Yenilenebilir enerji kaynakları ve depolama birimlerinden oluşan, şebeke bağlantılı bir dağıtım şebekesinin çok amaçlı gün öncesi optimum enerji planlaması

Yıl 2025, Cilt: 40 Sayı: 2, 1335 - 1346, 03.02.2025

Sibel Çevik Bektaş , İsmail Altaş

https://doi.org/10.17341/gazimmfd.1430132

Öz

Güç sistemlerinin üretim-tüketim dengesini sağlayarak kararlı bir şekilde işletilmesi enerji üretim ve tüketiminin gün öncesinden planlamasına dayanır. Etkili bir gün öncesi planlama stratejisi elektrik şebekesinin ekonomik, verimli ve güvenilir bir şekilde yönetilmesine olanak sağlar. Ayrıca, gün öncesinden yapılan planlama ile elde edilen operasyon planı gün içinde yapılacak planlama için de referans sağlamaktadır. Bu çalışmanın amacı yenilenebilir enerji kaynakları ve enerji depolama ünitesine sahip şebeke bağlantılı 5 baralı bir dağıtık üretim test sisteminde gün öncesi optimum enerji planlaması veya kullanım programlaması problemine çözüm sunan optimal pareto çözümlerin araştırılmasıdır. Çalışmada şebeke işletme maliyeti ve aktif güç kaybını en aza indirilmeyi amaçlayan çok amaçlı bir fonksiyon tanımlanmıştır. Bu tanımda, üretim birimleri ile şebeke kısıtları da dikkate alınmıştır. Çok amaçlı ve çok kısıtlı bu problemin çözümü için sabit ağırlık katsayılı çok amaçlı simbiyotik organizmalar arama (ÇASOS) algoritması önerilmiştir. Önerilen bu algoritmanın performansı çok amaçlı parçacık sürü optimizasyon (ÇAPSO) algoritması ile karşılaştırılmıştır. Elde edilen sonuçlardan, önerilen ÇASOS algoritmasının ÇAPSO algoritmasına göre daha iyi sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

Çok amaçlı meta sezgisel optimizasyon, gün öncesi planlama, yenilenebilir enerji kaynakları, enerji depolama, dağıtık üretim.

