[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 11، شماره 2 - ( 2-1401 ) ::
جلد 11 شماره 2 صفحات 80-68 برگشت به فهرست نسخه ها
مدیریت بار شبکه با طراحی بهینه یک هاب انرژی در حضور انرژی باد و فتوولتائیک و بارهای پاسخگو با استفاده از الگوریتم‌های هوشمند
ابوالفضل ماندگاری1 ، فریور فاضلپور* 2، گئورک قره پتیان3
1- دانشگاه آزاد اسلامی، واحد تهران جنوب و شرکت توزیع نیروی برق استان یزد
2- دانشگاه آزاد اسلامی، واحد تهران جنوب
3- دانشکده مهندسی برق، دانشگاه امیرکبیر
چکیده:   (1277 مشاهده)
چکیده: سیستم‌های انرژی چند حاملی دارای انعطاف‌پذیری سیستماتیک برای مدیریت انرژی و بار می‌باشد. ادغام انواع مختلف انرژی تحت عنوان هاب انرژی در زیرساخت‌های چندگانه انرژی از جمله برق، گاز طبیعی و حرارت به‌صورت یکپارچه موجب تأمین دیماند با هزینه پایین‌تر می‌شود. هاب انرژی فرصت بزرگی را برای بهره‌برداران سیستم‌های انرژی برای رسیدن به سیستمی با بازده بالاتر و عملکرد بهتر به وجود می‌آورد. سودآوری هاب‌های انرژی در حضور عدم قطعیت‌های مختلفی که با حضور انواع حامل‌های انرژی شدت بیشتری نیز می‌یابد از مسائل مورد توجه در این حوزه است. عملکرد کلی سیستم قدرت بستگی به عملکرد بهینه هرکدام از اجزای هاب انرژی دارد. یکی از مهم‌ترین این اجزاء، تولید هم‌زمان برق و گرما (CHP) است. این مقاله به چگونگی بهره‌برداری بهینه از یک هاب انرژی در یک مجتمع صنعتی بر اساس داده‌های میدانی جمع‌آوری‌شده پرداخته و یک هاب انرژی شامل بارهای الکتریکی، گرمایش و سرمایش با در نظر گرفتن قیمت‌های بازار برق و منابع تجدیدپذیر بادی و فتوولتائیک و بارهای پاسخگو با الگوریتم هوشمند بهینه‌سازی شده است و به مقایسه هزینه کل انرژی در حضور و عدم حضور بارهای الکتریکی پاسخگو پرداخته است. طبق نتایج شبیه‌سازی، حضور بار پاسخگو در کنار هاب انرژی، باعث کاهش قابل توجه هزینه اقتصادی سالیانه می‌گردد.
شماره‌ی مقاله: 6
واژه‌های کلیدی: بار پاسخگو، هاب انرژی، الگوریتم هوشمند، مدیریت بار، انرژی‌های تجدیدپذیر
متن کامل [PDF 1537 kb]   (177 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: برق و کامپیوتر
دریافت: 1400/8/11 | پذیرش: 1400/10/27 | انتشار: 1401/2/10
فهرست منابع
1. Butler, J. (2020). Liquor Cycle Optimization - no more silo mentality. Retrieved from https://www.valmet.com/media/articles/up-and-running/new-technology/LiquorCycleOptWebinar/
2. Chen, C., Duan, S., Cai, T., Liu, B., & Hu, G. (2011). Optimal Allocation and Economic Analysis of Energy Storage System in Microgrids. IEEE Transactions on Power Electronics, 26(10), 2762-2773. doi: [DOI:10.1109/TPEL.2011.2116808]
3. Dababneh, F., & Li, L. (2019). Integrated Electricity and Natural Gas Demand Response for Manufacturers in the Smart Grid. IEEE Transactions on Smart Grid, 10(4), 4164-4174. doi: [DOI:10.1109/TSG.2018.2850841]
4. de Jong, P., Sánchez, A. S., Esquerre, K., Kalid, R. A., & Torres, E. A. (2013). Solar and wind energy production in relation to the electricity load curve and hydroelectricity in the northeast region of Brazil. Renewable and Sustainable Energy Reviews, 23, 526-535. doi: [DOI:10.1016/j.rser.2013.01.050]
5. Dinghuan, Z., Rui, Y., & Hug-Glanzmann, G. (2010). Managing microgrids with intermittent resources: A two-layer multi-step optimal control approach. Paper presented at the North American Power Symposium 2010. [DOI:10.1109/NAPS.2010.5619594]
6. Dolatabadi, A., Mohammadi-ivatloo, B., Abapour, M., & Tohidi, S. (2017). Optimal Stochastic Design of Wind Integrated Energy Hub. IEEE Transactions on Industrial Informatics, 13(5), 2379-2388. doi: [DOI:10.1109/TII.2017.2664101]
7. Energy Solutions Center Inc. (2015). Paper Manufacturing Overview. Retrieved from http://gaspaperdryer.org/learn-about-paper-drying/paper-manufacturing-overview/
8. Fabrizio, E., Corrado, V., & Filippi, M. (2010). A model to design and optimize multi-energy systems in buildings at the design concept stage. Renewable Energy, 35(3), 644-655. [DOI:10.1016/j.renene.2009.08.012]
9. Feng, L., Dai, X., Mo, J., & Shi, L. (2019). Performance assessment of CCHP systems with different cooling supply modes and operation strategies. Energy Conversion and Management, 192, 188-201. [DOI:10.1016/j.enconman.2019.04.048]
10. Froehlich, K., & Andersson, G. (2008). Vision of Future Energy Networks (VoFEN). Retrieved from Switzerland: https://www.osti.gov/etdeweb/servlets/purl/21555118
11. Geidl, M. (2007). Integrated modeling and optimization of multi-carrier energy systems. ETH Zurich.
12. Geidl, M., & Andersson, G. (2006). Optimal power dispatch and conversion in systems with multiple energy carriers. Paper presented at the 15th Power Systems Computation Conference, August 22-26, 2005. http://hdl.handle.net/20.500.11850/48048
13. Geidl, M., Koeppel, G., Favre-Perrod, P., Klöckl, B., Andersson, G., & Fröhlich, K. (2007). The Energy Hub: A Powerful Concept for Future Energy Systems. Paper presented at the 3rd Annual Carnegie Mellon Conference on the Electricity Industry: Ensuring that the Industry has the Physical and Human Resources Needed for the Next Thirty Years, Pittsburgh, PA, USA. http://hdl.handle.net/20.500.11850/3133
14. Ha, T., Zhang, Y., Thang, V. V., & Huang, J. (2017). Energy hub modeling to minimize residential energy costs considering solar energy and BESS. Journal of Modern Power Systems and Clean Energy, 5(3), 389-399. doi: [DOI:10.1007/s40565-017-0281-4]
15. Mirzaei, M. A., Zare Oskouei, M., Mohammadi-Ivatloo, B., Loni, A., Zare, K., Marzband, M., & Shafiee, M. (2020). Integrated energy hub system based on power-to-gas and compressed air energy storage technologies in the presence of multiple shiftable loads. IET Generation, Transmission & Distribution, 14(13), 2510-2519. doi: [DOI:10.1049/iet-gtd.2019.1163]
16. Moghaddam, I. G., Saniei, M., & Mashhour, E. (2016). A comprehensive model for self-scheduling an energy hub to supply cooling, heating and electrical demands of a building. Energy, 94, 157-170. [DOI:10.1016/j.energy.2015.10.137]
17. Pazouki, S., & Haghifam, M.-R. (2016). Optimal planning and scheduling of energy hub in presence of wind, storage and demand response under uncertainty. International Journal of Electrical Power & Energy Systems, 80, 219-239. [DOI:10.1016/j.ijepes.2016.01.044]
18. Rayati, M., Sheikhi, A., & Ranjbar, A. M. (2015). Optimising operational cost of a smart energy hub, the reinforcement learning approach. International Journal of Parallel, Emergent and Distributed Systems, 30(4), 325-341. [DOI:10.1080/17445760.2014.974600]
19. Rodríguez, L., Castillo, O., & Soria, J. (2017). A study of parameters of the grey wolf optimizer algorithm for dynamic adaptation with fuzzy logic Nature-inspired design of hybrid intelligent systems (pp. 371-390): Springer. [DOI:10.1007/978-3-319-47054-2_25]
