تامین توان الکتریکی ایستگاه¬های مخابرات سلولی در ریزشبکه-های مجزا با اولویت بکارگیری منابع تجدیدپذیر و خودروهای الکتریکی با ارائه رویکرد برنامه¬ریزی غیرخطی مختلط با اعداد صحیح
الموضوعات :
رضا بحری
1
(پژوهشگاه ارتباطات و فناوری اطلاعات)
سعید زینالی
2
(پژوهشگاه ارتباطات و فناوری اطلاعات)
الکلمات المفتاحية: دکل مخابراتی, تامین توان الکتریکی, خودرو های الکتریکی, ریزشبکه, گازهای گلخانه ای,
ملخص المقالة :
این مقاله، موضوع تامین توان اقتصادی و زیست محیطی برای ایستگاه های مخابرات سلولی در یک ریزشبکه مجزای مستقر در مناطق صعب العبور را مورد بررسی قرار داده است. ریزشبکه، شامل ژنراتوردیزلی، سیستم فتوولتاییک و منبع ذخیره هیدروژنی است. امکان تبادل انرژی ریزشبکه با باتری خودرو الکتریکی متصل شده به ریزشبکه، مورد بررسی قرار گرفت. با استفاده از شارژ/دشارژ هوشمند خودروهای الکتریکی تامین توان المان های ریزشبکه، صورت گرفته شده و حداکثر استفاده از انرژی های پاک به عمل آمده است. مدل ریاضی مسئله فوق به عنوان یک برنامه ریزی غیرخطی مختلط با اعداد صحیح ارئه شد که ماهیت غیرخطی المان ها را مدلسازی می کند. در قالب بهینه سازی چندهدفه، بجز هزینه، گازهای گلخانه ای نیز از اهداف مسئله بوده و تعادلی بین این دو هدف متناقض در جبهه پارتو ایجاد شده است. در این مسئله، پارامتر های غیرقطعی، مانند تولید انرژی خورشیدی، الگو های رفتاری راننده ها (زمان رسیدن به ایستگاه شارژ، زمان خروج از ایستگاه شارژ، و مسافت روزانه طی شده، تولید) توسط سناریو های تصادفی مدلسازی شده است. نتایج به دست آمده نشان می دهد که شارژ/دشارژ هوشمند خودروهای الکتریکی، سهم چشمگیری در کاهش ریسک عملیاتی ریزشبکه، هزینه ی کل و گازهای گلخانه ای دارد. به طوریکه، استفاده از روش برنامه ریزی اقتصادی/زیست-محیطی پیشنهاد شده، منجر به %60/18 کاهش در مقدار گازهای گلخانه ای می شود.
[1] P. Nema, R. K. Nema, and S. Rangnekar, “Minimization of green house gases emission by using hybrid energy system for telephony base station site application,” Renewable and Sustainable Energy Reviews, vol. 14, no. 6. Pergamon, pp. 1635–1639, Aug. 01, 2010, doi: 10.1016/j.rser.2010.02.012.
[2] N. Nasiri et al., “A bi-level market-clearing for coordinated regional-local multi-carrier systems in presence of energy storage technologies,” Sustain. Cities Soc., vol. 63, p. 102439, Dec. 2020, doi: 10.1016/j.scs.2020.102439.
[3] J. Lian, Y. Zhang, C. Ma, Y. Yang, and E. Chaima, “A review on recent sizing methodologies of hybrid renewable energy systems,” Energy Conversion and Management, vol. 199. Elsevier Ltd, p. 112027, Nov. 01, 2019, doi: 10.1016/j.enconman.2019.112027.
[4] A. Mansour-Saatloo, M. Agabalaye-Rahvar, M. A. Mirzaei, B. Mohammadi-Ivatloo, M. Abapour, and K. Zare, “Robust scheduling of hydrogen based smart micro energy hub with integrated demand response,” J. Clean. Prod., vol. 267, p. 122041, 2020, doi: 10.1016/j.jclepro.2020.122041.
[5] R. P. Shea, M. O. Worsham, A. D. Chiasson, J. Kelly Kissock, and B. J. McCall, “A lifecycle cost analysis of transitioning to a fully-electrified, renewably powered, and carbon-neutral campus at the University of Dayton,” Sustain. Energy Technol. Assessments, vol. 37, p. 100576, Feb. 2020, doi: 10.1016/J.SETA.2019.100576.
[6] Z. J. Lee et al., “Adaptive Charging Networks: A Framework for Smart Electric Vehicle Charging,” IEEE Trans. Smart Grid, vol. 12, no. 5, pp. 4339–4350, Sep. 2021, doi: 10.1109/TSG.2021.3074437.
[7] M. Dubarry, A. Devie, and K. McKenzie, “Durability and reliability of electric vehicle batteries under electric utility grid operations: Bidirectional charging impact analysis,” J. Power Sources, vol. 358, pp. 39–49, Aug. 2017, doi: 10.1016/J.JPOWSOUR.2017.05.015.
[8] B. Qiao and J. Liu, “Multi-objective dynamic economic emission dispatch based on electric vehicles and wind power integrated system using differential evolution algorithm,” Renew. Energy, vol. 154, pp. 316–336, Jul. 2020, doi: 10.1016/j.renene.2020.03.012.
[9] M. S. Hossain, A. Jahid, and D. M. Fayzur Rahman, “Quantifying Potential of Hybrid PV/WT Power Supplies for Off-Grid LTE Base Station,” Sep. 2018, doi: 10.1109/IC4ME2.2018.8465653.
[10] C. Zeljkovic et al., “A Monte Carlo Simulation Platform for Studying the Behavior of Wind-PV-Diesel-Battery Powered Mobile Telephony Base Stations,” Aug. 2020, doi: 10.1109/PMAPS47429.2020.9183576.
