CC BY
96
УДК 004.032.26 + 338.27 + 004.896 ББК 31.15
МОДЕЛИРОВАНИЕ И ОПТИМИЗАЦИЯ УПРАВЛЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ГИБРИДНОЙ ЭНЕРГОСИСТЕМОЙ С ИСТОЧНИКАМИ ВОЗОБНОВЛЯЕМОЙ ЭНЕРГИИ
Май Н. Т.1, Ха В. М.2, Камаев В. А.3, Щербаков М. В.4,
(Волгоградский государственный технический университет, Волгоград, Россия) Тхай Куанг Винь5 (Институт информационной технологии, Ханой, Вьетнам)
Цель исследования заключается в минимизации потерь и затрат на потребление электроэнергии. Представлена интеллектуальная система управления процессом переключения между источниками энергии в реальном времени с учетом прогнозированных данных о потреблении и производстве электроэнергии. В качестве метода управления используется генетический алгоритм для формирования оптимальной стратегии покупки электроэнергии. Для обоснования предлагаемого подхода выполнены испытания на разработанной модели гибридной энергетической установки.
1 Нгок Тханг Май, аспирант (Волгоград, пр. Ленина, д. 65, тел. (8442) 24-81-00, [email protected]).
2 Ван Муон Ха, студент (Волгоград, пр. Ленина, д. 65, тел. (8442) 24-81-00, [email protected]).
3 Валерий Анатольевич Камаев, доктор технических наук, профессор (Волгоград, пр. Ленина, д.65, тел. (8442) 24-81-00, kamaev@unix. cad. vstu. ru).
4 Максим Владимирович Щербаков, кандидат технических наук (Волгоград, пр. Ленина, д.65, тел. (8442) 24-81-00, [email protected]).
5 Куанг Винь Тхай, директор института информационной технологии (Ханой, Вьетнам, [email protected]).
Ключевые слова: гибрид, интеллектуальная энергосистема, источник возобновляемой энергии, нейронная сеть, прогноз, оптимизация, HRES.
1. Введение
Эффективное управление энергосистемами является важной задачей в энергетической политике многих стран в связи с глобальным потеплением и значительным увеличением цен на традиционные источники энергии. Однако управление энергопотоками в подобных системах является сложной задачей, так как зависит от различных факторов. Более того, процесс управления энергосистемой также как и выбор источника электроэнергии, должен осуществляться в режиме реального времени для обеспечения максимального баланса между поставщиком и потребителем.
В работе предлагается интеллектуальная гибридная энергосистема с источниками возобновляемой энергии, функционирование которой основано на прогнозе потребления и производства электроэнергии в системе. На основе модели энергосистемы можно формировать прогноз потребления, производства электроэнергии, а также вырабатывать оптимальную стратегию переключения между источниками электроэнергии в системе.
2. Интеллектуальная гибридная энергетическая система
2.1. СТРУКТУРА ИНТЕЛЛЕКТУАЛЬНОЙ ГИБРИДНОЙ ЭНЕРГОСИСТЕМЫ
Под интеллектуальной гибридной энергосистемой с источниками возобновляемой энергии будем понимать энергосистему, которая объединяет множество традиционных источников и источников возобновляемой энергии в единую энергосистему с применением устройств, реализующих интеллектуальные алгоритмы для управления компонентами системы.
В данной работе гибридная энергосистема, схема которой представлена на рис. 1, включает в себя следующие компоненты: солнечные панели (1); аккумуляторные батареи (АКБ) (2); контроллер заряда-разряда (3); метеостанция (4); цифровой счётчик электроэнергии (5, 6); двунаправленный инвертор (7) и интеллектуальный контроллер (8) для управления энергопотоками; сервер (9).
2.2. ХАРАКТЕРИСТИКИ ОСНОВНЫХ КОМПОНЕНТОВ СИСТЕМЫ
Внешняя электросеть. Внешняя электросеть подключается к системе при условии недостаточной мощности других источников (например, солнечных панелей), а батарейный блок уже разряжен до минимального значения (10%).
Солнечная панель (СП). Солнечная панель характеризуется номинальной мощностью. Номинальная мощность характеризует количество электроэнергии, которое может произвести фотоэлектрический модуль при оптимальных условиях. Номинальная мощность солнечной панели зависит от солнечного облучения и температуры на поверхности панели. Диаграмма зависимости номинальной мощности солнечной панели 100 Вт от солнечного облучения при условии, что
Рис. 1. Схема гибридной энергосистемы
температура на поверхности панели равна 25 °С, представлена на рис. 2 [7].
