مدل‌سازی نیروگاه بادی با روش فازی- مارکوف در مطالعات قابلیت اطمینان
محورهای موضوعی : مهندسی برق و کامپیوتر
احمد قادری شمیم
1
(دانشگاه تربیت مدرس)
محمودرضا حقی‌فام
2
(دانشگاه تربیت مدرس)
کلید واژه: زنجيره‌هاي مارکوف شبيه‌سازي مونت کارلو ظرفيت قابل اعتبار فازی- مارکوف واحدهاي بادي,
چکیده مقاله :
در اين مقاله به مدل‌سازي توليد نيروگاه بادي در شبکه‌هاي قدرت پرداخته شده است. با توجه به متغيربودن سرعت باد، توليد نيروگاه‌هاي بادي با عدم قطعيت همراه خواهد بود. بنابراين مطالعات قابليت اطمينان شبکه در حضور نيروگاه بادي نيازمند يک مدل‌سازي مناسب براي نيروگاه‌هاي بادي مي‌باشد. در اين مقاله ابتدا مروري بر روش‌هاي مدل‌سازي قبلي شده است و سپس از روش ترکیبی زنجيره‌هاي مارکوف و شبيه‌سازي مونت کارلو برای مدل‌سازی نیروگاه بادی در مطالعات قابلیت اطمینان استفاده شده است. در اين روش سرعت باد و در نتیجه توان خروجی توربین بادی به‌صورت يک فرآيند مارکوف مدل شده است به اين صورت که سرعت باد در چند حالت دسته‌بندی شده و با توجه به اطلاعات قبلي سرعت باد در هر ساعت، نرخ ورود و خروج به هر کدام از اين حالت‌ها محاسبه شده است. در ادامه از روش فازی- مارکوف نیز برای مدل‌سازی نیروگاه‌های بادی استفاده شده است. با توجه به اين که نرخ ورود و خروج حالت‌های مارکوف در مزرعه بادی که اطلاعات کافی در دست نباشد نمی‌توان یک مقدار معین برای آنها در نظر گرفت. بنابراين به‌ازاي هر کدام از اين نرخ ورود و خروج حالت‌ها يک تابع عضویت فازی مثلثی اختصاص داده شده است. در پایان ظرفيت قابل اعتبار واحدهاي بادي در مقايسه با واحدهاي معمولي با معيار قراردادن شاخص‌هاي قابليت اطمينان تعيين مي‌شود.
As intermittent wind power generation becomes more significant in power generation, it becomes increasingly important to assess its impact on the generation reliability of power systems. Therefore, it is the objective of this paper to evaluate the impact of wind power on the power system reliability. In this paper, different approaches of wind power modeling are explained. Markov chain Monte Carlo (MCMC) and ARMA method are used to model of wind power output. Then Fuzzy-Markov method for wind power modeling is proposed. The proposed method is capable of modeling wind farms that have insufficient wind speed data. Finally, capacity credit of wind power is calculated.
[1] G. R. Pudaruth and F. Li, "Capacity credit variation in distribution systems," in Proc. IEEE Power and Energy Society General Meeting - Conversion and Delivery of Electrical Energy in the 21st Century, 7 pp., 20-24 Jul. 2008.
[2] M. Milligan and K. Porter, "Wind capacity credit in the United States," in Proc. IEEE Power and Energy Society General Meeting - Conversion and Delivery of Electrical Energy in the 21st Century, 5 pp., 20-24 Jul. 2008.
[3] L. Wang and C. Singh, "A new method for capacity credit estimation of wind power," in Proc. 15th National Power Systems Conf. (NPSC), IIT Bombay, pp. 570-573, Dec. 2008.
[4] R. Karki and P. Hu, "Impact of wind power growth on capacity credit," in Proc. Electrical and Computer Engineering, Canadian Conf., pp. 1586-1589, 22-26 Apr. 2007.
[5] G. R. Pudaruth and F. Li, "Locational capacity credit evaluation," IEEE Trans. on Power Systems,, vol. 24, no. 2, pp. 1072-1079, May 2009.
[6] R. Karki, "Renewable energy credit driven wind power growth for system reliability," Electric Power Systems Research, vol. 77, no. 7, pp. 797-803, May 2007.
[7] W. Wijarn and R. Billinton, "Considering load - carrying capability and wind speed correlation of WECS in generation adequacy assessment," IEEE Trans. on Energy Converstion, vol. 21, no. 3, pp. 734-741, Sep. 2006.
[8] R. Karki, P. Hu, and R. Billinton, "A simplified wind power generation model for reliability evaluation," IEEE Trans. on Energy Converstion, vol. 21, no. 2, pp. 533-540, Jun. 2006.
[9] P. Giorsetto and K. F. Utsurogi, "Development of a new procedure for reliability modeling of wind turbine generators," IEEE Trans. PAS, vol. 102, no. 1, pp. 134-143, Jan. 1983.
[10] A. P. Leite, C. L. T. Borges, and D. M. Falcao, "Probabilistic wind farms generation model for reliability studies applied to brazilian sites," IEEE Trans. on Power Systems, vol. 21, no. 4, pp. 1493-1501, Nov. 2006.
[11] Z. Yu and A. Tuzuner, "Wind speed modeling and energy production simulation with Weibull sampling," in Proc. IEEE Power and Energy Society General Meeting - Conversion and Delivery of Electrical Energy in the 21st Century, 6 pp., 2008.
[12] G. Papaefthymiou and B. Klockl, "MCMC for wind power simulation," IEEE Trans. on Energy Conversion, vol. 23, no. 1, pp. 234-240, Mar. 2008.
[13] http://www.climate.weatheroffice.ec.gc.ca/climateData/hourlydata_e.html
[14] R. Billinton, S. Kumar, N. Chowdhury, K. Debnath, L. Goel, E. Khan, P. Kos, G. Nourbakhsh, and J. Oteng - Adjei, "A reliability test system for educational purposes - basic data," IEEE Trans. Power Syst., vol. 4, no. 4, pp. 1238-1244, Aug. 1989.