تاثیر خودروهای الکتریکی و برنامه پاسخگویی بار بر بهره‌برداری بهینه از شبکه‌ی توزیع در چهارچوب یک مدل دو سطحی جدید

نوع مقاله : مقاله برق

نویسندگان

1 دانشکده مهندسی برق و کامپیوتر- دانشگاه کردستان- سنندج- ایران

2 دانشکده مهندسی الکترومکانیک- دانشگاه بیرا اینتریور- کویلیا- پرتغال

چکیده

در این مقاله، تاثیر خودروهای الکتریکی و برنامه پاسخگویی بار از نوع
تشویق- محور، زمان- محور و ترکیب این دو برنامه، بر بهره‌برداری بهینه از شبکه توزیعی که صاحب واحد بادی می‌باشد، در قالب یک مدل دو سطحی جدید، بررسی شده است. در این مدل، نایقینی‌های مربوط به منابع بادی و خودروهای الکتریکی نیز بطور همزمان در نظر گرفته شده است. هدف در هر دو سطح، بیشنیه نمودن سود می‌باشد. در سطح بالا، شبکه توزیع به دلیل وجود واحد بادی و همچنین قابلیت خودرو به شبکه‌ی خودروهای الکتریکی، سود بیشتری را به دلیل عدم خرید انرژی الکتریکی از شبکه بالادست، بدست می‌آورد. در سطح پایین نیز سود بیشتری برای صاحب پارکینگ خودروهای الکتریکی به دلیل فروش انرژی به صاحبان خودروها و شبکه توزیع، حاصل می‌گردد. مدل مورد نظر به کمک روش کروش-کان-تاکر و همچنین متغیرهای کمکی دودویی به یک مدل تک‌سطحی خطی مختلط با اعداد صحیح تبدیل شده و به کمک نرم‌افزار GAMS حل شده است. مدل پیشنهادی روی شبکه توزیع پانزده شینه IEEE طی یک دوره 24 ساعته آزموده شده و نتایج اثربخشی مدل را ثابت می‌کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Impact of Electric Vehicles and Demand Response Program on Optimal Operation of Distribution System in the Framework of a New Bi-level Model

نویسندگان [English]

  • S.Muhammad Bagher sadati 1
  • jamal moshtagh 1
  • miadreza Shafie-khah 2
1 Faculty of Electrical and Computer Engineering, University of Kurdistan, Sanandaj
2 University of Beira Interior, R. Fonte do Lameiro, Covilha, Portugal
چکیده [English]

Abstract: In this paper, the impact of electric vehicles (EVs) and a price-based and an incentive-based demand response programs and the combination of both programs, has been investigated on the optimal operation of the distribution system, which owns a wind unit, in the framework of a new bi-level model. In this model, simultaneously, uncertainty of wind unit and electric vehicles are also considered. The aim of both levels is to maximization the profits. In the upper-level, the distribution system, due to the existence of a wind unit and the vehicle to grid capability of EVs, gains more profit by not purchasing the electrical energy from the upstream network. At the lower-level, owner of the EVs parking lots is obtained more benefit, due to the selling of energy to EVs owners and distribution system. Forasmuch as this model is converted to single-level mix-integer linear problem by using of Karush–Kuhn–Tucker (KKT) conditions and auxiliary binary variables and is solved by GAMS software. The presented model is tested on the IEEE 15-bus distribution system over a 24-h period and results prove the effectiveness of the model.

کلیدواژه‌ها [English]

  • Bi-level Model
  • operational scheduling
  • Electric Vehicle
  • demand response program
  • Stochastic programming
  • Uncertainty

مراجع

مراجع
[1] de Hoog, J., Alpcan, T., Brazil, M., Thomas, D. A., & Mareels, I. (2016). A market mechanism for Electric Vehicle charging under network constraints. IEEE Transactions on Smart Grid, 7(2), 827-836.
[2] Zhang, T., Chen, W., Han, Z., & Cao, Z. (2014). Charging scheduling of electric vehicles with local renewable energy under uncertain electric vehicle arrival and grid power price. IEEE Transactions on Vehicular Technology, vol. 63, no. 6, pp. 2600-2612.
[3] Godina, R., Rodrigues, E. M., Paterakis, N. G., Erdinc, O., & Catalao, J. P. (2016). Innovative impact assessment of electric vehicles charging loads on distribution transformers using real data. Energy Conversion and Management, 120, 206-216.
[4] Karakitsios, I., Karfopoulos, E., & Hatziargyriou, N. (2016). Impact of dynamic and static fast inductive charging of electric vehicles on the distribution network. Electric Power Systems Research, 140, 107-115.
[5] Hernández, J. C., Ruiz-Rodriguez, F. J., & Jurado, F. (2017). Modelling and assessment of the combined technical impact of electric vehicles and photovoltaic generation in radial distribution systems. Energy.
[6] Park, W. J., Song, K. B., & Park, J. W. (2013). Impact of electric vehicle penetration-based charging demand on load profile. Journal of Electrical
Engineering and Technology, vol. 8, no. 2,
pp. 224-251.
[7] Mirzaei, M. J., Kazemi, A., & Homaee, O. (2016). A probabilistic approach to determine optimal capacity and location of electric vehicles parking lots in distribution networks. IEEE Transactions on Industrial Informatics, vol. 12, no. 5, pp. 1963-1972.
[8] Neyestani, N., Damavandi, M. Y., Shafie-Khah, M., Contreras, J., & Catalão, J. P. (2015). Allocation of plug-in vehicles' parking lots in distribution systems considering network-constrained objectives. IEEE Transactions on Power Systems, vol. 30, no. 5, pp. 2643-2656.
 [9] Sattarpour, T., & Farsadi, M. (2017). Parking lot allocation with maximum economic benefit in a distribution network. International Transactions on Electrical Energy Systems, 27(1).
 [10] Kazemi, M. A., Sedighizadeh, M., Mirzaei, M. J., & Homaee, O. (2016). Optimal siting and sizing of distribution system operator owned EV parking lots. Applied Energy, 179, 1176-1184.
[11] FERC, “Regulatory commission survey on demand response and time based rate programs/tariffs”. www.FERC.gov, August 2006.
[12] Moghaddam, M. P., Abdollahi, A., & Rashidinejad, M. (2011). Flexible demand response programs modeling in competitive electricity markets. Applied Energy, vol. 88, no. 9, pp. 3257-3269.
[13] Aalami, H. A., Moghaddam, M. P., & Yousefi, G. R. (2010). Modeling and prioritizing demand response programs in power markets. Electric Power Systems Research, vol. 80, no. 4, pp. 426-435.
[14] Rahmani-andebili, M. (2016). Modeling nonlinear incentive-based and price-based demand response programs and implementing on real power markets. Electric Power Systems Research, vol. 132, pp. 115-124.
[15] Shafie-khah, M., Heydarian-Forushani, E., Osório, G. J., Gil, F. A., Aghaei, J., Barani, M., & Catalão, J. P. (2016). Optimal behavior of electric vehicle parking lots as demand response aggregation agents. IEEE Transactions on Smart Grid, vol. 7, no. 6, pp. 2654-2665.
[16] Afshan, R., & Salehi, J. (2017). Optimal operation of distribution networks with presence of distributed generations and battery energy storage systems considering uncertainties and risk analysis. Journal of Renewable and Sustainable Energy, vol. 9, no. 1.
[17] Zakariazadeh, A., Jadid, S., & Siano, P. (2014). Stochastic operational scheduling of smart distribution system considering wind generation and demand response programs. International Journal of Electrical Power & Energy Systems, vol. 63, pp. 218-225.
[18] Tabatabaee, S., Mortazavi, S. S., & Niknam, T. (2016). Stochastic Scheduling of Local Distribution Systems Considering High Penetration of Plug-in Electric Vehicles and Renewable Energy Sources. Energy. vol. 121, pp. 480-490.
[19] Lv, T., Ai, Q., & Zhao, Y. (2016). A bi-level multi-objective optimal operation of grid-connected micro grids. Electric Power Systems Research, vol. 131, pp. 60-70.
[20] Bahramara, S., Moghaddam, M. P., & Haghifam, M. R. (2015). Modeling hierarchical decision making framework for operation of active distribution
grids. IET Generation, Transmission & Distribution, vol. 9, no. 16, pp. 2555-2564.
[21] Bahramara, S., Moghaddam, M. P., & Haghifam, M. R. (2016). A bi-level optimization model for operation of distribution networks with micro-grids. International Journal of Electrical Power & Energy Systems, vol. 82, pp. 169-178.
]22[ فلقی، ح.، رمضانی، م.، حقی­فام،م. (1391) ، تحلیل تاثیر نیروگاه­های بادی بر قابلیت تبادل شبکه های انتقال در سیستم قدرت، مجله علمی و پژوهشی مدل­سازی در مهندسی، دانشگاه سمنان، سال 10، شماره 30.
]23[ احمدی گرجی، م.، امجدی، ن. (1394) ، برنامه­ریزی توسعه پویای شبکه­های توزیع در حضور منابع تولید پراکنده با استفاده از یک الگوریتم بهینه­سازی جدید دو سطحی، مجله علمی و پژوهشی مدل­سازی در مهندسی، دانشگاه سمنان، سال 13، شماره 43.
 [24] Shafie-khah, M., Siano, P., Fitiwi, D. Z., Mahmoudi, N., & Catalão, J. P. (2017). An Innovative Two-Level Model for Electric Vehicle Parking Lots in Distribution Systems with Renewable Energy. IEEE Transactions on Smart Grid.
[25] Rueda-Medina, A. C., Franco, J. F., Rider, M. J., Padilha-Feltrin, A., & Romero, R. (2013). A mixed-integer linear programming approach for optimal type, size and allocation of distributed generation in radial distribution systems. Electric power systems research, vol. 97, pp. 133-143.
[26] Ruiz, C., Conejo, A.J. and Smeers, Y. (2012). Equilibrium in an oligopolistic electricity pool with stepwise offer curves. IEEE Transactions on Power Systems, vol. 27, no. 2, pp. 752-761.
[27] Dempe, S., Kalashnikov, V., Pérez-Valdés, G.A. and Kalashnykova, N., Bilevel programming problems: theory, algorithms and applications to energy networks. Springer Publishing. 2015.
]28[ دهقان، ش.، امجدی، ن. (1395) ، برنامه­ریزی غیرقطعی توسعه­ی چندساله­ی سیستم قدرت با در نظر گرفتن مزرعه­های بادی به کمک ترکیب برنامه­ریزی تصادفی و معیار حداقل- حداکثر پشیمانی، مجله علمی و پژوهشی مدل­سازی در مهندسی، دانشگاه سمنان، سال 14، شماره 47.
[29] IEEE 15 Bus Radial System. Available: http://www.mathworks.com/matlabcentral/fileexchange/48104-ieee-15-bus-radial-system.
[30] Liu, Z., Wen, F., & Ledwich, G. (2011). Optimal siting and sizing of distributed generators in distribution systems considering uncertainties. IEEE Transactions on power delivery, vol. 26, no. 4, pp. 2541-2551.
[31] Talari, S., Yazdaninejad, M., & Haghifam, M. R. (2015). Stochastic-based scheduling of the micro grid operation including wind turbines, photovoltaic cells, energy storages and responsive loads. IET Generation, Transmission & Distribution, vol. 9, no. 12, pp. 1498-1509.
مدل سازی در مهندسی
دوره 16، شماره 54
مهر 1397
صفحه 53-68

فایل ها

سابقه مقاله

  • تاریخ دریافت: 04 شهریور 1396
  • تاریخ بازنگری: 01 مهر 1396
  • تاریخ پذیرش: 21 آبان 1396

هم رسانی

ارجاع به این مقاله

آمار