Μοντελοποίηση στοχαστικού προβλήματος βέλτιστης ένταξης μονάδων υπό αβεβαιότητα σε μικροδίκτυο και σύγκριση αποτελεσμάτων με αντίστοιχο ντετερμινιστικό μοντέλο

Abstract

Διαφόρων ειδών στοχαστικές προσεγγίσεις χρησιμοποιούνται ευρέως για την επίλυση προβλημάτων ένταξης μονάδων παραγωγής υπό αβεβαιότητα. Σε κάθε περίπτωση όμως η ευστοχία στη πρόβλεψη των τυχαίων μεταβλητών καθώς επίσης και η αποδοτική λειτουργία του στοχαστικού μοντέλου αποτελούν ακόμη σημαντικές προκλήσεις σε ερευνητικό επίπεδο. Αδιαμφισβήτητα τα μικροδίκτυα αποτελούν το μέσο μετάβασης από τα παραδοσιακά ενεργοβόρα δίκτυα ηλεκτρικής ενέργειας σε νέα ευέλικτα και αποδοτικά συστήματα υψηλών περιβαλλοντικών προδιαγραφών. Η παρούσα διπλωματική εργασία καλείται να δώσει λύση στο πρόβλημα της βέλτιστης ένταξης μονάδων παραγωγής σε ένα μικροδίκτυο λαμβάνοντας υπόψη τους παράγοντες αβεβαιότητας που ενσωματώνονται στο πρόβλημα λόγω της διείσδυσης των ανανεώσιμων πηγών ενέργειας αλλά και του απρόβλεπτου φορτίου. Για το σκοπό αυτό αναπτύχθηκε ένα μοντέλο για επίλυση προβλημάτων ένταξης δύο σταδίων υπό αβεβαιότητα. Για την επίλυση του προβλήματος έγινε εφαρμογή της μεθόδου L-shape. Επιπρόσθετα για να διαβεβαιώσουμε την αποδοτικότητα της λειτουργίας του μικροδικτύου δημιουργούμε ένα ντετερμινιστικό μοντέλο το οποίο χρησιμοποιείται ως σημείο αναφοράς για τη σύγκριση του συνολικού κόστους παραγωγής ενέργειας. To στοχαστικό μοντέλο λαμβάνει τις αποφάσεις για την διαχείριση των ενεργειακών πόρων του μικροδικτύου με γνώμονα το λειτουργικό κόστος. Τη διαδικασία βελτιστοποίησης πλαισιώνουν διάφοροι περιορισμοί λειτουργίας. Τα διάφορα σενάρια με τα οποία τροφοδοτείται το μοντέλο παράγονται μέσω της μεθόδου Μόντε Κάρλο. Τέλος η αποδοτικότητα των αποφάσεων που λαμβάνει το μοντέλο ελέγχεται μέσω ενός νέου τυχαίου συνόλου σεναρίων φορτίου και αιολικής παραγωγής. Το στοχαστικό μοντέλο υλοποιήθηκε στο περιβάλλον της Python κάνοντας χρήση της βιβλιοθήκης pyomo . H προσέγγιση της βέλτιστης λύσης έγινε με την βοήθεια του επιλυτή Gurobi.