با توجه که در این شبیهسازی از رزرو غیرگردان در فرمولاسیون استفاده نشده در برخی از نتایج تفاوتهایی دیده شده است. مرجع [۶۹] در ساعت ۲ شبیهسازی برای ژنراتور G1، ۱۷ مگاوات رزرو غیرگردان بدست آورده که در شبیهسازی انجام شده در این تحقیق تغییراتی در مشارکت واحدها صورت گرفته است. ژنراتور G3 ارزانترین ژنراتور است و اگر بیشترین حد توان خود را تولید کند (۵۰ مگاوات) دیگر قادر به داشتن رزرو نمی باشد. در نتیجه واحد G1 با کمترین حد تولید خود (۱۰ مگاوات) در این ساعت روشن شده و با توجه به اینکه قیمت رزرو واحد G1 کمتراز واحد G3 است ۱۷ مگاوات رزرو بالارونده را ژنراتور G1 تامین می کند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۳-۵ نتیجه گیری

با توجه به گسترش روز افزون استفاده از نیروگاههای بادی در سیستم قدرت و همچنین هزینه پایین بهره برداری از این نیروگاهها و نظر به اینکه با پیشرفت تکنولوژی هزینه نصب و اجرا به سرعت کاهش یافته، اکثر کشورها در راه استفاده از نیروگاه بادی به عنوان یک نیروگاه تجدید پذیر ارزان قدم برداشتهاند.
مشکل اصلی استفاده از نیروگاه های بادی عدم قطعیت در توان تولیدی این نوع واحدها میباشد که برای بستن بازار در حضور این واحدهای تولیدی باید این عدم قطعیت در نظر گرفته شود. با پیشرفت در روشهای پیش بینی باد، دقت قابل قبولی در این پیش بینی بدست آمده است؛ در این تحقیق با مدل کردن باد با یک توزیع احتمال و تولید سناریوهای زیاد و سپس کاهش این تعداد سناریو به یک تعداد مناسب، عدم قطعیت توان تولیدی نیروگاه بادی در نظر گرفته شد.
مشاهده شد که با حضور نیروگاه بادی مجموع توان تولیدی واحدها کمتر می شود ولی برای جبران عدم قطعیت در تولید واحدهای بادی باید میزان رزرو بیشتری برای شبکه در نظر گرفت، با این وجود هزینه بهره برداری از سیستم کاهش یافت. همچنین با امکان نصب نیروگاه بادی در باسهای مختلف هزینه های متفاوتی برای برنامه مشارکت واحدها بدست می آید، این موضوع بیانگر این است که مکان سنجی نصب این نیروگاه در شبکه برای حفظ سرمایه، از دید بهرهبردار از اهمیت ویژهای برخوردار است. با افزایش درصد نفوذ تولید بادی در سیستم قدرت هزینه بهره برداری (و یا بستن بازار) شبکه کمتر می شود. همچنین با افزایش میزان عدم قطعیت در باد پیش بینی شده هزینه بهره برداری به علت افزایش سطح رزرو مورد نیاز سیستم افزایش مییابد.
فصل۴
مدل کردن عدم قطعیت بار

