مدیریت انرژی ریزشبکه ها با استفاده از جبران‌کننده ها، ذخیره‌سازها، پاسخ تقاضا و ادغام انرژی‌های تجدیدپذیر

الموضوعات :

حمید همتیان ¹ , محمد طلوع عسکری ² , میثم امیراحمدی ³ , محمود سمیعی مقدم ⁴ , مجید بابایی نیک ⁵

1 - گروه مهندسی برق، واحد سمنان، دانشگاه آزاد اسلامی ، سمنان، ایران
2 - گروه مهندسي برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ايران
3 - گروه مهندسی برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران
4 - گروه مهندسی برق، واحد دامغان، دانشگاه آزاد اسلامی، دامغان، ایران
5 - گروه مهندسی برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران

تاريخ الإرسال : 14 الأحد , رمضان, 1445 تاريخ التأكيد : 22 الجمعة , ذو الحجة, 1445 تاريخ الإصدار : 24 الجمعة , ذو الحجة, 1446

الکلمات المفتاحية: ریزشبکه, باتری, مدیریت سمت تقاضا, منابع انرژی تجدیدپذیر,

ملخص المقالة :

این مقاله به بررسی چالش‌های مدیریت انرژی در ریزشبکه می‌پردازد، با توجه به عدم قطعیت‌های مرتبط با منابع تجدیدپذیر، تقاضای پویا و وجود دستگاه‌های متنوع مانند باتری‌ها، منابع تولید توزیع‌شده، و وسایل نقلیه الکتریکی. در این مقاله، یک مدل بهینه‌سازی پیچیده معرفی شده است که برای عملیات ریزشبکه طراحی شده است. این مدل به کاهش چالش‌های ادغام واحدهای تولید الکترونیکی قدرت، مدیریت تقاضا در ریزشبکه‌ها، و ادغام منابع انرژی تجدیدپذیر در مقیاس کوچک تمرکز دارد. هدف این مدل کاهش هزینه‌های مختلف مرتبط با تلفات انرژی، خرید برق، کاهش بار، عملیات منابع تولید پراکنده، و هزینه باتری در 24 ساعت است. شبیه‌سازی‌های انجام‌شده بر روی یک سیستم آزمایشی نشان می‌دهد که مدل پیشنهادی موثر بوده و تا 20 درصد کاهش هزینه عملیاتی ریزشبکه را داراست. این رویکرد یک چارچوب موثر برای تقویت انعطاف‌پذیری و افزایش کارایی مدیریت انرژی ریزشبکه فراهم می‌کند، و یافته‌ها نشان می‌دهند که با حداقل حاشیه 8 درصد، بهتر از روش‌های مقایسه‌ای عمل می‌کند و کارایی آن در افزایش شاخص‌های حیاتی در سیستم ریزشبکه را نشان می‌دهد.

المصادر:

[1] V. Gali, P. K. Jamwal, N. Gupta, A. Kumar, “An adaptive dynamic power management approach for enhancing operation of microgrid with grid ancillary services,” Renewable Energy, Volume 219, Part 1, 119413, 2023.
[2] F. N. Budiman, M. A.M. Ramli, H. R.E.H. Bouchekara, A. H. Milyani, “Optimal scheduling of a microgrid with power quality constraints based on demand side management under grid-connected and islanding operations,” International Journal of Electrical Power & Energy Systems, Volume 155, Part B, 109650, 2024.
[3] V. Shahbazbegian, M. Shafie-khah, H. Laaksonen, G. Strbac, H. Ameli, “Resilience-oriented operation of microgrids in the presence of power-to-hydrogen systems,” Applied Energy, Volume 348, 121429, 2023.
[4] X. Chen, J. Zhai, Y. Jiang, C. Ni, S. Wang, P. Nimmegeers, “Decentralized coordination between active distribution network and multi-microgrids through a fast decentralized adjustable robust operation framework,” Sustainable Energy, Grids and Networks, Volume 34, 101068, 2023.
[5] Özge Erol, Ümmühan Başaran Filik, “A Stackelberg game-based dynamic pricing and robust optimization strategy for microgrid operations,” International Journal of Electrical Power & Energy Systems, Volume 155, Part B, 109574, 2024.
[6] B. Cortés-Caicedo, L. F. Grisales-Noreña, O. D. Montoya, R. I. Bolaños, “Optimization of BESS placement, technology selection, and operation in microgrids for minimizing energy losses and CO2 emissions: A hybrid approach,” Journal of Energy Storage, Volume 73, Part B, 108975, 2023.
[7] Z. Li, B. Zhao, Z. Chen, C. Ni, J. Yan, X. Yan, X. Bian, N. Liu, “Low-carbon operation method of microgrid considering carbon emission quota trading,” Energy Reports, Volume 9, Supplement 2, Pages 379-387, 2023.
[8] M. H. Parvaneh, M. H. Moradi, S. M. Azimi, “The advantages of capacitor bank placement and demand response program execution on the optimal operation of isolated microgrids,” Electric Power Systems Research, Volume 220, 109345, 2023.
[9] Y. Li, X. Zhang, Y. Wang, X. Qiao, S. Jiao, Y. Cao, Y. Xu, M. Shahidehpour, Z. Shan, “Carbon-oriented optimal operation strategy based on Stackelberg game for multiple integrated energy microgrids,” Electric Power Systems Research, Volume 224, 109778, 2023.
[10] Z. Guo, W. Wei, J. Bai, S. Mei, “Long-term operation of isolated microgrids with renewables and hybrid seasonal-battery storage,” Applied Energy, 121628, Volume 349, 2023.
[11] J. Xu, Y. Yi, “Multi-microgrid low-carbon economy operation strategy considering both source and load uncertainty: A Nash bargaining approach,” Energy, Volume 263, Part B, 125712, 2023.
[12] Z. Shi, T. Zhang, Y. Liu, Y. Feng, R. Wang, S. Huang, “Optimal design and operation of islanded multi-microgrid system with distributionally robust optimization,” Electric Power Systems Research, Volume 221, 109437, 2023.
[13] D. Krupenev, N. Komendantova, D. Boyarkin, D. Iakubovskii, “Digital platform of reliability management systems for operation of microgrids,” Energy Reports, Volume 10, Pages 2486-2495, 2023.
[14] Z. Liang, Z. Dong, C. Li, C. Wu and H. Chen, “A Data-Driven Convex Model for Hybrid Microgrid Operation With Bidirectional Converters,” IEEE Transactions on Smart Grid, vol. 14, no. 2, pp. 1313-1316, March 2023.
[15] O. M. Adeyanju, P. Siano and L. N. Canha, “Dedicated Microgrid Planning and Operation Approach for Distribution Network Support With Pumped-Hydro Storage,” IEEE Transactions on Industrial Informatics, vol. 19, no. 7, pp. 8229-8241, July 2023.
[16] L. Tang, E. Shang, X. Chen, L. Li and S. Zou, “Optimization Effect Analysis of ACM-PSO Integrating Individual Adjustment and Cross Operation on Microgrid DG Technology,” IEEE Access, vol. 11, pp. 59954-59967, 2023.
[17] Y. Wang et al., “Optimal Operation Strategy for Multi-Energy Microgrid Participating in Auxiliary Service,” IEEE Transactions on Smart Grid, vol. 14, no. 5, pp. 3523-3534, Sept. 2023.
[18] D. A. Quijano, M. Vahid-Ghavidel, M. S. Javadi, A. Padilha-Feltrin and J. P. S. Catalão, “A Price-Based Strategy to Coordinate Electric Springs for Demand Side Management in Microgrids,” IEEE Transactions on Smart Grid, vol. 14, no. 1, pp. 400-412, Jan. 2023.
[19] G. Abdulnasser, A. Ali, M. F. Shaaban and E. E. M. Mohamed, “Optimizing the Operation and Coordination of Multi-Carrier Energy Systems in Smart Microgrids Using a Stochastic Approach,” IEEE Access, vol. 11, pp. 58470-58490, 2023.
[20] L. Ahmethodžić, M. Musić and S. Huseinbegović, “Microgrid Energy Management: Classification, Review and Challenges,” CSEE Journal of Power and Energy Systems, vol. 9, no. 4, pp. 1425-1438, July 2023.
[21] B. Zeng and L. Zhao, “Solving two-stage robust optimization problems using a column-and-constraint generation method,” Operations Research Letters, vol. 41, pp. 457-461, 2013.
[22] S. Dehghan, N. Amjady, and A. Kazemi, “Two-Stage Robust Generation Expansion Planning: A Mixed Integer Linear Programming Model,” IEEE Transactions on Power Systems, vol. 29, pp. 584-597, 2014.
[23] Y. Guo and C. Zhao, “Islanding-aware robust energy management for microgrids,” IEEE Transactions on Smart Grid, vol. 9, pp. 1301-1309, 2016.
[24] Y. Qu, H. Wang, J. Wu, X. Yang, H. Yin, L. Zhou, “Robust optimization of train timetable and energy efficiency in urban rail transit: A two-stage approach,” Computers & Industrial Engineering, Volume 146, 106594, 2020.
[25] H.J. Kim, M.K. Kim, J.W. Lee, “A two-stage stochastic p-robust optimal energy trading management in microgrid operation considering uncertainty with hybrid demand response,” International Journal of Electrical Power & Energy Systems, Volume 124, 106422, 2021.

