• صفحه اصلی
  • مدیریت توان راکتیو در شبکه توزیع با درنظرگرفتن عدم قطعیت‌ها در حضور تجهیزات جبران‌کننده توان راکتیو گسسته و پیوسته

اشتراک گذاری

آدرس مقاله


کد مقاله : 1401062939404 بازدید : 595 صفحه: 75 - 91

20.1001.1.16823745.1402.21.2.5.8

نوع مقاله: پژوهشی

مدیریت توان راکتیو در شبکه توزیع با درنظرگرفتن عدم قطعیت‌ها در حضور تجهیزات جبران‌کننده توان راکتیو گسسته و پیوسته

محورهای موضوعی : مهندسی برق و کامپیوتر

محبوبه اعتمادی زاده 1 (دانشگاه بیرجند)
مریم رمضانی 2 (دانشگاه بیرجند)
حمید فلقی 3 (دانشگاه بیرجند)

تاریخ دریافت : 1401/06/29 تاریخ پذیرش : 1401/12/22 تاریخ انتشار : 1402/07/05

کلید واژه: بانک‌های خازنی, پخش بار احتمالی, سیستم‌های ذخیره‌ساز انرژی, عدم قطعیت, مدیریت توان راکتیو, منابع تولید پراکنده,

چکیده مقاله :

سرعت افزایش سطح نفوذ منابع تولید پراکنده در شبکه قدرت و ماهیت تصادفی این منابع، نحوه بهره‌برداری و طراحی این شبکه‌ها را دستخوش تغییر کرده که مدیریت توان راکتیو در شبکه‌های توزیع از این دسته هستند. استفاده از این منابع در شبکه‌های توزیع بدون چالش نیست و عدم مدیریت بهینه توان راکتیو ممکن است که بهره‌وری‌های اقتصادی برای شبکه به همراه نداشته باشد. سیستم‌های ذخیره‌ساز انرژی، پتانسیل حل این مشکل را دارند؛ لذا در این مقاله، مدیریت توان راکتیو در یک ریزشبکه متصل به شبکه اصلی با درنظرگرفتن منابع تولید پراکنده (DG)، سیستم‌های ذخیره انرژی الکتریکی (BESS) و تجهیزات جبران‌کننده توان راکتیو گسسته شامل بانک‌های خازنی با درنظرگرفتن عدم قطعیت در بار شبکه و تولید توان نیروگاه بادی و خورشیدی انجام شده است. نهایتاً کارایی روش بیان‌شده با انجام مطالعات عددی بر روی شبکه‌های توزیع 33 و 69شینه IEEE و در محیط نرم‌افزار بهینه‌سازی GAMS پیاده‌سازی گردیده است.

چکیده انگلیسی:

The increasing rate of distributed generation resources expansion into power systems and the random nature of these resources have altered the operation and design of these networks, and reactive power management in distribution networks belongs to this category. The use of these resources in distribution networks is not without challenges and the lack of optimal management of reactive power may not bring economic efficiency for the network. Energy storage systems have the potential to solve this problem. Therefore, in this article, reactive power management in a microgrid connected to the main grid, taking into account distributed generation sources, energy storage systems and discrete reactive power compensating equipment, including capacitor banks, taking into account uncertainty in network load and Wind and solar power generation has been done. Finally, the efficiency of the method is demonstrated by numerical examinations on the distribution networks of 33 and 69 IEEE buses and in the GAMS optimization software.

منابع و مأخذ:

[1] S. Bolognani and S. Zampieri, "A distributed control strategy for reactive power compensation in smart microgrids," IEEE Trans. on Automatic Control, vol. 58, no. 11, pp. 2818-2833, Nov. 2013.
[2] T. Ding, S. Liu, Z. Wu, and Z. Bie, "A sensitivity-based relaxation and decomposition method to dynamic reactive power optimization considering DGs in active distribution networks," IET Generation, Transmission & Distribution, vol. 11, no. 1, pp. 37-48, Jan. 2017.
[3] C. Masters, "Voltage rise: the big issue when connecting embedded generation to long 11 kV overhead lines," Power Engineering J., vol. 16, no. 1, pp. 5-12, Feb. 2002.
[4] G. Liu, Y. Xu, and K. Tomsovic, "Bidding strategy for microgrid in day-ahead market based on hybrid stochastic/robust optimization," IEEE Trans. on Smart Grid, vol. 7, no. 1, pp. 227- 237, Jan. 2016.
[5] Y. J. Kim, J. L. Kirtley, and L. K. Norford, "Reactive power ancillary service of synchronous DGs in coordination with voltage control devices," IEEE Trans. on Smart Grid, vol. 8, no. 2, pp. 515-527, Mar. 2017.
[6] Y. Tian and Z. Li, "Research status analysis of reactive power compensation technology for power grid," in Proc. Condition Monitoring and Diagnosis, CMD'18, 7 pp., Perth, Australia, 23-26 Sept. 2018.
[7] O. D. Montoya and W. Gil-Gonzalez, "Dynamic active and reactive power compensation in distribution networks with batteries: a day-ahead economic dispatch approach," Computers and Electrical Engineering, vol. 85, Article ID: 106710, Jul. 2020.
[8] R. H. A. Zubo, G. Mokryani, and R. Abd-Alhameed, "Optimal operation of distribution networks with high penetration of wind and solar power within a joint active and reactive distribution market environment," Applied Energy, vol. 220, pp. 713-722, Jun. 2018.
[9] Y. Wang, et al., "Reactive power optimization of wind farm considering reactive power regulation capacity of wind generators," IEEE PES Innovative Smart Grid Technologies Asia, pp. 4031-4035, Chengdu, China, 21-24 May 2019.
[10] M. Forozan Nasab and J. Olamaei, "Reactive power management in micro grid with considering power generation uncertainty and state estimation," Signal Processing and Renewable Energy, vol. 3, no. 2, pp. 25-35, Jun. 2019.
[11] Q. Han, G. Xiaojing, G. Yifang, Z. Hongmei, and L. Zhipeng, "Optimization of the active distribution network operation considering the V2G mode of electric vehicles," in Proc. Int. Conf. on Power System Technology, POWERCON'18, pp. 4488-4493, Guangzhou, China, 6-8 Nov. 2018.
[12] H. Liu, et al., "Reactive power optimization of power grid with photovoltaic generation based on improved particle swarm optimization," in Proc. IEEE PES Innovative Smart Grid Technologies Asia, pp. 1536-1450, Chengdu, China, 21-24 May 2019.
[13] L. Chen, Z. Deng, and X. Xu, "Two-stage dynamic reactive power dispatch strategy in distribution network considering the reactive power regulation of distributed generations," IEEE Trans. on Power Systems, vol. 34, no. 2, pp. 1021-1032, Mar. 2019.
[14] M. Shaheen, H. Hasanien, and A. Alkuhayli, "A novel hybrid GWO-PSO optimization technique for optimal reactive power dispatch problem solution," Ain Shams Engineering J., vol. 12, no. 1, pp. 621-630, Mar. 2020.
[15] R. Ng Shin Mei, M. Sulaiman, Z. Mustaffa, and H. Daniyal, "Optimal reactive power dispatch solution by loss minimization using moth-flame optimization technique," Applied Soft Computing, vol. 59, pp. 210-222, Oct. 2017.
[16] A. Rabiee, H. Feshki Farahani, M. Khalili, and J. Aghaei, "Integration of plug-in electric vehicles into microgrids as energy and reactive power providers in market environment," IEEE Trans. on Industrial Informatics, vol. 12, no. 4, pp. 1312-1320, Aug. 2016.
[17] O. Gandhi, C. Rodriguez, W. Zhang, D. Srinivasan, and T. Reindl, "Economic and technical analysis of reactive power provision from distributed energy resources in microgrids," Applied Energy, vol. 210, pp. 827-841, Jan. 2018.
[18] M. Doostizadeh, M. Khanabadi, and M. Ettehadi, "Reactive power provision from distributed energy resources in market environment," in Proc. 26th Iranian Conf. on Electrical Engineering, ICEE'18, pp. 1362-1367, Mashhad, Iran, 8-10 May 2018.
[19] Y. Levron, Y. Beck, L. Katzir, and J. Guerrero, "Real-time reactive power distribution in microgrids by dynamic programing," IET Generation, Transmission & Distribution, vol. 11, no. 2, pp. 530- 539, Jan. 2017.
[20] X. Zhang, X. Wang, and X. Qi, "Reactive power optimization for distribution system with distributed generations based on AHSPSO algorithm," in Proc. China Int. Conf. on Electricity Distribution CICED'16, 4 pp., Xi'an, China, 10-13 Oct. 2016.
[21] M. Jie, D. Chaohua, Z. Xuexia, and W. Zhiyn, "Dynamic operation scenario reactive power optimization assessment with large-scale wind farm integration," IFAC PapersOnLine, vol. 51, no. 28, pp. 203-208, 2018.
[22] R. Hebin, G. Hongjun, L. Junyong, and L. Youbo, "A distributionally robust reactive power optimization model for active distribution network considering reactive power support of DG and switch reconfiguration," Energy Procedia, vol. 158, pp. 6358-6365, Feb. 2019.
[23] A. Samimi, M. Nikzad, and P. Siano, "Scenario-based stochastic framework for coupled active and reactive power market in smart distribution systems with demand response programs," Renewable Energy, vol. 109, pp. 22-40, Aug. 2017.
[24] O. Gandhi, W. Zhang, C. D. Rodriguez-Gallegos, and M. Bieri, "Analytical approach to reactive power dispatch and energy arbitrage in distribution systems with DERs," IEEE Trans. on Power Systems, vol. 33, no. 6, pp. 6522-6533, Nov. 2018.
[25] A. Samimi, "Probabilistic day-ahead simultaneous active/reactive power management in active distribution systems," J. of Modern Power Systems and Clean Energy, vol. 7, no. 6, pp. 1596-1607, Nov. 2019.
[26] V. Fernao Pires, A. V. Pombo, and J. M. Lourenco, "Multi-objective optimization with post-pareto optimality analysis for the integration of storage systems with reactive-power compensation in distribution networks," J. of Energy Storage, vol. 24, Article ID: 100769, Aug. 2019.
[27] A. Khandani and A. Akbari Foroud, "Design of reactive power and reactive power reserve market," IET Generation, Transmission & Distribution, vol. 11, no. 6, pp. 1443-1452, Apr. 2017.
[28] R. H. Liang and J. H. Liao, "A fuzzy-optimization approach for generation scheduling with wind and solar energy systems," IEEE-Trans. on Power Systems, vol. 22, no. 4, pp. 1665-1674, Nov. 2007.
[29] F. Samadi Gazuahani and J. Salehi, "Integrated DR and reconfiguration scheduling for optimal operation of microgrids using hong's point estimate method," International J. of Electrical Power and Energy Systems, vol. 99, pp. 481-492, Apr. 2018.
[30] S. Huang and K. R. Shih, "Short-term load forecasting via ARMA model identification including non-gaussian process considerations," IEEE Trans. on Power Systems, vol. 18, no. 2, pp. 673-679, May 2003.
[31] North Dakota Agriculture Weather Network. [Online], http://ndawn.ndsu.nodak.edu/wind-speeds.html.
[32] H. Geramifar, M. Shahabi, and T. Barforoshi, "Coordination of energy storage systems and DR resources for optimal scheduling of microgrids under uncertainties," IET Renewable Power Generation, vol. 11, no. 2, pp. 378-388, 2017.
[33] S. Fink, J. Rogers, C. Mudd, M. Buckley, C. Clark, and G. Hinkle, PJM renewable integration study: review of industry practice and experience in the integration of wind and solar generation, Tech Rep. GE Energy, Nov. 2012.
[34] A. Samimi, A. Kazemi, and P. Siano, "Economic-environmental active and reactive power scheduling of modern distribution systems in presence of wind generations: a distribution market-based approach," Energy Conver Manage, vol. 106, pp. 495-509, 2015.
[35] M. Braun, Provision of Ancillary Services by Distributed Generators, Ph.D Thesis Kassel University, 2008.
[36] M. R. Dorostkar, M. Fotuhi-Firuzabad, M. Lehtonen, and A. Safdarian, "Value of distribution network reconfiguration in presence of renewable energy resources," IEEE Trans. on Power Systems, vol. 31, no. 3, pp. 1879- 888, May 2016.
[37] S. F. Santos, et al., "Impacts of operational variability and uncertainty on distributed generation investment planning: a comprehensive sensitivity analysis," IEEE Trans. Sustain Energy, vol. 8, no. 2, pp. 855-869, Apr. 2017.
[38] M. A. Kashem, V. Ganapathy, G. B. Jasmon, and M. I. Buhari, "A novel method for loss minimization in distribution networks," in Proc. Int. Conf. on Electric Utility Deregulation and Restructuring and Power Technologies, pp. 251-256, London, UK, 4-7 Oct. 2000.
[39] C. Venkatesan, R. Kannadasan, M. Alsharif, M. K. Kim, and J. Nebhen, "A Novel Multiobjective Hybrid Technique for Siting and Sizing of Distributed Generation and Capacitor Banks in Radial Distribution Systems," Sustainability 2021, 13, 3308.
[40] -, EMC: Energy Market Company Price Information, https://www.emcsg.com/marketdata/priceinformation
[41] EMC: Use of System Charges, https://www.mypower.com.sg/ documents/tsusc.pdf, 2016.
[42] S. X. Chen, Y. S. F. Eddy, H. B. Gooi, M. Q. Wang, and S. F. Lu, "A centralized reactive power compensation system for LV distribution networks," IEEE Trans. on Power Systems, vol. 30, no. 1, pp. 274-284, Jan. 2015.
[43] M. E. Baran and F. F. Wu, "Optimal sizing of capacitors placed on a radial distribution system," IEEE Trans. on Power Delivery, vol. 2, no. 1, pp. 735-743, Jan. 1989.
متن کامل:
معرفي يک روش جديد خوشه‌يابي خودکار

نشریه مهندسی برق و مهندسی كامپیوتر ایران، الف- مهندسی برق، سال 21، شماره 2، تابستان 1402  75

مقاله پژوهشی

مدیریت توان راکتیو در شبکه توزیع با درنظرگرفتن عدم قطعیت‌ها 
در حضور تجهیزات جبران‌کننده توان راکتیو گسسته و پیوسته

محبوبه اعتمادی‌زاده، مریم رمضانی و حمید فلقی

 

 

1 

چكیده: سرعت افزایش سطح نفوذ منابع تولید پراکنده در شبکه قدرت و ماهیت تصادفی این منابع، نحوه بهره‌برداری و طراحی این شبکه‌ها را دستخوش تغییر کرده که مدیریت توان راکتیو در شبکه‌های توزیع از این دسته هستند. استفاده از این منابع در شبکه‌های توزیع بدون چالش نیست و عدم مدیریت بهینه توان راکتیو ممکن است که بهره‌وری‌های اقتصادی برای شبکه به همراه نداشته باشد. سیستم‌های ذخیره‌ساز انرژی، پتانسیل حل این مشکل را دارند؛ 
لذا در این مقاله، مدیریت توان راکتیو در یک ریزشبکه متصل به شبکه اصلی 
با درنظرگرفتن منابع تولید پراکنده (DG)، سیستم‌های ذخیره انرژی الکتریکی (BESS) و تجهیزات جبران‌کننده توان راکتیو گسسته شامل بانک‌های خازنی با درنظرگرفتن عدم قطعیت در بار شبکه و تولید توان نیروگاه بادی و خورشیدی انجام شده است. نهایتاً کارایی روش بیان‌شده با انجام مطالعات عددی بر روی شبکه‌های توزیع 33 و 69شینه IEEE و در محیط نرم‌افزار بهینه‌سازی GAMS پیاده‌سازی گردیده است.

 

کلیدواژه: بانک‌های خازنی، پخش بار احتمالی، سیستم‌های ذخیره‌ساز انرژی، عدم قطعیت، مدیریت توان راکتیو، منابع تولید پراکنده.

فهرست اصطلاحات

اندیس‌ها

        img0 و img0: تعداد سناریوها و شمارنده سناریو

        img0 و img0: تعداد ساعات پیش‌بینی و شمارنده ساعت

        img0: تعداد خطوط شبکه

        img0: تعداد منابع تولید پراکنده تجدیدپذیر

        img0: تعداد باتری‌ها

        img0: شمارنده منابع تولید پراکنده و باتری‌ها

        img0 و img0: شمارنده گره‌ها

پارامترها

        img0: سرعت وصل‌شدن توربین بادی [m/s]

        img0: سرعت نامی توربین بادی [m/s]

        img0: توان نامی توربین بادی [kW]

        img0: سرعت قطع‌شدن توربین بادی [m/s]

        img0: توان نامی نیروگاه خورشیدی [kW]

        img0: میزان تابش محیط در شرایط استاندارد ]2[W/m

        img0: میزان تابش ثابت بر حسب ]2[W/m

        img0: میانگین توزیع احتمالاتی بار شبکه

        img0: انحراف معیار توزیع احتمالاتی بار شبکه

        img0: تعداد پارامترهای "اتورگرسیو"

        img0: تعداد پارامترهای "میانگین حرکتی"

        img0: خطای داده img0ام

        img0: ثابت img0ام اتورگرسیو

        img0: ثابت img0ام میانگین حرکتی

        img0: میانگین سرعت باد در زمان img0

        img0: انحراف معیار سرعت باد در زمان img0

        img0: هزینه توان راکتیو شبکه [SGD/kVArh]

        img0: هزینه توان اکتیو شبکه [SGD/kWh]

        img0: هزینه پرداختی برای تولید توان اکتیو منابع تولید پراکنده [SGD/kWh]

        img0: حداکثر جریان انتقالی در خطوط توزیع [p.u.]

        img0: احتمال سناریوی img0ام

        img0: حداکثر توان ظاهری اینورتر منابع تولید پراکنده

        img0: حد پایین نرخ شارژ باتری [%]

        img0: حد بالای نرخ شارژ باتری [%]

        img0: حداقل توان شارژ و دشارژ باتری [kW]

        img0: حداکثر توان شارژ و دشارژ باتری [kW]

        img0: حداکثر توان ظاهری اینورتر باتری سیستم‌های ذخیره‌ساز انرژی [kVA]

        img0 و img0: بازده شارژ و دشارژ باتری

        img0: ظرفیت انرژی باتری img0ام [kWh]

        img0: حداقل توان راکتیو منابع تولید پراکنده [kVAr]

        img0: حداکثر توان راکتیو منابع تولید پراکنده [kVAr]

        img0: ماکسیمم توان راکتیو در دسترس منابع تولید پراکنده [kVAr]

        img0: هزینه دردسترس‌بودن منابع تولید پراکنده [$]

        img0: هزینه تلفات اضافی منابع تولید پراکنده img0

        img0: هزینه فرصت ازدست‌رفته منابع تولید پراکنده img0

        img0، img0، img0 و img0: متغیرهای باینری تعیین‌کننده ناحیه عملکرد منابع تولید پراکنده

        img0: تابع پرداخت توان راکتیو منبع تولید پراکنده img0ام

        img0: ولتاژ نقطه اتصال شبکه

        img0 و img0: ولتاژ و جریان اینورتر

        img0: راکتانس اینورتر

        img0، img0 و img0: ثابت‌های تجربی متناسب با منحنی ظرفیت اینورتر

متغیرها

        img0: هزینه تولید توان راکتیو توسط منبع تولید پراکنده img0ام در سناریوی img0 و زمان img0 [SGD/kVArh]

        img0: هزینه تولید توان راکتیو توسط باتری img0ام در سناریوی img0 و زمان img0 [SGD/kVArh]

        img0: میزان تابش خورشید در زمان img0 ]2[W/m

        img0: جریان انتقالی در خط اتصال گره img0 و img0 در سناریوی img0 و زمان img0 [p.u.]

