Аналитическое моделирование многокластерной системы специального назначения на основе нескольких сценариев мониторинга

В статье рассмотрена проблема и постановка задачи моделирования оптимального функционирования многокластерной системы специального назначения (МССН), основанная на многосценарном моделировании. Проблемы, связанные с неопределенностью источников и нагрузок в МССН в энергетике, становятся все более очевидными в связи с объединением крупномасштабных возобновляемых источников энергии и многоэнергетических нагрузок. Более того, такие сценарии создают большие проблемы для оптимального функционирования МССН. В качестве объекта исследования рассматривается распределенная МССН в энергетике и предлагается модель функционирования, основанная на многосценарном моделировании, для учета неопределенностей прогнозирования, возникающих в случае распределенной выработки электроэнергии и многоэнергетических нагрузок. Традиционные модели оптимизации работы МССН обычно учитывают только один детерминированный сценарий работы, что может привести к определенным ограничениям стратегий работы. При оптимизации необходимо сбалансировать проблемы с консервативными результатами оптимизации, вызванные экстремальными сценариями, и высокую сложность модели, вызванную большим размером выборки сценария случайной выборки. Для решения вышеуказанных проблем предложена оптимизационная модель, основанная на многосценарном моделировании, для распределенной МССН со стороны нагрузки в многокластерной системе. Оптимизационная модель также применима для учета неопределенностей, связанных с распределенными ветровыми и солнечными источниками энергии, и случайности прогнозирования нагрузки для потребностей в охлаждении, отоплении и электроэнергии.

1. Leng Q., Chen W.-J., Huang P.-C., Wei Y.-H., Mok A.K., Han S. Network Management of Multicluster RT-WiFi Networks. ACM Transactions on Sensor Networks. 2019;15(1). https://doi.org/10.1145/3283451

2. Wu C., Zhang X.-P., Sterling M.J.H. Global Electricity Interconnection With 100% Renewable Energy Generation. IEEE Access. 2021;9:113169–113186. https://doi.org/10.1109/ACCESS.2021.3104167

3. Yan X., Yu H., Liang M. Risk-benefit comparative analysis of different control methods for reservoirs under the water to electricity mode. Journal of Physics: Conference Series. 2024;2836(1). https://doi.org/10.1088/1742-6596/2836/1/012023

4. Hao L., Hu W., Wang C., Wang G., Sun Y., Chen J., Pan X. Coordinated restoration optimization of power-gas integrated energy system with mobile emergency sources. Global Energy Interconnection. 2023;6(2):205–227. https://doi.org/10.1016/j.gloei.2023.04.008

5. Reymov K.M., Turmanova G.M., Makhmuthonov S.K., Uzakov B.A. Mathematical models and algorithms of optimal load management of electrical consumers. In: E3S Web of Conferences: Volume 216: Rudenko International Conference "Methodological problems in reliability study of large energy systems" (RSES 2020), 21–26 September 2020, Kazan, Russia. EDP Sciences; 2020. https://doi.org/10.1051/e3sconf/202021601166

6. Fu X., Guo Q., Sun H., Zhang X., Wang L. Estimation of the failure probability of an integrated energy system based on the first order reliability method. Energy. 2017;134:1068–1078. https://doi.org/10.1016/j.energy.2017.06.090

7. He C., Liu T., Wu L., Shahidehpour M. Robust coordination of interdependent electricity and natural gas systems in day-ahead scheduling for facilitating volatile renewable generations via power-to-gas technology. Journal of Modern Power Systems and Clean Energy. 2017;5(3):375–388. https://doi.org/10.1007/s40565-017-0278-z

8. Wang C., Gao R., Wei W., Shafie-khah M., Bi T., Catalão J.P.S. Risk-Based Distributionally Robust Optimal Gas-Power Flow With Wasserstein Distance. IEEE Transactions on Power Systems. 2019;34(3):2190–2204. https://doi.org/10.1109/TPWRS.2018.2889942

9. Li Y., Liu W., Shahidehpour M., Wen F., Wang K., Huang Y. Optimal Operation Strategy for Integrated Natural Gas Generating Unit and Power-to-Gas Conversion Facilities. IEEE Transactions on Sustainable Energy. 2018;9(4):1870–1879. https://doi.org/10.1109/TSTE.2018.2818133

10. Chen Y., Wen J., Cheng S. Probabilistic Load Flow Method Based on Nataf Transformation and Latin Hypercube Sampling. IEEE Transactions on Sustainable Energy. 2013;4(2):294–301. https://doi.org/10.1109/TSTE.2012.2222680

11. Ren Z., Yan W., Zhao X., Li W., Yu J. Chronological Probability Model of Photovoltaic Generation. IEEE Transactions on Power Systems. 2014;29(3):1077–1088. https://doi.org/10.1109/TPWRS.2013.2293173

12. Bahrami A., Teimourian A., Okoye C.O., Khosravi N. Assessing the feasibility of wind energy as a power source in Turkmenistan; a major opportunity for Central Asia's energy market. Energy. 2019;183:415–427. https://doi.org/10.1016/j.energy.2019.06.108