Тип работы:
Предмет:
Язык работы:


Прикладные задачи оптимизации и алгоритмы управления системами электроснабжения с использованием возобновляемых источников энергии

Работа №128047

Тип работы

Бакалаврская работа

Предмет

модели данных

Объем работы64
Год сдачи2021
Стоимость4550 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
28
Не подходит работа?

Узнай цену на написание


Введение 3
Постановка задачи 4
Обзор литературы 5
Глава 1. Обзор существующих решений 10
1.1. Энергоменеджмент в России 10
1.2. Индустриальные предложения 10
Глава 2. Моделирование 13
2.1. Модель энергосистемы 13
2.2. Симуляция 16
2.3. Источник данных 18
2.4. Обзор данных 19
Глава 3. Управление энергосистемой как задача обучения с подкреплением 23
3.1. Понятие оптимального управления 24
3.2. Обучение с подкреплением. Основные понятия и принципы 25
3.3. Глубокие нейронные сети 31
3.4. Управление накоплением энергии 33
3.5. Глубокое Q-обучение (DQN) 37
3.6. Глубокий детерминированный градиент политики (DDPG) 39
Глава 4. Проведение экспериментов 41
4.1. Оборудование и программное обеспечение 41
4.2. Построение моделей 42
4.3. Сравнение MILP, DQN и DDPG 46
Глава 5. Программный комплекс 51
5.1. База данных 52
5.2. Функционал приложения 54
Выводы 56
Заключение 57
Список литературы 58

В настоящее время в связи с экологическими проблемами, возросшим спросом на энергию, нестабильной ценовой политикой на топливные ресур­сы и нехваткой энергетических мощностей особое внимание было сосредо­точено на технологиях распределенной энергетики (РЭ). Распределенные энергетические ресурсы в общем случае - это маломасштабные источники выработки и хранения энергии, расположенные в непосредственной бли­зости к месту использования электроэнергии, они могут обеспечить аль­тернативу или улучшение традиционной электрической сети. Технологии распределенной энергетики включают в себя газопоршневые, газотурбин­ные и микротурбинные электростанции, тепловые насосы, паровые кот­лы, возобновляемую энергетику (солнечные батареи, ветровые генерато­ры), хранилища энергии, топливные элементы, когенерационные установ­ки и т.д. Вместе они предлагают потребителям потенциал для снижения затрат, электроэнергию высокого качества, энергетическую независимость и повышение энергоэффективности.
Для внедрения и эффективного использования технологий РЭ необ­ходим механизм управления, контролирующий процессы протекающие в энергосистеме пользователя. Система управления энергией или энергоме­неджмент - это система, которая управляет компонентами энергосистемы для достижения оптимальной работы в целях снижения затрат на энер­гетические ресурсы и максимизации эффективности потребления энергии. Энергоменеджмент включает в себя планирование и эксплуатацию энер­гопроизводящих и энергопотребляющих установок, а также распределение и хранение энергии. Основными целями энергоменеджмента являются: со­хранение ресурсов, защита климата и экономия затрат, при условии, что пользователи имеют постоянный доступ к необходимой им энергии.
Внедрение в электроэнергетическую систему (ЭЭС) пользователя тех­нологий РЭ с системой управления формирует концепцию Smart Grid (ум­ных сетей), где потенциальный электропотребитель любого уровня, полу­чает возможность взаимодействовать с ЭЭС: прогнозировать и планиро­вать потребление, выбирать поставщика и влиять на тарифы. Основные атрибуты концепции Smart Grid определяются следующим образом: до­ступность, надежность, гибкость, эффективность, обеспечение безопасно­сти, способность к аккумулированию энергии, стимулирование активности электропотребителя, экономичность, снижение экологического давления на окружающую среду.
Возобновляемые источники энергии и системы накопления энергии играют решающую роль в оптимальном планировании работы микросетей. Накопление энергии может повысить гибкость интеллектуальной энерго­системы, а возобновляемые источники энергии обеспечить частичную или полную независимость от коммунального предприятия. Поэтому энерге­тическая инжиниринговая компания Schneider Electric [1], специализирую­щаяся на энергетическом менеджменте и автоматизации, опубликовала в открытом доступе данные, которые были предложены для решения задач энергетического менеджмента. Перед исследователями стояла задача раз­работать оптимизационную модель, минимизирующую затраты на приоб­ретение электроэнергии путем планирования зарядки и разрядки аккуму­ляторных батарей, а также обмена с энергетическим рынком при условии соблюдения ограничений системы и достижения энергетического баланса. Однако предложенные решения [2] базировались на детерминистических подходах, которые имеют ряд недостатков и не могут быть применены для решения реальных индустриальных задач.
Решение задачи управления распределенными ресурсами невозмож­но без теоретико-методологического и практического развития подходов, адаптированных под современные системы и запросы. Однако данное на­учное направление только в последние годы начинает активно развиваться в отечественной науке, что повышает актуальность темы. Поэтому целью моего исследования является разработка быстрого и эффективного инстру­мента, отвечающего требованиям современного энергоменеджмента.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В эпоху интеллектуальных сетей и умных домов потребность в импле­ментации эффективной управляющей компоненты в энергосистему пользо­вателей возрастает с каждым годом. Домохозяйства и предприятия потреб­ляют все больше энергии для обеспечения своих нужд, при этом цены на энергоресурсы продолжают расти. Ведь в последние годы несоответствие между спросом и предложением в энергетической сфере становится все бо­лее напряженным: ископаемая энергия истощается и становится менее до­ступной, к тому же многие экологи акцентируют внимание общественности на проблемах загрязнения окружающей среды при выработке энергоресур­сов. В качестве решения проблемы были предложены возобновляемые ис­точники энергии, но нестабильный характер выработки дестабилизирует энергосистему и делает ее менее эффективной, так как разработанные ра­нее алгоритмы контроля не могут учитывать все факторы, влияющие на динамику системы. Поэтому целью моего исследования была разработка быстрого и эффективного инструмента, отвечающего требованиям совре­менного энергоменеджмента.
Наиболее перспективным направлением в контексте решаемой зада­чи является обучение с подкреплением, которое обладает преимуществом самообучения и исследует оптимальные стратегии с помощью механизма проб и ошибок в динамической среде. Алгоритмы RL предлагается ис­пользовать для решения различных проблем принятия решений в обла­сти управления в условиях неопределенности. В данной работе на основе имеющихся данных было предложено решение для гибкого планирования работы энергосистемы пользователя с целью минимизации финансовых за­трат, оно включает в себя программный комплекс, способный в режиме реального времени управлять зарядом накопительной батареи и рассчи­тывать объемы энергетических потоков, необходимых для удовлетворения потребностей пользователя.
В качестве дальнейших исследований для увеличения энергоэффек­тивности моделируемой системы будут рассмотрены технологии распреде­ленной энергетики, такие как системы когенерации. Это требует дополни­тельных исследований и более детального изучения процесса совместной выработки электрической и тепловой энергии, а также большего массива исторических данных.


