عنوان پایان‌نامه
مدیریت بهینه و مبتنی بر عامل ذخیره کننده انرژی در یک ریز شبکه هوشمند
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2856;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72091;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2856;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72091
- تاریخ دفاع
- ۲۹ تیر ۱۳۹۴
- دانشجو
- فرزانه گلستانی
- استاد راهنما
- اشکان رحیمی کیان
- چکیده
- ادوات ذخیره‌سازی انرژی موجب افزایش انعطاف در یک ریزشبکه هوشمند می‌گردند. با اضافه کردن ادوات ذخیره‌سازی انرژی در ریزشبکه ریسک هدر رفتن تولیدات ناشی از منابع تولید پراکنده کاهش می‌یابد. می‌توان با خرید و ذخیره انرژی ارزان‌قیمت در زمانی که میزان بار و هزینه آن کم است و سپس استفاده از انرژی ذخیره‌شده به منظور تأمین بار شبکه هنگامی‌که میزان بار و قیمت برق زیاد است، سود دریافتی ریزشبکه را افزایش داد. این موضوع یکی از اصلی‌ترین کاربردهای سیستم‌های توزیع ذخیره انرژی است. با به‌کارگیری ادوات ذخیره‌سازی انرژی در سیستم‌های توزیع به منظورهای مختلف مانند افزایش ارزش منابع انرژی تجدیدپذیر، تغییر زمان مصرف انرژی، اصلاح زمان پیک مصرف، این مسئله پیش می‌آید که چگونه بهترین کنترل را بر روی واحدهای ذخیره‌سازی انرژی داشته باشیم. به منظور افزایش ارزش ادوات ذخیره انرژی در یک ریزشبکه باید تصمیم‌گیری در مورد اینکه این ادوات در چه زمانی و به چه میزانی شارژ و دشارژ گردند، بهینه گردد. همچنین هزینه استفاده از این ادوات در حین شارژ و دشارژ با هزینه ناشی از استفاده ادوات دیگر مقایسه گردد. علاوه بر این، نایقینی در فضای سیستم و تغییر دینامیک سیستم ممکن است این سؤال را در ذهن ایجاد کند که بهترین مدیریت ذخیره انرژی چگونه می‌تواند باشد. مدل پیشنهادی در این پایان‌نامه یک مدل ریاضی از تابع هزینه بهره‌برداری انرژی در ریزشبکه موردمطالعه با در نظر گرفتن ادوات ذخیره‌سازی انرژی در آن است. در نهایت مدل ریاضی پیشنهادی با استفاده از یک روش مبتنی بر یادگیری تقویتی، مورد تحلیل و بررسی قرار می‌گیرد. این روش که ذاتاً یک روش برخط است، در عوض تولید حجم عظیمی از اطلاعات عددی، عامل با بهره گرفتن از سیگنال پاداش دریافتی از محیط در مقابل عمل انجام شده، مفاهیم را که در روش یادگیری بیزی همان اعمال عامل هستند، به صورت تدریجی یاد می‌گیرد. علاوه بر این به منظور مقابله با نویز و نایقینی موجود در اطلاعات دریافتی از محیط و پویایی موجود در مسائل واقعی و بهره‌مندی از قابلیت تعمیم درحل مسائل واقعی، از یک چارچوب احتمالاتی گوسی در روش یادگیری بیزی برای حل مسئله استفاده شده است. واژه‌های کلیدی: مدیریت انرژی، مدیریت ذخیره انرژی، مدل‌سازی ریاضی، تابع هزینه، تابع سود، یادگیری تقویتی بیزی، بهینه‌سازی کلاسیک، ریزشبکه هوشمند.
- Abstract
- Energy storage devices can increase the flexibility in a smart microgrid. By adding energy storage devices in the smart microgrid, loss of production risk which is caused by the DG can be reduced. Received reward in the microgrid can be increased by buying and storing energy when the load and the electricity price are low and then using the stored energy in order to compensate the grid load when the load and the electricity price are high. This is one of the main uses of energy storage distribution systems. Using energy storage devices in distributed systems for various purposes, such as increasing the value of renewable energy sources, changing in the energy consumption schedule, and consumption time peak shaving, can cause this problem that how we can have the best control over the energy storage units. In order to increase the value of energy storage devices in a microgrid, decisions should be optimized in a way that when and to what extent these devices should be charged or discharged. In addition, the cost of using these devices during the charge or discharge should be compared to the cost of other devices' usage. Moreover, uncertainty in the system and change in system dynamics may cause this question in mind that what can be the best energy storage management. The proposed model in this thesis is a mathematical model of the energy operating cost function in the studied microgrid with regard to its energy storage devices. Eventually, the proposed mathematical model is analyzed with a reinforcement learning based method. This method is an online-based method in which the agent learns its proper action gradually with receiving its reward from each action instead of generating large amount of numerical information. Moreover, in order to deal with the noise and uncertainty in information received from the real environment and its dynamic, a Gaussian probabilistic framework of Bayesian learning method can be very useful. Keywords: energy management, energy storage management, mathematical modeling, cost function, profit function, Bayesian learning reinforcement, classical optimization, intelligent microgrid.
