این روش از تمام نیروگاههای خورشیدی در طی فرایند بهینه‌سازی استفاده نمی‌شود؛ بلکه تعدادی از آنها به‌صورت تصادفی در ابتدای کار، انتخاب و با توجه به تابع شایستگی، بهترین آنها انتخاب می‌شوند. در [11] برنامۀ پاسخگویی تقاضا در ریزشبکه، بررسی و نیز مدل‌های ریاضیاتی و راه‌حل‌های مربوط به پخش بار دینامیکی با در نظر گرفتن شبکه‌ای حاوی توربین‌های بادی، سلول‌های خورشیدی، میکرو توربین‌ها، پیل‌های سوختی و دیزل ژنراتورها مطالعه شده‌اند. روش بهینه‌سازی در این مقاله، روش بهینه‌سازی ازدحام ذرات بهبودیافته و روش مونت‌کارلو است. مطالعات بسیاری در زمینۀ استفاده از منابع تجدیدپذیر در ریزشبکه انجام شده است؛ ازجمله، بهینه‌سازی در ذخیره‌سازی باتری‌ها در ریزشبکۀ مستقل با استفاده از روش ازدحام ذرات که در این مقاله، با استفاده از روش کنترل فرکانس، پایداری شبکه، بهبود بخشیده شد [12]. در مقاله [13] یک روش مدیریت هوشمند برای استفاده از ماشین‌های برقی ارائه شده است. در مقاله [14] تأثیر برنامۀ پاسخگویی تقاضا و نیز مکان‌یابی مناسب منابع تجدیدپذیر روی سرمایه‌گذاری و نیز کاهش تلفات لحاظ شده است. مطالعات زیادی در زمینۀ برنامۀ پاسخگویی تقاضا همراه با ماشین‌های برقی انجام‌ شده است؛ ازجمله، یک مطالعه همراه با در نظر گرفتن محدودیت‌های عملی در مقاله [15]. در مقاله [16] به چگونگی فرمول‌بندی برنامۀ پاسخگویی تقاضا در ریزشبکه پرداخته است. با وجود ارائۀ مقالات متعدد، که به مهم‌ترین آنها اشاره شد، و نظر به فراگیری و پیچیدگی‌های مسئله و دسترسی‌نداشتن به پاسخ بهینۀ مطلق، همچنان مطالعات در این زمینه ادامه دارد.

در این مقاله، یک روش برای ارزیابی تأثیر پاسخگویی بار در ریزشبکه‌ها ارائه ‌شده است که در آن توابع هدف شامل تلفات کل و هزینۀ تولید کل، شاخص قابلیت اطمینان و ضریب انحراف ولتاژ است. همچنین مقایسه‌ای میان سیستم سنتی با سیستمی صورت می‌پذیرد که منابع انرژی تجدیدپذیر و منابع ذخیره‌ساز انرژی در آن نصب شده‌اند. در این مطالعه، کارایی سیستم در چندین سطوح باردهی به‌منظور دسترسی به یک تحلیل عددی ارزیابی شده و نیز برای حل مسئلۀ بهینه‌سازی، از یک روش بهینه‌سازی ترکیبی جدید استفاده شده که ترکیبی از دو روش الگوریتم بهینه‌سازی گرگ خاکستری و الگوریتم بهینه‌سازی بویایی کوسه است. با توجه به نتایج به‌دست‌آمده، مؤثربودن روش ترکیبی مذکور تأیید می‌شود.

ساختار مقاله به این ترتیب است: در بخش 2، شبکه مطالعه‌شده و تابع هدف و قیود مسئله لحاظ شده است. در بخش 3، روش بهینه‌سازی و در بخش 4، نتایج مربوط به مدل‌سازی عدم قطعیت ارائه شده‌اند. درنهایت، نتایج حاصل از شبیه‌سازی آورده شده‌اند و در بخش پایانی، نتیجه‌گیری ‌شده است.

 

2- شبکۀ مطالعه‌شده

شبکۀ توزیع سنتی معمولاً به شبکۀ اصلی متصل است که به‌تنهایی بارها را تغذیه می‌کند. فاصلۀ بین بار و شبکۀ اصلی نسبتاً طولانی است و این امر سبب تلفات زیاد و افت ولتاژ در شبکه می‌شود. به‌کارگیری منابع تجدیدپذیر انرژی، امتیازات زیادی را به ارمغان آورده‌اند [9]. نخستین امتیاز به‌کارگیری منابع تجدیدپذیر این است که قابلیت اطمینان سیستم بهبود می‌یابد و دلیل آن این است که بارها با چندین منبع انرژی تغذیه می‌شوند [24]. دومین نکته مربوط به کاهش مسافت بین تولیدکنندۀ توان و مصرف‌کنندۀ توان است؛ البته از معایب منابع تجدیدپذیر، تغییرات و عدم قطعیت منابع تجدیدپذیر انرژی‌اند که این امر با به‌کارگیری ذخیره‌سازهای انرژی مرتفع می‌شود.

در این تحقیق، ارزیابی کمی و کیفی از منابع تجدیدپذیر و منابع ذخیره‌ساز انرژی ارائه شده است. در هر سطح از ارزیابی مسئله، بهینه‌سازی در یک بازه زمانی 24 ساعته، یک ساعت به یک ساعت صورت می‌پذیرد. تبادل پخش توان دو جهتِ است؛ بدین معنا که مصرف انرژی و فروش انرژی به شبکه میسّر بوده و هزینۀ انرژی مصرفی نیز مدنظر قرار گرفته است.

هر بار مصرفی به سه نوع تقسیم می‌شوند که به‌صورت بارهای انطباق‌پذیر با توان، بارهای انطباق‌پذیر با زمان و بارهای کنترل‌ناپذیرند.

بارهای انطباق‌پذیر با توان، بارهایی‌اند که برای برنامۀ پاسخگویی بار مناسب‌اند؛ بدین گونه که مصرف توان خود را مطابق با برنامۀ پاسخگویی بار تغییر می‌دهند.

بارهای انطباق‌پذیر با زمان، نوعی دیگر از بارهای کنترل‌پذیرند که زمان مصرف توان را مطابق با برنامۀ پاسخگویی تقاضا تغییر می‌دهند؛ ازجمله این بارها ماشین‌های لباسشویی و دستگاههای تهویه هوا هستند.

بارهای ‌کنترل‌ناپذیر، بارهایی‌اند که هیچ‌گونه تغییری در تقاضاهایشان ندارند؛ برای مثال، یخچال‌ها و توسترها و کتری‌های برقی.

 

2-1- تابع هدف چندمنظوره

در این مقاله، تابع هدف چندمنظوره به‌صورت زیر است.

(1)

 

 

دررابطۀ فوق مربوط به تلفات سیستم، مربوط به شاخص پایداری ولتاژ، مربوط به هزینۀ تولید منابع تجدیدپذیر و دفع مواد آلایندگی و  مربوط به شاخص‌های قابلیت اطمینان است. در رابطۀ فوق مجموع ضرایب وزنی  تا  برابر 1 است.

 

2-2- تلفات توان

پس از محاسبۀ پخش بار شبکه و به دست آوردن مقادیر نهایی ولتاژها و جریان‌ها، تلفات اکتیو از رابطه زیر محاسبه شده‌اند:

(2)

 

در رابطه یادشده، زمان برحسب ساعت است و  تعداد باس‌ها و  مقدار ولتاژ مختلط باس است.  مقدار ادمیتانس امین عنصر ماتریس است و  مقدار زاویۀ ولتاژ فاز است و  مقدار زاویۀ عنصر امین ماتریس ادمیتانس است.

 

2-3-شاخص پروفیل ولتاژ کل

شاخص پروفیل ولتاژ کل از رابطۀ زیر محاسبه می‌شود.

(3)

 

برای بهبود شاخص پروفیل ولتاژ باید مقدار  را در حد پذیرفتنی کاهش داد؛ به ‌طوری که در محدودۀ مجاز قیود ولتاژ رعایت شود.

 

2-4-هزینۀ تولید منابع تجدیدپذیر و هزینه‌های مربوط به آلایندگی

در این مقاله، هزینه‌های مربوط به بهره‌برداری و مدیریت و نیز هزینه‌های مربوط به آلایندگی محیط‌زیست و هزینه‌های شارژ و دشارژ ماشین‌های برقی به‌صورت زیر فرمول‌بندی شده‌اند:

(4)

 

(5)

 

(6)

 

(7)

 

 

در رابطه‌های فوق،  هزینۀ تولید و مدیریت است.  و  ضرایب هزینه‌اند.  هزینۀ تولید منابع تجدیدپذیر و  هزینۀ مربوط به مدیریت منابع تجدیدپذیر و ضریب مصرف سوخت منابع تجدیدپذیر و ضریب مدیریت منابع تجدیدپذیر و  توان خروجی تولیدی منابع تجدیدپذیر و  نیز تعداد عناصر تجدید پذیر است؛ هزینۀ مربوط به آلایندگی به شرح زیر است:

(8)

 

در رابطۀ فوق،  هزینۀ آلایندگی مربوط به امین دیزل ژنراتور و  مربوط به ضریب آلایندگی امین دیزل ژنراتور است.

 

2-5-شاخص قابلیت اطمینان

2-5-1-شاخص احتمال از دست دادن بار

این شاخص به‌صورت قابلیت اطمینان تأمین بار توسط شبکه و منابع تجدیدپذیر است و به‌صورت زیر ارائه می‌شود:

(9)

 

 

2-5-2- برنامۀ پاسخگویی تقاضا

در برنامۀ پاسخگویی تقاضا، توان بار اصلی باید کمتر از مقدار حداکثرش باشد و در معادله 10 نشان داده شده است. به‌علاوه، بار کل از مجموع بارهای اصلی و غیراصلی به دست می‌آید و مطابق با معادله 11 است.

(10)

 

(11)

 

 

مدل بار انطباق‌‌پذیر با توان به‌صورت معادله 12 بیان می‌شود.

(12)

 

مدل بار انطباق‌‌پذیر با زمان به‌صورت معادله 13 بیان می‌شود.

(13)

 

 

2-5-3       مدل اجزا

در این بخش، اطلاعات مربوط به اجزای سیستم به‌صورت زیر معرفی می‌شوند:

الف) فتوولتائیک

در سال‌های اخیر در بیشتر کشورها استفاده از سلول‌های خورشیدی افزایش چشمگیری داشته است. توان خروجی سیستم‌های فتوولتائیک به شرایط آب‌وهوایی و میزان تابش خورشید و نیز درجه حرارت پنل خورشیدی وابسته است. این عوامل وابسته به هم به‌صورت معادله 14 نشان داده ‌شده است.

(14)

 

ب) توربین‌های بادی

توان خروجی توربین‌های بادی بستگی به‌سرعت بادی دارد که به پره‌های آن برخورد می‌کند؛ بنابراین، توان خروجی توربین‌های بادی به‌صورت معادله 15 است.

(15)

 

 

پ) ذخیره‌سازهای انرژی

این مجموعه‌ها برای متعادل‌کردن انرژی شبکه به کار می‌روند و معمولاً به دو حالت کار می‌کنند؛ مدل‌های حالت شارژ و دشارژ شدن که به‌صورت معادله 16 هستند.

(16)

 

در حالت فرآیند شارژشدن به‌صورت معادله 17 است.

(17)

 

 

در حالت فرآیند دشارژشدن به‌صورت معادله 18 است.

(18)

 

که در آن:

: میزان تخلیه است که برحسب بیان می‌شود.

: میزان شارژ باتری

: راندمان باتری در حالت شارژ و دشارژ شدن است.

: ظرفیت باتری است که برحسب kWh بیان می‌شود.

 

3- روش بهینه‌سازی

3-1- الگوریتم بهینه‌سازی گرگ خاکستری

الگوریتم بهینه‌سازی گرگ خاکستری، یکی از جدیدترین الگوریتم‌های هوش دسته‌جمعی و فراابتکاری است. این فرایند یک فرایند گروهی برای شکارکردن است. از این روش در چندین کاربرد در مطالعۀ سیستم‌های قدرت ازقبیل پخش بار اقتصادی استفاده شده است [17]. در این روش، 4 رهبر سلسله مراتب وجود دارد که به‌ترتیب آلفا، بتا، دلتا و گاما نام دارند. رهبران گروهها موقعیت شکار را به‌طور تقریبی تخمین می‌زنند و مکانشان را نسبت به شکار یا قربانی به‌روزرسانی می‌کنند و درنهایت، پس از احاطه‌کردن، آن را شکار می‌کنند. هر گرگ یک تابع هدف است. کوتاه‌ترین راه برای شکارکردن، جواب مسئله است. مشابه دیگر روش‌های هوشمند بهینه‌سازی، هر گرگ باید موقعیت مکانی خود را به‌روزرسانی کند تا به بهترین موقعیت برسد و همچنین بهترین حل در هر تکرار باید نسبت به بهترین حل مجموعه جواب‌ها به‌روزرسانی شود. این روش شامل چهار فرایند است: فضای جستجوی تصادفی برای شکار، احاطه‌کردن شکار، شکارکردن، گرفتن شکار یا قربانی.

 

3-1-1- جستجوی تصادفی برای شکار

مشابه همۀ روش‌های فراابتکاری، تعدادی اطلاعات اولیه برای شروع الگوریتم موردنیاز است. هر گرگ به‌طور تصادفی در فضای جستجو قرار گرفته است.

 

3-1-2- احاطه‌کردن شکار

طبق ارزیابی موقعیت تصادفی هر گرگ، جواب‌های تخمینی 4 رهبر سلسله مراتبی به دست می‌آیند و با توجه به این جواب‌ها موقعیت بعدی هر گرگ محاسبه می‌شود. موقعیت فعلی هر گرگ را با  نشان می‌دهند و بهترین موقعیت شکار  است. موقعیت بعدی هر گرگ به‌صورت معادله 19 خواهد بود.

(19)

 

 

 

در معادلۀ فوق، و ضرایب وزنی‌اند که تصادفی تولید می‌شوند و به‌صورت معادله 20 و 21 بیان می‌شوند.

(20)

 

(21)

 

که  و  اعدادی بین بازه صفر تا یک‌اند و  نیز یک عدد تصادفی بین بازه صفر تا دو است که به‌صورت خطی کاهش پیدا می‌کند.

 

 

3-1-3- شکارکردن

حرکت بعدی هر گرگ مطابق با فاصله‌ای تعیین می‌شود که از گرگ‌های آلفا، بتا و گاما دارد؛ بدین‌گونه که هر گرگ باید نسبت به سایر گرگ‌ها آگاه باشد. این مزیّت روش‌های هوش دسته‌جمعی است. راه شکارکردن با گرگ‌های خاکستری به‌صورت معادله‌های 22 تا 28 بیان می‌شود.

(22)

 

(23)

 

(24)

 

(25)

 

(26)

 

(27)

 

(28)

 

 

در معادله‌های فوق،  و  و  به‌ترتیب متغیرهای جستجو هستند. وقتی گرگ‌ها شکار را احاطه می‌کنند، حرکت‌کردن را متوقف می‌کنند و این متوقف‌کردن به مقدار  بستگی دارد. عدد تصادفی [-2a, 2a] معیار خاتمه حرکت است. توجه شود A یک عامل مهم در فضای جستجو است و این مقدار بین [1,1-] قرار می‌گیرد و هرچه این مقدار بزرگ‌تر باشد‌، فضای جستجو دارای انحراف معیار بزرگ‌تری خواهد بود.

 

3-1-4- گرفتن شکار

در این حالت، مقدار  کاهش و A نیز افزایش می‌یابد و گرگ‌ها نیز بدین‌وسیله گام‌های کوتاه‌تری بر می‌دارند و آهسته‌تر حرکت می‌کنند.

 

3-2- الگوریتم بهینه‌سازی بویایی کوسه

این روش فراابتکاری براساس رفتار شکارکردن کوسه‌ها از مایل‌ها دور عمل می‌کند. در این روش، وقتی‌ یک شکار یا طعمه زخمی می‌شود، خون آن به داخل دریا ریخته می‌شود و سپس شامۀ کوسه، آن را از فاصلۀ دور حس می‌کند و به دنبال بو می‌آید و طعمه را شکار می‌کند. این الگوریتم در مقاله [18] به‌طور کامل تشریح شده است. در این روش باید اصول زیر را مدنظر داشت:

1-شکار، خونریزی می‌کند و درحال خونریزی است. خون شکار به‌طور پیوسته درحال ریختن به داخل دریا است و سرعت قربانی به دلیل جراحت، کاهش چشمگیری یافته و نسبت به‌سرعت بالای کوسه قابل چشم‌پوشی است و در این حالت، قربانی با سرعت ثابت و مکان ثابت در نظر گرفته می‌شود.

2-خون شکار به‌طور پیوسته درحال ریختن به داخل دریا است و به دلیل سرعت بالای کوسه‌ها از سرعت آب جاری در مقابل سرعت کوسه صرف‌نظر می‌شود.

3-شکار، تنها منبع خون است که با کوسه دنبال می‌شود.

 

3-2-1- آماده‌سازی اجزا

یک مجموعه از جواب‌ها در فضای جستجو به‌طور تصادفی شکل می‌گیرد و هر جواب به‌صورت جزئی از اجزا بیان می‌شود که محل احتمالی کوسه برای شکار است. بردار جواب به‌صورت معادله 29 بیان می‌شود.

(29)

 

هر  به‌صورت معادله 30 محاسبه می‌شود.

(30)

 

 

در معادلۀ فوق، به‌صورت jامین و iامین مکان کوسه است.

 

3-2-2- حرکت رو به ‌جلوی کوسه

در هر مکان، کوسه به‌سوی قربانیِ درحال خونریزی و دارای سرعت ثابت، با سرعت v حرکت می‌کند و به قربانی نزدیک می‌شود. بردار اولیۀ موقعیت سرعت به‌صورت معادله 40 است که شامل سرعت‌های اولیه است.

(31)

 

سرعت هر کوسه در kامین تکرار به‌صورت  بیان می‌شود و مقدار  به‌صورت معادله 32 بیان می‌شود:

(32)

 

 

جمله  گرادیان نقطه  است. موقعیت‌ها با بردار سرعت و با معادله 33 به‌روزرسانی می‌شوند.

(33)

 

 

 

3-2-3- حرکت چرخشی

وقتی کوسه به سمت جلو درحال حرکت است، یک حرکت چرخشی نیز دارد که بدین وسیله محل دقیق خونریزی را پیدا می‌کند و نیز سریع‌تر به محل خونریزی می‌رسد. در این الگوریتم بهینه‌سازی، به این فرایند، فرایند جستجوی محلی گویند که به‌صورت معادله 34 مدل می‌شود.

(34)

 

 

 

3-2-4- به‌روزرسانی مکان

مکان جدید هر اجزا به‌صورت معادله 35 بیان می‌شود.

(35)

 

 

در معادله فوق، M تعداد حرکت چرخشی کوسه‌هاست. درنهایت، بهترین پاسخ در مجموعه کوسه‌ها با  بیان می‌شود.

 

3-3 - روش پیشنهادی ترکیبی

برای بالابردن راندمان، از ترکیب این دو الگوریتم استفاده ‌شده است. فرآیند انجام کار در روش ترکیبی به‌صورت زیر است:

مرحلۀ اول: روش الگوریتم گرگ خاکستری فضای جستجو را جستجو می‌کند و بهترین جواب را ارائه می‌دهد.

مرحلۀ دوم: بهترین جواب به‌دست‌آمده در مرحلۀ اول به روش الگوریتم بویایی کوسه فرستاده می‌شود.

مرحلۀ سوم: الگوریتم بویایی کوسه شروع به بهینه‌سازی اطراف بهترین جواب فرستاده‌شده از مرحلۀ اول می‌کند.

مرحلۀ چهارم‌: بهترین جواب به‌دست‌آمده از مرحلۀ قبل به الگوریتم گرگ خاکستری فرستاده می‌شود تا دوباره با دقت بیشتری بهترین جواب به دست آید.

مرحلۀ پنجم: اگر شرط خاتمه محقق شود، الگوریتم فوق به همگرایی و تکرار مراحل فوق به پایان می‌رسد و بهترین جواب ارائه می‌شود. این روش ترکیبی، هر دو فضای جستجو و فضای اکتشاف را پوشش می‌دهد. فلوچارت الگوریتم ترکیبی در شکل 1 نمایش داده شده است.

 

 

شکل (1): فلوچارت الگوریتم ترکیبی

 

4- تولید و کاهش سناریو عدم قطعیت

در این مقاله، برای پوشش عدم قطعیت پارامترهای طراحی سیستم از روش تولید سناریو استفاده‌ شده است. در این روش با استفاده از شبیه‌سازی مونت‌کارلو از روی تابع توزیع احتمالاتی متغیرهای سیستم، تعدادی حالت تصادفی برای متغیرهای سیستم، ایجاد و سپس احتمال وقوع هر حالت محاسبه می‌شود.

روابط (36) تا (39) به‌ترتیب نمونه‌های استخراج‌شده از توزیع‌های احتمالاتی برای بار، تولید توربین بادی و تولید سلول‌های خورشیدی را نشان می‌دهد که مجموع احتمالات آنها باید برابر یک باشد. رابطه (39) نحوۀ ترکیب نمونه‌ها را برای تولید سناریوها نشان می‌دهد که مجموع احتمالات سناریوهای تولیدشده باید همواره برابر

(36)

 

(37)

 

(38)

 

(39)

 
     

 

با یک باشد. در روابط فوق و  به‌ترتیب احتمال وقوع حالت‌های محتمل بار، تولید توربین بادی و صفحات خورشیدی را نشان می‌دهند. همچنین  مقدار عددی مقادیر استخراج‌شده از توزیع احتمالاتی برای بار، تولید توربین بادی و صفحات خورشیدی را به‌ترتیب ارائه می‌دهد و Ns تعداد کل سناریوهای تولیدی است. برای در نظر گرفتن عدم قطعیت، سناریوهای مختلف تعریف می‌شود. برای تعریف سناریو از توابع توزیع احتمالی موجود استفاده می‌شود [19].

 

 

5- نتایج

5-1- سناریو‌ها

در سیستم‌های توزیع سنتی، هیچ‌گونه منابع تجدیدپذیر و ذخیره‌ساز انرژی وجود ندارند؛ بنابراین برای ارزیابی حالات مختلف بهره‌برداری یک سیستم، سناریو‌های زیر در نظر گرفته می‌شوند.

سناریو-1: تمامی بارها تنها با شبکۀ اصلی تغذیه می‌شوند و انتظار می‌رود هزینۀ تولید توان و تلفات شبکه و پروفایل، ولتاژ بالا باشد. هزینۀ تحویل انرژی از طرف شبکه به مصرف‌کننده معادل 50 دلار بر مگاوات ساعت در نظر گرفته می‌شود. سطوح باردهی به‌صورت 0 و 50 و 100 درصد فرض می‌شوند. اطلاعات و نتایج شبیه‌سازی روی شبکۀ اصلاح‌شده 69 باسه IEEE در شکل 2 نمایش داده شده است.

 

 

شکل (2): شبکۀ اصلاح‌شدۀ 69 باسه IEEE

 

 

 

پروفایل بار کامل روزانه هر مصرف‌کننده در شکل 3 ارائه شده است. هزینۀ تلفات برابر با 100 دلار بر مگاوات ساعت در نظر گرفته شده است.

 

 

شکل (3): تغییرات ساعتی هر بار

سناریو-2: منابع انرژی تجدیدپذیر ازقبیل سلول‌های خورشیدی و توربین‌های بادی به شبکه متصل شده‌اند. میزان تولید ساعتی پنل‌های خورشیدی و توربین‌های بادی به‌ترتیب در شکل‌های 4 و 5 به ترتیب نشان داده شده‌اند.

 

 

شکل (4): تغییرات ساعتی پنل‌های خورشیدی

 

 

شکل (5): تغییرات ساعتی توربین‌های بادی

 

5-2- داده‌های شبیه‌سازی

در سناریو 1، بار کل 1000 مصرف‌کننده در شکل 6 نشان داده شده است. در حالت اوج مصرف شبکه، بار اصلی می‌تواند به‌صورت مقطعی قطع شود و در ساعات کم‌بار دوباره به شبکه وصل شود؛ این امر سبب می‌شود اصلاح بار در شبکه به وجود آید و پروفایل بار صاف‌تر باشد که در شکل 6 به‌وضوح مشخص است. با افزایش مقدار بار اصلی، الگوی مصرف توان بهبود می‌یابد و برنامۀ پاسخگویی تقاضا، طرف مصرف‌کننده را کنترل و مدیریت می‌کند؛ درنتیجه، اصلاح بار و ضریب شکل بهبود می‌یابند.

 

شکل (6): بار کل مصرفی برای سطوح مختلف باردهی

 

شکل‌های 7 و 8 و 9 هزینۀ کل توان تولیدی، پایداری ولتاژ شبکه و ولتاژ باس‌ها را در سناریو 1 به‌ترتیب نشان می‌دهند.

 

 

شکل (7): هزینۀ کل توان تولیدی تحت سطوح باردهی مختلف در سناریو 1

 

شکل (8): پایداری ولتاژ کل تحت سطوح مختلف باردهی در سناریو 1

 

شکل (9): پروفایل ولتاژ در سناریو 1

 

همچنین در سناریو 1، تلفات شبکه برای سطوح مختلف نفوذ بار 0، 50 و 100 به‌ترتیب عبارت‌اند از MW 6.831 MW, 6.045, MW 5.783.

 

در شکل 8 مشاهده می‌شود شاخص پایداری ولتاژ شبکه با افزایش سطح نفوذ بار پاسخگو، در حدود 19 درصد بهبود یافته است. در شکل 9 نیز وضعیت پروفایل ولتاژ شبکه نمایش داده شده است که نشان می‌دهد افزایش بار پاسخگو سبب بهبود پروفایل ولتاژ شبکه شده و در حدود 11 درصد رشد داشته است.

نتایج سناریو 2 در شکل‌های 10، 11، 12 نمایش داده شده‌اند که به‌ترتیب بیان‌کنندۀ هزینۀ کل شبکه و شاخص پایداری شبکه و پروفایل ولتاژ سیستم است. با توجه به شکل 10، با افزایش سطح باردهی در ریزشبکه، هزینۀ شبکه کاهش می‌یابد. در شکل 11 با افزایش سطح باردهی شاخص پایداری ولتاژ شبکه بهبود می‌یابد. همچنین در شکل 12، انحراف ولتاژ کم با افزایش سطح باردهی به دست می‌آید. مقایسۀ سناریو 1 و 2 نشان می‌دهد با اضافه‌کردن منابع انرژی تجدیدپذیر، انحراف ولتاژ بسیار کم می‌شود؛ بنابراین، قابلیت اطمینان و امنیت شبکه با افزودن منابع انرژی تجدیدپذیر افزایش می‌یابد. شکل  13 نیز هزینه‌های مربوط به کاهش آلاینده‌ها را نمایش می‌دهد. همچنین در سناریو 2، تلفات شبکه برای سطوح مختلف نفوذ بار 0، 50 و 100 به‌ترتیب عبارت‌اند از MW 4.367 MW, 5.152 MW, 5.083.

 

 

شکل (10): هزینۀ کل در سناریو 2

 

 

شکل (11): پایداری ولتاژ کل تحت سطوح مختلف باردهی در سناریو 2

 

 

شکل (12): پروفایل ولتاژ در سناریو 2

 

 

شکل (13): کاهش هزینه‌های آلاینده‌ها

 

در جدول 1 نیز روش پیشنهادی با الگوریتم‌های موجود براساس شاخص‌های مختلف مقایسه شده است. نتایج نشان می‌دهند روش پیشنهادی رتبۀ همگرایی بالاتری دارد و نیز شانس رسیدن به مینیمم محلی آن نیز زیاد است؛ اما زمان اجرایی برنامه، بالاست و پیچیدگی بالاتری در مقایسه با روش‌های دیگر در پیاده‌سازی خواهد داشت.

 

جدول 1: مقایسه میان روش‌های مختلف در شبکه 69 باس

GWO+SSO

ACO

[20]

DE

[21]

SA

[22]

ABC

[23]

پارامترها

50

50

50

50

50

اندازه جمعیت

100

100

100

100

100

تعداد تکرار

859 sec

568 sec

289 sec

514 sec

428 sec

زمان اجرا

70

50

30

60

50

پیچیدگی کد %

زیاد

متوسط

متوسط

زیاد

متوسط

احتمال رسیدن به مینیمم محلی

1

3

4

3

2

رتبه همگرایی

 

6- تحلیل حساسیت

در اینجا به‌منظور انتخاب استراتژی مناسب برای افزایش پایداری شبکه و کاهش هزینه، به دنبال تعیین تأثیر پارامترهای کلیدی مدل بر خروجی آنیم؛ بنابراین، در این بخش، تأثیر پارامترهای توان تولیدی واحدها، میزان بار پاسخگویی بر توابع هدف بررسی شده است؛ نتایج حاصل در جداول 2 درج شده‌اند. همان‌طور که مشاهده می‌شود با افزایش پارامترهای PLوPG ، با توجه به جدول 2 و 3، افزایش توان سبب کاهش تلفات سیستم، افزایش شاخص پایداری ولتاژ، کاهش هزینۀ توان خریداری از شبکۀ بالادست و افزایش شاخص قابلیت اطمینان شبکه می‌شود.

 

جدول 2- تحلیل حساسیت مدل نسبت به پارامتر PL

20

15

10

5

0

PL

4.7538

5.4061

5.637

6.053

6.831

F1

1.57

1.41

1.32

1.15

1.07

F2

182681

198734

216381

238718

264547

F3

4.29

5.73

6.25

7.19

8.65

F4

 

جدول 3- تحلیل حساسیت مدل نسبت به پارامتر PG

2.5

2

1.5

1

0.5

PG

5.351

5.549

5.816

6.184

6.351

F1

1.63

1.49

1.38

1.26

1.16

F2

178516

185271

206384

228146

253164

F3

5.16

5.74

6.26

6.84

7.16

F4

 

7- نتیجه‌گیری

 در این مقاله، یک ریزشبکه متعارف تحت چندین سناریو و سطوح باردهی مختلف آزمایش شد. تأثیر منابع تجدیدپذیر و ذخیره‌ساز انرژی با روش الگوریتم ترکیبی گرگ خاکستری و بویایی کوسه ارزیابی شد. نتایج نشان می‌دهند افزایش سطح باردهی، تلفات توان، مصرف توان و نیز هزینۀ کل را کاهش می‌دهد و نیز سبب بهبود انحراف ولتاژ می‌شود. همچنین افزودن منابع تجدیدپذیر و ذخیره‌ساز انرژی نوسانات توان و تلفات شبکه را کاهش می‌دهد. افزودن منابع تجدیدپذیر، امتیازاتی ازقبیل کاهش هزینۀ تولید و کاهش تلفات و بهبود پروفایل ولتاژ را به همراه دارد. تجمیع تولیدات پراکنده هزینۀ تولید را کاهش می‌دهد و نیز تلفات شبکه و شاخص انحراف ولتاژ را بهبود می‌بخشد. مجموعه ذخیره‌سازهای انرژی می‌تواند به نحوی پاسخگوی تغییرات بار باشد و نیز تلفات شبکه را تا حدی کاهش دهد و یک پروفایل بار مسطح و تخت را برای سیستم فراهم کند.



