کنترل تطبیقی برای مدیریت توان بر پایه انرژی تجدیدپذیر: راهکاری برای بهبود کیفیت توان الکتریکی

چکیده

یک فرم ویژه از سیستم انرژی که می‌تواند برای تامین کل انرژی مورد نیاز جهان مورد استفاده قرار گیرد، سیستم ترکیبی تجدیدپذیر (Renewable Hybrid System) است. در این مطالعه، برای بهره‌برداری موثر از انرژی‌های تجدیدپذیر و کاهش میزان انرژی گرفته شده از شبکه برق، یک تکنیک مدیریت میکروگرید (Micro-grid) بر پایه انرژی تجدیدپذیر توسعه یافته است. استفاده از منابع انرژی تجدیدپذیر مانند انرژی خورشیدی از پنل‌های فتوفولتائیک (Photovoltaic Panels) و انرژی بادی (از توربین‌های بادی) می‌تواند بارها را به طور موثرتری تغذیه کند در حالی که مصرف سوخت کمتر است. همچنین برای تنظیم برق، یک سیستم کنترل تطبیقی (Adaptive Control System) طراحی شده است. نتایج شبیه‌سازی به دست آمده با استفاده از متلب/سیمولینک (MATLAB/Simulink) در chếهای کاری مختلف، عملکرد روش کنترل پیشنهادی برای مدیریت جریان توان را نشان می‌دهد.

کلمات کلیدی

• مدیریت توان (Power Management)
• سیستم ترکیبی (Hybrid System)
• ژنراتورهای توزیع (Distribution Generators)
• انرژی تجدیدپذیر (Renewable Energy)

نکته: مقاله همچنین شامل چکیده و کلمات کلیدی به زبان لهستانی (Streszczenie و Słowa kluczowe) می‌باشد که ترجمه مقادیر بالا هستند.

مقدمه

درخواست برای توان به سرعت در مقایسه با دوره‌های قبلی افزایش یافته است. در نتیجه، نیاز به یک رویکرد جایگزین برای برآوردن این تقاضا وجود دارد. همانطور که می‌دانیم «انرژی تعدیل شده برابر است با انرژی تولید شده». اکثر نیروگاه‌های سنتی تولید قدرت بر روی سوخت‌های فسیلی اجرا می‌شوند و حدود ۶۴.۵٪ از توان جهانی را تولید می‌کنند [۱]. این نیروگاه‌ها سهم زیادی در انتشار کربن دارند، به طوری که حدود ۴۰٪ از کربن توسط بخش انرژی انتشار می‌یابد، و بخش حمل‌ونقل [۲] تولیدکننده ۲۴٪ آن است. علاوه بر این، برای رسیدن به تقاضای به شدت رو به رشد انرژی با اکسید کربن کمتر، محققان روش‌های جدید تولید انرژی با استفاده از منابع انرژی تجدیدپذیر (RESs) را پیشنهاد کرده‌اند. ما بر روی روش‌های مختلف کنترل مصرف انرژی تمرکز کرده‌ایم که این امر به مفهوم مدیریت جانب بار (Demand Side Management) منجر می‌شود. مدیریت تقاضا تقاضای مصرف‌کننده را از طریق стратеگی‌های مختلف مانند استراتژی‌های عملیات شبکه هوشمند (Smart Grid – SG) تغییر می‌دهد [۳].

تعریف شبکه هوشمند (Smart Grid)

SG به عنوان یک سازمان توزیع قدرت تعریف می‌شود که می‌تواند به طور هوشمندانه فعالیت‌های همه کاربران متصل به آن، مانند ژنراتورها، مصرف‌کنندگان و پروsumerها (Prosumers) (آنانی که همزمان تولید و مصرف می‌کنند) را متصل کند. شبکه‌های هوشمند با انواع دستگاه‌هایی کار می‌کنند مانند اس‌مارت مترها (Smart Meters)، دستگاه‌های هوشمند، RESها و باتری‌ها. به دلیل نگرانی‌های محیطی و اقتصادی، در سال‌های اخیر علاقه به تولید و مدیریت انرژی تجدیدپذیر افزایش یافته است [۴].

تاریخچه یکپارچه‌سازی منابع تجدیدپذیر

قدم اول، بادی هیبریدی (Hybrid wind) اولین منبع انرژی تجدیدپذیر بود که یکپارچه‌سازی شد. به عنوان منابع مکمل، و سیستم‌های خورشیدی به عنوان راهکاری برای کاربرد در مناطق دور و اتصالات شبکه ناپایدار. همچنین سیستم‌های ترکیبی بیشتر، شامل تعداد زیادی از آن‌ها، در مطالعات مورد استفاده قرار گرفته‌اند. منابع انرژی تجدیدپذیر خرد شده شامل انرژی حرارتی خورشیدی، بیو‌ماس، انرژی جزیری و سوختی‌های سوختی [۵]. با توجه به اینکه قیمت خروجی توربین بادی و پنل خورشیدی به شدت کاهش یافته، اکنون آن‌ها تنها گزینه برای سیستم‌های تولید انرژی ترکیبی هستند [۶].

