دانلود ترجمه مقاله مدیریت توان در ساختمان هوشمند با شبکه هوشمند

1. مقدمه 2. مدل سیستم 3. قیمت‌گذاری در بازار خریدار 4. بازار فروشنده به عنوان انحصار پویا 5. الگوریتم پیاده‌سازی 6. نتایج شبیه‌سازی 7. نتیجه‌گیری

چکیده – ظهور فناوری شبکه هوشمند، ارائه فرصتی منحصر به فرد برای بهبود مدیریت برق در ساختمان‌های هوشمند محسوب می‌شود که از طریق یکپارچه‌سازی و بهینه‌سازی بارها و منابع انرژی پراکنده صورت می‌گیرد. در این مقاله، تعامل ساختمان‌های هوشمند متعدد در چارچوب بازار انرژی و نیز امکانات ذخیره و تولید انرژی توزیعی مدنظر قرار گرفته است. در یک افق زمانی که به دوره‌های متعدد تقسیم بندی شده و در آن بارها و ساخت‌ها پیش‌بینی شده است، هر ساختمان در یک دوره خاص می‌تواند مازاد یا کسری برق را تجربه کند. اگرچه هرگونه کسری قابل تامین از بازار خواهد بود، اما ساختمان‌ها ممکن است فروش نیروی استفاده نشده خود به بازار را مدنظر داشته باشند. مدل قیمت‌گذاری پویا براساس نظریه‌های بازی دیفرانسیلی به منظور مطالعه تعاملات این بازیکنان و چگونگی بیشینه‌سازی سود آنها تجهیز شده است. همچنین، الگوریتم‌هایی را برای اجرا و عملیاتی‌سازی سیستم در طول افق زمانی مدنظر قرار دادیم. علاوه بر این، مطالعات متعددی برای اعتبارسنجی این مدل و الگوریتم‌ها، انجام شده است. مقدمه: ساختمان‌ها، به عنوان بخش جدایی‌ناپذیر جامعه انسانی مدرن، یکی از مصرف‌کنندگان اصلی انرژی محسوب می‌شوند. برای نمونه، 31 درصد از تولید برق کشور سنگاپور در سال 2005 [1] و حدود 35 درصد مصرف برق در ایالات متحده آمریکا در سال 2010 [2] به ساختمان‌های تجاری یا غیرمسکونی اختصاص داشت. انتظار می‌رود که این ارقام با توجه به میزان فعلی رشد جمعیت جهان و توسعه شهرها افزایش یابد. به منظور مدیریت بهتر تقاضای انرژی و افزایش کارآیی انرژی ساختمان‌ها، اغلب ساختمان‌های هوشمند از سیستم اتوماسیون ساختمان (BAS) برای پایش و کنترل بهینه بارهای مختلف ساختمان مانند روشنایی و گرمایش، تهویه و سیستم‌های تهویه هوا (HVAC) بهره می‌گیرند. توسعه اخیر فناوری‌های هوشمند، فرصتی منحصر به فرد را برای ساختمان‌های هوشمند فراهم می‌آورد تا به مدیریت بهینه نیروها بپردازند. ابتدا، اطلاعات جدید و فناوری‌های ارتباطی، امکان تعامل دوسویه بین تامین‌کنندگان برق و مصرف‌کنندگان را فراهم آورده و پاسخ به تقاضاها (DR) را تسهیل می‌کند. مزیت اصلی دیگر، ترکیب منابع انرژی پراکنده (DER ها)، از جمله ژنراتور توزیع‌کننده (DG) و ذخیره توزیعی (DS) است. واحدهای DG، به طور معمول ژنراتورهای برخطر انرژی کوچک‌مقیاسی هستند که نقطه تولید را به بارها نزدیک‌تر می‌کنندف از این رو اتلاف هنگام انتقال کاهش یافته و ویژگی ولتاژ را افزایش می‌دهند [3]. به واسطه افزایش هزینه سوخت و دغدغه‌های زیست‌محیطی، منابع تجدیدپذیر انرژی مانند پانل‌های PV و توربین‌های بادی، به سرعت به جایگزین‌هایی رایج برای ژنراتورهای سوخت فسیلی تبدیل شده است. با وجود این، انرژی‌های تجدیدپذیر، به صورت متناوب در طبیعت در حال نوسان هستند و دستگاههای DS می‌توانند برای ینواخت‌سازی تغییرات و دگرگونی‌ها استفاده شوند. علاوه بر این، آنها می‌توانند هنگامی که به اوج بار می‌رسند به تخلیه انرژی یا ذخیره هرگونه انرژی استفاده نشده بپردازند. اشکال مختلف DS از باتری‌ها گرفته تا ابررساناها برای چرخ‌های لنگر (فلای‌ویل) وجود دارد [4]. شکل 1، مولفه‌های فوق‌الذکر در یکی از ساختمان‌های هوشمند را نشان می‌دهد که به نوبه خود بخشی از خوشه ساختمان است که با شبکه هوشمند متصل شده است. این روند به ساختمان‌ها امکان می‌دهد تا تعامل فعالی با یکدیگر و نیز شرکت‌های کارآمد در بازار انرژی داشته باشند.

The emergence of smart grid technology is offering a unique opportunity to improve power management in intelligent buildings through the integration and optimization of distributed energy resources and loads. In this paper, the interactions of multiple intelligent buildings in the context of energy market, as well as distributed energy generation and storage facilities, is considered. Within a time horizon divided into multiple periods in which generations and loads are forecasted, each building in a certain period may experience power surplus or deficit. While any deficit can be obtained from the market, buildings may consider selling their unused power back to the market. A dynamic pricing model based on differential game theory is set up in order to study the interactions of these players and how they maximize their profit. We also propose algorithms to implement and operate the system over the time horizon considered. Furthermore, numerical studies are performed to validate the model and algorithms. INTRODUCTION: Buildings, as an integral part of modern human society, is one major energy consumer. For instance, 31% of Singapore’s electricity generation in 2005 [1] and about 35% of USA electricity consumption in 2010 [2] were attributed to nonresidential or commercial buildings. The figures are expected to rise given the current rate of world population growth and urbanization. In order to better manage the energy demand and increase the building energy efficiency, an intelligent building often employs a building automation system (BAS) to monitor and optimally control various building loads such as lighting and heating, ventilating, and air conditioning (HVAC) systems. The recent development of smart grid technology offers a unique opportunity for intelligent buildings to actively manage their power. First, modern information and communications technology allows two-way communications between electricity suppliers and consumers, and facilitates demand response (DR). Another major benefit is the incorporation of distributed energy resources (DERs), including distributed generation (DG) and distributed storage (DS). DG units, usually small-scale on-site energy generators, bring the point of generation closer to loads, hence reducing transmission loss and enhancing the voltage profile [3]. Due to increasing fuel cost and growing environmental concern, renewable energy sources, such as PV panels and wind turbines, are quickly becoming popular alternatives to traditional fossil-fuel generators. As renewable energy is, however, fluctuating and intermittent in nature, DS devices can be deployed to smoothen the variations. In addition, they can discharge and augment the generation when the load peaks, or store any unused energy. Several forms of DS are common, ranging from batteries, supercapacitors to flywheels [4]. Fig. 1 shows the aforementioned components in one intelligent building, which in turn is part of a building cluster interconnected by smart grid. This allows the buildings to actively interact with each other as well as the utility companies in the energy market.

بخشی از ترجمه مقاله (صفحه 32 فایل ورد ترجمه)