目次
柔軟な負荷を考慮した風力、太陽光、ディーゼル、蓄電のマイクログリッド モデル:
記事の概要:
再生可能エネルギーのピークカット、バレーフィリング、および消費におけるデマンドレスポンス技術の役割を最大限に発揮するために、この論文では、風力、太陽光、ディーゼル、および貯蔵資源を含むマイクログリッドシステムのエネルギー貯蔵容量を構成します。このシステムは風力と太陽エネルギーを利用しており、バッテリーとディーゼル エンジンを組み合わせて負荷に電力を供給するという相補的な利点を備えています。Matlab プラットフォームに基づいて、この論文は正味現在価値コストの合計が最も低い目的関数を確立し、その容量を構成するための制約として燃料消費量、バッテリー容量、ディーゼル エンジン出力、および汚染物質排出量を使用します。最適化には粒子群アルゴリズムが使用されます。これにより、アルゴリズムの収束速度が向上し、局所的な最適解に陥ることが回避されます。シミュレーション結果は、負荷の容量割り当てのプロセスにおいて、この方法が効果的に最適化を実行し、システムの安定性と経済性を向上できることを示しています。
研究の背景:
近年、再生可能エネルギーの利用の促進、エネルギーの無駄の削減、化石エネルギーへの依存の削減が世界的な開発の焦点となっています。しかし、風力エネルギーや太陽エネルギーなどの再生可能エネルギー源の大規模な普及とそれらに固有のランダム性は、地域消費に困難をもたらすだけでなく、マイクログリッドの経済運営にも影響を与えます。そして、再生可能エネルギー出力の変動性や、負荷と再生可能エネルギー出力間の電力の不均衡を平滑化するためにエネルギー貯蔵のみに依存すると、これらの問題を解決できないだけでなく、容量の冗長性が生じ、マイクログリッド構成のコストが増加します。柔軟な負荷は、派遣可能な負荷側リソースとして、派遣された発電を補完し、需要と供給の相互作用を実現するだけでなく、再生可能エネルギーに対するエネルギー貯蔵システムのバランス効果を調整する「仮想エネルギー貯蔵」としても機能します。再生可能エネルギーの利用効率を向上させ、システムコストを削減できます。したがって、柔軟な負荷とマイクログリッドを組み合わせることで、この 2 つを補完し、マイクログリッドが直面する問題に対する実現可能な解決策を提供できます。
将来のスマート グリッドの重要な部分として、天然資源の合理的な利用とマイクログリッド システム容量の最適な割り当ては、マイクログリッドの計画と設計の分野における中心的なテーマです。近年、マイクログリッドが経済性、信頼性、環境保護、エネルギー利用、省エネ、損失削減の観点から与える影響と利点について、国内外で多くの研究成果が上がっている。既存の研究に基づくと、現在のマイクログリッド（独立型および系統接続）の容量最適化割り当て手法は、目的関数の研究と解決手法の 2 つのカテゴリに大別できます。
柔軟な負荷を考慮した風力、太陽光、ディーゼル、蓄電のマイクログリッド モデル:
マイクログリッドの構造モデルの決定は、マイクログリッドの計画と設計の前提条件であり、構造モデルの構築は、マイクログリッドの送電網への特定のアクセスの電圧レベルと容量計画、および特定の分散型電源の選択に大きな影響を与えるソース。本稿では、風力・太陽光・蓄電マイクログリッドシステムは、風力発電、太陽光発電、蓄電システム、インバータ、負荷（固定負荷、フレキシブル負荷を含む）で構成されます。このうち、本稿では、派遣可能なフレキシブル負荷を、産業用高負荷負荷、商業用集合負荷、住宅用スマートホーム負荷の3つのカテゴリーに分類する。そして、風力・太陽光・蓄電マイクログリッドシステムの各種ネットワーク方式の特徴を踏まえ、制御が簡単で拡張が容易という利点を持つDCバスネットワーク方式を選択し、そのシステム構成を図2-1に示します。
エネルギー貯蔵構成モデル:
出力モデル分析 容量構成では、出力モデルは風力タービン、太陽光発電、バッテリー、ディーゼル エンジンで構成されます。このうち、風車の出力は、その地域の風速と風車の定格出力によって決まります。太陽光発電の実際の出力電力は、光の強さと太陽光発電の定格電力によって決まります。容量構成におけるバッテリーの役割は、エネルギーを調整し、負荷のバランスをとることです。その原理は、化学エネルギーを電気エネルギーに変換することです。このプロセスは、バッテリーの充電と放電のプロセスです。補完システムにおける主要なバックアップ発電設備であるディーゼルエンジンの出力は、燃料消費量とディーゼルエンジンの型式に関係します。
