Elektrik güç ızgarası muhtemelen inşa edilmiş en karmaşık makinedir. Verimli bir şekilde operatörler rekabet önceliklerini bir maden alanına yönlendirmek için çalışır: Düşük maliyetleri tutar, demirli güvenilirlik, çevresel düzenlemeleri sıkılaştırır ve büyüyen bir yenilenebilir kaynakları entegre eder. Geleneksel tek kullanımlık optimizasyon yaklaşımları bu ortamda kısa bir şekilde azalır.Bu tür bir uygulama alanı, en uygun maliyetli bir uygulama alanı maliyetlerine, genellikle stabilite veya emisyon pahasına, çok-objective optimizasyon (MOO) daha sağlam bir çerçeve sağlar.
Multi-objective Optimizasyon Nedir?
Onun özünde, multi-objective optimizasyon, küresel olarak tek kriterin en iyi şekilde optimize edilmesi gereken matematiksel optimizasyonların bir koludur.Bir tek bir çözüm, küresel olarak en iyi şekilde optimize edilmesi veya en iyi şekilde en iyi çözümü en iyi şekilde optimize etmek için maliyetleri azaltan bir çözüm sunar.
Modern Güç Grid Yönetiminin Büyüsü
Tarihi güç ızgarası nispeten öngörülebilir bir paradigma altında işletilmektedir: merkezileştirilmiş nesil, tek yönlü güç akışı ve büyük, kontrol edilebilir bir güç santralleri.Bu paradigma hızla eroding. modern şebeke birkaç güç tarafından daha önce görülmemiş karmaşıklığa sahiptir:
- [FONT:0) Yenilenebilir Enerji Kaynaklarının Ortalığı: Rüzgar ve güneş kaynakları değişken ve belirsizdir. Onların çıktısı hava koşullarına bağlıdır, zamanlama ve dengelemek için çok daha zor. Grid operatörleri şimdi mümkün olmayan nesiller için tahmin edilmelidir.
- [FONT:0]Distributed Energy Resources (DERs): ) Çatı güneş, arka metreli batarya depolama, elektrikli araç şarj cihazı ve küçük ölçekli jeneratörler dağıtım seviyesinde bağlantı kuruyor. Bu iki yönlü güç akışı, geleneksel optimizasyon modellerinin asla işe yaramadığının bir çift yönlü karmaşıklığını yaratıyor.
- [FONT=0) Ulaşım ve Isıtmanın Farklılaştırılması: Elektrik araçların ve ısı pompalarına geçiş, kendi şarj kalıplarıyla büyük yeni yükleri ve yüksek taleplerle ekliyor. Akıllı yönetim olmadan, bu yükler dağıtım transformatörler ve yeni zirve talep dönemlerini tanıtabilir.
- [FONT:0)Yönergesel Basınç ve Karbonizasyon Hedefleri: Utilities ve grid operatörleri zorunlu emisyon azaltımı, yenilenebilir portföy standartları ve karbon fiyatlamaları ile karşı karşıyadır.
- [FONT:0) Daha yüksek güvenilirlik beklentileri: [Dönetici: 1) Giderek artan bir dijital ekonomide kesintiler felakettir. tek bir saat boyunca, milyonlarca dolara mal olabilir.
Bu karmaşıklık göz önüne alındığında, tek bir tonlu yaklaşım yetersizdir. Örneğin, düşük yenilebilir dönemlerdeki şebeke istikrarını arttırmak için yapılandırılan metodolojiye yol açacaktır.
Power Grid Optimizasyonunda Anahtar Hedefler
Güç şebeke MOO'daki özel hedefler, hizmet ve bölge tarafından değişir, ancak genellikle dört geniş kategoriye girerler:
Operasyon Maliyetleri Minimiz
Bu, jeneratörler, iletim kayıpları için yakıt maliyetlerini ve kapanış maliyetlerini içerir ve toptan piyasadan satın alma gücü ile ilişkili maliyetler içerir. Maliyet minimizasyon çoğu şebeke operatörleri için birincil bir sürücü olmaya devam etmektedir.
Ensuring System Reliability and Stability
Güvenilirlik hedefleri genellikle yük beklentisinin (LOLE) ya da sistemin verimsizliğine (N-1 kriteri) dayanabilme yeteneğini en aza indirmek için ifade edilir. Stability hedefleri, gerilim ve frekansı sıkı gruplar içinde tutmaktır.
Çevresel Etkiyi Yeniden Üretin
Bu, toplam CO2 emisyonlarının, azot oksit oksit (NOx) veya sulfur dioksit (SO2) emisyonlarını veya yenilenebilir enerji kaynaklarının kullanımını maksimize edebilir. Bazı yetkilerde, emisyonlar ekonomik hedefe katılabilecek doğrudan bir maliyete sahiptir.
