برنامه‌ريزي احتمالي انرژي در ريزشبكه شامل خودروهاي الكتريكي و منابع تجديدپذير

Stochastic Energy Scheduling in a Microgrid with Renewables and Electric Vehicles

با گسترش مفهوم ريزشبكه و هوشمندسازي شبكه­ هاي الكتريكي، امروزه منابع توليد پراكنده و ذخيره­ كننده­ ها با سرعت بيشتري به سيستم قدرت اضافه مي­ شوند. همچنين به دليل جدي­ تر شدن بحث آلودگي هوا، تعداد خودروهاي الكتريكي در بخش حمل و نقل رو به افزايش مي‌باشد كه اين موضوع موجب اضافه شدن بار الكتريكي شبكه مي‌گردد. با وجود زيرساخت‌هاي لازم و مديريت صحيح، خودروهاي الكتريكي مدرن مي­ توانند برخي اوقات به عنوان يك منبع انرژي به تامين بارهاي شبكه نيز كمك كنند. اين مقاله با توجه به قيمت بازار انرژي، قيمت پيشنهادي توسط منابع توليد پراكنده و همچنين خودروهاي الكتريكي موجود در ريزشبكه، مديريت انرژي روز آينده را براي منابع توليد و ذخيره مورد مطالعه قرار داده است. به دليل حضور منابع تجديدپذير و وجود عدم قطعيت در توليد، برنامه‌ريزي احتمالي دو مرحله‌اي پيشنهاد شده است. ساختار مساله به صورت برنامه­ ريزي احتمالي خطي مختلط با عدد صحيح مي­ باشد كه براي يك سيستم نمونه توسط نرم افزار GAMS شبيه­ سازي شده­ است. نتايج نشان مي‌دهند كه به كمك اين برنامه‌ريزي، مديريت ريزشبكه قادر خواهد بود تا قبل از مشخص شدن مقدار دقيق توليد منابع تجديدپذير برخي تصميمات را به صورت قطعي اتخاذ نمايد؛ به طوري كه مجموع هزينه‌ها‌ي بهره‌برداري مورد انتظار حداقل گردد.

The penetration level of distributed generation (DG) units in distribution system has rapidly increased in recent years. Due to the environmental concerns, interest has also grown in utilizing electric vehicles (EV) in the transportation sector, which would also result in increased electricity demand; however, modern electric vehicles can be used as energy storage units in V2G (vehicle-to-grid) operation mode. In this paper, the day-ahead energy scheduling of a microgrid consisting of a set of distributed generation units and electric vehicles has been studied. To this end, considering the uncertainty of photovoltaic outputs, a two-stage mixed-integer stochastic programming framework has been developed. The microgrid operator, using the proposed method, is able to fix some decisions optimally in a way that minimize the expected operating costs, while the accurate amount of uncertain parameters will be revealed later. The proposed day-ahead optimization has been implemented in GAMS and the results have been analyzed in a case study situation.