بهره برداری بهینه ریزشبکه‌ هیبریدی برای افزایش بهره وری انرژی الکتریکی در حالت جزیره ای با به کارگیری شبکه های عصبی با یادگیری عمیق و مدیریت تقاضا

در این مقاله از شبکه‌های عصبی با یادگیری عمیق برای پیش‌بینی بار یک ریزشبکه در حالت جزیره‌ای استفاده‌شده است. سپس، با استفاده از نتایج به‌دست‌آمده یک مدل جدید ریاضی بر اساس جابجایی بار به‌صورت پیشرو-پسرو، و خاموشی بار غیرضروری در ساعت‌های اوج مصرف برای مدیریت طرف تقاضا به‌منظور بهبود  عملکرد اقتصادی ریزشبکه ارائه‌شده است. همچنین جهت افزایش راندمان انرژی، از توان تجدیدپذیر مازاد تولیدی برای تولید هیدروژن سبز استفاده گردیده است. به همین منظور، از نرم‌افزار بهینه‌سازی gams برای بهره‌برداری بهینه برای یک روز در حضور عناصر تجدیدپذیر انرژی، باطری، دیزل ژنراتور، دستگاه الکترولیزکننده آب، و پیل سوختی به همراه قیود مدیریت سمت تقاضا استفاده‌شده است. نتایج به‌دست‌آمده نشان می‌دهند که شبکه‌های عصبی با یادگیری عمیق قادر می‌باشند رفتار پیچیده، تصادفی، و غیرخطی بار را با دقت بالایی پیش‌بینی کنند. همچنین، مدل ریاضی ارائه‌شده برای بهینه‌سازی و جابجایی بار ریزشبکه موردنظر نقش کلیدی در صرفه‌جویی انرژی الکتریکی، کاهش هزینه‌ عملکرد، افزایش تولید هیدروژن سبز، و افزایش راندمان انرژی دارد.

optimal mathematical operation of a hybrid microgrid in islanded mode for improving energy efficiency using deep learning and demand side management

different energy sources can be used to balance between production and consumption of electrical energy in the microgrid (mg) islanded mode. providing of energy at any power level with different energy producing elements has a different cost than other cases. so, an economic method for supplying of load energy which is based on the minimization of the cost function of power suppliers is required. so, the economic combination of mg power suppliers can be found to provide the required power of the mg load demand. for this purpose, a mathematical model that includes the objective function and the constraints of various components of the mg is required. the mg load demand has a random nature and cannot be easily predicted. deep learning method cab be used to predict the future value of load demand. so, the long short-term memory (lstm) regression method has been used to predict the amount of mg load in the future. the lstm receives input data in the form of time series. then it uses them to update the network output to predict the amount of load in the future. the lstm block consists of an input gate, a forget gate, an output gate, and a blocking gate. these four gates in the lstm structure manage the input and output flow of information. to ensure economic performance of the mg, a new model based on the forward-backward load shifting and unnecessary load shedding is also presented. by moving some parts of the load from the peak consumption hours to the lower consumption hours, the maximum load value and energy cost can be reduced. for this purpose, the flexible dr mechanism is used to move the load in the forward or backward directions. so, the dr mechanism causes the load be transferred from the peak consumption section to the middle load or low load areas. this load shifting reduces the cost of energy production. so, load demand will be modeled as a variable parameter in the planning. as well, to increase energy efficiency, excess renewable energy has been used to produce green hydrogen. for this purpose, gams optimization software has been used for optimal operation of the mg in the presence of renewable energy sources, battery, diesel generator, aqua electrolyzer, and fuel cell considering demand side management (dsm) restrictions. the obtained results from the proposed model of the considered mg show that the huge amount of excess electricity can be saved to enhance energy efficiency. this issue increases green hydrogen production that can be used for fuel cell consumption. as well, the proposed model provides lower cost of operation cost. in addition, the diesel generator consumes lower diesel fuel.