نص كامل:



حمید همتیان، محمد طلوع عسکری، میثم امیراحمدی، محمود سمیعی¬مقدم، مجید بابایی نیک

 

 

Technovations of Electrical Engineering in Green Energy System

Research Article                                                                         (2024) 4(1):85-96

 

Energy Management in Microgrids Using Compensators, Energy Storage Systems, Demand Response, and Integration of Renewable Energies

 

Hamid Hematian1, PhD Student, Mohammad Tolou Askari1, Assistant Professor, Meysam Amirahmadi1, Assistant Professor, Mahmoud Samiei Moghaddam2, Assistant Professor,

 Majid Babaeinik1, Assistant Professor

 

1 Department of Electrical Engineering, Semnan Branch, Islamic Azad University, Semnan, Iran

2Department of Electrical Engineering, Damghan Branch, Islamic Azad University, Damghan, Iran

 

Abstract:

This article examines the challenges of energy management in microgrids, considering the uncertainties associated with renewable energy sources, dynamic demand, and the presence of various devices such as batteries, distributed generation sources, and electric vehicles. The article introduces a complex optimization model designed for microgrid operations. This model focuses on mitigating the challenges of integrating power electronic generation units, managing demand within microgrids, and incorporating small-scale renewable energy sources. The goal of this model is to minimize various costs associated with energy losses, electricity purchases, load reduction, distributed generation operations, and battery costs over a 24-hour period. Simulations conducted on a test system demonstrate that the proposed model is effective, achieving up to a 20% reduction in microgrid operational costs. This approach provides an effective framework for enhancing the flexibility and efficiency of microgrid energy management, and the findings indicate that it outperforms comparative methods by a margin of at least 8%, demonstrating its effectiveness in improving critical indices in the microgrid system.

Keywords: Microgrid, Battery, Demand side management, Renewable energy sources.

 

 

 

 

 

Received: 24 March 2024

Revised: 03 June 2024

Accepted: 28 June 2024

Corresponding Author: Dr. Mohammad Tolou Askari, [e-mail]

DOI: 10.30486/TEEGES.2025.1105734

 

 

فناوری‏های نوین مهندسی برق در سیستم انرژی سبز

         ..مقاله پژوهشی...       

 

مدیریت انرژی ریزشبکه­ها با استفاده از جبران‌کننده­ها، ذخیره‌سازها، پاسخ تقاضا و ادغام انرژی‌های تجدیدپذیر

حمید همتیان1، دانشجوی دکتری، محمد طلوع عسکری1، استادیار ، میثم امیراحمدی۱ ، استادیار ، محمود سمیعی­مقدم2، استادیار، مجید بابایی نیک1، استادیار

1- گروه مهندسي برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ايران

2- گروه  مهندسي برق، واحد دامغان، دانشگاه آزاد اسلامی، دامغان، ايران

 

چكيده: این مقاله به بررسی چالش‌های مدیریت انرژی در ریزشبکه می‌پردازد، با توجه به عدم قطعیت‌های مرتبط با منابع تجدیدپذیر، تقاضای پویا و وجود دستگاه‌های متنوع مانند باتری‌ها، منابع تولید توزیع‌شده، و وسایل نقلیه الکتریکی. در این مقاله، یک مدل بهینه‌سازی پیچیده معرفی شده است که برای عملیات ریزشبکه طراحی شده است. این مدل به کاهش چالش‌های ادغام واحدهای تولید الکترونیکی قدرت، مدیریت تقاضا در ریزشبکه‌ها، و ادغام منابع انرژی تجدیدپذیر در مقیاس کوچک تمرکز دارد. هدف این مدل کاهش هزینه‌های مختلف مرتبط با تلفات انرژی، خرید برق، کاهش بار، عملیات منابع تولید پراکنده، و هزینه باتری در 24 ساعت است. شبیه‌سازی‌های انجام‌شده بر روی یک سیستم آزمایشی نشان می‌دهد که مدل پیشنهادی موثر بوده و تا 20 درصد کاهش هزینه عملیاتی ریزشبکه را داراست. این رویکرد یک چارچوب موثر برای تقویت انعطاف‌پذیری و افزایش کارایی مدیریت انرژی ریزشبکه فراهم می‌کند، و یافته‌ها نشان می‌دهند که با حداقل حاشیه 8 درصد، بهتر از روش‌های مقایسه‌ای عمل می‌کند و کارایی آن در افزایش شاخص‌های حیاتی در سیستم ریزشبکه را نشان می‌دهد.

 

واژه هاي كليدي: ریزشبکه، باتری، مدیریت سمت تقاضا، منابع انرژی تجدیدپذیر.

 

 

 

 

 

 

 

 

تاریخ ارسال مقاله: ۰۵/01/140۳

تاریخ بازنگری مقاله: 14/0۳/140۳

تاریخ پذیرش مقاله: 0۸/0۴/140۳

نویسنده­ی مسئول: دکتر محمد طلوع عسکری ، [e-mail]

DOI: 10.30486/TEEGES.2025.1105734

 

 

1-       مقدمه

چشم انداز انرژی جهانی در حال تغییری دگرگون کننده است و ریزشبکه ها به عنوان نقطه کانونی در پیگیری راه حل های انرژی پایدار، انعطاف پذیر و غیرمتمرکز ظاهر شده اند. ریزشبکه‌ها، سیستم‌های انرژی محلی و اغلب به هم پیوسته، یک راه امیدوارکننده برای برآوردن نیازهای در حال تحول جوامع، صنایع و زیرساخت‌های حیاتی هستند. با این حال، یکپارچه‌سازی و مدیریت موفق منابع انرژی متنوع در ریزشبکه‌ها چالش‌های بزرگی را ایجاد می‌کند که توسط عدم قطعیت‌های ذاتی مرتبط با منابع تجدیدپذیر، الگوهای نوسان تقاضا، و ادغام تعداد زیادی از دستگاه‌ها، از جمله باتری‌ها، منابع تولید توزیع‌شده، وسایل نقلیه الکتریکی تشدید می‌شود. و دستگاه های جبرانی در میان این چشم‌انداز پیچیده، این مقاله به دنبال رسیدگی به مسائل مبرمی است که مانع مدیریت بهینه انرژی ریزشبکه می‌شود. تمرکز اصلی به سمت توسعه یک مدل پیچیده بهینه‌سازی روز آینده است که به صراحت برای عملیات ریزشبکه¹ (MG) طراحی شده است. این مدل برای هدایت و کاهش چالش‌های ناشی از ادغام واحدهای تولید مبتنی بر الکترونیک قدرت، ماهیت غیرقابل پیش‌بینی تقاضا در ریزشبکه‌ها و ترکیب منابع انرژی تجدیدپذیر در مقیاس کوچک طراحی شده است.

 در [1]، یک مدیریت توان دینامیکی تطبیقی² (ADPM) و تئوری اجزای متقارن آنی پیشرفته³ (EISCT) برای رسیدگی به چالش‌ها در ریزشبکه‌های باتری PV-بادی معرفی شده‌اند، و مسائلی مانند کیفیت ضعیف برق و ناپایداری شبکه را کاهش می‌دهند. در [2]، یک چارچوب جریان توان هارمونیک بهینه⁴ (OHPF) برای برنامه ریزی روزانه یک ریزشبکه متصل به شبکه ارائه شده است که به مسائل کیفیت توان (PQ) ناشی از الکترونیک قدرت و بارگذاری نامتعادل می پردازد. در [3]، یک بهینه‌سازی دو هدفه مبتنی بر چارچوب⁵ MINLP برای افزایش انعطاف‌پذیری ریزشبکه با استفاده از مفهوم توان به هیدروژن پیشنهاد شده است که عملیات مستقل را ممکن می‌سازد. در [4]، یک چارچوب عملیات قوی قابل تنظیم کاملاً غیرمتمرکز برای شبکه‌های توزیع فعال با ریزشبکه‌های چندگانه (MMG)⁶ پیشنهاد شده است که به استقلال و ناهمگنی عوامل فردی می‌پردازد. در [5]، یک رویکرد بازی Stackelberg برای به اشتراک گذاری انرژی ریزشبکه قوی، با در نظر گرفتن عدم قطعیت در انرژی تجدیدپذیر، سیستم های ذخیره سازی، و مصرف بار، پیشنهاد شده است. در [6]، یک مدل برنامه‌ریزی غیرخطی عدد صحیح مختلط (MINLP) برای مکان‌یابی بهینه، انتخاب فناوری و عملکرد سیستم‌های ذخیره انرژی باتری⁷ (BESS) در ریزشبکه‌ها، با در نظر گرفتن تولید پراکنده متغیر و تقاضای انرژی با استفاده از روشی با Chu پیشنهاد شده است. الگوریتم ژنتیک موازی و بیزلی⁸ (PGLB). در [7]، یک روش عملیات کم کربن برای ریزشبکه ها پیشنهاد شده است که به چالش انتشار کربن بالا با توجه به واحدهای جفت انرژی-کربن مانند ژنراتورهای توزیع شده و بارهای صنعتی می پردازد. در [8]، نویسندگان یک رویکرد تخصیص بهینه خازن در ریزشبکه‌های جزیره‌ای با استفاده از الگوریتم جستجوی هارمونی (HSA)⁹ پیشنهاد کردند. در [9]، نویسندگان یک استراتژی عملیات اقتصادی کم کربن برای ریزشبکه های انرژی یکپارچه چندگانه (IEMs) بر اساس یک مدل بازی دولایه Stackelberg پیشنهاد کردند. در [10]، نویسندگان یک چارچوب اصلاحی زمان‌بندی مبتنی بر داده‌ها را برای عملکرد ریزشبکه‌های ایزوله تحت سلطه منابع تجدیدپذیر که با ذخیره‌سازی باتری فصلی ترکیبی یکپارچه شده‌اند، توسعه دادند. در [11]، نویسندگان یک مدل عملیات اقتصادی کم کربن نظیر به نظیر (P2P)¹⁰ چند ریزشبکه ای را بر اساس تئوری چانه زنی نش با در نظر گرفتن هماهنگی سه شکل انرژی (الکتریسیته، گرما و گاز)، عدم قطعیت در هر دو ایجاد کردند. طرف منبع و بار، و اهداف عملیات کم کربن. در [12]، یک مدل دو مرحله ای از نظر توزیع قوی برای طراحی و بهره برداری بهینه سیستم های چند ریزشبکه جزیره­ای (MMG) با استفاده از روش مبتنی بر تولید ستون و محدودیت (CCG)¹¹ پیشنهاد شده است. در مرجع [13]، استفاده پیشنهادی از پلت‌فرم‌های دیجیتال برای خودکارسازی ارزیابی قابلیت اطمینان ریزسیستم‌ها در حوزه فناوری‌های انرژی مدرن شامل استفاده از روش‌های یادگیری ماشین با دو الگوریتم است که برای تجزیه و تحلیل شاخص‌های رژیم و ارزیابی قابلیت اطمینان طراحی شده‌اند. در [14]، یک مدل محدب مبتنی بر داده برای عملکرد ریزشبکه های هیبریدی AC/DC (HMs) با مبدل های دو طرفه (BDCs) با استفاده از روش تقریب حداقل مربعات با توابع وزن مبتنی بر داده برای خطی کردن رفتار بازده BDC پیشنهاد شده است. . در [15]، یک رویکرد برنامه ریزی و بهره برداری ریزشبکه اختصاصی، به ویژه برای پشتیبانی از یک شبکه توزیع (DN) با ذخیره سازی هیدرولیک پمپ شده (PHS) پیشنهاد شده است. در [16]، یک مدل بهینه‌سازی توان ریزشبکه متصل به شبکه مبتنی بر ادغام ریزشبکه و وسایل نقلیه الکتریکی با استفاده از الگوریتم بهینه‌سازی ازدحام چند ذره متقاطع تطبیقی (ACM-PSO) پیشنهاد شده است. در [17]، پتانسیل ناشناخته ریزشبکه های چند انرژی (MEMG) به عنوان نیروگاه های مجازی (VPP) در بازارهای خدمات کمکی (AS) با استفاده از تئوری بازی Stackelberg و پاسخ تقاضای یکپارچه (IDR) پرداخته شده است. در [18]، یک استراتژی مبتنی بر قیمت برای هماهنگی فنرهای الکتریکی (ES) در ریزشبکه ها پیشنهاد شده است که بر مزایای اقتصادی بارهای هوشمند تمرکز دارد. در [19]، یک رویکرد بهینه‌سازی چند هدفه تصادفی برای عملکرد و هماهنگی بهینه هاب‌های انرژی (EHs)، منابع انرژی تجدیدپذیر (RES)، و وسایل نقلیه الکتریکی پلاگین (PEVs) در ریزشبکه‌های هوشمند ارائه شده است. در [20]، ادبیات گسترده ای در مورد مدیریت انرژی سیستم های کنترل ریزشبکه بررسی شده و چالش ها در کنترل کلی و عملیات پایدار مورد بحث قرار گرفته است. در [21] الگوریتمی مبتنی بر تولید ستون و محدودیت برای حل مسائل بهینه­سازی دو سطحی ارائه شده است. در [22] از الگوریتم تولید ستون و محدودیت برای حل مسائل غیر قطعی در برنامه­ریزی سیستم قدرت استفاده شده است. در [23] و [24] بهینه­سازی مقاوم ریزشبکه­ها با در نظر گرفتن عوامل محیطی و سرایط آب و هوایی بررسی شده است. در [25] یک مدیریت انرژی دو مرحله­ای برای بهینه­سازی ریزشبکه­ها تحت عدم قطعیت در بهره­برداری ارائه شده است. در [26] یک مدیریت انرژی چند هدفه برای بهینه­سازی ریزشبکه­های برقی حرارتی ارائه شده است. در [27] یک مبدل دو ورودی جدید با کلیدزنی نرم برای سیستم­های هیبرید انرژی سبز پیشنهاد شده است.

