بخشی از مقاله
چکیده -
این مقاله به بررسی کنترل بار فرکانس - LFC - با استفاده از کنترلکننده PI و کنترل بهینه میزان شارژ باتری - SOC - خودروهای هیبریدی در یک سیستم قدرت بهمپیوسته هوشمند میپردازد. در این راستا، از یک سو خودروی برقی با قابلیت اتصال به شبکه - V2G - علاوه بر کاهش وابستگی سیستم تولید به واحدهای حرارتی، میتواند نقش اساسی در کاهش نوسانان فرکانس ناشی از تولید توان متناوب توسط توربین بادی باشد؛ از سویی دیگر با افزایش اتصال این خودروها به شبکه، لزوم بررسی تعادل LFC این خودروها به شبکه بیش از پیش احساس میشود.
بدین منظور با کنترل بهینه SOC خودروهای هیبریدی بر حسب تغییرات فرکانس سیستم قدرت در هماهنگ با کنترلکننده بار فرکانس می-توان با برطرف نمودن عدم تعادل عرضه ، تقاضا و نوسانات فرکانس را بهبود بخشید. به منظور تنظیم بهینه پارامترهای کنترلکننده PI، الگوریتم بهینهساز شیرمورچه - ALO - بکار گرفته میشود که الهام گرفته از طبیعت و مبتنی بر شکار میباشد. بر اساس نتایج شبیهسازی شده، کنترل-کننده PI مبتنی بر الگوریتم ALO عملکرد بهتری نسبت به PSO، پایداری پایه معیار زمان نشست انحراف فرکانس و کاهش چشمگیری از نوسانات فرکانس باحضور V2G مبتنی بر کنترل بهینهSOC در LFC سیستم قدرت دارد.
-1 مقدمه
در سالهای اخیر، محققان در زمینه کنترل بار فرکانس با استفاده از منابع انرژی تجدیدپذیر ایدههای مختلفی به منظور ایجاد تعادل بین تولید و تقاضا مطرح نموده اند. به کارگیری سطح گستردهای از خودرو های برقی و نحوه استفاده مشتریان از این خودروها تحول جدیدی در ساختار شبکههای قدرت به وجود آورده است.
در این راستا، منابع انرژی تجدیدپذیر جهت حصول در سطح گستردهای از پایداری فرکانس شبکه نیاز به باترهای ذخیرهساز انرژی در مقیاس بزرگ دارند. از سویی دیگر، در سیستم آینده حمل و نقل، خودروهای برقی می-توانند راه حل مناسبی برای کاهش وابستگی به سوختهای فسیلی و نیز کاهش مسائل زیست محیطی از قبیل آلودگی هوا و انتشار روز افزون گازهای گلخانهای در کلان شهرها باشد
علاوه بر این، تقاضای رو به رشدی برای نصب خودروهای برقی1PHEV به صورت بارهای قابل کنترل در شبکههای هوشمند آینده وجود دارد. از این رو استفاده از این تعداد خودرو در شبکه به طور چشمگیری مشکلاتی برای شبکه به وجود میآورد.
در این راستا، افزایش این خودروها بدون محاسبه و برنامه ریزی میزان شارژ باتری موجب برهم خوردن تعادل بین تولید و تقاضا میگردد. از این رو تغییرات فرکانس شبکه و ایجاد اختلال در نوسانات فرکانس را در پی خواهد داشت. از مزایای استفاده از خودروهای برقی در شبکه میتوان به کنترل توان خودروی متصل به شبکه - 2V2G - به منظور کمبود ظرفیت کنترل بار فرکانس نام برد
برای مثال، در بخش پروژههای انرژی ایالات متحده در سال 2015 حدود 1 میلیون از PHEVها به بازار عرضه شد که در این میان 425000 خودور به فروش رسید
در سایر کشورهای دیگر، مانند چین پیشبینی شده که تا سال 2050 حدود 2 میلیون از خودورهای برقی به منظور رانندگی استفاده شود .[6] بنابراین، میتوان از EVها متصل به شبکه جهت جلوگیری از انحراف فرکانس یک شبکه هوشمند در آینده به صورت ایدهال استفاده کرد
از این رو، با ادغام در مقیاس بزرگی از 3EV و 4PHV برای بخش حمل و نقل پتانسیل بزرگی از V2G را موجب میشود.[8] ادغام V2G به شبکه توسط EVها تا حد زیادی منجر به تنطیم تولید و تقاضا میگردد و کاربر EV هزینه تشویقی دریافت میکند.
