ثبت سفارش تلگرامی

انجام پایان نامه دکتری

 drtahqiq موسسه چاپ مقاله 

  •  

    مقاله برق: برنامه‌ریزیِ چند هدفه فازی سیستم‌های ترکیبی گرمایی و الکتریکی در میکروگریدها

    چکیده: توان الکتریکی و گرمایی ترکیبی، انرژی تجدید پذیر، سیستم میکروگرید، توان گاز، برنامه ریزی چندهدفه فازی، الگوریم ژنتیک

    وابستگیِ کامل جامعه بر روی انرژی باعث می‌شود در شبکه‌ی برق ترافیک ایجاد شود. برای مدت قرن‌ها، سیستم‌های انرژی بر اساس تولید انرژی مرکزی و سیستم‌های توزیع و انتقال بودند. با افزایش سریع هزینه‌های سوختی، هزینه‌های سرمایه‌گذاریِ نیروگاه‌های تولید انرژیِ مرکزی، و تقاضای گرمایی/برقی افزایش پیدا کرد. یک نیاز واقعی وجود دارد که یک سیستم جایگزین با مصرف انرژی بهینه‌تری داشته باشیم. میکروگرید نسبتاً شبکه‌ی محلیِ کوچک است که شامل بارها، سیستم کنترل و مجموعه‌ای از منابع انرژی مانند ژنراتورها و دستگاه‌های ذخیره‌سازیِ انرژی می‌شود [1، 2]. میکروگرید می‌تواند در حالت متصل به شبکه کار کند، که در آن منابع انرژی با شبکه‌ی الکتریکیِ اصلی ارتباط برقرار می‌کنند، و یا می‌تواند به صورت جزیره‌ای عمل کند که در این حالت میکروگرید بارهای محلی را بدون استفاده از شبکه‌ی برق اصلی تغذیه می‌کند. میکروگرید در کل به عنوان یک سیستم تولید انرژیِ جایگزینی شناخته می‌شود که می‌تواند با نیرگواه برق مرکزیِ سنتی رقابت کند [3]. به عنوان یک جایگزین برای سیستم‌های انرژیِ مرکزی، میکروگریدها انرژی را به صورت محلی و با استفاده از DG (تولید توزیع‌یافته) و تبادل برق با مناطق دور تولید می‌کند [4].

    تنوع طبیعت منابع انرژی‌ها باعث می‌شود اتکا‌پذیری، کیفیت برق و اقتصاد سیستم بهبود یابد [5].

    بنابراین، میکروگریدها از انواع DGها ایجاد شده‌اند، مانند تولید انرژی، ذخیره‌سازیِ انرژی و مدیریت بار. در حال حاضر، گاز طبیعی سوخت اصلیِ DGهاست [4]. منابع انرژیِ تجدیدپذیر مانند انرژی باد و PV (فوتوولتائیک) مقبولیت بسیاری در صنعت تولید برق دریافت کرده‌اند زیرا پایان‌ناپذیر و غیرآلاینده هستند. منابع انرژیِ تجدیدپذیر منابع تولید نیروی متناوب شناخته می‌شوند که دلیل آن تغییرات سرعت باد و تشعشعات خورشید است. یکی از کاربردهای اصلیِ DGها در CHP است که به صورت همزمان برق و گرما تولید می‌کند [4]. CHP و منابع انرژیِ تجدیدپذیر عناصر کلیدی در سیستم‌های انرژیِ پاک آینده هستند [6، 7]. تولید CHP انعطاف‌پذیر می‌تواند باعث ادغام تولید برق نوسان‌دار از منابع انرژیِ تجدیدپذیر شود [6، 7]. به علاوه، ذخیره‌سازیِ انرژیِ گرمایی یک عنصر اساسی دیگر در میکروگرید است [5]. این سیستم مازاد انرژی گرمایی را ذخیره می‌کند تا زمان تقاضای بالا مورد استفاده قرار بگیرد، بنابراین باعث می‌شود تقاضای اوج انرژیِ گرمایی کاهش پیدا کند. با تهی‌سازیِ تدریجیِ سوخت‌های فسیلی و تقاضای بیشتر کشورها برای مطابقت با محدودیت‌های محیط زیستی که توسط پروتوکل Kyoto برای کاهش تشأشعات گازهای گلخانه‌ای تعریف شد، میکروگریدها با CHP و منابع انرژی تجدیدپذیر یک شکل سازماندهیِ موثری از واحدهای عرضه‌ی انرژیِ توزیع‌یافته ارائه کردند [2].

