TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.5, May 2014, pp . 3407 ~ 34 1 5   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i5.4953          3407     Re cei v ed O c t ober 2 1 , 201 3; Revi se d Decem b e r  4, 2013; Accepte d  De cem ber  23, 2013   Cost-Emission Scheduling under Uncertainty in a  Smart Grid with Wind Power and PHE V s      Zhang Xiaoh u a* 1,2 , Xie Jun 3 , Li Zhenkun 4   1 School of Infor m ation Sci enc e & Engin eer in g,  Chan gzh ou  Univers i t y , C h a ngzh ou 2 131 6 4 , Chin a   2 Jiangs u Ke y   L abor ator y   of Po w e r T r ansmissi on a nd Distri butio n Equ i pm ent T e chnolo g y   3 Nanji ng U n ive r sit y  of Posts a nd T e lecommu nicati ons, Nan j i ng, 210 04 6   4 Shang hai U n i v ersit y  of El ectric Po w e r, Sha ngh ai, 20 009 0   Corresp on din g  author, e-mai l : zhang _8 103 0 1 @1 63. com*, eej xi e@ gmai l.com,  lzk021 @1 63.com       A b st r a ct  T he  rap i d de velo p m ent of  plu g -in el ectric  vehic l es (P HEVs) an d w i nd  pow er br i ngs n e w   challenges to  power system security and  econom ic o per ation. Traditional dete r m inist i c models fail  to  capture th eir  e x tra character i stics. In this p aper,  PHEVs, w i nd  pow er an d  ther ma l u n its  are stud ie d. T he  sched uli ng  mo del w i th PHEVs and w i nd po w e r is more  co mp lex, w h ich mi ni mi z e s the cost-emissio n  w h i l e   consi deri n g  th e u n certa i nty  of w i nd  pow er  an d  lo a d , th e s m art c har g i ng/d i schar gi ng  of PHE V s, the   coord i nati on of  w i nd pow er a nd PHEVs. T he mu lti-sce nari o  simul a tion is  prese n ted i n  the rand o m  vari a b l e   discreti z at ion.  Nu mb ers of re prese n tative s c enar ios is  c h osen, so t hat the or igi nal  ob j e ctive of th e s m art   grid is  w i thin a n   acce ptab le le vel.  T hen  the  mu lti-ag ent sys tem (MAS) te c hno logy  is pr o pose d  to  divi de d  a   day is into 24 t i me interva l s, and eac h time interval  is  man age d by a w o rk agent to prod uce a soluti on  set   for the  time  int e rval. T h e w i n d  p o w e r, PHE V s an d th er ma l u n its  are c o o r din a ted  by t h e w o rk  age nt.  24   w o rk age nts ar e  ma nag ed  a  coord i nat i o n  a gent th at w oul d co ordi nate  t he s o luti ons  of  the w o rk  age nts.   F i nally,  a s m ar t grid  of 1 0  th e r ma l u n its, a  w i nd far m  an d P H EVs ar e us e d  to  de mo nstra t e the  effective  of  the pro pose d   mo de l. T he re sults  show  tha t  the smart gri d  can us e the  w i nd pow er a nd PHEVs  mo st  effectively, ca n  gre a tly c u t th e o per ation  co st and   car bon   emissio n . By t he tra d e o ff bet w een th e w e i g ht  factor of cost and e m iss i on, th e bal anc e of cost and e m issi o n  can reac h.     Ke y w ords :  PHEVs, m u lti-scenario simulation,  MAS, cost-em i ss ion  dispatching    Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  The po we r a nd ene rgy in dustry in te rm of eco n o m ic imp o rtan ce a nd envi r onmental   impact i s  on e of the mo st importa nt se ctors in  th e wo rld, sin c e every asp e ct of indu st rial  prod uctivity a nd d a ily life  are  dep end e n t on  elect r ic ity. It repre s e n ts a  majo r  portion  of gl o bal  emission.   With in cre a si ng con c ern  over glo bal  clim ate  cha n ge, poli c y make rs  are promoting   rene wa ble en ergy, whi c h  i s  con s id ere d  as a  m ean s  of meetin g e m issi on  re du ction ta rg ets.  So   environ ment f r iendly  mode rn di spat chin g  is  esse nt ial. Ho wever, po wer  sy stem rese arche r s  h a ve   addresse d o n ly tradition al unit commit m ent (UC)  p r oble m s to   minimize cost in the exist i ng   article s . The y  consi der e m issi on in UC pro b lem s  rarely, thoug h it is an important facto r  as  mentione d ab ove.   A techni cal   repo rt fro m   the National  Re ne wable  Energy La borato r y (NREL) h a s  repo rted  signi ficant re du ctions in  CO 2  e m issi on s fro m  PHEVs [1]. Con s ide r ing  co st advanta ges,   PHEVs h a ve  a sig n ifica n t  potential m a rket [2]. Be ca use  of its e n e rgy  saving  p o tential, PHE V s ’   resea r ch an d  appli c ation   has be com e  the fo cus a ttention of countrie s . T h e  co rrespondi ng  resea r chers  have mai n ly con c e r ne d o n  the inte rconn ection  of vehi cle  ene rgy  storag e a nd g r i d s.   Ahmed Yo usuf Sabe r  co nsid ers the   UC on  CO 2  emission s of  V2G (Vehi cle  to  G r id ), and   analyzes the  influen ce of CO 2  emi ssi o n s an d PHE V s discha rg e  in different situations; ele c tri c   vehicle s  (EV)  can   re pla c e conve n tional small uni ts fo r po we r g ene ration, the r eb y redu cin g  th e   operation  cost and  emi ssi o n  of  pollutant s. But it  i s   assume d th at th e cha r gin g  d e m and  of EV  h a s  been  provide d  by the  re newable  ene rgy, and  ch argin g  loa d   cha r a c teri stics of EV is  not  con s id ere d  [ 3 ]. Several o t her  resea r ch  efforts  of PHEVs in  re cent years [4 -8] examine t he  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3407 – 34 15   3408 impact of PHEVs on the p o we r syste m  but do not  take  wind e n e rgy into account and d o  not  prop ose ope rational metho d s.   Ho wever, PHEVs can’t co mpletely solv e the em issio n  pro b lem alo ne; they need  electri c   power, which  is one of ma in sou r ce of emission.  Th e NRE L exa m ines th e lon g -term i n tera ctio n   betwe en  win d  ene rgy an d  PHEVs [9] b y  assuming i n crea sing  pe netration  of PHEVs  com p a r ed   with the   current vehi cle f l eet for future yea r s.  Th e effective  control  of V2 G cha r gin g ,  the  formation  of  rene wa ble e nergy  and P H EVs effe cti v e are  co mpl e menta r y [10 ]. Literature [11]  take s the  Da nish  po wer system a s  an   example, a n a l yzes th e  cha r ging  control f o r the  promot ion  of wind po wer to ab sorb  and red u ce  green hou se  gas emi s sio n s. Wa ng et  al. [12] uses a  determi nisti c  method to a ddre s s coord i nation  of wi nd po we r an d PHEV cha r ging. Li sa [ 13]  investigate s  consequ en ce s of integrating  PHEVs in  a wind -the rmal  power sy ste m . Four different  PHEV integration st rategi es, with  different im p a ct s  have be en in vestigated. T he stu d y sh o w s  that PHEVs can impa ct the CO 2  emissio n . Soare s  [14] analyze s  PHEVs a s  a way to maximize   the integratio n of variable rene w able e n e rgy in po we r system s.   Determini s tic UC d eal s  with the  unit  gen eratio n  sched ule i n   a po we r  system. The   purp o se of  such  a sch e d u le is to  min i mize o p e r ati on cost s an d emi ssio n s  while  sati sfying   prevailing constrai nts such  as  load  bal ance, sy stem  spi nning reserve, et al  ov er a set of ti me   perio ds. Com pare d   with d e termini s tic UC and disp atch  m e thod s,  sto c ha stic UC studi es h a ve  been mo stly perfo rmed in  aca demia. Lit e ratu re [ 15] and [16] develop a st ocha stic UC mo del  to   study the im pact s  of PHEVs on po wer sy stem op eration a nd  sched uling. T he un certai nty is   addresse d in the prop osed  model by  gen erating diffe re nt sce nari o s.    Traditio nal  UC only  can  d i spat ch g ene rator  but not  load. Lo ad  disp atch  ca n  play an  important rol e  in reducing t he  operation  cost of power system  by  shaving the pea k and filling the  valley of load  profile s. Th e  su cce s s of  pra c ti cal  ap pl ication  of PHEVs greatly  depe nd s on  the  maximum utilization of re newable e n e r gy in the  smart gri d  so  that emissi o n  and cost  are   redu ce d. In this pap er, th e PHEVs, wi nd power an d thermal uni ts are stu d ie d, the unce r tainty  sma r t g r id di spatchi ng m o d e l is form ulat ed a s   a  stoch a stic cost -emi ssi on  red u cti on mo del. In  the  sched uling, t he fo re castin g loa d  a nd  wi nd p o we r  are  used, b u t th e a c tual  win d  po wer an d l oad  usu a lly differs from th e foreca sted  one s. So t he un ce rtainties of lo ad an d wi nd  power a r e ta ken   into accou n t. The PHEVs  charg e /disch arge co ntro l, the coo r din a tio n  of PHEVs and wi nd po wer  are  con s id ere d . First, the  multi-sce nari o  simul a tion  i s  u s ed i n  the  rand om vari a b le di scretization.  Numb ers of repre s e n tative scena rio s  is  cho s e n , so  th at the origi nal  obje c tive of the sm art g r id  is  within a n  a cceptable l e vel. Then  a d a y i s  divide d into  24 time i n tervals, and  ea ch time inte rva l  is  manag ed by  a wo rk a gent  to produ ce  a solutio n  se t for the time interval. The  work ag ent i s   pre s ente d  to   coo r din a te th e wi nd  po we r, PHEVs  and  therm a l  unit s . Th e a d ju stment of  wei g ht  factors can re ach the effe ctive coordinati on between  CO 2  emi ssi on s and  co sts.       2. Stochas t i c  Cos t-emis s ion Redu cti on Model   2.1. Multi-sc enario Simulation   In multi-scenario, a large number of discre te  probability distributions are formed t o   simulate the  uncertainty of rando m varia b les.  