ترجمه مقاله مدیریت انرژی بهینه در ریزشبکه مستقل با بهینه سازی کلونی مورچگان

اجرای آزمایشی زمان واقعی  سیستم مدیریت انرژی بهینه در ریزشبکه مستقل با استفاده از بهینه سازی کلونی مورچگان چندلایه

Real time experimental implementation of optimum energy management system in standalone Microgrid by using multi-layer ant colony optimization

 

چکیده

در این مقاله، یک الگوریتم برای سیستم مدیریت انرژی (EMS) بر اساس بهینه سازی کلونی مورچگان چندلایه (EMS-MACO) برای پیدا کردن یک برنامه‌ریزی انرژی در ریزشبکه‌ها (MG) ارائه شده است. هدف از این مطالعه ترسیم عملیات بهینه از منابع میکرو برای کاهش هزینه تولید برق با استفاده از برنامه ریزی زمان واقعی است. الگوریتم پیشنهاد شده مبتنی بر روش بهینه سازی کلونی مورچگان (ACO) است و قادر به تجزیه و تحلیل محدودیت های فنی و اقتصادی وابسته به زمان است. این الگوریتم برای پاسخگویی به تقاضای بار مورد نیاز با حداقل هزینه های انرژی در یک بازار انرژی محلی (LEM) تلاش می کند. عملکرد MACO با EMS معمولی اصلاحی (MCEMS) و بهینه سازی ازدحام ذرات (PSO) مبتنی بر EMS مقایسه شده است. تجزیه و تحلیل نتایج به دست آمده نشان می دهد که عملکرد سیستم نیز بهبود یافته و  هزینه انرژی حدود 20٪ و 5٪ با استفاده از MACO در مقایسه با MCEMS و PSO، به ترتیب کاهش یافته می یابد. علاوه بر این، قابلیت اتصال یا جداشدن در کاربردهای زمان واقعی با استفاده از سناریوهای مختلف بررسی شده و عملکرد مناسب سیستم نیز به طور تجربی اعتبارسنجی شده است.

 

سفارش ترجمه تخصصی مهندسی برق

دانلود شبیه سازی های آماده مهندسی برق

 

 

 

 

مقدمه

افزایش نفوذ تولید پراکنده (DG) در سیستم های قدرت و معرفی بازارهای انرژی در سال های اخیر باعث شده است چالش های متعددی در طراحی و برنامه ریزی سیستم های قدرت مبتنی بر DG ایجاد شود. در آینده، مصرف کنندگان ممکن است یک MG ایزوله شده داشته باشند که شامل سیستم های تولید میکرو  بوده و مدیریت مصرف آنها را می توان با EMS با توجه هزینه برق زمان واقعی انجام شود.

محدودیت های اصلی مربوط به منابع انرژی تجدید پذیر مسائل قابلیت اطمینان و قابلیت دیسپاچ مرتبط با عملکرد آنها [2] می باشند. از آنجا که قدرت خروجی منابع تجدید پذیر با تغییر شرایط آب و هوایی تغییر می کند، توازن قدرت بین تولیدکنندگان و مصرف کنندگان به عنوان یک مساله  کلیدی در طراحی EMS است. محدودیت های پیچیده و عدم امکان مطابقت کامل تمام منابع تولید DG با پارادایم های سیستم قدرت منجر به ارائه ریزشبکه (MG) شده است. مشخصات اصلی یک MG به شرح زیر است:

1.  قابلیت اجرای برنامه هایی مانند مدیریت DR برای کنترل بارهای قابل تغییر.

2.  تحمل خطا، این تحمل نیز باید برای مقابله با خطای گذرا در نظر گرفته می شود.

3.  قابلیت انقطاع بار زمانی که MG نمی توانید بار‌های خود را به طور کامل تغذیه کند یا زمانی که قیمت برق بالا است.

4.  قابلیت اطمینان بالا، کیفیت توان، امنیت سیستم و بهره وری بالا.

5.  خود احیایی، به این معنی که سیستم می تواند خود را پس از وقوع خطا احیا کند.

6.  قابلیت وصل و قطع به تمام دستگاه هایی که به سیستم به عنوان منابع میکرو  با هر ظرفیتی اضافه می شوند و یا از سیستم خارج می شوند، به طور خودکار توسط EMS فراهم می شود.

 

برای به دست آوردن ویژگی های ذکر شده برای MGها، به نظر برنامه ریزی کوتاه مدت (STS) و برنامه ریزی  بسیار کوتاه مدت (VSTS) لازم است. پخش بار اقتصادی بسیار کوتاه و کوتاه مدت یک انتخاب بسیار مهم در EMS مدرن به منظور کاهش هزینه های عملیاتی است [4-6].

