چارچوب بهینه سازی مقاوم توزیعی با قیود احتمالی مشترک برای ناترازی انرژی برق: تجمیع منابع تجدیدپذیر و ذخیره سازها

نوع مقاله : علمی-پژوهشی

نویسندگان

1 گروه کنترل و سیستم، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی

2 گروه سیستم های قدرت، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده

یکپارچه‌سازی منابع انرژی توزیع‌شده با تجارت انرژی همتا-به-همتا راه‌حل‌های امیدوارکننده‌ای برای مدرن‌سازی شبکه قدرت با تشویق تولید-مصرف‌کنندگان (پروسیومرها) به کمک در کاهش تقاضای اوج ارائه می‌دهد. با این حال، این ادغام عدم‌قطعیت‌های عملیاتی و چالش‌های محاسباتی جدیدی را به همراه دارد. این مقاله با هدف مواجهه با این چالش‌ها، یک چارچوب نوآورانه بهینه‌سازی مقاوم توزیعی با قیود احتمالی مشترک (DRJCC) مقیاس‌پذیر و محاسبه‌پذیر ارائه می دهد که تجارت انرژی همتا-به-همتا را از طریق ارتقا استحصال انعطاف‌ حاصل از عملکرد منابع انرژی توزیع شده در مقیاس بزرگ تحت عدم‌قطعیت عرضه و تقاضا تسهیل می بخشد. چارچوب عملی پیشنهاد شده شامل سه مؤلفه کلیدی است: (1) یک مجموعه ابهام واسرستین که عدم‌قطعیت را با داده‌های کم به‌طور مؤثر احصا می‌کند، (2) یک تقریب مبتنی بر CVaR از قیود احتمالی مشترک برای تعادل بین کارایی محاسباتی و کنترل ریسک، و (3) الگوریتم ADMM با حفظ حریم خصوصی امکان اجرای توزیع‌شده از طریق تجزیه مساله را فراهم می‌آورد. برای شناسایی الگوهای داده که نشان‌دهنده پتانسیل همکاری هستند و تنظیم پارامترهای مجموعه‌های ابهام به منظور افزایش کارایی، از خوشه‌بندی K-means بر اساس سناریوها و داده‌های تاریخی استفاده شده است. نتایج شبیه‌سازی نشان می‌دهد که این چارچوب پیشنهادی تقاضای اوج را حدود 28% کاهش داده و هزینه‌های کلی جامعه را حدود 31% کاهش می‌دهد، که بیانگر اثربخشی آن در بهبود تاب‌آوری شبکه، قابلیت اطمینان عملیاتی و بهینه‌سازی اقتصادی در مدیریت انرژی منابع تجدیدپذیر توزیع شده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Distributionally Robust Joint Chance-Constrained Optimization Framework for Electricity Imbalance: Integrating Renewables and Storages

نویسندگان [English]

  • Amir Noori 1
  • Babak Tavassoli 1
  • Alireza Fereidunian 2
1 Faculty of Electrical Engineering, K.N. Toosi University of Technology, Tehran, Iran.
2 Faculty of Electrical Engineering, K.N. Toosi University of Technology, Tehran, Iran.
چکیده [English]

Integrating Distributed Energy Resources (DERs) with peer-to-peer (P2P) energy trading offers promising solutions for grid modernization by incentivizing prosumers to participate in mitigating peak demand. However, this integration also introduces operational uncertainties and computational challenges. This paper aims to address these challenges with a novel scalable and tractable distributionally robust joint chance-constrained (DRJCC) optimization framework that effectively facilitates P2P energy trading by enhancing flexibility provision from large-scale DER operations under uncertain supply and demand. Therefore, a practical framework is proposed to solve the core challenges of DRJCC by integrating three key components: (1) a Wasserstein ambiguity set that effectively quantifies uncertainty with sparse data, (2) a CVaR-based approximation of joint chance constraints to balance computational efficiency with risk control, and (3) a privacy-preserving ADMM algorithm that enables distributed implementation through decomposition. To discern patterns in the data that indicate collaboration potential and adjust ambiguity sets for improved efficiency, K-means clustering is applied to historical scenarios. Simulation results show that the proposed framework reduces peak demand by approximately 28% and total community costs by around 31%, underscoring its effectiveness in enhancing grid robustness, operational reliability, and economic optimization in renewable-based energy management.

