دانلود ترجمه مقاله معماری کنترل توزیع چندعاملی برای مدیریت ریزشبکه ها

1. مقدمه 2. مفهوم سیستم های چندعاملی 2.1. سیستم های چندعاملی 2.2. عامل ها 2.3. MAS برای مدیریت انرژی 3. سیستم مولد RE ترکیبی و توزیع شده 3.1. معماری سیستم 3.2. مدلسازی سیستم تولید پراکنده 3.2.1. ساختار ریزشبکه و شبکه برق 3.2.2. مولد دیزلی 3.2.3. سیستم PV 3.2.4. توربین بادی 3.2.5. سیستم میکرو هیدرو توان 3.2.6. سیستم ذخیره ساز باطری 3.2.7. بار 3.2.8. بار ثانویه 4. استفاده از MAS برای مدیریت انرژی 4.1. مدل های عامل EMS 4.1.1. عامل های PV 4.1.2. عامل های بخش بادی (WA) 4.1.3. عامل های میکرو هیدرو توان (MA) 4.1.4. عامل های مولد دیزلی (DA) 4.1.5. عامل باطری (BA) 4.1.6. عامل گرید (GA) 4.1.7. عامل بار (LA) 4.2. معماری MAS برای EMS 4.2.1. دسته بندی مُدها 4.2.2. تسهیل کننده اصلی 4.2.3. ساختار 4.3. بهینه سازی سراسری 5. تئوری بازی برای هماهنگ سازی چندعاملی 5.1. بازی های استراتژیک 5.2. مولفه های بازی 5.2.1. بازیکنان 5.2.2. استراتژی 5.2.3. توابع پرداخت 5.3. استراتژی ها 6. شبیه سازی و نتایج 6.1. بررسی موردی 6.2. شبیه سازی 6.2.1. سناریوی اول 6.2.2. سناریوی دوم 6.2.3. سناریوی سوم 6.2.4. سناریوی چهارم 6.3. ارزیابی کارایی ریزشبکه 7. نتیجه گیری

مقدمه: ادغام گسترده مولدهای چندمنبعی توزیع شده، چالش هایی را در سیستم های شبکه برق فعلی به وجود آورده است. ادغام بیشتر سیستم های مولد انرژی تجدیدپذیر (RE) در شبکه های توزیع، مولفه های پویای جدیدی را ایجاد کرده است، که به دلیل ویژگی عدم امکان پیش بینی عملیات سیستم های انرژی تجدیدپذیر (RES) است. بنابراین برای بهبود کارایی این نوع سیستم ها، لازم است که یک سیستم مدیریت انرژی (EMS) ارائه شود که از یک راهکار کنترلی بهینه و موثر استفاده می کند. EMS ابتدا باید بتواند تعادلی بین عرضه برق و تقاضای بار ایجاد کند. به علاوه، این سیستم باید بتواند نیازهای دیگری همچون قابلیت اعتماد، انعطاف پذیری، تحمل پذیری خطا و کاهش هزینه های عملیاتی را برآورده کند. معمولا اغلب سیستم های مدیریت انرژی مبتنی بر کنترلرهای مرکزی هستند. به عنوان مثال، از EMS متمرکز عمومی برای مدیریت مبدل های توان در ریزشبکه استفاده می شود که شامل سیستم های بادی و فوتوولتائیک (PV) هستند که در مقاله (1) تشریح شده است. در مقاله (2)، از EMS متمرکز برای هماهنگ سازی میکروکنترلرها استفاده می شود و از گرید اصلی برای مینیمم سازی انتشار گازهای گلخانه ای (GHG)، هزینه های انرژی و ماکزیمم سازی توان خروجی سیستم های انرژی تجدیدپذیر استفاده می شود. به علاوه در مقاله (3)، از یک کنترلر مرکزی ریزشبکه برای بهینه سازی میزان عرضه و تقاضا و کاهش هزینه مصرف سوخت استفاده شده است. معماری سنتی EMS به صورت خلاصه در شکل 1 نشان داده شده است. کنترلر نظارت مرکزی برای بهینه سازی مصرف منابع انرژي توزیع شده (DER) مبتنی بر سوخت فسیلی، DER های تجدیدپذیر و مصرف انرژی در ریزشبکه ها مورد استفاده قرار گرفته است و عموما شامل یک شبکه ارتباطی است که DER ها را مورد نظارت قرار داده و دستوراتی را به کنترلر محلی می فرستد تا با استفاده از امیدبخش ترین روش اقتصادی، از توان منابع غیرقابل کنترل استفاده کند. این روش صرف نظر از موفقیت کلی، از یک سیستم بالا به پایین استفاده می کند که با مشکلاتی مواجه است. در این جا یک نقطه خطا وجود دارد، بدین معنا که به صورت ایمن با سازه های افزونه مناسب ساخته شده است (مقالات 1 و 4). به علاوه، با افزایش تعداد مولدها و بارها، هزینه ارتباطی بالاتری برای زمانبندی و نظارت آنلاین خواهیم داشت (5 و 6). به علاوه، بعد از ایجاد هر تغییر در ساختار ریزشبکه یا هنگام نصب مولدها یا بارهای جدید، لازم است که کنترلر مرکزی به روز رسانی شود. برای یافتن بهترین راهکار کنترلی، می توان از روش های کنترلی مرکزی استفاده کرد. با این حال، به توانایی محاسباتی قوی نیاز است. زیرا تعداد زیادی از داده ها در سیستم با هم ارتباط دارند و پیچیدگی بیشتری را در پی خواهند داشت. همچنین به شبکه ای با توانایی ارتباطی و راهکار کنترلی بسیار توزیع شده نیاز است.