انگیزه مقاله در پرداختن به چالش های پیچیده مرتبط با مدیریت انرژی ریزشبکه، به ویژه در زمینه مربوط به منابع تجدیدپذیر، الگوهای تقاضای پویا، و مجموعه متنوعی از دستگاه های موجود در ریزشبکه ها، از جمله باتری ها، منابع تولید توزیع شده، و دستگاه های جبران­ساز نهفته است. نویسندگان نیاز به یک مدل بهینه سازی پیچیده را که به طور خاص برای عملیات ریزشبکه طراحی شده است، برجسته می کنند. نویسندگان بر اهمیت پرداختن به یک عملکرد چندهدفه که هدف آن به حداقل رساندن هزینه‌های مختلف مربوط به تلفات انرژی، خرید برق، کاهش بار، عملیات DG و هزینه‌های مربوط به باتری‌ها در یک دوره 24 ساعته است، تاکید می‌کنند. نویسندگان اثربخشی مدل پیشنهادی و الگوریتم راه‌حل خود را از طریق شبیه‌سازی‌های عددی انجام‌شده بر روی یک سیستم آزمایشی تأیید می‌کنند. نتایج نشان‌دهنده کاهش قابل‌توجهی در هزینه عملیاتی ریزشبکه است، که از این ادعا حمایت می‌کند که رویکرد پیشنهادی کارایی مدیریت انرژی ریزشبکه را افزایش می‌دهد در حالی که یک چارچوب موثر برای تقویت انعطاف‌پذیری سیستم ریزشبکه ارائه می‌دهد.

جدول (1): مقایسه بین روش و رویکرد این مقاله با سایر مطالعات پیشین

مرجع	مدل	چند هدفه	ESS	جبران کننده	پاسخ به تقاضا	بار واکنشی	تجدید پذیر
این مطالعه	MILP	P	P	P	P	P	P
[1]	NLP	-	P	-	-	P	P
[2]	MILP	P	P	-	P	P	P
[3]	MINLP	P	-	-	-	P	P
[4]	MIQP	P	P	-	-	P	P
[5]	MINLP	-	P	-	P	-	P
[6]	MINLP	P	P	-	-	-	-
[7]	MILP	-	P	-	-	P	P
[8]	NLP	-	-	P	P	P	-
[9]	NLP	-	P	-	-	-	P
[10]	NLP	-	P	-	-	-	P
[11]	MINLP	-	-	-	-	-	P
[12]	MILP	-	-	-	-	-	P
[13]	NLP	-	P	-	-	-	P
[14]	LP	-	-	-	-	P	P
[15]	NLP	-	P	-	-	-	P
[16]	NLP	P	P	-	-	-	P
[17]	NLP	P	P	-	P	-	P
[18]	MINLP	P	P	-	P	-	P
[19]	NLP	P	P	-	P	-	P

جدول (1) تطبیق پذیری مدل پیشنهادی را نشان می دهد که از سایر مطالعات از نظر پرداختن به چالش های مختلف و ترکیب طیف گسترده ای از اجزا برای عملکرد بهینه ریزشبکه بهتر عمل می کند.

این مقاله با پرداختن به یک شکاف تحقیقاتی خاص و پیشنهاد یک مدل بهینه‌سازی پیچیده، کمک قابل توجهی به حوزه عملیات ریزشبکه می‌کند. در اینجا مشارکت ها و توضیحات کلیدی آمده است:

- این مقاله یک فرمول دقیق برای مدیریت انرژی ریزشبکه پیشنهاد می‌کند که جنبه‌های مختلفی از جمله استفاده بهینه باتری، استفاده از جبران‌کننده، و توزیع استراتژیک منابع تولید پراکنده را پوشش می‌دهد.

- مدل پیشنهادی دارای یک تابع چند هدفه با هدف به حداقل رساندن هزینه‌های مختلف مربوط به تلفات انرژی، خرید برق، کاهش بار، عملیات تولید پراکنده و هزینه‌های باتری/خودروی الکتریکی است. این نشان دهنده یک رویکرد جامع برای مدیریت انرژی ریزشبکه است.

- ساختار مدیریت انرژی ریزشبکه ها دقیقاً از طریق یک برنامه ریزی خطی عدد صحیح مختلط (MILP) مدل­سازی شده است. این نشان دهنده سطح بالایی از جزئیات و دقت در نمایش پیچیدگی های عملیات ریزشبکه است.

