توضیحات
Demand side management in a smart micro-grid in the presence of renewable generation and demand response
مدیریت سمت تقاضا در یک ریزشبکه هوشمند در حضور تولید انرژی های تجدیدپذیر و پاسخ به تقاضا
شبیه سازی حاوی سه پوشه جداگانه می‌باشد. که شامل موارد زیر می‌باشد:
- Case1: این شبیه‌سازی مربوط به سناریو 1 می‌باشد. در این سناریو تنها هزینه بهره‌برداری به عنوان تابع هدف بهینه‌سازی درنظر گرفته شده‌است.
- Case2: در این سناریو تنها میزان الودگی به عنوان تابع هدف بهینه‌سازی درنظر گرفته شده‌است.
- MOPSO_Case3: در این سناریو هم هزینه بهره‌برداری و هم میزان الودگی در تابع هزینه در نظر گرفته شده است.
هر یک از سناریوهای بالا در یک پوشه جداگانه قرار داده شده‌است و جداگانه قابل ران می‌باشند.
Case1 و Case2 بهینه‌سازی تک‌هدفه می‌باشند و به همین دلیل برای ران آنها از PSO معمولی استفاده شده است.
سناریو سوم یعنی Case3 بهینه‌سازی دو هدفه می‌باشد و برای ران آن از MOPSO استفاده شده است.
در ادامه هر یک از فایل‌ها به صورت جدگانه توضیح داده شده‌است. توجه شود که کدنویسی PSO و MOPSO جزئیات زیادی دارد و برای تسلط کامل، لازم است فیلم آموزشی آن که در گزارش آمده را تهیه و آموزش ببینید.
توضیح در مورد global
در محیط متلب پارامترها به صورت محلی و سراسری ذخیره می‌شوند. پارامترهایی که در داخل یک تابع (function) تعریف شده باشد به صورت محلی ذخیره می‌شود و تنها در داخل همان تابع در دسترس است. پارامترهایی که در کدهای غیر تابع نوشته شده باشد در همه جای متلب به غیر از توابع در دسترس است. با توجه به این موضوع، پارامترهایی که در Data تعریف شده‌است، بعد از ران کردن این کد، به صورت سراسری ذخیره می‌شود و در داخل توابع در دسترس نخواهدبود. با توجه به اینکه تابع هزینه PSO به صورت تابع نوشته می‌شود، لازم است برخی پارامترها در داخل تابع نیز در دسترس باشد. برای فراهم کردن امکان این کار، پارامترها باید به صورت global تعریف شود تا در همه جای متلب و حتی توابع نیز در دسترس باشد.
بنابراین دقت داشته باشد در برخی کدها، تعدادی از پارمترها یا متغیرها به صورت global تعریف شده است تا در کدهای دیگر نیز بتوان به آنها دسترسی داشت.
توضیح کد Data
کد Data که در هر سه پوشه قرار دارد، حاوی اطلاعات اولیه در زمینه بهینه‌سازی می‌باشد که در مقاله داده شده‌است.
در این کد ابتدا برخی از پارامترها به صورت global تعریف شده‌است تا در توابع نوشته شده نظیر تابع هزینه (Cost1) بتوان به این پارامترها دسترسی داشت. در بالای بیشتر متغیرها نیز توضیح لازم به صورت کامنت داده شده‌است.
در ابتدا پارامتر G_p تعریف شده است که تعرفه انرژی شبکه در هر ساعت می‌باشد. ستون اول این ماتریس ساعات و ستون دوم تعرفه انرژی برای هر ساعت می‌باشد.
در ادامه جدول 1 مقاله با نام DG_Data تعریف شده‌است. بار ساعتی هر نوع از مصرف‌کنندگان نیز در ماتریس Load ذخیره شده‌است.
توجه شود که برخی از داده‌های مقاله (نظیر بار ساعتی) به صورت منحنی داده شده‌است و داده‌های این منحنی با استفاده از نرم‌افزار تخمین زده شده‌است.
تابش خورشید (S) و سرعت باد (V) نیز در ماتریس PV_Wind ذخیره‌شده‌است.
ادامه گزارش و آموزش شبیه سازی را با خرید این محصول دریافت نمایید.
نمونه نتایج شبیه سازی با متلب
برای شبیه‌سازی Case1 تنها کافی است PSO ران شود. این قضیه برای Case2 نیز صادق است.
بعد از پایان اجرای شبیه‌سازی، جدول نتایج نمایش داده شده و توان بادی پیش‌بینی شده و استفاده شده نیز نمایش داده می‌شود.
برای Case1، نتایج شبیه‌سازی به صورت زیر می‌باشد.