علاوه بر این، پاسخ به تقاضا (DR) به عنوان یک منبع انرژی بسیار مهم برای بهینه سازی هزینه [3] شناخته شده است. منابع انرژی پراکنده (DER) به طور قابل توجهی تعداد متغیرهایی که باید در مساله پخش بار اقتصادی وارد شوند را افزایش می دهد. STS و VSTS  یک مقیاس بزرگ، غیر همگرا، غیر خطی و وقت گیر است [6]. بنابراین، ارائه روش های جایگزین برای بهبود بهره وری این روش در برابر پارادایم جدیدی از سیستم قدرت مانند روش های اکتشافی [7] لازم است. این روش پاسخ بسیار سریع و کافی فراهم می کند و باید برای مسائل بهینه سازی با بسیاری از متغیرها در نظر گرفته شود.

الگوریتم بهینه سازی کلونی مورچگان (ACO) بر اساس رفتار مورچه های واقعی اجرا می شود که می توانند کوتاه ترین مسیر از لانه به یک منبع غذایی را پیدا کنند. این روش یکی از روش های معمول برای بهینه سازی مساله‌های مختلف [7] است. این دارای برخی مزایا از جمله سودمندی در برنامه های کاربردی پویا، بازخورد مثبت که باعث می شود الگوریتم سریع راه حل خوب را کشف کند و محاسبات توزیع شده به منظور جلوگیری از همگرایی زودرس، در مقایسه با الگوریتم جستجوی گرانشی، کلنی زنبور عسل مصنوعی، و رقابت امپریالیستی است. در این مقاله، بهره وری این الگوریتم در حل مسائل مربوط به بهینه سازی عملکرد، بهبود برنامه ریزی DER و همچنین کاهش هزینه عملکرد سیستم را ارئه می دهد که در یک MG نشان داده شده است. این روش به هیچ الگوریتم خاصی اختصاص ندارد، یک طراحی مناسب باید انجام شود. به عنوان یک نتیجه، دست طراح الگوریتم برای افزایش بهره وری باز است.

الگوریتم ارائه شده در این مقاله دارای انعطاف پذیری و پاسخ سریعی برای هر حادثه در سیستم است. در روش ارائه شده، برنامه زمان بندی منابع با فواصل زمانی روز پیش رو، ساعت‌های پیش رو  و 5 دقیقه‌ی پیش‌رو، در نظر گرفته می شوند. STS منابع انرژی نفوذ فشرده DER، قطع بار با استفاده از DR ، و قابلیت‌های قطع و وصل را برای برخی از اهداف خاص از این مقاله در نظر می گیرد. الگوریتم پیشنهاد شده به صورت تجربی بر روی سیستم MGی IREC تست شده و نتایج تجربی عملکرد مناسب این الگوریتم در مدیریت حالات مختلف در سیستم را بیان می کنند. علاوه بر این،  مقایسه آن با دیگر الگوریتم های EMS، عملکرد بهتر آن را نشان می دهد.

 

 

فرمولسازی مسأله

اجرای ریاضی مساله بهینه سازی EMS

پیش فرض های زیر برای مساله بهینه سازی در یک MG کوچک در نظر گرفته خواهد شد:

- سطح ولتاژ در تمام نقاط MG یکسان است.

- تلفات توان به دلیل فاصله کابل کشی کوتاه بیت تولید و مصرف نادیده گرفته می شود.

- جریان توان راکتیو نادیده گرفته می شود.

مساله  بهینه سازی با توجه به تابع هدف زیر تعریف می شود:

 

که در آن m نشان دهنده تعداد دوره های زمانی در زمان برنامه ریزی T است؛ €_t^g  و €'_t^g به ترتیب هزینه های انرژی تولید شده توسط واحد مولد دیسپاچ شدنی و غیردیسپاچ شدنی در دوره t هستند، €_t^ES+  و €_t^ES-  نیز هزینه انرژی تولید شده توسط واحدهای  ES به ترتیب در طول حالت عملیاتی شارژ و تخلیه در دوره t هستند، €_t^l هزینه انرژی مصرف شده توسط تقاضا کننده بار (RLD) را بیان می کند و Ωt برای به تصویر کشیدن هزینه جریمه ناشی از قدرت تحویل نشده (UP) در طول دوره زمانی t است.

