به‌کارگیری ظرفیت دینامیکی خطوط در مسئلۀ در مدار قرار گرفتن بهینۀ واحدهای نیروگاهی در حضور واحدهای تولیدی بادی تحت شرایط عدم قطعیت

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه زنجان، زنجان، ایران

چکیده

با نفوذ منابع انرژی تجدیدپذیر و نیز افزایش تراکم در شبکه‌های انتقال، اهمیت مسئلۀ در مدار قرار گرفتن بهینۀ واحدهای نیروگاهی (UC) بیش از پیش شده و بهره‌برداران سیستم قدرت نیازمند راهکارهای مؤثر برای یافتن جواب مناسب برای این مسئله‌اند. در این مقاله مدلی برای مسئلۀ UC با در نظر گرفتن ظرفیت دینامیکی خطوط انتقال (DLR) در حضور منابع بادی ارائه گردیده تا با الحاق راهکارهای شبکۀ هوشمند در سیستم قدرت، بهره‌گیری مؤثرتر از ظرفیت موجود خطوط انتقال صورت پذیرد. به‌منظور انطباق رویکرد پیشنهادی با شرایط واقعی، عدم ‌قطعیت‌ پارامترهای نایقین مسئله شامل سرعت باد، بار شبکه و دمای محیط توسط روش سناریو بنیان در قالب یک برنامه‌ریزی تصادفی مدل می‌گردد. برای تولید سناریوها روش مونت‌کارلو و به‌منظور کاهش سناریو از الگوریتم خوشه‌بندی K-means استفاده شده‌ است. تمامی محدودیت‌های مسئله در مدل مورد نظر لحاظ شده و قیود شبکۀ انتقال با در نظر گرفتن معادلات پخش بار AC در نظر گرفته شده‌اند. نتایج مطالعات عددی بر روی شبکۀ 24 باسۀ IEEE RTS، بیانگر کارایی مدل ارائه‌شده در کاهش تراکم شبکۀ انتقال، کاهش هزینه‌های بهره‌برداری، کاهش انقطاع توان بادی، و درنهایت بهبود معیارهای فنی شبکه در کنار برنامه‌ریزی مطمئن و پایدار برای سیستم قدرت است. با توجه به نتایج شبیه‌سازی، حضور DLR باعث افزایش دمای هادی به‌میزان 7 درجۀ سانتی‌گراد در محدودۀ مجاز می‌شود که این امر باعث افزایش بارگذاری خط به‌میزان حدود 34% نسبت به ظرفیت استاتیکی آن شده است. به این ترتیب، حضور DLR کاهش 33/15 درصدی در هزینۀ کل بهره‌برداری را موجب می‌گردد. همچنین مقدار قطع بار اجباری و توان بادی قطع‌شده به‌ترتیب کاهش 9/88 و 7/89 درصدی را در حضور DLR نشان می‌دهند.

