مديريت انرژي نيروگاه مجازي با استفاده از روش برنامه‌ريزي تصادفي

Energy Management of Virtual Power Plant Using Stochastic Programming Approach

در اين مقاله، يك مدل برنامه‌ريزي تصادفي براي مديريت انرژي نيروگاه مجازي شامل ايستگاه‌هاي خورشيدي، سيستم‌هاي ذخيره‌ساز و متقاضيان انرژي واقع در ريزشبكه برق ارائه مي‌شود. در مدل برنامه‌ريزي تصادفي، عدم قطعيت در دسترس‌پذيري مؤلفه‌هاي ريزشبكه به‌صورت مجموعه‌اي از سناريوها مدل‌سازي مي‌شوند. به‌علاوه، عدم‌قطعيت در قيمت انرژي و توليد توان خورشيدي مبتني بر پيش‌بيني نقطه‌اي مدل‌سازي مي‌شوند. مديريت انرژي نيروگاه مجازي در دو مرحله تصميم‌گيري و توزيع توان در هر دوره زماني پياده‌سازي مي‌شود. سيستم مديريت انرژي در مرحله تصميم‌گيري، ميزان توان تبادلي با شبكه اصلي را با درنظرگرفتن پيشامدهاي محتمل تعيين مي‌كند. سيستم مديريت انرژي در مرحله توزيع توان، با پايش وضعيت اجزاي ريزشبكه و به‌روزرساني اطلاعات مرتبط به‌طور زمان-حقيقي، تصميمات مناسب براي انرژي مصرفي و توليدي را اتخاذ مي‌كند. قيمت انرژي الكتريكي و توليد توان خورشيدي براساس اطلاعات واقعي جمع‌آوري‌شده از بازار برق نيوانگلند آمريكا پيش‌بيني مي‌شوند. نتايج به‌دست آمده از يك مطالعه موردي، عملكرد روش برنامه‌ريزي تصادفي را در مقايسه با مدل‌هاي بهينه‌سازي مقاوم و قطعي آشكار مي‌سازد.

In this paper, a stochastic programming model is proposed for energy management of a Virtual Power Plant (VPP) including solar power stations, energy storage facilities and demands interconnected within a microgrid. In the stochastic programming model, uncertainty in availability of microgrid components is modeled as a scenario set. Additionally, uncertainty in energy prices and solar power productions is modeled as single-point prediction. Energy management of the VPP is implemented in two stages of decision-making and power-dispatch in each time period. An energy management system (EMS) determines the power traded with main grid in decision-making stage considering probable contingency scenarios. In power-dispatch stage, the EMS makes appropriate decisions on energy consumption and production, while monitoring conditions of microgrid components and updating available information in real-time. The energy price and solar energy production are forecasted based on real-world historical data collected from the New England electricity market, US. Results obtained by a case study indicate performance of the stochastic programming model compared to robust optimization and deterministic models.