تخمین پتانسیل منابع سمت تقاضا با توجه به تغییرات آب‌وهوایی

نویسندگان

دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان‌ و‌ بلوچستان

چکیده

در بستر شبکه‌های هوشمند الکتریکی، بهره‌گیری از منابع سمت تقاضا (منابع پاسخ‌گویی بار)، مدیریت مناسب‌تر تقاضای روزافزون انرژی و همچنین کاهش چشمگیر هزینه‌های متحمل‌شدۀ سیستم را فراهم می‌آورد. تعیین پتانسیل منابع سمت تقاضا به‌علت اثرگذاری بر برنامه‌ریزی‌های کوتاه‌مدت تا بلندمدت سیستم قدرت، حائز اهمیت است. مقالۀ حاضر، به ارائۀ ساختاری دومرحله‌ای به‌منظور شناسایی پتانسیل نامی منابع پاسخ‌گویی تقاضا، بر مبنای تغییرات الگوی مصرف انرژی و تغییرات دمایی در افق زمانی سالیانه می‌پردازد. در مرحلۀ اول، با استفاده از روش تخمین نمونه، آستانۀ دمایی عملکرد وسایل سرمایشی و گرمایشی تعیین می‌شود. در مرحلۀ دوم، بر اساس آستانۀ عملکردی وسایل سرمایشی و گرمایشی، داده‌های مصرف انرژی به دو بخش تفکیک می‌شوند؛ سپس با اعمال ضرایب مختلف به منحنی تقاضا متوسط روزانه و منحنی تقاضا پرباری روزانه، میزان بار انعطاف‌پذیر (پتانسیل نامی منابع سمت تقاضا) تعیین می‌شود. در پایان، با آنالیز آماری پتانسیل‌ نامی منابع سمت تقاضا به‌دست‌آمده در سال‌های مختلف، پتانسیل ‌نامی منابع مجازی سمت تقاضا در فصول گرم و سرد مشخص می‌گردد. ساختار پیشنهادی، با استفاده از داده‌های مصرف انرژی و داده‌های دمایی شهر BOSTON  مورد ارزیابی قرار می‌گیرد؛ نتایج حاکی از میزان تفاوت در پتانسیل ‌نامی با‌ توجه به تغییرات دوره‌ای دماست.

کلیدواژه‌ها


[1]  Khodaei, A., Shahidehpour, M. and Bahramirad, S., "SCUC with hourly demand response considering intertemporal load characteristics", IEEE Transactions on Smart Grid, Vol. 2, No. 3, pp. 564-571, 2011.
[2]  Hajebrahimi, A., Abdollahi, A. and Rashidinejad, M., "Probabilistic multiobjective transmission expansion planning incorporating demand response resources and large-scale distant wind farms", IEEE Systems Journal, Vol. 11, No. 2, pp. 1170-1181, 2017.
[3]  Staff, F., "Assessment of demand response and advanced metering", Federal Energy Regulatory Commission, Docket AD-06-2-000, 2006.
[4]  Abdollahi, A., Moghaddam, M. P., Rashidinejad, M. and Sheikh-El-Eslami, M. K., "Investigation of economic and environmental-driven demand response measures incorporating UC", IEEE transactions on smart grid, Vol. 3, No. 1, pp. 12-25, 2012.
[5]  Nojavan, S., Majidi, M., Najafi-Ghalelou, A., Ghahramani, M. and Zare, K., "A cost-emission model for fuel cell/PV/battery hybrid energy system in the presence of demand response program: ε-constraint method and fuzzy satisfying approach", Energy Conversion and Management, Vol. 138, pp. 383-392, 2017.
[6]  Mollahassani-Pour, M., Rashidinejad, M. and Pourakbari-Kasmaei, M., "Environmentally constrained reliability-based generation maintenance scheduling considering demand-side management", IET Generation, Transmission & Distribution, Vol. 13, No. 7, pp. 1153-1163, 2018.
[7]  Gyamfi, S., and Krumdieck, S., "Scenario analysis of residential demand response at network peak periods", Electric Power Systems Research, Vol. 93, pp. 32-38, 2012.
[8]  Muratori, M. and Rizzoni, G., "Residential demand response: Dynamic energy management and time-varying electricity pricing", IEEE Transactions on Power systems, Vol. 31, No. 2, pp. 1108-1117, 2016.
]9[ تقی‌خانی، محمدعلی، ماندگارنیک، محسن، «تأثیر خانه‌های هوشمند در مدیریت و کاهش مصرف انرژی الکتریکی»، نشریه مهندسی و مدیریت انرژی، سال نهم، شمارۀ 2، صفحۀ 74ـ85، 1398.
 [10] Deshmukh, R., Ghatikar, G., Yin, R., Das, G. G. and Saha, S. K., "Estimation of potential and value of demand response for industrial and commercial consumers in Delhi" , 2015.
[11] Li, N., Chen, L. and Low, S. H., "Optimal demand response based on utility maximization in power networks", in 2011 IEEE power and energy society general meeting, 2011, pp. 1-8: IEEE.
[12] Shi, W., Li, N., Xie, X., Chu, C.-C. and Gadh, R.,  "Optimal residential demand response in distribution networks", IEEE journal on selected areas in communications, Vol. 32, No. 7, pp. 1441-1450, 2014.
[13] Li, P. and Zhang, B., "Linear estimation of treatment effects in demand response: An experimental design approach", arXiv preprint arXiv:1706.09835, 2017.
[14] Luo, Z., Hong, S. and Ding, Y., "A data mining-driven incentive-based demand response scheme for a virtual power plant", Applied Energy, Vol. 239, pp. 549-559, 2019.
[15] Park, S., Ryu, S., Choi, Y. and Kim, H., "A framework for baseline load estimation in demand response: Data mining approach", in 2014 IEEE International Conference on Smart Grid Communications (SmartGridComm), 2014, pp. 638-643: IEEE.
[16] Chanana, S. and Arora, M., "Demand response from residential air conditioning load using a programmable communication thermostat", International Journal of Electrical, Electronic Science and Engineering, Vol. 7, No. 12, pp. 1-7, 2013.
[17] Newsham, G. R., Birt, B. J. and Rowlands, I. H., "A comparison of four methods to evaluate the effect of a utility residential air-conditioner load control program on peak electricity use", Energy Policy, Vol. 39, No. 10, pp. 6376-6389, 2011.
[18] Dyson, M. E., Borgeson, S. D., Tabone, M. D. and Callaway, D. S., "Using smart meter data to estimate demand response potential, with application to solar energy integration", Energy Policy, Vol. 73, pp. 607-619, 2014.
[19] Shiljkut, V. M. and Rajakovic, N. L., "Demand response capacity estimation in various supply areas", Energy, Vol. 92, pp. 476-486, 2015.
[20] Han, J., Pei, J. and Kamber, M.," Data mining: concepts and techniques", Elsevier, 2011.
[21]  The power consumption historical data Boston region available at: http://www.iso-ne.com; [accessed 07.02.14].