    میکروگریدها با CHP و منابع انرژی تجدید پذیر مزایای بسیاری دارند، از جمله اتکاپذیری و کاهش: لفات انرژی، تشأشعات، گرمای تلف شده، هزینه‌های سرمایه‌گذاری و جاری شبکه‌های انتقال، و ریسک خطای زنجیره‌ی انرژی [1-5،8]. برنامه‌ریزیِ سیستم‌های CHP توجه بسیاری دریافت می‌کند [1-12] زیرا برنامه‌ریزیِ منطقی مسئله‌ی مهمی بوده و تضمین می‌کند عملیات میکروگرید بهینه و ایستایی ایجاد شود.

    آثار بسیاری در منابع مرتبط انجام شده است، که می‌توان آن‌ها را به صورت کلی به سه جنبه تقسیم کرد:

    شناساگرها و متدهای ارزیابی، استراتژیِ عملیاتی، و برنامه‌ریزیِ بهینه‌ی سیستم CHP در سیستم میکروگرید. برای شناساگرها و متدهای ارزیابی، شاخص‌های عملکردیِ اقتصاد، اتکاپذیری و بهره‌ی استفاده‌ی تشأشعات و انرژی KPIها (شناساگرهای عملکردیِ کلیدی) هستند که عملکرد سیستم میکروگرید را تحلیل می‌کنند [2]. برای مثال، مرجع [1] یک چهارچوب سلسله‌مراتبی پیشنهاد می‌کند که زمان‌بندیِ تولید اقتصادیِ میکروگریدها را تحقق می‌بخشد. با این همه، در این اثر ذخیره‌ی گرمایی و تشأشعات وجود ندارد. مراجع [2، 3] بر روی ارزیابی مجموعه‌های خروجیِ بهینه‌ی ترکیب DG بر اساس ترکیب‌های بهینه‌سازیِ چند هدفه بین هزینه‌ی سوخت و تشأشعات تمرکز کردند. منابع انرژی تجدیدپذیر و ذخیره‌ی انرژی در مرجع [3] موجود نیستند. مرجع [4] یک طرح بهینه برای میکروگریدها با واحدهای CHP ارائه کرد که نتایج ارزیابی چرخه‌ی طول عمر میکروگریدها را باهم ادغام می‌کند. هدف این است که هزینه‌ی عملیاتی و انتشارات کلی به حداقل برسند.

    با این همه، اثر آن‌ها ادغام منابع انرژیِ تجدیدپذی را در میکروگریدها در نظر نمی‌گیرد. مرجه [5] نتایج عملیاتی میکروگریدهای مسکونیِ واقعی را در نظر گرفته‌اند که شامل شش آپارتمان، نیروگاه فوتوولتائیک، نیروگاه انرژیِ گرمایی خورشیدی، یک پمپ گرمایی ژئوترمال، و ذخیره‌ی انرژیِ گرمایی می‌شود. نویسنده‌های [6] نشان می‌دهند چرا شبکه‌های هوشمند برق باید بخشی از سیستم‌های انرژیِ هوشمند کلی دیده شوند و تأکید دارند که ادغام تولید CHP انعطاف‌پذیری باید در توازن برق و ثبات شبکه انجام شود. برای مثال، CHPها باید طوری عمل کنند که وقتی خروجی یک منبع انرژیِ تجدیدپذیر بالا است، انرژی کم‌تری تولید کنند و وقتی که خروجی منبع انرژیِ تجدیدپذیر پایین باشد انرژی بیشتری تولید کند. مرجع [7] راه‌حل‌هایی برای ادغام منابع انرژیِ تجدیدپذیر در سیستم‌های الکتریکی با استفاده از CHPهای سایز متوسط و کوچک ارائه کردند. به علاوه، راه‌حل‌های پیشنهادی و ابزارهای نرم‌افزاری اجاره می‌دهد که به صورت شراکتی سرویس‌هایی ارائه شود که در حال حاضر تنها توسط نیروگاه‌های برق بزرگ به بازارهای برق ارائه می‌شوند.

