۸۲.۱

پخش بار به روش نیوتون-رافسون (۳۶۵ روز)

۶۷.۶

پخش بار سری زمانی (۳۶۵ روز)

۲۱۳

پخش بار به روش نیوتون-رافسون (۱۰۰۰ روز)

۹۸.۴۴

پخش بار سری زمانی (۱۰۰۰ روز)

فصل پنجم
استفاده از سری زمانی DAR برای مدلسازی پارامترهای گسسته در سیستم قدرت

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

استفاده از سری زمانی DAR برای مدلسازی پارامترهای گسسته در سیستم قدرت
مقدمه
یکی از مهمترین ویژگی های تولیدات و بارهای تصادفی، ارتباط در حوزه زمان است. ارتباط در حوزه زمان را می توان با مدل کردن بارها و تولیدات سیستم به صورت سری زمانی در نظر گرفت. برخی از متغیرها همچون تپ ترانس و توان خروجی واحدهای تولید پراکنده CHP و بانک های خازنی در سیستم قدرت به صورت گسسته در نظر گرفته می شوند. در این فصل از مدل خودبازگشتی گسسته^[۶۷] که ابتدا توسط بیسواس^[۶۸] و سانگ^[۶۹] (۲۰۰۹) ]۵۳[ معرفی شده و سپس توسط سانگ و همکاران (۲۰۱۳) ]۵۴[ تصحیح شده است برای شبیه سازی این متغیرها در سیستم قدرت استفاده می شود.
متغیرهای گسسته در سیستم قدرت
یکی از مهمترین ویژگی های تولیدات و بارهای تصادفی ارتباط در حوزه زمان است. ارتباط در حوزه زمان را می توان با مدل کردن بارها و تولیدات سیستم به صورت سری زمانی در نظر گرفت. در روش مونت کارلو اگر ورودی ها به صورت سری زمانی در نظر گرفته شوند، ولتاژ و توان عبوری از خطوط نیز به صورت سری زمانی به دست خواهد آمد. اما مسئله اساسی یافتن تابع توزیع ولتاژ و توان عبوری از خطوط است و نه الزاما در نظر گرفتن ارتباط زمانی میان متغیرهای ورودی سیستم، به عبارت دیگر اگر چه در شبیه سازی تولیدات و بارهای سیستم ارتباط زمانی می تواند مولفه ی مهمی باشد اما در پخش بار احتمالی مرسوم که خروجی های مناسب اغلب به صورت تابع توزیع ولتاژ و توان عبوری از خطوط می باشند، این ارتباط زمانی نمی تواند چندان مهم باشد. موارد گفته شده تنها برای شبکه هایی صادق است که فاقد پارامترهای متغیر با زمان همچون تغییرات تپ ترانس، وضعیت بانک های خازنی یا واحدهای تولید پراکنده CHP در سیستم باشد ]۴[.
مدلسازی تپ ترانس
در روش های پخش بار معمول، تغییر تپ ترانس به صورت تغییر در امپدانس مدل ترانس در نظر گرفته می شود. تنظیم تپ ترانس در دو حالت کنترل ولتاژ و جبران سازی اتلاف توان انجام می شود. در یک مسئله پخش بار معمولی اگر دامنه ولتاژ کنترل شده در رنج تغییرات مجاز قرار داشته باشد تپ ترانس در ساعت tام نسبت به ساعت t-1ام بدون تغییر خواهد ماند. همچنین اگر دامنه ولتاژ خارج از محدوده مجاز باشد تپ ترانس به شکل معادله زیر تغییر خواهد کرد:

(‏۵-۱)

که در این معادله p(t) مکان تپ ترانس بر حسب زمان، v ولتاژ کنترل شده، v_min و v_max حد پایین و بالای کنترل ولتاژ است ]۵۵[.
در شبیه سازی هایی که به روش مونت کارلو انجام می شود به دلیل انتخاب تصادفی تولید و مصرف از تابع توزیع متغیرهای سیستم و انتخاب تصادفی ساعت هایی که برای آن ها پخش بار انجام می شود، نمی توان از معادله بالا برای تغییر تپ ترانس استفاده کرد. زیرا ترتیب زمانی که معادله بالا در نظر می گیرد وابسته به زمان t-1ام است اما در روش مونت کارلو که بازه های زمانی مختلف به شکل تصادفی انتخاب می شوند، ممکن است این ترتیب زمانی صورت نگیرد و نتایج حاصل از پخش بار با در نظر گرفتن تپ ترانس چندان درست نباشد ]۵۵[. به دلیل اهمیت ترتیب زمانی در متغیر تپ ترانس در سیستم قدرت، در اینجا از یک مدل سری زمانی گسسته برای تغییر تپ ترانس در بازه های زمانی مختلف بر مبنای اطلاعات موجود یک سیستم نمونه پیشنهاد شده است. در واقع در اینجا از مکانیزم کنترل ولتاژ که در معادله بالا عنوان شده صرفنظر می شود و تنها مبنای ترتیب زمانی را برای شبیه سازی مکان تپ ترانس در بازه های زمانی مختلف در نظر می گیرد.
مدلسازی واحدهای تولید پراکنده CHP
با اضافه شدن تولیدات پراکنده به شبکه های توزیع، بهره برداری از این شبکه ها با مسائل زیادی همراه شده است. سوخت ورودی برای واحدهای تولید پراکنده CHP همانند بایومس و گاز طبیعی را می توان بر حسب تقاضای بار تامین نمود و بنابراین یک منبع تولید تصادفی نخواهد بود. اما وضعیت بهره برداری از واحدهای CHP تا حدود زیادی توسط بارهای حرارتی و قیمت برق تغییر می کند ]۵۶[. چون واحدهای تولید CHP توسط تنظیم کننده های توان به صورت متناوب روشن و خاموش می شوند، بنابراین مقادیر توان خروجی واحدهای CHP به صورت گسسته هستند و از مدل مارکو گسسته برای شبیه سازی آن ها استفاده می شود ]۴[. توان خروجی واحدهای CHP به دلیل تغییرات بارهای حرارتی و تعرفه هزینه برق در ساعات مختلف روز دارای تغییرات مشخص روزانه است که سبب می شود از ماتریس های انتقال متفاوت در روش مارکو در بازه های زمانی مختلف در یک روز استفاده شود. بنابراین وضعیت تولید واحدهای CHP در ساعات مختلف روز، یک متغیر تصادفی گسسته با تعداد مشخصی وضعیت تولیدی خواهد بود. وضعیت تولید واحدهای CHP در طول یک بازه زمانی و در ساعات مختلف مستقل از هم نیستند، به طور مثال وضعیت در ساعت حاضر تا حد زیادی شبیه به ساعت پیشین خواهد بود. در نهایت وضعیت تولید واحدهای CHP در طول یک بازه زمانی به صورت یک متغیر گسسته خواهد بود ]۴[. برای مدل کردن فرآیندهای تصادفی گسسته مدل های مرسوم ARMA کافی نیست، زیرا این مدل ها تنها برای فرآیندهای پیوسته مناسب است. تابع چگالی وضعیت تولید در واحدهای CHP باید در مدلسازی ها در نظر گرفته شوند زیرا چگونگی وضعیت تولید در حالت واقعی را مشخص می کند. ارتباط در حوزه زمان در وضعیت تولید واحدهای CHP پارامتر مهم دیگری است که در مدلسازی آن ها باید در نظر گرفته شود. زیرا این ارتباط مشخص می کند وضعیت تولید در ساعت بعدی تا چه حد از وضعیت تولید در حال حاضر تاثیر می پذیرد ]۴[. در ]۴[ از مدل مارکوف گسسته برای شبیه سازی توان خروجی واحدهای CHP استفاده شده است. در این مرجع، در ساعات مختلف روز از ماتریس های انتقال متفاوت استفاده می کند. مراجع ]۵۷-۵۸[ از مدل مارکوف گسسته برای شبیه سازی سرعت باد استفاده می کند. همچنین مرجع ]۵۹[ از این مدل جهت شبیه سازی توان خروجی توربین بادی بهره می برد.
در این فصل برای شبیه سازی پارامترهای گسسته در سیستم قدرت از سری های زمانی Discrete ARMA استفاده شده است. یکی از مزایای استفاده از مدل DAR نسبت به مدل های مارکوف که برای شبیه سازی پارامترهای گسسته استفاده می شود این است که در مدل مارکوف با افزایش تعداد حالت های گسسته، تعداد پارامترهای ماتریس انتقال به صورت نمایی افزایش می یابد ]۵۴[. در پخش بار احتمالی هنگامی که از روش مونت کارلو ترتیبی برای حل مسئله استفاده شود، می توان از مدل DAR برای شبیه سازی متغیرهای گسسته استفاده نمود.
این مدل ها می توانند برخی توابع توزیع گسسته را برای داده ها در مدل به دست آمده در نظر بگیرند. در این مدل ها ACC به فرم مدل های ARMA(p,q) معمولی می باشد. همچنین در این مدل برای انتخاب درجه مناسب مدل AR، از شاخص بایاس تصحیح شده AIC^[70] استفاده می کند. برای بررسی برازندگی مدل انتخاب شده نیز از تست ممان شرطی تصادفی^[۷۱] استفاده می شود ]۵۴[.
فرآیندهای خودبازگشتی گسسته (DAR)
معرفی مدل
عملگر پگرام^[۷۲] * برای ترکیب توابع توزیع گسسته استفاده می شود. برای دو متغیر تصادفی گسسته و مستقل U و V و برای ضریب φکه بین صفر و یک تعریف می شود، متغیر تصادفی Z که ترکیب متغیرهای U و V می باشد به شکل زیر است:

(‏۵-۲)

و تابع توزیع شرطی متغیر تصادفی Z نیز به صورت رابطه زیر است: