تجزیه و تحلیل پاسخگویی بار صنعتی برای قیمت گذاری زمان واقعی یک بخشی / Industrial Power Demand Response Analysis for One-Part Real-Time Pricing

تجزیه و تحلیل پاسخگویی بار صنعتی برای قیمت گذاری زمان واقعی یک بخشی Industrial Power Demand Response Analysis for One-Part Real-Time Pricing

  • نوع فایل : کتاب
  • زبان : فارسی
  • ناشر : آی تریپل ای IEEE
  • چاپ و سال / کشور: 1998

توضیحات

چاپ شده در مجله یافته ها در حوزه سیستم های قدرت – Transactions on Power Systems
رشته های مرتبط مهندسی برق، اقتصاد، اقتصاد انرژی و تولید، انتقال و توزیع
۱- از زمان معرفی DSM در دهه ۱۹۷۰، پروژه های مدیریت بار به طور عمده در بارهای مسکونی تمرکز داشتند. بعضی از این پروژه ها منجر به سودآوری منصفانه شده اند، اما بسیاری از برنامه ها در دستیابی به اهداف تعیین شده موفق نبوده‌اند، عمدتا به دلیل حجم بار در هر نقطه کنترل است. Bjark اظهار داشت که احتمال دارد برنامه های کاربردی با هزینه پایین در هر بار کنترل شده در صنعت قابل مشاهده باشد، در حالیکه بار قابل کنترل در هر نقطه کنترل نسبتا بزرگ استFlory et a1 . گزارش داد که در بسیاری از خدمات آب و برق، ۲ تا ۱۰ درصد از مشتریان صنعتی حداقل ۸۰ درصد از مصرف برق را پرداخت می‎کنند، که تأکید بر امکان اقتصادی برنامه های DSM در بخش صنعتی است. در وضعیت افریقای جنوبی، بار صنعتی غالب است، که انگیزه وسیله محلی، ESKOM را برای معرفی یک گروه متمرکز مشتری برای ترویج بازاریابی و خدمات مشتریان به مشتریان بزرگ صنعتی خویش معرفی می کند. با توجه به این دیدگاهات، این مطالعه بر مدیریت بار در بخش صنعتی تمرکز دارد. شکل گیری اهداف DSM به طور گسترده ای تحت تاثیر ویژگی های ابزار و محیط عملیاتی خارجی قرار می گیرد. اگر چه خدماتی می تواند طیف گسترده ای از انگیزه ها را برای تشویق مشارکت مشتری در یک برنامه خاص DSM ارائه دهد، در نهایت تصمیم مشتری برای شرکت در آن است که بر موفقیت فعالیت تاثیر می گذارد. رویکردها و تکنیکهای DSM باید مشارکت میان ابزار و مشتریان خود را به دنبال داشته باشند، به دنبال زمینه مشترک برای به حداکثر رساندن سود دو جانبه است. این فرایند در نهایت منجر به توافق قیمت گذاری سفارشی بین یک ابزار عرضه و یک مشتری که مایل به شرکت در برنامه DSM است. طرف های درگیر در یک فرایند قیمت گذاری سفارشی باید از ساختار گزینه های مختلف تعرفه آگاه باشند، و آنها باید آگاهی از تاثیر احتمالی این تعرفه DSM بر اساس معیارهای عملکرد هر دو ابزار و مشتری داشته باشد. گرچه قیمت گذاری استفاده از زمان (TOU) گامی مهم به سوی قیمت گذاری کارآمد برق است، اما شناخت رو به رشد، فرم های تعرفه دینامیکی می تواند کارآمدتر باشد. قیمت گذاری دینامیکی به طور گسترده شامل ساختارهای تعرفه ای است که دارای یک یا چند عنصر هستند که می توانند محاسبه و ارسال شوند و نزدیک به زمان کاربرد باشند. این تعریف شامل مفاهیم متعددی در ادبیات قیمت گذاری مانند قیمت گذاری زمان واقعی (لحظه) و سایر اشکال نرخ نوآورانه است. نظریه این استراتژی قیمت گذاری به خوبی مستند شده است. با انعکاس “واقعی” هزینه برق به مصرف کننده از طریق قیمت متغیر برای دوره های خاص – به طور کلی یک ساعت، این ابزار را فراهم می‎کند که مصرف‎کننده اطلاعات لازم برای تصمیم گیری های اقتصادی مدیریت بار را بدست آورد. مزایای قیمت گذاری لحظه ای برای یک مشتری که افزایش می‎یابد، نشان می‎دهد. – مقدار تغییر قیمت در طول زمان؛ – ظرفیت ذخیره سازی مشتری؛ – مقدار ظرفیت تولید پیک این دیدگاه ها با استفاده از الگوریتم بهینه سازی مبتنی بر برنامه خطی (LP) ساخته شده است. هدف از این مقاله است برای اضافه کردن فهم بیشتر به صرفه جویی هزینه انرژی برق در زمان واقعی قیمت گذاری (RTP) از طریق مدیریت بار هوشمند است. رویکرد تحلیلی که نشان داده شده است، آب و برق و کاربران نهایی صنعتی برق را قادر می سازد تا اطلاعات بهتر در مورد مزایای ارائه شده توسط RTP را بدست آورد. یکی از این مزایا، به عنوان مثال پتانسیل صرفه جویی در هزینه برق، در این مقاله مورد توجه قرار می‌گیرد. این ریاضی به عنوان تابع متغیرهایی است که ساختار قیمت های زمان واقعی را مشخص می‎کنند و همچنین تنظیمات کارخانه صنعتی، که شامل ظرفیت مصرف انرژی اضافی کاربر نهایی و ظرفیت مصرف انرژی نصب شده است، ارائه می‎شود. این رویکرد منحصر به فرد و به دانش در این زمینه تحقیق کمک می‎کند. استراتژی برنامه ریزی بار که ممکن است منجر به حداقل هزینه های برق برای مصرف‎کننده شود، در بخش دوم ارائه شده است. امکان سنجی استراتژی بستگی به فرضیات خاصی دارد که به آنها داده می شود. مدل‎سازی ریاضی منحنی دوره قیمت (منحنی دوره زمانی نرخ حاشیه) در بخش سوم معرفی شده است. در بخش چهارم، بیانات ریاضی از هزینه های برق یک مصرف‌کننده تحت ساختار تعرفه یکپارچه RTP بیان شده است. بخش پنجم بیان ریاضی پتانسیل صرفه جویی در هزینه برق را تحت عنوان RTP ارائه می دهد، همراه با برخی مطالعات موردی به صورت گرافیکی، اثرات برخی از عوامل مهم را در پتانسیل صرفه جویی نشان می‎دهد. نتیجه گیری در بخش ششم دنبال می شود.

Description

Since the introduction of DSM in the 1970’s, load management projects mainly concentrated on residential loads. Some of the projects have resulted in a fair profitability, but many of the programs have not succeeded in achieving the established objectives, mainly due to the size of load per control point. Bjark [l] stated that it is likely that applications with low cost per controlled load may be found in industry, where the controllable load per control point is relatively large. Flory et a1 [2] reported that at many utilities 2-10% of the industrial customers account for at least 80% of the electricity usage, which emphasises the economic feasibility of DSM programs in the industrial sector. In the South Afiican situation the industrial load dominates, which motivated the local utility, ESKOM, to introduce a Key Customer focus group to promote marketing and customer services to its large industrial customers. In the view of these observations, this study focuses on demand management in the industrial sector. The formulation of utility DSM goals is largely influenced by the utility’s characteristics and external operating environment. Although utilities can offer a wide range of inducements and incentives to encourage customer participation in a particular DSM program, ultimately it is the customer decision to participate which influences the success of the activity. DSM approaches and techniques should involve a partnership between the utility and its customers, seeking common ground to maximise mutual benefit. This process will eventually lead to a customised pricing agreement between a supply utility and a customer who is willing to participate in the DSM program. Parties involved in a customised pricing process should be aware of the structures of various tariff options, and they should have knowledge of the possible impact of these DSM tariffs on the performance criteria of both the utility and the customer. Although time of use (TOU) pricing represented a significant step towards efficient electricity pricing, there is a growing recognition thal dynamic tariff forms can be more efficient. Dynamic pricing broadly encompasses tariff structures that have one or more elements which can be calculated and posted close to the time of applicability [4]. This definition embraces several concepts developed in the pricing literature, such as real-time (spot) pricing and other forms of “innovative” rates. The theory behind this pricing strategy is well documented [5]. By reflecting the “real” cost of electricity to the consumer through variable prices for specific – generally one hour – time periods, the utility provides the consumer with the information necessary to make economically sound load management decisions. Benefits of spot pricing for a customer are shown to increase with [3]: 0 These observations were made in [3] by means of a linear program (LP) based optiimisation algorithm. The purpose of this paper is to add more insight into the electricity cost saving potential of real-time pricing (RTP) through intelligent demand management. The analytical approach as illustrated, will enable utilities and industrial end users of the magnitude of price changes over time; the magnitude of the customer’s storage capacity; the amount of his peak production capacity. electricity to acquire a better knowledge of the benefits that RTP can offer. One of these benefits, i.e. the electricity cost saving potential, will be addressed in this paper. It will be mathematically presented as a function of variables that describe the structure of the real-time prices, as well as the configuration of the industrial plant, which includes the spare energy consumption capacity of the end user and the installed power consumption capacity. This approach is unique and contributes to knowledge in this field of research. A load scheduling strategy which may result in minimum electricity costs to the end user, is presented in section 11. The feasibility of the strategy depends on certain assumptions, which will be given. The mathematical modelling of the price duration curve (hourly marginal rate duration curve) is introduced in section 111. In section IV mathematical expressions of the electricity costs of an end user under onepart RTP tariff structures are derived. Section V presents the mathematical expression of the electricity cost saving potential under RTP, together with some case studies to graphically display the impacts of some important factors on the saving potential. Conclusions follow in section VI.
اگر شما نسبت به این اثر یا عنوان محق هستید، لطفا از طریق "بخش تماس با ما" با ما تماس بگیرید و برای اطلاعات بیشتر، صفحه قوانین و مقررات را مطالعه نمایید.

دیدگاه کاربران


لطفا در این قسمت فقط نظر شخصی در مورد این عنوان را وارد نمایید و در صورتیکه مشکلی با دانلود یا استفاده از این فایل دارید در صفحه کاربری تیکت ثبت کنید.

بارگزاری