 

توابع مربوط به هزینه ها به شرح زیر است:

 

که در آن π_t^kg  و  π'_t^kg  قیمت پیشنهاد شده توسط واحدهای تولید برق دیسپاچ شدنی و غیر دیسپاچ شدنی kام در طول دوره زمانی t است؛ P_t^kg  و P'_t^kg به عنوان برق تولید شده توسط واحد دیسپاچ شدنی و غیر دیسپاچ شدنی kام در طول دوره زمانی  tتعریف می شوند؛ n^g و n'^g تعداد واحد های تولید دیسپاچ شدنی و غیردیسپاچ شدنی نصب شده در سیستم MG را نشان می دهند؛ π_t^k,l  قیمت پیشنهاد شده توسط RLD های  kام در طول دوره زمانی t است، ؛ P_t^k,l قدرت خروجی مصرف شده توسط متقاضی بار k ام در طول دوره زمانی t است، ؛ π_t^UP  و ؛ P_t^UP مقدار UP  (بخش نارضای بار بی‌پاسخ - NRL) در زمان t و هزینه های آن است. این عبارت در تابع هدف به عنوان یک هزینه ی جریمه برای اپراتور MG برای جلوگیری از هر گونه عدم مطابقت در توان، گنجانده شده است.  X_t^ES  نیز به عنوان یک متغیر باینری برای شارژ ES تعریف شده است.

مساله  بهینه سازی محدودیت های زیر را دارد:

•  بالانس توان

 

• محدودیت های واحد تولید توان غیردیسپاچ‌شدنی

 

که در آن P'^g حداکثر توان تولید شده توسط واحدهای تولید غیر دیسپاچ شدنی در زمان t است.

•  حداکثر و حداقل عامل بار در واحدهای تولید دیسپاچ شدنی

 

که در آن DT_tⁱ دوره زمانی روشن بودن واحد i،  T^ON,i حداقل آپ تایم  واحد i (ساعت) است، T^OFF,i حداقل زمان داون‌-تایم واحد i ام (ساعت) است، X_tⁱ وضعیت های واحد i ام در هر زمان t است. همچنین، P'_t^i,g برق تولید شده توسط واحد i در زمان t است.

•  محدودیت های افزایش شیب به بالا  و  شیب به پایین  در واحدهای مولد دیسپاچ شدنی:

 

•  محدودیت های ES

- محدودیت های ذخیره سازی انرژی.

- محدودیت‌های تخلیه و شارژ حداکثر.

- تعادل انرژی در ES.

- SOC باتری.

 

•  محدودیت های DR

که در آن X_t^DR یک متغیر باینری برای وضعیت DR است (یعنی در صورت وجود تقاضای خدمت 1 است و در غیر این صورت 0 است).  معادله (15) تضمین می کند که توان کل مصرف شده توسط DR باید برابر با  P_t^UP کل در سیستم عملیات روزانه باشد. در حالی که EGP در هر فاصله را می توان برای شارژ ES، DR و EWH به صورت فرمول (16) عرضه کرد. علاوه بر این، مجموع برق مصرفی این مشتریان باید برابر با جمع EGP  در طول یک سیستم عملیات روزانه باشد که به صورت ریاضی در معادله (17) نشان داده شده است.

•  محدودیت‌های آب گرم کن برقی (EWH)

 

علاوه بر این، برای اجرای واحد MACO ، متغیر x با لایه های t  و مقادیر i مجاز برای هر لایه با توجه به ماتریس نشان داده شده در معادله (19) تعیین می شود.

 

اجرای ریاضی واحد LEM

در این مقاله، ساختار عرضه تک-طرفه برای پیدا کردن ارزش MCP در هر بازه زمانی استفاده می شود. انرژی مورد نیاز توسط مصرف کنندگان و همچنین انرژی تولید شده توسط هر یک از تولید کنندگان به واحد LEM ارسال می شود. این واحد به طور جامع در مقالات قبلی ارسال شده توسط نویسندگان [1،20] توضیح داده شده است. بنابراین، در این مقاله تکرار نشده است.

برنامه زمان بندی پیشنهاد شده برای توزیع انرژی

روش برنامه ریزی DER پیشنهاد شده در این مقاله شامل بهینه سازی منابع در دسترس، با دو فواصل زماین مختلف از جمله ساعت کار در روز پیش‌ِرو  و 5 دقیقه‌ی پیش‌ِرو، است. این روش در شکل 1 نشان داده شده است1.

 

شکل 1. روش پیشنهادی برای بررسی HDAS و FMRTS در سیستم های ایزوله شده.

