فرمت فایل | word, pdf |
---|
طراحی و پیاده سازی یک روش بهینه سازی جدید بر اساس الگوریتم گرده افشانی جهت حل مسئله تعیین قیمت بهینه در بازار برق
چکیده
با ایجاد تجدید ساختار تسویه بازار برق در ایران و با ایجاد خصوصی سازی ، مساله استراتژی تعیین قیمت در بازار برق در حضور نیروگاههای انرژی تجدید پذیر از اهمیت زیادی برخوردار است به خصوص اینکه با ورود این واحدها عدم قطعیت تعیین بازار برق و بهینه سازی مساله تسویه قیمت بازار تحت شعاع قرار می گیرد در این پژوهش استراتژی قیمت بارار در قالب مساله بهینه سازی سود در دوره کوتاه مدت تعریف شده است محدودیت ها و قیود مساله لزوما تحت دامنه بار کلی و نفوذ انرژی تجدید پذیر به شبکه لحاظ شده است یکی از پایه های اساسی در این کار پژوهشی كاربرد الگوريتمهاي هوشمند براي بهينه سازي ساختار و وزن هاي مدل عصبي پيشبين، موثر می باشد. انتخاب بهترین الگوریتم ترکیبی که مناسب مدل باشد یکی از موارد نوآورانه است که صحه بر کار این پژوهش می گذارد وا مدل پیشنهادی با عدم قطعیت ها و پیش بینی نزدیک به دقیق از نکات برجسته در این کار است.بنابراین در این پژوهش از الگوریتم گرده افشانی به نحو مطلوبی استفاده می گردد. لذا با استفاده از الگوریتم گرده افشانی گل ، استراتژی پیشنهاد قیمت در بار کلی و با حضور عدم قطعیت تخمین زده شد و نتایج نشان داد الگوریتم با خطای e-10 به همگرایی می رسد و با حضور نیروگاه بادی و خورشیدی عدم قطعیت بیشتری در افزایش قیمت برق در مساله تسویه بازار برق ایجاد می گردد و فصلی بودن تقاضا با توجه به بررسی انجام شده خود در نوسان قیمت دخیل بوده است.
کلید واژه ها:
بهینه سازی ، الگوریتم گرده افشانی ، تعیین قیمت ، بازار برق
فهرست مطالب
1-3- اهمیت و ضرورت انجام تحقيق.. 4
1-4- جنبه جديد بودن و نوآوري در تحقيق.. 4
1-7-2- فرضیه های فرعی تحقیق.. 5
1-8- تعريف واژهها و اصطلاحات فني و تخصصی.. 6
فصل دوم : مروری بر ادبیات تحقیق
2-2- ساختار کلی الگوی پیش بینی.. 8
2-4- روشهای پیش بینی قیمت برق.. 10
2-5- روشهاي سنتي براي حل مساله پيش بيني كوتاه مدت قيمت برق.. 11
2-5-1-1- مفاهیم اولیه در سری های زمانی.. 11
2-5-1-2- فرآیند مانای (پایای) قوی (مانای اکید) 11
2-5-1-3- فرآیند مانای (پایایی) ضعیف… 12
عنوان صفحه
2-5-1-4- شناسایی سری های زمانی پایا و ناپایا 12
2-5-1-5-فرآیند نوفه سفید (فرآیند اغتشاش خالص) 13
2-5-1-6- مدلسازي سري زماني.. 14
2-7-2-1-ساختار الگوريتمهاي ژنتيكي.. 33
2-7-2-2- روند كلي الگوريتمهاي ژنتيكي.. 34
2-8- الگوریتم گرده افشانی گل : 36
2-9- مروری بر سوابق تحقیق.. 38
2-9-1-سوابق تحقیقات داخلی.. 38
2-9-2-سوابق تحقیقات خارجی.. 40
3-2-2- متغيرهاي مورد بررسي.. 47
3-2-3- شرح کامل روش گردآوري دادهها 47
3-2-4- جامعه آماري، روش نمونهگيري و حجم نمونه. 47
عنوان صفحه
3-2-5-روشها و ابزار تجزيه و تحليل دادهها 47
فصل چهارم : نتایج و تفسیر داده ها
4-2-مدل مورد مطالعه بازار برق ایران. 49
4-4- الگوریتم گرده افشانی.. 54
