تخصیص بهینه سیستم توزیعی تولید و ذخیره سازی انرژی در میکرو شبکه ها
چکیده
این تحقیق روش جدید تخصیص بهینه سیستم توزیعی تولید ( DG) و ذخیره انرژی (ESS) را در ریز شبکه ها ( MG ها ) توضیح می دهد. مسائل عملی تخصیص بهینه دارای توابع ناهموار هزینه ای با قیدهای تساوی و نا برابری هستند که مسئله یافتن بهینه کلی را با استفاده از روشهای ریاضی مشکل می سازنند. الگوریتم تنظیم و کنترل گنجایش دینامیکی در ساختار الگوریتم ماتریس ژنتیکی حقیقی – کد گذاری شده ( MRCGA) به منظور بررسی توابع ناهموار هزینه یکپارچه شدند. تابع هزینه به بررسی کمینه سازی هزینه عملیات و نیز کمینه سازی هزینه سرمایه گذاری در زمان بررسی MG می پردازد. بعلاوه ، قید برابری ذخیره انرژی به منظور مدیریت حالت شار و بار EES در MG ها استفاده می شود . در حالی MRCGA جهت کمینه سازی نابع هزینه سیستم استفاده می شود ، که آن را جهت تامین تقاضا مشتری و امنیت سیستم قید دار میکند. مجموعه ای از گنجایش های بهینه و استراتژی های عملیات اقتصادی منابع ESS و DG مشخص و تعیین شدند . نتایج شبیه سازی محاسباتی جهت تایید اثر بخشی روش پیشنهادی ارایه می شوند.
1-مقدمه
نیاز به کاهش برون ریز ها و انتشارات آلاینده گاز و افزایش مصرف انرژی منجر به افزایش گنجایش و ظرفیت تاسیسات منابع انرژی تجدید شدنی و سیستم ذخیره انرژی ( ESS) شده است. امروزه ، مهندسی الکتریکی و انرژی با سناریو و برنامه جدیدی روبرو هستند که در آن منابع توزیعی اندک تولید ( DG) و دستگاه های متنوع ذخیره انرژی باید در شبکه الکتریکی یکپارچه و ادغام شوند. شبکه جدید الکتریکی که نیز شبکه هوشمند نامیده می شود ( SG) ، برق را با استفاده از تکنولوژی دیجیتالی از تولید کننده های الکتریسته به مشتریان تحویل می دهند، و از این رو ، هزینه برق را کاهش و اعتبار شفافیت آن را افزایش می دهند. انرژی خروجی منابع انرژی تجدید شدنی به علت اثرات جغرافیایی ، آب و هوایی ، اقلیمی و سایر عوامل خارجی موقتی و پیش بینی ناپذیر هستند ، و منجر به پیچیدگی تبادل انرژی بین منابع DG ، ESS ها و سایر انرژی ها میشوند. بعلاوه، کاربر قادر به خریداری برق از شبکه و ارایه انرژی مازا د منابع DG خود به شبکه است که به خودی خود پیچیدگی و مشکلات تبادل انرژی را بین منابع توزیعی ، ESS ها و بار در میکرو شبکه ( MG و شبکه اصلی افزایش می دهد.
Abstract
This study presents a new approach for optimal allocation of distributed generation (DG) and energy storage system (ESS) in microgrids (MGs). The practical optimal allocation problems have non-smooth cost functions with equality and inequality constraints that make the problem of finding the global optimum difficult using any mathematical approaches. A dynamic capacity adjustment algorithm is incorporated in the matrix real-coded genetic algorithm (MRCGA) framework to deal with the non-smooth cost functions. The proposed cost function takes into consideration operation cost minimisation as well as investment cost minimisation at the same time for the MG. Moreover, an energy storage equality constraint is applied to manage the state of charge of EES in MGs. The MRCGA is used to minimise the cost function of the system while constraining it to meet the customer demand and security of the system. For each studied case, sets of optimal capacities and economic operation strategies of ESS and DG sources are determined. The computational simulation results are presented to verify the effectiveness of the proposed method.
1 Introduction
The needs to reduce pollutant gas emissions and the increasing energy consumption have led to an increase in installation capacity of renewable energy sources and energy storage system (ESS) [1–4]. Nowadays, electrical and energy engineering have to face a new scenario in which small distributed generation (DG) sources and dispersed energy-storage devices have to be integrated together into the electrical grid [5]. The new electrical grid, also named smart grid (SG), will deliver electricity from suppliers to consumers using digital technology, thus reducing cost and increasing reliability and transparency [6–8]. As the impact of geography, climate, weather and other external factors, the output energy of renewable energy sources is intermittent and unpredictable [9, 10], which will cause the complexity of energy exchange between the DG sources, ESSs and load. Furthermore, the user can purchase electricity from the grid and can also sell surplus energy of the own DG sources to the grid, which will increase the complexity of energy exchange between the distributed sources, ESSs and load in the microgrid (MG) and the main grid [11–13].
چکیده
سیستم نامگذاری
1-مقدمه
2- توصیف سیستم MG
2.1: سیستم هوشمند مدیریت انرژی SEMS) MG)
2.2:آرایه فتو الکتریک ( PV)
2.3: سلول ماده محترقه (FC)
2.4:میکرو توربین ( MT)
3- مسئله بهینگی
4- اجرا مدل بهینه سازی
5.شبیه سازی و تحلیل نتایج
6-نتیجه گیری
Abstract
Nomenclature
1 Introduction
2 System description of MGs
2.1 Smart energy management system (SEMS) of the MG
2.2 Photovoltaic (PV) array
2.3 Fuel cell (FC)
2.4 Microturbine (MT)
2.5 ESS model
3 Optimisation problem
3.1 Optimisation model
3.2 Optimisation constraints
4 Implementation of the optimisation model
5 Simulations and results analysis
6 Conclusion
- 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