توزیع اقتصادی بار و کاهش آلایندگی زیست‌محیطی در سیستم چندناحیه‌ای به‌طور همزمان با در نظر گرفتن ذخیرۀ چرخان و قیود با استفادۀ بهینه‌سازی پیشرفته و چندهدفۀ MOPSO ازدحام ذرات

نوع مقاله : مقاله پژوهشی

نویسنده

دانشکده فنی و مهندسی، دانشگاه ولایت، ایرانشهر، ایران

چکیده

در این مقاله روشی به‌منظور توزیع اقتصادی و چندناحیه‌ای بار تعمیم‌یافته و توزیع بهینۀ توان نواحی چندگانه برحسب هزینه‌های بهره‌برداری پیشنهاد می‌شود. برای این منظور، مفهوم توزیع اقتصادی ناحیه‌ای بار با در نظر گرفتن مسائل زیست‌محیطی، به توزیع اقتصادی/ محیطی چندناحیه‌ای تعمیم می‌یابد. از مزایای روش پیشنهادی توزیع چندناحیه‌ای بار، توزیع توان بین نواحی مختلف با به حداقل رساندن هزینه‌های بهره‌برداری و انتشار آلاینده‌ها به‌صورت همزمان است. در این زمینه، ابتدا مسئلۀ توزیع چندناحیه‌ای بار به مدل‌سازی می‌شود و سپس با استفاده از الگوریتم بهینه‌سازی پیشرفتۀ چندهدفۀ انبوه ذرات، مسئلۀ پیاده‌سازی و بر روی راه‌حل‌های پاریتو بهینه می‌شود. در طول فرایند بهینه‌سازی، محدودیت‌های انتقال خطوط ارتباطی به‌عنوان مجموعه‌ای از قیود با هدف افزایش امنیت سیستم در نظر گرفته می‌شوند. علاوه بر این، ذخیرۀ چرخان نواحی برای افزایش قابلیت اطمینان سیستم در نظر گرفته شده، به‌نحوی‌که الگوی اشتراک ذخیرۀ واحدهای هر ناحیه با هدف برآوردن تقاضای ذخیرۀ چرخان مطلوب اطمینان حاصل می‌شود.
در نتایج شبیه‌سازی، هزینه‌های سوخت و انتشار طرح پیشنهادی به کمک ناحیۀ میانی بر حالت نواحی جداگانه برتری دارد و می‌توان از اتصال نواحی چندگانه به‌منظور دست‌یابی به هزینه‌های سوخت و انتشار، پایین‌تر و تأمین تقاضای بار نواحی مختلف بهره گرفت. همچنین با اعمال روش پیشنهادی توزیع اقتصادی چندناحیه‌ای بار، نواحی قادر به تأمین ذخایر مورد نیاز خودشان هستند. در این زمینه، به‌ازای مقادیر منفی اشتراک ذخیرۀ چرخان و در صورت نیاز، ذخیره می‌تواند از یک ناحیه به ناحیۀ دیگر فرستاده شود. ارزیابی طرح پیشنهادی بر روی یک شبکۀ آزمایشی 68 باسه چهارناحیه‌ای اجرا ‌شده و نتایج نشان‌دهندۀ تأثیر فرایند بهینه‌سازی روش پیشنهادی بر کاهش مسائل زیست‌محیطی در شرایط مختلف بهره‌برداری از سیستم قدرت است.

کلیدواژه‌ها

موضوعات


[1] Ahmadi, S., Samiei Moghaddam, M., Ranjbar, S., "New model of PEV parking lots in the presence of demand response uncertainties", Sustainable Energy, Grids and Networks, Vol. 30, No.3, pp.1728-1742, 2022, https://doi.org/10.1016/j.segan.2022.100641.
[2] Kumar, S., Krishnasamy, V., Kaur, R., Kandasamy, N.K., "Virtual energy storage-based energy management algorithm for optimally sized DC nanogrid", IEEE Systems Journal, Vol. 16, No.1, pp.231-239, 2022, https://doi.org/10.1109/JSYST.2021.3050779.
[3] Ahmed, H.M.A., Ahmed, M.H., Salama, M.M.A., "A linearized multiobjective energy management framework for reconfigurable smart distribution systems considering BESSs", IEEE Systems Journal, Vol. 16, No. 1, pp. 1258-1269, 2022, https://doi.org/10.1109/JSYST.2021.3062491.
[4] Cao, Y., et al., "Optimal energy management for multi-microgrid under a transactive energy framework with distributionally robust optimization", IEEE Transactions on Smart Grid, Vol. 13, No. 1, pp. 599-612, 2022, https://doi.org/10.1109/TSG.2021.3113573.
[5] Rostamnezhad, Z., Mary, N., Dessaint, L.A., Monfet, D., "Electricity consumption optimization using thermal and battery energy storage systems in buildings", IEEE Transactions on Smart Grid, Vol. 14, No. 1, pp. 251-265, 2023, https://doi.org/10.1109/TSG.2022.3194815.
[6] Goh, H.H., et al., "An assessment of multistage reward function design for deep reinforcement learning-based microgrid energy management", IEEE Transactions on Smart Grid, Vol. 13, No. 6, pp. 4300-4311, 2022, https://doi.org/10.1109/TSG.2022.3179567.
[7] Utkarsh, K., Ding, F., Jin, X., Blonsky, M., Padullaparti, H.,  Balamurugan, S.P., "A network-aware distributed energy resource aggregation framework for flexible, cost-optimal, and resilient operation", IEEE Transactions on Smart Grid, Vol. 13, No. 2, pp. 1213-1224, 2022, https://doi.org/10.1109/TSG.2021.3124198.
[8] Guo, Z., Wei, W., Chen, L., Wang, Z., Catalão, J.P.S., Mei, S., "Optimal energy management of a residential prosumer: a robust data-driven dynamic programming approach", IEEE Systems Journal, Vol. 16, No. 1, pp. 1548-1557, 2022, https://doi.org/10.1109/JSYST.2020.3043342.
[9] Huang, W., Zhang, X., Li, K., Zhang, N., Strbac, G., Kang, C., "Resilience oriented planning of urban multi-energy systems with generalized energy storage sources", IEEE Transactions on Power Systems, Vol. 37, No. 4, pp. 2906-2918, 2022, https://doi.org/10.1109/TPWRS.2021.3123074.
[10] Hosseinzadeh, A., Zakariazadeh, A., Ranjbar, S., "Fast restoration of microgrids using online evaluation metrics considering severe windstorms", Sustainable Energy, Grids and Networks, Vol. 26, No. 4, 2021. https://doi.org/10.1016/j.segan.2021.100458
[11] Ghadertootoonchi, A., Moeini-Aghtaie, M., Davoudi, M., "A hybrid linear programming-reinforcement learning method for optimal energy hub management", IEEE Transactions on Smart Grid, Vol. 14, No. 1, pp. 157-166, 2023, https://doi.org/10.1109/TSG.2022.3197458.
[12] Li, X., Li, C., Chen, G., Dong, Y., "A risk-averse energy sharing market game for renewable energy microgrid aggregators", IEEE Transactions on Power Systems, Vol. 37, No. 5, pp. 3528-3539, 2022, https://doi.org/10.1109/TPWRS.2021.3137898.
[13] Çiçek, A., Erdinç, O., "Optimal bidding strategy considering bilevel approach and multistage process for a renewable energy portfolio manager managing RESs with ESS", IEEE Systems Journal, Vol. 16, No. 4, pp. 6062-6073, 2022, https://doi.org/10.1109/JSYST.2021.3131138.