[11] E. Jannelli, M. Minutillo, A. Lubrano Lavadera, and G. Falcucci, “A small-scale CAES (compressed air energy storage) system for stand-alone renewable energy power plant for a radio base station: A sizing-design methodology,” Energy, vol. 78, pp. 313–322, Dec. 2014, doi: 10.1016/j.energy.2014.10.016.
[12] A. Jahid, M. K. H. Monju, M. E. Hossain, and M. F. Hossain, “Renewable Energy Assisted Cost Aware Sustainable Off-Grid Base Stations with Energy Cooperation,” IEEE Access, vol. 6, pp. 60900–60920, 2018, doi: 10.1109/ACCESS.2018.2874131.
[13] mdsanwar Hossain, M. Fayzur Rahman, M. Sanwar Hossain, S. Member, and C. Author, “Hybrid Solar PV/Biomass Powered Energy Efficient Remote Cellular Base Stations Characterization of the performance attributes of Graphene Nano Film based Surface Plasmon Resonance (SPR) Biosensor for Biomedical Applications View project lifetime measurement of monitoring system View project Hybrid Solar PV/Biomass Powered Energy Efficient Remote Cellular Base Stations,” 2020. Accessed: Feb. 05, 2021. [Online]. Available: https://www.researchgate.net/publication/340455867.
[14] E. Oh and B. Krishnamachari, “Energy savings through dynamic base station switching in cellular wireless access networks,” 2010, doi: 10.1109/GLOCOM.2010.5683654.
[15] J. Gong, S. Zhou, Z. Niu, and P. Yang, “Traffic-aware base station sleeping in dense cellular networks,” 2010, doi: 10.1109/IWQoS.2010.5542725.
[16] A. Spagnuolo, A. Petraglia, C. Vetromile, R. Formosi, and C. Lubritto, “Monitoring and optimization of energy consumption of base transceiver stations,” Energy, vol. 81, pp. 286–293, Mar. 2015, doi: 10.1016/j.energy.2014.12.040.
[17] Y. Choi and H. Kim, “Optimal Scheduling of Energy Storage System for Self-Sustainable Base Station Operation Considering Battery Wear-Out Cost,” mdpi.com, doi: 10.3390/en9060462.
[18] S. Cordiner et al., “Fuel cell based Hybrid Renewable Energy Systems for off-grid telecom stations: Data analysis from on field demonstration tests,” Appl. Energy, vol. 192, pp. 508–518, Apr. 2017, doi: 10.1016/j.apenergy.2016.08.162.
[19] T. O. BA Aderemi, SP Chowdhury, “NoTechno-economic feasibility of hybrid solar photovoltaic and battery energy storage power system for a mobile cellular base station in Soshanguve, South Africa Title,” Energies, 2018.
[20] H. Turker and S. Bacha, “Optimal Minimization of Plug-In Electric Vehicle Charging Cost with Vehicle-to-Home and Vehicle-to-Grid Concepts,” IEEE Trans. Veh. Technol., vol. 67, no. 11, pp. 10281–10292, 2018, doi: 10.1109/TVT.2018.2867428.
[21] P. Mesarić and S. Krajcar, “Home demand side management integrated with electric vehicles and renewable energy sources,” Energy Build., vol. 108, pp. 1–9, Dec. 2015, doi: 10.1016/J.ENBUILD.2015.09.001.
[22] M. Alirezaei, M. Noori, and O. Tatari, “Getting to net zero energy building: Investigating the role of vehicle to home technology,” Energy Build., vol. 130, pp. 465–476, Oct. 2016, doi: 10.1016/J.ENBUILD.2016.08.044.
[23] C. B. Robledo, V. Oldenbroek, F. Abbruzzese, and A. J. M. van Wijk, “Integrating a hydrogen fuel cell electric vehicle with vehicle-to-grid technology, photovoltaic power and a residential building,” Appl. Energy, vol. 215, pp. 615–629, Apr. 2018, doi: 10.1016/J.APENERGY.2018.02.038.
[24] F. Brahman, M. Honarmand, and S. Jadid, “Optimal electrical and thermal energy management of a residential energy hub, integrating demand response and energy storage system,” Energy Build., vol. 90, pp. 65–75, Mar. 2015, doi: 10.1016/J.ENBUILD.2014.12.039.
[25] T. Ma, J. Wu, and L. Hao, “Energy flow modeling and optimal operation analysis of the micro energy grid based on energy hub,” Energy Convers. Manag., vol. 133, pp. 292–306, Feb. 2017, doi: 10.1016/J.ENCONMAN.2016.12.011.
[26] M. Rastegar, M. Fotuhi-Firuzabad, H. Zareipour, and M. Moeini-Aghtaieh, “A Probabilistic Energy Management Scheme for Renewable-Based Residential Energy Hubs,” IEEE Trans. Smart Grid, vol. 8, no. 5, pp. 2217–2227, Sep. 2017, doi: 10.1109/TSG.2016.2518920.
[27] S. A. Alavi, A. Ahmadian, and M. Aliakbar-Golkar, “Optimal probabilistic energy management in a typical micro-grid based-on robust optimization and point estimate method,” Energy Convers. Manag., vol. 95, pp. 314–325, May 2015, doi: 10.1016/J.ENCONMAN.2015.02.042.
[28] M. Shafie-Khah and P. Siano, “A stochastic home energy management system considering satisfaction cost and response fatigue,” IEEE Trans. Ind. Informatics, vol. 14, no. 2, pp. 629–638, Feb. 2018, doi: 10.1109/TII.2017.2728803.
[29] X. Lu, Z. Liu, L. Ma, L. Wang, K. Zhou, and S. Yang, “A robust optimization approach for coordinated operation of multiple energy hubs,” Energy, vol. 197, p. 117171, Apr. 2020, doi: 10.1016/J.ENERGY.2020.117171.