هدف اصلی و نقش شبکه هوشمند

هدف اصلی تشویق مصرف‌کنندگان برای به حداقل رساندن مصرف قدرت در ساعات اوج است، اما این کار نمی‌تواند ناگهانی انجام شود. از سوی دیگر، منابع انرژی تجدیدپذیر می‌توانند با شبکه یکپارچه شوند که این امر مصرف قدرت توسط شبکه را کاهش می‌دهد [۷]. اصطلاح «شبکه هوشمند» به این اتصال اشاره دارد. از آنجا که تولید اکنون غیرمتمرکز است، سیستم جدید کیفیت برق (Electricity Quality) را بهبود می‌بخشد، که عامل اصلی اطمینان مؤسسه‌ها از سیستم قدرت است. شبکه‌های هوشمند واحدهای تولید قدرت کوچک، بیشتر از منابع تجدیدپذیر، را متصل می‌کنند و از فناوری کنترل پیشرفته استفاده می‌کنند [۸].

آمار جهانی و پیش‌بینی‌ها

در حال حاضر سهم انرژی تجدیدپذیر در جهان تنها ۱۱٪ است در حالی که پیش‌بینی می‌شود تا سال ۲۰۷۰ به میزان ۶۰٪ افزایش یابد [۹]. ظرفیت جهانی بادی و فتوفولتائیک خورشیدی (PV) به ترتیب به ۵۱۴.۸ جیگاووات و ۳۹۹.۶ جیگاووات رسیده است [۱۰]. شکل ۱ روند جهانی سرمایه‌گذاری در بخش‌های انرژی تجدیدپذیر PV و بادی را نشان می‌دهد [۱۱].

معماری سیستم پیشنهادی

در این مطالعه، طراحی یک شبکه هوشمند برای ساختمان‌های میزبان به صورت نمایش داده شده در شکل ۲ ارائه شده است. منابع توان مرکزی شبکه‌های هوشمند پیشنهادی، توربین‌های بادی، فتوفولتائیک برای خورشید و تغذیه شبکه اصلی هستند. یک سیستم مدیریت ساخته شده است تا بارهای یک ساختمان را رصد و نظارت کند تا تعادل مناسب بین انرژی تولید شده و مصرف شده برقرار شود. یک سیستم عصبی-فازی تطبیقی (Adaptive Neuro-Fuzzy System) برای مدیریت توان تحویل شده به مصرف‌کننده با اولویت به انرژی تجدیدپذیر (انرژی خورشیدی و بادی) بر روی شبکه طراحی شده است.

سیستم متصل به شبکه

چارچوب‌های PV (فتوولتاییک) و WT (توربین بادی) دو منبع اصلی سیستم انرژی تجدیدپذیر مورد بحث در این مقاله را تشکیل می‌دهند. شبکه محلی اصلی به این منابع متصل است. یک اینورتر برای PV/WT در شکل ۲ نشان داده شده است.

شکل ۲. سیستم انرژی هاییبریدی

شبکه محلی اصلی

شبکه به عنوان یک منبع انرژی عمل می‌کند که هم توانایی تولید و هم جذب توان الکتریکی را دارد. اما محدودیت‌های ترانسفورماتورهای توان، خطوط انتقال و سایر تجهیزات سنگین توان، میزان انرژی قابل جذب یا تحویل در بازه‌های زمانی مشخص را محدود می‌کنند.

مدل سیستم انرژی PV

توان الکتریکی تولیدشده از سیستم انرژی فتوولتاییک (PVES) به شدت به شدت تابش خورشید بر ماژول‌ها و مساحت آن‌ها وابسته است. برای افزایش تابش دریافتی و در نتیجه افزایش انرژی تولیدی، توصیه می‌شود ماژول‌های PV با یک زاویه کج بهینه (tilt angle) نصب شوند. این زاویه به گونه‌ای انتخاب می‌شود که با عرض جغرافیایی مکان هماهنگ باشد [20]. توان ساعتی تولیدشده از آرایه PV را می‌توان با معادله زیر تعیین کرد [21]:

که در آن:

• P_PV: توان تولیدی فتوولتاییک (kW)
• P_rated: توان نامی خروجی ماژول (kW)
• N_PV: تعداد ماژول‌های PV
• D_f: ضریب درچینی PV (derating factor)
• G: تابش کل جهانی بر صفحه کج (kW/m²)
• G_ref: تابش خورشیدی مرجع (۱ kW/m²)
• K_T: ضریب دمایی
• T_amb: دمای محیط (°C)
• NWCT: دمای کاری نرمال سلول

مدل خورشیدی در شکل ۳ نشان داده شده است.

شکل ۳. مدل سیستم انرژی PV

مدل سیستم انرژی بادی

برای اندازه‌گیری سرعت باد، از آنمومتر استفاده می‌شود که ارتفاع نصب آن باید با ارتفاع توربین بادی تطبیق داده شود [22]. رابطه بین ارتفاع آنمومتر و سرعت باد در ارتفاعات مختلف، با معادلات زیر نشان داده می‌شود:

که در آن:

• P_w: توان تولیدی توربین بادی (kW)
• N_WT: تعداد توربین‌های بادی
• P_r: توان نامی توربین بادی (kW)
• V_ci: سرعت باد قطع (cut-in) (m/s)
• V_co: سرعت باد وصل (cut-out) (m/s)
• V_r: سرعت باد نامی (m/s)
• η_w: بازده توربین بادی

مدل بادی در شکل ۴ نشان داده شده است.

شکل ۴. مدل سیستم انرژی بادی

اینورتر

هر دو سیستم WT و PV توان DC تولید می‌کنند. خروجی DC هر دو منبع انرژی تجدیدپذیر (GREs) به یک باس DC مشترک متصل است. برای اتصال این باس DC به شبکه الکتریکی، که با باس AC نیاز است، یک اینورتر الزامی است. با توجه به اینکه سیستم هاییبریدی پیشنهادی متصل به شبکه شامل یک باتری (به عنوان سیستم ذخیره‌سازی) نیز می‌شود، اینورتر می‌تواند از نوع دوطرفه (bi-directional) باشد. این امکان را فراهم می‌کند که در صورت کافی نبودن توان خروجی GREs، شارژ باتری‌ها از سمت شبکه AC نیز انجام شود، همان‌طور که در شکل ۲ پیش‌تر توضیح داده شد. اندازه اینورتر عمدتاً بر اساس نیاز به تأمین بار اوج (peak load) تعیین می‌شود:

که در آن:

• P_inv: توان خروجی اینورتر (kW)
• P_Lmax: حداکثر توان تقاضا (kW)
• η_inv: بازده اینورتر

مدل سیستم توان شبکه

شبکه به عنوان یک منبع انرژی در نظر گرفته می‌شود که قابلیت تولید و جذب توان الکتریکی را دارد [23]. اما به دلیل محدودیت‌های ترانسفورماتورها، خطوط انتقال و سایر تجهیزات سنگین، میزان انرژی قابل جذب یا تحویل در یک بازه زمانی مشخص محدود است. برای تأمین نیاز بار در طول ۲۴ ساعت شبانه‌روز و رفع کمبودهای احتمالی، از یک ژنراتور دیزلی (DG) استفاده می‌شود. با در نظر گرفتن مصرف سوخت DG، توان خروجی آن قابل برآورد است [24]:

که در آن:

• P_DG: توان خروجی ژنراتور دیزلی (kW)
• F_DG: نرخ مصرف سوخت (لیتر بر ساعت)
• α: ضریب قطعه خطی مصرف سوخت (لیتر بر kWh)
• β: شیب خطی مصرف سوخت (لیتر بر kWh)
• C_DG: ظرفیت نامی ژنراتور دیزلی (kW)

طراحی کنترل تطبیقی

کنترلرهای منطق فازی (FLC) برای مدیریت سیستم‌های با رفتار نامشخص و پیچیده، به ویژه آن‌هایی که مدل‌سازی دقیق ریاضی آن‌ها دشوار است، بسیار مناسب هستند. FLC در طیف گسترده‌ای از کاربردهای واقعی نقش حیاتی ایفا می‌کند [25]. انواع مختلفی از سیستم‌های استنتاج فازی وجود دارد، اما در این مطالعه از رویکرد فازی تاکاگی-سوگنو (TS-fuzzy) استفاده شده است. برای اصلاح و بهینه‌سازی توابع عضویت، از شبکه عصبی مصنوعی (ANN) در کنار یک کنترلر مانند PI فازی TS (TS-fuzzy-like-PI) استفاده خواهد شد. این نوع کنترلر فازی TS، یک ساختار غیرخطی (nonlinear) با قابلیت یادگیری است که امکان تطبیق و تغییر پارامترهای کنترلی را فراهم می‌آورد. انتخاب تصادفی تنظیمات کنترلر ممکن است به عملکرد یا پایداری (stability) مناسبی منجر نشود. با ترکیب ANN با منطق فازی در یک سیستم نورو-فازی (neuro-fuzzy) و استفاده از آن برای تنظیم پارامترهای کنترلر، می‌توان به پاسخ بهتری دست یافت [26].

یادگیری قواعد فازی با شبکه عصبی مصنوعی

یکی از روش‌های جذاب برای فراگیری قواعد فازی، به‌کارگیری یک شبکه عصبی مصنوعی (ANN) به عنوان موتور یادگیری است. این رویکرد امکان طراحی کنترل را بدون نیاز به دانش تخصصی عمیقی که برای شکل سنتی منطق کنترل فازی (FCL) الزامی است، فراهم می‌سازد و می‌تواند پایه قواعد را بهینه کند. در این فرآیند، فازهای آموزشی وظیفه تنظیم پارامترهای کنترل ورودی و خروجی توابع عضویت (MF) را بر عهده دارند. هدف الگوریتم یادگیری، اصلاح دقیق همین پارامترهای ورودی و توابع عضویت خروجی است تا خروجی کنترلر پیشنهادی به بهترین شکل ممکن ترازبندی شود [27]. معمولاً، شناسایی پارامترهای کنترل یک شبکه عصبی با ترکیبی از تکنیک‌های یادگیری انجام می‌شود؛ به‌ویژه روش «برآورد کمترین مربعات (LSE) و گرادیان نزولی (GD)» در این زمینه رایج است [28].

در مطالعه حاضر، دو ورودی توان اصلی شبکه کنترلر از منابع خورشیدی و بادی تأمین می‌شوند. توان توربین بادی و توان فتوولتاییک با یک خروجی واحد برای تصمیم‌گیری درباره توان بار به واحد کنترل DG ارسال می‌گردند. این ساختار مطابق شکل ۵ نشان داده شده است. دامنه ورودی بر اساس سه تابع عضویت مثلثی با ۵۰ درصد تداخل تعریف شده است. این پیکربندی به کنترلر اجازه می‌دهد با ایجاد قوانین کنترل از میان ۹ حالت ممکن، پاسخی مناسب تولید کند که خود نیازمند مشخص شدن توابع خطی قطعه‌ای است. برای تنظیم قواعد TS با استفاده از نوروفازی، باید یک مجموعه داده آموزشی تهیه شود. داده‌های ورودی کنترلر شامل بردارهایی از نتایج PV/WT بر اساس معادلات ۱ و ۲ هستند و خروجی آن به واحد کنترل DG فرستاده می‌شود. شکل ۶ میزان اعتبارسنجی خروجی طراحی کنترلر را نشان می‌دهد. برای انجام عملیات آموزش، از رابط کاربری گرافیکی متلب (MATLAB GUI) و فایل‌های موجود در جعبه ابزار فازی متلب استفاده شده است.

نتایج شبیه‌سازی

مدل سیستم پیشنهادی شامل یک فیدر با توان بار ۱۴ مگاوات است. برای ارزیابی عملکرد، دو سناریو مختلف بررسی شده‌اند:

سناریو I

در این سناریو، تغذیه توان توسط سه منبع انجام می‌شود: تغذیه اصلی شبکه (۱۵ مگاوات)، انرژی بادی با توان متغیر و حداکثر ۴.۵ مگاوات (مانند شکل ۶)، و انرژی خورشیدی با توان ۸ مگاوات در بازه زمانی ساعت ۶ صبح تا ۱۸ عصر (همان‌طور که در شکل ۷ نشان داده شده است). کنترلر تطبیقی نوروفازی برنامه‌ریزی شده تا اولویت تأمین توان را بر منابع بادی و خورشیدی قرار دهد و وابستگی به شبکه اصلی را کاهش دهد. این امر با کاهش مصرف سوخت، عملیات را اقتصادی‌تر می‌سازد. الگوریتم پیشنهادی مدیریت توان سیستم در شکل ۸ نمایش داده شده است. محاسبات زمانی بر اساس چرخه ۲۴ ساعته (۸۶,۴۰۰ ثانیه) انجام شده است. تقاضای توان فعال و راکتیو بار در طول ۲۴ ساعت در شکل ۹ و ولتاژ بار در شکل ۱۰ به ترتیب ارائه شده‌اند.

کاهش تأمین از شبکه با هدف دستیابی به عملکرد اقتصادی بهتر صورت می‌گیرد. در اوج عملکرد منابع تجدیدپذیر (۸ مگاوات برای خورشیدی و ۴.۵ مگاوات برای بادی)، مجموع توان تولیدی این دو منبع به حدود ۱۲.۵ مگاوات می‌رسد. این میزان توان می‌تواند بخش بزرگی از بار (در زمان افزایش به حدود ۲۱ مگاوات معادل ۱.۵ پی.یو) را پوشش دهد، در حالی که سهم تأمین از شبکه به کمتر از ۰.۵ پی.یو (حدود ۷ مگاوات) در آن لحظه کاهش می‌یابد.

توان‌های مدیریت‌شده شبکه، بادی و خورشیدی در شکل ۱۱ نشان داده شده‌اند. فرآیند تأمین توان ابتدا با شبکه اصلی در زمان ۱.۴۵ شروع می‌شود. سپس، با افزایش مشارکت انرژی بادی در تأمین بار، سهم شبکه کاهش یافته و عملیات اقتصادی‌تر می‌شود. در زمان ۲.۵ نیز انرژی خورشیدی وارد مدار شده و به همراه بادی، بار را تأمین می‌کند و وابستگی به شبکه را باز هم کم می‌کند. در اوج عملکرد این منابع تجدیدپذیر (مجموعاً ۱۲.۵ مگاوات)، بخش عمده‌ای از بار (حدود ۲۱ مگاوات) پوشش داده شده و سهم شبکه به حداقل ممکن (حدود ۷ مگاوات) می‌رسد. نمودار توان‌های مدیریت‌شده برای هر سه منبع در شکل ۱۱ ترسیم شده است.

بررسی شکل ۱۱ نشان می‌دهد که استفاده بهینه از انرژی‌های تجدیدپذیر می‌تواند تکیه بر نیروگاه‌های سوخت فسیلی را به‌طور قابل توجهی کاهش دهد. در این سناریو، حدود ۵۰ درصد از جبران توان مورد نیاز بار توسط منابع تجدیدپذیر انجام شده که هزینه کلی عملیات سیستم را به‌وضوح پایین می‌آورد.

سناریو II

در این سناریو، توان خروجی بادی و خورشیدی، مانند آنچه در اشکال ۱۲ نشان داده شده است، متغیر است. نتایج توان‌های مدیریت‌شده نیز در شکل ۱۳ ارائه شده‌اند.

نتیجه‌گیری

در این پژوهش، یک سیستم کنترل تطبیقی برای مدیریت انرژی پاک هیبریدی متصل به شبکه طراحی و از طریق شبیه‌سازی در محیط متلب ارائه شد. سیستم مورد مطالعه شامل پنل‌های خورشیدی، یک توربین بادی و یک ژنراتور دیزلی است. برای مدیریت هوشمند توان تغذیه بار، از یک کنترلر تطبیقی نوروفازی استفاده گردید. نتایج شبیه‌سازی، تضمین‌کننده عملکرد بهینه و مدیریت مؤثر انرژی در سیستم بودند. هدف اصلی تئوری به‌کار رفته، کاهش هزینه‌های اقتصادی یک سیستم هیبریدی PV/بادی متصل به شبکه، همراه با بهبود پاسخگویی سیستم به تغییرات احتمالی بار بود. دو سناریو مختلف برای اعتبارسنجی مدل کنترلی پیشنهادی شبیه‌سازی شدند. نتایج به‌دست‌آمده، راهکاری مناسب و کارآمد برای مدیریت انرژی‌های تجدیدپذیر هیبریدی متصل به شبکه را نشان می‌دهند.

مراجع

1. H. Sawall, A. Scheuriker, and D. Stetter, ‘‘Flexibility definition for smart grid cells in a decentralized energy system,’’ in Proc. 7th Int. Conf. Smart Cities Green ICT Syst., (2018), pp. 130-139. DOI:10.5220/0006803401300139
2. M. M. Hossain, K. R. Zafreen, A. Rahman, M. A. Zamee, and T. Aziz, ‘‘An effective algorithm for demand side management in smart grid for residential load,’’ in Proc. 4th Int. Conf. Adv. Electr. Eng. (ICAEE), (2017), pp. 336–340. DOI:10.1109/ICAEE.2017.8255377
3. X. Jiang and C. Xiao, ‘‘Household energy demand management strategy based on operating power by genetic algorithm,’’ IEEE Access, vol. 7, (2019), pp. 96414–96423. DOI:10.1109/ACCESS.2019.2928374
4. T. Sattarpour, D. Nazarpour, and S. Golshannavaz, ‘‘A multiobjective HEM strategy for smart home energy scheduling: A collaborative approach to support microgrid operation,’’ Sustain. Cities Soc., vol. 37, (2018), pp. 26–33. DOI:10.1016/j.scs.2017.09.037

برای مدیران و پژوهشگرانی که در حوزه انرژی‌های تجدیدپذیر و سیستم‌های مدیریت انرژی فعالیت می‌کنند، دسترسی به اطلاعات دقیق و به‌روز یک ضرورت است. در ادامه، منابعی را که برای توسعه و تحقیقات بیشتر مورد نیاز هستند، ارائه می‌دهیم:

منابع

• [۵] F. S. Fabiani Appavou, Adam Brown, Bärbel Epp, Duncan Gibb, Bozhil Kondev, Angus McCrone, Hannah E. Murdock, Evan Musolino, Lea Ranalder, Janet L. Sawin, Kristin Seyboth, Jonathan Skeen، «گزارش وضعیت جهانی انرژی‌های تجدیدپذیر در شهرها – ۲۰۲۱»، صفحات ۵۲، ۱۱۸، ۱۴۶، https://www.ren21.net/wpcontent/uploads/2019/05/GSR2021_Full_Report.pdf
• [۶] A. Alamri و I. Azim Niaz، «یک سیستم مدیریت انرژی خانگی بهینه‌شده با منابع انرژی تجدیدپذیر و ذخیره‌سازی یکپارچه»، Energies، جلد ۱۰، (۲۰۱۷)، شماره ۴، صفحه ۵۴۹. DOI:۱۰.۳۳۹۰/en10040549
• [۷] H. T. Dinh، J. Yun، D. M. Kim، K. Lee و D. Kim، «یک سیستم مدیریت انرژی خانگی با انرژی تجدیدپذیر و ذخیره‌سازی انرژی که از شبکه اصلی و فروش برق استفاده می‌کند»، IEEE Access، جلد ۸، (۲۰۲۰)، صفحات ۴۹۴۳۶–۴۹۴۵۰. DOI:۱۰.۱۱۰۹/ACCESS.۲۰۲۰.۲۹۷۹۱۸۹
• [۸] C. Byers و A. Botterud، «ارزش ظرفیت اضافی از هم‌افزایی انرژی تجدیدپذیر متغیر و ذخیره‌سازی انرژی»، IEEE Trans. Sustain. Energy، جلد ۱۱، (۲۰۲۰)، شماره ۲، صفحات ۱۱۰۶–۱۱۰۹. DOI: ۱۰.۱۱۰۹/TSTE.۲۰۱۹.۲۹۴۰۴۲۱
• [۹] M. Rizwan، L. Hong، W. Muhammad، S. W. Azeem و Y. Li، «بهینه‌ساز هیبرید هریس هاکس برای ادغام منابع انرژی تجدیدپذیر با در نظر گرفتن رفتار تصادفی منابع انرژی»، Int. Trans. Elect. Energy Syst.، جلد ۳۱، (۲۰۲۱)، شماره ۲، Art. no. e12694، DOI: ۱۰.۱۰۰۲/۲۰۵۰-۷۰۳۸.۱۲۶۹۴
• [۱۰] A. Kadri، H. Marzougui، A. Aouiti و F. Bacha، «استراتژی مدیریت و کنترل انرژی برای یک سیستم هیبرید از توربین بادی DFIG/سلول سوختی با سیستم ذخیره‌سازی سوپر خازن»، Energy، جلد ۱۹۲، (۲۰۲۰)، Art. no. ۱۱۶۵۱۸. DOI:۱۰.۱۰۱۶/j.energy.۲۰۱۹.۱۱۶۵۱۸
• [۱۱] Jie، Wu. «فن‌آوری‌های کنترلی در سیستم تولید توزیع‌شده بر پایه انرژی تجدیدپذیر.» کنفرانس بین‌المللی IEEE در زمینه سیستم‌ها و کاربردهای الکترونیک قدرت (PESA)، (۲۰۰۹).
• [۱۲] Bagherian، Alireza و SM Moghaddas Tafreshi. «سیستم مدیریت انرژی توسعه یافته برای یک میکروگرید در بازار برق رقابتی.» IEEE Bucharest PowerTech، (۲۰۰۹). DOI: ۱۰.۱۱۰۹/PTC.۲۰۰۹.۵۲۸۱۷۸۴
• [۱۳] Jiang، Zhenhua و Xunwei Yu «میکروگریدهای هیبرید DC و AC: به سوی ادغام منابع انرژی توزیع‌شده»، کنفرانس انرژی ۲۰۳۰ IEEE، (۲۰۰۸). DOI:۱۰.۱۱۰۹/ENERGY.۲۰۰۸.۴۷۸۱۰۲۹
• [۱۴] Brenna، Morris، Enrico Tironi و Giovanni Ubezio. «پیشنهاد یک شبکه توزیع DC محلی با منابع انرژی توزیع‌شده.» کنفرانس بین‌المللی یازده‌ام بر روی هارمونیک‌ها و کیفیت توان، IEEE Cat. No. 04EX951، (۲۰۰۴). DOI:۱۰.۱۱۰۹/ICHQP.۲۰۰۴.۱۴۰۹۳۸۸
• [۱۵] Maaruf، Muhammad، Khalid Khan و Muhammad Khalid. «کنترل قوی برای عملیات بهینه‌شده جزیره‌ای و متصل به شبکه از انرژی هیبرید خورشیدی/بادی/باتری.» Sustainability ۱۴.۹، ۵۶۷۳، (۲۰۲۲). DOI:۱۰.۳۳۹۰/su14095673
• [۱۶] Chouaib، Ammari، Hamouda Messaoud و Makhloufi Salim. «اندازه‌گیری، مدل‌سازی و شبیه‌سازی برای PV/توربین بادی/ژنراتور دیزلی هیبرید به منظور تأمین انرژی روستایی در جنوب الجزایر.» EAI Endorsed Transactions on Energy Web 4.15 (2017). DOI: 10.1002/est2.211
• [۱۷] S. Lee، J. Lee، H. Jung، J. Cho، J. Hong، S. Lee و D. Har، «مدیریت بهینه توان برای نانوگریدها بر اساس اطلاعات فنی دستگاه‌های الکتریکی»، Energy Buildings، جلد ۱۹۱، (۲۰۱۹)، صفحات ۱۷۴–۱۸۶. DOI: ۱۰.۱۰۱۶/j.enbuild.۲۰۱۹.۰۳.۰۲۶
• [۱۸] F. K. Arabul، A. Y. Arabul، C. F. Kumru و A. R. Boynuegri، «تأمین مدیریت انرژی یک سیستم خانه هوشمند هیبرید از سلول سوختی/باتری/توربین بادی/پنل خورشیدی در شبکه‌های مستقل»، Int. J. Hydrogen Energy، جلد ۴۲، شماره ۴۳، (۲۰۱۷)، صفحات ۲۶۹۰۶–۲۶۹۱۳. DOI: ۱۰.۱۰۱۶/j.ijhydene.۲۰۱۷.۰۲.۲۰۴
• [۱۹] Kavya، M. و S. Jayalalitha. «توسعه‌ها در الگوریتم مزاحم و مشاهده برای پیگیری نقطه حداکثر توان در پنل‌های فتوولتائیک: یک مرور.» Archives of Computational Methods in Engineering ۲۸، (۲۰۲۱)، ۲۴۴۷-۲۴۵۷. DOI:۱۰.۱۰۰۷/s11831-۰۲۰-۰۹۴۶۱
• [۲۰] Motahhir، Saad، Aboubakr El Hammoumi و Abdelaziz El Ghzizal. «پرکاربردترین الگوریتم‌های MPPT: مرور و برد مدار تعبیه شده مناسب و کم‌هزینه برای هر الگوریتم.» Journal of Cleaner Production، (۲۰۲۰). DOI:۱۰.۱۰۱۶/j.jclepro.۲۰۱۹.۱۱۸۹۸۳
• [۲۱] Putri، Ratna Ika و همکاران. «بهبود استخراج توان حداکثر با استفاده از ابزار بدون حسگر بر اساس الگوریتم مزاحم و مشاهده برای کاربرد توربین بادی PMSG.» IET Electric Power Applications، (۲۰۱۸)، ۴۵۵-۴۶۲. DOI: ۱۰.۱۰۴۹/iet-epa.۲۰۱۷.۰۶۰۳
• [۲۲] Twaha، Ssennoga و Makbul AM Ramli. «مروری بر رویکردهای بهینه‌سازی برای سیستم‌های تولید انرژی توزیع‌شده هیبرید: سیستم‌های مستقل و متصل به شبکه.» Sustainable Cities and Society ۴۱، (۲۰۱۸)، ۳۲۰-۳۳۱. DOI: ۱۰.۱۰۱۶/j.scs.۲۰۱۸.۰۵.۰۲۷
• [۲۳] Mahmoud، Fayza S. و همکاران. «اندازه‌گیری و طراحی یک سیستم ذخیره‌سازی PV-Wind-Fuel Cell ادغام‌شده در شبکه با در نظر گرفتن عدم قطعیت در بار تقاضا با استفاده از الگوریتم شکارچیان دریایی.» Mathematics، (۲۰۲۲). DOI: ۱۰.۳۳۹۰/math10193708
• [۲۴] Singh، Urvi و همکاران. «سیستم مدیریت انرژی و پیاده‌سازی آن در شبکه هوشمند با استفاده از منابع انرژی تجدیدپذیر.» کنفرانس بین‌المللی در زمینه انرژی پایدار، الکترونیک و سیستم‌های محاسباتی (SEEMS)، IEEE، ۲۰۱۸. DOI: ۱۰.۱۱۰۹/SEEMS.۲۰۱۸.۸۶۸۷۳۵۱
• [۲۵] Mohammed Y. Suliman و Farrag M. E.، «تعادل نیرو و کنترل خطوط انتقال با استفاده از جبران کننده سری استاتیک»، 53مین کنفرانس بین‌المللی مهندسی قدرت دانشگاه‌ها (UPEC)، IEEE، (۲۰۱۸)، صفحات ۱-۵. DOI:۱۰.۱۱۰۹/UPEC.۲۰۱۸.۸۵۴۱۸۹۴
• [۲۶] Suliman، Mohammed Yahya. «مدیریت جریان قدرت فعال و راکتیو در خطوط انتقال موازی با استفاده از جبران‌سازی سری استاتیک (SSC) همراه با ذخیره‌سازی انرژی.» International Journal of Electrical and Computer Engineering، (۲۰۱۹). DOI:۱۰.۱۱۵۹۱/ijece.v9i6.pp4598-۴۶۰۹
• [۲۷] Mahmood T. Alkhayyat، Suliman، Mohammed Yahya. «کنترل SSSC مبتنی بر نوروفازی برای کنترل قدرت فعال و راکتیو در خطوط AC با نوسان کاهش‌یافته.» Przegląd Elektrotechniczny، ۷۹ (۲۰۲۱)، شماره ۳، ۷۵-۷۹. DOI:۱۰.۱۱۵۹۱/eei.v9i5.۲۲۹۰
• [۲۸] M. Y. Suliman و Mahmood T. Al-Khayyat، «کنترل جریان قدرت در خطوط انتقال موازی مبتنی بر UPFC»، Bull. Electr. Eng. Informatics، جلد ۹، (۲۰۲۰)، شماره ۵، صفحات ۱۷۵۵-۱۷۶۵. DOI: ۱۰.۱۱۵۹۱/eei.v9i5.۲۲۹۰

