علی همتی - دانشجوی کارشناسی ارشد، گروه مهندسی برق ، دانشگاه آزاد اسلامی، نایین، ایران
امیر قائدی - باشگاه پژوهشگران جوان و نخبگان، واحد داریون، دانشگاه آزاد اسلامی، داریون،ایران

امروزه با گسترش بحث شبکه های هوشمند، برنامه ریزی مشارکت واحدها برای این شبکه ها بیش از پیش مورد توجه پژوهشگران واقع شده است. در شبکه های هوشمند امکان تبادل دوطرفه انرژی بین تولید کننده و مصرف کننده از سه منظر بر مسئله مشارکت واحدها تاثیر می گذارد. نخست ورود خودروهای برقی و امکان فروش گسترده ی برق توسط آنها به شبکه سراسری، دوم نقش مصرف کننده و مدیریت مصرف و سوم ورود منابع انرژی تجدیدپذیر به شبکه سراسری است. با ورود گسترده منابع انرژی تجدیدپذیری همچون واحد بادی و خورشیدی به دلیل ماهیت تصادفی وزش باد و تابش خورشید و همچنین خودروهای الکتریکی و پاسخگویی بار که از الگوهای تصادفی برای تولید پیروی می کنند، حضور این واحدها در مسئله مشارکت واحدها نیازمند ارائه راه حل های جدیدی برای در نظر گرفتن عدم قطعیت موجود است. عدم تطابق تصادفی بار واقعی با بار پیش بینی شده نیز خود به نوعی منبع عدم قطعیت محسوب می شود. لذا ناچار به مدلسازی این عوامل در داخل برنامه مشارکت واحدها هستیم. یکی از روش های احتمالاتی معروف در این زمینه، روش مونت کارلو می باشد که با در نظر گرفتن توابع توزیع مناسب برای متغیرهای تصادفی می توان آنها را در دل الگوریتم بهینه سازی مشارکت واحدها مدل کرد. تاکنون الگوریتم های زیادی جهت یافتن مقدار بهینه برای مسئله مشارکت واحدها ارائه شده که در این مقاله الگوریتم بهینه سازی اجتماع ذرات (PSO) که هم از نظر سرعت همگرایی و هم دقت دارای کیفیت بالایی است برای حل مسئله به کار گرفته می شود. در حل مسئله با لحاظ نمودن مجموعه ی خودروهای الکتریکی (V2G) ها، پاسخگویی بار (DR) ها و همچنین مجموعه تولیدات پراکنده (DG) ها هرکدام به عنوان یک واحد (به دلیل ماهیت تصادفی متفاوت باد و خورشید DGهای بادی یک واحد و DGهای خورشیدی یک واحد)، مسئله مشارکت واحدها را با الگوریتم PSO حل کرده و با روش تکرار لامبدا پخش بار اقتصادی (ED) میان واحدها را به منظور تعیین توان بهینه در هر ساعت به کار می بریم و جواب نهایی را در قالب ماتریس ورود و خروج بهینه واحدها و ماتریس توان تولیدی بهینه واحدها در ساعات مختلف شبانه روز ارائه می کنیم.

شبکه هوشمند، تولید پراکنده، مشارکت واحدها، الگوریتم PSO