Оптимизация электрических сетей со стохастическими элементами

Бесплатный доступ

В статье предлагается методика моделирования и оптимизации электрических сетей со стохастическими элементами. Стохастические свойства современных электрических сетей и электрических сетей ближайшего будущего связаны с развитием «умных» электрических сетей (Smart Grids). Алгоритм оптимизации описывается на примере городской электрической сети с наличием зарядных станций для электромобилей и аккумулирующих устройств, работающих по технологии V2G. Это связано с тем, что электромобили особенно хорошо демонстрируют проблемы, которые возникают при моделировании умных электрических сетей. Автором предложен двухуровневый алгоритм оптимизации, на нижнем уровне которого решается задача оптимизации экономической эффективности заряда и выдачи мощности в случае подключения EV по технологии V2G. На верхнем уровне рассматривается проблема оптимизации с точки зрения сетевой компании. Наибольшее внимание уделено проблеме динамической оптимизации электрических сетей со стохастическими элементами, решаемой на уровне сетевой компании, так как эта задача актуальна для автоматического и автоматизированного управления нормальными режимами ЭЭС. Предлагаемая методика моделирования и оптимизации распределительных сетей со стохастическими элементами реализована в виде встраиваемого программного обеспечения и может использоваться в системах автоматического оптимального и противоаварийного управления.

Еще

Оптимизация режимов, распределительные сети с виэ, электромобили, системы автоматического управления, динамическая оптимизация

Короткий адрес: https://sciup.org/146281628

IDR: 146281628   |   DOI: 10.17516/1999-494X-0234

Список литературы Оптимизация электрических сетей со стохастическими элементами

  • Bamberger Y. et al. Vision and Strategy for Europe's Electricity Networks of the Future: European Technology Platform SmartGrids, 2006.
  • Lévay P.Z., Drossinos Y., Thiel C. The effect of fiscal incentives on market penetration of electric vehicles: A pairwise comparison of total cost of ownership, Energy Policy, 2017, 105, 524-533.
  • Passenger car rate: The United Nations Economic Commission for Europe (UNECE) - Access: https://w3.unece.org/PXWeb/en/Charts?IndicatorCode=44
  • World Population Prospects 2017: United Nations DESA / Population Division - Access: https://population.un.org/wpp/Download/Standard/Population
  • BP Statistical Review of World Energy June 2018 - Access: https://www.bp.com/content/dam/bp/business-sites/en/global/corporate/xlsx/energy-economics/statistical-review/bp-stats-review-2018-all-data.xlsx
  • Irle R. Europe EV Sales for 2018: EV-volumes.com - Access: http://www.ev-volumes.com/country/total-euefta-plug-in-vehicle-volumes-2
  • Li W. et al. Dynamic energy management for hybrid electric vehicle based on approximate dynamic programming, 2008 7th World Congress on Intelligent Control and Automation, IEEE, 2008, 7864-7869.
  • Kariotoglou N. et al. Approximate dynamic programming for stochastic reachability, 2013 European Control Conference (ECC), IEEE, 2013, 584-589.
  • Wei Q. et al. Optimal constrained self-learning battery sequential management in microgrid via adaptive dynamic programming, IEEE CAA Journal of Automatica Sinica, 2016, 4(2), 168-176.
  • Marler R.T., Arora J.S. Survey of multi-objective optimization methods for engineering, Structural and multidisciplinary optimization, 2004, 26(6), 369-395.
  • Vincent T.L., Grantham W.J. Optimality in parametric systems, New York, Wiley-Interscience, 1981. 257 p.
  • Proos K.A. et al. Multicriterion evolutionary structural optimization using the weighting and the global criterion methods, AIAA journal, 2001, 39(10), 2006-2012.
  • Koski J., Silvennoinen R. Norm methods and partial weighting in multicriterion optimization of structures, International Journal for Numerical Methods in Engineering, 1987, 24(6), 1101-1121.
  • Rentmeesters M.J., Tsai W.K., Lin K.J. A theory of lexicographic multi-criteria optimization Proceedings of ICECCS'96: 2nd IEEE International Conference on Engineering of Complex Computer Systems (held jointly with 6th CSESAW and 4th IEEE RTAW), IEEE, 1996, 76-79.
  • Tseng C.H., Lu T.W. Minimax multiobjective optimization in structural design, International Journal for Numerical Methods in Engineering, 1990, 30(6), 1213-1228.
  • Athan T.W., Papalambros P.Y. A note on weighted criteria methods for compromise solutions in multi-objective optimization, Engineering optimization, 1996, 27(2), 155-176.
  • Gerasimov E.N., Repko V.N. Multicriterial optimization, International Applied Mechanics, 1978, 14(11), 1179-1184.
  • Lee S. M. et al. Goal programming for decision analysis, Philadelphia: Auerbach Publishers, 1972, 252-260.
  • Messac A. Physical programming-effective optimization for computational design, AIAA Journal, 1996, 34(1), 149-158.
  • Saaty T.L. Decision making - the analytic hierarchy and network processes (AHP/ANP), Journal of systems science and systems engineering, 2004, 13(1), 1-35.
  • Borkowska B. Probabilistic load flow, IEEE Transactions on Power Apparatus and Systems, 1974, 3, 752-759.
  • Meliopoulos A.P.S., Cokkinides G.J., Chao X.Y. A new probabilistic power flow analysis method, IEEE Transactions on Power Systems, 1990, 5(1), 182-190.
  • Fan M. et al. Probabilistic power flow studies for transmission systems with photovoltaic generation using cumulants, IEEE Transactions on Power Systems, 2012, 27(4), 2251-2261.
  • Liu C. et al. Probabilistic power flow analysis using multidimensional holomorphic embedding and generalized cumulants, IEEE Transactions on Power Systems, 2018, 33(6), 7132-7142.
  • Mahdi H., Rosehart W.D., Zareipour H. Probabilistic power flow by Monte Carlo simulation with Latin supercube sampling, IEEE Transactions on Power Systems, 2013, 28(2), 1550-1559.
  • Momoh J.A. Electric power system applications of optimization, CRC press, 2008.
  • Byrd R.H. et al. A limited memory algorithm for bound constrained optimization, SIAM Journal on Scientific Computing, 1995, 16(5), 1190-1208.
  • Chaturvedi A., Prasad K., Ranjan R. Use of interval arithmetic to incorporate the uncertainty of load demand for radial distribution system analysis, IEEE transactions on power delivery, 2006, 21(2), 1019-1021.
  • Шарый С.П. Конечномерный интервальный анализ. Новосибирск: XYZ, 2019, 403-404.
  • АНАРЭС - комплекс программ для моделирование режимов энергосистем,. Режим доступа: http://anares.ru/software - Access: http://anares.ru/software (in Russian)].
Еще
Статья научная