منحنی همگرایی (مقدار تابع هدف بر اساس تعداد تکرارها)
مقدار انرژی ذخیره شده باتری به همراه توان شارژ و دشارژ باتری در هر ساعت
مقدار توان پیش‌بینی شده و توان استفاده شده PV
مقدار پیش‌بینی شده و توان استفاده شده توان بادی
نتایج بهینه‌سازی برای توان ساعتی هر یک از منابع
| ساعت | توان دیزل ژنراتور | توان میکروتوربین | توان FC | توان PV | توان بادی | توان باتری | توان شبکه |
| 1 | 30.08256 | 13.9985 | 26.44096 | 0 | 0.00575 | 17.3645- | 29.55673 |
| 2 | 30.06268 | 6.047205 | 19.47284 | 0 | 0.106656 | 7.90161- | 29.76223 |
| 3 | 30.01735 | 6.045355 | 22.89428 | 0 | 0.008266 | 4.8459- | 20.32865 |
| 4 | 30.01159 | 7.638518 | 17.88431 | 0 | 0.013372 | 18.2888- | 29.951 |
| 5 | 30.05202 | 6.515288 | 21.03129 | 0 | 0 | 13.3045- | 29.11987 |
| 6 | 30.30656 | 9.74934 | 22.10572 | 0.004276 | 0.023087 | 4.29898- | 30 |
| 7 | 33.41335 | 29.67914 | 30 | 0.0079 | 0.030076 | 0.08447- | 30 |
| 8 | 58.04502 | 29.73388 | 29.9465 | 0.017449 | 0.048674 | 21.86086 | 29.92362 |
| 9 | 234.8585 | 6.365472 | 7.099101 | 0 | 0 | 14.628- | 29.9971- |
| 10 | 270.1647 | 6.042473 | 12.55564 | 0 | 0.040312 | 26.1659- | 29.9873- |
| 11 | 236.2405 | 6.430408 | 28.22948 | 0.018652 | 0.011045 | 0.01007- | 29.998- |
| 12 | 220.8569 | 17.98778 | 29.96336 | 0.000658 | 0.045333 | 0.00219- | 29.9978- |
| 13 | 203.7046 | 26.99694 | 29.95308 | 0.003238 | 0.062462 | 24.65154 | 29.9738- |
| 14 | 255.3939 | 6.841279 | 29.52711 | 0.000516 | 0.006722 | 0.17- | 29.9975- |
| 15 | 248.7875 | 10.41882 | 19.92069 | 0 | 0.004468 | 0.062553 | 30- |
| 16 | 254.9223 | 7.313506 | 15.91485 | 0.028933 | 0.021296 | 10.3813- | 29.9996- |
| 17 | 152.6981 | 29.73244 | 29.88915 | 0.004026 | 0.00199 | 0.543931 | 8.406346 |
| 18 | 153.0088 | 28.05567 | 25.50466 | 0.004572 | 0.008253 | 0.33772- | 29.5078 |
| 19 | 140.3868 | 27.14338 | 29.87193 | 0 | 0.02665 | 0.051224 | 30 |
| 20 | 127.325 | 29.93751 | 29.99782 | 0 | 0.106542 | 10.12175 | 29.99141 |
| 21 | 146.8856 | 29.98408 | 29.96643 | 0 | 0.001837 | 23.74199 | 29.9839- |
| 22 | 58.89742 | 29.5183 | 29.85716 | 0 | 0 | 22.54183 | 27.72728 |
| 23 | 34.93267 | 29.95059 | 29.85452 | 0 | 0.166269 | 0.210444 | 29.99951 |
| 24 | 30.02241 | 8.134136 | 14.08795 | 0 | 0.056363 | 4.722053 | 29.83309 |
برای شبیه‌سازی سناریو Case3_MOPSO، ابتدا باید mopso ران شود.
در پایان پرتو بهینه بدست آمده و ران می‌شود.
- شبیه سازی Operation of distribution network with optimal placement and sizing of dispatchable DGs and shunt capacitors در فروشگاه متلبی موجود شد.
کد Fuzzy مطابق رابطه (33) مقاله نوشته شده و برای تعیین بهترین پاسخ از بین پاسخ‌های پرتو استفاده می‌شود.
بعد از پایان ران mopso، با ران fuzzy بهترین جواب بدست آمده و بر روی پرتو پاسخ‌های مشخص می‌شود.
به عنوان مثال برای حالتی که DR_P=0 بوده یعنی پاسخگویی بار درنظر گرفته نشده، پرتو بهینه و بهترین جواب به صورت زیر بدست آمده است.
در ادامه با فراخوانی خودکار Results3، جدول پاسخ‌ها نیز نمایش داده می‌شود.
کلیدواژه:
Smart microgrid, Renewable generation, Demand side management, Demand response program
شبیه سازی
Demand side management in a smart micro-grid in the presence of renewable generation and demand response
توسط کارشناسان سایت متلبی تهیه شده است و به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،.
با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
Ali Sadeghi –
سلام
آیا شبیه سازی تصادفی تولید توان توربین بادی و واحدهای خورشیدی با استفاده توابع توزیع احتمال نیز همانند مقاله لحاظ شده اند یا مقادیر قطعی برای آن ها فرض کرده اید؟
matlabi –
درود بر شما
شبیه سازی مطابق با روابط مقاله انجام شده.
اگر منظور شما رابطه 7 تابع احتمال برای توان بادی طبق مقاله بله لحاظ شده.
Ali Sadeghi –
متشکرم از پاسخگویی
علاوه بر رابطۀ (7) معادلات 1 تا 6 و 8 تا 11 برای تولید سناریو و کاهش سناریو هم انجام شده؟
منظورم این بخش از صفحۀ 5 مقاله هست در مورد تولید سناریو با توابع توزیع:
in this paper, the probability density function proposed for each wind and solar system is divided into seven
ranges per hour in order to supply the requested power. As a result, any wind and solar systems have seven scenarios to participate in production planning every hour.
matlabi –
بله
روابط 4و5 نتیجه روابط قبلی هستند که استفاده شده اند.
روابط 6 و7 و9تا 13 استفاده شده
با دریافت شبیه سازی فایل گزارش در این مورد و استفاده از روابط رو هم دریافت می کنید.