<  Back to the Polytechnique Montréal portal

Two-Stage Stochastic Optimization for Peak Load Reduction in Smart District Microgrid

Fatemeh Bagheri

Master's thesis (2022)

Open Access document in PolyPublie
[img]
Preview
Open Access to the full text of this document
Terms of Use: All rights reserved
Download (2MB)
Show abstract
Hide abstract

Abstract

Microgrids offer a diversity of distributed energy resources to supply electricity to building owners, and thus contribute to the reduction of energy bills and greenhouse gas emissions. Indeed, renewable energy sources are clean and inexpensive, but they have the particularity of being intermittent. For large-power customers, microgrids can also contribute to local peak-shaving. However, defining the optimal sizing and operation of a microgrid considering generation and consumption uncertainties is a big challenge. These uncertainties must be adequately modeled for the optimal management of a microgrid. Stochastic optimization provides an appropriate framework for microgrid sizing and operation under uncertainty. However, there is an increased need for the development of scenarios generation and reduction approaches to limit the computation time of such problems. In this study, a two-stage stochastic optimization problem including sizing and operation of a MG and peak load reduction has been solved. A generative Adversarial Network (GAN) was proposed to generate PV power and electrical load demand scenarios. Due to a large number of scenarios, the K-medoids scenario reduction technique has been applied. The results of the case study of a Canadian university campus, showed that the proposed method decreased costs and properly shaved peak loads using PV power generation and battery storage systems.

Résumé

Les microréseaux offrent une diversité de ressources énergétiques distribuées pour fournir de l'électricité aux propriétaires de bâtiments, et ainsi contribuer à la réduction de la facture énergétique et les émissions de gaz à effet de serre. En effet, les sources d'énergies renouvelables sont propres et peu coûteuses, mais elles ont la particularité d'avoir un caractère intermittent. Pour la clientèle de grande puissance, les microréseaux peuvent également contribuer à l'écrêtage de la demande de pointe locale. Cependant, définir le dimensionnement et l'opération optimaux d'un microréseau compte tenu des incertitudes liées à la génération et à la consommation est un grand défi. Ces incertitudes doivent être adéquatement modélisées pour la gestion optimale d'un microréseau. L'optimisation stochastique offre un cadre approprié pour l'ople dimensionnement et l'opération du microréseau dans un contexte incertain. Ce-pendant, il existe un besoin accru pour le développement d'approches de génération et de réduction de scenarios pour limiter le temps de calcul de tels problèmes. Dans cette étude, un problème d'optimisation stochastique en deux étapes comprenant le dimensionnement et le fonctionnement d'un microréseau pour la réduction de la charge de pointe est proposé. Un réseau antagoniste génératif (GAN) a été proposé pour générer des scénarios de profils de puissance PV et de demande électrique. En raison d'un grand nombre de scénarios, la technique de réduction de scénarios K-medoids a été appliqué. Les résultats du cas d'étude d'un campus canadien ont démontré que la méthode proposée réduisait les coûts ainsi que la demande de pointe en utilisant des systèmes de production d'énergie PV et du stockage sur batterie.

Department: Department of Mathematics and Industrial Engineering
Program: Maîtrise recherche en mathématiques appliquées
Academic/Research Directors: Hanane Dagdougui and Michel Gendreau
PolyPublie URL: https://publications.polymtl.ca/10514/
Institution: Polytechnique Montréal
Date Deposited: 06 Feb 2023 14:59
Last Modified: 07 Feb 2024 05:24
Cite in APA 7: Bagheri, F. (2022). Two-Stage Stochastic Optimization for Peak Load Reduction in Smart District Microgrid [Master's thesis, Polytechnique Montréal]. PolyPublie. https://publications.polymtl.ca/10514/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only

View Item View Item