۴-۱ مقدمه

صنعت برق از صنایع زیربنایی یک کشور و شاخص مهم در رشد و پیشرفت جوامع امروزی محسوب می شود. بازار تقاضای جهانی برق با رشد سالانه ۴/۲ درصد، در سالِ ۲۰۳۰ دو برابر سال ۲۰۰۰ خواهد شد که این میزان رشد بسیار سریعتر از دیگر منابع انرژی است. افزایش میزان مصرف انرژی برق، اهمیت این انرژی را نشان میدهد از طرف دیگر با تکنولوژی موجود هنوز ذخیره این انرژی در ابعاد بزرگ امکان پذیر نمی باشد؛ بنابراین پیش بینی دقیق میزان مصرف، نقش مهمی در استفاده اقتصادی از انرژی الکتریکی خواهد داشت [۷۲].
پیش بینی مصرف بار الکتریکی برای برنامه ریزی و بهره برداری بهینه سیستمهای قدرت نقش مهمی را ایفا مینماید. بار مصرفی در سیستمهای قدرت به عوامل متعددی همچون متغیرهای جوی مانند باد، رطوبت، پوشش ابری و متغیرهای دیگری مانند تعطیلات، ماههای سال و روزهای هفته بستگی دارد. رفتار بار در روزهای تعطیل با روز معمولی تفاوت بسیار دارد که عمده این تفاوتها به دلایل فرهنگی و اجتماعی حاکم بر آن منطقه میباشد. در شرکتها اپراتورها سعی می کنند که بار را در زمان واقعی با بهره گرفتن از اطلاعات روز قبل و قواعد و قوانین ابتکاری خودشان بهنگام کنند. از آنجایی که میزان مصرف بار علاوه بر موارد فوق الذکر به عوامل ناشناخته بسیار دیگری نیز بستگی دارد، لذا استفاده از روشهای معمولی پیش بینی کافی نبوده واستفاده از تجربیات کارشناسان و اپراتورها می تواند در پیش بینی دقیقتر بسیار موثر باشد [۷۳].
مدتی است شرکتهای برق در جهت بهبود دقت پیش بینی نیاز مصرف کارهائی را شروع کرده اند. یکی از این شرکتها، شرکت برق آمریکا^[۴۱] واقع در کلمبوس اوهایو میباشد. آنچه AEP و دیگر شرکتهای مشابه به آن توجه دارند، اینست که قیمت قرارداد فروش برق برای تحویل در آینده براساس پیش بینی ضعیف نیاز مصرف می تواند بجای استفاده بردن، منجر به ضرر شود. بعنوان یک مثال جالب برای مشکلات ناشی از عدم پیش بینی مناسب تقاضا، تولید و قیمت، میتوان به آنچه در انگلستان، با تاسیس NETA اتفاق افتاد اشاره نمود که برای مدتی، قیمت بازار شدیداً بیثبات شده بود. محاسبه شد که بهبود ۴ درصدی در دقت پیش بینی تقاضای مصرف، می تواند ۲۹ میلیون دلار از مخارج تولیدکنندگان برق را بکاهد. اگرچه دقت پیش بینی بار کوتاه مدت بدلیل وجود تکنیکهای بسیار پیشرفته برای مدلسازی در سالهای اخیر بطور قابل توجهی بهبود یافته است، لیکن وجود عوامل غیر منتظره از دقت آنها میکاهد. برای مثال در ۱۴ سپتامبر ۲۰۰۱ ، سه دقیقه سکوت برای بزرگداشت قربانیان ۱۱ سپتامبر باعث یک افت نیاز مصرف بسیار بزرگ به میزان ۲۷۰۰ مگاوات معادل ۷ % نیاز سیستم در تاریخ برق انگلستان شده است.
اهمیت پیش بینی مصرف در شرایط خصوصیسازی صنعت برق بیشتر از شرایط قبل بوده و ضمناً پیش بینیکننده نیز در شرایط جدید تغییر کرده است. هنگامی که توزیع برق تابع قوانین و مقررات باشد شرکتهای برق منحصر بفرد، پیش بینی کوتاهمدت را برای اطمینان از پایایی منابع تولیدی خود بکار میبرند و پیش بینی مصرف بلندمدت را اساس برنامه ریزی و سرمایه گذاری طرحهای توسعه خود قرار می دهند. اهمیت پیش بینی بار چه بلند مدت و چه کوتاه مدت و اینکه رقابت در تولید و فروش برق آغاز شده و یا در حال شروع باشد تفاوتی نداشته و یکسان است. بعنوان مثال اکنون در برزیل شرکت برق ملی علاقمند است بداند که نیاز مصرف ۱۰ تا ۲۰ سال آینده چه خواهد بود و پیش بینی نیاز مصرف کوتاهمدت در اختیار رقابتکنندگان در بازار میباشد. در انگلستان نیز قبل از تاسیسNETA ، شبکه ملی مسئولیت پیش بینی را بعهده داشت.
با توجه به مشکلات پیش بینی بلند مدت و یا کوتاهمدت، پاسخ به پرسش زیر فاقد صراحت است :چقدر این پیش بینیها دقیق هستند؟ آنچه میتوان به جرات درباره پیش بینی بار بیان کرد اینست که پیش بینیها حتماً با واقعیت تفاوت دارند. بهترین آن در انگلستان در فاصله زمانی نیم ساعت دارای دو درصد خطا بوده است، بعبارت دیگر اگر بار واقعی ۱۰۰ مگاوات باشد، بهترین پیش بینی ۹۸ یا ۱۰۲ مگاوات و نه نزدیکتر است. اگر کیفیت ورودی ها به مدل پیش بینیکننده ضعیف باشد، علیرغم داشتن بهترین مدل، تقریباً غیر ممکن است نتیجه خوبی از آن بیرون بیاید. همچنین دقت پیش بینی بار به نوع مشتری (مصرف کننده) بستگی دارد. مصرف یک مشتری صنعتی بزرگ می تواند خارج از حوزه قابل پیش بینی بار رفتار نماید مثلاً با تولید الکتریسیته توسط نیروگاه اختصاصی خود و یا با اضافه کردن یک شیفتکاری دیگر شرایط پیش بینی بار تغییر می کند. فاکتورهای کوچک و بزرگی نیز هستند که در پیش بینی بار و تقاضای مصرف، تاثیرگذارند که از جمله آنها میتوان به فروش نرفتن کالای کارخانه که منجر به تعطیلی آن می شود اشاره کرد. در میان این همه مشکلات، بازاریابهای توان الکتریکی این امیدواری را دارند که پیش بینی بار آنها خیلی دقیق باشد.
در بخش فوق به اهمیت میزان پیش بینی بار پرداخته شد و بیان گردید که گرچه روشهای پیش بینی کوتاه مدت بار، دقت خوبی دارند اما این دلیل نمی شود که از خطای پیش بینی صرفنظر کرد. بنابراین در این فصل به مشارکت واحدها با قیود امنیتی با در نظر گرفتن عدم قطعیت بار پیش بینی شده و تولید بادی پرداخته می شود.

۴-۲ مروری بر منابع

برای پیش بینی مصرف برق روشهای مختلفی توسط محققین بکار گرفته شده است و بدلیل نقش مهم این پیش بینی در محاسبات اقتصادی، از سالها پیش مورد توجه دانشگاهیان و محققان صنعتی قرار گرفته است. خطاهای پیش بینی بزرگ ممکن است منجر به ریسک بیش از اندازه سیستم شود که این موضوع می تواند جریمههای اقتصادی ناخواستهای را در پی داشته باشد. مقادیر پیش بینی بالاتر منجر به تولید برق بیشتر از نیاز میگردد و در صورتیکه مقادیر پیش بینی کمتر از حد مورد نیاز باشد به ناتوانی در تامین برق منجر می شود. در هر دوصورت نسبت به حالت تعادل هزینه عملیاتی بالاتری ایجاد می شود [۱]. پیش بینی میزان مصرف روزهای آینده، کاربرد اساسی در عملیات زمانبندی ورود و خروج نیروگاهها از مدار و برنامه ریزی سیستم قدرت الکتریکی دارد [۳]. در اکثر تحقیقات انجام شده در زمینه پیش بینی مصرف برق، وضعیت دستهبندی داده ها بدون ارائه دلایل کافی از پیش تعیین شده که استفاده از این نوع دستهبندی می تواند منجر به ایجاد خطای پیش بینی شود [۷۴] و [۷۵].
یکی از مسائل حائز اهمیت در بهره برداری اقتصادی و طراحی بهینه سیستمهای قدرت، پیش بینی بار سیستم است. در این میان پیش بینی کوتاهمدت از اهمیت ویژهای برخوردار است. یکی از کاربردهای پیش بینی کوتاه مدت بار در برنامه مشارکت واحدها میباشد. از آنجایی که دقت در پیش بینی بار روی هزینه تاثیر مستقیم دارد و با توجه به امکان وجود خطا در پیش بینی بار، برنامهریز سیستم باید الگوی تولید را به نحوی تعیین نماید که علاوه بر تامین بار مصرفی، رزروها نیز تامین گردد. به این ترتیب خطای پیش بینی بار و همچنین خروج واحد تولید یا خط جبران شود [۹]-[۱۱].
در مرجع [۷۶] یک فرمولاسیون فازی برای مسئله مشارکت واحدها با قیود امنیتی با در نظر گرفتن عدم قطعیت در پیش بینی بار، خدمات جانبی، تولید نیروگاه بادی ارائه شده است. در مرجع [۷۶] فرمولاسیون جدیدی برای مشارکت واحدهای سیستم قدرت با سطوح مطمئنی از تولید نیروگاه بادی ارائه شده است؛ از مدلهای مرسوم برای بدست آوردن تابع چگالی احتمال بار روزانه با در نظر گرفتن اثر تغییرات توان بادی استفاده شده است [۶۹].
در مرجع [۷۷] به مدلسازی رفتار تصادفی باد پرداخته شده و تاثیر آن در برنامه ریزی تولید واحدها بررسی شده است. عدم قطعیت تولید بادی با تولید تعدادی سناریو و سپس حل به صورت قطعی^[۴۲] در نظر گرفته شده است.
در این تحقیق عدم قطعیتِ پیش بینی بار با تولید سناریوهای مختلف مدل می شود و یک ساختار برای در نظرگرفتن این عدم قطعیت در مشارکت واحدها با قیود امنیتی در حضور مزرعه بادی ارائه شده است.

۴-۳ مدل کردن عدم قطعیتِ پیش بینی بار

میزان مصرف الکتریکی برای انجام برنامه ریزیِ بهینه مشارکت واحدهای سیستم قدرت، توسط پیش بینی بار در دوره های زمانی مختلف، در دسترس قرار میگیرد. موفقیت در بازار رقابتی برق مستلزم داشتن مهارت قابل قبول در کار پیش بینی، براساس معیارهای علمی میباشد. عواملِ بازار انرژی از میزان کسب سود حاصل از قراردادهای بلندمدت تحویل انرژی در آینده مطمئن نیستند؛ زیرا ممکن است میزان تولید، تقاضا و نرخ رایج نسبت به فرضیات زمان عقد قرارداد تغییر نماید. در نتیجه معاملهگران انرژی، زمانی خوب عمل مینمایند که پیش بینی درست و خوبی بکار برده باشند. پیش بینی بار به فاکتورهای بسیاری بستگی دارد، امکان لحاظ شدن آنها در یک الگوریتم بسیار پیچیده و غیرقابل اجرا، در عمل امکان پذیر نخواهد بود؛ نظر به توضیحات بیان شده در این فصل مشخص است که وجود خطا در پیش بینی مصرف برق چه به صورت کوتاهمدت و چه به صورت بلندمدت با هر روشی انکار ناپذیر است. در پیش بینیهای کوتاهمدت مصرف الکتریکی این خطا مقدار کمتری میباشد. لازم به ذکر است که هیچ پیش بینیای کامل نمی باشد و الگوریتمهای مختلف ارائه شده تنها در جهت بهبود پیش بینی قدم برمیدارند.
حال برای بالابردن قابلیت اطمینان سیستم قدرت و واقعیتر شدن نتایج مشارکت واحدها، باید در مسئله بهینهسازی، عدم قطعیت در میزان مصرف الکتریکی پیش بینی شده در نظر گرفته شود. در ادامه ساختار مورد استفاده جهت در نظر گرفتن عدم قطعیت بار پیش بینی شده معرفی می شود. در این تحقیق فرض شده که می توان بار شبکه را با یک توزیع نرمال پیش بینی کرد به نحوی که در آن بار پیش بینی شده و انحراف معیار (۲% از ) میباشد (نحوه تولید سناریو در پیوست (ب) آورده شده است).
شبکه مورد استفاده برای این شبیهسازی، سیستم تست IEEE RTS1 است. بردار متغیرهای تصادفی شامل ۶۵ متغیر تصادفی است که وضعیت دسترس پذیری ۲۶ واحد تولیدی و۳۷ خط انتقال و ۱ تولید مزرعه بادی و ۱ مجموع بار شبکه میباشند. مجموع سناریوهای تولیدی به روش مونت کارلو برای خروجها ۴۰۲۷ سناریو در نظر گرفته شده است [۶۹] که با بهره گرفتن از روش کاهش سناریو Fast Forward با در نظر گرفتن اینکه فاصله نسبی بین سناریوهای تولیدی و کاهش یافته ۱۰% باشد تعداد سناریوها به ۶۳ سناریو کاهش یافته است [۳۴]. بنابراین ماتریس سناریوها در هر ساعت ابعادی معادل ۶۳ ۶۵ را خواهد داشت که شامل ۲۶ متغیر خروج واحد تولید، ۳۷ متغیر خروج خط و ۱ متغیر توان تولیدی مزرعه بادی ۱ متغیر مجموع بار شبکه در هر ساعت میباشد. با توجه به اینکه مشخص است بار هر باس چه درصدی از بار کل است برای عدم قطعیت بار یک متغیر در نظر گرفته شده است.
درصد تغییرات بار معمولاً ۲% مقدار پیش بینی شده در نظر گرفته می شود، با توجه به کم بودن مقدار تغییرات بار پیش بینی شده سیستم در این مسئله بهینهسازی میتوان با ثابت در نظر گرفتن وضعیت روشن و خاموش بودن واحدها (تنها متغیرهای عدد صحیح این مسئله بهینهسازی) به جای حل یک مسئله ترکیب با اعداد صحیح و حقیقی یک مسئله برنامه ریزی خطی ساده (LP^[43]) مورد استفاده قرار داد که در این مسئله بهینهسازی سناریوهای بار، باد و خروج با تغییر تولید واحدها و انواع رزرو سمت تولید و بار جبران می شود.

۴-۳-۱ فرمولاسیون مشارکت واحدها باقیود امنیتی با در نظر گرفتن عدم قطعیت تولید باد و بار

در این بخش با بهره گرفتن از ساختار معرفی شده در فصل۳ و استفاده از نتایج بدست آمده در آن فصل، عدم قطعیت در بار پیش بینی شده لحاظ میگردد. در ادامه به روابط و قیودی که نسبت به فصل۳ تغییر می کنند اشاره شده است. تابع هدف مورد استفاده در برنامه ریزی خطی در این فصل رابطه (۴-۱) میباشد. در این رابطه، بیانگر ثابت بودن وضعیت روشن و خاموش بودن واحدها از نتیجه قسمت قبل میباشد. بدینترتیب هزینه روشن و خاموش بودن واحدها ثابت میشوند و از تابع هدف بیرون میآیند. بخشهای دیگر تابع هدف در فصل۳ توضیح داده شده است. در این رابطه بار نیز به صورت سناریویی نوشته می شود.

(۴-۱)

موضوعات: بدون موضوع لینک ثابت

فرم در حال بارگذاری ...

فید نظر برای این مطلب