در بخش‌های بعدی این مقاله، مدل‌سازی پیشنهادی را ارائه می‌کنیم و سپس روش‌شناسی حل مسئله را توضیح می‌دهیم. متعاقباً نتایج شبیه‌سازی را مورد تجزیه و تحلیل قرار می‌دهیم و در نهایت ضمن ارائه پیشنهادهایی برای جهت‌گیری‌های تحقیقاتی آینده، نتیجه‌گیری می‌کنیم.

2-       مدل بهینه­سازی پیشنهادی

مسئله بهینه‌سازی ارائه‌شده بر مدیریت جامع انرژی ریزشبکه، با در نظر گرفتن عواملی مانند عملکرد بهینه باتری، استفاده از جبران‌کننده، و توزیع منابع تولید پراکنده (DG) متمرکز است. هدف عملکرد چند هدفه به حداقل رساندن هزینه های مرتبط با تلفات انرژی، خرید برق، کاهش بار، عملیات DG و هزینه باتری در یک دوره 24 ساعته است. این مدل معادلات و نابرابری‌های مختلفی را شامل می‌شود که نشان‌دهنده تعادل توان واقعی و راکتیو، محدودیت‌های استفاده از توان از شبکه بالادستی، محدودیت‌های مدیریت سمت تقاضا، ملاحظات بار انعطاف‌پذیر، تنظیمات توان اکتیو و راکتیو، محدودیت‌های ولتاژ، مدل‌سازی سیستم ذخیره‌سازی انرژی، محدودیت‌های عملیاتی برای منابع تجدیدپذیر، محدودیت‌های خازن و راکتور شنت، و تنظیمات بهینه برای تغییر تپ در ترانس (OLTC) و تنظیم‌کننده ولتاژ مرحله (SVR). این فرمول همچنین برای کاهش بارهای فعال و راکتیو، محدودیت‌های نرخ شیب‌دار برای DGها و مدل‌سازی بهینه برای شارژ و دشارژ باتری به حساب می‌آید .

در مسئله بهینه سازی ارائه شده، جنبه های مختلفی از مدیریت انرژی ریزشبکه در نظر گرفته شده است، از جمله شارژ و دشارژ باتری بهینه، استفاده موثر از جبران کننده، جبران کننده رگولاتور ولتاژ مرحله ای (SVR) و تغییر تپ ترانس OLTC، مدیریت منابع تولید پراکنده (DG). علاوه بر این، مدل تغییرات بار را در نظر می گیرد. تابع چند هدفه که توسط معادله (1) تعریف شده است، به دنبال به حداقل رساندن چندین عامل است: هزینه تلفات انرژی در 24 ساعت، هزینه های خرید برق از شبکه بالادست، هزینه های کاهش بار، هزینه های عملیات DG، و هزینه های عملیاتی باتری.

 

 

 

 

 

جدول (2): واژه­نامه

		(1)

 

معادلات (2) و (3) تعادل توان واقعی و راکتیو را در ریزشبکه نشان می‌دهند. معادلات (2) و (3) سبب می­شود تا تلفات توان اکتیو و راکتیو به حداقل برسد و تولید توان حقیقی و راکتیو با بار حقیقی و راکتیو متوازن باشد. این دو معادله از روابط حیاتی در بهینه­سازی سیستم­های قدرت می­باشد.

	مجموعه و شاخص
	مجموعه ای از گره های شبکه، نمایه شده توسط .
	مجموعه ای از خطوط شبکه، نمایه شده توسط .
	مجموعه ای از ساعت در روز، نمایه شده توسط .
	مجموعه نرخ گام برای OLTC و SVR، نمایه شده توسط .
	قرار دادن باس OLTC در سیستم قدرت.
	قرار دادن باس SVR در سیستم قدرت.
	پارامترها
	مقاومت و راکتانس خط به ترتیب.
،	حداکثر جریان توان اکتیو و راکتیو خط به ترتیب.
	هزینه قدرت خرید از پست.
	هزینه تخلیه بار.
	هزینه تلفات برق
	هزینه عملیات DG.
	هزینه عملیات ESS
،	به ترتیب بار فعال و راکتیو اولیه شبکه.
	توان خروجی واقعی منابع انرژی تجدیدپذیر در سناریوهای مختلف
	ضریب توان تولید پراکنده
	درصد تغییر بار در برنامه مدیریت سمت تقاضا.
	ظرفیت باتری.
،	حداقل و حداکثر SOC باتری به ترتیب.
،	حداکثر توان راکتیو SC و ShR به ترتیب.
،	نرخ ضربه زدن به ترتیب OLTC و SVR.
،	مجموعه ای از نرخ گام ها به ترتیب برای OLTC و SVR در نظر گرفته شده است.
	متغیرها
،	توان واقعی و راکتیو پست.
،	تقاضای اکتیو و راکتیو به ترتیب در برنامه DSM تغییر کردند.
	توان عملیاتی منابع انرژی تجدیدپذیر
،	قدرت شارژ و دشارژ باتری به ترتیب.
	قدرت واقعی تولید پراکنده
	سطح انرژی باتری.
،	راندمان شارژ و دشارژ باتری به ترتیب.
،	توان راکتیو SC و ShR به ترتیب.
	متغیرهای باینری
	وضعیت شارژ باتری
	متغیر باینری کمکی برای پیکربندی مجدد
	وضعیت فعال SC با مقدار 1 نشان داده می شود، در غیر این صورت، صفر است که نشان دهنده وضعیت فعال ShR است.
،	متغیرهای باینری اضافی برای مراحل SVR و OLTC.

 نابرابری های (4) و (5) به ترتیب نشان دهنده محدودیت های استفاده از توان اکتیو و راکتیو از شبکه بالادستی است.

	(2)
	(3)

 معادلات (6) و (7) محدودیت های کل بارهای فعال و راکتیو را در برنامه مدیریت سمت تقاضا مشخص می کند. این روابط نشان می دهد که در برنامه مدیریت سمت تقاضا، کل بار ریزشبکه می تواند کمتر از بارهای اولیه شبکه باشد. در اصل، این نشان دهنده در نظر گرفتن بارهای انعطاف پذیر در این مطالعه است.

	(4)
	(5)

 نابرابری های (8) و (9) به ترتیب میزان تغییر بار اکتیو و راکتیو را در طرح مدیریت سمت تقاضا بیان می کنند.

	(6)
	(7)

 محدودیت‌های (10) و (11) به ترتیب آستانه‌های عملکرد جریان توان اکتیو و راکتیو را در ریزشبکه مشخص می‌کنند.

	(8)
	(9)

 معادلات (12) و (13) به ترتیب محدودیت های ولتاژ را برای ریزشبکه و شین مرجع تعریف می کنند. شایان ذکر است که ولتاژ در این مقاله مربعی است.

	(10)
	(11)

 

 معادله (14) محدودیت در عملکرد توان واقعی از ژنراتورهای توزیع شده (DGs) را نشان می دهد.

