دانلود ترجمه مقاله تاثیرات منابع انرژی پراکنده روی بازآرایی شبکه توزیع

1. مقدمه 2. فرمول‌بندی مساله 3. روش‌ تحقیق 4. نتایج شبیه‌سازی و بحث و بررسی 5. نتیجه‌گیری

چکیده – به لطف پیشرفت‌های اخیر در زمینه فن‌آوری‌ انرژی‌‌های تجدیدپذیر در سرتاسر جهان، در حال حاضر منابع انرژی پراکنده نقش غیرقابل‌انکاری را در تامین برق شبکه‌های توزیع ایفا می‌کنند. این مقاله به بررسی تاثیر به‌کارگیری واحدهای تولید پراکنده روی عملکرد پیکربندی مجدد شبکه در سیستم‌های توزیع می‌پردازد. با توجه به اهمیت کاهش افت ولتاژ و فلش (افت ناگهانی) ولتاژ در سیستم‌های توزیع، پیکربندی مجدد شبکه به عنوان یک مساله بهینه‌سازی چندهدفه فرمول‌بندی می‌شود تا این دو تابع هدف کمینه شود. یک الگوریتم بهینه‌سازی فرا ابتکاری مبتنی بر پارتو برای شناسایی یک مرز پارتو که نشان‌دهنده پیکربندی زیر-بهینه با کیفیت بالا جایگزین می‌باشد، پیشنهاد شده‌است. روش بهینه‌سازی پیشنهادی بر روی یک سیستم توزیع 69 باس برای نشان دادن عملکرد الگوریتم مورد آزمایش قرار گرفته‌است. مقدمه: روند رو به رشد راه‌اندازی منابع انرژی پراکنده، از جمله انرژی‌های تجدیدپذیر, ساختار سیستم‌های قدرت را به طرز چشمگیری دستخوش تغییر کرده ‌است. به همین دلیل محققان علاقه زیادی به استفاده از شبکه‌های هوشمند به عنوان رویکردی برای افزایش ظرفیت پذیری منابع توزیع‌شده نشان داده‌اند [1]، [2].این پارادایم جدید شبکه‌های الکتریکی، اتخاذ جریان‌های دو طرفه الکتریسیته را پیشنهاد می‌کند و یک شبکه توزیع انرژی پراکنده را ایجاد می‌کند. در نتیجه، تاسیسات زیرساختی باید توپولوژی‌های قدیمی خود را تغییر داده تا خود را با تولید پراکنده (DG) تطبقه دهند. واحدهای DG در دو گروه اصلی طبقه‌بندی می‌شوند: (1) منابع تولید معمول مانند توربین‌های گازی، ژنراتورهای دیزلی، سلول‌های سوختی، و بانک‌های باتری؛ (2) منابع انرژی تجدید پذیر مانند توربین‌های بادی، سلول‌های خورشیدی، انرژی برقآبی و سیستم‌های هیبریدی بادی - PV - باتری. ایده تولید غیر متمرکز، تولید الکتریسیته از منابع انرژی بسیار کوچک را با هدف بهبود امنیت تامین و کاهش اثرات زیست‌محیطی ناشی از سوختن سوخت‌های فسیلی در نیروگاه‌های مرکزی پیشنهاد می‌دهد. هدف این تحقیق، تجزیه و تحلیل یک راه‌حل شبکه هوشمند بالقوه برای مساله پیکربندی مجدد شبکه توزیع است. پیکربندی مجدد شبکه توزیع موضوعی حائز اهمین در مدیریت سیستم‌های توزیع است. پیکربندی مجدد شبکه، فرآیند تغییر وضعیت سوئیچ های مجزا کننده و اتصال به منظور ارضای توابع هدف تعریف‌شده توسط اپراتور سیستم است. این مفهوم در سال 1975 توسط مریلین و بک با هدف شناسایی پیکربندی بهینه متناظر با کمترین تلفات توان پیشنهاد شد [3]. با در نظر گرفتن کاربردهای صنعتی بالقوه این مفهوم، محققین مختلف این حوزه مطالعاتی را گسترش دادند تا از آن برای تعریف توابع هدف برای بهینه‌سازی تعادل بار فیدر [4]، رویه ترمیمی شبکه‌های قدرت [5]، عملکرد ابزارهای سوئیچینگ [6]، انحراف ولتاژ [7]، و کیفیت توان استفاده کنند [8]. چالش اصلی اجرای این ایده، ترکیبات سوییچینگ متعدد محتمل در یک شبکه است که باید در نظر گرفته شود و مورد تجزیه و تحلیل قرار گیرد. به همین دلیل، محققان برای شبیه‌سازی و حل این مساله بهینه‌سازی ترکیبی مشتق‌ناپذیر NP-هارد، الگوریتم‌های بهینه‌سازی هوشمند فراکاوشی مختلفی را پیشنهاد کرده‌اند [9] - [15]. با این حال، باید تاکید کرد که روش‌های فراکاوشی دستیابی به راه‌حل بهینه واقعی را تضمین نمی‌کنند. با بهبود ساختار آن‌ها، می‌توان امیدوار بود که با توسعه و گسترش الگوریتم‌های بهینه‌سازی فراکاوشی، قادر به یافتن راه‌حل‌های بهینه با کیفیت بالاتر شویم که به اندازه کافی به بهینه کلی نزدیک باشند [16].

Thanks to the recent improvements in renewable energy technologies throughout the world, distributed energy sources are now playing an undeniable role in supplying the electricity in distribution networks. This paper studies the impacts of utilizing distributed generation units on the task of network reconfiguration in distribution systems. Considering the importance of reducing voltage drops and voltage sags in distribution systems, network reconfiguration is formulated as a multiobjective optimization problem in this study to minimize these two objective functions. A Pareto-based metaheuristic optimization algorithm is proposed to identify a Pareto frontier representing the alternative high-quality suboptimal configurations. The proposed optimization method is tested on a 69-bus distribution system to demonstrate the performance of the algorithm. INTRODUCTION: The growing trend of installing distributed energy resources, including renewable energies, has dramatically changed the structure of power systems. That is the reason researchers have shown interest to rely on smart grids as an approach to increase the hosting capacity for distributed resources [1], [2]. This new paradigm of electrical grids proposes the adoption of two-way flows of electricity and builds a distributed energy delivery network. As a result, utilities are enforced to evolve their classic topologies to accommodate distributed generation (DG). DG units are categorized in two main groups: (1) conventional generation resources such as gas turbines, diesel generators, fuel cells, and battery banks; (2) renewable energy resources such as wind turbines, solar cells, hydro power, and hybrid wind-PV-battery system. The idea of decentralized generation suggests the generation of electricity from many small energy resources with the purpose of improving the security of supply and decreasing the environmental impacts of excessive burned fossil fuels in central plants. The motivation of this study is to analyze a potential smart grid solution for the problem of distribution network reconfiguration. Distribution network reconfiguration is a critical issue in distribution systems management. Network reconfiguration is the process of changing the status of sectionalizing and tie switches to satisfy the objective functions defined by the system operator. This concept was proposed in 1975 by Merlin and Back with the purpose of identifying the optimal configuration representing the minimum power loss [3]. Considering the potential industry applications of this concept, researchers extended this field of study to apply it for the objective functions of optimizing the balance of feeder’s load [4], restoration procedure of power grids [5], operation of switching devices [6], voltage deviations [7], and power quality [8]. The main challenge of implementing this idea is the high number of different possible switching combinations in a network to be considered and analyzed. For this reason, researchers have proposed different meta-heuristic intelligent optimization algorithms to simulate and solve this NP-hard combinatorial non-differentiable optimization problem [9]–[15]. However, it should be emphasized that heuristic methods do not guarantee to identify the actual optimal solution. By improving its structure, one can be hopeful to develop a heuristic optimization algorithm which is able to find high-quality suboptimal solutions which are close enough to the global optimum [16].

بخشی از ترجمه مقاله (صفحه 14 فایل ورد ترجمه)