18611

۱۸۶۱۱

برنامه ريزي عرضه برق با استفاده از انرژي هاي تجديد پذير در شرايط عدم قطعيت تقاضا ناشي از عوامل فرهنگي و اجتماعي

كارشناسي ار شد

سيستم هاي اقتصادي - اجتماعي

بهمن ۱۳۹۶

دكتر سعيد شوال پور

مهندسي پيشرفت

عوامل اجتماعي مي تواند يكي از عوامل تاثيرگذار در حوزه برنامه ريزي انرژي الكتريكي عمل نمايد كه كمتر به آن توجه شده است اكثر پژوهش هاي پيشين در تلاش بوده اند تا عوامل فرهنگي يا اجتماعي كه مي تواند مصرف را كاهش داده ارائه نمايند برخي ديگر از دسته هاي پژوهش نيز با بكارگيري از مدل هاي تحقيق در عمليات به دنبال كمينه سازي يا بيشينه سازي يك تابع هدف با رعايت شروط و محدوديت ها هستند اما سوال اساسي كه علت اجراي اين پژوهش بوده اين است كه چگونه مي توان از عوامل فرهنگي – اجتماعي در برنامه ريزي با استفاده از مدل هاي تحقيق در عمليات استفاده نمود؟تاثير اين عوامل در برنامه ريزي چيست؟در اين پايان نامه ابتدا با بررسي پژوهش هاي پيشين عوامل موثر بر تقاضاي برق شناسايي شده است. اين عوامل به همراه تقاضاي آن براي كليه استان ها كشور به صورت ماتريس داده ها به يك شبكه عصبي مصنوعي وارد شده تا مدلي جهت بررسي تغيير و تاثير اين عوامل بر تقاضا توليد شود سپس هر يك از اين عوامل تغيير داده شده و ميزان تقاضا در اثر اين تغيير توسط مدل شبكه عصبي برآورد مي گردد. تقاضا برآورده شده به يك مدل برنامه ريزي تصادفي دومرحله اي به عنوان يك متغير برون زا وارد شده و مدل نسبت متغيرهاي تصميم در مساله به هدف كمينه سازي هزينه هاي توليد تصميم گيري مي نمايد. متغيرهاي تصميم در مدل مقدار ظرفيت هر يك از نيروگاه هاي سوخت فسيلي، بادي و خورشيدي مي باشد. باتوجه به اينكه در فرآيند مدلسازي از مدل برنامه ريزي تصادفي دومرحله استفاده شده است عدم قطعيت سمت تقاضا و عدم قطعيت سمت عرضه در مدل مديريت شده و مدل مي تواند با درنظرگرفتن هر دو شرايط تصميم گيري نمايد. عدم قطعيت سمت تقاضا ناشي از عوامل فرهنگي – اجتماعي و عدم قعطيت سمت عرضه ناشي از منابع طبيعي همچون باد و خورشيد مي باشد.

1396/12/21

2/20/2020 12:00:00 AM

Due to the importance of socio-cultural factors in planning and reducing costs, a model for optimizing renewable energy supply in the conditions of supply and demand uncertainty has been designed and presented. By using an artificial neural network, the amount of demand is estimated by socio-cultural feature and the results (demand) feeds into a two-stage stochastic programming. finally, the results are simulated and presented.