دانلود ترجمه مقاله مروری بر بهینه سازی ریزشبکه ها با تکنیک های فراابتکاری

1. مقدمه 2. بهینه سازی ریزشبکه: چارچوب؛ الزامات و محدوده 3. روش های بهینه سازی: فرصت ها و تکنیک های فراابتکاری 4. بهینه سازی فراابتکاری در ریزشبکه ها: روند ها و چالش ها 5. بحث و بررسی 6. توصیه های آینده 7. نتیجه گیری

چکیده – ریزشبکه‌ها (MGs) از منابع تجدیدپذیر برای پاسخگویی به تقاضای رو به رشد انرژی با افزایش نیازهای مصرف‌کننده و پیشرفت تکنولوژیکی استفاده می‌کنند. آنها به عنوان شبکه‌های انرژی کوچک‌مقیاس با استفاده از منابع انرژی توزیع شده به صورت مستقل عمل می‌کنند. با این حال، ماهیت متناوب منابع انرژی تجدیدپذیر و کیفیت پایین توان مشکلات عملیاتی اساسی هستند که برای بهبود عملکرد MG باید کاهش یابند. برای رسیدگی به این چالش‌ها، محققان مکانیسم‌های بهینه‌سازی ابتکاری را برای MGها معرفی کرده‌اند. با این حال، مینیمم‌های محلی و عدم توانایی در یافتن مینیمم جهانی در روش‌های ابتکاری، خطاهایی در بهینه‌سازی غیرخطی و غیر محدب ایجاد می‌کند که چالش‌هایی را در برخورد با چندین جنبه عملیاتی MG مانند بهینه‌سازی مدیریت انرژی، اعزام مقرون به صرفه، قابلیت اطمینان، اندازه ذخیره‌سازی، به حداقل رساندن حملات سایبری و ادغام شبکه ایجاد می‌کند. این چالش‌ها با افزودن پیچیدگی به مدیریت ظرفیت ذخیره‌سازی، حداقل‌سازی هزینه، اطمینان از قابلیت اطمینان و تعادل منابع تجدیدپذیر، بر عملکرد MG تأثیر می‌گذارد که نیاز به الگوریتم‌های بهینه‌سازی فراابتکاری (MHOAs) را تسریع می‌کند. این مقاله مروری بر آخرین وضعیت MHOAs و نقش آنها در بهبود عملکرد عملیاتی MGها ارائه می‌دهد. اولاً، اصول اولیه بهینه‌سازی MG برای بررسی دامنه‌ها، نیازمندی‌ها و فرصت‌های MHOAs در شبکه‌های MG مورد بحث قرار می‌گیرد. ثانیاً، چندین MHOA در حوزه MG توصیف شده‌اند و روندهای اخیر آنها در تحلیل فنی-اقتصادی MG، پیش‌بینی بار، بهبود تاب‌آوری، عملیات کنترل، تشخیص خطا و مدیریت انرژی خلاصه شده است. این خلاصه نشان می‌دهد که تقریباً ۲۵ درصد از تحقیقات در این زمینه‌ها از روش بهینه‌سازی ازدحام ذرات استفاده می‌کنند، در حالی که الگوریتم‌های ژنتیک و گرگ خاکستری به ترتیب توسط تقریباً ۱۰٪ و ۵٪ از کارهای مورد مطالعه در این مقاله برای بهینه‌سازی عملکرد MG استفاده می‌شوند. این نتیجه خلاصه می‌کند که MHOA یک رویکرد بهینه‌سازی مستقل از سیستم ارائه می‌دهد و راه جدیدی برای افزایش اثربخشی MGهای آینده ارائه می‌دهد. در نهایت، برخی از چالش‌هایی که در طول ادغام MHOAs در MGها ظاهر می‌شوند را برجسته می‌کنیم، که ممکن است محققان را برای انجام مطالعات بیشتر در این زمینه ترغیب کند.

Microgrids (MGs) use renewable sources to meet the growing demand for energy with increasing consumer needs and technological advancement. They operate independently as small-scale energy networks using distributed energy resources. However, the intermittent nature of renewable energy sources and poor power quality are essential operational problems that must be mitigated to improve the MG’s performance. To address these challenges, researchers have introduced heuristic optimization mechanisms for MGs. However, local minima and the inability to find a global minimum in heuristic methods create errors in non-linear and nonconvex optimization, posing challenges in dealing with several operational aspects of MG such as energy management optimization, cost-effective dispatch, dependability, storage sizing, cyber-attack minimization, and grid integration. These challenges affect MG’s performance by adding complexity to the management of storage capacity, cost minimization, reliability assurance, and balance of renewable sources, which accelerates the need for meta-heuristic optimization algorithms (MHOAs). This paper presents a state-of-the-art review of MHOAs and their role in improving the operational performance of MGs. Firstly, the fundamentals of MG optimization are discussed to explore the scopes, requisites, and opportunities of MHOAs in MG networks. Secondly, several MHOAs in the MG domain are described, and their recent trends in MG’s techno-economic analysis, load forecasting, resiliency improvement, control operation, fault diagnosis, and energy management are summarized. The summary reveals that nearly 25% of the research in these areas utilizes the particle swarm optimization method, while the genetic and grey wolf algorithms are utilized by nearly 10% and 5% of the works studied in this paper, respectively, for optimizing the MG’s performance. This result summarizes that MHOA presents a system-agnostic optimization approach, offering a new avenue for enhancing the effectiveness of future MGs. Finally, we highlight some challenges that emerge during the integration of MHOAs into MGs, potentially motivating researchers to conduct further studies in this area.