[30] P. Zhao, W. Xu, S. Zhang, J. Wang, and Y. Dai, “Technical feasibility assessment of a standalone photovoltaic/wind/adiabatic compressed air energy storage based hybrid energy supply system for rural mobile base station,” Energy Convers. Manag., vol. 206, p. 112486, Feb. 2020, doi: 10.1016/j.enconman.2020.112486.
[31] M. A. Mosa and A. A. Ali, “Energy management system of low voltage dc microgrid using mixed-integer nonlinear programing and a global optimization technique,” Electr. Power Syst. Res., vol. 192, p. 106971, Mar. 2021, doi: 10.1016/J.EPSR.2020.106971.
[32] B. Li, X. Wang, M. Shahidehpour, C. Jiang, and Z. Li, “Robust Bidding Strategy and Profit Allocation for Cooperative DSR Aggregators with Correlated Wind Power Generation,” IEEE Trans. Sustain. Energy, vol. 10, no. 4, pp. 1904–1915, Oct. 2019, doi: 10.1109/TSTE.2018.2875483.
[33] M. Zare Oskouei, M. A. Mirzaei, B. Mohammadi-Ivatloo, M. Shafiee, M. Marzband, and A. Anvari-Moghaddam, “A hybrid robust-stochastic approach to evaluate the profit of a multi-energy retailer in tri-layer energy markets,” Energy, vol. 214, p. 118948, Jan. 2021, doi: 10.1016/J.ENERGY.2020.118948.
[34] N. Nasiri, S. Zeynali, S. N. Ravadanegh, and M. Marzband, “A hybrid robust-stochastic approach for strategic scheduling of a multi-energy system as a price-maker player in day-ahead wholesale market,” Energy, vol. 235, p. 121398, Nov. 2021, doi: 10.1016/J.ENERGY.2021.121398.
[35] M. K. Kim and L. Baldini, “Energy analysis of a decentralized ventilation system compared with centralized ventilation systems in European climates: Based on review of analyses,” Energy Build., vol. 111, pp. 424–433, Jan. 2016, doi: 10.1016/J.ENBUILD.2015.11.044.
[36] S. Zeynali, N. Nasiri, M. Marzband, and S. N. Ravadanegh, “A hybrid robust-stochastic framework for strategic scheduling of integrated wind farm and plug-in hybrid electric vehicle fleets,” Appl. Energy, vol. 300, p. 117432, Oct. 2021, doi: 10.1016/J.APENERGY.2021.117432.
[37] S. Zeynali, N. Rostami, A. Ahmadian, and A. Elkamel, “Two-stage stochastic home energy management strategy considering electric vehicle and battery energy storage system: An ANN-based scenario generation methodology,” Sustain. Energy Technol. Assessments, vol. 39, p. 100722, Jun. 2020, doi: 10.1016/j.seta.2020.100722.
[38] N. Nasiri, M. Reza Banaei, and S. Zeynali, “A hybrid robust-stochastic approach for unit commitment scheduling in integrated thermal electrical systems considering high penetration of solar power,” Sustain. Energy Technol. Assessments, vol. 49, p. 101756, Feb. 2022, doi: 10.1016/J.SETA.2021.101756.
[39] I. AlHajri, A. Ahmadian, and A. Elkamel, “Stochastic day-ahead unit commitment scheduling of integrated electricity and gas networks with hydrogen energy storage (HES), plug-in electric vehicles (PEVs) and renewable energies,” Sustain. Cities Soc., vol. 67, p. 102736, Apr. 2021, doi: 10.1016/J.SCS.2021.102736.
[40] S. Zeynali, N. Rostami, A. Ahmadian, and A. Elkamel, “Stochastic energy management of an electricity retailer with a novel plug-in electric vehicle-based demand response program and energy storage system: A linearized battery degradation cost model,” Sustain. Cities Soc., vol. 74, p. 103154, Nov. 2021, doi: 10.1016/J.SCS.2021.103154.
[41] S. Nojavan and K. Zare, “Optimal energy pricing for consumers by electricity retailer,” Int. J. Electr. Power Energy Syst., vol. 102, pp. 401–412, Nov. 2018, doi: 10.1016/j.ijepes.2018.05.013.
[42] “National household travel survey.” https://nhts.ornl.gov/.
[43] P. Fazlalipour, M. Ehsan, and B. Mohammadi-Ivatloo, “Risk-aware stochastic bidding strategy of renewable micro-grids in day-ahead and real-time markets,” Energy, vol. 171, pp. 689–700, Mar. 2019, doi: 10.1016/J.ENERGY.2018.12.173.
[44] P. Sheikhahmadi, S. Bahramara, A. Mazza, G. Chicco, and J. P. S. Catalão, “Bi-level optimization model for the coordination between transmission and distribution systems interacting with local energy markets,” Int. J. Electr. Power Energy Syst., vol. 124, p. 106392, Jan. 2021, doi: 10.1016/j.ijepes.2020.106392.
[45] M. Baradar and M. R. Hesamzadeh, “Calculating negative LMPs from SOCP-OPF,” ENERGYCON 2014 - IEEE Int. Energy Conf., pp. 1461–1466, 2014, doi: 10.1109/ENERGYCON.2014.6850615.
دو فصلنامه علمي فناوري اطلاعات و ارتباطات ایران | سال پانزدهم، شماره 57 و58 ، پاییز و زمستان 1402 صفحات:266 الی282 |
|
Modeling the random behavior of self-driving cars to exchange electrical energy in an independent microgrid with the aim of supplying power to telecommunications stations
Reza Bahri*, Saeed Zeynali**
*Faculty member, ICT Research Institute, Tehran, Iran
**Ms.C. in Electrical engineering, Power Branch, University of Tabriz, Tabriz, Iran
Abstract
The cellular base stations are communication devices that ensure the connection in the world. Nevertheless, they are usually installed in remote places. This paper, studied the energy procurement of a cellular base stations in an independent microgrid with a hydrogen-based energy storage system, photovoltaic (PV) system, electric vehicles and a diesel generator. A new mixed-integer nonlinear programming model was used to deal with nonlinearities of the system components. The paper studied different uncertainties, such as the connection rate in cellular base stations, the driver of the electric vehicle, and PV generation, using stochastic programming method. The potency of the proposed method was studied in different case studies. The results prove that smart electric vehicle chargers reduce the risks and also cost/emission objective functions. The usage of this model can reduce the emissions as much as 18.60%.
Keywords: Telecommunication station, self-driving car, independent microgrid, electric power supply, greenhouse gases
مدلسازی رفتار تصادفی خودروهای خودران برای تبادل انرژی الکتریکی در ریزشبکه مستقل با هدف تامین توان ایستگاههای مخابراتی
رضا بحری1*، سعید زینالی**
* عضو هیات علمی، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
** کارشناسی ارشد مهندسی برق، گرایش قدرت، دانشگاه تبریز، تبریز، ایران
تاریخ دریافت: 16/03/1401 تاریخ پذیرش:03/10/1401
نوع مقاله: پژوهشی
چكیده
ظهور فناوری های نوین ارتباطی نظیر نسل پنجم ارتباطی و ارائه خدماتی نظیر ارتباطات با تاخیر بسیار کم و قابلیت اطمینان بالا، باعث شده است تا کاربردهایی نظیر خودروهای خودران بسیار بیشتر از قبل مورد توجه قرار گرفته و امکانپذیرتر به نظر برسند. از جمله قابلیتهای مهم این نوع خودروها، توانمندی آنها در تبادل انرژی الکتریکی با شبکههای تولید و توزیع توان الکتریکی V2G است. از طرفی برای حل مشکل تامین توان الکتریکی برای ایستگاههای مخابراتی در مناطق دورافتاده، صعب العبور، موضوع تبادل انرژی خودروهای الکتریکی در ریزشبکههای محلی پیشنهاد شده است. در این پیشنهاد با در نظر گرفتن یک ریز شبکه محلی، مدلسازی رفتار تصادفی خودروهای خودران برای تبادل انرژی الکتریکی در ریزشبکه محلی با هدف تامین توان دکلهای مخابراتی انجام شده است. ریزشبکه پیشنهادی، شامل ژنراتوردیزلی، سیستم فتوولتائیک و منبع ذخیره هیدروژنی بوده و امکان تبادل انرژی ریزشبکه با خودرو متصل شده به ریزشبکه، مدلسازی و تحلیل شده است. مدل تحلیلی ارائه شده مبتنی بر برنامهریزی غیرخطی مختلط با اعداد صحیح است که ماهیت غیرخطی المانها را مدلسازی میکند. در قالب بهینهسازی چندهدفه، بجز هزینه، تولید گازهای گلخانهای نیز از اهداف مسئله بوده و تعادلی بین این دو هدف متناقض در جبهه پارتو ایجاد شده است. نتایج نشان میدهد که شارژ و دشارژ هوشمند خودروهای الکتریکی، سهم چشمگیری در کاهش ریسک عملیاتی ریزشبکه، هزینهی کل و گازهای گلخانهای دارد. روش پیشنهادی منجر به %60/18 کاهش در مقدار گازهای گلخانهای میشود.
واژگان کلیدی: ایستگاه مخابراتی، خودرو ی خودران، ریزشبکه مستقل، تامین توان الکتریکی، گازهای گلخانه ای
[1] نویسنده مسئول: رضا بحری reza.bahri@itrc.ac.ir
1. مقدمه
بدون شک افزایش روز افزون نفوذ فناوری اطلاعات و ارتباطات منجر به افزایش تقاضای توان الکتریکی میشود. برآوردهای انجام شده نشان میدهد که تجهیزات مخابراتی بالغ بر 3% مصرف کل توان الکتریکی را شامل میشود، که نزدیک به 1700 تراوات ساعت انرژی تا سال 2030 خواهد شد[1]. در سیستمهای تولید انرژی منسوخ شده، کل انرژی تولیدی توسط نیروگاهها بصورت یکپارچه تولید شده که منجر به هزینهی بالای انتقال انرژی، تعمیر و نگهداری میشود [2]. امروزه، با توجه به افزایش مشکلات زیست محیطی و مزایای آشکار تولیدات پراکنده، تامین انرژی ایستگاههای مخابراتی به وسیله تولیدات پراکنده تجدیدپذیر، مانند توربینهای بادی و پنلهای خورشدی، مرسوم شده است، که نه تنها هزینههای انتقال را کاهش داده، بلکه پوشش ارتباطی در مناطق دور افتاده و صعبالعبور را نیز امکانپذیر میکند [3]. در این مناطق معمولا انرژی در ریزشبکههای صعبالعبور مجزا از شبکه سراسری تولید و مصرف میشود. از طرف دیگر، با توجه به ناپایداری تولید انرژیهای تجدیدپذیر، استفاده از منابع ذخیره انرژی ضروری میباشد. از این نظر، منابع ذخیره هیدروژنی (HES1) در سالهای اخیر پیشرفت چشمگیری داشته و مزایا متعددی نسبت به باتریهای مرسوم گزارش شده است [4].
علاوه بر این، در آینده، خودروهای هوشمند(خودران و متصل) که الکتریکی هم هستند، به عنوان روش حمل و نقل پاک، در هر شبکه الکتریکی حضور خواهند داشت. برقیسازی سامانههای حمل و نقل از جمله راهکارهای امیدبخش جهت مقابله با بحران های زیست محیطی کنونی است [5]. با توجه به اینکه خودروها در 90% طول عمر در حالت پارک شده میباشند، استفاده از باتری الکتریکی این خودروها در قالب (V2G2) مطرح شده است [6]. استفاده از باتری این خودروها میتواند به افزایش بازده تولیدات پراکنده تجدیدپذیر کمک کرده و نقش کمکی در تامین انرژی دکلهای مخابراتی ایفا کند. با این حال، استفاده مکرر از باتری خودروهای الکتریکی موجب تخریب آنها در بلندمدت خواهد شد، که باید در مدلسازی در نظر گرفته شود [7].
ایجاد یک برنامهریزی و فرمولاسیون ریاضی جهت تامین انرژی بهینه در چنین ریزشبکهای اهمیت زیادی دارد. یکی از مشکلات اصلی موجود، عدم قطعیت در تولید انرژیهای تجدیدپذیر و بار مصرفی میباشد. در این راستا، استفاده از روشهای پیشبینی جدید، میتواند تاثیر خوبی در پیشبینی دقیق و کاهش هزینه داشته باشد. علاوه بر این، خودروهای الکتریکی عدم قطعیتهای جدیدی مانند زمان رسیدن به خانه، زمانه خروج از خانه و مسافت روزانه طی شده، را به سیستم تحمیل میکند.
به این دلیل، استفاده از روشهای مختلف تصادفی و احتمالاتی اهمیت زیادی دارد. مشکل مهم دیگری که باید مورد بررسی قرار گیرد، وجود اهداف مختلف و متناقض در مسئله تامین انرژی میباشد. به عنوان مثال، کمینه کردن هزینه و کمینه کردن انتشار گازهای گلخانهای دو هدف متناقض با واحدهای اندازه گیری متفاوت میباشند، که باید تحت روشهای برنامهریزی چند هدفه مورد بررسی قرار گیرند [8].
2- پیشینه پژوهش
تحقیقات زیادی در مورد تامین بهینه انرژی دکلهای مخابراتی انجام شده و نتایج مهمی گزارش شده است. در جدول 1 مقایسه کلی با تحقیقات پیشین و طرح پیشنهادی این پژوهش انجام شده است.
[1] Hydrogen energy storage
[2] Vehicle to Grid
جدول1. مروری بر پیشینه تحقیق | ||||||
مرجع | برنامهریزی | خودرو برقی | منبع ذخیره هیدروژنی | عدم قطعیت ها | چند هدفه | محیط شبیه سازی |
[9] | LP | û | û | - | û | Homer |
[10] | LP | û | û | مونت کارلو | û | Matlab |
[11] | MILP | û | û | - | û | - |
[12] | LP | û | û | - | û | Homer |
[13] | LP | û | û | - | û | Homer |
[14] | - | û | û | - | û | Matlab |
[15] | MILP | û | û | - | û | - |
[16] | MILP | û | û | تصادفی | û | - |
[17] | LP | û | û | - | û | - |
[18] | - | û | ü | - | û | Real-world testing |
[19] | LP | û | û | - | û | Matlab/Homer |
[20] | MINLP | ü | û | - | û | Matlab |
[21] | MILP | ü | û | - | û | Matlab |
[22] | MINLP | ü | û | - | ü | Genetic algorithm |
[23] | MILP | ü | ü | - | û | Matlab |
[24] | MILP | û | û | تصادفی | û | GAMS |
[25] | MILP | ü | û | - | û | Matlab |
[26] | MINLP | ü | û | 2PEM | û | GAMS |
[27] | MINLP | ü | û | (2+1)PEM | ü | PSO |
[28] | MILP | ü | û | تصادفی | û | GAMS |
[29] | MILP | ü | û | پویا | û | Matlab |
[30] | MINLP | û | û | - | û | Matlab |
این مقاله | MISOCP | ü | ü | تصادفی | ü | GAMS |
3- اهداف و دستاوردهای پژوهشی مورد انتظار
مجموعه فعالیتهای انجام شده در جدول 1، دستاوردهای قابل توجهی در زمینههای مختلف مربوط به ریزشبکهها و تامین توان دکلهای مخابراتی داشتهاند. با این حال، در مراجع کنونی کاستیهای قابل توجهی وجود دارد، که میتوان به صورت ذیل خلاصه کرد:
- مراجعی نظیر [9]–[13]، از روشهای برنامهریزی خطی یا مختلط عدد صحیح خطی جهت مدلسازی مسئله تامین توان استفاده کردهاند. این روشها، با سادهسازیها و پیشفرضهای خطی مسئله را توصیف میکنند که دور از واقعیت میباشد [31]. در مقابل، روشهای غیرخطی دارای بار محاسباتی بالایی بوده و در مقیاس بزرگ، حل آنها با احتمال امکان ناپذیر بودن1، یا غیرقابل رهگیری بودن2، همراه میباشد.
- نرامافزار هومر (Homer) استفاده شده در مراجع [9]، [13] و [19] دارای مدلهای پیشفرض میباشد و تغییر این مدل جهت اضافه کردن المانهای مختلف ممکن نمیباشد. علاوه براین اضافه کردن روشهای مقابله با عدمقطعیت در این نرمافزار ممکن نمیباشد.
- روشهای بهینهسازی مبنی بر الگوریتمهای کنترل که در مراجع [14] و [18] استفاده شده است، به علت دقت پایین منسوخ شده است. در حالی که روشهای تکاملی نظیر الگوریتم ژنتیک و الگوریتم تجمع ذرات، دارای بار محاسباتی بالا بوده و در حضور قید و متغیرهای تصمیم زیاد کارا نمیباشد. همچنین این الگوریتمها تنها یک جواب بهینه محلی3 داده و قادر به تولید جوابهای بهینه عام4 نمیباشند.
- مطالعاتی مانند [11]، [12]، [13]، [14] عدم قطعیتهای مختلف در پارامترهای ورودی را نادیده گرفتهاند. علاوه بر این، اغلب مطالعات مانند [10]، [16]، [24] و [28]، از روشهای بهینهسازی تصادفی برای مقابله با عدمقطعیتها استفاده کردهاند. علاوه براین، روش بهینهسازی پویا در مطالعاتی مانند [29]، استفاده شده است.
- اغلب مطالعات به صورت تکهدفه و مبتنی بر هزینه مدلسازی شدهاند. در حالی که، مطالعات [22] و [27] تنها مراجعی موجود در زمینه بهینهسازی چندهدفه میباشند، که علاوه بر هزینه، کاهش گازهای گلخانهای نیز، جزئی از مسئله میباشد. با این حال، این مراجع از روش جمع وزن بندی شده استفاده کرده و به تعادل بین این دو هدف اهمیت داده نشده است.
- خودروی هوشمند الکتریکی بخش مهمی از شبکههای آینده خواهد بود. بهره مندی از قابلیت تبادل انرژی این سامانه ها جهت تامین توان دکلهای مخابراتی، مورد بررسی قرار نگرفته است.
- منبع ذخیره هیدروژنی تنها در مراجع محدودی مانند [18] و [23] استفاده شده است، که مدل پیشنهادی عدم قطعیتهای مختلف و ماهیت غیرخطی سیستم پیل سوختی را در نظر نگرفته است.
جهت پوشش این شکافها، این مقاله، تامین انرژی بهینه ایستگاههای مخابراتی در یک ریزشبکه مجزا را مورد بررسی قرار داده است. ساختار و چیدمان کلی المانهای این ریزشبکه در شکل 1 ارائه شده است. ریزشبکه تحت بررسی شامل یک دکل مخابراتی، سیستم فتوولتائیک، منبع ذخیره هیدروژنی، و سه خودرو برقی میباشد، که تحت واحد مدیریت انرژی5 کنترل میشوند.
|
شکل1. نمای کلی ریز شبکه بررسی شده در مقاله |
کنترل بهینه این المان به صورت یک مسئله برنامهریزی غیرخطی مختلط با اعداد صحیح مدلسازی شده و در نرمافزار (GAMS) حل شده است، که نه تنها بار محاسباتی پایین داشته، بلکه ماهیت غیرخطی مسئله را هم در بر میگیرد [32]. علاوه براین، جهت مقابله به عدم قطعیتهای مختلف در پارامترهای سیستم، از روش برنامه ریزی تصادفی استفاده شده است [33]. روش برنامهریزی تصادفی، عدم قطعیتها را در قالب سناریوهای تصادفی مدلسازی میکند. جهت مقابله با پارامترهای غیرقطعی، مانند مسافت روزانه طی شده توسط خودروهای الکتریکی، زمان رسیدن خودروها، زمان خروج خودروها، ترافیک مخابراتی، تولید انرژی خورشیدی و بار الکتریکی مصرفی در ریزشبکه، از روش برنامهریزی تصادفی استفاده شده است، چراکه این پارامترها مربوط به الگوهای رفتاری فردی بوده و توابع توزیع احتمالی مشخص پیروی میکنند.
علاوه بر این، با استفاده از روش بهینهسازی چندهدفه، تابع آلودگی نیز در مسئله قرار داده شد تا علاوه بر هزینه، گازهای گلخانهای انتشار یافته از ریزشبکه نیز کاهش داده شود. بدین ترتیب سناریوهای پارامترهای تصادفی مانند ترافیک مخابراتی و بار الکتریکی مصرفی در ریزشبکه توسط توابع توزیع احتمالی تولید شده و علاوه بر این، با استفاده از روش بهینهسازی چندهدفه، تابع آلودگی نیز در مسئله قرار داده شد تا علاوه بر هزینه، گازهای گلخانهای انتشار یافته از ریزشبکه نیز کاهش داده شود. در این جهت، ابتدا جبهه پارتو مسئله چندهدفه به دست آورده شده است، سپس با استفاده از روش رضایت فازی، بهترین تعادل بین هزینه و آلودگی ایجاد شده است. تاثیر شارژ کنترل نشده، و شارژ هوشمند خودروهای الکتریکی و روشهای استفاده شده در سه سناریو مورد بررسی قرار گرفت.
4- ارائه مدل تحلیلی
در این قسمت از مقاله، شرح روابط تحلیل مسئله تامین توان در ریزشبکه مجزا ارائه شده است. همانطور که در بخش قبلی اشاره شد، مسئله مورد نظر یک برنامهریزی غیرخطی مختلط با اعداد صحیح است. مجموعه پارامترهای غیرقطعی مسئله عبارتند از مسافت روزانه طی شده خودروهای الکتریکی، زمان رسیدن خودروها به ایستگاه شارژ، زمان خروج خودروها از ایستگاه شارژ، نرخ ترافیک ارتباطی در دکلهای مخابراتی و بار الکتریکی مجموعه مسکونی میباشد. در این پژوهش این دسته از پارامترهای غیرقطعی توسط سناریوهای تصادفی (SP) مدل سازی شدهاند از توزیع احتمالی متغیر های تصادفی تولید به دست آمده است [34]. در ادامه هر کدام از بخشهای شکل 1، به تفکیک مدلسازی تحلیلی می شوند.