Operasyonel Konsolidasyonlar ve Teknik Feabilite
Bunlar, ayrımların ihlali, en aza indirmek için ek hedefler olarak tedavi edilemez. örnekler şunları içerir: jeneratör rampa limitlerini korumak, iletim hattı termal sınırlarına saygı göstermek ve bu gerilimleri kabul edilebilir aralıklarda tutmak.
Bu temel grupların ötesinde, bazı operatörler, ithale olan bağımlılığı azaltmak veya yaşlanma varlıklarının ömrünü maksimize etmek gibi hedefleri içerir.
Multi-objective Optimizasyonu'nun Matematiksel Vakfı
MOO'nun matematiksel altlarını anlamak etkili bir uygulama için önemlidir. Çok-objective problemin standart formülasyonu:
(x) = [f1(x), f2 (x), ... [Düzeselâm: 2)[x)[x)[x)[[x)[x)[[x)
[FONT=0) ≤ 0, j = 1.2, ..., ve ||x) = 0, l = 1.2, ...,p[FLT: 5)
[FONT=0]x[DÜDÜDÜDÜDÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞ
[FONT=0)[[[FONT=0)) {0}[[FONT=2}x1) başka bir çözüme hükmediyorsa:[DÜŞÜNÜŞÜŞÜye Olmayanlar: 4 )
- Tüm hedefler en azından iyi inENFLT:0)x1) olarak, [[Dönetici:2|x2) ve
- [FONT:0]x1 en azından bir hedeften daha iyi.
Pareto cephesi, başka herhangi bir çözüm tarafından yönetilmeyen tüm çözümlerden oluşur. Bu cephe, uygulanabilir bir ticaretten ayrılan sınırı temsil eder.Bir iki-objective problem için, Pareto cephesi genellikle bir eğri olarak görselleştirilmiştir.
MOO'yu Güç Beyaz Operasyonları'nda Uygulamayın
MOO'yu gerçek dünya ağ ortamında uygulama, dikkatli planlama, sağlam veri ve uygun algoritmaları gerektiren çok adımlı bir süreçtir. Aşağıdaki çerçeve pratik bir yol haritası sunar.
Problem Formülasyon ve Objektif Tanımlama
İlk adım, sorunun kapsamını açıkça tanımlamaktır. Bu bir gün-ahead birimi taahhüdü sorunu mu? Gerçek zamanlı bir ekonomik sevk? Bir iletim genişleme planı çalışması mı? Her bir kullanım durumunda, ilgili hedefler tanımlanmalıdır ve matematiksel fonksiyonlar olarak ifade edilmelidir. Hedefler karar değişkenleri ile doğrudan ilgili olmalıdır ve paydaşların karşılaştırılması için anlamlıdır.
Grid Bileşenlerinin Matematiksel Modeling of Grid components
Her bir grid bileşeni -jeneratörler, iletim hatları, transformatörler, yükler ve yenilenebilir kaynaklar - jeneratörler için, bu, maliyet eğrileri (genellikle dörtlü), optimizasyon yükünü etkiler ve zaman zaman zaman geçtikçe, elektriksel sınırlar ve uygulanabilirlik özellikleri gereklidir.
Çözüm Algoritmalar ve Teknikler
Çeşitli algoritmaların sınıfları MOO problemlerini güç şebekelerinde çözmek için vardır:
- [FONT:0]Pareto tabanlı Evrimsel Algoritmalar:[Döneticiler, transferler, mutasyonlar) ve iyi dağıtımlı Pareto cephesi üretmek için en yaygın kullanılan yerlerdir.Bu algoritmaların kullanımı sağlam, aday olmayan çözümlere sahiptir, genetik operatörler (cevap, geçiş, mutasyonlar) ve büyük sorunlar için paralel olarak kullanılabilir.
- [FONT:0)Decompos-based Yöntemler: MOEA/D (Multi-objective Evolutionary Algorithm based on Decomposs a MOO problem into a number of single-objective subproblems using ağırlık vektörleri.
- [FONT:0)Gradient tabanlı Yöntemler: Hedeflerin ve kısıtlamaların farklı olduğu sorunlar için, yüksek çözünürlükli yöntemlerle mücadele edilebilir.
- [FONT=0]Hybrid Yaklaşımlar:[Dönetici:[Dönetici:0) Birçok pratik uygulama, küresel bir arama (örneğin, NSGA-II) yerel rafineri kullanarak gradient-tabili veya heuristik yöntemleri kullanarak bir araya getirir.
Algoritma seçimi problem büyüklüğüne bağlıdır, hedeflerin doğası (konvex vs. non-convex), ve mevcut hesaplama kaynakları için binlerce otobüs, dekompozisyon ve paralellik önemlidir.
