دانلود رایگان مقاله مدیریت انرژی در توزیع شبکه ای با استفاده از یک سیستم ذخیره ساز انرژی باتری

چکیده

              در سال 2008 ایالت هاوایی ابتکار انرژی پاک را با هدف تامین 70 درصد از انرژی مورد نیاز خود از انرژی پاک تا سال 2030 آغاز کرد. ( 40 درصد از انرژی تجدیدپذیر و 30 درصد از بازده انرژی) سیستم ذخیره ساز انرژی باتری کنترل پذیر (BESS) میتواند برای مدیریت کردن منابع تجدیدپذیرِ متناوب بر روی سیستم نیرو استفاده شوند تا هم به جریان و هم مسائل سطح سیستم رسیدگی کنند. نتایج شبیه سازی و تجربی از اجرای یک الگوریتم جدید برای شارژ کردن و دِشارژ کردن سیستم با استفاده از اطلاعات شبکه ی واقعی برای کنترل کردن یک BESS برای هدف peak load shaving (اصلاح اوج جریان بار /کاهش استفاده از بار در زمان اوج مصرف و ذخیره کردن آن)، صاف کردن منحنی نیرو و تنظیم ولتاژ منتقل کننده ی توزیع در دسترس هستند. دو هدف بهینه سازی برای پیک سایی بار وجود دارند که در آنها روش پیش بینی بار استفاده شده است. برنامه ی BESS برای تنظیم ولتاژ آزمایش شده و با آزمون های مختفی آنالیز شده و نتایج مشاهده و بحث شده اند.

مقدمه

             افزودن منابع تجدیدپذیر در شبکه های نیرو در آمریکا در سال های اخیر به سرعت رو به افزایش است. دستگاههای فتوولتاژیک Photovoltaic  سریعترین فهرست رشد تجدپذیر را با 60 درصد نرخ رشد دارند که شامل نیروی باد با 27 درصد و سوخت های زیستی با 18 درصد هستند. ذات طبیعی تمام شدنی منابع تجدیدپذیر، برخی چالش هایی را برای ادامه دادن گسترش کاربرد آنها ایجاد کرده است با توجه به محدودیت های وجود تسهیلات قراردادی تولیدات، که بیشتر برای کارایی طراحی شده اند تا انعطاف پذیری ، و سیستم های انتقال و توزیع موجود که بیشتر برای جریان نیروی  یک طرفه و اتصال جریان طراحی شده اند تا ارتباطات درونی تولیدات.

            ذخیره ی انرژی یکی از روش هایی است به تنوع منابع تجدپذیر رسیدگی میکند. دستگاه های ذخیره ی انرژی محصول مازاد انرژی در طول دوره ی کاهش تقاضا باشند و انرژی ذخیره شده را در دوره ی اوج کاربرد، تزریق کنند. دستگاه های ذخیره ی انرژی همچنین میتوانند نقش کارخانه های ذخیره ی نیرو ، تامین انرژی مازاد در مورد احتمالات سیستم نیرو یا یک تغییر سریع در تقاضا را ایفا کنند. یک کاربرد محبوب از ذخیره ی انرژی برای سیستم اصلاح اوج تقاضا است که انرژی جذب شده را وقتی که انرژی مازاد وجود دارد درگیر میکند، که یا توسط منابع تجدیدپذیر و یا کارخانجات نیرو بنیان  در طول دوره ی کاهش اوج بار و تزریق انرژی ذخیره شده به عقب به سیستم توزیع در طول زمان جریان اوج سیستم ،تولید شده است. به عنوان نتیجه، کاهش و محدودیت نسل تجدیدپذیر ، کاهش یافته و واحد های تولید سریع گران قیمت میتوانند ممانعت شوند. ذخیره ی انرژی همچنین میتواند برای اصلاح اوج تقاضا بر یک منتقل کننده ی تغذیه کننده ی توزیع خاص با هدف کاهش تقاضای اوج نیرو بر منتقل کننده استفاده شود و عمر مفید خود را گسترش دهد. سیستم ذخیره نیروی باتری BESS یک باتری مجهز با مبدل دو طرفه  است که توان جذب و تزریق فعال و واکنشی نیرو در نقاط مشخص تنظیم شده را دارد.در این مقاله یک الگوریتم برای مدیریت انرژی ذخیره شده و ظرفیت ذخیره ی موثر برای اصلاح اوج بار و اهداف درست جریان و برآورد قیمت گذاری ساعت به ساعت آینده و بازده تولید تجدیدپذیر، توسعه داده شده است.

             تعداد در حال افزایشی از پژوهش ها وجود دارند که تکنیک های ذخیره ی متفاوتی برای رسیدگی به تناوب منابع تجدیدپذیر به کار می گیرند، در(2) تکنولوژی های مختلف که در سیستم های گسترش یافته ذخیره ی نیرو باتری استفاده شده است، در سطح شبکه  معرفی شده اند.  نیرو و اندازه ی انتخابی یک سیستم ذخیره ی انرژی هیبرید (ترکیبی) ، شامل BESS و سیستم ذخیره انرژی چرخ لنگر ابررسانا با سرعت بالا در (3) برای هدف استقرار سیستم نیرو بررسی شده است. در (4) حالت زمان واقعی از شارش (SOC) که بر مبنای مدل کنترل است برای کاهش نوسانات در سیستم نیرو در پاسخ به سطح بالای یکپارچگی منابع انرژی متغیر  از قبیل PV و باد مطرح شد .  اندازه گیری ذخیره ی انرژی برای شبکه های میکرو در (5) آزمایش شده است، جاییکه  یک شبکه ی خنثی برای پیشگویی سطوح تولید نیرو PV و باد استفاده شده است، و اندازه ی بهینه ی BESS با و بدون اتصال به شبکه اصلی تعیین شده است. در (6،7) یک طرح متشکل از تولید باد در ترکیب با یک BESS برای زمانبندی رساندن نیروی کوتاه مدت به ماکزیمم انرژی به دست آمده از تولید باد، مطرح شده است. روش های متفاوت برای بهینه سازی عملکرد باتری و سطح بندی نمایه ی جریان مطرح شده است.

            در (8،9) تکنیک های برنامه ریزی پویا  برای پیدا کردن ذخیره ی انرژی باتری بهینه و سطوح نیرو برای برنامه های اصلاح جریان اوج بار استفاده شده اند. ذخیره ی باتری در (10) برای کاهش دادن نقایص انتقال و توزیع آزمایش شد ویک مجموعه از نمودارهای نرمال شده حاصل شدند تا کمیت سود BESS برای سطح یندی کردن کاربرد جریان بار را تعیین کنند. نهایتا، در 11 BESS برای تنظیم نیروی فعال و کنشی بر طبق محدودیت های SOC استفاده شد و علامت های کنترل در سوییچ ها با استفاده از حلقه ی کنترل جریان تغذیه شدند. 

BESS 

            اینجا، یک BESS در مقیاس شبکه (1 MW, 1 MWH) به خوراک دهنده ی توزیع از طریق 1 MVA  منتقل کننده ی تنظیم شده متصل میشود و برای اصلاح اوج بار از توزیع جریان شبکه استفاده میشود در شکل 1 نشان داده شده.

           یک انتقال 69 Kv شبکه ، توازن انرژی مورد نیاز جریان توزیع و  BESS را از طریق یک منتقل کننده ی توزیع 69/12.47 kV تامین میکند. هدف اصلاح اوج بار این است که به طور بهینه BESS زا کنترل کند تا بار اوج جریان را کاهش دهد. 

          BESS شامل 12 قفسه ی باتری Li-ion و یک قفسه ی سرور کنترل است. یک قفسه ی باتری تک شامل 22 طبقه (2 ستون از 11) است هر مجموعه با 38 سلول بسته مسطح منشوری و یک سیستم مدیریت باتری (BMS) در راس طبقه بندی شده است. همراه با ، این اجزا از سیستم ذخیره ی انژی  1 MW، 1 MWh. BESS به یک اینورتر سه فازه ی دو طرفه 1 MW با بازده 12,470 V AC متصل شده است. سیستم مدیریت باتری یک الگوریتم تخمین زدن SOC دارد که مقدار انرژی الکتریکی قابل استفاده در بسته ی باتری را تخمین میزند (12). SOC با یک محدوده ی عملکردی 0.2–0.8 محدود شده است که در آن باتری نه کاملا خالی میشود و نه کاملا پر از شارژ (13،14)، به عبارت دیگر برای جلوگیری از تاثیر منفی بر عمر باتری . کنترل حالت ها ، تنظیم نقاط، دستورات نیروی فعال و کنشی  ، از اتاق ارسال به کنترل کننده ی BESS  با استفاده از کنترل سرپرست الکترونیک Maui  (Maui Electric supervisory ) و  سیستم مالکیت داده (SCADA) با استفاده از پروتکل DNP3 مخابره می شود.

 
          در زمینه ی سیستم آشفتگی های بازار انرژی، یک شرکت توزیع سیستم (DISCO) میتواند اصلاح اوج بار و خدمات اصلاح بار با عملکرد بهینه BESS  تحت کنترل خودش در یک بازار بر مبنای قیمت، برای عملگر سیستم غیروابسته ISO پیشنهاد دهد. ISO میتواند سپس در نوبت بعد این DISCO را به کار گیرد که توسط منابع تامین شده تا اهداف عملکردی سیستم خودش را از قبیل اصلاح تقاضا اوج و خدمات عملکردی را به دست اورد. 

Abstract

          In 2008, the State of Hawaii initiated a clean energy initiative that set an ultimate goal of 70% clean energy by 2030 (40% from renewable energy and 30% from energy efficiency). A controllable Battery Energy Storage Systems (BESSs) can be used to manage intermittent renewable resources on a power system to address both circuit and system level issues. Simulation and experimental results of applying a novel algorithm for the charging and discharging of a BESS are presented, using actual grid data for controlling a BESS for the purpose of peak load shaving, power curve smoothing, and voltage regulation of a distribution transformer. Two optimization objectives for peak shaving are presented in which proposed load forecasting methods are used. The application of a BESS for voltage regulation is examined and analyzed with different tests, and the observed results are discussed.

Introduction

            The addition of renewable energy resources to power grids in the U.S. has grown rapidly in recent years. Photovoltaic (PV) devices are the fastest growing renewable category with a 60% growth rate, followed by wind power at 27% and biofuels at 18% [1]. The inherent intermittent nature of renewables poses some challenges to the continued expansion of their use due to limitations of existing conventional generation facilities that are designed more for efficiency than flexibility and existing transmission and distribution systems that are designed for one-way power flows and load connection rather than generation interconnections.

           Energy storage is one of the ways to deal with the variability of renewable resources. Energy storage devices can harvest excess energy during periods of low demand and inject the stored energy when needed during peak usage periods. The storage devices can also play the role of reserve power plants, providing extra energy in case of power system contingencies or a rapid change in demand. A popular use of energy storage is for system peak demand shaving, which involves absorbing energy when there is excess energy, generated either by renewables or base power plants, during off-peak times and injecting the stored energy back into the distribution system during system peak load times. As a result, renewable generation curtailment is reduced, and expensive fast generating units can be avoided. Energy storage can also be used for peak demand shaving on a particular distribution feeder transformer, with the objective to reduce the peak power demand on the transformer and extend its useful life. The Battery Energy Storage System (BESS) is a battery equipped with bidirectional converters which can absorb or inject active and reactive power at the designated set points. In this paper, an algorithm is developed to manage stored energy and storage capacity effectively for peak shaving and load leveling purposes and which considers estimates of future hourly pricing and renewable generation output.

             There is a growing number of research works which employ different storage technologies for dealing with the intermittency of renewables. In [2], different technologies used in battery energy storage systems deployed at the grid level are introduced. The optimal power and size of a hybrid energy storage system consisting of BESS and a high-speed superconducting flywheel energy storage system are investigated in [3] for the purpose of stabilizing the power system. In [4], a real-time State of Charge (SOC) based control method is proposed to reduce the fluctuations in the power system in response to a high level of integration of variable energy sources such as PV and wind. The sizing of energy storage for micro-grids is examined in [5], where a neural network is used to forecast the PV and wind power generation levels, and the optimal size of BESS is determined with and without connection to the main grid. In [6,7], a scheme consisting of wind generation in combination with a BESS is proposed for scheduling short-term power dispatch to maximize the energy harvested from wind generation.Different methods have been proposed for battery operation optimization and leveling the load profile.

            In [8,9], dynamic programming techniques are used to find the optimal battery energy storage and power levels for peak load shaving applications. Battery storage is examined in [10] for reducing transmission and distribution losses, and a set of normalized charts are provided to quantify the benefit of BESS for leveling the utility load. Finally, in [11], BESS is used to regulate active and reactive power according to SOC limits, and the control signals are fed into the switches using a current control loop.

BESS

            Here, a grid scale BESS (1 MW, 1 MWH) is connected to a distribution feeder via a 1 MVA step-up transformer and is used for peak shaving of the distribution grid circuit shown in Fig. 1.

           A 69 kV transmission grid provides the energy balancing needs of the distribution circuit and BESS collectively via a 69/12.47 kV distribution transformer. The goal of peak shaving is to optimally control the BESS to reduce the peak load of the circuit.

          The BESS consists of twelve Li-ion battery racks and a master control rack. A single battery rack contains 22 trays (2 columns of 11) each populated with 38 prismatic flat pack cells and one Battery Management System (BMS) tray at the top. Together, these components form a 1 MW, 1 MW h energy storage system. The BESS is connected to a 1 MW bidirectional three phase inverter with 12,470 V AC output. The battery management system has a SOC estimation algorithm, which estimates the amount of usable electrical energy stored in the battery pack [12]. The SOC is limited to an operating range of 0.2–0.8 in which the battery is neither fully depleted nor fully charged [13,14], in order to avoid adversely impacting the battery life. Control modes, set points, and active and reactive power commands are sent from the dispatch room to the BESS controller using the Maui Electric supervisory control and data acquisition (SCADA) system utilizing the DNP3 protocol.

         In the context of a deregulated energy market system, a Distribution System Company (DISCO) can offer peak load shaving and load smoothing services with optimal operation of a BESS under its control at a market based price to the Independent System Operator (ISO). The ISO can in turn then utilize this DISCO provided resource to meet its system operational objectives, such as peak demand shaving and operational reserves.

چکیده
مقدمه
BESS 
اصلاح اوج بار
روش رگرسیون خطی
آزمایشات BESS   
جریان نیروی فعال 
جریان نیروی کنشی
الگوریتم بهینه سازی
شبیه سازی و نتایج
نتایج شبیه سازی پیشگویی بار 
شبیه سازی اصلاح اوج بار و نتایج آزمون مورد مطالعه
نتیجه 
منابع

Abstract
Introduction
BESS
Peak shaving
Linear regression method
BESS experiments
Active power flow
Reactive power flow
Optimization algorithm
Simulation and results
Load forecasting simulation results
Peak shaving simulation and infield test results
Conclusion
References