 

همانطور که در شکل قابل مشاهده است، این روش دارای برنامه ریزی ساعتیِ روزِ پیش رو (HDAS) و  پنج دقیقه‌ی پیشِ‌رو (FMRTS) است. برنامه ریزی برای روز پیش‌ِرو به عنوان داده های ورودی برای روش HDAS استفاده می شود. همچنین در شکل دیده می شود که ورودی‌های مربوط به بلوک HDAS در واقع  قیمت‌های پیشنهادی انرژی، قرارداد‌های مربوط به DR و مشخصات مربوط به منابع DER که در سیستم در نظر گرفته شده اند، هستند. در بلوک FMRTS  ورودی های مختلف در نظر گرفته شده از جمله اطلاعات مربوط به پیش بینی داده ها برای هر دو منابع انرژی دیسپاچ نشدنی و بارها، مشخصات اتصال/قطع ارتباط تجهیزات به سیستم، اطلاعات مربوط به حوادث و همچنین زمان اجرای آنها.

اطلاعات دریافت شده توسط واحد کنترل مرکزی (CCU) از بلوک HDAS شامل سیگنالهای مدیریت بار و سیگنال های محدودیت و ارزش DR با حداقل هزینه عملیات است.

خروجی بلوک FMRTS مسئولیت بار و مدیریت DR و برنامه ریزی زمان واقعی را بر عهده دارد. در زمان واقعی هدف برنامه ریزی CCU پیدا کردن بهترین و سریعترین روش برای پاسخ به این حادثه و دادن دستورات لازم  به DER ها و مصرف کنندگان است.

الگوریتم پیشنهادی برای EMS

در این مقاله، سه الگوریتم مختلف برای اجرای EMS بر اساس LEM با استفاده از تکنیک های اکتشافی و بدون استفاده از روش بهینه سازی ارائه شده، که در شکل2 نشان داده شده است.  پیاده سازی ریاضی MCEMS و EMS-PSO در [1،7] با جزئیات توضیح داده شده و در نتیجه در این مقاله بیان نشده است. از این رو، تنها الگوریتم EMS-MACO شرح داده شده است. این الگوریتم از دو واحد تشکیل شده است. عملکرد واحد EMS  در بخش زیر توضیح داده شده است.

شکل. 2. الگوریتم پیشنهادی برای EMS.

 

الگوریتم EMS-MACO

واحد MACO

ACO از عملکرد مورچه ها در بهبود گام به گام مسیر حرکت استفاده می کند. در نهایت، آنها می توانند به یکدیگر برای پیدا کردن کوتاهترین مسیر از لانه تا یک منبع غذایی کمک کنند. این روش به گونه ای است که هر یک از مورچه ها به صورت تصادفی ابتدا یک راه برای رسیدن به غذا و بازگشت به خانه را انتخاب می کند. در طول مسیر آنها یک ماده را از خود به نام فرومون بر جای می گذارند که در عبورهای بعدی آنها را در پیدا کردن آن کمک می کند. غلظت این ماده با افزایش/کاهش عبور مورچه ها افزایش/کاهش می یابد. هر مسیر کوتاه، زمان صرف شده کوتاهی برای یک زمان رفت و برگشت لازم دارد. که به عنوان یک نتیجه در یک بازه زمانی خاص، بازه‌ی تعداد رفت و برگشت‌ها افزایش می یابد.

