دانلود مقاله جبران سازی بار زدایی منصفانه و کنترل غیرمتمرکز شبکه هوشمند به منظور جلوگیری از وقوع خاموشی های متوالی

چکیده
     شواهد نشان می‌دهد که احتمال کم پیشامد خط (قطعی خط)  در شبکه‌های برق ممکن است باعث وقوع خاموشی‌های گسترده ناشی از شکست‌های پی‌درپی (خاموشی‌های متوالی)  شود. با توجه به توسعه فناوری‌های جدید و افزایش تعداد روزافزون شرکت‌کنندگان ناهمگن ، یک شبکه برق مدرن یا هوشمند باید بتواند با انجام دائم خودترمیمی اختلالات درونی‌اش را رفع کند تا احتمال پیشامد غیرقابل‌پیش‌بینی را تشخیص داده و علاوه بر جلوگیری از وقوع پیشامد، پاسخ مناسبی برای آن داشته باشد و خود را بازیابی نماید. در این مقاله علاوه بر موضوعات فوق به چگونگی جلوگیری از وقوع خاموشی‌های متوالی از طریق بار زدایی (جدا شدن از شبکه) شرکت‌کنندگان ناهمگن شبکه برق پرداخته می‌شود. برای بار زدایی منصفانه به روش غیرمتمرکز الگوریتمی پیشنهاد می‌شود، در این الگوریتم نیاز است که مصرف‌کننده فقط به وضعیت کاری خود و ارتباطش با مصرف‌کنندگان هم‌جوار نظارت داشته باشد. الگوریتم بار زدایی منصفانه  با استفاده از مکانیسم بازخورد جاسازی‌شده  (تعبیه‌شده)، می‌تواند بر اساس معیار عدالت نسبی  (و بدون اطلاع از هزینه‌های بار زدایی شرکت‌کنندگان) مقدار جبران‌سازی حاشیه‌ای  را برای هر مصرف‌کننده به صورت زمان‌حقیقی  (خیلی سریع و بدون وقفه) تعیین کند. این جبران‌سازی می‌تواند به ژنراتورها (مولدین یا تولیدکنندگان برق) و مصرف‌کنندگان انگیزه کافی دهد تا به هنگام وقوع پیشامد خط مشارکت فعالی در کاهش بار داشته باشند. درنهایت مشخصات الگوریتم بار زدایی از طریق انجام یک تحقیق تجربی بر روی شبکه برق استاندارد IEEE  با 30 باس ارزیابی می‌شود. این مقاله بینش جدیدی را در زمینه برنامه‌ریزی اضطراری و بهبود طراحی شبکه‌های هوشمند خودترمیم ارائه می‌کند.

مقدمه
     اطلاعات موجود نشان می‌دهد که قطع برق گسترده ناشی از خاموشی‌های متوالی شبکه‌های برق را با اختلالات درونی و بیرونی مواجه کرده است [13،25،11]. خاموشی‌های غیرقابل‌پیش‌بینی ممکن است تأثیرات زیادی بر فعالیت‌های وابسته به برق، مانند حمل‌ونقل هوایی و ریلی، تأمین آب و خدمات بیمارستانی داشته باشد. به‌عنوان‌مثال، در جریان وقوع خاموشی گسترده کانادا- آمریکا در 14 اوت 2003، بیش از 400 خط انتقال و 531 مولد برق متوقف شد و تقریباً 50 میلیون نفر تحت تأثیر این خاموشی قرار گرفتند [31]. آزمایشگاه ملی فناوری انرژی وزارت نیروی ایالات‌متحده ابتکار جدیدی در شبکه‌های مدرن انجام داده است، در این نوآوری انواع تولیدکنندگان برق (به‌عنوان‌مثال منابع انرژی توزیع‌شده)، ذخیره‌سازها [17]، زیرساخت‌های پیشرفته اندازه‌گیری [12،21] و همچنین مشارکت فعال مصرف‌کنندگان (مثل برنامه‌های عرضه- تقاضا)، با هم یکپارچه می‌شوند و شبکه بزرگی از شرکت‌کنندگان هوشمند ناهمگن تشکیل می‌گردد. این امر به دلیل وابستگی متقابل بیشتر و پیچیدگی تجهیزات الکتریکی به ملزومات امنیتی و قابل اطمینان‌تری نیاز دارد. بدین منظور در این مقاله به چگونگی جلوگیری از وقوع خاموشی‌های متوالی با درنظرگرفتن رفتارهای مستقل و تعاملات زمان‌حقیقی (هم‌زمان) شرکت‌کنندگان ناهمگن در شبکه هوشمند پرداخته شده است.