22,0 V
-1000 Вт/м2 -800 Вт/м2 -500 Вт/м2 -200 Вт/м2 -100 Вт/м2
Рис. 2. Зависимость номинальной мощности солнечной панели от солнечного облучения
Мощность СП определяется по формуле [5]:
(1)
P = ' PCT
1 солн
0,
Gn
Gr
-(1 + a{TCn - tch));
если GCH > C,
gch < C;
где P^h - мощность, вырабатываемая солнечной панелью (Вт);
PCT -мощность солнечной панели в стандартных условиях (Standard Test Condition - STC), т.е. мощность солнечной радиации 1000 Вт/м2, температура элементов - 25 oC и солнечный спектр на широте 45°) (Вт) [8];
ОСИ - коэффициент солнечного излучения (лк); GCT - коэффициент солнечного излучения в стандартных условиях (лк);
а - температурный коэффициент (°С); Tcn - температура поверхности солнечной панели (°С); ?си - устанавливается равной 25 оС (температура - в стандартных условиях);
С - коэффициент производства энергии, который зависит от характеристики солнечной панели (безразмерный).
Блок аккумуляторных батарей (АКБ). АКБ обеспечивают запас электрической энергии, необходимой для электроснабжения потребителей в ночное время, в облачную погоду. Также обеспечивается компенсация пиковых нагрузок, которые не могут быть покрыты фотоэлектрическими 296
модулями. Кроме этого, АКБ выполняет роль стабилизатора напряжения на нагрузке, так как выходное напряжение СП в соответствии с его вольт-амперной характеристикой может изменяться в широких пределах. АКБ характеризуется степенью зарядки (SOC - Stage Of Charge). Во избежание снижения способности работы АКБ необходимо выполнять следующие условии:
- изменение степени зарядки в час не должно превышает 10% максимального значения;
- степени зарядки не должно быть меньше 10% максимального значения.
Контроллер заряда-разряда. Контроллер заряда-разряда -электронное устройство, которое защищает АКБ от чрезмерной зарядки и глубокой разрядки, что позволяет значительно продлить срок службы аккумулятора. Контроллер заряда-разряда обеспечивает защиту от коротких замыканий в нагрузке и от подключения АКБ обратной полярностью.
Метеостанция. Метеостанция (может быть цифровой) -комплекс для ежедневного мониторинга погоды, температуры, давления и влажности воздуха. В памяти метеостанции сохраняются данные о погоде за все время ее использования. Данные о погоде могут использоваться для прогнозирования производства электроэнергии солнечными панелями.
Цифровой счётчик электроэнергии. Цифровой счётчик электроэнергии применяется для мониторинга, а также статистических исследований, таких как вычисление средней мощности потребления нагрузки и ее дисперсии, хранения информации о накопленной энергии за произвольные промежутки времени. В экспериментах, рассмотренных в статье, используются многотарифные счетчики электроэнергии.
Двунаправленный инвертор. Для преобразования постоянного тока, вырабатываемого солнечной батареей, в переменный ток синусоидальной формы необходим инвертор. Основными техническими характеристиками инвертора являются величина напряжения на входе и выходе, выходная частота и мощность. Качественный инвертор должен обеспечивать высокий КПД и стабилизацию выходного
напряжения, низкий коэффициент гармоник и способность выдерживать возможные перегрузки.
Переключатель (реле). Переключатель - механизм, управляемый контроллером и осуществляющий переключение энергетических потоков в соответствии с командами, поступающими от сервера.
Сервер. Сервер применяется для обработки и хранения данных из метеостанции и счётчика электроэнергии, прогнозирования потребления и производства электроэнергии в ближайшее время, а также форматирования стратегии покупки электроэнергии в зависимости от тарифного плана.
3. Построение модели интеллектуальной гибридной энергетической системы
В статье интеллектуальная гибридная энергетическая система моделируется в среде симуляции PVSOL. Среда PVSOL обеспечивает возможность построения гибридной энергетической системы, построения 3D-модели и моделирование с учетом реальных данных о погоде (температуры, коэффициента солнечного облучения, скорости ветра).
Объект моделирования - энергетическая система корпуса «В» Волгоградского государственного технического университета (ВолгГТУ) в 2011 году. Входные данные моделирования - данные о погоде и о потреблении электроэнергии здания по часам. Данные о погоде измеряются метеостанцией «Волгоград первый». Выходные данные - стратегия покупки электроэнергии, представлена в виде массива из 24 элементов, соответствующих 24 часам в день. Значение элемента массива равно -1 при продаже электроэнергии из внешней сети; 0 при использовании собственной электроэнергии; 1 при покупке электроэнергии.
Модель корпуса «В» ВолгГТУ с установленной гибридной энергетической системой представлена на рис. 3.
Рис. 3. Модель корпуса «В» ВолгГТУ
Производство электроэнергии солнечными панелями зависит от погодных условий. По данным о погоде можно определить место нахождения и угол наклона солнечных панелей, а также максимальную мощность производства электроэнергии. Диаграмма зависимости погодных условий (среднемесячной температуры воздуха, коэффициента солнечного облучения и скорости ветра) от времени в месте проведения испытания за каждый месяц 2011 года показана на рис. 4.
Рис. 4. Зависимость погодных условий от времени в 2011 году
По результатам анализа данных об электропотребление в [2] предлагается, что:
- электропотребление в выходные и в праздничные дни меньше чем в рабочие дни (электропотребление в субботу равно 60%, а в воскресение равно 10% среднего потребления рабочих дней);
- энергопотребление в промежутках времени с 9 до 11 часов и с 17 часов до 21 часа локально максимальное, и, соответственно, это пиковая цена электроэнергии.
Профиль моделируемого потребления электроэнергии корпуса «В» ВолгГТУ в 2011 году показан на рис. 5.
Рис. 5. Профиль потребления электроэнергии корпуса «В» ВолгГТУ за каждый месяц 2011 года
Выходные данные моделирования используются для прогнозирования электропотребления и производства электроэнергии в следующие дни. В работе для формирования прогноза применяются нейронные сети. Оценка качества прогнозирования выполняется с использованием оценок МАЕ (Mean Absolute Error - средняя абсолютная ошибка) и MSE (Mean Square Error - среднеквадратичное отклонение) [3, 6].
Функция потерь (целевая функция) J определяется по формуле
(2) J=Z24,k • (р,потр -лпроизв)+ Z24,(ioo% -).k.^,
где ki - тарифный план электроэнергии в промежутке времени i (руб/кВтч);
рпотр - энергопотребление в промежутке времени [I, 1+1] (кВтч);
рпроизв- энергопроизводство в промежутке времени [I, 1+1] (кВтч);
S - состояние АКБ в момент времени i (%);
Емакс - максимальная электроемкость АКБ (кВтч или А ч).
Так как цель исследования заключается в формировании оптимальной стратегии переключения между источниками энергии, формулу (1) можно переписать с учетом «коэффициента стратегии покупки электроэнергии» strI (I = 1, ..., 24), зависящего от текущего тарифного плана электроэнергии
(3) J = Е;.1[(р,потр -ргизв)+(100%-sI.)• £_] • ^ • ,
-1, при продаже электроэнергии,
(4)
str¡ = < 0, при использовании собственной электроэнергии,
+1, при покупке электроэнергии.
В каждый момент времени система находится в одном из трех состояний: использование собственной электроэнергии, продажа электроэнергии и покупка электроэнергии. Входные данные системы сохраняется каждый час, таким образом, имеются 24 наблюдения в день. Цель оптимизации стратегии покупки электроэнергии заключается в нахождение таких значений strI (I = 1, ..., 24) при которых достигается минимальное значение целевой функции ^ Количество возможных стратегий покупки электроэнергии равно 324. Для уменьшения времени вычислений в статье используется генетический алгоритм. Параметры для алгоритма представляются таким образом: количество особей - 100, количество поколений - 1000, вероятность скрещивания - 80%, вероятность мутации - 5%, число генов особи - 24. Для формирования стратегии переключения между источниками электроэнергии выделяются следующие этапы генетического алгоритма:
Шаг 1. Задание целевой функции J для особей популяции. Шаг 2. Создание начальной популяции.
Шаг 3. Если количество поколений 7 < 100 {
- размножение (скрещивание);
- мутирование;
- вычисление значений целевой функции для всех особей;
- формирование нового поколения.
}
Шаг 4. Определение оптимального решения. Показатель эффективности создания интеллектуальной гибридной энергосистемы Е определяется по формуле: С - С
(5) Е — без HRES ^ЖЕв
У > с '
обор.
где Сбез нкез - затраты на электроэнергию без применения интеллектуальной гибридной энергетической системы;
СНиЕв - затраты на электроэнергию с применением интеллектуальной гибридной энергетической системы;
Собор. - затраты на приобретение оборудования системы. Затраты на приобретение оборудования системы равны сумме затрат на приобретения компонент гибридной системы:
(6) Собор. — ПСП ' ССП + ПАКБ ' САКБ + С0
где пСП - количество солнечных панелей; ССП - стоимость одной солнечной панели; пАКБ - количество АКБ; САКБ - стоимость одного АКБ; С0 - стоимость остальных компонентов системы. Чем выше показатель эффективности Е, тем меньше время окупаемости системы. Следовательно, в статье проводится испытание для определения количества установленных солнечных панелей и АКБ в корпусе «В» ВолгГТУ, а также оптимальной стратегии покупки электроэнергии.
4. Результаты испытаний
Для апробации предлагаемых подходов была построена модель гибридной энергетической системы в среде PVSOL. 302
Данные о потреблении и производстве электроэнергии измерялись каждый час и сохранялись на сервере [2].
Испытание интеллектуальной гибридной энергетической системы проводилось в течение произвольно выбранного дня 14.9.2011 г. Для прогнозирования потребления и производства электроэнергии 14.9.2011 г. использовалась нейронные сети. Согласно [1], на потребление электроэнергии в момент времени t наибольшее влияние оказывает потребление электроэнергии в этот же момент времени 1 неделю, 2 недели, 3 недели и 4 недели назад. Следовательно, входными сигналами нейронных сетей в момент t являются потребление и производство электроэнергии в моменты t = 24.1.7, t = 24.2.7, t = 24.3.7, t = 24.4.7. Структура нейронной сети для проведения испытаний показана на рис. 6.
Рис. 6. Структура нейронной сети для прогнозирования потребления и производства электроэнергии
Значения модельных и прогнозируемых данных о потреблении электроэнергии для проведения испытания показаны на рис. 7.
На основе полученных данных в процессе моделирования можно по формуле (1) определить количество электроэнергии, вырабатываемой одной солнечной панелью. Следовательно, можно определить количество электроэнергии, вырабатываемой пСП солнечными панелями.
В статье проводилось 60 испытаний с разными конфигурациями системы (разными количества установленных солнечных панелей и АКБ) для определения оптимальной
конфигурации гибридной энергетической системы корпуса «В» ВолгГТУ. Оценка качества построенной интеллектуальной гибридной энергетической системы определяет коэффициентом эффективности по формуле (5).
17/8 19/8 21/8 23/8 25/8 27/8 29/8 31/8 2/9 4/9 6/9 8/9 10/9 12/9 14/9 16/9
Время
Рис. 7. Модельное потребление электроэнергии в корпуса «В» ВолгГТУ с 17.8.2011 г. по 14.9.2011 г.
В статье стратегия покупки электроэнергии формируется на основе прогнозируемых данных о потреблении и производстве электроэнергии с учетом многотарифного плана электроэнергии. График тарифного плана электроэнергии города Волгограда по трем зонам суток показывается на рис. 8 .
На рис. 9. изображена поверхность коэффициентов эффективности (ось Z) в зависимости от числа установленных солнечных панелей (ось Х) и максимальной емкости АКБ (ось Y). На поверхности определена точка, характеризующая оптимальную конфигурацию системы: количество солнечных панелей - 110, максимальная емкость АКБ - 458 А.ч, номинальное напряжение АКБ - 24 В.
График производства электроэнергии, вырабатываемой солнечными панелями в оптимальной конфигурации, представлен на рис. 10.
В данной статье использован генетический алгоритм для выбора оптимальной стратегии покупки электроэнергии возобновляемой энергетической системы корпуса «В» ВолгГТУ. В результате функционирования алгоритма оптимальная стратегия покупки электроэнергии в точке максимального коэффициента эффективности представлена на рис. 11. 304
4
3.5
а-
н 3
са
и 2.5
2
а
1.5
Й
=
ШГ 0.5
0
О 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Время(ч)
Рис. 8. Тарифный план электроэнергии по трем зонам суток
Рис. 9. Поверхность коэффициентов эффективности с разными конфигурациями системы
Рис. 10. Производство электроэнергии корпуса «В» ВолгГТУ с 17.8.2011 г. по 14.9.2011 г.
Рис. 11. Диаграмма переключения между источниками энергии
14.9.2011 г.
Качество управления системой оценивается через процент сокращения затрат на электроэнергию до и после применения метода формирования стратегии покупки электроэнергии. Таблица 1 содержит информацию о гибридной энергетической системе.
Таблица 1. Параметры построенной гибридной энергетической системы
Название Описание
* Прогнозируемые затраты (руб.) (14.9.2011 г.) 822
Реальные затраты (руб.) (14.9.2011 г.)* 830
Название Описание
Затраты без применения гибридной энергетической системы (руб.) (14.9.2011 г.) 2756
Время вычисления (сек.) (14.9.2011 г.) 165
Процент сокращения затрат (%) 70
Стоимость системы (млн. руб.)*** 2,5
* расчет по формуле (3); ** расчет по формуле (2); *** расчет по формуле (6).
5. Заключение
В статье рассмотрена модель гибридной энергосистемы с источниками возобновляемой энергии в корпусе «В» ВолгГТУ. В результате моделирования гибридной энергосистемы выявлены оптимальная конфигурация гибридной энергосистемы и оптимальная стратегия покупки электроэнергии 14.9.2011 г. Преимущество применения подхода заключается в том, что он позволяет определить оптимальную стратегию переключения между внешней электросетью и источниками возобновляемой энергии в зависимости от текущего тарифного плана текущего состояния системы, прогнозируемого состояния. В результате этого могут быть сокращены затраты на электроэнергию.
Литература
1. КАМАЕВ В.А., ЩЕРБАКОВ М.В., ПАНЧЕНКО Д.П.
Применение коннективистских систем для прогнозирования потребления электроэнергии в торговых центрах // Управление большими системами. -2010. - №31. -С.92-109.
2. МАЙ Н.Т. Мультиагентный метод управления энергопотоками в гибридной энергосистеме с источниками возобновляемой энергии / Н. Т. Май, В. А. Камаев, М. В. Щербаков, Т. Х. Чинь // Прикаспийский журнал: управление и высокие технологии. - 2013. - Т. 22, №2. - С. 30-41.
3. ЩЕРБАКОВ М.В. ICDMS - Программное обеспечение как сервис для решения задач идентификации на основе коннективистских систем // Известия Волгоградского государственного технического университета. - 2009. -T. 12, №7. - С. 88-91.
4. ЯНОВСКИЙ Т А., ЩЕРБАКОВ М.В. Методика предварительного анализа данных в автоматизированных системных прогнозирования потребления электроэнергии // Вестник компьютерных и информационных технологий. -2012. - №3. - C. 21-26.
5. CAISHENG W. Modeling and control of hybrid wind/photovoltaic/fuel cell distributed generation systems. - A dissertation submitted in partial fulfillment of the requirement for the degree of Doctor of Philosophy in Engineering, 2006. -402 p.
6. TRAN T.H.O., TRAN H.L., DONG S.T.C. Parallel neural network application in forecasting power demand // Development of science and technology magazine. - 2010. -Vol. 10, №11. - P. 57-73.
7. PV*SOL® Expert Version 5.5 Design and Simulation of Photovoltaic Systems Manual. [Электронный ресурс]. - URL: http://www.valentin.de/sites/default/files/downloads/handbueche r/en/manual-pvsol.pdf (дата обращения: 17.10.2013).
8. The encyclopedia of alternative energy and sustainable living [Электронный ресурс]. - URL: http://www.daviddarling.info/ encyclopedia/S/AE_standard_test_conditions.html (дата обращения: 17.10.2013).
SIMULATION AND OPTIMAL CONTROL OF INTELLIGENT HYBRID RENEWABLE ENERGY SYSTEM
Mai Ngoc Thang, Volgograd State Technical University, Volgograd, graduate student ([email protected]). Ha Van Muon, Volgograd State Technical University, Volgograd, student ([email protected]).
Kamaev Valerii Anatolevich, Volgograd State Technical
University, Volgograd, CAD Dept., professor ([email protected]).
Shcherbakov Maxim Vladimirovich, Volgograd State Technical
University, Volgograd, Cand.Sc., CAD Dept., Senior lecturer (vstu@gebeus. ru).
Thai Quang Vinh, Institute of Information Technology, Hanoi,Vietnam ([email protected]).
Abstract: Nowaday energy management is an important subject for intelligent control. The problem is to find a real-time energy sources' switching strategy, which minimizes wastes and energy cost. We consider an intelligent hybrid energy system (HRES), which optimizes a number of criteria, such as efficiency and energy costs, by switching between energy sources in real-time based on energy consumption and production forecasts. The switching strategy is found with a genetic algorithm. Efficiency of the developed control system as compared to existing energy systems is verified with computer simulation.
Keywords: hybrid, smart grid, renewable energy source, neural network, forecast, optimization, HRES.
Статья представлена к публикации членом редакционной коллегии М.В. Губко
Поступила в редакцию 19.06.2013.
Опубликована 30.11.2013.
