Abstract
The present paper provides an extended analysis of a microgrid energy management framework based on Robust Optimization (RO). Uncertainties in wind power generation and energy consumption are described in the form of Prediction Intervals (PIs), estimated by a Non-dominated Sorting Genetic Algorithm (NSGA-II) – trained Neural Network (NN). The framework is tested and exemplified in a microgrid formed by a middle-size train station (TS) with integrated photovoltaic power production system (PV), an urban wind power plant (WPP) and a surrounding residential district (D). The system is described by Agent-Based Modelling (ABM): each stakeholder is modeled as an individual agent, which aims at a specific goal, either of decreasing its expenses from power purchasing or increasing its revenues from power selling. The aim of this paper is to identify which is the uncertainty level associated to the “extreme” conditions upon which robust management decisions perform better than a microgrid management based on expected values. This work shows how the probability of occurrence of some specific uncertain events, e.g., failures of electrical lines and electricity demand and price peaks, highly conditions the reliability and performance indicators of the microgrid under the two optimization approaches: (i) RO based on the PIs of the uncertain parameters and (ii) optimization based on expected values
چکیده
مقاله حاضر در واقع یک تحلیل دقیق‌تر روی الگوی مدیریت انرژی در یک ریزشبکه بر اساس بهینه‌سازی مقاوم (RO) می‌باشد. عدم قطعیت‌های تولید توان بادی و مصرف انرژی به شکل بازه‌های پیش‌بینی (PIها) در نظر گرفته شده‌اند، که با استفاده از الگوریتم ژنتیک مرتب‌سازی غیر ترتیبی (NSGA-II) که با شبکه‌های عصبی (NN) آموزش داده شده است، تخمین زده می‌شود. این الگو روی یک ریزشبکه که از چند ایستگاه قطار (ST) متوسط و سیستم تولید توان خورشیدی فتوولتائیک (PV)، یک واحد تولید توان بادی شهری (WPP) و نواحی مسکونی اطراف (D) تشکیل شده است، تست می‌گردد. این سیستم با استفاده از مدل‌سازی مبتنی بر عامل (ABM) توصیف می‌گردد، در این مدل هر بخش به‌صورت یک عامل مستقل مدل‌سازی می‌شود که هدف خاصی را دنبال می‌کند، یا کاهش مخارج خرید برق و یا افزایش درآمد از فروش برق. هدف این مقاله شناسایی سطوح عدم قطعیت مرتبط با شرایط بحرانی است که در این راستا، تصمیم‌گیری‌های مدیریت مقاوم بهتر از مدیریت ریزشبکه بر اساس مقادیر پیش بینی شده، عمل می‌کند. این تحقیق نشان می‌دهد که چگونه احتمال رخداد برخی از رویدادهای غیرقطعی خاص، نظیر خرابی‌های خطوط برق و تقاضای برق در ساعت‌های پیک قیمت، به‌شدت روی قابلیت اطمینان و شاخص‌های عملکرد ریزشبکه تحت دو روش بهینه‌سازی اثر می‌گذارد: (i) RO بر اساس PI های پارامترهای غیرقطعی و (ii) بهینه‌سازی بر اساس مقادیر پیش‌بینی شده.
1-مقدمه
انرژی‌های تجدید پذیر، راه‌کارهای قابل‌اعتمادی برای تأمین انرژی و نیز مقابله با چالش‌های زیست‌محیطی در قرن 21 هستند. یکپارچه‌سازی این انرژی‌ها در شبکه‌های موجود باعث بروز چالش‌های اجتماعی و تکنیکی متعددی به‌واسطه مدیریت امنیت و بازدهی آن‌ها می‌شود.
از این دیدگاه، مکان نصب این واحدهای تولیدی در نزدیکی منابع مصرفی در ریز شبکه‌های غیرمتمرکز طبق پیش‌بینی‌ها باعث افزایش کیفیت سرویس برای مصرف‌کننده با کاهش تلفات انتقال و زمان مورد نیاز برای مدیریت بازیابی خطا و نیز خاموشی‌ها می‌گردد. اما، مدیریت انرژی می‌تواند برای ریزشبکه مشکل‌آفرین نیز باشد که دلیل آن، عدم وجود امکانات و یا ضعیف بودن بستر مخابراتی بین المان‌های مختلف ریزشبکه است. بنابراین، به چارچوب‌هایی برای مدیریت مؤثر انرژی ریزشبکه نیاز است.
روشی برای مدل‌سازی ریزشبکه و تصمیم‌گیری هم‌جهت با هدف برای المان‌های ریزشبکه بر اساس مدل‌سازی مبتنی بر عامل (ABM) پیشنهاد شده است که امکان تحلیل با استفاده از شبیه‌سازی و بررسی تعامل بین تصمیم‌گیرنده‌های هوشمند مستقل (عامل‌ها) را فراهم می‌کند. بیشترین کاربرد این روش مدل‌سازی به استراتژی‌های قیمت دهی بین عامل‌های مستقل معطوف می‌شود که هدف هر یک از آن‌ها افزایش سودهای لحظه‌ای در میان سایر رقبا و مشارکت در یک بازار انرژی دینامیک می‌باشد. مطالعات اخیر نشان‌دهنده توسعه روش ABM برای تعاملات پیچیده‌تر در مدیریت انرژی سیستم‌های تولید انرژی تجدید پذیر هیبرید می‌باشد [6,11,12]. در این تحقیقات، اهداف بلندمدت بیشتر روی استفاده مؤثر از توان تولیدی در ریزشبکه ها مثلاً برنامه‌ریزی شارژ باتری برای ذخیره‌سازی برق تولید شده توسط منابع تجدید پذیر و استفاده مجدد در دوره‌های تقاضای برق پیک، می‌باشد. اما، الگوی تصمیم‌گیری معمولاً تحت شرایط قطعی صورت می‌گیرد یعنی شرایطی که یک روز معمولی در تابستان را فرض می‌کند....