کلیدواژه‌ها [English]

  • Joint chance-constrained (JCC)
  • distributionally robust optimization (DRO)
  • peer-to-peer (P2P) energy
  • second-order cone program (SOCP)

مراجع

[1] H. Bayat, F. Asadi, "Investigating the Dimensions of Electricity Supply Security during the Peak Electricity Consumption of Summer 1403", Iranian Chamber of Commerce Research Center, August 1403.
[2] A. Mohammadi, N. Rezaei, M. Gholami, "Optimal Peer-to-Peer Energy Trading Framework for Interconnected DC Microgrids Considering Power Loss Constraints", Journal of Electrical Engineering, University of Tabriz, Volume 54, Number 3, Fall 1403.
[3] M. Kajouri Naftchali, A. Fereydonian, H. Lesani, "Adaptive and data-driven packet switching in the smart grid of electric energy with advanced metering infrastructure data analysis", Journal of Electrical Engineering, University of Tabriz, Volume 49, Number 3, Fall 2019.
[4] M. Kajouri Naftchali, A. Fereydonian, H. Lesani, "Adaptive and data-driven packet switching in the smart grid of electric energy with advanced metering infrastructure data analysis", Journal of Electrical Engineering, University of Tabriz, Volume 49, Number 3, Fall 2019.
[5] W. Yuwei, Y. Yang, L. Tang, W. Sun, and B. Li. “A Wasserstein based two-stage distributionally robust optimization model for optimal operation of CCHP micro-grid under uncertainties”, International Journal of Electrical Power & Energy Systems vol. 119, 2020.
[6] Z. Guo, P. Pinson, S. Chen, Q. Yang, Z. Yang, “Chance-constrained peer-to-peer joint energy and reserve market considering renewable generation uncertainty” IEEE transactions on smart grid, vol. 12, no. 1, pp. 798-809, 2020.
[7] O. Christos, V. A. Nguyen, D. Kuhn, P. Pinson, “Energy and reserve dispatch with distributionally robust joint chance constraints”, Operations Research Letters, vol. 49, no. 3, pp. 291-299, 2021.
[8] J. Li, M. E. Khodayar, J. Wang, B. Zhou. “Data-driven distributionally robust co-optimization of P2P energy trading and network operation for interconnected microgrids” IEEE Transactions on Smart Grid, vol. 12, no. 6, pp. 5172-5184, 2021.
[9] X. Li, C. Li, G. Chen, Z. Y. Dong, "A data-driven joint chance-constrained game for renewable energy aggregators in the local market", IEEE Transactions on Smart Grid, vol. 14, no. 2, pp. 1430-1440, 2022.
[10] C. Zhang, H. Liang, Y. Lai. “A distributionally robust energy management of microgrid problem with ambiguous chance constraints and its tractable approximation method” Renewable Energy Focus, vol. 48, 100542, 2024.
[11] S. Suthar, N. M. Pindoriya, “Chance-constrained co-optimization of peer-to-peer energy trading and distribution network operations” Sustainable Energy, Grids and Networks, vol. 38, 101344, 2024.
[12] J. Zhai, Y. Jiang, M. Zhou, Y. Shi, W. Chen, C. N. Jones, “Data-Driven Joint Distributionally Robust Chance-Constrained Operation for Multiple Integrated Electricity and Heating Systems” IEEE Transactions on Sustainable Energy, (Early Access), 2024.
[13] Z. Junjie, Y. Zhao, Y. Li, M. Yan, Y. Peng, Y. Cai, Y. Cao. “Synergistic Operation Framework for the Energy Hub Merging Stochastic Distributionally Robust Chance-Constrained Optimization and Stackelberg Game”, IEEE Transactions on Smart Grid (Early Access), 2024.
[14] J. Wenhao, T. Ding, Y. Yuan, C. Mu, H. Zhang, S. Wang, Y. He, and X. Sun. “Decentralized distributionally robust chance-constrained operation of integrated electricity and hydrogen transportation networks”,  Applied Energy, vol. 377, 124369, 2025.
[15] P. Mohajerin Esfahani, D. Kuhn, “Data-driven distributionally robust optimization using the Wasserstein metric: Performance guarantees and tractable reformulations”, Mathematical Programming, vol. 171, no. 1, pp. 115-166, 2018.
[16] X. Peng, P. Jirutitijaroen, C. Singh. "A distributionally robust optimization model for unit commitment considering uncertain wind power generation." IEEE Transactions on Power Systems, vol. 32, no. 1, pp. 39-49, 2016.
[17] Y. Wang, Q. Chen, C. Kang, M. Zhang, K. Wang, Y. Zhao, “Load profiling and its application to demand response: A review”, Tsinghua Science and Technology, vol. 20, no. 2, pp. 117-129, 2015.
[18] A. Noori, B. Tavassoli, A. Fereidunian, “Joint flexibility-risk managed distributed energy trading considering network constraints and uncertainty”, Electric Power Systems Research, vol. 231, 110355 , 2024.
[19] S. M. Miraftabzadeh, C. G. Colombo, M. Longo, F. Foiadelli, “K-means and alternative clustering methods in modern power systems” IEEE Access, vol. 11, pp. 119596 - 119633, 2023.
[20] S. Boyd, N. Parikh, E. Chu, B. Peleato, J. Eckstein, “Distributed optimization and statistical learning via the alternating direction method of multipliers” Foundations and Trends® in Machine learning. vol. 3, no. 1, pp. 1-122, 2011.
[21] A. Noori, B. Tavassoli, A. Fereidunian, “Incentivizing peer-to-peer energy trading in microgrids” In 2021 29th Iranian Conference on Electrical Engineering (ICEE), pp. 323-328. IEEE, 2021.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار