Abstract: Current electricity infrastructure is being stressed from several directions - high demand, unreliable supply, extreme weather conditions, accidents, among others. Infrastructure planners have, traditionally, focused on only the cost of the system; today, resilience and sustainability are increasingly becoming more important. In this dissertation, we develop computational tools for efficiently managing electricity resources to help create a more reliable and sustainable electrical grid. The tools we present in this work will help electric utilities coordinate demand to allow the smooth and large scale integration of renewable sources of energy into traditional grids, as well as provide infrastructure planners and operators in developing countries a framework for making informed planning and control decisions in the presence of uncertainty. Demand-side management is considered as the most viable solution for maintaining grid stability as generation from intermittent renewable sources increases. Demand-side management, particularly demand response (DR) programs that attempt to alter the energy consumption of customers either by using price-based incentives or up-front power interruption contracts, is more cost-effective and sustainable in addressing short-term supply-demand imbalances when compared with the alternative that involves increasing fossil fuel-based fast spinning reserves. An essential step in compensating participating customers and benchmarking the effectiveness of DR programs is to be able to independently detect the load reduction from observed meter data. Electric utilities implementing automated DR programs through direct load control switches are also interested in detecting the reduction in demand to efficiently pinpoint non-functioning devices to reduce maintenance costs. We develop sparse optimization methods for detecting a small change in the demand for electricity of a customer in response to a price change or signal from the utility, dynamic learning methods for scheduling the maintenance of direct load control switches whose operating state is not directly observable and can only be inferred from the metered electricity consumption, and machine learning methods for accurately forecasting the load of hundreds of thousands of residential, commercial and industrial customers. These algorithms have been implemented in the software system provided by AutoGrid, Inc., and this system has helped several utilities in the Pacific Northwest, Oklahoma, California and Texas, provide more reliable power to their customers at significantly reduced prices. Providing power to widely spread out communities in developing countries using the conventional power grid is not economically feasible. The most attractive alternative source of affordable energy for these communities is solar micro-grids. We discuss risk-aware robust methods to optimally size and operate solar micro-grids in the presence of uncertain demand and uncertain renewable generation. These algorithms help system operators to increase their revenue while making their systems more resilient to inclement weather conditions.
ترجمه چکیده :تقاضای بالا، عرضه غیر قابل اعتماد، شرایط آب و هوایی شدید، حوادث، در میان دیگران - به زیرساخت های برق فعلی است که از چند جهت تاکید کرد. برنامه ریزان زیرساخت ها، به طور سنتی، در تنها هزینه سیستم متمرکز شده است؛ امروز، انعطاف پذیری و پایداری به طور فزاینده ای تبدیل شدن مهم تر. در این پایان نامه، ما به توسعه ابزارهای محاسباتی برای موثر مدیریت منابع برق به کمک به ایجاد یک شبکه برق قابل اطمینان تر و پایدار است. ابزار ما در این کار ارائه کمک خواهد کرد برق هماهنگ تقاضای اجازه می دهد تا ادغام صاف و بزرگ مقیاس از منابع تجدید پذیر انرژی را به شبکه های سنتی، و همچنین ارائه برنامه ریزان زیرساخت و اپراتورها در کشورهای در حال توسعه یک چارچوب برای تصمیم گیری برنامه ریزی و کنترل آگاهانه در حضور عدم قطعیت. مدیریت سمت تقاضا به عنوان راه حل مناسب برای حفظ ثبات شبکه به عنوان نسل از متناوب منابع تجدید پذیر را افزایش می دهد در نظر گرفته. مدیریت سمت تقاضا، به ویژه تقاضا پاسخ (DR) برنامه هایی که تلاش برای تغییر مصرف انرژی از مشتریان یا با استفاده از مشوق های مبتنی بر قیمت و یا تا جلو قرارداد قطع برق است، مقرون به صرفه تر و پایدار در پرداختن به عرضه کوتاه مدت تقاضا عدم تعادل زمانی که با جایگزین است که شامل افزایش ذخایر فسیلی در حال چرخش سریع مبتنی بر سوخت در مقایسه با. یک گام ضروری در جبران مشتریان شرکت و تعیین معیار اثربخشی برنامه DR است که به طور مستقل قادر به کاهش بار از داده متر مشاهده را تشخیص دهد. برق اجرای برنامه DR خودکار از طریق سوئیچ کنترل بار مستقیم نیز علاقه مند در تشخیص کاهش تقاضا به نحو احسن با دقت اشاره کردن دستگاه های غیر کارآمد به منظور کاهش هزینه های نگهداری هستند. ما در توسعه روش های بهینه سازی پراکنده برای تشخیص یک تغییر کوچک در تقاضا برای برق های مشتری در پاسخ به یک تغییر قیمت و یا سیگنال از ابزار، روش های یادگیری پویا برای برنامه ریزی نگهداری از سوئیچ مستقیم کنترل بار که عامل دولت است به طور مستقیم قابل مشاهده نیست و تنها می تواند از مصرف برق اندازه گیری، و روش های یادگیری ماشین برای دقت پیش بینی بار از صدها هزار نفر از مشتریان مسکونی، تجاری و صنعتی، استنباط میشود. الگوریتم ها در سیستم نرم افزار ارائه شده توسط AutoGrid، شرکت اجرا شده است، و این سیستم چند آب و برق در شمال غربی اقیانوس آرام، اوکلاهما، کالیفرنیا و تگزاس کمک کرده است، ارائه قدرت بیشتر قابل اعتماد را به مشتریان خود به طور قابل توجهی کاهش قیمت ها. ارائه قدرت به طور گسترده ای گسترش جوامع کشورهای در حال توسعه با استفاده از شبکه برق معمولی است اقتصادی امکان پذیر نیست. منبع جایگزین جذاب ترین انرژی مقرون به صرفه برای این جوامع خورشیدی میکرو شبکه است. ما در مورد روش قوی خطر آگاه به بهینه اندازه و عمل خورشیدی میکرو شبکه در حضور تقاضا نامشخص و نسل های تجدید پذیر نامشخص است. این الگوریتم کمک به اپراتورها سیستم برای افزایش درآمد خود در حالی که ساخت سیستم های خود را بیشتر انعطاف پذیر به شرایط آب و هوایی نامساعد. (این متن توسط ماشین ترجمه شده است لذا ممکن است نیاز به ویرایش داشته باشد)
جستجوی موضوعی
