مدلهای مختلفی برای مدیریت انرژی چند میکروگرید (MMG) وجود دارد. به طور کلی ، دارندگان میکروگریدها یکسان نیستند. در این حالت ، به دلیل نگرانی های مربوط به حریم خصوصی و رفع اشکالات سیستم های غیر متمرکز متعارف ، سیستم مدیریت انرژی ترکیبی پیشنهاد می شود. برخلاف سایر مدلهای مدیریت انرژی ، در مدل ترکیبی ، چند میکروگرید از طریق خط مشترک تحت عنوان نقطه مشترک اتصال (PCC) به شبکه وصل می شوند. مدیریت انرژی در چند میکروگرید هیبریدی با توجه به استفاده بهینه از ظرفیت PCC یک موضوع مهم است که کمتر مورد توجه قرار گرفته است. در این مقاله ، یک روش جدید دو سطح برای مدیریت بهینه انرژی در سیستم های MMG هیبریدی با در نظر گرفتن ظرفیت خط PCC ارائه شده است. در سطح اول ، هر میکروگرید برنامه ریزی روزانه خود را بر اساس مقادیر مختلف ظرفیت خط PCC پیاده سازی می کند و منحنی سود-سود خود را استخراج می کند. این منحنی جدید تغییرات سود خرد در مقابل حدود PCC مختلف را نشان می دهد. پس از آن ، یک مسئله بهینه سازی دو مرحله ای در سطح دوم ارائه شده است ، که در مرحله اول یک جمع کننده ریزگرد معرفی شده (MGA) حداکثر سود کل جمع شده را تعیین می کند و سهمیه بهینه هر ریزگرد از خط PCC را بر اساس منحنی های کمیت سود مربوطه تعیین می کند. در مرحله دوم ، این سود نسبتاً بین میکروگریدها از طریق مقدار Shapely تقسیم می شود. نتایج عددی کارایی و قابلیت اطمینان روش پیشنهادی را نشان می دهد.

1. مقدمه

مدیریت انرژی یکی از چالش های اپراتورهای ریزگرد است. ارتباط متصل به میکروگریدها و از این رو ، تبادل انرژی بین آنها پتانسیل امیدوار کننده ای برای کاهش هزینه بهره برداری میکروگرید فراهم می کند و می تواند در کاهش مقدار بارگیری لازم مورد نیاز باشد. مدلهای مختلفی برای مدیریت انرژی از MMG ارائه شده است [4-4]. طبقه بندی جامع شامل چهار مدل برای مدیریت ریزگردها است ، یعنی: سیستم های متمرکز ، غیرمتمرکز ، ترکیبی ، و سیستم توجیهی مدیریت انرژی. در EMS متمرکز ، برنامه ریزی توسط یک واحد متمرکز انجام می شود و کلیه اطلاعات بارها ، DER ها و واحدهای ذخیره سازی توسط این واحد جمع آوری می شود ، بنابراین می توان کل هزینه بهره برداری از برنامه ریزی روزانه را کاهش داد. در EMS متمرکز ، هر میکروگرید تمام اطلاعات خود را به EMS مرکزی می فرستد [4-7]. EMS مرکزی برنامه ریزی روزانه را برای همه MMG ها اجرا می کند (شکل 1a را ببینید). در [4] ، مشکل مدیریت انرژی به مشکلات تعهد واحد (UC) و جریان بهینه جریان انرژی (OPF) تجزیه می شود. عملکرد بهینه MMG ها با توجه به عملکرد بازار و قابلیت اطمینان شبکه در [5] بحث شده است. مرجع. [6] الگوریتم مبتنی بر EMS متمرکز را برای برنامه ریزی روزانه عملکرد MMG ها در حالت شبکه متصل پیشنهاد می کند. این الگوریتم به جای یک EMS متمرکز بزرگ ، از EMS های میکروگرید و جامعه EMS ساخته شده است. این مدل در مقایسه با مدل متمرکز سنتی به انعطاف پذیری بالاتر و توزیع بار محاسباتی کمک می کند. مرجع. [7] مدیریت انرژی بهینه MMG ها را با عملكرد متوالی پیشنهاد می كند ، می توان با استفاده از راهبردهای مدیریت انرژی سلسله مراتبی یا عملیات هماهنگ پیوسته ، بار محاسباتی مربوط به EMS مرکزی را كاهش داد.

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

Abstract

There are different models for Energy Management of Multi-Microgrids (MMGs). Generally, the owners of microgrids are not identical. In this case, due to privacy concerns and overcomes drawbacks of conventional decentralized systems, hybrid energy management system is proposed. Unlike other energy management models, in hybrid model, multi-microgrids are connected to the grid through the common line entitled Point of Common Coupling (PCC). Energy management in hybrid multi-microgrids considering optimal utilization of PCC capacity is a critical issue that has been less taken into account. In this paper, a new bi-level method is proposed for optimal energy management in hybrid MMG systems taking into account the PCC line capacity. In the first level, each microgrid implements its day-ahead scheduling based on different quantities of PCC line capacity and extracts its profit-quantity curve. This novel curve shows the variations of microgrid profits versus different PCC limits. Subsequently, a two-stage optimization problem is presented in the second level, in which in the first stage an introduced microgrid aggregator (MGA) maximizes microgrids aggregated profit and determines optimal quota of each microgrid from PCC line based on corresponding profit-quantity curves while in the second stage, this profit is fairly divided among microgrids via Shapely value. Numerical results demonstrate the efficiency and reliability of the proposed method.

1.Introduction

Energy management is one of the challenges of the microgrid operators. Interconnection of microgrids and hence, energy exchange between them provides a promising potential to decrease microgrid operation cost and could result in the reduction of required loadshedding amount [1–3]. Different models for energy management of MMGs have been presented [4–14]. The comprehensive classification includes four models to manage microgrids, namely: centralized, decentralized, hybrid, and nested energy management systems. In the centralized EMS, scheduling is performed by a centralized unit and all information of the loads, DERs, and storage units will be gathered by this unit, therefore, the total operation cost of day-ahead scheduling can be reduced. In the centralized EMS, each microgrid sends all its information to a central EMS [4–7]. The central EMS implements a day-ahead scheduling for all MMGs (see Fig. 1a). In [4], energy management problem is decomposed into Unit Commitment (UC) and Optimal Power Flow (OPF) problems. An optimal operation of MMGs considering market operation and network reliability has been discussed in [5]. Ref. [6] proposes an algorithm based on centralized EMS for day-ahead scheduling of MMGs operation in the grid-connected mode. This algorithm is made up of microgrid EMSs and community EMS instead of a big centralized EMS. This model contributes to higher flexibility and distribution of computational burden in comparison to traditional centralized model. Ref. [7] proposes an optimal energy management of MMGs with the sequential operation, the computational burden on the central EMS can be reduced by using hierarchical energy management strategies or sequentially coordinated operations.