    در مرجع [8]، یک الگوریتم برای پیدا کردن انواع، سایزها و جایگاه‌های DGها در میکروگرید پیشنهاد شده است. هدف مورد نظر این است که هزینه‌ی عملیاتی و سرمایه به حداقل رسیده و تشأشعات را در نظر نگرفته‌اند. به علاوه، منابع انرژیِ تجدیدپذیر و ذخیره‌ی گرمایی نیز در نظر گرفته نشده‌اند. هدف مرجع [9] این است که نرخ مصرف سوخت DGها در میکروگرید کاهش پیدا کند. با این همه، تشأشعات و هزینه‌های نگهداری در نظ رگرفته نشده‌اند. یک الگوریتم بهینه‌سازی برای اعزام بهینه‌ی DGها و سیستم‌های ذخیره‌سازی در میکروگرید جزیره‌ای در مرجع [10] ارائه شده است.

    هدف این است که هزینه‌ی عملیاتیِ کلی و تشأشعات کاهش پیدا کند. با این همه، اثر آن‌ها تقاضای انرژی گرمایی را در نظر نمی‌گیرند. نویسندگان مرجع [11] یک تحلیل جامع از هفت فناوریِ مختلف ارائه کرده‌اند تا منابع انرژیِ تجدیدپذیر دارای نوسان در یک سیستم عرضه‌ی برق ادغام شوند. هفت فناوریِ مورد نظر دیگ‌های الکتریکی، پمپ‌های گرمایی، الکرتولایزرها با CHP محلی، الکترولایزرها با CHP میکرو، دستگاه‌های سلول سوختیِ هیدروژنی، دستگاه‌های الکتریکیِ باتری و تقاضای الکتریسیته‌ی انعطاف‌پذیر هستند. این فناوری‌های مختلف از نظر قابلیت ادغام منابع انرژیِ تجدیدپذیر و بهره‌ی سوختی‌شان در سناریوهای مختلف مقایسه شده‌اند. مرجع [12] یک مدل اکتشافی برای تحلیل امکان‌پذیریِ اقتصادی استفاده از نیروگاه ذخیره‌سازیِ انرژیِ هوای فشرده در سیستم برق دانمارکی در مقایسه با سایر فناوری‌های انعطاف‌پذیر از جمله پمپ‌های گرمایی و ذخیره‌های هیدروژنی ارائه کرده‌اند.

    برای استراتژیِ عملیاتیِ CHP در سیستم میکروگرید، دو استراتژی اولیه وجود دارد:

    FTL (دنبال کردن بار گرمایی) و FEL (دنبال کردن بار الکتریکی) [2]. هنگامی که میکروگرید در حالت FTL کار می‌کند، واحدهای تولید شده اولویت را بر روی تولید گرما قرار می‌دهند. اگر میکروگرید نتواند با تقاضای الکتریکی مطابقت پیدا کند، برق کمبودی را می‌توان از شبکه‌ی اصلی خریداری کرد. هنگامی که میکروگرید در حالت FEL کار می‌کند، واحدهای تولیدی اولویت را بر روی تولید برق می‌گذارند. اگر میکروگرید نتواند با تقاضای گرمایی مطابقت داشته باشد، گرمای کمبودی را می‌توان با استفاده از یک دیگ عرضه کرد. با این همه، استراتژیِ دنبال کردن بار گرمایی-الکتریکیِ هیبریدی می‌تواند با توجه به بار بین دو حالت سوئیچ کند که عملکرد اقتصادی و محیط زیستیِ بهتری ارائه می‌کند [12، 14].