20. Roustai, M., Rayati, M., Sheikhi, A., & Ranjbar, A. (2018). A scenario-based optimization of Smart Energy Hub operation in a stochastic environment using conditional-value-at-risk. Sustainable cities and society, 39, 309-316. [DOI:10.1016/j.scs.2018.01.045]
21. Sheikhi, A., Rayati, M., & Ranjbar, A. M. (2015). Energy Hub optimal sizing in the smart grid; machine learning approach. Paper presented at the 2015 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT). [DOI:10.1109/ISGT.2015.7131796]
22. Sheikhi, A., Rayati, M., & Ranjbar, A. M. (2016). Demand side management for a residential customer in multi-energy systems. Sustainable cities and society, 22, 63-77. [DOI:10.1016/j.scs.2016.01.010]
23. Soroudi, A., & Keane, A. (2015). Risk Averse Energy Hub Management Considering Plug-in Electric Vehicles Using Information Gap Decision Theory. In S. Rajakaruna, F. Shahnia, & A. Ghosh (Eds.), Plug In Electric Vehicles in Smart Grids: Energy Management (pp. 107-127). Singapore: Springer Singapore. [DOI:10.1007/978-981-287-302-6_5]
24. Vahid-Pakdel, M. J., Nojavan, S., Mohammadi-ivatloo, B., & Zare, K. (2017). Stochastic optimization of energy hub operation with consideration of thermal energy market and demand response. Energy Conversion and Management, 145, 117-128. doi: [DOI:10.1016/j.enconman.2017.04.074]
25. Wang, J., Zhong, H., Ma, Z., Xia, Q., & Kang, C. (2017). Review and prospect of integrated demand response in the multi-energy system. Applied Energy, 202, 772-782. [DOI:10.1016/j.apenergy.2017.05.150]
26. Xu, X., Kai, H., Jia, H., & Yu, X. (2015). A reliability assessment approach for the urban energy system and its application in energy hub planning. Paper presented at the 2015 IEEE Power & Energy Society General Meeting. [DOI:10.1109/PESGM.2015.7285625]
27. Yang, H., Xiong, T., Qiu, J., Qiu, D., & Dong, Z. Y. (2016). Optimal operation of DES/CCHP based regional multi-energy prosumer with demand response. Applied Energy, 167, 353-365. [DOI:10.1016/j.apenergy.2015.11.022]
28. Zhang, X., Shahidehpour, M., Alabdulwahab, A., & Abusorrah, A. (2015). Optimal Expansion Planning of Energy Hub With Multiple Energy Infrastructures. IEEE Transactions on Smart Grid, 6(5), 2302-2311. doi: [DOI:10.1109/TSG.2015.2390640]
29. ماندگاری, ا. (1392). ارزیابی فنی-اقتصادی احداث سیستم‌های فتوولتائیک در راستای ایجاد شبکه هوشمند برق و پیک‌سایی آن در استان یزد. (کارشناسی ارشد), دانشگاه آزاد تهران جنوب.


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mandegari Bamkan A, Fazelpour F, Gharehpetian G. Network load management by optimal designing of an energy hub in presence of wind and photovoltaic energies and responsible loads using an intelligent algorithm. ieijqp 2022; 11 (2) :68-80
URL: http://ieijqp.ir/article-1-864-fa.html

ماندگاری ابوالفضل، فاضلپور فریور، قره پتیان گئورک. مدیریت بار شبکه با طراحی بهینه یک هاب انرژی در حضور انرژی باد و فتوولتائیک و بارهای پاسخگو با استفاده از الگوریتم‌های هوشمند. نشریه کیفیت و بهره وری صنعت برق ایران 1401; 11 (2) :80-68

URL: http://ieijqp.ir/article-1-864-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 2 - ( 2-1401 ) برگشت به فهرست نسخه ها
نشریه علمی- پژوهشی کیفیت و بهره وری صنعت برق ایران Iranian Electric Industry Journal of Quality and Productivity
Persian site map - English site map - Created in 0.05 seconds with 29 queries by YEKTAWEB 4509