Βέλτιστος σχεδιασμός διεσπαρμένης παραγωγής στα δίκτυα διανομής λαμβάνοντας υπόψη αβεβαιότητες

Abstract

Σκοπός της διπλωματικής εργασίας είναι ο καθορισμός του βέλτιστου πλάνου τοποθέτησης και διαστασιολόγησης διεσπαρμένης παραγωγής στα δίκτυα διανομής λαμβάνοντας υπόψη αβεβαιότητες. Η μέθοδος, η οποία χρησιμοποιείται, είναι ο γενετικός αλγόριθμος με ενσωματωμένη πιθανοτική ροή φορτίου, που εφαρμόζεται για την επίλυση προβλημάτων βελτιστοποίησης, τα οποία μοντελοποιούνται μαθηματικά με προγραμματισμό υπό πιθανοτικούς περιορισμούς, και αναλύεται για δυο διαφορετικές μεθόδους πιθανοτικής ροής φορτίου, την προσομοίωση Monte Carlo και την μέθοδο εκτίμησης σημείου. Οι αβεβαιότητες που αναλύονται είναι η τυχαία μελλοντική αύξηση του φορτίου στα δίκτυα διανομής, η τυχαία ισχύς εξόδου των ανεμογεννητριών και των φωτοβολταϊκών, λόγω της τυχαιότητας της ταχύτητας του ανέμου και της έντασης της ηλιακής ακτινοβολίας, αντίστοιχα, καθώς επίσης και η τυχαία αύξηση του κόστους των καυσίμων και της τιμής πώλησης της ηλεκτρικής ενέργειας. Στην παρούσα εργασία, υλοποιήθηκε αλγόριθμος σε περιβάλλον MATLAB για την εύρεση της βέλτιστης τοποθέτησης και διαστασιολόγησης διεσπαρμένης παραγωγής λαμβάνοντας υπόψη αβεβαιότητες, χρησιμοποιώντας και κάποια στοιχεία από το λογισμικό πακέτο MATPOWER, το οποίο είναι λογισμικό σε MATLAB, για τον υπολογισμό ροών φορτίου. Επιπλέον, αναπτύχθηκε γραφικό περιβάλλον (GUI) για την καλύτερη και πιο εύχρηστη εφαρμογή του προγράμματος και την εξαγωγή αποτελεσμάτων. Με βάση κάποια υποψήφια σενάρια εγκατάστασης μονάδων διεσπαρμένης παραγωγής διαφόρων τύπων και μεγεθών σε καθορισμένους υποψήφιους ζυγούς του δικτύου, ο γενετικός αλγόριθμος δημιουργεί έναν αρχικό πληθυσμό από χρωμοσώματα, των οποίων κάθε γονίδιο αντιπροσωπεύει την εγκατεστημένη ισχύ του αντίστοιχου τύπου μονάδας διεσπαρμένης παραγωγής στον αντίστοιχο υποψήφιο ζυγό σύνδεσης. Για καθένα από αυτά τα χρωμοσώματα εκτελείται πιθανοτική ροή φορτίου και αξιολογούνται με βάση μια αντικειμενική συνάρτηση. Ο πληθυσμός ταξινομείται, τα καλύτερα από αυτά επιβιώνουν και τα υπόλοιπα διαγράφονται. Έπειτα από εξέλιξη του πληθυσμού με διασταύρωση και μετάλλαξη δημιουργείται μια νέα γενιά. Η διαδικασία αυτή επαναλαμβάνεται μέχρι να βρεθεί η βέλτιστη ή μια πολύ καλή λύση και τερματίζει σύμφωνα με κάποια κριτήρια. Το λογισμικό που αναπτύχθηκε εφαρμόζεται σε δίκτυα των 4, 15 και 33 ζυγών για διάφορες περιπτώσεις και επίσης γίνεται μια συγκριτική μελέτη των δύο μεθόδων πιθανοτικής ροής φορτίου που αναλύονται. Τέλος παρουσιάζονται τα αποτελέσματα και εξάγονται συμπεράσματα.

The scope of this thesis is the optimal siting and sizing of distributed generation within a power distribution network considering uncertainties. A probabilistic load flow-embedded genetic algorithm-based approach is applied in order to solve the optimization problem that is modeled mathematically under a chance constrained programming framework. Two methods for calculating probabilistic load flow namely, Monte Carlo Simulation and Point Estimate Method, are used. The uncertainties considered include the future uncertain load growth in distribution systems, the uncertain wind generation and the uncertain output power of photovoltaics, due to the stochastic wind speed and the stochastic solar illumination intensity, respectively. Moreover, this thesis also examines the random rise of volatile fuel costs and the random electricity prices. In the present diploma thesis, an algorithm in MATLAB environment was implemented for calculating the optimal siting and sizing of distribution generation considering uncertainties by using some tools from the MATPOWER software, which is a software developed in MATLAB in order to solve the power flow and the optimal power flow problems. Furthermore, a graphical user interface was developed in order to make the program user-friendly and to extract results. Based on some candidate schemes of different distributed generation types and sizes, placed in specific candidate nodes of the network, the genetic algorithm creates an initial population of chromosomes, from which each gene represents the capacity of each candidate type in each candidate node. For each chromosome, a probabilistic load flow is executed and the chromosome is evaluated by using an objective function. The population is ranked, the best chromosomes survive and the others are deleted. After the evolution of population, with crossover and mutation, a new generation is created. This procedure is repeated until an optimal or a very good solution is found and finally it terminates based on some stopping criteria. The developed software is applied on a 4 bus network, a 15 bus network and a 33 bus network for several cases. Moreover, a comparative study of the two methods of solving the probabilistic load flow is presented. Detailed results are presented and conclusions are drawn.