نویسندگان

نویسندگان این مقاله عبارتند از: دکتر م.ت. الخیاط از دانشگاه فنی شمالی در موصل، عراق (پست الکترونیک: m.t.alkhayyat@ntu.edu.iq)، لائیت الف. خلف از همان دانشگاه (پست الکترونیک: laith.abd@ntu.edu.iq)، و دکتر محمد ی. سلیمان از دانشگاه فنی شمالی، موصل، عراق (پست الکترونیک: mohammed.yahya@ntu.edu.iq).

شناسه منبع و ناشر

این مقاله در نشریه PRZEGLĄD ELEKTROTECHNICZNY با شناسهISSN ۰۰۳۳-۲۰۹۷، در دوره ۹۹، شماره ۱۲ سال ۲۰۲۳ منتشر شده است (شماره DOI:۱۰.۱۵۱۹۹/۴۸.۲۰۲۳.۱۲.۱۹).

منتشر شده توسط PQBlog

مهندس برق

مشاهدهٔ مطالب بیشتر

پرسش‌های متداول

سیستم ترکیبی تجدیدپذیر (Renewable Hybrid System) چیست؟

سیستم ترکیبی تجدیدپذیر ترکیبی از چندین منبع انرژی تجدیدپذیر (مانند خورشیدی و بادی) است که به طور همزمان برای تامین انرژی مورد نیاز استفاده می‌شوند و قابلیت работа در حالت آفلاین (Off-grid) یا آنلاین (On-grid) را دارند.

کنترل تطبیقی (Adaptive Control) چگونه کیفیت توان الکتریکی را بهبود می‌بخشد؟

کنترل تطبیقی با پایش مداوم پارامترهای شبکه و تنظیم خودکار تنظیمات کنترلر، نوسانات ولتاژ، هارمونیک‌ها و بی‌تعادلی‌ها را به حداقل می‌رساند و بر روی کیفیت توان تأثیر مثبتی می‌گذارد.

مزایای استفاده از شبکه هوشمند (Smart Grid) در مدیریت انرژی چیست؟

شبکه هوشمند امکان یکپارچه‌سازی منابع توزیع‌شده، مدیریت تقاضا، کاهش اتلاف، افزایش قابلیت اطمینان و بهبود کیفیت توان را فراهم می‌کند.

چرا اولویت با انرژی‌های خورشیدی و بادی در سیستم پیشنهادی داده شده است؟

انرژی‌های خورشیدی و بادی پاک، تجدیدپذیر و با هزینه بهره‌برداری پایین هستند. اولویت‌دهی به آن‌ها وابستگی به سوخت‌های فسیلی و شبکه اصلی را کاهش داده و انبعاثات کربن را به حداقل می‌رساند.

نرم‌افزار MATLAB/Simulink در این تحقیق چه نقشی دارد؟

MATLAB/Simulink برای شبیه‌سازی و اعتبارسنجی عملکرد کنترلر تطبیقی در سناریوهای مختلف عملیاتی (مانند تغییر بار، تغییر تابش خورشیدی و سرعت باد) استفاده شده است.

منبع: powerquality.blog