Tối ưu hóa lịch trình sử dụng tải điều hòa không khí trên cơ sở các bộ tổng hợp tải
Bài báo này thiết lập mô hình tối ưu hóa lịch trình sử dụng năng lượng của tải điều hòa không khí
(Air Conditioning Load, ACL) trên cơ sở các bộ tổng hợp tải (Load Aggregator, LA). Mô hình LA
có xét đến chiến lược bù đắp chi phí (bù đáp ứng nhu cầu) cho người sử dụng, yếu tố nhiệt độ và
mô hình xác suất của điện gió. Hàm mục tiêu của mô hình là tổng doanh thu tối đa của LA có xét
đến các ràng buộc về nhiệt độ, biến động điện gió, giới hạn công suất hệ thống và hạn chế chi phí
(doanh thu của bộ tổng hợp tải). Kết quả tính toán mô phỏng cho thấy mô hình tối ưu đề xuất đem
lại lợi ích về mặt kinh tế và cải thiện đáng kể các đường đặc tính tải trong hệ thống.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Bạn đang xem tài liệu "Tối ưu hóa lịch trình sử dụng tải điều hòa không khí trên cơ sở các bộ tổng hợp tải", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
Tóm tắt nội dung tài liệu: Tối ưu hóa lịch trình sử dụng tải điều hòa không khí trên cơ sở các bộ tổng hợp tải
của nhóm người dùng i tại thời điểm t, com iT là nhiệt độ thoải mái nhất của nhóm người dùng i và nhóm người dùng i, compik là hệ số bù, T biểu thị tổng số thời gian trong khoảng thời gian lên kế hoạch. 3. Mô hình ACL và điện gió 3.1. Mô hình thay đổi nhiệt độ ACL Ảnh hưởng của ACL đến sự thay đổi nhiệt độ trong phòng phụ thuộc vào các yếu tố như kích thước và cấu trúc, nhiệt độ ngoài trời và thậm chí là vị trí lắp đặt của điều hòa. Mô hình mạch nhiệt tương đương thường được sử dụng ACL gia đình được trình bày trong hình 3 [6]. Q Ca Re Rm Cm S outT inT Hình 3. Mô hình tải điều hòa (ACL) Trong đó: Q là công suất nhiệt, Ca là công nhiệt dung riêng của không khí, Re là điện trở nhiệt, Tin là nhiệt độ ở trong nhà, Rm là thành phần điện trở nhiệt của chất rắn, Cm là nhiệt dung riêng của chất rắn, Tout là nhiệt độ ngoài trời. S là biến chỉ trạng thái của điều hòa, S=[0, 1] cho biết điều hòa đang ở trạng thái bật hoặc tắt. Việc đo được nhiệt độ ngoài trời và các thông số khác của mô hình, phương trình vi phân bậc hai thể hiện mối quan hệ giữa ACL với nhiệt độ trong nhà được thiết lập như sau: 2 in in in m m m m a m a2 e e out e out e S=1 , S=0 C Rd T dT T C R C C C R dt Rdt T Q R T R + + + + + = , (6) Đơn giản hóa công thức (6), mối quan hệ tuyến tính gần đúng giữa nhiệt độ và thời gian có thể tính như sau [16]: Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 Email: jst@tnu.edu.vn 288 ( ) ( ) ( ) in out 1in 1 in out 1 c 1 0 1 1 / , 1 t t t t t t t T T S T T T Q K S + + + + − = = + − − − = , (7) Trong đó: intT là nhiệt độ trong nhà tại thời điểm t; in1tT + , out 1tT + lần lượt biểu thị nhiệt độ trong nhà và ngoài trời tại thời điểm t + 1; là hệ số tản nhiệt; cQ là công suất làm lạnh định mức của ACL; K - hệ số tản nhiệt; St là biến thể hiện trạng thái của ACL tại thời điểm t. Vì St là biến nhị phân, nên công thức (7) có thể viết lại: ( ) ( )in in out1 c 11 / 1t t t tT T S Q K T + += − − + − (8) Giả thiết nhiệt độ ngoài trời không thay đổi trong một khoảng thời gian nhất định. Gọi in 0T là giá trị nhiệt độ ban đầu trong nhà, khi đó: ( ) ( ) outc 11 / 1t t td S Q K T += − − + − (9) Nhiệt độ trong nhà tính được theo đạo hàm: n in 1 0 1 in n 2 in 2 1 2 0 1 2 in in 0 1 i i t t t i t i i T T d T T d T d d T T d − = = + = + = + + = + (10) = +in ξ 0 T Ξ D T (11) Viết dưới dạng ma trận: in in in 1 2= , , T tT T T in T (12) in 2 n in 0 0 0, , T i tT T T = ξ 0 T (13) 1 2, , T td d d=D (14) 2 -1 2 3 1 0 0 0 1 0 0 1 0 0 1t t t − − = Ξ (15) 3.2. Mô hình điện gió Hiện nay, quang điện và năng lượng gió là hai hình thức năng lượng tái tạo chiếm sản lượng lớn nhất. Trong số đó, công suất lắp đặt của năng lượng gió vượt xa quang điện, và mức độ dao động của nó cũng lớn hơn nhiều so với pin quang điện [17]. Do đó, bài báo này sử dụng năng lượng gió như một đại diện của năng lượng tái tạo để mô hình hóa và phân tích mô phỏng [18]. Đầu ra của tuabin gió phụ thuộc vào giá trị của tốc độ gió thời gian thực. Mô hình đầu ra thường được sử dụng của tuabin gió được trình bày như hình 4 [15]: PR Vci Vco V P VR Hình 4. Quan hệ giữa tốc độ gió và năng lượng đầu ra Mô hình xác suất của tốc độ gió thường áp dụng phân phối Weibull: ( ) 1 k k v ck vp v e c c − − = (16) Trong đó, ( )p v là hàm mật độ xác suất của tốc độ gió; c và k là tham số tỷ lệ và tham số hình dạng của phân phối Weibull. ciV , coV là tốc độ cắt, RV là tốc độ gió định mức, RP là công suất định mức. 4. Mô hình tối ưu ACL Mô hình toán được xây dựng trên cơ sở hàm mục tiêu và các ràng buộc, hàm mục tiêu là: ( ) 2 n com base , , c 1 1 1 1 2 base wind , c 1 1 base wind , c 1 min + M T T M i i i t i t t i i t i t t i T M t t t i i t i M t t t i i i F k T T l S Q c a l P S Q b l P S Q = = = = = = = = − − + + − + − + (17) Trong đó, basetl - tổng các tải không kiểm soát (tải cơ bản) tại thời điểm t; windtP - sản lượng điện gió tại thời điểm t; ,t iS - trạng thái của điều hòa thứ i tại thời điểm t; ciQ - năng lượng điều hòa thứ I; T là tổng thời gian trong chu trình lập kế hoạch; M là tổng số nhóm ACL. Ràng buộc toán học bao gồm: 1) Hạn chế nhiệt độ điều hòa Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 Email: jst@tnu.edu.vn 289 Trong quy trình lập kế hoạch, để ngăn nhiệt độ đặt không bị chênh lệch quá xa so với nhiệt độ tối ưu gây ảnh hưởng đến người dùng, điều này có thể khiến người dùng từ bỏ tham gia kế hoạch thống nhất của LA, nhiệt độ trong nhà phải được giữ ở mức chấp nhận được trong phạm vi cho phép. Do đó, các ràng buộc của nó thể hiện như sau: min in max ,i i t iT T T (18) Trong đó, miniT , max iT - giới hạn nhiệt độ min, max của điều hòa thứ i; in,i tT - nhiệt độ của điều hòa thứ i tại thời điểm t. 2) Giới hạn công suất đường dây Biến động quá mức của sản lượng điện gió sẽ có tác động bất lợi đối với lưới điện. Do đó, các ràng buộc đối với công suất đường dây như sau: wind base max , c tie 1 0 M t t t i i i P l S Q P = − + + (19) 3) Ràng buộc tổng thu nhập (chi phí) LA phải đảm bảo rằng thu nhập ròng của nó lớn hơn 0 sau khi lên kế hoạch. Ràng buộc có thể được thể hiện như sau: ( 2 base wind base wind , c 1 1 comp base , c , c 1 1 1 1 wind 1 0 T M t t t i i t t t i M M T M t i i i t t i i t i i t i T t t a l P S Q b l P S Q C l S Q c P = = = = = = = − − + − − + − + + − (20) Trong đó, γ là giá điện gió mua vào của LA. 5. Mô phỏng và phân tích ví dụ tính toán Bài toán đặt ra LA tiến hành điều phối cho 2770 máy điều hòa với 80% người dùng đã tham gia vào dự án. Thời gian lên lịch điều phối là 40 phút, nhiệt độ ngoài trời không đổi ở mức 34oC. Trong thời gian này, công suất tiêu thụ điện khi bật điều hòa là 2,8kW, giới hạn trên và dưới của điều chỉnh nhiệt độ trong nhà của người dùng là 27oC và 23oC, nhiệt độ dễ chịu nhất là 25oC. Các hệ số giá bán điện lần lượt là 19,8 và 452. Giá điện cho người sử dụng điện là 0,103 USD / kWh. Công suất tối đa 2MW và hệ số chi phí bù nhiệt độ được là 0,0024 USD/℃ cho mỗi nhóm máy ACL. LA thu thập tất cả các tham số ACL của người dùng và chia chúng thành 15 nhóm. Các thông số đặc trưng của từng nhóm được thể hiện trong bảng 1. Tải trọng cơ bản, tải ACL, sản lượng điện gió và đường cong tải trước khi tham gia điều phối được thể hiện trong hình 5. Dữ liệu cho thấy, tải hệ thống (net load) nhỏ hơn 0 tại 1 ~ 7 phút, 19 ~ 25 phút và 38 phút, cho thấy dòng công suất lúc này chảy ngược về phía hệ thống trước nó trong các khoảng thời gian này. Nếu tải khu vực không được lập kế hoạch điều phối tối ưu trong các khoảng thời gian này, điện gió sẽ không được khai thác tại chỗ, làm giảm việc sử dụng năng lượng phân tán. Bảng 1. Thông số nhóm tải điều hòa STT 0 inT /℃ /cQ K Số lượng/ nhóm 1 26,94 0,958 39,38 136 2 26,47 0,965 39,93 147 3 24,58 0,953 35,26 112 4 26,36 0,964 39,98 132 5 24,73 0,959 38,29 171 6 25,50 0,952 35,08 198 7 26,17 0,955 36,17 133 8 25,72 0,966 37,78 187 9 24,82 0,969 40,24 109 10 26,23 0,967 40,28 199 11 25,55 0,955 35,44 171 12 26,02 0,951 40,32 135 13 24,26 0,967 40,24 127 14 23,25 0,961 37,41 115 15 24,77 0,969 39,30 144 Hình 5. Thông số phụ tải và điện gió trước khi tiến hành điều phối tải Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 Email: jst@tnu.edu.vn 290 Do đó, mô hình tối ưu hóa được đề xuất trong bài viết này được sử dụng để tối ưu hóa việc lập lịch trình ACL nhằm cải thiện đường cong tải. Trong bài báo này, bộ giải CPLEX của hộp công cụ trong MATLAB được sử dụng để giải bài toán tối ưu hóa. Kết quả tính toán được thể hiện trong hình 6. Net load đã được cải thiện. Vì công suất hệ thống là có giới hạn nên mặc dù công suất của đường dây dao động ở mức cao, nó vẫn được duy trì trong một phạm vi nhất định. Hình 6. So sánh đặc tính tải Bảng 2 cho thấy giá trị tối đa/ tối thiểu của tải hệ thống tại các thời điểm tương ứng với các ràng buộc tải max được đưa ra. Có thể thấy trước khi tối ưu hóa, tải hệ thống min là -0,94 MW, dòng công suất chảy ngược về phía hệ thống. Sau khi tối ưu hóa, mặc dù phụ thuộc và giới hạn công suất hệ thống nhưng dòng công suất sẽ không giảm và luôn nhận giá trị dương. Khi ràng buộc tối đa công suất đường dây thay đổi, các giá trị tải tối đa và tối thiểu tương ứng cũng sẽ thay đổi và thời gian xuất hiện các giá trị tối đa và tối thiểu sẽ bị ảnh hưởng theo. Bảng 2. Dòng công suất hệ thống max/min max tieP Công suất Max/MW Thời gian tương ứng/phút Công suất min/MW Thời gian tương ứng/phút Trước tối ưu 3,213 32 -0,940 3 2MW 1,998 38 0,016 21 3MW 2,910 40 0,075 4 4MW 3,952 38 0,092 4 5MW 4,644 38 0,092 4 6MW 5,052 40 0,109 22 Mục tiêu tối ưu của bài viết này là tối đa hóa lợi ích chi phí của LA trên cơ sở các ràng buộc giới hạn công suất đường dây khác nhau, tổng hợp chi phí của LA được thể hiện trong bảng 3. Bảng 3. Phân tích lợi ích chi phí của LA max tieP Doanh thu bán điện/USD Chi phí mua điện/USD Chi phí bồi thường/USD Thu nhập/USD Trước tối ưu 349,33 242,52 32,35 74,47 2MW 375,24 243,46 23,32 108,47 3MW 385,83 252,35 22,65 109,24 4MW 386,53 253,02 23,35 110,15 5MW 388,21 253,82 23,41 110,98 6MW 386,48 253,99 20,80 111,69 Bảng 3 cho thấy lợi ích chi phí LA sau khi tiến hành điều phối lớn hơn nhiều so với thu nhập trước đó. Khi hạn chế công suất tối đa của tải tăng lên, lợi ích chi phí cũng được cải thiện, nhưng hiệu quả cải thiện này không nhiều. Trong thực tế, cần xem xét tác động của tải cực đại lên thiết bị và hạn chế tối đa công suất tải phù hợp. 6. Kết luận Bài viết này đã đề xuất một chiến lược kiểm soát tải điều hòa trên cơ sở LA có xét đến bù chi phí cho người sử dụng. Trong phương pháp bù đáp ứng nhu cầu cho phía người dùng, bài viết này đề xuất phương pháp bù dựa trên sự thoải mái về thể chất thực tế. Mục tiêu của đáp ứng nhu cầu là để tối đa hóa lợi nhuận của bộ LA, đồng thời trên cơ sở các ràng buộc biến động công suất đường dây. Kết quả tính toán cho thấy hiệu quả và tính khả thi cho hoạt động điều phối tải điều hòa sử dụng các LA. Kết quả nghiên cứu của bài báo này có thể được áp dụng với các đối tượng phụ tải khác như xe điện và máy nước nóng (có đặc điểm tương tự như ACL). Vì vậy, việc xây dựng một hệ thống điều phối tải thống nhất nhiều loại hình phụ tải khác nhau cần được tiếp tục nghiên cứu và hoàn thiện. TÀI LIỆU THAM KHẢO/ REFERENCES [1]. S. Yinbiao, Z. Zhigang, and G. Jianbo, “Study on Key Factors and Solution of Renewable Energy Accomm- odation,” Proceedings of the CSEE, 2017, vol. 37, no. 01, pp. 1-9. Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 Email: jst@tnu.edu.vn 291 [2]. C. Xu, Y. Yuyao, and Z. Yongjun, “Influence of Illumination Probability of Photovoltaic System on Voltage of Power Distribution Networks,” Journal of South China University of Technology (Natural Science Edition), vol. 2015, no. 4, pp. 112-118, 2015. [3]. C. Haoyu, H. Shunjie, F. Zhihua, “Demand Response of Multi-Microgrid Based on Game Theory,” Southern Power System Technology, vol. 11, no. 2, pp. 34-40, 2017. [4]. Z. Kaiyu, S. Yiqun, and Y. Zheng, “Energy Storage Capacity Optimization for Load Aggregators Considering Probablity of Demand Response Resources’s Breach,” Automation of Electric Power Systems, vol. 39, no. 17, pp. 127-133, 