مدیریت انرژی تراکنشی برای شبکه های توزیع مسکونی فشار ضعیف با منابع انرژی پراکنده
Keywords:
انرژی تراکنشی, شبکه‌های توزیع مسکونی, منابع انرژی پراکنده, چارچوب‌های بازارAbstract
ساختمان‌های مسکونی مدرن اکنون با منابع انرژی پراکنده مختلفی مانند پنل‌های خورشیدی، سیستمهای ذخیره‌سازی انرژی الکتریکی، پمپ‌های حرارتی الکتریکی، خودروهای الکتریکی با قابلیت اتصال به شبکه مجهز شده‌اند. گسترش سریع چنین منابعی و معرفی پاسخگویی به تقاضا و انرژی تراکنشی مصرف‌کنندگان برق سنتی را به تولیدکنندگان کوچک‌مقیاس تبدیل کرده است. یک تولیدکننده کوچک‌مقیاس، علاوه بر مصرف برق از شبکه، قادر به فروش انرژی الکتریکی به شبکه نیز هست. پاسخگویی تقاضا مصرف‌کنندگان را تشویق می‌کند تا پروفایل‌های تقاضای خود را بر اساس نیاز شبکه برق با استفاده از تعرفه یا سیگنال‌های تشویقی تغییر دهند. بااین‌حال می‌توانند مشکلات ظرفیت مختلفی را برای شبکه‌های توزیع محلی برق فشارضعیف ایجاد کند. انرژی تراکنشی استفاده مؤثر از انعطاف‌پذیری سمت تقاضا را با دیکته‌کردن مبادلات انرژی در شبکه با استفاده از سیگنال‌های اقتصادی درونی درحالی‌که محدودیت‌های شبکه را در نظر می‌گیرد، تسهیل می‌کند.
این مقاله روش‌شناسی جامع مدیریت انرژی تراکنشی برای شبکه‌های توزیع مسکونی فشارضعیف یکپارچه برای استفاده مؤثر از انعطاف‌پذیری سمت تقاضا به‌منظور حل مشکلات شبکه‌ای شبکه‌های محلی با محدودیت ظرفیت ارائه می‌دهد. نتایج مطالعات موردی نشان می‌دهند که چارچوب‌های بازار این روش‌شناسی صرفه‌جویی قابل‌توجهی در هزینه برای تولیدکنندگان مسکونی به همراه دارند بدون اینکه بر حریم خصوصی، خودمختاری، اختیار تصمیم‌گیری، ترجیح، راحتی یا راحتی آنها تأثیر بگذارد.
Downloads
References
1. Haque, A. N., Nguyen, P. H., Vo, T. H., & Bliek, F. W. (2017). Agent-based unified approach for thermal and voltage constraint management in LV distribution network. Electric Power Systems Research, 143, 462-473.
2. Torriti, J. (2024). Governance perspectives on achieving demand side flexibility for net zero. Energy Policy, 191, 114148.
3. Singh, C., Singh, N., & Sood, Y. R. (2024). Restructured electricity market strategies for the Indian utility system using Support Vector Regression and Energy Valley Optimizer. Results in Control and Optimization, 100445.
4. Colelough, B. C. (2024). Australian Energy Market Operator National Electricity Market Network Optimal Power Flow Modelling. arXiv preprint arXiv:2403.18851.
5. Colelough, B. C. (2024). Australian Energy Market Operator National Electricity Market Network Optimal Power Flow Modelling. arXiv preprint arXiv:2403.18851.
6. Mountain, B. (2024). The national electricity market 25 years on: outcomes and prospects. Captured: How neoliberalism transformed the Australian state.
7. Ghebretsadik, M. (2024). Nord pool Day-ahead Electiricty Price Forecasting using machine learning (Master's thesis, Inland Norway University).
8. Bakare, M. S., Abdulkarim, A., Zeeshan, M., & Shuaibu, A. N. (2023). A comprehensive overview on demand side energy management towards smart grids: challenges, solutions, and future direction. Energy Informatics, 6(1), 4.
9. Sousa, J., & Soares, I. (2023). Benefits and barriers concerning demand response stakeholder value chain: A systematic literature review. Energy, 280, 128065.
10. Gharehveran, S. S., Zadeh, S. G., & Rostami, N. (2023). Resilience-oriented planning and pre-positioning of vehicle-mounted energy storage facilities in community microgrids. Journal of Energy Storage, 72, 108263.
11. Kansal, G., & Tiwari, R. (2024). A Comprehensive and Preferential Analysis of Demand Response Programs Considering Demand Uncertainty. IEEE Transactions on Industry Applications.
12. Medeiros, A., Canha, L. N., Garcia, V. J., de Azevedo, R. M., & dos Santos, R. B. (2024). Demand side and flexible energy resource management when operating smart electric vehicle charging stations. In Advanced Technologies in Electric Vehicles (pp. 363-384). Academic Press.
13. Gharehveran, S. S., Ghassemzadeh, S., & Rostami, N. (2022). Two-stage resilience-constrained planning of coupled multi-energy microgrids in the presence of battery energy storages. Sustainable Cities and Society, 83, 103952.
14. Kafash Farkhad, M., & Akbari Foroud, A. (2023). Adaptive distributed scheduling of the resources in smart grids with considering demand response. Transactions of the Institute of Measurement and Control, 45(14), 2779-2793.
15. Kim, H. J., & Kim, M. K. (2024). New Customized Bi-Directional Real-Time Pricing Mechanism for Demand Response in Predictive Home Energy Management System. IEEE Internet of Things Journal.
16. Sousa, J., & Soares, I. (2023). Benefits and barriers concerning demand response stakeholder value chain: A systematic literature review. Energy, 280, 128065.
17. Fan, X. M., Li, X. H., Ding, Y. M., He, J., & Zhao, M. (2023). Demand response scheduling algorithm for smart residential communities considering heterogeneous energy consumption. Energy and Buildings, 279, 112691.
18. Tariq, M., Kazmi, S. A. A., Altamimi, A., Khan, Z. A., Alharbi, B., Alafnan, H., & Alshehry, H. (2024). Smart transactive energy based approach for planning and scheduling in multi-looped microgrid distribution network across planning horizon. Heliyon, 10(5).
19. Abrishambaf, O., Lezama, F., Faria, P., & Vale, Z. (2019). Towards transactive energy systems: An analysis on current trends. Energy Strategy Reviews, 26, 100418.
20. Pratt, A., Krishnamurthy, D., Ruth, M., Wu, H., Lunacek, M., & Vaynshenk, P. (2016). Transactive home energy management systems: The impact of their proliferation on the electric grid. IEEE Electrification Magazine, 4(4), 8-14.
21. Gorbatcheva, A., Watson, N., Schneiders, A., Shipworth, D., & Fell, M. J. (2024). Defining characteristics of peer-to-peer energy trading, transactive energy, and community self-consumption: A review of literature and expert perspectives. Renewable and Sustainable Energy Reviews, 202, 114672.
22. Tarashandeh, N., & Karimi, A. (2024). Peer-to-peer energy trading under distribution network constraints with preserving independent nature of agents. Applied Energy, 355, 122240.
23. Hashemipour, N., Pedrero, R. A., del Granado, P. C., & Aghaei, J. (2024). Smart coordination of buildings to incentivise grid flexibility provision: A virtual energy community perspective. Energy and Buildings, 310, 114078.
24. Zahraoui, Y., Korõtko, T., Rosin, A., Zidane, T. E. K., Agabus, H., & Mekhilef, S. (2024). A Competitive Framework for The Participation Of Multi-Microgrids in The Community Energy Trading Market: A Case Study. IEEE Access.
25. Islam, S. N. (2024). A Review of Peer-to-Peer Energy Trading Markets: Enabling Models and Technologies. Energies, 17(7), 1702.
26. Hutty, T. D., & Brown, S. (2024). P2P trading of heat and power via a continuous double auction. Applied Energy, 369, 123556.
27. Singh, S., Gard, G. K., Varshney, N., Rao, A. K., Kumar, N., & Sharma, D. (2024, February). Distributed Consensus Algorithms for Reliable Communication in Multi-Agent Systems. In 2024 4th International Conference on Innovative Practices in Technology and Management (ICIPTM) (pp. 1-6). IEEE.
28. Aghamohammadi, F., Abbaspour, A., Saber, H., Fattaheian-Dehkordi, S., & Lehtonen, M. (2024). Decentralized Energy Management of Multiagent Distribution Systems Considering the Grid Reliability and Agent Misbehavior. IEEE Systems Journal.