	(12)
	(13)

 

معادلات (15) تا (19) مدل سازی سیستم های ذخیره انرژی در ریزشبکه را در بر می گیرد. معادله (15) حد توان تخلیه را تعیین می کند، در حالی که معادله (16) حد توان شارژ را مشخص می کند. معادله (17) نشان دهنده سطح انرژی در باتری است، با معادله (18) انرژی اولیه باتری را مشخص می کند. در نهایت، معادله (19) محدودیت انرژی باتری را مشخص می کند.

(14)

 معادله (20) مربع ولتاژ را در ریزشبکه تعریف می کند که در یک چارچوب مدل سازی محدب نشان داده شده است.

	(15)
	(16)
	(17)
	(18)
	(19)

معادله (21) حد عملیاتی را برای منابع انرژی تجدیدپذیر در ریزشبکه تعیین می کند که منابعی مانند باد و منابع فتوولتائیک (PV) را در بر می گیرد.

(20)

 محدودیت های (22) و (23) به ترتیب محدودیت های عملیاتی خازن و راکتور شنت را در ریزشبکه مشخص می کنند.

(21)

 معادلات (24) تا (26) تعیین تنظیمات تپ OLTC و مرحله تغییرات تپ را نشان می دهد. به همین ترتیب، روابط (27) تا (29) برای تنظیم کننده ولتاژ مرحله ای (SVR) اعمال می شود. قابل توجه است که تپ OLTC بر شین مرجع ریزشبکه تأثیر می گذارد، در حالی که تپ SVR بر ولتاژ بین دو گره تأثیر می گذارد.

	(22)
	(23)

 معادلات (30) و (31) به ترتیب قطع بارهای فعال و راکتیو در ریزشبکه را نشان می دهند. حدود نرخ رمپ بالا و پایین برای ژنراتورهای پراکنده (DGs) به ترتیب در معادلات (32) و (33) ارائه شده است.

	(24)
	(25)
	(26)
	(27)
	(28)
	(29)

3-       نتایج شبیه­سازی

رویکرد و مدل پیشنهادی برای ارزیابی عملکرد زیرساخت ریزشبکه 33 شینه اجرا شده است. در شکل 1، نمایش شماتیک ریزشبکه اجزای کلیدی مانند سیستم­های ذخیره انرژی، منابع تولید پراکنده و منابع انرژی تجدید پذیر را به نمایش می گذارد. قابل ذکر است که تغییرات تقاضای فعال و واکنش پذیر دارای حداکثر انحراف مجاز 20 درصد در نظر گرفته شده است. برای این مطالعه، سیستم‌های ذخیره‌سازی انرژی از نوع لیتیومی هستند که با راندمان عملیاتی 95٪ مشخص می‌شوند. برای انجام شبیه‌سازی، ما از روش و مدل پیشنهادی پیاده‌سازی شده در جولیا استفاده کردیم و آن را با استفاده از Gurobi 10 حل کردیم. ریزشبکه 33 گره نشان‌داده‌شده در شکل 1 شامل 32 خط است که بر حضور عناصر مختلف از جمله منابع فتوولتائیک (PV)، منابع باد تأکید می‌کند. (WD)، سیستم‌های ذخیره انرژی (ESS)، خازن‌های شنت (SC) و راکتورها (ShR)، ترانس (OLTC)، تنظیم‌کننده ولتاژ مرحله (SVR) و تولید پراکنده ( DG) منابع. این تجزیه و تحلیل جامع ما را قادر می سازد تا بینش هایی را در مورد تعاملات پویا و عملکرد ریزشبکه تحت سناریوهای مختلف به دست آوریم و زمینه را برای درک عمیق تری از ویژگی های عملیاتی آن و اثربخشی مدل پیشنهادی فراهم کنیم.

 

 

شکل (1): شماتیک ریزشبکه پیشنهادی

 

جدول (3) نتایج حالت متصل به شبکه را از روش پیشنهادی در مقایسه با روش 1 (بر اساس الگوریتم ژنتیک) در [24] و روش 2 (بر اساس الگوریتم بهینه سازی ازدحام ذرات) در [25] ارائه می دهد. تابع هدف، نشان دهنده هزینه کل، با روش پیشنهادی به حداقل می رسد و منجر به 89568 دلار می شود، در حالی که روش 1 و روش 2 هزینه های بالاتری به ترتیب 96526 دلار و 93916 دلار به همراه دارند. از نظر معیارهای انرژی، روش پیشنهادی به خرید انرژی 0.51 مگاوات ساعت دست می یابد که کمتر از روش 1 (0.524 مگاوات ساعت) و روش 2 (0.518 مگاوات ساعت) است. علاوه بر این، روش پیشنهادی تلفات (0.402 مگاوات ساعت)، قطع بار (0.29 مگاوات ساعت)، و انحراف ولتاژ (0.069 pu) را به طور موثرتری نسبت به روش‌های دیگر به حداقل می‌رساند. در نهایت، کارایی محاسباتی روش پیشنهادی در زمان CPU مشهود است که به 51 ثانیه نیاز دارد، در حالی که روش 1 و روش 2 به ترتیب 59 ثانیه و 61 ثانیه مصرف می کنند. این نتایج در مجموع اثربخشی و کارایی روش پیشنهادی را در بهینه‌سازی حالت متصل به شبکه ریزشبکه نشان می‌دهد. نتایج جالبی که از جدول مشاهده می‌شود این است که روش پیشنهادی نه تنها هزینه‌های کمتری دارد، بلکه نیاز به خرید انرژی و تلفات نیز کمتری دارد. علاوه بر این، باعث کاهش بار بیشتری می‌شود که این می‌تواند نشان‌دهنده بهره‌وری بالاتر و افزایش قابلیت اطمینان سیستم باشد. این نتایج می‌توانند به توسعه و پیاده‌سازی روش پیشنهادی به عنوان یک استراتژی موثر در مدیریت انرژی در حالت متصل به شبکه کمک کنند.

 

جدول (3): نتیجه حالت متصل به شبکه

	(30)
	(31)
	(32)
	(33)

	پیشنهاد شده	روش 1 در [24]	روش 2 در [25]
هدف ($)	89568	96526	93916
خرید انرژی (MWh)	0.51	0.524	0.518
تلفات (MWh)	0.402	0.426	0.421
کاهش بار (MWh)	0.29	0.489	0.394
انحراف ولتاژ (pu)	0.069	0.071	0.069
زمان CPU (ثانیه)	51	59	61

 