風力発電、太陽光発電、ディーゼル発電の容量を設定する際には、システムの投資コスト Cin、メンテナンスコスト Cm、電力損失コスト Ccop、などの経済性を考慮しながらシステムの安定性を考慮する必要があります。公害防止コスト Con および燃料コスト 構成 [4] を参照。安定性は、負荷電力不足率（電源供給確率喪失、LPSP）とエネルギー無駄率（EWR）の 2 つの指標を考慮しており、システムの収束速度を向上させるために、負荷電力不足率とエネルギー無駄率は、 LE. で表される 1 つの指標に結合され、α でバランスがとれています。したがって、システムの多目的関数式は次のようになります。
粒子群アルゴリズム:
粒子群アルゴリズムの開発プロセス。粒子群最適化アルゴリズム (ParticalSwarmOptimizationPSO) では、粒子群内の各粒子が問題に対する考えられる解決策を表します。個々の粒子の単純な動作とグループ内の情報の相互作用を通じて、問題解決のインテリジェンスが実現されます。PSO はその簡単な操作と速い収束速度により、関数最適化、画像処理、測地学などの多くの分野で広く使用されています。
粒子群最適化 (PSO) は、1995 年に Eberhart と Kennedy によって初めて提案されました。その基本概念は、鳥の群れの採餌行動の研究から生まれました。鳥のグループがランダムに餌を探しているシナリオを想像してください。このエリアには餌が 1 つだけあります。すべての鳥は餌がどこにあるかは知りませんが、現在の場所が餌からどれだけ離れているかは知っています。最もシンプルで最も効果的な戦略は何でしょうか？群れの中で餌に最も近い個体を探します。PSO アルゴリズムは、この生物学的集団の行動特性からインスピレーションを受けており、最適化問題を解決するために使用されます。
粒子を使用して上記の鳥の個体をシミュレートします. 各粒子は N 次元探索空間内の探索個体とみなすことができます. 粒子の現在位置は対応する最適化問題の解の候補となり, 飛行プロセスは粒子は個々の検索プロセスです。粒子の飛行速度は、粒子の歴史的最適位置と集団の歴史的最適位置に基づいて動的に調整できます。パーティクルには速度と位置の 2 つの属性しかなく、速度は移動速度を表し、位置は移動方向を表します。各粒子が個別に探索する最適解を個別極値と呼び、粒子群の中で最良の個別極値を現在の大域最適解とする。継続的に反復し、速度と位置を更新します。最後に、終了条件を満たす最適解を求める。
アルゴリズムの流れは次のとおりです。
1. 初期化
まず、最大反復回数、目的関数の独立変数の数、粒子の最大速度、探索空間全体の位置情報を設定し、速度区間内の速度と位置をランダムに初期化して探索します。空間を設定し、パーティクルの群れのサイズを M に設定します。各パーティクルは飛行速度をランダムに初期化します。
2. 個別極値と全体最適解
適応度関数を定義します。個別の極値は、各粒子に対して見つかった最適解です。これらの最適解から、全体的な値が求められます。これを全体最適解と呼びます。過去のグローバル最適値と比較して更新します。
3. 速度と位置を更新する式
4. 終了条件
(1) 設定された反復回数に達した; (2) 代数間の差が最小制限を満たした
上記は、最も基本的な標準的な PSO アルゴリズムのプロセスです。他の群知能アルゴリズムと同様、PSO アルゴリズムの最適化プロセス中に、母集団の多様性とアルゴリズムの収束速度の間には常に矛盾が存在します。標準 PSO アルゴリズムを改善する目的は、パラメーターの選択、ニッチな技術の採用、PSO と他の技術の統合のいずれであっても、母集団の多様性を維持しながらアルゴリズムのローカル検索機能を強化することです。アルゴリズムの急速な収束の防止には、早期の収束が伴います。
操作結果:
1.年間運用効果表示：
2. 典型的な毎日の操作結果:
Matlab コード + データ共有:
