ترجمه مقاله نقش ضروری ارتباطات 6G با چشم انداز صنعت 4.0
- مبلغ: ۸۶,۰۰۰ تومان
ترجمه مقاله پایداری توسعه شهری، تعدیل ساختار صنعتی و کارایی کاربری زمین
- مبلغ: ۹۱,۰۰۰ تومان
This paper presents a methodology to optimally share the available grid capacity among customer assets connected within a low voltage distribution grid. Distributed energy resources (DERs) and a new generation of loads such as heat pumps, thermal, hydrogen, electric storages, and vehicles are increasingly being connected to distribution grids. These DERs and loads are intermittent and it is essential to optimally control them for the safe operation of the grid. Additionally, there is increased interest in the local generation, production, trading, and consumption of energy. New regulations to establish local energy communities (LEC) have come to fruition among member nations across Europe. This is to provide a control, market, and legal framework for managing such distributed generators and flexibilities in low and medium-voltage distribution grids and conclusively empower end-users to democratize the energy system. Within a LEC, a local energy market (LEM) is to be implemented. A significant constraint of a LEM or energy accounting system is the grid settlement process. The grid should remain in a steady state when the bids in the market are executed. The methodology discussed in this paper will preemptively stabilize the grid and generate limiting profiles at various locations for individual flexibilities that are part of the local energy market. This is achieved by using an Optimal Capacity Management system which generates limiting profiles at the points of common couplings of various controllable devices in the grid. The controllable devices are required to maintain their active power injection and consumption within the generated limiting profiles to ensure optimum grid level. This will ensure that grid limits are maintained, which are simulated on a test feeder and also applied to a real network model from the Heimschuh pilot site in Styria, Austria.
5.1. Future research
In this paper, only voltage violations are mitigated. In the future, the algorithm will be adapted to include line loading constraints. Since the OCM uses a non-linear, non-convex optimization solver, it is numerically expensive to calculate the global optimum. Therefore, for field deployment, machine learning models will be trained to behave like the OCM based on real and simulated data from the field and simulations, respectively. The machine learning model will be deployed in the field to cope with the low sampling time.
این مقاله روشی را برای اشتراک بهینهی ظرفیت شبکه موجود میان مشتریان متصل به یک شبکه توزیع برق ولتاژ پایین ارائه می دهد. منابع انرژی پراکنده (DER ها) و نسل جدیدی از بارها مانند پمپ های گرمایی، منابع حرارتی، هیدروژنی، الکتریکی و دستگاه های مختلف بطور فزاینده ای در حال اتصال به شبکه های توزیع هستند. این بارها و DER ها با جریان متناوب کار می کنند و کنترل بهینه آنها برای بهره برداری از شبکه ضروری است. علاوه بر این، علاقه شدیدی روی تولید، انتقال و مصرف انرژی بصورت محلی وجود دارد. قوانین جدید برای تاسیس جوامع محلی انرژی (LEC) در بین ملل عضو اتحادیه اروپا شکل گرفته است. این قوانین عبارتند از: ایجاد چارچوب های قانونی برای مدیریت چنین ژنراتورهای پراکنده ای، انعطاف پذیری در شبکه های توزیع برق ولتاژ پایین و متوسط و توانمندسازی ویژهی کاربران نهایی برای مردمی کردن سیستم انرژی. درون یک LEC، یک بازار محلی انرژی (LEM) باید شکل گیرد. پروسه تاسیس شبکه توزیع یکی از محدودیت های اساسی یک LEM یا سیستم حسابرسی انرژی است. شبکه برق باید زمانی که تقاضا در بازار زیاد است در حالت پایدار باقی بماند. روش مورد بحث در این مقاله شبکه توزیع را بطور انحصاری پایدار می کند و پروفایل های محدود کننده را در مکان های مختلف برای هر انعطاف پذیری ایجاد می کند که بخشی از بازار محلی انرژی باشند. این کار با استفاده از یک سیستم مدیریت ظرفیت بهینه انجام می شود که پروفایل های محدودکننده را در نقاط رایج برای کوپل کردن دستگاه های قابل کنترل در شبکه ایجاد می کند. این دستگاه های قابل کنترل باید توان تزریقی و مصرفی فعال خود را در این پروفایل ها حفظ کنند تا سطح بهینه برای شبکه برق تضمین شود. این کار باعث می شود تا محدودیت های شبکه حفظ شوند که این محدودیت ها روی یک تغذیهگر (فیدر) القا می شوند و به یک مدل واقعی شبکه برق (ایستگاه پایلوت Heimschuh در Styria، اتریش) اعمال می گردند.
1-5 پژوهش های بعدی
در این پژوهش فقط تخلفات ولتاژ کاهش می یابند. در آینده باید الگوریتمی انتخاب شود که محدودیت های بارگذاری خطی را نیز شامل شود. از آنجایی که OCM از یک حلگر بهینه سازی غیرخطی و غیرمحدب استفاده می کند، محاسبه مقدار بهینه عمومی بصورت عددی گران خواهد بود. بنابراین برای کاربردهای میدانی، الگوریتم های یادگیری ماشین باید به نحوی باشند که مانند OCM و بر اساس داده های واقعی برگرفته از سیستم های واقعی و شبیه سازی ها عمل کنند. الگوریتم های یادگیری ماشین باید بصورت میدانی استفاده شوند تا با زمان نمونه برداری پایین سازگار شوند.