جدول (4) نتایج حالت جزیره ای به دست آمده از طریق روش پیشنهادی را نشان می دهد که با روش 1 در [24] و روش 2 در [25] در تضاد است. تابع هدف، نشان‌دهنده هزینه کل، با روش پیشنهادی به حداقل می‌رسد و منجر به 92744 دلار می‌شود. در مقایسه، روش 1 و روش 2 هزینه های بالاتری به ترتیب 99595 دلار و 97250 دلار دارند. از نظر معیارهای انرژی، روش پیشنهادی به خرید انرژی صفر، تلفات (0.326 مگاوات ساعت) و کاهش بار (1.125 مگاوات ساعت) دست می‌یابد که اثربخشی آن را در تضمین خودکفایی انرژی در طول عملیات حالت جزیره‌ای نشان می‌دهد. در مقابل، روش 1 و روش 2 مقادیر غیر صفر را برای این معیارها نشان می‌دهند که نشان‌دهنده استفاده کمتر کارآمد از منابع در حالت جزیره‌ای است. روش پیشنهادی همچنان در به حداقل رساندن انحراف ولتاژ (0.061 pu) در طول حالت جزیره ای برتری دارد و از روش 1 (0.064 pu) و روش 2 (0.062 pu) بهتر عمل می کند. کارایی محاسباتی روش پیشنهادی در زمان CPU منعکس می‌شود که به 198 ثانیه نیاز دارد. در مقابل، روش 1 و روش 2 به ترتیب 135 ثانیه و 114 ثانیه مصرف می کنند. این نتایج مجموعاً اثربخشی و کارایی روش پیشنهادی را در بهینه‌سازی حالت جزیره‌ای ریزشبکه برجسته می‌کند و بر قابلیت آن برای اطمینان از خودکفایی و قابلیت اطمینان در طول دوره‌های قطع از شبکه اصلی تأکید می‌کند. یکی از نتایج که از جدول برمی‌آید این است که در حالت جزیره، روش پیشنهادی به دلیل عدم نیاز به خرید انرژی، هزینه‌های کمتری دارد که این می‌تواند به شدت تأثیرگذار بر اقتصادی بودن سیستم باشد. همچنین، این روش باعث کاهش بار بیشتری نیز می‌شود که این امر می‌تواند نشاندهنده افزایش قابلیت اطمینان و انعطاف‌پذیری سیستم در شرایط جزیره‌ای باشد. این نتایج می‌توانند به عنوان انگیزه‌بخش برای استفاده از روش پیشنهادی در سیستم‌های انرژی مستقل و مناطق جزیره‌ای مورد استفاده قرار گیرند.

 

جدول (4): نتایج حالت جزیره

	پیشنهاد شده	روش 1 در [2۷]	روش 2 در [2۶]
هدف ($)	92744	99595	97250
خرید انرژی (MWh)	0	0	0
تلفات (MWh)	0.326	0.359	0.336
کاهش بار (MWh)	1.125	2.21	1.59
انحراف ولتاژ (pu)	0.061	0.064	0.062
زمان CPU (ثانیه)	198	135	114

 

4-       نتیجه­گیری

مدیریت انرژی ریزشبکه به دلیل پیچیدگی­های ذاتی مرتبط با منابع انرژی تجدیدپذیر، تقاضای پویا و طیف متنوعی از دستگاه ها، یک کار پیچیده و چالش برانگیز است. این مقاله یک مدل بهینه‌سازی روز آینده را پیشنهاد می‌کند که به طور خاص برای عملیات ریزشبکه طراحی شده است. این مدل به چالش‌های ناشی از ادغام واحدهای تولید مبتنی بر الکترونیک قدرت، ماهیت بار در ریزشبکه‌ها و ادغام منابع انرژی تجدیدپذیر در مقیاس کوچک می‌پردازد. این ویژگی فرمول‌بندی‌های دقیقی برای مدیریت انرژی ریزشبکه، شامل استفاده بهینه باتری، استفاده از جبران‌کننده، و توزیع استراتژیک منابع تولید پراکنده (DG) دارد. هدف عملکرد چند هدفه به حداقل رساندن هزینه های مختلف مربوط به تلفات انرژی، خرید برق، کاهش بار، عملیات DG و هزینه باتری در 24 ساعت است. شبیه‌سازی‌های عددی انجام‌شده بر روی یک سیستم آزمایشی، اثربخشی مدل پیشنهادی را تأیید می‌کند و کاهش قابل‌توجهی در هزینه عملیاتی ریزشبکه را نشان می‌دهد. رویکرد پیشنهادی یک چارچوب موثر برای تقویت انعطاف‌پذیری و افزایش کارایی مدیریت انرژی ریزشبکه ارائه می‌کند. یافته‌ها به طور قطعی نشان می‌دهد که رویکرد پیشنهادی با حداقل حاشیه 8 درصد از روش‌های قابل مقایسه بهتر عمل می‌کند و کارایی آن را در افزایش شاخص‌های حیاتی در سیستم ریزشبکه نشان می‌دهد.

 

مراجع

[1]        V. Gali, P. K. Jamwal, N. Gupta, and A. Kumar, “An adaptive dynamic power management approach for enhancing operation of microgrid with grid ancillary services,” Renewable Energy, vol. 219, no. 119413, 2023, doi: 10.1016/j.renene.2023.119413.

[2]        F. N. Budiman, M. A. Ramli, H. R. Bouchekara, and A. H. Milyani, “Optimal scheduling of a microgrid with power quality constraints based on demand side management under grid-connected and islanding operations,” International Journal of Electrical Power & Energy Systems, vol. 155, no. 109650, B, 2024, doi: 10.1016/j.ijepes.2023.109650.

[3]        V. Shahbazbegian, M. Shafie-Khah, H. Laaksonen, G. Strbac, and H. Ameli, “Resilience-oriented operation of microgrids in the presence of power-to-hydrogen systems,” Applied Energy, vol. 348, no. 121429, 2023, doi: 10.1016/j.apenergy.2023.121429.

[4]        X. Chen, J. Zhai, Y. Jiang, C. Ni, S. Wang, and P. Nimmegeers, “Decentralized coordination between active distribution network and multi-microgrids through a fast decentralized adjustable robust operation framework,” Sustainable Energy, Grids and Networks, vol. 34, no. 101068, 2023, doi: 10.1016/j.segan.2023.101068.

[5]        Ö. Erol, and Ü. B. Filik, “A Stackelberg game-based dynamic pricing and robust optimization strategy for microgrid operations,” International Journal of Electrical Power & Energy Systems, vol. 155, no. 109574, B, 2024, doi: 10.1016/j.ijepes.2023.109574.

[6]        B. Cortés-Caicedo, L. F. Grisales-Noreña, O. D. Montoya, and R. I. Bolaños, “Optimization of BESS placement, technology selection, and operation in microgrids for minimizing energy losses and CO2 emissions: A hybrid approach,” Journal of Energy Storage, vol. 73, no. 108975, B, 2023, doi: 10.1016/j.est.2023.108975.

[7]        Z. Li, B. Zhao, Z. Chen, C. Ni, J. Yan, X. Yan, X. Bian, and N. Liu, “Low-carbon operation method of microgrid considering carbon emission quota trading,” Energy Reports, vol. 9, pp. 379-387, 2023, doi: 10.1016/j.egyr.2023.03.045.

[8]        M. H. Parvaneh, M. H. Moradi, and S. M. Azimi, “The advantages of capacitor bank placement and demand response program execution on the optimal operation of isolated microgrids,” Electric Power Systems Research, vol. 220, no. 109345, 2023, doi.org/10.1016/j.epsr.2023.109345.