2015. [5]. A. H. Mohsenian-Rad,V. W. S. Wong,and J. Jatskevich,“Autonomous demand-side management based on game- theoretic energy consumption scheduling for the future smart grid,” IEEE Transactions on Smart Grid,vol. 1, no. 3, pp. 320- 331, 2010. [6]. W. Qianggang, L. Chao, and L. Yong, “A Reactive Power Optimization Model of High Voltage Distribution Network Considering DLC Cycle Control of Air- conditioning Loads,” Proceedings of the CSEE, 2018, vol. 38, no. 06, pp. 1684-1694. [7]. G. Ciwei, L. Qianyu, and L. Yang, “Bi-level Optimal Dispatch and Control Strategy for Air-conditioning Load Based on Direct Load Control,” Proceedings of the CSEE, 2014, vol. 34, vol. 10, pp. 1546-1555. [8]. G. Ciwei, Z. Liangjie, and Y. Xiaomei, “Research on Load Aggregation of Central Air Conditioning and Its Participation in the Operation of Power System,” Proceedings of the CSEE, 2017, vol. 37, no. 11, pp. 3184- 3191+ 3373. [9]. Z. Zhidan, H. Xiaoqing, and C. Yijia, “Research on Active Response Policy for Grid Friendly Air Conditioning Load,” Proceedings of the CSEE, 2014 vol. 34, no. 25, pp. 4207-4218. [10]. Z. Yanyu, Z. Peng, and L. Zhongwen, “A Multi-Objective Optimal Control Algorithm for Air Conditioning System in Smart Grid,” Power System Technology, vol. 38, no. 7, pp. 1819-1826, 2014. [11]. L. Zhou, Y. Zhang, and X. Lin, “Optimal sizing of PV and BESS for a smart household considering different price mechanisms,” IEEE Access, vol. 2018, pp(99). 1-1, 2018. [12]. T. C. Chiu, Y. Y. Shih, and A. C. Pang, “Optimized Day-Ahead Pricing With Renewable Energy Demand-Side Management for Smart Grids,” IEEE Internet of Things Journal, vol. 4, no. 2, pp. 374-383, 2017. [13]. M. Li, L. Nian, and Z. Jianhua, “Optimal Operation Model of User Group With Photovoltaic in the Mode of Automatic Demand Response,” Proceedings of the CSEE, 2016 vol. 36, no. 13, pp. 3422-3432 +3361. [14]. L. Dongdong, X. Lianlian, and L. Xiang, “Optimal dispatching of microgrid considering the participation of reducible loads,distributed generators (DG) and energy storage units,” Power System Protection and Control, vol. 45, no. 2, pp. 35-41, 2017. [15]. C. Defu, C. Jinfu, and S. Dongyuan, “Impact of Wind Speed Correlation on Operation Characteristics of Distribution Network,” Power System Technology, vol. 37, no. 01, pp. 150-155, 2013. [16]. W. Yilan, T. Yibin, and H. Mei, “Research on Virtual Energy Storage Model of Air Conditioning Loads Based on Demand Response,” Power System Technology, vol. 41, no. 02, pp. 394-401, 2017. [17]. H. M. Soliman, and A. Leon-Garcia, “Game- Theoretic Demand-Side Management With Storage Devices for the Future Smart Grid,” IEEE Transactions on Smart Grid, vol. 5, no. 3, pp. 1475-1485, 2014. [18]. L. Xiaofeng, G. Bingtuan, and L. Jing, “Non- cooperative Game Based Hierarchical Dispatch Model of Residential Loads,” Automation of Electric Power Systems, 2017, vol. 41, no. 14, pp. 54-60, 2017.
File đính kèm:
- toi_uu_hoa_lich_trinh_su_dung_tai_dieu_hoa_khong_khi_tren_co.pdf