مديريت بهينه و تصادفي ريزشبكه مبتني بر سيستم فازي - عصبي تطبيقي توسط كنترل توان خط تبادلي به‌وسيله تجهيزات D-FACTS

Stochastic Optimal Energy Management of Microgrid Based on Adaptive Neuro-Fuzzy Inference System by Transmission Line Power Control with D-FACTS Equipment

در اين مقاله، بر روي برنامه‌ريزي بهينه ريزشبكه مبتني بر سيستم فازي- عصبي تطبيقي كه در حضور بارهاي الكتريكي و گرمايي، منابع انرژي تجديدپذير (باد و خورشيد)، CHP، منابع انرژي مرسوم (ميكروتوربين و بويلر)، سيستم‌هاي ذخيره انرژي (ذخاير الكتريكي و گرمايي) و تجهيزات D-FACTS است، تمركز خواهد شد. تجهيزات D-FACTS بر روي خط ارتباطي بين ريزشبكه و خط اصلي نصب شده تا امكان تبادل توان افزايش يابد. در برنامه‌ريزي مطرح‌شده، سرعت باد، تابش خورشيد و بارها به‌صورت تصادفي در نظر گرفته خواهند شد. مسئله مطرح‌شده به‌صورت خطي عدد صحيح مقيد مدل شده و توابع هدف آن هزينه و آلودگي خواهد بود. نتايج نهايي نشان‌دهنده بهبود عملكرد ريز شبكه در حضور تجهيزات D-FACTS خواهد بود به‌طوري‌كه هزينه به مقدار قابل‌توجهي كاهش خواهد يافت. همچنين، نشان داده خواهد شد كه با استفاده از سيستم فازي - عصبي تطبيقي، با خطاي بسيار پايين، زمان شبيه‌سازي به مقدار قابل‌ توجهي كاهش خواهد يافت كه در سيستم‌هاي مديريتي با ابعاد بزرگ مي‌تواند بسيار كاربردي باشد. مسئله تصادفي چند هدفه مطرح‌شده با استفاده از روش محدوديت اپسيلون ارتقا يافته حل شده و تمامي نتايج با استفاده از نرم‌افزار GAMS 24.1.3/CPLEX12.5.1 به دست آمده است.

This paper focus on optimal scheduling of microgrid based on adaptive neuro-fuzzy inference system including thermal and electrical loads, renewable energy sources (solar and wind), CHP, conventional energy sources (boiler and micro turbine), energy storage systems (thermal and electrical storage), and D-FACTS devices. D-FACTS are included in the line between main network and microgrid to achieve more power transfer to the upstream grid. In the proposed planning, wind speed, solar radiation, and loads are modeled as uncertain parameters based on the stochastic approach. Problem is expressed as a linear, mixed integer, constrained, and multi objective optimization aiming at minimizing cost and pollution at the same time. Operation improvement is illustrated in final results by considering D-FACTS as cost is decreasedto a considerable amount. Also, will be shown that simulation time will be decreased to a noticeable amount that can be applicable in large scale management systems by using adaptive neuro-fuzzy inference system.The proposed multi objective and stochastic problem is solved using augmented Epsilon-constraint method. All results and calculations are calculated using GAMS24.1.3CPLEX12.5.1.