در نهایت همه مورچه ها یک مسیر که کوتاه ترین است را استفاده خواهند کرد. این الگوریتم را می توان در مسائل بهینه سازی مختلف استفاده کرد. در روند بهینه سازی تابع هزینه سیستم توسط الگوریتم مورچه ها، توان تولید شده توسط منابع ریز و انرژی مصرف شده توسط مصرف کنندگان به یکدیگر وابسته هستند. این رویکرد برای مدیریت طرف تقاضا بر اساس توجه به روابط فیزیکی و محدودیت ها، در بخش "اجرای ریاضی مساله بهینه سازی EMS" ارائه شده است. انرژی قبلی و بعدی ذخیره شده در باتری در زمان حالت شارژ و تخلیه، بسیار مهمی است. بنابراین، هیچ امکانی برای انتخاب تصادفی مقادیر برای هر یک از حالات شارژ و تخلیه توان به طور جداگانه در هر تکرار وجود ندارد. فرآیند اجرای الگوریتم بهینه سازی MACO در شکل 3 نشان داده شده است، که در آن تعدادی از لایه ها با تعداد متغیرهای طراحی برابر است، و تعداد گره ها در هر لایه خاص برابر است با تعداد مقادیر مجاز مربوط به هر متغیر. همانطور که در شکل مشاهده می کنید، مساله  بهینه سازی تابع هزینه با 48 لایه (متغیرها) و i مقدار مجاز با توجه به محدودیت های فنی برای هر لایه، در نظر گرفته شده است. هر مقدار مجاز توسط یک مجموعه شامل این توان‌ها، و با توجه به روابط فیزیکی و محدودیت های ارائه شده در بخش "اجرای ریاضی مساله  بهینه سازی EMS" تعریف شده اند. با انتخاب تابع هزینه مناسب و با استفاده از الگوریتم شکل 3، مقادیر مجاز در هر لایه با حداقل هزینه انرژی به دست می آید. این مورچه ها به صورت تصادفی مقادیر مجاز را انتخاب می کنند و در هر بازه زمانی این روند از 00:00   تا  23:30 تکرار خواهد شد. احتمال انتخاب هر یک از مقادیر مجاز در تکرار اول با قرار دادن فرمون یکسان روی آنها، برابر در نظر گرفته می شود. پس از اینکه همه مورچه ها به زمان 23:30 رسیدند، تابع هزینه برای هر مورچه محاسبه و تابع کمترین هزینه انتخاب می شود. فرمونِ مسیرِ با کمترین هزینه افزایش می یابد؛ که به عنوان یک نتیجه، این تلاش امکان انتخاب این مسیر توسط مورچه ها در تکرار بعدی را افزایش می دهد. به همین دلیل، فرمون مسیرهای دیگر کاهش می یابد. در این راه، دوباره مورچه ها به طور تصادفی شروع به انتخاب مقادیر مجاز و مسیرها می کنند، در حالی که در این زمان احتمال انتخاب مقادیری که در مسیر بهینه هستند، بالاتر است. با تکرار این روند، الگوریتم همگرا شده و در نهایت یک مسیر به دست خواهد آمد که همه مورچه ها آنرا انتخاب می کنند که این مسیر حداقل تابع هزینه را فراهم می کند. واحد پیشنهادی، توسط Pseudo-code در الگوریتم 1 نشان داده شده است.

شکل. 3. نمایش گرافیکی از روند ACO در قالب یک شبکه چند لایه.

استفاده برای تست شبکه

شبیه سازی و ارزیابی تجربی برای یک سیستم توربین بادی مستقل (WT) / فتوولتائیک (PV) / میکروتوربین (MT)  و ES انجام می شود.  IREC بستر آزمایش است که در شکل 4 نشان داده شده است. مبدل نشان داده شده قادر به تقلید هر نوع تولید و مصرف است. توضیح مفصل مربوط به ساختار و استفاده از تنظیمات پیکربندی در [1] ارائه شده است. همانطور که در شکل 4 مشاهده می شود، این سیستم دارای یک کنترل کننده مرکزی است که برخی از داده ها به آن ارسال می شود. داده ها شامل پیشنهاد هر یک از تولید کنندگان، مقدار توان پیش بینی مربوط به منابع دیسپاچ نشدنی و بارها، مقدار انرژی ذخیره شده در باتری در زمان گذشته و خواص کلی هر یک از ریز منبع‌ها (مانند حداکثر و حداقل توان تولید شده توسط آنها، زمان روشن و خاموش کردن میکرو توربین‌ها) است. پس از آن، کنترلر می تواند تصمیم گیری مورد نیاز برای تبادل انرژی بین ریزمنابع و میزان برق مصرفی با استفاده از الگوریتم ارائه شده برای EMS را انجام دهد.

اطلاعات واقعی تجربی استخراج شده از [1] نیز برای تقلید WT، PV و NRL استفاده می شود. اطلاعات باد مورد استفاده از ایستگاه آب و هوایی در Museu de Badalona, Badalona (Spain) وابسته به شبکه آب و هوایی Generalitat de Catalunya به دست آمده است. اطلاعات سرعت باد متوسط ​​ظبط شده به صورت ساعتی در یک ارتفاع 20 متری برای مطالعه شبیه سازی 24 ساعته انتخاب شد و از توربین های بادی موجود در سقف IREC سنجیده می شود. داده های خورشیدی از سوابق آنلاین مانرسا، بارسلونا (اسپانیا) به دست آمد. در شکل 5، پروفایل WT و PV  برای حالات مختلف در نظر گرفته شده است. همانطور که در شکل 5 مشاهده می شود،  WT دارای نقص در طول شب است و در خارج از سرویس قرار داده می شود. همچنین، PV خارج از سرویس می رود به دلیل اینکه دیگر خورشیدی وجود ندارد.

