دانلود ترجمه مقاله مدیریت انرژی در ریزشبکه هایی با منابع انرژی هیبریدی و ذخیره انرژی

1. مقدمه 2. مدلسازی منابع انرژی هیبریدی در ریزشبکه 3. مدلسازی مساله MGEM 4. زمانبندی ESS 5. پیاده سازی پاسخ به تقاضا 6. چارچوب کلی برای حل مساله MGEM 7. نتایج و بحث و بررسی 8. نتیجه گیری 9. فهرست اصطلاحات

چکیده – ریزشبکه با منابع انرژی تجدیدپذیر هیبریدی یک راه حل امیدبخش است که در آن گسترش شبکه توزیع غیرعملی بوده یا مقرون به صرفه نیست. ادغام منابع انرژی تجدیدپذیر، منجر به امنیت انرژی ، صرفه جویی قابل توجه در هزینه ها و کاهش انتشار گازهای گلخانه شده و کشور را قادر می سازد تا اهداف انتشار را برآورده کند. مدیریت انرژی ریز شبکه برای اپراتور ریز شبکه (MGO) جهت استفاده بهینه از انرژی در ریز شبکه با نفوذ منابع انرژی تجدید پذیر ، دستگاه های ذخیره انرژی و پاسخ به تقاضا کار چالش برانگیزی محسوب می شود. در این مطالعه، استراتژی توزیع بهینه انرژی برای ریزشبکه های متصل به شبکه و مستقل در فتوولتائیک (PV) ، توربین بادی (WD ، پیل سوختی (FC) ، میکرو توربین (MT) ، ژنراتور دیزلی (DG) و سیستم ذخیره انرژی باتری ایجاد شده است (ESS). مزایای فنی و اقتصادی برای سیستم برق هیبریدی نشان داده شده است. تا کنون، مسئله مدیریت انرژی ریزشبکه تنها با هدف به حداقل رساندن هزینه عملیاتی مورد بررسی قرار گرفته است. با این وجود، مسائل مربوط به تلفات توان و محیط زیست ، یعنی اهداف مربوط به انتشار بایستی برای مدیریت موثر انرژی سیستم ریز شبکه مورد رسیدگی قرار گیرد. در این تحقیق، مدیریت انرژی ریزشبکه (MGEM) به عنوان یک برنامه ریزی خطی عدد صحیح مختلط فرموله شده و یک راه حل چند هدفه جدید همراه با برنامه پاسخ به تقاضا برای MGEM ارائه شده است. پاسخ تقاضا در مسئله بهینه سازی گنجانده شده است تا تأثیر آن بر توزیع بهینه انرژی و منافع فنی-تجاری مشخص شود. رابط فازی برای زمانبندی بهینه ESS ایجاد شده است. نتایج شبیه سازی برای ظرفیت بهینه PV, WT, DG, MT, FC,، مبدل ، BES ، برنامه شارژ / تخلیه ، وضعیت شارژ باتری ، مبادله توان در شبکه ، هزینه فعلی خالص سالانه ، هزینه انرژی ، هزینه اولیه، هزینه عملیاتی، هزینه سوخت و جریمه انتشار گازهای گلخانه ای بدست می آید. نتایج نشان می دهد که میزان انتشار CO2 در سیستم ریزشبکه هیبریدی مستقل در مقایسه با سیستم سنتی که تنها دارای شبکه است، 51.60٪ کاهش می یابد. نتایج شبیه سازی به دست آمده با روش پیشنهادی به منظور بررسی اثربخشی آن با الگوریتم های تکاملی مختلف مقایسه می شود.

Microgrid with hybrid renewable energy sources is a promising solution where the distribution network expansion is unfeasible or not economical. Integration of renewable energy sources provides energy security, substantial cost savings and reduction in greenhouse gas emissions, enabling nation to meet emission targets. Microgrid energy management is a challenging task for microgrid operator (MGO) for optimal energy utilization in microgrid with penetration of renewable energy sources, energy storage devices and demand response. In this paper, optimal energy dispatch strategy is established for grid connected and standalone microgrids integrated with photovoltaic (PV), wind turbine (WT), fuel cell (FC), micro turbine (MT), diesel generator (DG) and battery energy storage system (ESS). Techno-economic benefits are demonstrated for the hybrid power system. So far, microgrid energy management problem has been addressed with the aim of minimizing operating cost only. However, the issues of power losses and environment i.e., emission-related objectives need to be addressed for effective energy management of microgrid system. In this paper, microgrid energy management (MGEM) is formulated as mixed-integer linear programming and a new multi-objective solution is proposed for MGEM along with demand response program. Demand response is included in the optimization problem to demonstrate it’s impact on optimal energy dispatch and techno-commercial benefits. Fuzzy interface has been developed for optimal scheduling of ESS. Simulation results are obtained for the optimal capacity of PV, WT, DG, MT, FC, converter, BES, charging/discharging scheduling, state of charge of battery, power exchange with grid, annual net present cost, cost of energy, initial cost, operational cost, fuel cost and penalty of greenhouse gases emissions. The results show that CO2 emissions in standalone hybrid microgrid system is reduced by 51.60% compared to traditional system with grid only. Simulation results obtained with the proposed method is compared with various evolutionary algorithms to verify it’s effectiveness.