Kaynakça

• 1. Hatziargyriou N., Asano H., Iravani R., Marnay C., Microgrids, IEEE Power and Energy Magazine, 5 (4), 78-94, 2007.
• 2. Barnes M. et al., Real-World MicroGrids-An Overview, 2007 IEEE International Conference on System of Systems Engineering, San Antonio, TX, USA, 1-8, 2007.
• 3. Saeed M. H., Fangzong W., Kalwar B. A. and Iqbal S., A Review on Microgrids’ Challenges & Perspectives, IEEE Access, 9, 166502-166517, 2021.
• 4. Lasseter R. H., Smart Distribution: Coupled Microgrids, Proceedings of the IEEE, 99 (6), 1074-1082, 2011.
• 5. Krata, J., Saha, T. K., Real-time coordinated voltage support with battery energy storage in a distribution grid equipped with medium-scale PV generation, IEEE Transactions on Smart Grid, 10 (3), 3486-3497, 2018.
• 6. Zhang, Y., Meng, K., Luo, F., Yang, H., Zhu, J., & Dong, Z. Y., Multi-agent-based voltage regulation scheme for high photovoltaic penetrated active distribution networks using battery energy storage systems, IEEE Access, 8, 7323-7333, 2019.
• 7. Laugs, G. A., Benders, R. M., Moll, H. C., Balancing responsibilities: Effects of growth of variable renewable energy, storage, and undue grid interaction, Energy Policy, 139, 111203, 2020.
• 8. Wong, L. A., Ramachandaramurthy, V. K., Walker, S. L., Taylor, P., Sanjari, M. J., Optimal placement and sizing of battery energy storage system for losses reduction using whale optimization algorithm, Journal of Energy Storage, 26, 100892, 2019.
• 9. Zhang, D., Shafiullah, G. M., Das, C. K., Wong, K. W., A systematic review of optimal planning and deployment of distributed generation and energy storage systems in power networks, Journal of Energy Storage, 56, 105937, 2022.
• 10. Rezvani, A., Gandomkar, M., Izadbakhsh, M., & Ahmadi, A., Environmental/economic scheduling of a micro-grid with renewable energy resources, Journal of cleaner production, 87, 216-226,2015.
• 11. Alam, M. S., Arefifar, S. A., Energy management in power distribution systems: Review, classification, limitations and challenges, IEEE Access, 7, 92979-93001, 2019.
• 12. Shi W., Li N., Chu C. –C., Gadh R., Real-Time Energy Management in Microgrids, IEEE Transactions on Smart Grid, 8 (1), 228-238, 2017.
• 13. Katiraei F., Iravani R., Hatziargyriou N., Dimeas A., Microgrids management,IEEE Power and Energy Magazine, 6 (3), 54-65, 2008.
• 14. Zhang, J., Zhu, X., Chen, T., Yu, Y., Xue, W, Improved MOEA/D approach to many-objective day-ahead scheduling with consideration of adjustable outputs of renewable units and load reduction in active distribution networks, Energy, 210, 118524, 2020.
• 15. Raghav, L. P., Kumar, R. S., Raju, D. K., Singh, A. R., Optimal energy management of microgrids using quantum teaching learning based algorithm, IEEE Transactions on Smart Grid, 12 (6), 4834-4842, 2021.
• 16. Yu, J., Ryu, J. H., & Lee, I. B., A stochastic optimization approach to the design and operation planning of a hybrid renewable energy system, Applied Energy, 247, 212-220, 2019.
• 17. Dey, B., Bhattacharyya, B., Srivastava, A., Shivam, K., Solving energy management of renewable integrated microgrid systems using crow search algorithm, Soft Computing, 24 (14), 10433-10454, 2020.
• 18. Luo, L., Abdulkareem, S. S., Rezvani, A., Miveh, M. R., Samad, S., Aljojo, N., Pazhoohesh, M., Optimal scheduling of a renewable based microgrid considering photovoltaic system and battery energy storage under uncertainty, Journal of Energy Storage, 28, 101306, 2020.
• 19. Imtiaz, B., Cui, Y., Zafar, I., Economic Dispatch of Microgrid Incorporating Demand Response Using Dragonfly Algorithm, 2021 IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA), IEEE, 59-68, August, 2021.
• 20. Xiaoluan, Z., Farajian, H., Xifeng, W., Ohshima, K., Scheduling of renewable energy and plug-in hybrid electric vehicles based microgrid using hybrid crow—Pattern search method, Journal of Energy Storage, 47, 103605, 2022.
• 21. Zhang, J., Li, Z., Wang, B., Within-day rolling optimal scheduling problem for active distribution networks by multi-objective evolutionary algorithm based on decomposition integrating with thought of simulated annealing, Energy, 223, 120027, 2021.
• 22. Zhao, F., Si, J., Wang, J., Research on optimal schedule strategy for active distribution network using particle swarm optimization combined with bacterial foraging algorithm, International Journal of Electrical Power & Energy Systems, 78, 637-646, 2016.
• 23. Tan, Y., Cao, Y., Li, Y., Lee, K. Y., Jiang, L., Li, S., Optimal day-ahead operation considering power quality for active distribution networks, IEEE Transactions on Automation Science and Engineering, 14 (2), 425-436, 2016.
• 24. Ilyas, M. A., Abbas, G., Alquthami, T., Awais, M., Rasheed, M. B., Multi-objective optimal power flow with integration of renewable energy sources using fuzzy membership function, IEEE Access, 8, 143185-143200, 2020.
• 25. Hosseinnia, H., Modarresi, J., Nazarpour, D, Optimal eco-emission scheduling of distribution network operator and distributed generator owner under employing demand response program, Energy, 191, 116553, 2020.
• 26. Baysal, Y. A., Ketenci, S., Altas, I. H., Kayikcioglu, T, Multi-objective symbiotic organism search algorithm for optimal feature selection in brain computer interfaces, Expert Systems with Applications, 165, 113907, 2021.
• 27. Ozgenc, B., Ayas, M. S., Altas, I. H., Performance improvement of an AVR system by symbiotic organism search algorithm-based PID-F controller, Neural Computing and Applications, 1-10, 2022.
• 28. Örnek, R. S., Ateş, O. K., Boğa, A. Y., Danayiyen, Y., X-Band Pyramidal Horn Antenna Directivity Optimization with Symbiotic Organism Search Algorithm. In 2023 5th Global Power, Energy and Communication Conference (GPECOM), IEEE, 519-523, 2023.
• 29. Baysal, Y. A., Altaş, İ. H, Power Qualıty Improvement Vıa Optımal Capacıtor Placement In Electrıcal Dıstrıbutıon Systems Usıng Symbıotıc Organısms Search Algorıthm, Mugla Journal Of Science And Technology, 3 (1), 64-68, 2017.
• 30. Yang, X. S., & Deb, S., Cuckoo search via Lévy flights, In 2009 World congress on nature & biologically inspired computing (NaBIC), IEEE, 210-214, 2009.
• 31. Kennedy, J., Eberhart, R., Particle swarm optimization, In Proceedings of ICNN'95-international conference on neural networks, IEEE, 4, 1942-1948, 1995.
• 32. Cheng M. Y., Prayogo, D., Symbiotic organisms search: a new metaheuristic optimization algorithm, Computers & Structures, 139, 98-112, 2014.