4-5- ساختار الگوریتم گرده افشانی.. 56
فصل پنجم : نتیجه گیری و پیشنهادات
فهرست اشکال
عنوان صفحه
شکل 2-1: فلو چارت الگوریتم سری زمانی.. 15
شکل 2-3: تابع خروجی پله ای.. 23
شكل 2-4: اجزاي مختلف يك سيستم خبره 27
شكل 2-2: يك كروموزوم قبل و بعد از اعمال عملگر جهش… 34
شكل 2-3: يك الگوريتم ژنتيكي استانداردKnowledge Acquisition.. 35
شکل2-4 : نمودار گردشی الگوریتم ژنتیک… 36
شکل4-1 : نمودار مربوط به قیمت در بار کلی.. 58
شکل4-2 : نمودار مربوط به قیمت توام سود پیشنهادی در بار کلی.. 59
شکل4-3: نمودار مربوط به سود کلی در ارتباط با نتیجه به دست آمده از FPA.. 59
شکل4-4 : تابع چگلی به دست آمده در حالت K=5 برای بار کلی.. 60
شکل4-5 : نمودار بار شبکه در 72 ساعت آینده 61
شکل 4-6: قیمت واقعی و قیمت پیش بینی در حضور عدم قطعیت… 61
شکل 4-7: همگرایی الگوریتم FPA و مقدار خطا 62
شکل4-8 : مقایسه الگوریتم از نظر دقت… 63
فهرست جداول
عنوان صفحه
جدول 4-1: مشخصات مربوط به ژنراتور و مشتری.. 57
جدول 4-2: نتیجه قیمت بهینه و سود حاصل.. 57
منابع فارسی
- انصاري. م. گروهي. ، ا. ، عاملي .م. ت. 1393. “تسويه بازار انرژي با در نظر گرفتن عدم قطعيت نيروگاه بادي و بررسي نفوذ واحد هاي بادي در شبكه از ديد بازار برق”. بیست نهمین کنفرانس بین المللی برق ایران.
- آقا ابراهيمي. م.ر. ، طاهريان. ح. ، ناظر كاخكي. ا. 1393، ” پيش بيني كوتاه مدت قيمت در بازار برق با در نظر گرفتن تاثير توليد واحدهاي بادي” . سيستم هاي هوشمند در مهندسي برق 5(1): 120-105.
- پرهیزي. ن. ، مرزبند. م. میر حسینی مقدم. ، م ، آذري نژادیان. ف. 1394. “پیاده سازي سیستم بهینه مدیریت انرژي براي مجموعه ریز شبکه ها” . هوش محاسباتی در مهندسی برق 6(1): 66-49.
- سيد شنوا، ج. قاسمي. ع ، شايقي. ح. نوشيار، م. 1392. “ارايه يك مدل تركيبي در پيش بيني بار در بازار برق تجديد ساختاریافته”. نشريه علمي- پژوهشي كيفيت و بهره وري صنعت برق ايران 2(3): 28-19.
- صادقی. ح. ، ذوالفقاري. م. 1389. “پیش بینی کوتاه مدت تقاضاي برق کشور با استفاده از شبکه هاي عصبی و تبدیل موجک. فصلنامه اقتصاد مقداري. بررسیهاي اقتصادي سابق 7(2): 56-27.
- كريمي وركاني. ع.، پارسامقدم، م. 1390. “بهره برداري بهينه منابع ذخيره ساز انرژي براي شركت نيروگاه بادي در بازار برق”. بیست و ششمین کنفرانس بین المللی برق ایران.
- منظور، د. صفاكيش، ا. ک. 1388. پيش بيني قيمت برق در بازار برق رقابتي ايران با رويكرد مدلهاي سري زماني”. هفتمین همایش ملی انرژی.
- نظام آبادی . ح. ، نظام آبادی. پ. ، ستایش نظر. م.، قره پتیان. گ. 1390. ” قیمت دهی بهینه نیروگاه های مجازی با استفاده از استراتژی تعادلی نش- SFE ” . بیست و ششمین کنفرانس بین المللی برق ایران. پژوهشگاه نیرو.
منابع انگلیسی
- H., Miao Sh. (2015). “Optimal Dispatch Strategy of a Virtual Power Plant Containing Battery Switch Stations in a Unified Electricity Market,”. Energies 26(2): 949-56.