    سرمایه‌گذاری در فناوری‌های توان گازی به صورت مداوم در حال افزایش است. تولید برق با استفاده از گاز طبیعی توجه بسیاری به این دلایل کسب کرده است [15]: 1) زمان ساخت کوتاه و هزینه‌های سرمایه‌گذاریِ اولیهِ پایین که باعث می‌شود در بازارهای غیر تنظیم شده جذاب باشد. و 2) سوخت تشأشعات گاز طبیعی نسبت به سایر سوخت‌های فسیلی مانند ذغال و نفت تشأشعاتی دارد که آسیب کم‌تری دارند. DGهای مبتنی بر موتورهای گازی و میکروتوربین‌ها عموماً برای کشورهایی که دارای دسترسی آسانی به گاز طبیعی هستند گزینه‌ی قابل اتکاتری است [16]. فناوری‌های گازی مانند NGFCها (سلول‌های سوخت گاز طبیعی)، H2FCها (سلول‌های سوخت گاز هیدروژنی) و NGTها (توربین‌های گاز طبیعی) را می‌توان برای توازن تقاضای توان/گرمای مورد نیاز در میکروگریدها به کار برد. به علاوه، ذخیره‌سازیِ توان-به-گاز (P2G) را می‌توان پیاده سازی کرد تا توان مازاد از انرژی تجدیدپذیر به سوخت هیدروژنی تبدیل شود تا از طریق یک یا چند روش زیر بتوان هرگاه لازم بود از آن استفاده کرد [17]: 1) منبع انرژیِ پاک؛ 2) تغذیه به شبکه‌ی گاز طبیعی به عنوان سوختی برای گرمایش کربنیِ پایین و یا سوخت ایجاد برق قابل کنترل و 3) مشتریان صنعتی.

    سیستم‌های انرژی مدرن که با درجه‌ی بالایی از پیچیدگی و عدم قاطعیت مواجه هستند که علت آن فاکتورهای در حال افزایش مانند نفوذ منابع انرژیِ تجدیدپذیر، بارهای جدید (برای مثال، EVها (اتومبیل‌های الکتریکی))، افزایش دستگاه‌های ذخیره‌سازی انرژی، تقاضای متغیر، و برنامه‌های واکنش تقاضا می‌باشد. برای مثال، برخی مصرف کننده‌ها خودشان برق/گرماشان را تولید می‌کنند. با این همه، اگر از PV و یا ژنراتورهای بادی استفاده کرده و به صورت موقت انرژی نداشته باشند، ممکن است توسط شبکه‌ی برق اصلی نیازمند تغذیه باشند. بنابراین، پروفایل بار خالص کم‌تر قابل پیشبینی خواهد بود [18]. سناریوها کمک می‌کنند سیستم مفهومی به صورت تجسمی و از طریق مثال‌های عملیاتی درک شود. سناریوها رخدادهایی که کاربر می‌تواند در انجام کارهایی که عملیات سیستم را تشکیل می‌دهد شبیه‌سازی کنند. بهینه‌سازی با عدم قاطعیت را می‌توان با استفاده از مدل‌سازیِ مبتنی بر سناریو با سه فاز حل کرد [19] : 1) جمع‌آوری و پردازش داده‌های پشت‌زمینه‌ی مرتبط و دانش قضاوتی، 2) ایجاد مجموعه‌ی منسجمی از سناریوها و 3) ساخت و حل مدل بهینه‌سازیِ اتفاقی. به علاوه، چندین تکنیک برای مدل‌سازیِ عدم قاطعیت‌ها مانند Monte Carlo [20]، تکنیک کاهش سناریو [21]، مدل‌سازیِ فازی [22]، و نظریه‌ی تصمیم‌گیریِ شکاف اطلاعاتی [23] اعمال شده‌اند.

    چندین چالش ممکن است برای کار با سیستم انرژیِ آینده وجود داشته باشد [18، 24]. مثال‌هایی از این چالش‌ها عبارتند از [18، 24]: 1) تقاضا در سمت مشتری که با عدم قاطعیت بیشتر محاصره شده است. 2) ظهور فناوری‌های جدید و سطوح نفوذ و زمان‌بندیِ آن‌ها. 3) درجه‌ای که با استفاده از آن بارهای مسکونی قابل کنترل هستند. 4) استفاده از اطلاعات شبکه‌ی هوشمند و فناوری‌های ارتباطی که به صورت هوشمندان کارهای کاربران را ادغام کند و 5) عدم قاطعیت در مورد توسعه‌ی اقتصادی، سیاست‌های بین‌المللی، تجارت و سیاست‌های آب‌وهوایی.