[1] Официальный сайт schneider electric [Электронный ресурс] / SE. Ре­жим доступа: https://www.se.com/ru/ru/, свободный. (дата обраще­ния: 6.05.21)
[2] Репозиторий соревнования [Электронный ресурс] / GitHub. Режим доступа: https://github.com/drivendataorg/ power-laws-optimization, свободный. (дата обращения: 6.05.21)
[3] Sharma V., Bowden S. Peak load offset and the effect of dust storms on 10 MWp distributed grid tied photovoltaic systems installed at Arizona State University // 38th IEEE Photovoltaic Specialists Conference, 2012, P. 590­595.
[4] Yu Y., Cai Z., Huang Y. Energy Storage Arbitrage in Grid-Connected Micro-Grids Under Real-Time Market Price Uncertainty: A Double-Q Learning Approach // IEEE Access, 2020. Vol. 8, P. 54456-54464.
[5] Cardona E., Piacentino A. Optimal design of CHCP plants in the civil sector by thermoeconomics // Applied Energy, 2007. Vol. 84, No. 7, P. 729-748.
[6] Georgilakis P. S., Hatziargyriou N. D. Optimal distributed gener-ation placement in power distribution networks: models, methods, andfuture research // IEEE Transactions on power systems, 2013. Vol. 28, No. 3, P. 3420-3428.
[7] Anatone M., Panone V. A Model for the Optimal Management of a CCHP Plant // Energy Procedia, 2015. Vol. 81, No. 69, P. 399-411.
[8] Perez A., Moreno R. Effect of Battery Degradation on Multi-Service Portfolios of Energy Storage // IEEE Transactions on Sustainable Energy, 2016. Vol. 7, P. 1718-1729.
[9] Gengo T., Kobayashi Y. Development of Grid-stabilization Power-storage System with Lithium-ion Secondary Battery // Mitsubishi Heavy Industries Technical Review, 2009. Vol. 46, No. 2, P. 36-42.
[10] Atia R., Yamada N. Sizing and analysis of renewable energy and battery systems in residential microgrids // IEEE Transactions on Smart Grid, 2016. Vol. 7, No. 3, P. 1204—1213.
[11] Bahramirad S., Reder W., Khodaei A. Reliability-constrained optimal sizing of energy storage system in a microgrid // IEEE Transactions on Smart Grid, 2012. Vol. 3, No. 4, P. 2056-2062.
[12] Dulout J., Hernandez L. Optimal Scheduling of a Battery-based Energy Storage System for a Microgrid with High Penetration of Renewable Sources // ELECTRIMACS Conference, 2017. P. 1-6.
[13] Wang J., Liu J. Optimal scheduling of gas and electricity consumption in a smart home with a hybrid gas boiler and electric heating system // Energy, 2020. Vol. 204, P. 117951.
[14] Hatziargyriou N. Special issue on microgrids and energy management // Eur Trans Electr Power, 2011. Vol. 21, P. 1139-1141.
[15] Reddy P.P., Veloso M.M. Strategy learning for autonomous agents in smart grid markets // Twenty-second International Joint Conference on Artificial Intelligence, 2011. P. 1446-1451.
...


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