مشخصات تقاضای بار در نظر گرفته شده که مشخصات متوسط بار اسپانیا باشد که از [25] بدست آمده است، که در شکل6 نشان داده شده است. تقاضای بار به دلیل پیک مصرف افزایش می یابد.

سه سناریو برای ارزیابی عملکرد و دقت الگوریتم پیشنهادی در نظر گرفته شده است.

- سناریوی 1: عملیات طبیعی.

- سناریوی2:  افزایش ناگهانی بار.

- سناریو 3:  قابلیت اتصال و قطع بار است.

الگوریتم های EMS پیشنهادی باید توانایی پیدا کردن بهترین راه حل برای پاسخگویی به این تقاضاهای بار و  قطع بار با توجه برنامه ریزی بهینه و بهره برداری از DERS و واحد ES را داشته باشد. به عنوان یک نتیجه، الگوریتم پیشنهادی قادر به مدیریت DR در طول عملکرد سیستم های روزانه است. در جدول 1، پیشنهاد قیمت ثابت برای دستگاه های مختلف گزارش شده است.

نتایج و بحث

این بخش نتایج مقایسه ای ارزیابی تجربی MCEMS، PSO و MACO در کاربرد EMS روی MGی  IRECجزیره‌ای، را ارائه می دهد. این آزمایش به منظور بررسی عملکرد EMS تحت سناریوهای مختلف انجام شده است.

ES و پروفیل SOC برای هر یک از سه الگوریتم ارائه شده در شکل 7 نشان داده شده است. مقدار اولیه SOC در نظر گرفته می شود که 50٪ برای همه الگوریتم ها باشد. همانطور که در شکل 7(ب) مشاهده می شود، سیستم ES  تقریبا در حالت عملکردی مشابه در هر دو الگوریتم EMS-MACO و EMS-PSO اداره می شود. ES در حدود 40٪ از روز در حالت شارژ بر اساس الگوریتم بهینه سازی اداره می شود. اگر چه، MT پیشنهاد قیمت بالاتری از ES دارد، EMS تصمیم به استفاده از MT برای یک زمان طولانی دارد. مقادیر SOC در این الگوریتم ها در طول حدود ساعت 06:00  تا 12:00 برابر است. اما قابل ذکر است که در الگوریتم های بهینه سازی، مقادیر بالاتر 55٪ برای 58٪ از زمان است. این واقعیت نشان می دهد که الگوریتم های بهینه سازی در حال ذخیره سازی انرژی نسبت به MCEMS هستند که می تواند در صورت بروز خطا استفاده شود. علاوه بر این، استفاده کمتر از ES منجر به قابلیت اطمینان بالاتر در ذخیره سازی انرژی و سیستم تحت هر شرایط می شود. در پایان روز، سطحSOC 24٪ و 69٪  برای MCEMS و الگوریتم های بهینه سازی است، که برنامه پشتیبان گیری بهتری برای اطمینان از در دسترس بودن و قابلیت اطمینان سیستم برای روز بعد در مورد یک قطع برق را نشان می دهد. در نهایت، قابل توجه است که اگر چه پاسخ هر دو الگوریتم بهینه سازی (PSO و MACO) مشابه هستند، ولی MACO استرس در ES را با دوره تغییر کندتری نسبت به PSO کاهش می دهد.

 

شکل. 4. پیکربندی سیستم بستر آزمایش MGی IREC.

 

شکل 5. پروفیل شبیه ساز WT و PV در طول عملیات روزانه سیستم.

 

شکل6. مشخصات شبیه ساز بار در طول عملیات روزانه سیستم

 

شکل7. مشخصات ES در عملیات روزانه سیستم.

 

جدول1:  پیشنهادات عرضه توسط واحدهای تولید در یک منحنی عرضه.

 

 

شکل 8. نمودار میله‌ای مربوط به توان ES در طول شارژ و تخلیه، EWH، DR، UP و EGP.

 

در شکل 8، نمودار میله‌ای مربوط به توان ES در طول شارژ و تخلیه، EWH، UP و توان تولیدی بیش از حد (EGP) نشان داده شده است. همانطور که در شکل 8 (الف)  مشاهده می شود (مورد MCEMS)، در بسیاری از زمانها، ES در حالت شارژ عمل می کند. این دوره شارژ عمدتا در محدوده زمانی 10:00  تا 17:00 متمرکز شده است. در طول بقیه دوره‌ها، ES معمولا تخلیه می کند. نکته دیگر در مورد این شکل است که EWH نیز در این دوره متصل است. بنابراین، تقاضای کم برق و تولید برق زیادی وجود دارد. در نهایت، همانطور که در شکل 8(الف) دیده می شود، یک دوره در شب وجود دارد که در آن برخی UP وجود دارد.

توجه داشته باشید که به طور متوسط ​​هزینه به دست آمده توسط EMS-MACO کمترین میزان در مقایسه با MCEMS و PSO  است. به عبارت دیگر، تکنیک های بهینه سازی، هزینه های پایین تری نسبت به EMS معمولی فراهم می کند. اگر چه، بر اساس جدول 3، مقادیر در PSO نزدیک به مقادیر MCEMS در چند دوره از روز است، برخی تفاوت‌ها در اولین دوره از روز وجود دارد (با توجه به قیمت فروش بالای ES  قابل توجه است). در نهایت، توجه داشته باشید که در مدت زمان گذشته، هزینه بالاتر زیرا تابع جریمه تحت تاثیر UP قرار دارد.

مقدار MCP در هر بازه زمانی در شکل 9 نشان داده شده است. مقدار متوسط ​​آن نیز در هر دوره 6 ساعته در جدول 3 ارائه شده است. همانطور که در شکل مشاهده می شود، در تمام فواصل (به جز 19:00)، مقدار λ_t^MCP  بیشتر ازλ'_t^MCP   است؛ حداکثر تفاوت بین  λ_t^MCP  و  λ'_t^MCP  برابر است با  0.44 €/kWh که در ساعت 08:00 رخ می دهد. در این ساعت، مقادیر P_t^TCP  با P'_t^TCP برابر است. این واقعیت نشان می دهد که در این ساعت مقدار پولی که باید در برق مصرفی کلِ (TCP) الگوریتم های بهینه سازی صرف شود بسیار کمتر از مقدار λ'_t^MCP است. در بقیه ساعت‌ها مقادیر آنها با هم برابر هستند. که سناریوی 2 رخ داده است، حداکثر مقدار λ_t^MCP  برابر است با 1.32 €/kWh که در 18:00 تا 18:30 است. حداکثر مقدار برای λ'_t^MCP در ساعاتی است که سناریوهای 2 و 3 رخ داده اند. همچنین، حداقل مقدار λ_t^MCP در فواصل 03:30  تا04:00   و  05:30 تا 06:00 به دست آمده.  حداقل مقدار برای λ'_t^MCP  برابر است با 0.3 €/kWh که در01:00  تا 01:30  و 04:30  تا 05:00 به دست آمده است. در هر دو این ساعت ها، ES در حالت دشارژ عمل می کند و کمبود برق جبران می شود.

علاوه بر این، حداکثر مقدار MCP در تمام الگوریتم‌ها در طول سناریوهای 2 و 3  به دست آمده. همانطور که در جدول 3 نشان داده شده، مقدار متوسط ​​ λ''_t^MCP همیشه کمتر از MCP در الگوریتم های دیگر است. بنابراین، هزینه تولید کل حدود 5٪ در EMS-MACO در مقایسه با EMS-PSO کاهش می یابد.

به منظور نشان دادن اثربخشی و توانایی الگوریتم پیشنهادی در پیدا کردن نقطه مطلوب با زمان اجرایی کمتر، زمان اجرای برنامه در هر دو الگوریتم بهینه سازی مقایسه می شوند. شکل10 فرآیند به حداقل رساندن تابع هدف در اجرای EMSها بر اساس PSO و MACO که در طول تکرارهای مختلف در مسائل بهینه سازی رخ می دهد رانشان می دهد. همانطور که در این شکل نشان داده شده، در بهترین وضعیت EMS-PSO  بعد از  تکرار 90ام به پاسخ مطلوب می رسد، و قادر به فرار از قله های محلی بعد از تکرار 12ام است. علاوه بر این، بعد از تکرار 65 به بهینه جهانی نزدیک می شود. می توان مشاهده کرد که برای این مورد، تابع در 22 تولید همگرا می شود. همچنین قابل توجه است که کیفیت مطلوب جهانی و سرعت همگرایی در EMS-MACO در مقایسه با EMS-PSO بهبود یافته است.

 

شکل. 9. مقدار MCP در عملکرد روزانه سیستم.

 

شکل. 10. بهبود تابع هدف در دو الگوریتم بهینه سازی اکتشافی.

 

جدول 2: هزینه کل و زمان اجرا برای آیتم مورد مطالعه مربوط به 100 تکرار از الگوریتم‌های اکتشافی EMS.

جدول 3:  پارامترهای پیکربندی برای هر واحد.

شکل. 11. برنامه ریزی زمان واقعی DERها برای MGی جزیره ای.

به منظور مقایسه عملکرد الگوریتم پیشنهادی با الگوریتم های دیگر، جدول 2 زمان اجرای کد توسعه یافته و کل هزینه تولید اجرای تمام الگوریتم های EMS-MACO و EMS-PSO را ارائه داده است. الگوریتم ‌ها به زبان C کد شده اند  و  بر روی یک کامپیوتر شخصی 2.53GHzCore(TM)Duo P8700  با  4 GB RAM  اجرا شده اند. همانطور که در این جدول دیده می شود، زمان اجرای الگوریتم پیشنهادی کمتر از 1 دقیقه است، اما EMS-MACO  حداقل زمان اجرا را دارد. علاوه بر این، همانطور که در این جدول نشان داده شده، مقدار توابع هدف در EMS-MACO بسیار نزدیک به EMS-MINLP است که به 23٪ کاهش در زمان اجرا و حدود 2.3٪ صرفه جویی در هزینه های عملیاتی کل رسیده است.

شکل11 خروجی برنامه ریزی زمان واقعی برای یک MG جزیره‌ای با استفاده از الگوریتم EMS-MACO برای یک روز کاری با فواصل زمانی 5 دقیقه‌ای را نشان می دهد. نتایج نشان می دهد که با استفاده از الگوریتم پیشنهادی، برنامه ریزی زمان واقعی انجام شده است. علاوه بر این، می توان پایداری سیستم MG در شرایط مختلف را تضمین کرد. همچنین، قابلیت اتصال و قطع نیز با توجه به سه سناریو ذکر شده به دست آمده است. علاوه بر این، سه منطقه قابل توجه در این شکل موجود می باشد. منطقه A موقعیتی که در آن سیستم های WR و PV خارج از سرویس هستند را نشان می دهد. تحت این شرایط، بخشی از انرژی مورد نیاز توسط سیستم های ES و MT عرضه می شود. همانطور که در شکل مشاهده می شود، برخی از توان مورد نیاز بار را نمی توان عرضه کرد و در نتیجه کمی تغییر می کند. منطقه B یک وضعیت معمولی در عملکرد زمان واقعی است. همانطور که  مشاهده می شود، نوسانات شدید بار توسط سیستم های MT  و ES جبران می شود. در منطقه C، سناریو 3 رخ داده است. در این سناریو تولیدات سیستم WT کاهش یافته  و EGP توسط سیستم PV و Wr در حالت نرمال است، و توان بیش از حدی برای تغذیه ES، DR و یا سیستم EWH استفاده می شود. همانطور که در شکل مشاهده می شود، پیرو این سناریو میزان برق مصرفی EWH کاهش می یابد.

نتیجه گیری

روش های مدیریت انرژی اکتشافی جدید مبتنی بر بهینه سازی چندلایه کلونی مورچگان در این مقاله ارائه شده است. این الگوریتم از پیشبینی داده‌های کوتاه مدت (DAS، HDAS و FMRTS) استفاده می کند. برنامه ریزی زمان واقعی به منظور بررسی قابلیت اتصال و انقطاع و توانایی پاسخ سیستم برای مقابله با حوادث در سیستم، جهت تغییرات بار و تولید بار، آزمایش شده است. پس از آن، نتایج به دست آمده از EMS-MACO با دیگر روش های ممکن از جمله روش متداول (MCEMS) و روش اکتشافی کلاسیک (PSO) مقایسه شده است. این مطالعه موردی به صورت تجربی بر روی MGی IREC، با استفاده از نوعی شبیه ساز برای شبیه سازی رفتار منابع انرژی دیسپاچ نشدنی و مصرف کنندگان پاسخگو/غیرپاسخگو، انجام شده است. MACO به دلیل استفاده از تکرار کمتر برای همگرایی و زمان محاسباتی کمتر، یک واکنش بهتر از الگوریتم PSO فراهم می کند. استفاده از MACO کمترین هزینه انرژی را در مقایسه با PSO و MCEMS ارائه می دهد. بعلاوه، این استفاده مناسب از ES را با کاهش قابلیت چرخه‌ای آن و همچنین کاهش دوره‌های UP تضمین می کند. در نهایت، ثابت شده است که MACO نتایج نزدیک به مقدار مطلوب واقعی، با خطای زیر 1.3٪، بدست می آورد.