Pareto Front'dan Karar Verme
Pareto cephesi hesaplandığında, operatör uygulama için tek bir çözüm seçmeli. Bu, özellikle cephenin birçok boyutu olduğunda, bazı karar destek araçları mevcut olduğunda:
- [FONT:0]Visualization Techniques:[Dönlendirme Teknikleri: İki veya üç hedef için, arsalar veya paralel koordinat arsaları operatörlerin ticaret-offlarını görmelerine yardımcı olabilir.
- [FONT:0)Multi-criteria Kararı (MCDM) Yöntemleri: [Dönetici: 0:1) TOPSIS, PROMETHEE veya Analytic Hierarchy Process (AHP) gibi Yapılı teknikler, pay sahibi tercihlere göre çözüm sıralamasına yardımcı olabilir.
- [FONT:0) Interaktif Yöntemler: Operatörler, arzu seviyelerini veya tercih ağırlıklarını engellemeye yönelik olarak cepheyi daraltabilir, yerel Pareto cephesini ilgi alanına sokabilir.
- [FONT:0)Makine Öğrenme Soruları:[Dönetici:[Dönetici:0) Karmaşık durumlarda, bir makine öğrenme modeli belirli bir çözüm seçmenin sonuçlarını tahmin etmek için eğitilmiş olabilir, ek bir anlayış sağlar.
Overcoming Implementation Challenges
Onun gücüne rağmen, MOO şebeke operasyonlarında kabul, birkaç pratik engelle karşı karşıyadır.
C ⁇ Kompleksiity
Gerçek zamanlı ağ operasyonları milisaniye yanıt süreleri talep eder, MOO algoritmaları, özellikle evrimsel yöntemler, büyük sistemler için bir araya gelmek için dakika veya saat sürebilir.Bu boşluk paralel hesaplamalarda, GPU'da ilerlemeler tarafından ele alınır ve hızlı arama masalarının gelişimi kullanılır.
Data Quality and Uncertainty
MOO sadece kullandığı veriler kadar iyidir.Inaccurate yük tahminleri, yenilenebilir nesil tahminleri veya eksik jeneratör parametreleri, suboptimal veya hatta infeasible çözümlere yol açabilir. Robust optimizasyonu ve stochastic programlama teknikleri belirsizliği işlemek için MOO çerçevesine dahil edilebilir.
Mevcut sistemlerle entegrasyon
Çoğu ürün SCADA, ÇYS ve enerji yönetim sistemlerinde önemli yatırımlara sahiptir. MOO'nun tanıtılması, karmaşık ve pahalı olabilir. Bir fazlı yaklaşım - bir alt sistem üzerinde pilot proje ile başlayın - daha genişledi - MOO motorun mevcut veritabanı ve görselleştirme araçları ile iletişim kurmasına izin veren API'ler ve modüler mimariler başarı için kritiktir.
Organizasyonel Kabul
Grid operatörleri, belirsiz kurallara ve tek topakttif heuristics'a dayanan kararları vermek için eğitilmiştir. MOO paradigmasına geçiş, bir kültür değişikliği gerektirir. Eğitim programları, faydaların açık belgeleri ve şampiyonayı kabul etmek bu geçişi kolaylaştırabilir.
Vaka Çalışmaları ve Pratik Uygulamaları
MOO, güç şebeke değeri zincirinde başarıyla uygulandı. Üretim maliyeti, hat kongestasyon ve dağıtım seviyesindeki akran ve SO2 emisyonlarını dengelemek için MOO'yu kullandı.In import planlamada MOO, inşaat maliyeti ile ticarete dönük olarak, özel olarak mevcut araştırmaların ulusal Enerji laboratuvarı (NREL) gibi uygulama olanaklarını değerlendirmek için kullanıldı.
Grid Management'te Multi-objective Optimizasyonun Geleceği
MOO'nun ağ yönetimi, önceden yapılan ön cephelerin sınırlarının ötesine geçmek için MOO'nun çözümüne yönelik olarak, dağıtımdan önce, riskin azaltılmasına ve yasal olmayan bir ortamdan bağımsız olarak, MOO'nun yerel olarak çıkarılmasına olanak sağlayan ajanların çözümüne karşı bir araya gelebileceği gibi, altyapıdaki uygulamaları test etme ve yeniden yapılandırması için MOO çözümlerinin uygulanmasına olanak sağlar.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Çok-objective optimizasyon, stratejik hedefleri ile uyumlu olan matematiksel ve pratik olarak etkili bir çerçeve sağlar. Modern elektrik güç şebeke operasyonlarında doğal olarak rekabet hedeflerini yönetmek için.Mevcut sistemlerle açık bir şekilde entegrasyon sağlayarak, Pareto cephesi, MOO, şebeke operatörlerinin şeffaf, savunmacı kararlar almasını sağlar. - uygulama için önemli bir yöntem ve ağ operatörleri, güvenli bir şekilde formüle etmek için yol, uygun bir algoritma seçimi ve mevcut sistemlerle ilgili olarak düşünülemez bir entegrasyon.