دوره مقدماتی بهینه‌سازی سیستم‌های قدرت

نمای کلی مسیر دوره

هر مرحله دقیقاً یک لایه از واقعیت را به مدل ساده اولیه اضافه می‌کند؛ همین ساختار پلکانی باعث می‌شود مسائل پیچیده‌تر منطقی و قابل‌فهم باقی بمانند.

یک نمونه کد Pyomo از پایهٔ دوره

پایهٔ همه‌چیز «پخش بار اقتصادی» است: تعیین اینکه هر واحد چقدر تولید کند تا هزینه سوخت کمینه شود و تعادل تولید و مصرف برقرار بماند.

# پخش بار اقتصادی سه واحد تولیدی با Pyomo
from pyomo.environ import (ConcreteModel, Set, Var, Objective, Constraint,
                           NonNegativeReals, minimize, SolverFactory, value)

gens = {
    'G1': {'a': 0.110, 'b': 5.0, 'Pmin': 10, 'Pmax': 100},
    'G2': {'a': 0.085, 'b': 1.2, 'Pmin': 10, 'Pmax': 100},
    'G3': {'a': 0.122, 'b': 1.0, 'Pmin': 10, 'Pmax': 100},
}
demand = 210

m = ConcreteModel()
m.G = Set(initialize=list(gens.keys()))
m.P = Var(m.G, domain=NonNegativeReals,
          bounds=lambda m, g: (gens[g]['Pmin'], gens[g]['Pmax']))
m.cost = Objective(
    rule=lambda m: sum(gens[g]['a'] * m.P[g]**2 + gens[g]['b'] * m.P[g]
                       for g in m.G),
    sense=minimize)
m.balance = Constraint(rule=lambda m: sum(m.P[g] for g in m.G) == demand)

SolverFactory('ipopt').solve(m)
for g in m.G:
    print(f"{g}: {value(m.P[g]):.2f} MW")
print(f"هزینه کل: {value(m.cost):.2f}")

همین ساختار در گام‌های بعد با افزودن زمان، شبکه و باتری گسترش می‌یابد. اگر می‌خواهید این کد را بدون نصب چیزی روی سیستم خودتان اجرا کنید، راهنمای Google Colab کمک می‌کند؛ و برای آشنایی با گزینه‌های مختلف سالور در Pyomo، یادداشت سه روش عملی استفاده از سالورها را ببینید. برای گامی فراتر از DC-OPF — یعنی کنترل ولتاژ، توان راکتیو و مسائل شبکه هوشمند برق — یادداشت بهینه‌سازی و شبکه هوشمند برق را مطالعه کنید.

این دوره برای چه کسانی است؟

• دانشجویان مهندسی برق (قدرت) که می‌خواهند وارد مسائل بهینه‌سازی شوند
• پژوهشگران و علاقه‌مندان به مدل‌سازی مسائل بهره‌برداری سیستم قدرت
• مهندسان صنعت برق که به دنبال مهارت عملی کدنویسی مسائل هستند
• هر کسی که پیش از دورهٔ پیشرفته به یک پایهٔ محکم نیاز دارد

دستاوردهای دوره

در پایان این دوره می‌توانید مسائل پایهٔ بهره‌برداری سیستم قدرت را به‌درستی فرموله کنید، آن‌ها را در Python با Pyomo پیاده‌سازی و حل کنید، و نقش زمان، شبکه، ذخیره‌ساز و تصمیم‌های صفر-و-یک را در مدل‌سازی تشخیص دهید. این دوره پیش‌نیاز طبیعیِ دوره پیشرفته بهینه‌سازی سیستم‌های قدرت است. اگر به مسائل بهینه‌سازی خارج از حوزه سیستم قدرت هم علاقه دارید، دوره مسیریابی و بهینه‌سازی با پایتون یک مسیر تکمیلی خوب برای تمرین همین مهارت‌های مدل‌سازی روی مسائل حمل‌ونقل و زنجیره تأمین است.

سوالات متداول درباره دوره

پیش‌نیاز این دوره چیست؟

آشنایی مقدماتی با مفاهیم سیستم قدرت و برنامه‌نویسی پایه Python کافی است. دانش قبلی از سالورها لازم نیست و در دوره آموزش داده می‌شود.

مدت دوره چقدر است؟

این دوره فشرده و ۸ ساعته است و به‌صورت پروژه‌محور برگزار می‌شود.

چه مسائلی پوشش داده می‌شود؟

پخش بار اقتصادی، پخش بار اقتصادی دینامیکی، پخش بار بهینه DC، مدل‌سازی ذخیره‌ساز و باتری و مقدمه‌ای بر آرایش بهینه واحدها (Unit Commitment).

تفاوت این دوره با دوره پیشرفته چیست؟

این دوره مقدماتی و پایه‌ای است و مفاهیم اصلی را می‌سازد؛ دوره پیشرفته بهینه‌سازی سیستم‌های قدرت با ۱۰ سرفصل اصلی وارد مسائل واقعیِ روزِ بهره‌برداری و برنامه‌ریزی شبکه می‌شود.