برنامه ریزی اقتصادی و محیط زیستی خانه های هوشمند با ریز شبکه (میکروگرید)
چکیده
ریزشبکه ها در مقایسه با سیستم های تولید انرژی مرکزی شده ی فعلی، تکنولوژی نوید دهنده ای در کاهش مصرف انرژی و انتشار کربن هستند. خانه های هوشمند به خاطر هزینه ی پایین تر انرژی و فراهم کردن آلودگی در حال محبوب شدن هستند. وظایف خانوار با مصرف انرژی انعطاف پذیر می تواند به صورت هماهنگ در میان چندین خانه ی هوشمند به منطور کاهش هزینه های اقتصادی و CO2 برنامه ریزی شود. با این حال، تعرفه ی برق همیشه به صورت مثبت با شدت CO2 در ارتباط نیست. در این کار، مدل برنامه ریزی خطی یکپارچه ی ترکیبی (MILP) برای برنامه ریزی مصرف انرژی در خانه های هوشمند با استفاده از یک سیستم ریزشبکه پیشنهاد شده است. وضایف مصرف انرزي روزانه با استفاده از جفت کردن قابلیت تحمل زیست محیطی و اقتصادی در بهینه سازی چند منظوره با روش محدودیت- برنامه ریزی شده است. دو موضوع ناسازگار عبارتند از به حداقل رساندن هزینه ی انرژی روزانه و انتشار CO2. عملیات منابع انرژی توزیع شده (DER) و وظایف خانوار برق-مصرف بر اساس تعرفه ی برق، شدت CO2 و پنجره ی زمان وظایف برقی برنامه ریزی شده اند. مدل پیشنهادی در ساختمان های هوشمند ۳۰ خانه در سه طرح قیمت مختلف اجرا شده است. تعرفه ی برق و مشخصات انتشار CO2 انگلستان برای مطالعه ی موردی به کار گرفته شده است. منحنی های پراتو برای هزینه و انتشار CO2 تبادل بین دو موضوع ناسازگار را نشان می دهد.
۱. مقدمه
به دلیل کاهش منابع طبیعی سوخت های فسیلی و گرم شدن جهانی، کاهش هزینه ی انرژی و الودگی دو مساله ی محبوب جهانی هستند. هدف برنامه ریزی تغییر اقلیم انگلستان، کاهش ۸۰٪ انتشار کربن تا سال ۲۰۵۰ بر اساس قرارداد تغییر اقلیم سال ۲۰۰۸ است. به طور خاص، در بریتانیا بخش انرژی مسئول بیشترین میزان انتشار گازهای گلخانه های در اتمسفر است (برای مثال ۳۰٪). در حال حاضر، سیستم های تامین برق عموما مبتنی بر چند کارخانه ی نسبتا بزرگ هستند که از سوخت های فسیلی استفاده می کنند و در محل های مرکزی کار می کنند. سپس برق از طریق شبکه های توزیع و انتقال به کاربران نهایی می رسد. سیستم های متمرکز تلفات انرژی کلی ۶۵٪ یا بیشتر را نشان می دهند که شامل تلفات در طول تولید انرژی، انتقال و توزیع است.
۶. نتیجه گیری
یک مدل MILP برای برنامه ریزی مصرف انرژی خانه های هوشمند دریون یک ریزشبکه پیشنهاد شده است. حداقل سازی های زیست محیطی و اقتصادی در یک بهینه سازی چند منظوره با روش محدودیت- پرداخته شده اند. مدل در یک مطالعه ی موردی از ۳۰ خانه ی هوشمند با عادات زندگی مشابه تحت سه طرح قیمت اجرا شده است. ۱۲ کار خانگی برقی با یکدیگر با عملیات DER در یک ریز شبکه ی اشتراکی برنامه ریزی شده اند. فرض شده است که تعرفه ی برق و شدت انتشار CO2 برای برنامه ریزی بهینه ی خانه های هوشمند موجد باشد. مشخصات داده برای یم روز تابستانی معمول در بریتانیا استفاده شده است. نتایج بهینه با تبادلات بین هزینه ی اقتصادی و انتشارات زیست محیطی به دست امده است.
Abstract
Microgrids are promising in reducing energy consumption and carbon emissions, compared with the current centralised energy generation systems. Smart homes are becoming popular for their lower energy cost and provision of comfort. Flexible energy-consuming household tasks can be scheduled co-ordinately among multiple smart homes to reduce economic cost and CO2. However, the electricity tariff is not always positively correlated with CO2 intensity. In this work, a mixed integer linear programming (MILP) model is proposed to schedule the energy consumption within smart homes using a microgrid system. The daily power consumption tasks are scheduled by coupling environmental and economic sustainability in a multi-objective optimisation with ε-constraint method. The two conflicting objectives are to minimise the daily energy cost and CO2 emissions. Distributed energy resources (DER) operation and electricity-consumption household tasks are scheduled based on electricity tariff, CO2 intensity and electricity task time window. The proposed model is implemented on a smart building of 30 homes under three different price schemes. Electricity tariff and CO2 intensity profiles of the UK are employed for the case study. The Pareto curves for cost and CO2 emissions present the trade-off between the two conflicting objectives.
1. Introduction
Due to fossil fuels depletion and global warming, energy cost and pollution reduction are two worldwide popular issues [1]. The UK Climate Change Programming, for example, aims to cut down 80% of carbon emissions by 2050 based on Climate Change Act 2008 [2]. In particular, in UK the energy sector is responsible of the highest amount of greenhouse gases to the atmosphere (i.e. 30%) [3]. At present, electrical supply systems are mainly based on relatively few large plants using conventional fossil fuels and operating in central locations. The power is then distributed to the final user via distribution and transmission networks. Centralised systems show overall energy losses of 65% or more, including losses during electricity generation, transmission and distribution [4].
6. Concluding remarks
An MILP model has been proposed to schedule the energy consumption of smart homes within a microgrid. Both environmental and economic minimisations are addressed in a multi-objective optimisation with e-constraint method. The model has been implemented on a case study of 30 smart homes with the same living habits under three price schemes. Twelve domestic electrical tasks are scheduled together with DER operation in the shared microgrid. Electricity tariff and CO2 emission intensity are assumed to be available for the optimal scheduling of the smart homes. Data profiles for a typical summer day in the UK are applied. Optimal results with trade-off between economic cost and environmental emissions are obtained.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
۱. مقدمه
۲. توصیف مشکل
۳. فرمول بندی ریاضی
۳.۱ محدودیت های ظرفیت
۳.۲ محدودیت های ذخیره ی انرژی
۳.۳ تعادل انرژی
۳.۴ زمان شروع و زمان پایان
۳.۵ شارژ پیک تقاضا
۳.۶ شارژ تقاضا
۳.۷ اهداف
۳.۸ روش محدودیت- با دو هدف
۴. مطالعه ی موردی
۵. نتایج محاسباتی
۵.۱ محیط محاسباتی
۵.۲ منحنی های پاراتو
۵.۳ تعادل انرژی
۵.۴ تقاضاهای کل و تقاضاهای پیک در طرح های قیمت مختلف
۶. نتیجه گیری
Abstract
1. Introduction
2. Problem description
3. Mathematical formulation
3.1. Capacity constraints
3.2. Energy storage constraints
3.3. Energy balances
3.4. Starting time and finishing time
3.5. Peak demand charge
3.6. Demand charge
3.7. Objectives
3.8. The e-constraint method with two objectives
4. Case study
5. Computational results
5.1. Computational environment
5.2. Pareto curves
5.3. Energy balances
5.4. Total demands and peak demands over the different price schemes
6. Concluding remarks
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه