دانلود ترجمه مقاله زمانبندی تجمیع کننده PEVها مبتنی بر هوش محاسباتی

1. مقدمه 2. چارچوب اصلی 3. فرمولاسیون ریاضیاتی مساله 4. مدلسازی متغیرهای ورودی نامشخص 5. مطالعات موردی و نتایج عددی 6. نتیجه گیری

چکیده – این مقاله به بررسی مسئله برنامه ریزی بهینه روز بعد یک تجمیع کننده خودروهای الکتریکی پلاگین (PEV) که در بازار برق مشارکت می کند و یک سرویس متوازن سازی «خارج از بازار» برای سیستم توزیع حاوی منابع تجدیدپذیر محلی در یک منطقه برف خیز، می پردازد. خدمات متوازن سازی پیشنهادی، منبع مطمئن انعطاف پذیری برای تقاضای فوق العاده بلادرنگ انرژی برای بهره بردار سیستم توزیع (DSO) فراهم می کند که از تفاضل بین قیمت های پیشنهادی خرید روز بعد و تقاضای عملی، نشات می گیرد. این مسئله در یک روز برفی مورد بررسی قرار می گیرد هنگامی که تصمیمات روز بعد DSO بخاطر اثر قابل ملاحظه تلفات برفی بر عملکرد نیروگاه فتوولتائیک DSO، با عدم قطعیت بیشتری مواجه شود. برنامه ریزی زمانی تجمیع کننده به صورت یک برنامه ریزی احتمالاتی دو مرحله ای فرموله می شود که هزینه شارژ PEV ها را به حداقل می رساند. شبیه سازی مونت کارلو و خوشه بندی K میانگین به ترتیب برای تولید سناریوهای الگوهای رانندگی و قیمت های بازار انرژی بلادرنگ، پیاده سازی می شوند. ارائه خدمات متوازن سازی، نیاز به پیش بینی روز بعد توان فتوولتائیک و تقاضای بار شبکه دارد که با استفاده از شبکه های حافظه کوتاه مدت طولانی، مدل سازی می شوند. این مسئله به صورت یک برنامه ریزی خطی عدد صحیح مختلط، فرموله می شود. نتایج نشان می دهند که رویکرد زمان بندی پیشنهادی، هزینه شارژ PEV ها را به اندازه 53% کاهش می دهد و عملکرد نرمال شبکه را تضمین می کند. علاوه بر آن، خدمات متوازن سازی می توانند هزینه شارژ پیش بینی شده PEV ها و هزینه بلادرنگ DSO ها را به ترتیب 12% و 14% کاهش دهد.

This paper addresses the issue of optimal day-ahead scheduling of a plug-in electric vehicles (PEVs) aggregator that participates in the electricity market and offers an out-of-market balancing service to the local renewable power penetrated distribution system in a snow-prone area. The proposed balancing service provides a reliable source of flexibility for the extra real-time energy demand of the distribution system operator (DSO) which originates from the difference between its day-ahead bids and the actual demand. The problem is investigated on a snowy day when the DSO's day-ahead decisions encounter more uncertainty due to the considerable effect of snow loss on the DSO's photovoltaic plant performance. The aggregator's scheduling is formulated as two-stage stochastic programming which minimizes the PEVs’ charging cost. Monte Carlo simulation and K-means clustering are implemented to generate scenarios of driving patterns and real-time energy market prices, respectively. Offering the balancing service requires day-ahead predictions of the photovoltaic power and the grid load demand which are modeled using long short-term memory networks. The problem is formulated as mixed-integer linear programming. The results show that the proposed scheduling approach reduces the PEVs’ charging cost by 53% and guarantees the grid normal operation. Moreover, the balancing service can reduce the expected PEVs’ charging cost and the DSO's real-time cost by 12% and 14%, respectively.