مدیریت انرژی نیروگاه مجازی با استفاده از روش برنامه‌ریزی تصادفی

نویسندگان

دانشگاه صنعتی شاهرود - دانشکده مهندسی برق

چکیده

در این مقاله، یک مدل برنامه‌ریزی تصادفی برای مدیریت انرژی نیروگاه مجازی شامل ایستگاه‌های خورشیدی، سیستم‌های ذخیره‌ساز و متقاضیان انرژی واقع در ریزشبکه برق ارائه می‌شود. در مدل برنامه‌ریزی تصادفی، عدم قطعیت در دسترس‌پذیری مؤلفه‌های ریزشبکه به‌صورت مجموعه‌ای از سناریوها مدل‌سازی می‌شوند. به‌علاوه، عدم‌قطعیت در قیمت انرژی و تولید توان خورشیدی مبتنی بر پیش‌بینی نقطه‌ای مدل‌سازی می‌شوند. مدیریت انرژی نیروگاه مجازی در دو مرحله تصمیم‌گیری و توزیع توان در هر دوره زمانی پیاده‌سازی می‌شود. سیستم مدیریت انرژی در مرحله تصمیم‌گیری، میزان توان تبادلی با شبکه اصلی را با درنظرگرفتن پیشامدهای محتمل تعیین می‌کند. سیستم مدیریت انرژی در مرحله توزیع توان، با پایش وضعیت اجزای ریزشبکه و به‌روزرسانی اطلاعات مرتبط به‌طور زمان-حقیقی، تصمیمات مناسب برای انرژی مصرفی و تولیدی را اتخاذ می‌کند. قیمت انرژی الکتریکی و تولید توان خورشیدی براساس اطلاعات واقعی جمع‌آوری‌شده از بازار برق نیوانگلند آمریکا پیش‌بینی می‌شوند. نتایج به‌دست آمده از یک مطالعه موردی، عملکرد روش برنامه‌ریزی تصادفی را در مقایسه با مدل‌های بهینه‌سازی مقاوم و قطعی آشکار می‌سازد.

کلیدواژه‌ها


عنوان مقاله [English]

Energy Management of Virtual Power Plant Using Stochastic Programming Approach

نویسندگان [English]

  • S. Kaabe PahneKolaei
  • M. Rahimiyan
Faculty of Electrical Engineering, Shahrood University of Technology, Shahrood, Iran
چکیده [English]

In this paper, a stochastic programming model is proposed for energy management of a Virtual Power Plant (VPP) including solar power stations, energy storage facilities and demands interconnected within a microgrid. In the stochastic programming model, uncertainty in availability of microgrid components is modeled as a scenario set. Additionally, uncertainty in energy prices and solar power productions is modeled as single-point prediction. Energy management of the VPP is implemented in two stages of decision-making and power-dispatch in each time period. An energy management system (EMS) determines the power traded with main grid in decision-making stage considering probable contingency scenarios. In power-dispatch stage, the EMS makes appropriate decisions on energy consumption and production, while monitoring conditions of microgrid components and updating available information in real-time. The energy price and solar energy production are forecasted based on real-world historical data collected from the New England electricity market, US. Results obtained by a case study indicate performance of the stochastic programming model compared to robust optimization and deterministic models.

کلیدواژه‌ها [English]

  • Energy management
  • Virtual power plant
  • stochastic programming
  • Smart Grid
  • contingency
[1] A. Chuang, "California Utility Vision and Roadmap for the Smart Grid of 2020: Final Project Report," California Energy Commission (CEC), Sacramento, CA, 2011.
[2] J. M. Morales, A. J. Conejo, H. Madsen, P. Pinson, and M. Zugno, Integrating renewables in electricity markets: Operational problems, vol. 205, Springer Science & Business Media, 2013.
[3] M. L. Tuballa and M. L. Abundo, "A review of the development of Smart Grid technologies," Renewable and Sustainable Energy Reviews, vol. 59, pp. 710-725, 2016.
[4] M. Marzband, E. Yousefnejad, A. Sumper, and J. L. Domínguez-García, "Real time experimental implementation of optimum energy management system in standalone microgrid by using multi-layer ant colony optimization," International Journal of Electrical Power & Energy Systems, vol. 75, pp. 265-274, 2016.
[5] عباس محمدویسی و علیرضا حاتمی، «ارائه چارچوبی برای مدیریت انرژی خانه هوشمند: برنامه­ریزی بهینه تجهیزات خانگی و برنامه­ریزی بهینه بهره­برداری از منابع انرژی تجدیدپذیر»، مجله مهندسی برق دانشگاه تبریز، جلد 45، شماره 1، صفحات 53-66، 1394.
[6] M. López, S. De La Torre, S. Martín, and J. Aguado, "Demand-side management in smart grid operation considering electric vehicles load shifting and vehicle-to-grid support," International Journal of Electrical Power & Energy Systems, vol. 64, pp. 689-698, 2015.
[7] A. J. Conejo, J. M. Morales, and L. Baringo, "Real-time demand response model,"IEEE Transactions on Smart Grid, vol. 1, pp. 236-242, 2010.
[8] M. Rahimiyan, L. Baringo, and A. J. Conejo, "Energy management of a cluster of interconnected price-responsive demands," IEEE Transactions on Power Systems, vol. 29, pp. 645-655, 2014.
[9] M. Rahimiyan and L. Baringo, "Strategic Bidding for a Virtual Power Plant in the Day-Ahead and Real-Time Markets: A Price-Taker Robust Optimization Approach,"IEEE Transactions on Power Systems, vol. 31, pp. 2676-2687, 2016.
[10] H. Pandžić, J. M. Morales, A. J. Conejo, and I. Kuzle, "Offering model for a virtual power plant based on stochastic programming," Applied Energy, vol. 105, pp. 282-292, 2013.
[11] E. G. Kardakos, C. K. Simoglou, and A. G. Bakirtzis, "Optimal Offering Strategy of a Virtual Power Plant: A Stochastic Bi-Level Approach," IEEE Transactions on Smart Grid, vol. 7, pp. 794-806, 2015.
[12] H. T. Nguyen and L. B. Le, "Bidding strategy for virtual power plant with intraday demand response exchange market using stochastic programming," in 2016 IEEE International Conference on Sustainable Energy Technologies (ICSET), 2016, pp. 96-101.
[13] F. Bouffard and F. D. Galiana, "Stochastic Security for Operations Planning With Significant Wind Power Generation," IEEE Transactions on Power Systems, vol. 23, pp. 306-316, 2008.
[14] A. J. Conejo, M. Carrión, and J. M. Morales, Decision making under uncertainty in electricity markets, vol. 1, Springer, 2010.
[15] S. Fan, Q. Ai, and L. Piao, "Fuzzy day-ahead scheduling of virtual power plant with optimal confidence level," IET Generation, Transmission & Distribution, vol. 10, pp. 205-212, 2016.
[16] W. Alharbi and K. Raahemifar, "Probabilistic coordination of microgrid energy resources operation considering uncertainties," Electric Power Systems Research, vol. 128, pp. 1-10, 2015.
[17] Q. Wang, C. Zhang, Y. Ding, G. Xydis, J. Wang, and J. Østergaard, "Review of real-time electricity markets for integrating distributed energy resources and demand response," Applied Energy, vol.138, pp. 695-706, 2015.
[18] سهیل کعبه پهنه‌کلائی و مرتضی رحیمیان، «مدیریت انرژی نیروگاه مجازی بر پایه بهینه‌سازی مقاوم با پایش پیشامدهای ریزشبکه: مطالعه موردی خروج تکی خط»، مجله مهندسی برق دانشگاه تبریز، جلد 47، شماره 1، صفحات 249-261، 1396.
[19] A. Andrijanovits, H. Hoimoja and D. Vinnikov, "Comparative review of long-term energy storage technologies for renewable energy systems," Elektronika ir Elektrotechnika,vol. 118, pp. 21-26, 2012.
[20] Q. P. Zheng, J. Wang, and A. L. Liu, "Stochastic optimization for unit commitment—a review," IEEE Transactions on Power Systems, vol. 30, pp. 1913-1924, 2015.
[21] J. M. Morales, A. J. Conejo, and J. Pérez-Ruiz, "Short-term trading for a wind power producer," IEEE Transactions on Power Systems,vol. 25, pp. 554-564, 2010.
[22] S. Kaabe, M. Rahimiyan, and M. A. Latify, "Impact of forecast accuracy on energy management of a virtual power plant," in Smart Grid Conference (SGC) , 2014, pp. 1-6.
[23] F. Bouffard, F. D. Galiana, and A. J. Conejo, "Market-clearing with stochastic security-part I: formulation," IEEE Transactions on Power Systems, vol. 20, pp. 1818-1826, 2005.
[24] P. Lund, P. Nyeng, R. Grandal, S. Sørensen, M. Bendtsen, G. le Ray, et al., "EcoGrid EU-A Prototype for European Smart Grids: Deliverable 6.7-Overall evaluation and conclusion," Ecogrid eu project report. [Online]. Available: http://www. euecogrid.net/.
[25] O. Gomez, M. Rios, and G. Anders, "Reliability-based phasor measurement unit placement in power systems considering transmission line outages and channel limits," Generation, Transmission & Distribution, IET, vol. 8, pp. 121-130, 2014.
[26] ISO New England, US. [Online]. Available: http://www.iso-ne.com/, Accessed 10 June 2014.
[27] Harvard Green Campus Initiative, US. [Online]. Available: http://www.sunviewer.net/portals/Harvard/, Accessed 10 June 2014.
[28] V. Black, "Cost and Performance Data for Power Generation Technologies," National Renewable Energy Laboratory, Golden, CO, 2012.
[29] F. Bouffard, F. D. Galiana, and A. J. Conejo, "Market-clearing with stochastic security-part II: Case studies,"IEEE Transactions on Power Systems, vol. 20, pp. 1827-1835, 2005.