25975

برنامه‌ريزي هاب انرژي مجازي در حضور خودروهاي تركيبي CNG و الكتريكي متصل با استفاده از يادگيري عميق و روش استوار سناريومحور

كارشناسي ارشد

مهندسي برق- سيستم‌هاي قدرت

1398

1400/10/29

حيدرعلي شايانفر - عليرضا جليليان

بهنام محمدي ايواتلو

مهندسي برق

با افزايش استفاده از منابع انرژي پراكنده ، توسعه سيستم‌هاي انرژي يكپارچه با سيستم‌هاي قدرت به موضوعي مهم تبديل شده است. يك هاب انرژي كه مي‌تواند چندين حامل انرژي را مديريت، ذخيره و منتقل كند، مي‌تواند راه‌حلي براي اين موضوع باشد. براي تسهيل مشاركت يك هاب انرژي در بازارهاي انرژي الكتريكي و حرارتي مفهوم هاب انرژي مجازي معرفي شده است كه تركيبي از دو مفهوم نيروگاه مجازي و هاب انرژي است. در اين پايان‌نامه، برنامه‌ريزي هاب انرژي مجازي براي شركت در بازارهاي الكتريكي و حرارتي ارائه شده است. خودروهاي تركيبي CNG و الكتريكي متصل در ساختار هاب انرژي مجازي در نظر گرفته شده است كه مي‌توانند از انرژي الكتريكي و CNG براي تأمين انرژي موردنياز استفاده كنند. اين خودروها در حالت الكتريكي آلاينده‌اي توليد نمي‌كنند و در حالت مصرف CNG آلاينده كمتري نسبت به خودروهاي بنزيني توليد مي‌كنند. سوخت جايگزين مي‌تواند بخشي از محدوديت‌هاي زمان طولاني شارژ خودروهاي الكتريكي و تحميل بار اضافي توسط اين خودروها در ساعات اوج بار را رفع كند. براي تأمين سوخت ثانويه خودروهاي تركيبي CNG و الكتريكي متصل، ايستگاه CNG در مدل‌سازي هاب انرژي مجازي در نظر گرفته شده است كه گاز طبيعي ورودي از شبكه گاز طبيعي را فشرده و در اختيار اين خودروها قرار مي‌دهد. همچنين، ذخيره‌سازهاي حرارتي مبتني بر تغيير فاز ماده كه برخلاف ذخيره‌سازهاي ديگر در طول مدت شارژ و دشارژ در دماي ثابت كار مي‌كنند در ساختار هاب انرژي مجازي در نظر گرفته شده است. ثابت ماندن دماي اين ذخيره‌سازها امكان فراهم كردن ظرفيت‌ بالاي ذخيره‌سازي در دماهاي معمول را فراهم مي‌كند. براي حل سيستم ارائه شده از دو روش استوار سناريومحور و يادگيري عميق در دو مدل‌سازي جداگانه استفاده شده است. روش استوار سناريومحور در اين پايان‌نامه به‌گونه‌اي تغيير داده شده است كه بتواند ريسك پايين‌دست مسئله را بدون افزودن محدوديت مازاد كنترل كند. براي توسعه بهينه‌سازي مبتني بر يادگيري عميق، از شبكه‌هاي عميق حافظه كوتاه‌مدت بلند دوجهته استفاده شده است كه عملكرد مناسبي در پيش‌بيني مقادير پارامترهاي غيرقطعي از خود نشان مي‌دهند. نتايج به‌دست‌آمده از دو مدل توسعه داده شده براي هاب انرژي مجازي، نشان از اهميت سيستم‌ پيشنهادي اين پايان‌نامه در يكپاچه‌سازي سيستم قدرت با شبكه‌هاي گاز طبيعي، حرارتي و سيستم‌هاي حمل‌و‌نقلي و كاهش آلاينده‌هاي توليدي توسط اين شبكه‌ها دارد.

1400/11/11

Scheduling of Virtual Energy Hub in the Presence of Hybrid CNG and Plug-in Electric Vehicles Using Deep Learning and Scenario-based Robust Approaches

1/19/2023 12:00:00 AM

With the increasing use of distributed energy resources, the development of energy systems integrated with power systems has become an important issue. An energy hub can manage, store and transfer multiple energy carriers. To facilitate the participation of an energy hub in the electric and thermal energy markets, the concept of virtual energy hub has been introduced, which is a combination of the two concepts of virtual power plant and energy hub. This thesis presents the self-scheduling of a virtual energy hub to participate in the multiple energy and reserve markets. The hybrid CNG and plug-in electric vehicles (HPEVs) are considered in the virtual energy hub structure that can use both electrical energy and compressed natural gas (CNG) to fulfill their energy needs. These vehicles emit no pollutants during the electric mode and emit lower amounts of pollutants when consuming CNG compared to gasoline vehicles. The alternative fuel can tackle the limitations of prolonged charging of electric vehicles and excess load caused by these vehicles at peak hours. To supply the secondary fuel of HPEVs, the modeled VEH includes a CNG station, which compresses the natural gas imported from the natural gas grid before delivering it to the vehicles. Furthermore, phase change material-based thermal energy storage (PCMTES) is considered in VEH configuration, which operates at a constant temperature during the charging and discharging period, unlike other common thermal energy storage systems. To solve the proposed system, robust scenario-based and deep learning methods in two separate modelings have been used. The robust scenario-based approach in this thesis has been modified to be able to control the downside risk of the problem without adding excess constraints. To develop optimization based on deep learning, deep bidirectional long short-term memory networks have been used, which show good performance in predicting values of uncertain parameters. The results of the two models developed for the virtual energy hub show the importance of the proposed system of this thesis in integrating the power systems with natural gas grid, thermal network, and transportation systems and reducing the pollutants produced by these networks.