Introduction: Widespread integration of distributed multi-source generators pose a challenge to the present electrical grid system. More integration of renewable energy (RE) generation systems into the present distribution networks adds new dynamic elements due to the intermittencies and inherent unpredictability of the renewable energy system (RES) operations. Therefore, in order to improve the present performance of such systems, it is crucial for the energy management system (EMS) to have an effective and optimal control strategy. The EMS should primarily be able to provide balance between the electricity supply and load demand. Additionally, the system must also comply with other requirements such as reliability, flexibility, fault tolerance and operating costs reduction. Typically, most energy management systems are based on centralized controllers. For instance, a generic centralized EMS utilized for managing power converters in a microgrid that consists of wind and Photovoltaic (PV) systems as described in [1]. In [2], the centralized EMS was used to coordinate the micro-generators with the main grid for minimizing the greenhouse gases (GHG) emissions, energy costs, and maximizing the power output of renewable energy systems. Furthermore, in [3], a microgrid central controller was used to optimize supply and demand profiles for mitigating fuel consumption costs. Conventional EMS architecture is summarized in Fig. 1. The central supervisory controller is used to optimize the usage of fossil fuel based distributed energy resources (DERs), renewable DERs, and energy storage in the microgrid. It commonly consists of a communication network that monitors the DERs and also sends commands to local controllers in order for the dispatchable resources to deliver power to the load in the most promising economical method. Despite its universal successes, this system’s topdown approach has several drawbacks. It represents a ‘single point of failure’, which means that it has to be securely planned with proper redundancy built in [1,4]. In addition, the complexity of the centralized energy management system grows exponentially with the growing number of generators and loads causing the higher cost of communication for scheduling and online monitoring [5,6]. Moreover, the centralized controller needs to be updated and reconfigured for any changes in the microgrid structure or when new generators or loads are installed [6]. Although centralized control methods may be used to find the best control solutions, it require powerful computing ability in order to deal with a huge amount of data as the systems become bigger and more complex [6]. It also needs a network with a highly distributed control strategy and communication capabilities [7].

بخشی از ترجمه مقاله (صفحه 37 و 38 فایل ورد ترجمه)