It generally has two  steps to gen erate scena rio s .    The proba bility distribution  of rando m variabl e i s  obtai ned by Monte  Carlo  simul a tion.  In order to minimize the information  loss , the probability distri bution of the random   variable i s  dispersed by the  approxim ate method.   Due to th e st och a sti c  prop erties of win d  pow er a nd lo ad, the wi nd  power a nd th e load i s   very difficult to predi ct pre c isely. Und e r multi- sc en ar io  s i mu la tio n ,   s o me  re presentative discrete   scena rio s  are extracte d for the o p timization i n   a smart gri d  wit h  win d  gen erator an d PHEV s  unde r un ce rtainty, as it is hard to  con s i der a ll  contin uou s state s . Ho wever, the  total numbe r of   scena rio s  gro w s exp one ntially  with state  variable.   For u n certain t y, discrete p r oba bility  dist ribution  set s   for load  dem and ( D ) a nd  wind  r e sour ce ( w ) are given as foll ows:       11 2 2 { ( ,) ; ( , ) ; ( ,) ; ( , ) } ss n d n d Dd d d d d d d d pp p p                                          (1)    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Co st-Em i ssio n  Sched uling  unde r Un ce rt ainty in a Sm art Grid  with Wind … (Zh a ng Xiaohu a)  3409 (, ) ss dd p  is load an d the co rrespon ding proba b ili ty of uncertai n  load at sce nario s ;  nd   is the set of p o ssible  scena rios d e rive d from load.       12 1 nd dd d                                                                             (2)        11 22 { ( ,) ; ( ,) ; ( , ) ; ( , ) } s s nw nw w w in d w in d w in d w ind p ppp                                   (3)    (, ) ss wi nd p  is wind and the corresponding probab ility of uncertain wind at scenario s ; nw  is the set of possibl e scen ario s de rived  from win d  po wer.         12 1 nw                                                                             (4)    SC is a set of po ssi ble sce nari o s de rived fro m  wind po we r and loa d .     Dw SC                                                                                        (5)     1 d sS C                                                                                        (6)     sd w                                                                                          (7)    D , w  are sets  of discrete  distrib u tion  of load, wi nd po we r; d ,  are the   corre s p ondin g  prob ability of unce r tain  load, win d ; s  is the co rrespondi ng prob ability of the  sma r t gri d   system at  scen ario s . Differe n c e  between t he  scena rio  model  and  th e ori g inal  mo del  is a  di screte  prob ability di stributio n a d o p ted. Cu rve s   rep r e s entin g  the ori g inal  probability de n s ity  distrib u tion, rectan gula r   b a rs  represent  the  scena ri os; the  re ct a ngula r  b a r  h e ight rep r ese n ts   prob ability of  co rrespon di ng  scena rio.  Becau s e   of wind   po we r and  l oad un certainty,  and   EV  cha r gin g /dischargi ng in  sm art gri d  co ntrol, so t he trad itional optimi z ation problem  is tran sfo r me d  into uncertai nty smart gri d  di spat ching. To  c apture volatility,  we assu me the  wind power  and   load a r e  subj ect to the di stribution  2 (, ) N  with  their expe cte d  value ( ) and their volatilit y ( ).   Five scen ario s a r e  con s id e r ed fo r the  wi nd po we r  a n d  load  uncertai n ty, the scen ario  distri buti on  of wind po we r and loa d  are sho w n in Fi gure 1  and 2  resp ectively.      { ( 1 00% , 0 . 5 ) ; ( 99% ,0 . 1 5 ) ; ( 10 1% ,0. 1 5 ) ; ( 9 7. 5 % , 0 . 1 ) ; ( 1 02 . 5 % , 0 . 1 ) } ww d d dd pp p pp                                (8)      { ( 100% , 0 . 6 ) ; ( 9 8. 5% , 0 . 1 5 ) ;( 1 02% , 0 . 1 5 ) ; ( 98% , 0 . 0 5 ) ;( 103% , 0 . 0 5 ) } Dd d d dd pp p pp                              (9)    w p , d p  are the pre d i ct value of wi nd po wer a n d  load.        Figure 1. The  Scena rio Di stribution of Wi nd Powe r  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3407 – 34 15   3410     Figure 2. The  Scena rio Di stribution of Lo ad       2.2 Cos t-emi ssion Re duc tion Model u nder Un cer tainties   A quad rati c  function  is consi dered fo r the fuel  fun c tion  of the r mal unit s  u n der t he  determi nisti c  ca se:      2 () ( ) tt t ii i i i i i FC P a b p c p                                                                    (10)    Con s id erin g t he u n certaint y of load  and  win d  po we r,  the fuel  co st f unctio n  i s  co nverted  into the scen ario mo del:      2 [( ) , ] [ ( ) , ] ts t s t ii s i i i i i s FC P a b p c p                                                        (11)    st i p  is the po wer of the r ma l unit  i  at time  t  co nsi d e r ing  scena rio   s ,  s  is the   corre s p ondin g  pro bability ; i a ,  i b ,  i c  are  cost coefficie n ts of unit; i .It is assum ed tha t   conve n tional thermal units  are co al-fire d .  A  quad rati c fun c tion i s   con s id ere d  f o r the  emi ssi on  c u rve [17] as   follows :      （ 2 ci [( ) , ] [ ( ) ) , ] st s t st t i s ci ci i c i i i s EP p p u                                                (12)    ci , ci , ci  are  CO 2   e m issi on  co ef f i cient s of  u n it i .Therefore, th e obje c tive fu nction  for  co st-emi ssion  optimization  con s id erin g a  set of sce na rios  s  in a s m art grid is :          （ 21 11 2 mi n [ ( ( ) ) ( 1 ) () ) ] TN ss t s t t t t sc i i i i i i i i i sS t i st s t t ec i c i i c i i i TC W a b p c p u S u u Wp p u                    (13)    t i u is de cisi on variable of unit  i  at time  t , 1 fo r up, 0 for do wn; i S  is start-u p  co st of unit   i .  N  is total numbers of the r mal unit s ; T  is numbe rs  of perio ds  unde r study;  c W ,  e W is the  weig ht factor  of operatio n cost (f uel co st  plus startup cost),  CO 2  emissi on;     c W + e W = 1                                                                                         (14)    Con s trai nts:   PHEVs a r e  consi dered  as load s o r   sou r ce s. Po we r  sup p lied f r om  distri buted  g eneration s  m u st   satisfy the loa d  deman d:  PHEVs  disc harging     2 1 1, 2 , , N tt t t ii v v G d i p up N p t T                                                          (15)    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Co st-Em i ssio n  Sched uling  unde r Un ce rt ainty in a Sm art Grid  with Wind … (Zh a ng Xiaohu a)  3411 PHEVs  charging     2 1 1, 2 , , N tt t t ii d v v G i p up p N t T                                                          (16)    All registe r ed  PHEVs take part in sm art  gr id op eration s  duri ng a scheduli ng pe ri od,     ma x 22 1 1, 2 , , T t vG vG t NN t T                                                                 (17)    ma x 2 vG N is the total re gistered PHE V s; 2 t vG N is num ber  of vehicle s  co nne cted to the grid at  hour  t To main tain system reliability, adequat e spinni n g  reserve s  are requi re d:  PHEVs  disc harging     ma x 2 1 1, 2 , , N tm a x t t t ii v v G d i up p N p R t T                                                (18)    PHEVs charg i ng      ma x 2 1 1, 2 , , N tt m a x t t ii d v v G i up p p N R t T                                                (19)    ma x i p  is the maximum output limit of unit;  i ,  ma x v p  is the capa city of PHEVs; t d p  is  system  dema nd at time  t ; t R  is sy stem  spi nning  re se rve req u iremen t at time  t ; ma x i p / mi n i p  is  maximum/ minimum ge neration level of unit  i ;·Num ber of charging/d i scharging P H EVs limit.     ma x 22 1, 2 , , tt vG v G NN t T                                                                    (20)    All the PHEVs can not ch a r ge/di scha rge  at  the same time. For reliable ope rati on and   control, limite d  num be r of  vehicl es  will  ch arg e /discharg e  at  a ti me.  ma x 2 t vG N  is the  maximum  numbe r of ch argin g /disch a r ging at ho ur  t .  Gene ration li mits, ramp  rate, minimu m up and  down time con s trai nts a r e al so   c o ns ide r ed .      3. Proposed  Solution Ap proach   The total  sch edulin g pe rio d  is  24h, a n d  it co ntain s   24 work a g e n ts in th e scheduli ng  perio d. Each  work a gent u s e s  gen etic a l gorithm to p r odu ce a  solut i on set fo r the time interv al.  24  wo rk ag en ts a r e  man a g ed by  a  co op erative  agent  that  woul d  coordi nate  the  sol u tion s of  the  work  age nts.  The  relatio n s hip  amo ng  all the a gent s is sho w n i n   Error !  Re ference source  not  fou nd. .   As  shown  in the  figure, except relating wi th the  coo r dination  age nt every work ag ent   had info rmati on exchan ge d with the  previous  and  f o llowin g  adj a c ent  work a g ents. Ea ch  work  agent i s  resp onsi b le for coordi nating t he stati c  sch edulin g of wi nd po we r, th ermal  units  a nd  PHEVs, their  relation shi p  is sh own in Figure 4. Its  go al is the mini mum of fuel consumption a nd  emission s in  this peri od, the co nstraint s are static f o r the co rre s pondi ng time  interval, without  con s id erin g the dynami c  t i me co uplin g  con s trai nts.  Then the  ge netic al gorith m  is u s ed. T he  target of  the  coo perative a gent i s  the  m i nimum  of co st an d emi s si ons for th e  whole  sche duli n g   cycle, the con s traint s are the  dynamic  co upling  con s traints on the e n tire sche duli ng peri od.       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3407 – 34 15   3412   A1   … …   Co op e r a t i v e ag e n t   A2   A3   A4   A2 3 A2 4       Figure 3. MAS Archite c ture of the Smart Grid  Opt i mal Di sp at chin g   Figure 4. The  Work Agent  Synergi stic Effect  Diag ram       4. Numerical  Example   An inde pend ent syste m  o perato r  of  10 -unit  sy stem  is con s ide r ed  for si mulatio n  wit h   wind po we r a nd 5000 0 PHEVs. Load d e mand a nd u n it c haracte ri stic of the 10 -unit syste m  are   colle cted fro m  [18]. Assu me the re se rve to be  10 % of the load dema nd. It is ne ce ssary to   integrate  win d  in the sust ainabl e sm art  grid to  redu ce co st  and emission.  T h e amou nt of co st  and e m issio n  red u ctio ns  mainly de pen ds  on m a xi mum utilization  of re ne wabl e ene rgy th ro ugh   PHEVs. PHEVs are  c harging/di scharging i n telligently so  that both cost  and  emi s sion are  minimum. Lo ad dem and  and con s trai nts are fulf illed. Maximu m battery capa city=25 k Wh,   minimum bat tery capa city=10 k Wh, averag e ba ttery capacity = 1 5 kWh, maximum numb e r of  cha r gin g /dischargi ng P H E V s at e a ch h our,  ma x 2 t vG N = 10% tot a l PHEVs . Total number  of  PHEVs  in  the system,  ma x 2 vG N =50 000. Cha r ging -di s cha r ging fre que n c y=1  per  day ; sch edulin g  perio d=24h,  depa rture state  of  cha r ging/di scharg i ng  =50%, efficien cy  =85%. A PHEV need s  8.22kWh/d ay, an excess  of 8.22*50 000 =411M Wh  po wer will  be n eede d for th e  sma r t gri d  [1 9].  And the win d   farm can p r ov ide 500 MWh/day ene rgy.  A typical day forecast s of  wind a r e give n in  [20]. This p a per  analyzes two  ca ses,  one d o e s  not  con s id er th e  uncertai n ty of load a nd  wind   power, the other con s ide r s the unce r tain ty of load and wind po we r for sm art gri d .  1) Co st-emission redu ctio n disp atchi n g  without  the u n ce rtainty of load an d win d  powe r    Co st-emi ssio n  re du ction weig hts ca n give  de ci sion -ma k ers th e i n tuitive analy s is of the   con c e r ne d fa ctors. Th e eff e ct of th e  wei ght  chan ge s  on the  optimi z ation  sch e d u ling i s  a naly z ed  below.By this  way, it verifies  the effec t ivene ss of the  co st-emi ssion  redu ction mo del.  CO 2  is  on e  o f   the  mai n  di scharge   in  th e electri c  po wer p r od ucti on pro c e s s, it has a  signifi cant im pact o n  the e n vironm ent. The relation ship of therm a l co st-emi ssio n obje c tives  and  weig hts with o u t/with PHEVs ca n be see n  in Table 1, 2.      Table 1. The  Relatio n ship of Therm a l Cost-e mi ssio n Obje ctives an d Weig hts wit hout PHEVs    we ig ht s     obj ec tiv e   (1 ,0)   (0 .9 , 0.1)  (0 .8 , 0.2)  (0 .7 , 0.3)  (0 .6 , 0.4)  (0 .5 , 0.5)  (0 .4 , 0.6)  (0 .3 , 0.7)  (0 .2 , 0.8)  (0 .1 , 0.9)  F / $   5 628 77 .68 5 652 23 .52 5 652 77 .32 5 660 47 .70 5 671 42 .24 5 696 50 .16 5 713 98 .77 5 735 09 .10 5 749 78 .12 5 806 65 .09 E c /t  2 699 06 .39 2 587 51 .20 2 585 11 .43 2 561 40 .50 2 541 10 .02 2 511 07 .34 2 496 87 .99 2 486 11 .43 2 480 61 .91 2 472 06 .69     Table 2. The  Relatio n ship of Therm a l Cost-e missio n Obje ctives an d Weig hts wit h  PHEVs  we ig ht s     obj ec tiv e   (1 , 0)   (0 .9 , 0.1)  (0 .8 , 0.2)  (0 .7 , 0.3)  (0 .6 , 0.4)  (0 .5 , 0.5)  (0 .4 , 0.6)  (0 .3 , 0.7)  (0 .2 , 0.8)  (0 .1 , 0.9)   F / $   5 582 96 .90 5 588 20 .94 5 633 74 .18 5 669 55 .17 5 709 39 .72 5 768 05 .18 5 853 59 .22 5 954 55 .63 6 010 28 .84   6 274 16 .16 E c /t  2 733 26 .41 2 659 99 .73 2 392 29 .49 2 285 02 .65 2 217 47 .58 2 143 12 .78 2 069 59 .47 2 021 41 .48 2 003 50 .52   1 972 59 .18     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Co st-Em i ssio n  Sched uling  unde r Un ce rt ainty in a Sm art Grid  with Wind … (Zh a ng Xiaohu a)  3413 From  Tabl e  1 an d 2, the  weig ht fact ors of  co st and emissio n   are  (1,0), (0.9,0.1),   (0.8,0.2), (0.7,0.3), (0.6,0.4), (0 .5,0.5), (0.4,0.6), (0.3, 0 .7), (0.2 ,0.8), (0.1,0.9) respec tively. With  the wei ght fa ctor  of the o peratio n  co st  c decre asi ng,  co st is i n cre a sin g , but th e variatio n is  small whi c h can be  a c ce pted.  Increa si ng  the weig h t   factor  e , CO 2  emission  ca n be  red u ce d  sub s tantially.  When  ( c , e )   is  (0.8,0.2), the  operatio n cost is 56 337 4.18$, CO 2  e m issi on is   2392 29.49t (Table 2). On  the other han d, when PHE V s are not co nsid ere d  in the same  syste m ,  the ope ration  co st is 56 52 27.32$,  CO 2   emission i s  2 5851 1.43t in  the sam e  sy stem (Tabl e 1 ) .  PHEVs save 1853.1 4$ an d  redu ce 19 28 1.94t emissio n . Compa r e d  with Table 1,  CO 2  emi ssi on s  sub s tantially redu ce   in  T a ble  2 with others we ig hts.  It sho w s tha t  the sche dul ing with  PHE V s  can  effectivel y red u ce the  differe nce b e twee n p e a k  and  valley  p o we r  system,  save   co sts  and   redu ce  emission, in crea se the com p rehen sive  be nefit in the 10-u n it thermal syste m . By  cho o si ng pro per wei ght  f a ctors  of co st  an d  e m ission o n  the  b a si s of th e  deci s io n-m a kers’   willingn ess, satisfacto ry scheduli ng re su lts of  coo r din a ting co st an d emission  ca n be rea c h ed.   The rel a tion ship of sma r t grid co st-emission o b je ctive and wei ghts  with PHEVs a nd  wind p o wer is sho w n in Ta ble 3. PHEVs optimal  cha r ge/disch a rg e power un de r the determini stic  load an d win d  power with  weig hts (0.9,  0.1) is  sho w n  in Figure 5        Table 3. The  Relatio n ship of Smart Grid  Cost -emi ssi o n  Obje ctives  and Weight s  with PHEVs  and Wind Power  we ig ht s     obj ec tiv e   (1 , 0)   (0 .9 , 0.1)  (0 .8 , 0.2)  (0 .7 , 0.3)  (0 .6 , 0.4)  (0 .5 , 0.5)  (0 .4 , 0.6)  (0 .3 , 0.7)  (0 .2 , 0.8)  (0 .1 , 0.9)   F / $    5 488 91 .79  5 495 46 .20  5 542 52 .04 5 573 02 .88 5 628 02 .51 5 701 60 .03 5 721 50 .96 5 808 46 .21 6 000 41 .87   6 168 46 .89 E c /t 2 727 20 .36  2 603 72 .43  2 328 46 .27 2 231 81 .17 2 131 11 .80 2 064 24 .36 2 046 99 .40 2 008 16 .72 1 951 08 .10   1 934 41 .20     Effect of both co st and e m i ssi on in the  d e te rmini s tic  model  with PHEVs a nd wi nd po we r  is  sho w n  in   Table  3.  Co mpared  with   Table  2, in  th e same  weig hts of  cost s  and  emi ssio n ,  the   operation  co sts a nd emi s sion a r e  rapi dly decrea s in g (Ta b le 3 ) ; co st is redu ced by 912 2.1 4$,  and emi ssi on  is redu ce d by 6383.22t in the weight  of (0.8,0.2) (Ta b le 3). Com p ared  with Ta ble   1, cost is re d u ce d rapi dly, emissi on increa se s sl o w ly  ((1,0), (0.9,0 .1)); the co st is redu ced b y   1102 5.28$, t he emi s sion  i s  redu ce d by  256 65.15t  (( 0.8,0.2)) . Bo th the  cost  a nd emi s sion   are   redu ce d in  T able 3  than  those of T abl e 1 a nd  2.  Prope r u s in g  of PHEVs a nd  wind  po wer,  PHEVs  ca n  charg e  from th e g r id  with  wi nd p o wer at  off-pea k  hou rs a n d  di scharge to  the  grid  at   pea k hou rs,  whi c h are co mpleme ntary for each othe r.           Figure 5. PHEVs Optimal  Cha r ge/ Disch a rge Po we r u nder the  Dete rmini s tic Lo a d  and Wi nd  Power      As you can  see from Figu re 5, PHEVs chargi ng in the  low load p e ri od, in the pea k load  stage di scha rge, cha r ge/di scharge po wer thro ugh ef f e ctive co ntrol  of PHEVs, can reali z e the   minimization  of cost -emi ssi on in the sma r t grid.   2) Co st-emission redu ctio n disp atchin g  co n s ide r ing  the uncertain ty of load and wind   power   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3407 – 34 15   3414 The relatio n s hip   of co st-emi ssi on ob jectives  an d  wei ghts wit h  the  un cert ainty of  PHEVs/PHE Vs and wi n d  powe r  ca n be see n  in Table 4 a nd Table 5.  PHEVs optimal  cha r ge/di sch a rge  po we r u nder the u n certainty of lo a d  and  PHEVs with the  wei ghts  (0.9, 0.1 )   i s   s h ow n  in  F i gu r e  6 .       Table 4. The  Relatio n ship of Therm a l Cost-e miss io n Obje ctive and  Weight s with  the Uncertai nty  of PHEVs  we ig ht s     obj ec tiv e   (1 ,0)   (0 .9 ,0 .1) (0 .8 ,0 .2) (0 .7 ,0 .3) (0 .6 ,0 .4) (0 .5 ,0 .5) (0 .4 ,0 .6) (0 .3 ,0 .7) (0 .2 ,0 .8) (0 .1 ,0 .9)  F / $   5 782 23 .53 5 789 36 .68 5 823 29 .60 5 864 81 .65 5 922 18 .67 5 992 84 .96 6 052 92 .07 6 158 94 .74 6 364 82 .46 6 472 22 .85 E c /t  2 801 08 .44 2 685 64 .82 2 489 20 .36 2 366 54 .97 2 256 03 .96 2 175 72 .76 2 129 67 .85 2 062 50 .55 2 029 43 .65 1 987 71 .44     Table 5. The  Relatio n ship of Cost -emi ssion  Obje ctive and Weight s with the Un ce rtainty of  PHEVs and  Wind Po we r  we ig ht s     obj ec tiv e   (1 , 0)   (0 .9 , 0.1)  (0 .8 , 0.2)  (0 .7 , 0.3)  (0 .6 , 0.4)  (0 .5 , 0.5)  (0 .4 , 0.6)  (0 .3 , 0.7)  (0 .2 , 0.8)  (0 .1 , 0.9)  F / $   5 686 47 .30 5 693 99 .55 5 731 36 .83 5 773 66 .93 5 825 08 .40 5 898 49 .29 5 960 51 .48 5 984 41 .91 6 179 21 .86 6 358 98 .43 E c /t  2 749 33 .62 2 638 43 .80 2 421 64 .38 2 295 76 .25 2 199 53 .49 2 112 18 .50 2 062 18 .27 2 052 42 .61 1 982 09 .91 1 964 59 .40     Table 4 shows the re sults  of  cost and e m issi on when  only PHEV is con s ide r ed,  simila rly  Table 5 sho w s the resul t s of cost s and emi ssi o n  whe n  both  PHEV and wind p o we r  are  con s id ere d . Comp ared wi th the re sults of Table 4,  t he cost an d  emission  are  cut with the  same   weig hts (T abl e 5). Wi nd po wer  save s 91 92.77$, an d  redu ce s 675 5.98t with the  weig ht (0.8,0. 2 ).   Becau s e  of the un ce rtaint y, the sy stem  co st and e m i ssi on s are in cre a sed, but i t  is clo s e r  to the   actual situatio n.  PHEVs  can  red u ce de p ende nci e s  o n  sm all  exp ensive  units in existin g  system s,  resulting in  redu ced o p e r ation co st an d emissi o n . It can al so in crease re se rve  and reli abilit y  o f   existing po we r system s.           Figure 6. PHEVs Optimal  Cha r ge/ Disch a rge Po we r u nder the  Un certainty of Load and  Wind  Power       5. Conclusio n   Wind  po wer  and PHEV g r id-conn ecte d  cap a city  exp ansi on ha s b e com e  an i n evitable  trend, will exe r t a far-rea c hi ng influen ce  on po we r  system. To bring  the oppo rtuni ty to power g r id   co st-emi ssion  redu ction o peratio n, ran dom  an d loa d  dema nd a nd output of  wind p o wer  has  increa sed the  difficulty of sche duling.    The  optimal  sched uling  wi th win d  p o we r,  PHEVs an d conventio n a l  thermal un its  un der  uncertainty is presented in  this pape r to  illustrate  cost and emissio n  redu ction s . The un ce rtai nty  of wind p o we r and lo ad, P H EVs  cha r ge /discharge  co ntrol, the coo r dinatio n of PHEVs an d wi nd  power  i s  co n s ide r ed. The  multi-sce nari o   sim u lati on  i s  u s e d  for a c comm odatin g  the volatility  o f   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Co st-Em i ssio n  Sched uling  unde r Un ce rt ainty in a Sm art Grid  with Wind … (Zh a ng Xiaohu a)  3415 wind  po we r  a nd lo ad. T h e n  the  MAS i s  used  to g e n e rate  a  su cce ssful  sch edul e. It co ntain s  24  work ag ents  in the sched uling pe riod.  Each work  a gent uses g e netic alg o rith m to produ ce a   solutio n  set f o r the time i n terval. Win d  power, PHE V s and th ermal units  are  coo r din a ted.  24  work  age nts  are  man age d  by a  co ope rative age nt that would  co ordin a te the   solutio n s of t h e   work  age nts.  Valid sce n a r i o s  are  de rive d from  p r ior  s t at ist i cs,   heu ri st ic s  a nd th e  experie nce. T he  results  sho w  that the alg o rithm i s  an  efficient  ap proach an d the  solutio n  is  reasona ble. T h is  optimizatio n  with un ce rtai nties for  sch edulin g  nee d s  mo re cost  and lon ger  executio n time;  however, it is more reliabl e in real envi r o n ment.      Ackn o w l e dg ement s  This work is  sup porte d by National Natural Scie nce Found ation o f  China (G ran t  No: 512070 74 )  and the  project of Ji ang su Key la boratory of  po wer tra n smissi on & di stribu tion equi pme n t   tec h nology (Grant  No: 2011J SSPD10).      Referen ces   [ 1 ]   Lunz B,  Yan Z X ,  Gerschl e r JB,  et  al.  I n f l uen ce of  pl u g -in  h y br id e l ect r ic v ehicl e ch argi ng  st rat egies o n   charg i ng a nd b a t t e r y  d egra dat ion cost s.   Ener gy pol ic.  201 2;  46:  511- 51 9.   [2]  Parks K, Denholm P, Mark el  T.  Cost s and   emissio n s  ass o ciat e d  w i t h  p l ug-i n  hy brid  el ect r ic veh i cl e  charg i ng i n  t he xcel en ergy  Colora do ser v ice t e rrit o ry.  Color a d o :  Nat i ona l Ren e w a b l e Ener g y   Lab orat or y.  20 07.   [ 3 ]   Saber AY,  Ve na ya gamo o rt h y  GK.  I n t e llig e n t  unit  commit m ent   w i t h  veh i cle-t o -gr i d-A c o st -emissio n   opt imiz at ion.   J ourn a l of  Pow e r Sources.  201 0;  195(1):  8 98- 911.   [ 4 ]   Hadl e SW,  T s vet k ova A.  P o t ent ial  imp a ct s of  pl ug-i n   h y brid  el ect r ic v ehicl es  on r e g i on al  po w e r  gen erat io n.  ORNL/ T M-2007/ 1 50.  200 8.   [5 ]  K M e y e r, KK Sch n e id e r ,  R  Pra tt. Im p a c ts a sse ssm e n t   o f   p l u g - in  hy brid veh i cle s  on  ele c tric u t ilitie s  a nd  regi ona l U. S.  po w e r gri d s part  1:   T e chnical a nal ysis.   Pac i f i c  Nort hw est  Lab orat ory.  200 7.   [ 6 ]   Zhong  WZ,  Hao Y,  Y i ng  L L  . P aramet ric  mat c hin g  of  dr ivet rai n   f o r pa ralle l h y bri d   e l ect r ic  ve hicl e.   TELKOMNI KA I ndon esi an Jou r nal of  Elect r ic al Eng i ne eri n g .  2013;  1 1 (10):   578 9-57 96.   [7 ]  Isla m  FR , Po t a  H R .  PH EVs Pa rk a s  Virtua l U P FC .  TEL K OMNI KA I n d ones ian  Jo urn a l of  E l ect r ic al  Engi neer in g .  2012;  10( 8):  228 5-22 94.   [ 8 ]   Siosh ansi  R,  F agi ani  R,  Mar a no V.  C o st  a n d  emissi ons  imp a ct s of  pl ug- in  h y bri d  ve hicl es  on t h e Oh io  po w e r s y st em.   Energy p o licy.   201 0;  38:  670 3 - 671 2.   [9]  NREL, plug- i n  hy br id electric vehicl es  and  w i nd ener gy . Av ailabl e: http://www . n rel.gov/  ana l y sis/ w i nds/ pdf s/ w i n d _ phe v_post e r. p d f   [ 10]   Willet t  K,  Jasn a T .  Vehicle-t o -grid  po w e r im plem ent at io n:   From st abiliz in g t he gr id t o  s u pport i ng l a rg e- scale re ne w a b l e ener g y .  Jo ur nal of  Pow e r Sources .  20 05;   144( 1):  280- 29 4.   [1 1 ]   H e n r ik L ,  Willett K. In te g r a t ion  o f  re ne w a b l e e n e r gy   in to the  tra n s p o r t  a n d  ele c tricit y  secto r s th ro ugh  V2G.  Energy Policy .  20 08;  36( 9):  3578- 35 87.   [ 12]  Wang J,  Liu C,   T on D,  et  al.  Impact  of  plug- i n   h y bri d  elect r i c  vehicl es on p o w e r s y st ems w i t h  dem and   respo n se  a nd w i nd po w e r.   Energy p o licy.  2 011;  39( 7): 4 0 1 6 -40 21.    [13]  Lisa G, Sten K ,   Filip J. Integr ation of  plug-in hy br id  el ectr ic vehicles  i n  a r egi onal  w i nd-thermal  po w e r   sy s t e m .  Ener g y  Policy.  201 0;  38(1 0 ):  548 2-5 492.   [ 14]   Soares MC,  Br uno B,  Ale x an dre S,  et  al.  Plug-i n   h y bri d  el ect r ic vehic l es  as a  w a y t o  maximize t h e   int egr at ion  of  varia b le r e n e w a ble  en erg y  i n  p o w e r  s y st ems:  T he case of   w i n d  gen erat i on i n   nort h e a st ern B r azil.   Ener gy .  2012;  37( 1):  469 -481.   [ 15]   Liu  C,  Wan g   JH,  Bot t e rud   A,  et ,  al.  Asse ssment  of   imp a ct s of  PHEV  char gin g  p a t t e rns  on  w i n d - t hermal sc he d u lin g b y   st och a s t i c unit  c o mmi t m ent .   IEEE  Transacti ons on Sm art  Gri d .  20 12;  3(2):   675- 683.   [ 16]   Khod a y ar  ME,  Wu L,  Sha h i d ehp our  M.  Ho url y  c oord i n a t i on  of  e l ect r ic v ehicl e  op erat io n a n d  vol a t i l e   w i nd  po w e r ge nerat i on in SC UC.   IEEE Transactions on Sm art Grid .  20 1 2 ;  3(3):  127 1-1 279.   [ 17]   Venkat es h  P,  Gnana dass,   P adh y NP.  Co mparis o n  an d   ap plic at io n of   evo l ut io nar y  progr ammin g   t e chni qu es t o  combi ned ec o nomic emiss i o n  disp at ch  w i t h  line f l o w  c o nst r aint s.   IEEE Transactions  Power Systems .  2003;  18( 2):  688- 697.   [ 18]   Ongsaku  W,  Pet c haraks  N.  Un it  commit m ent  b y   e nha nced  a dapt iv e  la gran gi an r e la xat i on.   IEEE   Transactions on power system s .  20 04;  19( 1 ) :  620-62 8.   [ 19]   Saber AY,  Ve na ya gamo o rt h y  GK.  I n t e llig e n t  unit  commit m ent   w i t h  veh i cle-t o -gr i d-A c o st -emissio n   pt imizat i on.   Jo urna l of  Pow e r Sources .  20 10;  195(1):  89 8-9 11.   [ 20]   Ahmed YS,  V ena ya g a moort h y  GK.  R e sou r ce sche dul in g  und er unc ert a int y  i n  a sm art  grid  w i t h   rene w a b l es a n d  plu g -in ve hic l es.   IEEE syste m  Jour nal .  201 2;  6(1):  103-1 0 9 .     Evaluation Warning : The document was created with Spire.PDF for Python.