الهندسةالهندسة الكهربائية

تقدير الأحمال الكهربائية ذات الذروة في المدن الذكية

أهمية تقدير الأحمال الكهربائية ذات الذروة في المدن الذكية

 

في المدن الذكية المستقبلية، سيتم توسيع أو تخطيط المزيد من المباني أو الحدائق الذكية بدءًا من نقطة الصفر، كذلك التقدير الدقيق لحمل الذروة هو المحرك الرئيسي لتحديد قدرات معدات توصيل الطاقة الكهربائية مثل المحطات الفرعية والمغذيات، يجب تحقيق التوازن بين الموثوقية والاقتصاد من خلال التوفيق الأمثل بين العرض والطلب.

 

لذلك سيؤدي التقليل من ذروة الطلب إلى أصول أصغر حجماً وعدم القدرة على تحميل الخدمة خلال بعض الفترات. وفي الوقت نفسه، كما يمكن أن يؤدي المبالغة في تقدير ذروة الطلب إلى قرارات غير فعالة من حيث التكلفة إلى حد كبير، وذلك بالنظر إلى أنه يمكن توفير نفس المستوى من الموثوقية بأصول أقل تكلفة ذات تصنيف منخفض.

 

كما أن سلوكيات استهلاك الكهرباء للأفراد التي تظهر درجة عالية من العشوائية والتقلب، بحيث يكون إجمالي حمل الذروة المتزامن أكثر انتظاماً واستقراراً، وذلك مع وجود عدد أكبر من المستهلكين الذين تم تجميعهم، لذلك؛ فإن تقدير الحمل الأقصى لمبنى واحد أو عدة مبان يتم توفيرها بواسطة محطة فرعية ذات جهد منخفض ومغذي يمثل تحدياً أكبر بكثير من أنظمة الطاقة الأكبر.

 

وبالنسبة للمجموعات الصغيرة من المستهلكين؛ فإنه من الضروري مراعاة تنوع سلوكيات استهلاك الكهرباء للمستهلكين الأفراد، وفي الواقع الاستهلاكات الأساسية للقدرة الكهربائية مدفوعة بفئات مختلفة من العملاء (على سبيل المثال، مستويات الدخل وعدد المقيمين)، وعلى سبيل المثال يظهر أن حجم الأسرة يرتبط ارتباطاً واضحاً بحد أقصى ذروة الطلب ويمكن أن يكون بديلاً مفيداً لتحديد حجم اتصالات الأسر الفردية.

 

في الدراسات تم اقتراح العديد من المقاييس لقياس تنوع الطلب ولتقدير ذروة الطلب على تحديد حجم المحطات الفرعية وتحديد مواقعها، وعلى وجه الخصوص يعد الحد الأقصى للطلب بعد التنوع (ADMD) أحد المقاييس الأكثر استخداماً، كما ويتم تعريفه على أنه الحد الأقصى للطلب المتطابق لكل مستهلك عندما يقترب عدد المستهلكين من اللانهاية.

 

وبالإضافة إلى ذلك تم استخدام عامل التنوع والمحدد على أنه النسبة بين مجموع ذروة الطلب الفردي في مجموعة من العملاء والطلب الذروة المتزامن لهذه المجموعة، وذلك لتقدير ذروة الطل، بحيث تم أيضاً تطبيق مقاييس أخرى مثل عامل المصادفة وعامل التحويل لتخطيط الشبكة الكهربائية، لذلك من المفيد أن نلاحظ أن معظم المقاييس المذكورة أعلاه يمكن أن توفر فقط قيمة تقدير واحدة تم الحصول عليها بناءً على صياغة إرشادية وحكم هندسي، وهو أمر غير مناسب للتطبيقات التي تفكر في عدم اليقين.

 

عرض المشاكل الخاصة بالأحمال الكهربائية ذات الذروة

 

في المدن الذكية، من الضروري إجراء تقدير دقيق للطلب في وقت الذروة متزامن في المستقبل لتصميم شبكة الكهرباء، والذي يواجه التحديات الرئيسية التالية:

 

  • تظهر أنواع مختلفة من العقارات مع العديد من العملاء المستقبليين سلوكيات استهلاكية مختلفة، وعلى الرغم من أنه يمكن تصنيف هؤلاء العملاء بناءً على بياناتهم الديموغرافية؛ إلا أنه لا يزال من الصعب تقدير ذروة الطلب المتزامن دون وجود بيانات موجودة في وقت الاتصال بالشبكة لكل فئة.

 

  • يزيد تنوع الطلب بين أحمال العملاء بشكل كبير من الصعوبات في تقدير ذروة الطلب للمجموعة، لا سيما عندما يكون عدد العملاء المتصلين الجدد (n) أقل بكثير من عدد العملاء الحاليين في الشبكة، لذلك لوحظ أن تنويع الطلب يشير إلى التأثير الذي يُظهره طلب الذروة المتزامن انخفاض الحساسية لسمات المستهلكين الأفراد مع زيادة عدد (n) والعكس صحيح، وهذا لأن ليس كل العملاء يستهلكون ذروة طلبهم في وقت واحد.

 

رياضياً، يمكن تعريف المشكلة على النحو التالي، وذلك نظراً لوجود فئات عملاء (G) محددة بواسطة البيانات الديموغرافية (على سبيل المثال، إشغال الأسرة ومستوى الثروة)، كما ويجب توصيل (N) من العملاء الجدد بالشبكة، ولكل فئة (g) يتم الإشارة إلى عدد الاتصالات الجديدة بواسطة المعطى (ng)، حيث أن (∑ Gg = 1ng = N).

 

وبالإضافة إلى ذلك (mg) يشير إلى عدد العملاء الحاليين في الفئة (g) ببيانات العداد الذكي والبيانات الديموغرافية لـ (g = 1، …، G)، كما أن الهدف من هذه المشكلة هو تقدير إجمالي طلب الذروة المتزامن

 

 

ولكل فئة تقدر (C ^ ng) عبر (ADMD) المتري، والذي يتم تعريفه تقليدياً على أنه ذروة الطلب الكهربائي المتزامن لكل عميل عندما يقترب (n) من اللانهاية، وفي هذا العمل تم القيام بتوسيع مفهوم (ADMD)، وذلك ليكون دالة لـ (n)، بحيث يُشار إليها بواسطة (ADMDn)، وبالتالي؛ فإنه وبناءً على البيانات الذكية للعملاء الحاليين (Dg∈RT × mg)، يمكن حساب (ADMDn) لـ n∈ {1، mg} لكل فئة على النحو التالي:

 

 

كما لوحظ بأنه من غير العملي حسابياً حساب (ADMDn) لجميع [n! / n! (mg n)!]، ذات التركيبات المنزلية المحتملة، خاصة عندما تكون (n << mg) تحقيقاً لهذه الغاية، كما يكون من الأكثر كفاءة اختيار عدد (n) من العملاء بشكل عشوائي من أصل أكبر عدد ممكن من العملاء، ولكل فئة يتم الحصول على منحنى (ADMD n) من (n = 1) إلى (mg) ثم نقوم بتطبيعه بناءً على أعلى قيمة لكل منحنى، وبهذه الطريقة يمكن استخدام قيمة (NMDDn) في [0 ، 1] لتقدير (C ^ ng) على النحو التالي:

 

 

وأخيراً؛ فإنه في المدن الذكية المستقبلية، يعد تقدير ذروة الطلب المتزامن للعملاء الجدد أحد التحديات الرئيسية لتصميم معدات الطاقة مثل المحطات الفرعية وخطوط توصيل الطاقة، بحيث اقترحت هذه الدراسات طريقة تقدير احتمالية للطلب الذروة تعتمد على البيانات وتتضمن أربع مراحل رئيسية، وفي مرحلة نمذجة الحمل وأخذ العينات؛ فإنه تم اقتراح طريقة (VTRC) جديدة لالتقاط التبعيات المعقدة بين المستهلكين.

 

وبالإضافة إلى ذلك، تم تنفيذ طريقة التجميع الهرمي القائمة على الارتباط في مرحلة تجميع العملاء لتحسين أداء تقدير ذروة الطلب، وفي هذا العمل تم توفير عدد كبير من بيانات العدادات الذكية الدقيقة والبيانات الاجتماعية الديموغرافية المقابلة عبر (2639) عميلاً، وذلك من خلال تجربة العداد الذكي (LCL)، بحيث تم إنشاء تسع فئات من العملاء وفقاً لمعلومات إشغال الأسرة (أي 1 و 2 و 3+) ومستوى الثروة (أي سلبي ومريح وغني).

 

وبعد ذلك، تم إجراء (M1 ، M2 ، M3 ، M4) ومقارنتها في سياق أعداد مختلفة من نانوجرام، وعلاوة على ذلك، تم إجراء هذا التحليل لكل فئة، كما تم التحقيق في حالة تقدير الطلب الذروة للفئات المتعددة، و بمقارنة قيم (MAPE) المحسوبة وخسارة الكرة والدبابيس للطرق المختبرة؛ فإن الاستنتاجات الرئيسية المنبثقة عن التحليل هي أن أداء ذروة الطلب المقدرة يُظهر تحسينات تدريجية من الطريقة التجريبية إلى الطريقة القائمة على البيانات من استخدام البيانات التاريخية إلى استخدام العينات المولدة ومن الاختيار العشوائي للعملاء إلى الاختيار المستند إلى الكتلة.

المصدر
T. Strasser, P. Siano and V. Vyatkin, "New trends in intelligent energy systems—An industrial electronics point of view", IEEE Trans. Ind. Electron., vol. 62, no. 4, pp. 2420-2423, Apr. 2015.C. Cecati, J. Kolbusz, P. Różycki, P. Siano and B. M. Wilamowski, "A novel RBF training algorithm for short-term electric load forecasting and comparative studies", IEEE Trans. Ind. Electron., vol. 62, no. 10, pp. 6519-6529, Oct. 2015.Y. Wang, Q. Chen, C. Kang and Q. Xia, "Clustering of electricity consumption behavior dynamics toward big data applications", IEEE Trans. Smart Grid, vol. 7, no. 5, pp. 2437-2447, Sep. 2016.M. Sun, I. Konstantelos and G. Strbac, "Analysis of diversified residential demand in London using smart meter and demographic data", Proc. IEEE Power Energy Soc. Gen. Meeting, pp. 1-5, 2016.

مقالات ذات صلة

اترك تعليقاً

زر الذهاب إلى الأعلى