[1] تاریخ ارسال مقاله: 01/07/1398

تاریخ پذیرش مقاله: 20/03/1399

نام نویسنده مسئول: محمد حسن مرادی

نشانی نویسنده مسئول: دانشکده فنی ‌و مهندسی - دانشگاه بوعلی‌سینا – همدان - ایران

[1]   A. Nisar, M. S. Thomas, "Comprehensive control for microgrid autonomous operation with demand response", IEEE Transactions on Smart Grid, Vol. 8, No. 5, pp.2081-2089, August 2017.
[2]   M.Pour, M. Rashidinejad, M. Abdollahi, A. Forghani, "Demand Response Resources' Allocation in Security-Constrained Preventive Maintenance Scheduling via MODM Method", IEEE Systems Journal, Vol. 11, No. 2, 1196-1207.
[3]   B.Howard,L.Parshal,J.Thompson,S.Hammer,J.Dickinson,V.Modi, "Spatial distribution of urban building energy consumption by end use,Energy and Buildings", Vol. 45, No. 2, 141-151, 2012.
[4]    Z. Wang, R. Paranjape, "Optimal residential demand response for multiple heterogeneous homes with real-time price prediction in a multigene framework", IEEE transactions on smart grid, Vol. 8, No. 3,pp. 1173-1184, 2017.
[5]   M. Alipour, K. Zare, M. Abapour, "MINLP probabilistic scheduling model for demand response programs integrated energy hubs", IEEE Transactions on Industrial Informatics, Vol. 14, No. 1, pp. 79-88, 2018.
[6]   L. Panwar, K. Konda, S. R. Verma, A. Panigrahi, B. K. Kumar, "Demand response aggregator coordinated two-stage responsive load scheduling in distribution system considering customer behavior", IET Generation, Transmission & Distribution, Vol. 11, No. 4, pp.1023-1032, 2017.
[7]   J. Feng, B. Zeng, D. Zhao, G Wu,. Z. Liu, J. Zhang, "Evaluating demand response impacts on the capacity credit of renewable distributed generation in smart distribution systems", IEEE Access, Vol. 2, No. 4 pp. 14307-14317, 2018.
[8]   R. Zimmerman, D. Murillo-Sánchez, R. J. Thomas, "MATPOWER: Steady-state operations, planning, and analysis tools for power systems research and education", IEEE Transactions on power systems, Vol. 26, No. 1, pp 12-19,2011.
[9]   N. Ahmed Khan, A. B.Awan, A. Mahmood, "Combined emission economic dispatch of power system including solar photo voltaic generation", International Journal of Electrical Power&Energy Systems, Vol. 12, No. 4, pp.82-91,2015.
[10]  X. Ran, S.Miao, Z. Jiang, H. Xu, "A framework for uncertainty quantification and economic dispatch model with wind–solar energy", International Journal of Electrical Power&Energy Systems, Vol. 2, No. 8, pp.23-33,2015.
[11]  H. Wu, X.Liu, M. Ding, "Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm",International Journal of Electrical Power&Energy Systems, Vol. 11, No. 9,pp.336-346,2014.
[12]  S. Han, K. Sezaki," Design of an optimal aggregator for vehicle-to-grid regulation service", IEEE Trans Smart Grid, 2010.
[13]  D. Sara, A.S. Masoum, P.S. Moses, M. Masoum," Real-time coordination of plug-in electric vehicle charging in smart grids to minimize power losses and improve voltage profile", IEEE Trans Smart Grid, Vol. 5, No. 2, pp.456-461, 2011.
[14]  L. Zhipeng, F. Wen, G. Ledwich ,"Optimal planning of electric-vehicle charging stations in distribution systems", Power deliver. IEEE Trans, Vol. 3, No. 7, pp.102-112, 2012.
[15]  P. Fernandez, T. Gomez, S .Roman, R. Cossent, C. Domingo, P. Frías ,"Assessment of the impact of plug-in electric vehicles on distribution networks. Power systems", IEEE Trans, Vol. 10, No. 6, pp.206-213, 2011.
[16]  M.A Abdelaziz, H.E Farag, E.F El-Saadany, Y. A Mohamed "novel and generalized three-phase power flow algorithm for islanded microgrids using a newton trust region method", IEEE Trans Power Sys, Vol. 2, No. 7, pp.190-201, Feb. 2013.
[17]  H. Rezaei, O. Bozorg-Haddad, X. Chu, " Grey Wolf Optimization (GWO) Algorithm. In Advanced Optimization by Nature-Inspired Algorithms", Springer, Singapore, Vol. 3, No. 2, pp. 81-91, 2018.
[18]  S. Mohammad-Azari, O. Bozorg-Haddad, X. Chu, "Shark Smell Optimization (SSO) Algorithm. In Advanced Optimization by Nature-Inspired Algorithms", Springer, Singapore, Vol. 11, No. 2, pp. 93-103, 2018.
[19]  A. J. Conejo, M. Carrión , J. M. Morales, "Decision Making under Uncertainty in Electricity Markets", Springer, New York, Vol. 5, No. 3, pp.208-222, 2010.
[20]   M. Kefayat, A. Lashkar Ara, NA. Nabavi Niaki. "A hybrid of ant colony optimization and artificial bee colony algorithm for probabilistic optimal placement and sizing of distributed energy resources", Energy Conversion and Management, Vol. 5, No. 7, pp.149–161,2015.
[21]  R .Storn, K. Price, " Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces", J Global Optim, Vol. 2, No. 4, pp.11:341–59, 1997.
[22]  O. Ekren, B.Y. Ekren, "Size optimization of a PV/wind hybrid energy conversion system with battery storage using simulated annealing", Appl Energy, Vol. 5, No. 5,pp-592–602,2010.
[23]  K. Roy, K.K Mandal, "Hybrid optimization algorithm for modeling and management of micro grid connected system", frontiers in energy, Vol. 8, No. 3, pp 305–314, Sept, 2014.
[24]  M. Shahabi, M. Rezaie," Simultaneous location of scattered production resources and separator keys to reduce losses and improve reliability in distribution network with the possibility of island performance and time-varying loads improved by genetic algorithm",Computational intelligence in electrical engineering, Vol. 6, No. 4, pp.107-120, 2016.