بخشی از مقاله
چکیده
در این مقاله، تحلیل اقتصادی مدیریت بار و مکان یابی خودروهای برقی به منظور بهبود پروفیل ولتاژ در شبکه هوشمند با حضور منابع انرژی بادی و خورشیدی انجام شده است. برای این منظور، تابع هدفی براساس انرژی جابه جا شده از زمان اوج باری به میان باری ، هزینههای شارژ انرژی در زمان اوج بار، میان باری و تقاضای وابسته به زمان و همچنین ماکزیمم تقاضای توان اوج بار و ماکزیمم تقاضای توان اوج بار بعد از مدیریت سمت تقاضا با در نظر گرفتن سود ناشی از خودروهای برقی فرمولبندی شده است. با این هدف، شبیهسازی در دو سطح مدیریت بار و پروفیل ولتاژ شبکه روی شبکه 37 شینه IEEE با طرح چندین سناریو بر هر سطح مطالعه انجام میشود. سطح اول و دوم مطروحه به ترتیب توسط نرمافزهای MATLAB و Digsilent انجام شده است. شبیه سازی براساس اطلاعات واقعی مصرف انرژی الکتریکی در سال 2011 در ایران استفاده شده است.
واژه های کلیدی:شبکه های هوشمند، خودروهای برقی، مدیریت بار، بهبود پروفیل ولتاژ، انرژیهای تجدیدپذیر
-1 مقدمه
میتوان از میتوان از ظرفیت باتری های خودروهای الکتریکی که در حال پارک هستند، بر حسب نیازی که سیستم قدرت دارد، به صورت بار یا مولد به عنوان ذخ ایر پراکنده انرژی در شبکه های هوشمند استفاده کرد .[2-1] از طریق یک مبدل دو طرفه میتوان برق باتری خودرو را به ساختمان انتقال داد و یا بالعکس و انعطافپذیری سیستم را بالا برد .[3] انتظار میرود که این موضوع قابلیت اطمینان سیسته قدرت را بهبود بخشد و از لحاظ اقتصادی مزایایی را نیز برای مشتریان داشته باشد. براین اساس مدیریت سمت تقاضا به عنوان یکی از راهکارهای پیش روی شرکتهای توزیع جهت تشویق مشتریان برای استفاده از خودروهای الکتریکی مطرح میشود .[2]
در [4]، مدلی براساس اجرای شیفت بار در شبکههای هوشمند با تعریف عواملی که برای مدیریت بار، تولید و ذخیرهسازها، پیشنهاد شده است. مرجع [5] یک روش پخش بار سهفاز انطباقی را برای شبکههای هوشمند با خودروهای هیبریدی الکتریکی پلاگین1 - PHEV - مطرح میکند که براساس چارچوب حلقهای مرجع توسعه یافته است. نویسندگان مرجع [6] یک روش تکراری که مدل تقاضای PEV و شبیهسازی سیستم قدرت را برای اثبات تنگناهای بالقوه وجود تقاضای انرژی PEV در شبکه ارائه کردهاند.مرجع [7] یک PHEV عملی را برای طراحی برنامههای کمک به بهینهسازی هزینه شارژ مصرفکنندهها با در نظر گرفتن محدوده ظرفیت تولید و قیمت برق دینامیکی در ساعتهای مختلف روز پیشنهاد میکند.
زاکریازاده و همکارانش یک برنامهی زمانبندی عملی چندهدفه را برای شارژ/دشارژ خودروهای الکتریکی در یم سیستم توزیع هوشمند پیشنهاد کردهاند. ساختار چندهدفه پیشنهادی براساس روش قید-ε تکمیل شده به منظور بهینهسازی هزینهی بهرهبرداری کل استوار است. مرجع [9] یک سیستم مدیریت انرژی برای شبکههای هوشمند با وسائل نقلیه الکتریکی براساس روش کنترل پیش بینی مدل سلسله مراتبی 2 ارائه میکند.در [10]، یک روش تست شبکه هوشمند - SGT - 3 در آزمایشگاه با مقیاس 250 کیلوولت آمپر، 0/4 کیلوولت شبکه توزیع انجام شده است. استراتژی کنترل مدیریت بار هوشمند بلادرنگ در [11] برای شارژ PEV براساس بهینهسازی بلادرنگ - مثلا هر 5 دقیقه - هزینه کل تونلید انرژی به همراه تلفات انرژی شبکه، پیشنهاد شده است.
نویسندگان در مرجع [12]، مدل جدیدی از مدیریت پاسخ بار براساس قیمت با در نظر گرفتن هزینه نوسان برای شبکه هوشمند آینده با تجمیع PHEV و ژنراتورهای توزیع شده تجدیدپذیر ارائه کردهاند.کیم و همکارانش در [13] یک سیستم قدرت با یک جمعکننده و چندین مصرفکننده با خودروهای الکتریکی در نظر گرفته و الگوریتمهای برنامهریزی بار الکتریکی نوینی را برای این منظور پیشنهاد کردهاند. هدف مرجع [14]، توسعه یک مدل ریاضی برای تجمیع خودروهای الکتریکی به شبکه است. با تجمیع خودرو الکتریکی، شبکه قادر به شارژی همزمان هزاران خودرو برقی و ایجاد پیک انرژی ساعتی به شبکه - یا از شبکه - خواهد بود.
نویسندگان مرجع [15]، مساله شارژ ناوگان خودروهای برقی توسط ساختمان با مدلسازی قیود شبکه حاصل از شارژ خودروهای برقی در مکانهای مختلف را فرمولبندی و حل کردهاند.هدف مقاله پیشرو، تحلیل اقتصادی مدیریت بار و مکان یابی خودروهای برقی به منظور بهبود پروفیل ولتاژ در شبکه هوشمند با حضور منابع انرژی بادی و خورشیدی ارائه شده است. این مقاله در پنج بخش و یک پیوست تدوین شده است. سیستم در بخش دوم مدلسازی شده و مبانی تحلیل اقتصادی مدیریت بار در سوم بخش مقاله ارائه شده است. نتایج شبیهسازی در بخش چهارم قابل مشاهده است. این تحقیق در بخش پنجم نتیجهگیری شده است. اطلاعات اولیه در پیوست الف ارائه شده است.
-2 مدلسازی سیستم
1-2 کنترل شارژ خودرو برقی تجمیع شده
به منظور تنظیم کامل نسبتهای شارژ بارهای خودرو برقی قابل انعطاف، در سیستمهای هوشمند، فرض میکنیم که شارژ مجموعه خودروها توسط یک جمعکننده4 که قادر به بهرهبرداری از سیستم توزیع است، انجام میشود .[16] خودرو برقی قادر به برقراری ارتباط به صورت بلادرنگ بوده و میتواند در نرخهای شارژ مختلف را دارد. در طول مدت دوره برنامهریزی شارژ، جمعکنندهها اطلاعاتی از منابع انرژی تجدیدپذیر و سایر منابع انرژی اضافی برای شارز هر خودرو برقی با نرخ شارژ معین شده توسط الگوریتم سرنامهریزی شارژ، را جمعآوری مینمایند. برای ایستگاهها هنگامیکه توان تجدیدپذیر بیش از مقدار مورد شارژ خودروی برقی است، توان تجدیدپذیر مازاد برای استفاده در آینده ذخیره نشده و به شبکه فروخته نمیشود. همنچنین، منابع قدرت تجدیدپذیر نزدیک به امکانات شارژ قرار می گیرد تا از ازدحام در انتقال توان جلوگیری شود .[18-17]
2-2 مدیریت سمت تقاضا - DSM - 5
در تجهیزات الکتریکی، DSM به صورت »برنامه ریزی، اجرا و نظارت فعالیتهای تجهیزات شبکه توزیع به منظور طراحی تاثیر استفاده مشتری از انرژی الکتریکی به صورتی که شاؤزهای موردنظر تولید در شکل بار« تعریف میشود، که شامل قطع اوج، پر کردن دره، بار تغییر، حفاظت استراتژیک، رشد بار استراتژیک، و شکل بار قابل انعطاف است. هرچند، برای مصرفهای، DSM اغلب به معنای بازدهی انرژی و پاسخ بار است. بازدهی انرژی به معنای برای کاهش مصرف انرژی الکتریکی در طول مدت تمامی ساعات سال است. پاسخ بار نیز شارژ در محل تقاضا در فواصل و زمانبندی معین تقاضای الکتریکی توسط انتقال شارژ برحسب قیمت، سیگنالهای کنترل بار یا سایر انگیزهها برای انعکاس تولید موجود و هزینههای ارسال است.
با اجرای فعالیتهای تعاونی بین تولید و مصرفکنندگان برای DSM، منافع مصرفکننده، تولید، و جامعه به صورت کامل بدست خواهد آمد که این امر در جدول - 1 - خلاصهنویسی شده است .[19در شبکههای هوشمند، صاحبان خودرو، خودروهای خود را در طول روز در یک چارچوب معین، شارژ خواهند کرد. به عنوان مثال، این مار ممکن است در محل کار یا در محل تحصیل انجام شود. تسهیلات پارکینگ باید امکان هم شارژ و هم دشارژ را برای باطریها در صورت لزوم فراهم آورد. ایده ارائه خدمات تجمع6 برای شارژی باتری در پارکینگ در زمان کمباری ساختمان و اجرای دشارژ در زمان پرباری ساختمان صورت میگیرد .[20]
-3 مبانی تحلیل اقتصادی مدیریت بار
برای محاسبه درآمد ناشی از مدیریت بار توسط خودروهای از رابطهای که بر اساس نرخگذاری ایالات متحده صورت گرفته است، استفاده میشود .[3] این رابطه بصورت زیر است:
که در آن، Eec انرژی جابه جا شده از زمان اوج باری به میان باری است - برحسب - kWh، rrconpeak، هزینه شارژ انرژی در زمان اوج بار - برحسب - kWh$، rrcmidpeak هزینه شارژ انرژی در زمان میان باری - برحسب - kWh$، t تعداد روزهای یک ماه، rtdc هزینه تقاضای وابسته به زمان - $/kWh - ، Pmax ماکزیمم تقاضای توان اوج بار - kW - ، Pdsm-max ماکزیمم تقاضای توان اوج بار بعد از مدیریت سمت تقاضا - . - kW
سود ناشی از خودروهای برقی به دلیل وجود مبدلها، شارژرها و سایر تجهیزات الکترونیکی بکار رفته در تکنولوژی خودروها - دیگر عوامل - باید بصورت زیر اصلاح گردد:
برای محاسبه صرفهی اقتصادی، نیاز به دانستن ساعات کمباری، میان باری و اوج بار هست. محدوده زمانی برای ساعات عادی، اوج بار و کم باری در ایران به تفکیک شش ماهه اول و دوم در پیوست الف آورده شده است. از آنجائیکه دادههای بار مصرفی مربوط به فصل تابستان میباشد، ما در این پایان نامه ازاطلاعات شش ماههی نخست بهره میگیریم. علاوه بر موارد فوق به اطلاعاتی مانند هزینه شارژ انرژی در زمان اوج بار، میان باری و کم باری نیاز است که در [21] ارائه شده است که از تعرفه های موجود در ایالت کالفرنیای آمریکا را استخراج شده است. با توجه به این که انواع متفاوتی از روشهای شارژ برای این خودروها وجود دارد، در [23-22] تعدادی از این روشها را جهت شارژ خودروها گردآوری نمودهایم.
در این بخش، برای مطالعه بارهای تجمیع شده از فرضیات زیر استفاده شده است:
·تعداد خودروهای الکتریکی هیبریدی 20 عدد در نظر گرفته شده است که از ساعت 8 صبح تا آخر شب - ساعت - 24 در دسترس هستند.
·ماکزیمم ظرفیت باتری هر خودرو 13 کیلووات ساعت در نظر گرفته شده است.
·برای شارژ خودروها از شارژ سطح 2 موجود در [21] استفاده میشود که توانایی آن را دارد تا باتری خودرو را در هر ساعت 4 کیلووات شارژ نماید.
·میزان مصرف باتری به ازای هر مایل رانندگی 0/36 کیلووات ساعت فرض شده است.
·هر ماشین به طور متوسط در روز 40 کیلومتر رانندگی میکند که از این میزان 20 کیلومتر برای رسیدن به محل کار و 20 کیلومتر برای بازگشت به خانه در نظر گرفته شده است.
·فرض میکنیم پارکینگی وجود دارد که توانایی شارژ و دشارژ را برای صدها خودرو دارد.
·تمامی صاحبان خودروها، وسایل نقلیهشان را در هنگام شب زمانی که هزینه شارژ پایین است، به طور کامل شارژ می کنند.
برای انجام مدیریت بار و تحلیل اقتصادی و مقایسه بهبودیهای حاصل شده، در این بخش چهار سناریوی مختلف در نظر گرفته می شود:
-1 سناریوی پایه: منحنی بار پیشبینی شده برای روز مورد نظر بدون هیچگونه تغییری مورد تحلیل اقتصادی قرار می گیرد.
-2 سناریوی :1 با توجه به اینکه مشترکین شبکه هوشمند دارای تجهیزات هوشمند هستند، می توانند تا %10 از بار مصرفی خود را به ساعات کمباری شیفت دهند. در این حالت منحنی بار جدیدی خواهیم داشت.
-3 سناریوی :2 همان سناریوی 1 می باشد با این تفاوت که در اینجا خوردروهای برقی نیز وارد محاسبات شده و منحنی بار جدیدتری با در نظر گرفتن شیفت بار سناریوی 1 و پیک سائی ناشی از خودروهای برقی به دست خواهد آمد.مصرف روزانه هر خودرو با مسافت 40 کیلومتر حدود 9 کیلووات- ساعت خواهد بود، در نتیجه 13-9=4 کیلووات-ساعت در باتری باقی خواهد ماند و با توجه به تعداد 20 خودروی موجود، 20*4=80 کیلووات- ساعت در کل ذخیره باتریها خواهد بود. بنابراین میتوان با این مقدار انرژی، در یک ساعت حدود 80 کیلووات توان تامین نمود.
با درنظر گرفتن منحنی بار سناریوی اول و اینکه مقدار بار در ساعت 23 حدود 721 کیلووات است، بنابراین با استفاده از خودروهای برقی، مقدار این توان را به 721-80=641 کیلووات میرسانیم. حال باید مسئله شارژینگ خودروها را در نظر گرفت. اگر از سطح شارژ 2 موجود در [31-30] بهره بگیریم، در اینصورت در هر ساعت 80*240=19/2 کیلووات توان عرضه می شود که می توان در کمتر از یک ساعت خودروی 13 کیلووات-ساعتی را شارژ کرد. بنابراین باری در حدود 20*13=260 کیلووات با توجه به منحنی بار شکل 2-5 که در آن ساعت 8 صبح کم بارترین است، به میزان بار این ساعت افزوده شده و مقدار جدید آن به 391+260=651 کیلووات خواهد رسید.
-4 سناریوی :3 منحنی بار نهایی با اعمال تولیدات تجدیدپذیر به سناریوی 2 به دست خواهد آمد که بهترین حالت ممکن را خواهد داشت.
مشاهده میشود که توان خورشیدی در ساعات میانی روز حداکثر و در ساعات شب صفر است. توان بادی نیز در ساعات شبانه مقادیر بیشتری داشته و در ساعات میانی روز مقادیر کمتری دارد.
در سناریوهای دوم و سوم به دلیل تامین بخشی از شبکه برق توسط خودروهای برقی، بر طبق رابطه - 1 - ، مشترکین شبکههای
