Abstract:
نفوذ بیسابقه تولیدات پراکنده در شبکه انرژی توزیع شرایط را برای بهرهوری انرژی توسط ریزشبکهها مهیا کرده است. پیادهسازی یک ریزشبکه ممکن است مزایای زیادی را مانند تعویق سرمایهگذاری، کاهش گازهای گلخانهای، بهبود قابلیت اطمینان و کاهش تلفات شبکه پیشنهاد میدهد. شبکه انرژی آینده شامل فرمهای مختلف انرژی میباشد که از طریق ترکیب منابع و ذخیرهسازهای مختلف تحت مفهوم ریزشبکه چند حاملی حاصل میگردند. بهمنظور نمایش عملکرد مؤثر این ریزشبکههای چند حاملی، بهرهبرداری و طراحی بهینه ضروری میباشد. این مقاله یک استراتژی ترکیبی را بهمنظور پیدا کردن مناسبترین تجهیز از نظر ظرفیت و نوع به همراهی توزیع بهینه توان در یک ریزشبکه متصل به شبکه با در نظر گرفتن قابلیت اطمینان ارائه میکند. در اینجا، سطح مناسب قابلیت اطمینان در فرآیند بهینهسازی بهمنظور تأمین تقاضاهای چندگانه مورد ارزیابی قرارگرفته است. در مدل پیشنهادی برای ایجاد یک ریزشبکه جدید از تجهیزات مختلفی نظیر مولد تولید همزمان برق و حرارت، ترانسفورماتور، سیستم خورشیدی، و گرماساز به همراه ذخیره ساز انرژی الکتریکی و حرارتی با نرخهای خرابی متفاوت از بین چندین نمونه استفاده شده است. روش برنامهریزی غیرخطی عدد صحیح-آمیخته در نرمافزار گمز و الگوریتم ژنتیک در نرمافزار متلب برای حل مسئله بهینهسازی ترکیبی استفادهشده است. علاوه بر آن، یک برنامه پاسخگویی بار بر اساس قیمت محلی بهمنظور تغییر الگوی مصرف پیشنهادشده است. نتایج شبیهسازی قابلیت سیستم را جهت توسعه برنامهریزی ریزشبکه نشان داده است.
The unprecedented penetration of distributed generation in distribution network provides utilities with a unique opportunity to manage portions of networks as microgrids (MG). The implementation of an MG may offer many benefits, such as capital investments deferral, reduction of greenhouse gas emissions, improvement in reliability, and reduction in network losses. In order to draw the most effective performance from MG systems with multiple energies, appropriate design and operation are essential. This paper represents a compound co-optimization strategy to find the best type and size of components and the associated optimum dispatch in a MG with multiple energies considering reliability criteria. The mixed-integer nonlinear programming technique of GAMS and the genetic algorithm of MATLAB software are utilized to solve the optimization problem. In addition, a novel time-based demand response program is modeled to prevent the energy usage at peaks. Numerical simulations prove the effectiveness of the proposed expansion planning.