دانلود ترجمه مقاله اندازه یابی ریزشبکه با الگوریتم تکاملی و به مدارآوری واحد MILP

1. مقدمه 2. مدل سیستم 3. استراتژی زمانبندی 4. الگوریتم اندازه یابی 5. نتایج شبیه سازی 6. نتیجه گیری

چکیده – ریزشبکه ها، سیستم های قدرت مقیاس کوچک با منابع محلی برای تولید، مصرف و ذخیره می باشند که به صورت متصل به شبکه اصلی یا جزیره ای شده، قابل فعالیت هستند. در چنین سیستم هایی، اندازه یابی بهینه اجزاء، لازم است تا از تامین انرژی ایمن و مطمئن برای بارها در حداقل هزینه، اطمینان حاصل شود. اما، نتایج اندازه یابی به استراتژی مدیریت انرژی استفاده شده برای بهره برداری از سیستم وابسته هستند، بخصوص هنگامی که اجزاء دارای دینامیک های مختلف، مورد ملاحظه قرار گیرند. همچنین نتایج تحت تاثیر عدم قطعیت بر بار و همچنین تولید تجدیدپذیر، قرار می گیرند. در این مقاله، یک روش مدیریت انرژی و اندزاه یابی ترکیبی را که به صورت یک مسئله رهبر-پیرو فرموله می شود، را پیشنهاد می کنیم. مسئله رهبر بر اندازه یابی تمرکز می کند و هدفش انتخاب اندازه بهینه برای اجزاء ریزشبکه است. این مسئله با استفاده از یک الگوریتم ژنتیک حل می شود. مسئله پیرو، یعنی مسئله مدیریت انرژی، به صورت یک مسئله به مدار آوری واحد فرموله می شود و با یک برنامه خطی عدد صحیح مخلوط، حل می شود. عدم قطیعت ها با استفاده از یک فرم از روش بهینه سازی مقاوم، مورد ملاحظه قرار می گیرند. چندین سناریو مدلسازی شده اند و در شبیه سازی ها مقایسه شده اند تا اثربخشی روش پیشنهادی بخصوص با توجه به یک استراتژی مبتنی بر قانون ساده، نشان داده شود.

Microgrids are small scale power systems with local resources for generation, consumption and storage, that can operate connected to the main grid or islanded. In such systems, optimal sizing of components is necessary to ensure secure and reliable energy supply to loads at the least cost. Sizing results are however dependent on the energy management strategy used for operating the system, especially when components with different dynamics are considered. Results are also impacted by uncertainty on load as well as renewable generation. In this paper, we propose a combined sizing and energy management methodology, formulated as a leader-follower problem. The leader problem focuses on sizing and aims at selecting the optimal size for the microgrid components. It is solved using a genetic algorithm. The follower problem, i.e., the energy management issue, is formulated as a unit commitment problem and is solved with a mixed integer linear program. Uncertainties are considered using a form of robust optimization method. Several scenarios are modeled and compared in simulations to show the effectiveness of the proposed method, especially with respect to a simple rule-based strategy.