مدیریت تقاضای انرژی الکتریکی توسط مصرف کنندگان بزرگ صنعتی با استفاده از دسته بندی و زیر دسته بندی های ویژه: مطالعه موردی صنعت سیمان و شیشه
Publish place: Energy Policy and Planning Research، Vol: 4، Issue: 4
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 279
This Paper With 31 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_EPPR-4-4_007
تاریخ نمایه سازی: 1 تیر 1400
Abstract:
استفاده از مفهوم پاسخگوی بار (تقاضا) یکی از روش های موثر برای بهینه سازی و تعدیل مصرف انرژی الکتریکی است. پاسخ به تقاضای مبتنی بر زمان معمولا براساس دسته بندی های کلی شامل صنعت، کشاورزی، تجاری، مسکونی طراحی می شود. به دلیل یکسانی تعرفه های قیمت گذاری عمومی در هر دسته بندی، این روش بعضا با مشکلاتی مواجه می گردد. یکی از مشکلات بارز پاسخ به تقاضای مبتنی برزمان غیر فعال (پسیو)، انتقال بار بیش از حد می باشد. دراین مقاله با انجام زیر دسته بندی برای هر دسته و معرفی تعرفه های ویژه برای همان زیر دسته ها، نوع جدیدی از پاسخ به تقاضای مبتنی بر زمان را ارائه شده است. این مدل جدید علاوه بر بهینه سازی الگوی مصرف زیر دسته، سبب بهبود مصرف کلی ناحیه ای که آن زیر دسته نیز قرار دارد، میگردد. جهت بررسی و تصدیق روش کار با استفاده از داده های واقعی به مطالعه موردی در صنایع شیشه و سیمان پرداخته شده است. الگوریتم های ژنتیک و توده ذرات جهت بهینه سازی تابع هدف به کار برده شده است. با استفاده از اطلاعات حاصل از ممیزی انرژی در این دو صنعت و با توجه به تقسیم بندی بارها بر مبنای زمان استفاده ملاحظه شده است تعرفه گذاری بر مبنای پاسخ گویی بار موجب جابجایی بار و کاهش مصرف انرژی الکتریکی در صنعت شیشه و سیمان خواهد شد. بررسی ها حاکی از آن است که روش پیشنهادی به ویژه در صنایع سه شیفته کاربرد خواهد داشت.
Keywords:
Demand Side Management , Demand response , ATB-DR , PSO , GA , Cement and Glass Factory , مدیریت تقاضا , پاسخ به تقاضای فعال مبتنی بر زمان , الگوریتم ازدحام جمعیت , الگوریتم ژنتیک , کارخانه شیشه و سیمان
Authors
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :