دانلود ترجمه مقاله کنترل بهینه چندعاملی ریزشبکه با استراتژی انتشار توزیع شده

1. مقدمه 2. سیستم چند عاملی و سلسله مراتب کنترلی 3. استراتژی انتشار و پیاده سازی 4. شبیه سازی و نتایج آزمایشی 5. نتیجه گیری

چکیده – این مقاله، یک طرح کنترل ریزشبکه بهینه چندعاملی با استفاده از یک استراتژی نفوذ کاملاً توزیع شده را پیشنهاد می دهد. یک سیستم چندعاملی بهینه سازی همکارانه دو سطحی برای پخش بار اقتصادی منابع انرژی پراکنده، بکار گرفته می شود. سطح پایین، یک طرح دروپ وفقی براساس تنظیمات فرکانس بی باری آنلاین انجام می دهد. سطح بالا، ارتباطات توزیع شده با استفاده از نفوذ بین عامل ها (بازیگران) مجاور برای مدیریت بهینه ریزشبکه را پیاده سازی می کند. طرح کنترل پیشنهادی، ارتباطات همتا به همتا بین بازیگران بدون لزومیت یک کنترل متمرکز را ممکن می سازد و بطور همزمان، بهینه سازی منابع را انجام می دهد و در عین حال، فرکانس سیستم را تنظیم می کند. نتایج با الگوریتم های بهینه سازی متمرکز و مبتنی بر اجماع، مقایسه می شوند. نتیجه گیری کردیم که الگوریتم پیشنهادی، نسبت به الگوریتم اجماع، از نظر سرعت همگرایی بالاتر است و از زیرساخت ارتباطاتی ساده شده در مقایسهبا کنترلرهای متمرکز استفاده می کند. آزمایش های شبیه سازی همراه با نتایج تجربی از یک ریزشبکه سخت افزاری با استفاده از یک چهارچوب چندعاملی صنعتی، انجام شدند. نتایج شبیه سازی و تجربی نشان می دهند که روش پیشنهادی و چهارچوب عاملی (بازیگران) را می توان در ریزشبکه های واقعی بکار گرفت و تصمیم گیری عاملی برروی کنترل بهینه ریزشبکه، فراهم نمود.

This paper proposes a multiagent-based optimal microgrid control scheme using a fully distributed diffusion strategy. A two-level cooperative optimization multiagent system is adapted for distributed energy resources economic dispatch. The lower level implements an adaptive droop scheme based on online no-load frequency adjustments. The upper level implements distributed communication using diffusion between neighboring agents for optimal microgrid management. The proposed control scheme enables peer-to-peer communication among the agents without the necessity of a centralized controller, and simultaneously performs resource optimization while regulating the system frequency. The results are compared with centralized and consensus-based optimization algorithms. We have concluded that the proposed algorithm is superior over consensus algorithms in terms of convergence speed and utilizes reduced communication infrastructure compared to centralized controllers. Simulation demonstrations were conducted along with experimental results from a hardware-based microgrid using an industrial multiagent framework. The simulation and experimental results show that the proposed method and the agent framework can be deployed in real-world microgrids and offer superior decision making on optimal microgrid control.