نتیجه‌گیری و اقدامات آتی
     در این مقاله، ما بر روی مسائل جلوگیری از وقوع خاموشی‌های متوالی در یک شبکه هوشمند تمرکز کردیم. صرف‌نظر از بار زدایی ناشی از عدم تطابق فرکانس یا ولتاژ، مسئله چگونگی جداسازی مصرف‌کننده و تولیدکننده قبل از وقوع خاموشی‌های متوالی را بررسی کردیم. به‌طور خاص، مجموع جریان توان به صورت جریان برق dc مدل‌سازی گردید. سپس، مشکل بار زدایی به عنوان یک مسئله بهینه‌سازی شبکه محدود با توجه به عدالت بار زدایی تدوین شد. علاوه بر این یک الگوریتم غیرمتمرکز بار زدایی منصفانه با یک مکانیسم بازخورد جاسازی‌شده ارائه شد تا (1) جبران‌سازی بار زدایی به صورت زمان‌حقیقی و بر اساس معیار عدالت نسبی تعیین شود، (2) مجموع بار و توان برای جداسازی از شبکه در زمان پیشامد خط به حداقل برسد. مطالعات تجربی بر روی شبکه IEEE با 30 باس انجام شد تا مشخصات و اثربخشی الگوریتم مشخص گردد.
     الگوریتم غیرمتمرکز ارائه‌شده در این مقاله ممکن است به درک بیشتر چگونگی پیشگیری از خاموشی‌های متوالی در یک شبکه هوشمند کمک کند. با این حال هنوز مسائلی وجود دارد که در آینده باید مورد توجه قرار گیرد:
•    اگرچه در مکانیسم بازخورد جاسازی‌شده نیازی نیست تجهیز مرکزی مقدار دقیق بار زدایی هر شرکت‌کننده را بداند، اما یک مسئله مهم این است که چگونه به شرکت‌کنندگان این انگیزه را بدهد تا درخواست‌های جبران‌سازی‌شان را بر اساس توابع هزینه بار زدایی واقعی خودشان اعلام کنند.
•    ما یک روش برای تعیین جبران بار زدایی بر اساس معیار عدالت نسبی پیشنهاد کردیم، اما ممکن است روش‌های واقعی دیگری برای تعیین جبران‌سازی به صورت زمان‌حقیقی وجود داشته باشد (مثلاً معیاری نظیر کاهش مجموع هزینه‌های بار زدایی).
•    ازآنجاکه به دست آوردن راکتانس مقادیر خطوط انتقال در یک شبکه برق واقعی دشوار است، در این مقاله الگوریتم‌هایمان را در شبکه IEEE  با 30 باس شبیه‌سازی کردیم. در آینده از الگوریتم‌هایمان برای تجزیه و تحلیل و ارزیابی قابلیت اطمینان شبکه‌های برق واقعی (مانند شبکه برق آمریکای شمالی [1،24])، با تعیین تقریبی پارامترهای آن شبکه استفاده خواهیم کرد.

Abstract

     Evidence shows that a small number of line contingencies in power systems may cause a large-scale blackout due to the effects of cascading failures. With the development of new technologies and the growing number of heterogeneous participants, a modern/smart grid should be able to self-heal its internal disturbances by continually performing self-assessment to deter, detect, respond to and restore from unpredictable contingencies. Along this line, this research focuses on the problem of how to prevent the occurrence of cascading failures through load shedding by considering heterogeneous shedding costs of grid participants. A fair load-shedding algorithm is proposed to solve the problem in a decentralized manner, where a load-shedding participant need only monitor its own operational status and interact with its neighboring participants. Using an embedded feedback mechanism, the fair load-shedding algorithm can determine a marginal compensation price for each load-shedding participant in real time based on the proportional fairness criterion, without knowing the shedding costs of the participants. Such fairly determined compensations can help motivate loaders/generators to actively participate in the load shedding in the face of internal disturbances. Finally, the properties of the load-shedding algorithm are evaluated by carrying out an experimental study on the standard IEEE 30 bus system. The study will offer new insights into emergency planning and design improvement of self-healing smart grids.