کلیدواژه‌ها

موضوعات


[1] EL-Azab M., Omran W. A., Mekhamer S. F., Talaat H. E. A., "Congestion management of power systems by optimizing grid topology and using dynamic thermal rating", Electric Power Systems Research, Vol. 199, pp. 107433, 2021. https://doi.org/10.1016/j.epsr.2021.107433.
[2] Seifi H., Sepasian M. S., Electric power system planning: issues, algorithms and solutions. Berlin: Springer, 2011. https://doi.org/10.1007/978-3-642-17989-1.
[3] Xu D., Tao L., "Power system planning with increasing variable renewable energy: A review of optimization models", Journal of Cleaner Production, Vol. 246, pp. 118962, 2020. https://doi.org/10.1016/j.jclepro.2019.118962.
[4] Butt O. M., Zulqarnain M., Butt T. M., "Recent advancement in smart grid technology: Future prospects in the electrical power network", Ain Shams Engineering Journal, Vol. 12, No. 1, pp. 687-695, 2021. https://doi.org/10.1016/ j.asej.2020. 05.004
[5] Michiorri A., Nguyen H. M., Alessandrini S., Bremnes J. B., Dierer S., Ferrero E., Nygaard B. E., Pinson P., Thomaidis N., Uski S., "Forecasting for dynamic line rating", Renewable and Sustainable Energy Reviews, Vol. 52, pp. 1713-1730, 2015. https://doi.org/10.1016/j.rser.2015.07.134.
[6] Erdinç F. G., Ozan E., Yumurtac R., Catalao J. PS., "A comprehensive overview of dynamic line rating combined with other flexibility options from an operational point of view", Energies, Vol. 13, No. 24, pp. 6563, 2020. https://doi.org/10.3390/en13246563.
[7] Arroyo M. J., Conejo A. J., "Optimal response of a thermal unit to an electricity spot market", IEEE Transactions on Power Systems, Nol. 15, No. 3 pp. 1098-1104, 2000. https://doi.org/10.1109/59.871739.
[8] Nasri A., Kazempour J., Conejo A. J., Ghandhari M., "Network-constrained AC unit commitment under uncertainty: A Benders’ decomposition approach", IEEE Transactions on Power Systems, Vol. 31, No. 1, pp. 412-442, 2015. https://doi.org/10.1109/TPWRS.2015.2409198. 
[9] Iqra J., Chauhan A., Thappa S., Verma S. K., Anand Y., Sawhney A., Tyagi V. V., Anand S., "Futuristic decentralized clean energy networks in view of inclusive-economic growth and sustainable society", Journal of Cleaner Production, Vol. 309, pp. 127304, 2021. https://doi.org/10.1016/ j.jclepro.2021. 127304.
[10] Sheikh M., Aghaei J., Letafat A., Rajabdorri M., Niknam T., Shafie-Khah M., Catalão J. PS., "Security-constrained unit commitment problem with transmission switching reliability and dynamic thermal line rating", IEEE Systems Journal, Vol. 13, No. 4, pp. 3933-3943, 2019. https://doi.org/10.1109/JSYST.2019. 2939210.
[11] Yuchun L., Wang J., Han Y., Zhao Q., Fang X., Cao Z., "Robust and opportunistic scheduling of district integrated natural gas and power system with high wind power penetration considering demand flexibility and compressed air energy storage", Journal of Cleaner Production, Vol. 256, pp. 120456, 2020. https://doi.org/10.1016/j.jclepro.2020.120456.
[12] Chao N., You F., "Data-driven adaptive robust unit commitment under wind power uncertainty: A Bayesian nonparametric approach", IEEE Transactions on Power Systems, Vol 34, Vo. 3, pp. 2409-2418, 2019. https://doi.org/10.1109/TPWRS.2019.2891057.
[13] Romain D., Michiorri A., Kariniotakis G., "Optimal dynamic line rating forecasts selection based on ampacity probabilistic forecasting and network operators’ risk aversion", IEEE Transactions on Power Systems, Vol 34, No. 4, pp. 2836-2845, 2019. https://doi.org/10.1109/TPWRS.2018.2889973.
[14] Park H., Jin Y. G., Park J. K., "Stochastic security-constrained unit commitment with wind power generation based on dynamic line rating", International Journal of Electrical Power & Energy Systems, vol. 102, pp. 211-222, 2018.
[15] Zhang Y., Han X., Yang M., Xu B., Zhao Y., Zhai H., "Adaptive robust unit commitment considering distributional uncertainty", International Journal of Electrical Power & Energy Systems, Vol. 104, pp. 635-644, 2019. https://doi.org/10.1016/j.ijepes.2018.07.048.
[16] Liang J., Tang W., "Interval based transmission contingency-constrained unit commitment for integrated energy systems with high renewable penetration", International Journal of Electrical Power & Energy Systems, Vol. 119, pp. 105853, 2020. https://doi.org/10.1016/j.ijepes.2020.105853.
[17] Li C., Wang W., Wang J., Chen D., "Network-constrained unit commitment with RE uncertainty and PHES by using a binary artificial sheep algorithm", Energy, Vol. 189, pp.116203, 2019. https://doi.org/10.1016/j.energy.2019. 116203.
[18] Nick M., Alizadeh-Mousavi O., Cherkaoui R., Paolone M., "Security constrained unit commitment with dynamic thermal line rating", IEEE Transactions on Power Systems, Vol. 31, No. 3, pp. 2014-2025, 2015. https://doi.org/10.1109/TPWRS. 2015.2445826.
[19] Viafora N., Morozovska K., Hasan Kazmi S. H., Laneryd T., Hilber P., Holbøll, J., "Day-ahead dispatch optimization with dynamic thermal rating of transformers and overhead lines", Electric Power Systems Research, Vol. 171, pp. 194-208, 2019. https://doi.org/10.1016/j.epsr.2019.02.026.
[20] You L., Ma H., Saha T. K., Liu G., "Security-constrained economic dispatch exploiting the operational flexibility of transmission networks", International Journal of Electrical Power & Energy Systems, Vol. 138, pp.107914, 2012. https://doi.org/10.1016/j.ijepes.2021.107914.
[21] Lai C. M., Teh J., "Network topology optimisation based on dynamic thermal rating and battery storage systems for improved wind penetration and reliability", Applied Energy, Vol. 305, pp. 117837, 2022. https://doi.org/10.1016/ j.apenergy.2021.117837.
[22] Erdinç F. G., Çiçek A., Erdinç O., Yumurtacı R., Zare Oskouei M, Mohammadi-Ivatloo B., "Decision-making framework for power system with RES including responsive demand, ESSs, EV aggregator and dynamic line rating as multiple flexibility resources", Electric Power Systems Research, Vol. 204, pp. 107702, 2022. https://doi.org/10.1016/j.epsr.2021.107702.
[23] IEEE standard for calculating the current-temperature relationship of bare overhead conductors, IEEE std 738-2012 (Revision of IEEE std 738-2006) (2013) 1-72.
[24] Tourandaz Kenari M., Sepasian M.S., Setayesh Nazar M., "Probabilistic study of voltage in distribution network considering wind turbine and static load model with gamma distribution", Energy Engineering and Mangement, Vol. 7, No. 4, pp. 28-41, 2018. (In Persian)
[25] Jithendranath J., Das D., Guerrero M. J., "Probabilistic optimal power flow in islanded microgrids with load, wind and solar uncertainties including intermittent generation spatial corrpelation", Energy, Vol 222, pp. 119847, 2021. https://doi.org/10.1016/j.energy.2021.119847.
[26] Fattahi H., Abdi H., Khosravi F., Karimi S.,  "Applying point estimation and monte carlo simulation methods in solving probabilistic optimal power flow considering renewable energy uncertainties", Energy Engineering and Mangement, Vol. 9, No. 3, pp. 72-85, 2019. (In Persian) https://doi.org/10.22052/ 9.3.72
[27] Galvani S.,  Bagheri A., Farhadi-Kangarlu M., Nikdel N., "A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters", Sustainable Cities and Society, Vol. 78 pp. 103651, 2022. https://doi.org/10.1016/j.scs.2021.103651
[28] Hamerly G., Elkan C., "Alternatives to the k-means algorithm that find better clusterings", In Proceedings of the eleventh international conference on Information and knowledge management, pp. 600-607. 2002. https://doi.org/10.1145/ 584792.584890.
[29] Soroudi A., Power system optimization modeling in GAMS. vol. 78. Switzerland: Springer, 2017. https://doi.org/10.1007/ 978-3-319-62350-4
[30] Ordoudis C., Pinson P., Morales J. M., Zugno M., "An updated version of the IEEE RTS 24-bus system for electricity market and power system operation studies", Technical University of Denmark 13 (2016).