- Bourbonnais,R (2007) “The Econometrics of Energy Systems”, Electricity Spot Price Modeling: Univariate Time Series Approach, New York: Palgrave Macmillan, pp. 51-74.
- Braun, Ph. (2015). “Intelligent Energy Management System for Virtual Power Plants,” Department of Energy Technology, Aalborg University.
- Escribano, A., Pena, J. and Villaplana, P. (2002) ‘Modeling Electricity Prices: International Evidence, Universidad Carlos III de Madrid, Working Paper.
- A., Gawlik. W. (2015). “The way from traditional to smart power systems,” Internationale Energiewirtschaftstagung an der TU Wien.
- Johnson, B. and Barz, G. (1999) Selecting Stochastic Processes for Modeling Electricity Prices, Energy Modeling and the Management of Uncertainty, London: Risk Publications.
- Kaminski, V. (1997) ‘The Challenge of Pricing and Risk Managing Electricity Derivatives, The U.S. Power Market, November, pp. 149–71.
- Karakatsani, N. and Bunn, D. (2004), Modeling the Volatility of Spot Electricity Prices’London Business School, EMG Working Paper.
- B.R., Negi P. S. (2016). “Wind resource assessment for urban renewable energy application in Singapore,” Renewable Energy (87): 403-14.
- Knittel, C. and Roberts, M. (2001). An Empirical Examination of Deregulated Electricity Prices’, University of California, Energy Institute, Working Paper, October, PWP 08 .
- E,Moghaddas-Tafreshi. S. M. (2011), “Bidding strategy of virtual power plant for participating in energy and spinning reserve markets—Part I: Problem formulation,” IEEE Trans. Power Syst 26(2): 949-56.
- I., Goldani, S. R. (2015). “Participating of Micro-grids in energy and spinning reserve markets – Intra-day market,” International Journal of Smart Electrical Engineering 4(1): 15-21.
- Ł., Milewski. S. M. (2012). “Virtual Power Plants – general review: structure, application and optimization,” Journal of Power Technologies 92 (3): 135-49.
- Palizban .O,Kauhaniemia. K. (2014), “Microgrids in Active Network Management-Part I,” Renewable & Sustainable Energy Reviews. Aalborg Universitet (36): 428-39.
- K., Khosla. A. (2015), “Autonomous Integration of Distributed Energy Sources and Home Appliances Coordination Scheme in Future Smart Grid Networks,” Procedia Computer Science (70): 538-49.
- Pecas Lopes. J.A. , Hatziargyriou. N., J. Mutale, P. Djapic, N. Jenkins(2007),” Integrating distributed generation into electric power systems: A review of drivers, challenges and opportunities”, Electric Power Systems Research (77): 1189-1203.
- D., Ramsay. C., and Strbac. G. (2007). “Virtual power plant and system integration of distributed energy resources,” IET Proc., Gen., Transm., Distrib (1): 10-16.
- D., Ramsay. C., and Strbac. G.2007, “Virtual power plant and system integration of distributed energy resources,” IET Proc., Gen., Transm., Distrib (1): 10-16.
- Robinson, T. (2000) ‘Electricity Pool Prices: A Case Study in Non-Linear Time-Series Modeling’, Applied Economics(32): 527-32.
- Tajeddini, M. A, Rahimi-Kian. (2014). “Risk Averse Optimal Operation of Virtual Power Plant using two Stage Stochastic Programming,” Research Repository UCD, Energy (73): 958-67.
- R., Ramachandra .K. (2012). “Cooperative Virtual Power Plant Formation Using Scoring Rules,” Proceedings of the Twenty-Sixth AAAI Conference on Artificial Intelligence.
- Worthington, A., Kay-Spratley, A. and Higgs, H. (2003) ‘Transmission of Prices and Price Volatility in Australian Electricity Spot Markets: A Multivariate GARCH Analysis’, Energy Economics.2(27): 337-50.
- You, Sh., Traholt, Ch. (2009). A Market-Based Virtual Power Plant. IEEE Trans. Power Syst.
محصولات مشابه
فرمت فایل | word, pdf |
---|---|
رشته | مهندسی کامپیوتر - نرم افزار |
تعداد صفحات | 69 |