پخش بار بهینه احتمالاتی به‌منظور تعیین قیمت‌های حاشیه‌ای محلی در حضور تولید بادی

نوع مقاله: پژوهشی

نویسندگان

دانشگاه سمنان، دانشکده برق و کامپیوتر

چکیده

پخش بار بهینه یکی از ابزارهای کلیدی در برنامه‌ریزی و بهره‌برداری از سیستم‌های قدرت است؛ باوجود این، به علت استفاده گسترده از انرژی‌های تجدیدپذیر در تولید انرژی الکتریکی بخصوص انرژی باد و ماهیت تصادفی آن، این ابزار با چالش مواجه می‌شود. عدم‌قطعیت حاکم بر مقدار تولید بادیِ در دسترس به‌دلیل خطای پیش‌بینی، تغییر در روش مدل‌سازی و حل مسالۀ پخش بار بهینۀ را ضروری می‌نماید. در تحقیق فعلی، قیمت‌های حاشیه‌ای محلی به عنوان یک پارامتر مهم در سیستم‌های قدرت مبتنی بر بازار در قالب یک مساله پخش بار بهینه مدل شده و تابع چگالی احتمال آن با استفاده از یک روش تخمین نقطه‌ای جدید محاسبه می‌گردد. روش تخمین نقطه‌ای پیشنهادی، مشخصات توزیع احتمالی مورد نظر را با استفاده از چند گشتاور آنها تخمین می‌زند. این روش، علاوه‌بر تضمین مجاز بودن نقاط تخمینی تولید شده، به عنوان یک مزیت قابل توجه، از نظر زمان اجرا و دقت تقریب نیز به روش‌های معمول تخمین نقطه‌ای برتری محسوسی دارد. کاربردهای نتایج محاسبه شده از دیدگاه عملی نیز بحث شده است. کارایی روش پیشنهادی روی سه سیستم قدرت 9 و 24 شین IEEE همراه با سیستم عملی 118 شین IEEE آزمایش شده و برتری آن از نظر دقت و همچنین سرعت تخمین نسبت به دیگر روش‌ها نشان داده می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Probabilistic optimal power flow to determine the Locational marginal price considering wind generation

نویسندگان [English]

  • Milad Gholami fard
  • Nima Amjady
  • Hossein Sharifzadeh
چکیده [English]

Abstract- The optimal power flow (OPF) is one of the key tools in the planning and operation of power systems. However, due to extensive using of the renewable energy sources especially, wind generation in the electric energy generation, application of this tool encounter with a major challenge. Uncertainty in the available wind generation level rooted in forecast error necessitates the change in the modeling and solution method of OPF problem. In this research work, Locational Marginal Price (MCP) as an important parameter in the market-based power systems is modeled in the context of optimal power flow problem and its probability density function is computed using a new point estimation method. The proposed point estimation method approximate the desired probability characteristics using their a few moments. Apart from that the proposed method guarantees the feasibility of the obtained estimated points, as the significant advantage, it notably outperforms the conventional point estimation methods in the required time and approximation accuracy aspects. Application of the obtained results is discussed from practical point of view as well. Effectiveness of the proposed method is examined on the 9-bus and 24-bus IEEE test systems together with realistic 118-bus power system and its advantages in accuracy and quickness with respect to the other methods are shown.

کلیدواژه‌ها [English]

  • Probabilistic optimal power flow
  • Uncertainty
  • wind generation
  • point estimation method
  • Locational Marginal Price
[1]

Y. K. Tung, B. C. Yen and C. S. Melching, Hydrosystems Engineering Reliability Assessment and Risk Analysis, New York: McGraw-Hill, 2005.

[2]

R. Y. Rubinstein, Simulation and the Monte Carlo Method, New York: Wiley, 1981.

[3]

R. N. Allan, A. M. Leite da Silva and R. C. Burchett, "Evaluations methods and accuracy in probabilistic load flow solutions," IEEE Trans. Power App. Syst., Vols. PAS-100, p. 2539–2546, May 1981.

[4]

R. N. Allan and M. R. G. Al-Shakarchi, "Probabilistic techniques in a.c. load flow analysis," Proc. IEEE, vol. 124, pp. 154-160, Feb. 1977.

[5]

M. Madrigal and K. Ponnambalam, "Probabilistic optimal power flow," Proc. 1998 IEEE Can. Conf. Electrical and Computer Engineering, p. 385–388, 1998.

[6]

J. Hetzer, D. C. Yu and K. Bhattarai, "An Economic Dispatch Model Incorporating Wind Power," IEEE Transactions on Energy Conversion, vol. 23, June 2008.

[7]

I. G. Damousis, M. C. Alexiadis, J. B. Theocharis and P. S. Dokopoulos, "A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation," IEEE Trans. Energy Convers., vol. 19, pp. 3352-3361, Jun. 2004.

[8]

S. Li, D. C. Wunsch, E. A. O’Hair and M. G. Giesselmann, "Using neural networks to estimate wind turbine power generation," IEEE Trans. Energy Convers., vol. 16, pp. 276-282, Sep. 2001.

[9]

B. G. Brown, R. W. Katz and A. H. Murphy, "Time series models to simulate and forecast wind speed and wind power," J. Clim. Appl. Meterol., vol. 23, pp. 1184-1195, 1984.

[10]

J. M. Morales and J. Pérez-Ruiz, "Point Estimate Schemes to Solve the Probabilistic Power Flow," IEEE Transactions on Power Systems, vol. 22, pp. 1594-1601, November 2007.

[11]

M. E. Harr, "Probabilistic estimates for multivariate analysis," Appl. Math. Model., vol. 13, p. 313–318, 1989.

[12]

H. P. Hong, "An efficient point estimate method for probabilistic analysis," Reliability Engineering and System Safety, pp. 261-267, 1998.

[13]

H. Zhang and P. Li, "Probabilistic analysis for optimal power flow under uncertainty," IET Generation, Transmission & Distribution, vol. 4, no. 5, p. 553–561, 2010.

[14]

M. Shahidehpour, H. Yamin and Z. Li, "Market Operations in Electric Power Systems: Forecasting, Scheduling, and Risk Management," John Wiley & Sons, Inc., 2002.

[15]

R. Coutu, "Locational Marginal Pricing," ISO New England's Wholesale Energy Market (Intermediate) - WEM 201, Nov. 2006.

[16]

A. J. Wood and B. F. Wollenberg, Power Generation, Operation, and Control, New York: Wiley, 1984.

[17]

A. J. Conejo, E. Castillo, R. Minguez and F. Milano, "Locational marginal price sensitivities," IEEE Trans. Power Syst., vol. 20, pp. 2026-2033, Nov. 2005.

[18]

H. Cheng, Y. Hou and F. Wu, "Probabilistic wind power generation model: Derivation and applications," International Journal of Energy, vol. 5, no. 2, 2011.

[19]

R. Billiton and L. Gan, "Wind Power Modeling And Application In Generating Adequacy Assessment," IEEE Communications, Computers and Power in the Modern Environment Conf., pp. 100-106, 1993.