        img0: توان خروجی توربین بادی [kW]

        img0: توان تولیدی نیروگاه‌های خورشیدی [kW]

        img0: توان مصرفی ریزشبکه‌ها [kW]

        img0: توان اکتیو دریافتی (تزریقی) از (به) شبکه در سناریوی img0 و زمان img0 [kW]

        img0: تقاضای توان اکتیو در گره img0ام در سناریوی img0 و زمان img0 [kW]

        img0: توان اکتیو تزریق‌شده به شبکه توسط منبع تولید پراکنده img0ام در سناریوی img0 و زمان img0 [kW]

        img0: تلفات توان در خط اتصال گره img0 و img0 در سناریوی img0 و زمان img0 [kW]

        img0: توان شارژ یا دشارژ باتری img0ام در سناریوی img0 و زمان img0 [kW]

        img0: تلفات توان اینورتر باتری img0ام در سناریوی img0 و زمان img0 [kW]

        img0: توان راکتیو دریافتی (تزریقی) از (به) شبکه در سناریوی img0 و زمان img0 [kVAr]

        img0: تلفات توان راکتیو در خط اتصال گره img0 و img0 در سناریوی img0 و زمان img0 [kVAr]

        img0: تقاضای توان راکتیو در گره img0ام در سناریوی img0 و زمان img0 [kVAr]

        img0: توان راکتیو تزریق‌شده به شبکه توسط منبع تولید پراکنده img0ام در سناریوی img0 و زمان img0 [kVAr]

        img0: توان راکتیو تزریق‌شده به شبکه توسط باتری img0ام در سناریوی img0 و زمان img0 [kVAr]

        img0: توان راکتیو الزامی منابع تولید پراکنده [kVAr]

        img0: تلفات توان ظاهری در خط اتصال گره img0 و img0 در سناریوی img0 و زمان img0 [kVA]

        img0: نرخ شارژ باتری img0ام در سناریوی img0 و زمان img0

        img0: ولتاژ گره img0ام در سناریوی img0 و زمان img0 [p.u.]

        img0: سرعت باد [m/s]

        img0: مقدار سری زمانی آرما در زمان img0

        img0: متغیر باینری نشان‌دهنده وضعیت شارژ باتری

        img0: متغیر باینری نشان‌دهنده وضعیت دشارژ باتری

1-       مقدمه

به دلیل نیاز روزافزون به دیماند توان راکتیو در سیستم‌های قدرت و اثر نامطلوب کمبود آن، تأمین و جبران توان راکتیو از اهمیت شایانی برخوردار است. جبران توان راکتیو موجب بهبود پروفیل ولتاژ و کاهش تلفات می‌شود و همچنین روشی برای فراهم‌کردن تنظیم ولتاژ در شبکه قدرت است [1]. خازن‌ها در شبکه توزیع به‌صورت گسترده‌ای به عنوان روشی ممکن و مقرون‌به‌صرفه در تأمین و جبران توان راکتیو به کار برده می‌شوند [2]. در سال‌های اخیر استفاده از منابع انرژی توزیع‌شده 2(DER) شامل تولیدات پراکنده 3(DG) و سیستم‌های ذخیره انرژی الکتریکی 4(ESS) جهت جبران توان راکتیو در شبکه‌های توزیع، گسترش روزافزونی یافته است. عرضه برق سازگار با محیط زیست، محدودیت ساخت خطوط انتقال جدید و کاهش استفاده از منابع سوختی از جمله مزایای تولیدات پراکنده می‌باشد [3]. تا کنون پژوهش‌های زیادی در زمینه بهینه‌سازی توان راکتیو در شبکه‌های توزیع انجام شده است. این پژوهش‌ها را در مورد بهینه‌سازی توان راکتیو در شبکه‌های توزیع می‌توان از دیدگاه‌های متفاوتی بررسی نمود که عبارت هستند از انواع تجهیزات موجود برای جبران‌سازی توان راکتیو [4] تا [12]، اجزای تابع هدف و هزینه‌های تأمین توان راکتیو [8] و [9]، مدل‌سازی عدم قطعیت [8] و [10] و مالکیت منابع تولید پراکنده و سیستم‌های ذخیره انرژی الکتریکی [11] و [12]. در پژوهش‌های مختلف از تجهیزات متفاوتی برای جبران و یا بهینه‌سازی توان راکتیو در شبکه‌های توزیع استفاده گردیده است [4] تا [12]. پژوهش‌های زیادی در زمینه بهینه‌سازی توان راکتیو در شبکه‌های توزیع با استفاده از تپ‌چنجر قابل تغییر زیر بار، بانک‌های خازنی و منابع تولید پراکنده (DG) انجام شده است [13] تا [15].

در برخی از پژوهش‌های انجام‌شده در زمینه بهینه‌سازی توان راکتیو