Introduction

     Historical data shows that power systems have suffered from series of internal and external disturbances leading to various degrees of blackouts due to the effect of cascading failures [13,25,11]. An unpredictable blackout may severely affect activities reliant on electricity, such as railway and air transportation, water supply and hospital services. For example, during the U.S.-Canada blackout of August 14, 2003, over 400 transmission lines and 531 generating units tripped and approximately 50 million people were affected [31]. According to the modern grid initiative conducted by the National Energy Technology Laboratory of the U.S. Department of Energy, many types of electrical generation (e.g., distributed energy resources), storage options [17], advanced metering infrastructure [12,21], as well as the active participation of consumers (e.g., demand-response programs), will in future be integrated to form a huge network of heterogeneous intelligent participants. This will introduce more rigorous reliability and security requirements due to the increasing interdependency and complexity of electric elements. In this context, this work is dedicated to tackling the problem of how to prevent the occurrence of cascading failures by taking into consideration autonomous behaviors and real-time interactions of heterogeneous participants in a smart grid.

Conclusion and future work

     In this paper, we have concentrated on the problem of how to prevent the occurrence of cascading failures in a smart grid. Different from the practical under-voltage load shedding and under-frequency load shedding, we have paid special attention to the problem of how to shed the loads and generation before cascading failures happen. Specifically, the power flow dynamics is approximated by the dc power flow model. Then, the load-shedding problem is formulated as a constrained network optimization problem by taking into consideration the load-shedding fairness. Along this line, we have presented a decentralized fair load-shedding algorithm with an embedded feedback mechanism to (i) determine the load-shedding compensations in real time based on the proportional fairness criterion, and (ii) minimize the total amount of shed loads and generation after line contingencies happen. Experimental studies on the IEEE 30 bus system have been carried out to exhibit the properties and effectiveness of the algorithm.

     The decentralized algorithm proposed in this paper may help gain more insights into the prevention of cascading failures in a smart grid. However, there are still some issues that are worth to be considered in the future:

 Although a focal agent in the embedded feedback mechanism do not need to know the exact shedding costs of each loadshedding participant, one important issue is how to motivate the participants to announce compensation requests based on their real shedding cost functions.

 We have proposed one way to determine the load-shedding compensations based on the proportional fairness criterion, however, there may be other realistic ways to determine compensations in real time such as the criterion to reduce the total load-shedding costs.

 Since it is difficult to obtain the reactance values of transmission lines in a real-world power system, in this paper, we have only simulated our algorithms in the IEEE 30 bus system. In the future, we would apply use our algorithms to analyze and evaluate the reliability of real-world power systems, such as the North American power grid [1,24], by approximately determining their system parameters.

(جهت بزرگ نمایی روی عکس کلیک نمایید)

چکیده
مقدمه
بیان مسئله
مدل جریان برق اکتیو
مسئله بهینه‌سازی بار زدایی
عدالت بار زدایی
الگوریتم غیرمتمرکز بار زدایی منصفانه
مشخصات تجهیزات
بار زدایی با استفاده از مکانیسم بازخورد جاسازی‌شده
عدالت بار زدایی غیرمتمرکز
مکانیسم بازخورد جاسازی‌شده و پیاده‌سازی آن
جبران‌سازی بار با استفاده از مفهوم شبکه باقی‌مانده
تشریح مطالب و نتایج تجربی
شبکه استاندارد IEEE با 30 باس و پارامترهای آن
مشاهدات و نتایج
نتیجه‌گیری و اقدامات آتی
منابع

Abstract
Introduction
Problem statement
Active power flow model
The load-shedding optimization problem
The load-shedding fairness
A decentralized fair load-shedding algorithm
Agents’ profiles
Load shedding using an embedded feedback mechanism
Decentralized load-shedding fairness
An embedded feedback mechanism and its implementation
Load recovery using the concept of residual network
Experimental results and discussions
The IEEE 30 bus system and parameter settings
Results and observations
Conclusion and future work
References