استراتژهای کنترل V2G در LFC و بخش مدیریت انرژی سیستم در مفهوم کلی توان شبکه در[10] مطرح شده است. معمولا، ساختارهای کنترلکننده مانند جبرانگرهای پیشفاز-پسفاز، PI و غیره، در عمل به خاطر ساختار ساده و مرتبه پایین مطلوبتر هستند. به همین منظور از کنترلکننده PI برای کاهش دامنه تغییرات فرکانس شبکه در هنگام اوج بار در این مقاله استفاده شده است.
در این مقاله به بررسی عدم قطعیت پارامترها در اثر توان خروجی توربین بادی، بار متغیر در سیستم قدرت بهمپیوسته هوشمند می-پردازد. به منظور کنترل بهینه 5SOC خودروهای هیبریدی بر حسب تغییرات فرکانس سیستم کنترلکننده PI در سیستم قدرت پیشنهادی طراحی شده است. همچنین، از الگوریتم 6ALO جهت تنظیم بهینه پارامترهای کنترلکننده PI به منظور کاهش نوسانات فرکانس در سیستم تحت مطالعه استفاده شده است. در آخر، الگوریتم ALO مبتنی بر کنترل کننده PI با الگوریتم PSO در یک سیستم دو ناحیه-ای شامل توربین بادی، بار متغیر، نیروگاه حرارتی و V2G مقایسه شده اند. نتایج شبیه سازی برتری روش پیشنهادی را نشان میدهد.
-2 مدل سیستم
در شکل 1 یک سیستم قدرت شبکه بهمپیوسته هوشمند شامل توربین بادی، بار، LFC، V2G سیستم ذخیرهساز در هر دو ناحیه را نشان میدهد. V2G مبتنی بر PHEVs در این سیستم جهت جبران نامتعادلی توان واقعی در هر یک از نواحی زمانی که ظرفیت LFC کافی نباشد، اعمال شده است. این مشکل زمانی به طور چشمگیری رخ خواهد داد، که در طول شب ظرفیت LFC برای جبران تغییرات فرکانس کافی نباشد.
شکل :1 یک سیستم قدرت بهمپیوسته هوشمند.
ژنراتور حرارتی با توجه به تغییر ناگهانی توان از توربین بادی و تغییرات بار، ممکن است به دلیل پاسخ آرام دینامیکی نتواند توان کافی را جبران کند .[12] پیش بینی میشود که واکنش دینامیکی سریع PHEVهای متعدد مبتنی بر باتری خودرو در حد وسیعی عدم تعادل توان واقعی را در سیستم هنگامی که ظرفیت LFC برای جبران تغییرات فرکانس کافی نباشد، جبران کند. مدل خطی شده یک سیستم قدرت بهمپیوسته هوشمند دو ناحیهای متصل به هم در شکل 2 نشان داده شده است. سیستم در هر دو ناحیه شامل نیروگاه حرارتی، توربین بادی، بار، LFC و V2G میباشد.
شکل :2 مدل خطی شده یک سیستم قدرت بهمپیوسته هوشمند دو ناحیهای متصل به هم.
مدل دینامیکی LFC، توان واحد حرارتی و مدلV2G در شکلهای 3 و 4 و 5 به ترتیب نشان داده شدهاند. در مدل V2G، تابع تبدیل برای محاسبات تاخیر به صورت تقریبی از طریق تابع تبدیل مرتبه اول با تاخیر زمانی - TPHV - نشان داده شده است. پارامترهای سیستم، مدل باتری و کنترل V2G طبق [13] در قسمت فهرست ارائه شده است.
شکل :3 مدل کنترل بار فرکانس
شکل :4 مدل توان نیروگاه حرارتی.
شکل :5 مدل .V2G
-3 کنترل توان V2G
طبق شکل 2 در [9] کنترل توان V2G به صورت دوجهته شارژ/دشارژ باتری میباشد. به علاوه، توان - PV2G - V2G را می توان با مشخصه افت در برابر تغییرات فرکانس - f - به صورت زیر نشان داد.
طبق شکل 2 در صورتی که باتری فقط قابلت شارژ را داشته باشد به این نوع از خودرو ها V1G گفته می شود. همچنین، توان V1G - PV1G - را میتوان با مشخصههای افت در برابر تغییرات فرکانس - f - به صورت زیر نشان داد.
شکل :6 کنترل توان V2G ، V1G
V2G در این مقاله هم به عنوان کنترل توان دو طرفه شارژ/دشارژ از شبکه به خودروی برقی و بلعکس، در نظر گرفته شده است. بنابراین، میزان شارژ باتری در یک محدودهی مشخصی جهت تثبیت پایداری فرکانس نگه داشته شده است. همچنین، V1G قادر به شارژ از شبکه به خودرو و کاهش نوسانات بار فرکانس با توجه به وضعیت فرکانس شبکه است.
-1-3 SOC
طبق شکل 3 کنترل میزان شارژ باتری از طریق کنترل تعادل SOC می باشد. بر طبق معادلات - 1 - و PPHEV - 2 - کنترل شده میتواند به وسیله بهره V2G بر حسب میزان شارژ باتری تنظیم شود. شایان ذکر است، کنترل انحراف SOC میتواند با محدوده مشخص شده از SOC تنظیم شود. همچنین، مقدار اولیه و مقدار نهایی برای هر دو ناحیه به ترتیب 20و 90 درصد در نظر گرفته شده اند.
شکل :7 کنترل تعادلSOC
-4 الگوریتم بهینه ساز شیرمورچه
این الگوریتم، از خانواده حشرات و الهام گرفته از شکار مورچه در طبیعت میباشد. در این راستا شیر مورچهها، حفرههای کوچک در شن و ماسه درست کرده و از آن به عنوان تله استفاده میکنند.[15] یک راه رفتن تصادفی برای حرکت مورچهها با رابطه زیر مدل شده است:
از آن جا که، محاسبات به صورت فراوانی تجمعی میباشد و n بیشترین تعداد تکرارها ، t گام از راه رفتن تصادفی و r - iter - تابع تعریف شده است که در مواقع مختلف به صورت زیر تغییر میکند:
موقعیت مورچهها و شیر مورچهها و تابع تبدیلهای مربوط به آنها به ترتیب در ماتریسهای Mant، MAntlionو MOA، MOAL به ترتیب ذخیره شدهاند. در این صورت شبه کد الگوریتم ALO به صورت زیر در نظر گرفته میشود.
گام اول: مقداردهی جمعیت اولیه مورچهها و شیرمورها جهت محاسبه برازندگی مورچهها و شیر مورچهها به صورت تصادفی است.
گام دوم: پیدا کردن شیرمور مناسب و فرض کردن آن به عنوان یک نخبه گام سوم: برای هر مورچه یک شیرمور با استفاده از چرخه رولت انتخاب شده است.
الف - راه رفتن تصادفی مورچهها با استفاده از معادله . 4
ب- هنجار کردن مورچهها جهت نگه داشتن راه رفتن تصادفی در اطراف فضای جستجو