    عملکرد میکروگرید بسیار به نوع DGها و ظرفیت آن وابسته است. هدف اثر ارائه شده در این مقاله این است که یک برنامه‌ریزیِ بهینه برای CHP و منابع انرژیِ تجدیدپذیر در میکروگریدها ارائه کند که شامل موارد زیر می‌شود:

    • تقاضای الکتریکی و گرمایی با توجه به تغییرات ساعتی در روز
    • عدم قاطعیت مربوط به توان خروجیِ واحدهای DG تجدیدپذیر
    • هدف اقتصادی (هزینه‌های عملیاتی و سرمایه‌گذاریِ کل) و هدف محیط زیستی (تشأشعات C2)
    • ترکیب بهینه‌ی توان گاز (توربین‌های گاز طبیعی، سلول‌های سوختیِ گاز طبیعی، و سلول‌های سوختیِ گاز هیدروژن)، منابع انرژیِ تجدیدپذیر (باد و PV)، دیگ گاز طبیعی، هیتر الکتریکی، ذخیره‌ی گرمایی و شبکه‌ی برق اصلی

    از این دیدگاه، اثر پیشنهادی می‌تواند یک ابزار طراحی و مدل‌سازیِ مفید باشد، که امکان استفاده از فناوری‌های انرژیِ جایگزین و استراتژی‌های مختلف را ارزیابی می‌کند. سایر فناوری‌های DG را نیز می‌توان با توجه به میکروگرید تحت مطالعه و ویژگیِ انرژیِ اصلیِ منطقه‌ای اضافه کرد، که نشان دهنده‌ی امکان وجود انواع مختلف منابع انرژی در مناطق مختلف است.

    منابع

    [1] Wu X, Wang X, Qu C. A hierarchical framework for generation scheduling of
    Microgrids. IEEE Trans Power Deliv 2014;29:2448e57.
    [2] Guo L, Liu W, Cai J, Hong B, Wang C. A two-stage optimal planning and design
    method for combined cooling, heat and power microgrid system. Energy
    Convers Manag 2013;74:433e45.
    [3] Basu AK, Bhattacharya A, Chowdhury S, Chowdhury SP. Planned scheduling
    for economic power sharing in a CHP-based micro-grid. IEEE Trans Power Syst
    2012;27:30e8.

    [4] Zhang D, Evangelisti S, Lettieri P, Papageorgiou LG. Optimal design of CHPbased
    microgrids: multiobjective optimisation and life cycle assessment. Energy
    2015;85:181e93.
    [5] Comodi G, Giantomassi A, Severini M, Squartini S, Ferracuti F, Fonti A, et al.
    Multi-apartment residential microgrid with electrical and thermal storage
    devices: experimental analysis and simulation of energy management strategies
    .
    Appl Energy 2015;137:854e66.
    [6] Lund H, Andersen AN, Østergaard PA, Mathiesen BV, Connolly D. From electricity
    smart grids to smart energy systems e a market operation based
    approach and understanding. Energy 2012;42:96e102.
    [7] Andersen AN, Lund H. New CHP partnerships offering balancing of fluctuating
    renewable electricity productions. J Clean Prod 2007;15:288e93.
    [8] Basu AK, Chowdhury S, Chowdhury SP. Impact of strategic deployment of
    CHP-based DERs on microgrid reliability. IEEE Trans Power Deliv 2010;25:
    1697e705.
    [9] Hernandez-Aramburo CA, Green TC, Mugniot N. Fuel consumption minimization
    of a microgrid. IEEE Trans Ind Appl 2005;41:673e81.
    [10] Conti S, Nicolosi R, Rizzo SA, Zeineldin HH. Optimal dispatching of distributed
    generators and storage systems for MV islanded microgrids. IEEE Trans Power
    Deliv 2012;27:1243e51.
    [11] Mathiesen BV, Lund H. Comparative analyses of seven technologies to facilitate
    the integration of fluctuating renewable energy sources. IET Renew Power
    Generation 2009;3:190e204.
    [12] Lund H, Salgi G. The role of compressed air energy storage (CAES) in future
    sustainable energy systems. Energy Convers Manag 2009;50:1172e9.
    [13] Mago PJ, Chamra LM. Analysis and optimization of CCHP systems based on
    energy, economical, and environmental considerations. Energy Build 2009;41:
    1099e106.
    [14] Mago PJ, Chamra LM, Ramsay J. Micro-combined cooling, heating and power
    systems hybrid electric-thermal load following operation. Appl Therm Eng
    2010;30:800e6.
    [15] Urbina M, Li LZ. A combined model for analyzing the interdependency of
    electrical and gas systems. In: 39th North American Power Symposium; 2007.
    p. 468e72.
    [16] Jouneghani A, Parvizi R, Amidpour M, Chaibakhsh A. Gas based distributed
    generation systems, a key to Iran buildings growing energy demand. In: IEEE
    2nd Intern. Conf. on Power and Energy; 2008. p. 1592e6.
    [17] Hydrogenics. 2015 [Online]. Available: http://www.hydrogenics.com/
    hydrogen-products-solutions/energy-storage-fueling-solutions/power-to-gas.
    [18] Veldman E, Gibescu M, Slootweg H, Kling W. Scenario-based modelling of
    future residential electricity demands and assessing their impact on distribution
    grids
    . Energy Policy 2013;56:233e47.
    [19] Kaki A, Salo A, Talluri S. Scenario-based modeling of interdependent demand
    and supply uncertainties. IEEE Trans Eng Manag 2014;61:101e13.
    [20] Soroudi A, Caire R, Hadjsaid N, Ehsan M. Probabilistic dynamic multi-objective
    model for renewable and non-renewable distributed generation planning. IET
    Gener Transm Distrib 2011;5:1173e82.
    [21] Soroudi A, Afrasiab M. Binary PSO-based dynamic multi-objective model for
    distributed generation planning under uncertainty
    . IET Renew Power Gener
    2012;6:67e78.
    [22] Soroudi A. Possibilistic-scenario model for DG impact assessment on distribution
    networks in an uncertain environment. IEEE Trans Power Syst
    2012;27:1283e93.
    [23] Soroudi A, Ehsan M. IGDT based robust decision making tool for DNOS in load
    procurement under severe uncertainty. IEEE Trans Smart Grid 2013;4:
    886e95.
    [24] Lund H, Werner S, Wiltshire R, Svendsen S, Thorsen JE, Hvelplund F, et al. 4th
    generation district heating (4GDH): integrating smart thermal grids into
    future sustainable energy systems. Energy 2014;68:1e11.
    [25] Atwa YM, El-Saadany EF, Salama MMA, Seethapathy R. Optimal renewable
    resources mix for distribution system energy loss minimization. IEEE Trans
    Power Syst 2010;25:360e70.
    [26] Zidan A, El-Saadany EF. Distribution system reconfiguration for energy loss
    reduction considering the variability of load and local renewable generation.
    Energy 2013;59:698e707.
    [27] Zidan A, El-Saadany EF. Incorporating load variation and variable wind generation
    in service restoration plans for distribution systems. Energy 2013;57:
    682e91.
    [28] Zhang. Optimal design and planning of energy microgrids [PhD thesis].
    Department of Chemical Eng., University College London; 2013 [Online].
    Available:, http://discovery.ucl.ac.uk/1418705/1/Thesis_Di%20Zhang.pdf.
    [29] Hydrogen for transport in Europe. 2015 [Online]. Available: http://www.
    hylights.org/publications/reports/hyLights_final_results/H2data_german.pdf.
    [30] SENTECH Inc. Commercial and industrial CHP technology cost and performance
    data analysis for EIA. June 2010.
    [31] Karady G, Sirisooriya P, Farmer RG. Investigation of fuel cell system performance
    and operation: a fuel cell as a practical distributed generator.
    Project report. Arizona State University, PSERC Publication; May 2002.
    p. 02e26.

     

Comments

  • (no comments)

Post Comments

This free website is created and hosted by Website.com's Site Builder.