4-1 مدل تحلیلی ایستگاه مخابرات سلولی
توان مصرفی ایستگاه مخابرات سلولی شامل دو پروفایل مصرف بار ثابت و بار متغیر است. پروفایل بار متغیر، یک بار غیرقطعی میباشد که میزان آن وابسته به نرخ ترافیک ارتباطی در دکل مخابراتی است. عبارت دیگر تعداد مشترکین متصل شده به دکلهای مخابراتی میباشد و توسط رابطه (1) بیان شده است. در این معادله، پارامتر
نماینگر نرخ نرمالیزه شده ترافیک ارتباطی دکل مخابراتی است که توسط رابطه (2) بیان شده است.
|
| (1) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
| (2) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
| (3) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
| (4) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
| (5) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
| (6) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
| (7) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
| (8) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (9) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (10) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (11) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (12) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (13) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (14) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (15) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (16) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (17) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (18) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (19) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (20) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (21) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (22) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (23) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (24) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
در این روابط:
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
شکل.2 مولفه های تشعشعات خورشیدی بر سطح پنل خورشیدی
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (25) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (26) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (27) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (28) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (29) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (30) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (31) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (32) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
شکل.3 ساختار کلی یک منبع ذخیره هیدروژنی |
4-5 مدل تحلیلی ژنراتور دیزلی
اگرچه ژنراتور دیزلی (DG10) منبع اصلی گازهای آلاینده است، اما با توجه به قابلیت اطمینان بالا، این واحد تولیدی یک جزء مهم از ریزشبکه میباشد. به صورت مرسوم، هزینه مصرف سوخت این نوع واحدها با رابطه چندجملهای درجه دوم ارائه شده در رابطه (33) مدلسازی میشود [40].
| (33) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (34) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (35) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (36) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (37) | |||
| (38) | |||
|
(الف) |
|
(ب) |
|
(ج) |
شکل.4 توزیع احتمالاتی آزمایشگاهی الگوهای رفتاری صاحبان خودروها: الف) زمان رسیدن به خانه ، ب) زمان خروج از خانه، ج) مسافت روزانه پیموده شده بر اساس مرجع[42]
|
جدول.2 پارامترهای ریزشبکه بکارگرفته شده | ||||
پارامتر | مقدار | پارامتر | مقدار | |
| 1 (kW) |
| 0.2,1 | |
| 4 |
| 400 ($/kWh) | |
| 0.1 (kW) |
| 0.2,16 (kWh) | |
| 30 |
| 0.8,0.7 | |
| 0.97 |
| 4 (kW) | |
| 30 (kWh) |
| 0.06 ($/MWh2) | |
| 0.3 (kWh/m) |
| 0.046 ($/MWh) | |
| 5 (kW) |
| 0.00003 ($) | |
| 524e-6 |
| 0.1 | |
| 0.005,0.5 ($/kWh) |
| 0.0025 ($/MWh2) | |
| 0.0035 |
| 0.0035($/MWh) | |
|
|
شکل.6 سناریوهای تصادفی تقاضای بار الکتریکی متغیر و ثابت دکل مخابراتی بر اساس 50 سناریوی محتمل [44] |
5-2 الگوی شارژ و دشارژ خودروهای الکتریکی
مقدار متوسط سطح شارژ باتری خودروهای الکتریکی در شکل 7 نشان داده شده است. مطابق شکل، در مورد مطالعاتی اول، سطح شارژ خودروهای الکتریکی در ساعات 1 الی 7 نسبتا مسطح میباشد.
|
(الف) |
|
(ب) |
|
(ج) |
شکل.7 سطح شارژ باتری خودرو های الکتریکی: الف) مورد مطالعاتی اول ب) مورد مطالعاتی دوم ج) مورد مطالعاتی سوم |
با این حال، شیب نمودار ها در ساعات 23-12 به صورت مثبت و تند میباشد. دلیل اصلی این امر شارژ کنترل نشده خودروها در این مورد مطالعاتی است، که خوردوهای الکتریکی بلافاصله پس از رسیدن به ایستگاه شارژ شروع به شارژ میکنند و با توجه به اینکه خودروها معمولا در ساعات عصر به ایستگاه میرسند، شیب شارژ خودروها در این ساعات مثبت است. در مورد مطالعاتی دوم، شیب شارژ خودرو ها در ساعات 7-1 مثبت است، که به دلیل شارژ تاخیر داده شده و هوشمند خودروها در این ساعات است. علت اصلی تاخیر شارژ به ساعات صبحگاهی، تقاضای الکتریکی کم در این ساعات است که از نظر هزینه این ساعات بهینه هستند. در مورد مطالعاتی سوم، شیب شارژ منفی در ساعات 15-23 قابل مشاهده هست. علت اصلی این امر ارجح بودن آلودگی زیست محیطی در این مورد میباشد، که خودروهای الکتریکی را به صورت هوشمند وادار به دشارژ میکند تا آلودگی زیست محیطی کاهش داده شود. قابل توجه هست که هزینه تخریب باتری خودروهای الکتریکی در این حالت بیشتر خواهد بود. در این مورد مطالعاتی خودروهای الکتریکی با انرژی سبز تامین شده توسط سیستم فتوولتائیک شارژ شده و در زمانهای پیک دشارژ میشوند. به علت عدم حضور خودرو در بعضی از پیشامدهای تصادفی، شاید بهتر باشد که سطح شارژ خودروها در یک سناریو مشخص مورد بررسی قرار گیرد. در این جهت، شکل 8 سطح شارژ خودرو سوم در پیشامد هشتم را نشان میدهد. همانطور که مشخص است خودرو در ساعت 14 با سطح شارژ 63/0 وارد ایستگاه شده و در ساعت 10 صبح خارج شده است. در مورد مطالعاتی اول، بدون وقفه شارژ تا حداکثر میزان ممکن انجام گرفته است. در مورد مطالعاتی دوم، به محض رسیدن خودرو شروع به شارژ میکند تا به صورت هوشمند از انرژی خورشیدی استفاده کند. در حالی که هیچ گونه دشارژ انجام نگرفته است. در مورد مطالعاتی سوم، انرژی خورشیدی شارژ شده به سیستم تحویل داده شده است تا میزان گازهای گلخانهای کاهش داده شود.
|
شکل.8 سطح شارژ باتری خودروهای الکتریکی سوم در پیشامد هشتم |
3-5 منحنی تامین توان
شکل 9، منحنی میلهای انباشته شده تامین توان ریزشبکه نشان داده شده است، که میزان تولید و مصرف هر المان ریزشبکه را مشخص میکند. در این منحنی مقادیر مثبت نماینده توان الکتریکی تولیدی و مقادیر منفی نماینده توان الکتریکی مصرفی است. همانطور که دیده میشود،(kW) 19/6 از بار شبکه در مورد مطالعاتی اول قطع شده است، که دلیل اصلی آن شارژ کنترل نشده خودروهای الکتریکی میباشد. در این حالت بار نسبتا بزرگی توسط خودروها در ساعات پیک به ریزشبکه اعمال میشود. قابل توجه هست که در مورد مطالعاتی دوم، منحنی تامین توان نسبتا یکنواخت است. دلیل اصلی این پدیده در اولویت بودن کاهش هزینه کل در این مورد مطالعاتی است. علاوه بر این، نظریههای پیشین در مورد سوق دادن بار خودروها به ساعات غیرپیک نیز با این شکل منسجمتر میشوند.
|
(الف)
|
|
(ب) |
|
(ج) |
شکل.9 منحنی تامین توان در ریزشبکه : الف) مورد مطالعاتی اول ب) مورد مطالعاتی دوم ج) مورد مطالعاتی سوم |
در مورد مطالعاتی سوم، علاوه بر هزینه کل، کاهش آلودگی نیز از توابع هدف است. به معنای دیگر، این مورد مطالعاتی تعادلی بین کاهش هزینه و کاهش آلودگیهای زیست محیطی، ایجاد میکند. به همین دلیل منحنی شارژ و دشارژ منبع ذخیره هیدروژنی در این مورد مطالعاتی غالب است. اگرچه هزینه استفاده از منبع ذخیره هیدروژنی زیاد میباشد، در این مورد مطالعاتی، کاهش گازهای آلاینده نیز مورد نظر است، و شارژ و دشارژ منبع ذخیره هیدروژنی موجب جذب بهتر انرژی تجدیدپذیر شده و موجب کاهش هدف آلودگی میشود. به همین شکل، خودروهای الکتریکی نیز در این ساعات بیشتر دشارژ شدهاند تا استفاده بهتری از تولیدات تجدیدپذیر به عمل آید. تولید ژنراتور دیزلی در این مورد مطالعاتی 77%/19 و 71%/17 نسبت به مورد مطالعاتی اول و دوم کاهش داشته است. با این حال، انرژی جذب شده توسط سیستم فتوولنائیک در مورد مطالعاتی افزایش برابر با 99%/14 داشته است. دلیل اصلی این پدیده، تحمیل هزینه بیشتر جهت افزایش نفوذ انرژی های تجدیدپذیر است. در انتها، تولید انرژی سیستم فتوولتائیک در مورد مطالعاتی چهارم به میزان 8%/17کمتر میباشد، که به دلیل استفاده از بهینهسازی پویا است. در این روش بهینهسازی تصمیمات محافظهگرا در پیشبینی تولید های تجدیدپذیر اتخاذ میگردد.
5-4 الگوی شارژ/دشارژ منبع ذخیره هیدروژنی
میزان متوسط سطح شارژ منبع ذخیره هیدروژن در موارد مطالعاتی مختلف در شکل10 نشان داده شده است. مطابق نمودار، مورد مطالعاتی دوم کمترین میزان سطح ذخیره شده را دارد. دلیل اصلی این امر، در اولویت بودن کاهش هزینه در این مورد میباشد. به طور مشابه، کاهش هزینه هدف اصلی مورد مطالعاتی اول نیز هست، اما در این مورد سطح شارژ نسبتا بالا در منبع ذخیره هیدروژنی مشاهده میشود. دلیل این امر برنامهریزی کنترل نشده شارژ خودروهای الکتریکی است، که منبع ذخیره هیدروژن را وادار به شارژ در ساعات غیرپیک میکند تا توان شارژ خودروها در ساعات پیک تامین شود.
|
شکل.10 سطح شارژ منبع ذخیره هیدروژن در موارد مطالعاتی مختلف |
در مورد مطالعاتی سوم، قابل مشاهده هست که منبع ذخیره هیدروژن در ساعات 15-9 بیشترین میزان شارژ را دارد. با توجه به اینکه بهینهسازی چندهدفه در این مورد استفاده شده است و حداکثر انرژی تجدیدپذیر در این ساعات توسط منبع ذخیره جذب میشود تا میزان گازهای گلخانهای کاهش پیدا کند. با اینکه این روند باعث افزایش هزینههای عملیاتی میشود، میزان کاهش در مقدار گازهای گلخانهای قابل توجه است.
5-5 مقایسه و تحلیل موارد مطالعاتی
مقادیر بهینه متغیرهای تصمیمگیری اصلی مسئله در جدول 3 برای موارد مطالعاتی مختلف خلاصه شده است. همانطور که دیده میشود، مورد مطالعاتی اول، بیشترین مقدار هزینه را به ریزشبکه تحمیل میکند. دلیل اصلی این پدیده، شارژ کنترل نشده خودروهای الکتریکی میباشد، که بار نسبتاً بزرگی در ساعات پیک به سیستم تحمیل میکند. در مورد مطالعاتی دوم، کمترین هزینه عملیاتی را مشاهده میشود، که به دلیل در اولویت بودن هزینه در این مورد مطالعاتی است. مورد مطالعاتی سوم، کمترین مقدار آلودگی را نشان
جدول.3 متغیرهای تصمیمگیری مهم مسئله در موارد مطالعاتی مختلف. | |||
| CS1 | CS2 | CS3 |
| 6.3427 | 0 | 0 |
| 163.403 | 162.789 | 187.219 |
| 129.528 | 126.881 | 104.904 |
| 0.87651 | 0.87493 | 0.95709 |
| 0 | 0.11212 | 1.94635 |
| 3.19713 | 0 | 0 |
| 10.5315 | 6.31044 | 7.88388 |
| 72191.2 | 58313.3 | 47986.9 |
| 5.43807 | 5.06582 | 3.8699 |
| 1.689782 | 0.128555 | 1.1904 |