[9]        Y. Li, X. Zhang, Y. Wang, X. Qiao, S. Jiao, Y. Cao, Y. Xu, M. Shahidehpour, and Z. Shan, “ Carbon-oriented optimal operation strategy based on Stackelberg game for multiple integrated energy microgrids,” Electric Power Systems Research, vol. 224, no. 109778, 2023, doi: 10.1016/j.epsr.2023.109778.

[10]        Z. Guo, W. Wei, J. Bai, and S. Mei, “Long-term operation of isolated microgrids with renewables and hybrid seasonal-battery storage,” Applied Energy, vol. 349, no. 121628, 2023, doi: 10.1016/j.apenergy.2023.121628.

[11]        J. Xu, and Y. Yi, “Multi-microgrid low-carbon economy operation strategy considering both source and load uncertainty: A Nash bargaining approach,” Energy Reports, vol. 263, no. 12571, 2023, doi: 10.1016/j.energy.2022.125712.

[12]        Z. Shi, T. Zhang, Y. Liu, Y. Feng, R. Wang, and S. Huang, “Optimal design and operation of islanded multi-microgrid system with distributionally robust optimization,” Electric Power Systems Research, vol. 221, no. 109437, 2023, doi: 10.1016/j.epsr.2023.109437.

[13]        D. Krupenev, N. Komendantova, D Boyarkin, and D. Iakubovskii, “Digital platform of reliability management systems for operation of microgrids,” Energy Reports, vol. 10, pp. 2486-2495, 2023, doi: 10.1016/j.egyr.2023.09.048.

[14]        Z. Liang, Z. Dong, C. Li, C. Wu, and H. Chen, “A Data-Driven Convex Model for Hybrid Microgrid Operation With Bidirectional Converters,” IEEE Transactions on Smart Grid, vol. 14, pp. 1313-1316, 2023, doi: 10.1109/TSG.2022.3193030.

[15]        O. M. Adeyanju, P. Siano, and L. N. Canha, “Dedicated Microgrid Planning and Operation Approach for Distribution Network Support With Pumped-Hydro Storage,” IEEE Transactions on Industrial Informatics, vol. 19, no. 7, pp. 8229-8241, 2023, doi: 10.1109/TII.2022.3216299.

[16]        L. Tang, E. Shang, X. Chen, L. Li, and S. Zou, “Optimization Effect Analysis of ACM-PSO Integrating Individual Adjustment and Cross Operation on Microgrid DG Technology,” IEEE Access, vol. 11, pp. 59954-59967, 2023, doi: 10.1109/ACCESS.2023.3285276.

[17]        Y. Wang, Y. Li , Y. Cao, M. Shahidehpour, L. Jiang, Y. Long, Y. Deng, and W. Li, “Optimal Operation Strategy for Multi-Energy Microgrid Participating in Auxiliary Service,” IEEE Transactions on Smart Grid, vol. 14, no. 5, pp. 3523-3534, 2023, doi: 10.1109/TSG.2023.3250482.

[18]        D. A. Quijano, M. Vahid-Ghavidel, M. S. Javadi, A. Padilha-Feltrin, and J. P. S. Catalao, “A Price-Based Strategy to Coordinate Electric Springs for Demand Side Management in Microgrids,” IEEE Transactions on Smart Grid, vol. 14, no. 1, pp. 400-412, 2023, doi: 10.1109/TSG.2022.3188847.

[19]        G. Abdulnasser, A. Ali, M. F. Shaaban, and E. E. M. Mohamed, “Optimizing the Operation and Coordination of Multi-Carrier Energy Systems in Smart Microgrids Using a Stochastic Approach,” IEEE Access, vol. 11, pp. 58470-58490, 2023, doi: 10.1109/access.2023.3284311.

[20]        L. Ahmethodžić; M. Musić; S. Huseinbegović, “Microgrid Energy Management: Classification, Review and Challenges," CSEE Journal of Power and Energy Systems,” vol. 9, no. 4, pp. 1425-1438, 2023, doi: 10.17775/CSEEJPES.2021.09150.

[21]        B. Zeng, and L. Zhao, “Solving two-stage robust optimization problems using a column-and-constraint generation method,” Operations Research Letters, vol. 41, no. 5, pp. 457-461, 2013, doi: 10.1016/j.orl.2013.05.003.

[22]        S. Dehghan, N. Amjady, and A. Kazemi, “Two-Stage Robust Generation Expansion Planning: A Mixed Integer Linear Programming Model,” IEEE Transactions on Power Systems, vol. 29, no. 2, pp. 584-597, 2014, doi: 10.1109/TPWRS.2013.2287457.

[23]        Y. Guo, and C. Zhao, “Islanding-Aware Robust Energy Management for Microgrids,” IEEE Transactions on Smart Grid, vol. 9, no. 2, pp. 1301-1309, 2018, doi: 10.1109/TSG.2016.2585092.

[24]        Y. Qu, H. Wang, J. Wu, X. Yang, H. Yin, and L. Zhou, “Robust optimization of train timetable and energy efficiency in urban rail transit: A two-stage approach,” Computers & Industrial Engineering, vol. 146, no. 106594, 2020, doi: 10.1016/j.cie.2020.106594.

[25]        H. Kim, M. Kim, and J. Lee, “ A two-stage stochastic p-robust optimal energy trading management in microgrid operation considering uncertainty with hybrid demand response,” International Journal of Electrical Power & Energy Systems, vol. 124, 106422, 2021, doi: 10.1016/j.ijepes.2020.106422.

[26]        E. Akhavan Maroofi, M. Samiei Moghaddam, A. Azarfar, R. Davarzani, and M. Vahedi , “ Presenting a Multi-Objective Stochastic Integrated Energy Management Model in Electrical and Thermal Microgrids by Locating CHP and Battery Sources, Thermal Storage and Demand Side Management,” Technovations of Electrical Engineering in Green Energy System, vol. 3, pp. 62-82, 2024, doi: 10.30486/teeges.2024.1999965.1106.

[27]        A. Abdulkadhim Issa, and M. H. Ershadi, “A New Soft Switching Two Input Converter for Hybrid Green Energy Systems,” Technovations of Electrical Engineering in Green Energy System, vol. 3, pp. 48-61, 2024, doi: 10.30486/teeges.2024.2001875.1115.

 

فناوری‏های نوین مهندسی برق در سیستم انرژی سبز، سال چهارم، شماره ۱، بهار ۱۴۰۴                                            5

---

[1]  Micro-grid

[2]  Adaptive dynamic power management

[3]  Theory of advanced instantaneous symmetric components

[4]  Optimal harmonic power flow

[5]  Mixed integer nonlinear programming

[6]  Multiple microgrids

[7]  Battery energy storage systems

[8]  Parallel genetic algorithm and beasley

[9]  Harmony search algorithm

[10]  Peer-to-Peer

[11]  A column-and-constraint generation algorithm