دانلود ترجمه مقاله پیاده سازی سیستم ذخیره سازی انرژی و پیش بینی خروجی فتوولتائیک

1. مقدمه 2. فرمول مسئله 3. روش پیشنهادی 4. نتایج شبیه سازی و بحث و بررسی 5. نتیجه گیری

چکیده – بررسی های صورت گرفته حاکی از آن است که سیستم ذخیره انرژی (ESS) در زمینه صرفه جویی در مصرف انرژی در سیستم های قدرت جدید از اهمیت فزاینده ای برخوردار است. همچنین لازم به ذکر است که برای بهبود مدیریت انرژی و پیشگیری از افزایش هزینه، انتخاب بهینه این عناصر در سیستم، چالش جدیدی را به همراه می آورد. همچنین یافته های بدست آمده نشان می دهد که به طور گسترده ای منابع انرژی تجدیدپذیر در ریزشبکه ها استفاده می شوند. همچنین، عدم قطعیت و تنوع تولید پراکنده تجدیدپذیر (DG) به صورت فزاینده ای عملکرد سیستم های قدرت را تحت تاثیر قرار می دهد. همچنین در این مطالعه برای بهبود مشخصات ولتاژ/ توان سیستم و کمینه سازی هزینه کل ریزشبکه، پیاده سازی ESS و پیش‌بینی توان فتوولتائیک (PV) اعمال می شود. لازم به ذکر است که هدف از این مطالعه، نصب بهینه ESSها در یک ریزشبکه به منظور کمینه سازی هزینه کل است که در آن برای پیش‌بینی توان خروجی PV به عنوان یک رویکرد اثربخش، از روش پیش بینی چندک نزدیکترین همسایه استفاده می‌شود. همچنین، از روش جمع آوری نمونه اطلاعات در برهه های زمانی مختلف می توان برای پیش بینی موثر خروجی PV در این روش استفاده نمود که به دلیل تغییرات در تابش خورشیدی و سایر پارامترها می تواند بر عدم قطعیت PV فائق آید. همچنین برای بهینه‌ سازی اندازه و محل ESS ها در این سیستم، از ترکیب الگوریتم ژنتیک و پرسپترون چند لایه استفاده شده است. نتایج حاصل از شبیه‌ سازی های صورت گرفته حاکی از آن است که روش پیشنهادی، پروفیل توان را نسبت به سناریوهای نصب بهینه بدون پیش‌بینی PV، با استفاده از پیش‌بینی PV و بدون پیاده‌سازی ESS بهینه و بدون استفاده از پیاده‌سازی PV-NO در حدود 14%، 21% و 28% بهبود می‌بخشد. همچنین بررسی های صورت گرفته نشان می دهد که، دقت روش پیش‌بینی پیشنهادی نسبت به روش‌های گرادیان-نزولی و RNN به ترتیب حدود 12% و 5% بیشتر بوده و در نتایج مربوط به شبیه‌سازی ذکر شده است. همچنین لازم به ذکر است که کاهش هزینه روش پیشنهادی در مقایسه با موارد مربوط به نصب بهینه ESS بدون پیش‌بینی PV و پیش‌بینی PV بدون بهینه سازی بهینه ESS به ترتیب به افزایش 24% و 31 % منجر شده است.

Energy storage system (ESS) has great importance in saving energy in new power systems. Optimum selection of these elements poses a new challenge to improve the energy management and prevent cost increases in the system. Also, renewable energy resources have been increasingly used in microgrids. The uncertainty and variation of renewable distributed generation (DG) affect the performance of power systems. In this paper, ESS implementations and photovoltaic (PV) power prediction are used to improve voltage/power profile of the system and reduce the total cost of the microgrid. The purpose of this paper is the optimal installation of ESSs in a microgrid to minimize the total cost where quantile nearest neighbour forecasting is utilized for PV output power prediction as an efficient approach. Gathering data of the last samples in time duration can be used for an effective prediction of PV output in this method, which can overcome PV uncertainty due to changes in solar irradiation and other parameters. Artificial neural networks combined with multi-layer perceptron and genetic algorithm are used for optimizing the size and location of ESSs in the system. Simulation results show that the proposed method improves the power profile as 14%, 21 % and 28%, relatively to the scenarios of optimal ESS installation without PV prediction, using PV prediction but with no optimal ESS implementation and not using PV- no ESS implementation, respectively. Moreover, the accuracy of the proposed prediction method is more than the gradient-descent and RNN methods by about 12% and 5%, respectively, as shown in the simulation results. Also, the cost reduction of proposed method is enhanced as 24% and 31 % relatively to the cases of optimal ESS installation without PV prediction and PV prediction without optimal ESS implementation, respectively.