دانلود ترجمه مقاله بازآرایی بهینه شبکه و تلفیق DG تجدیدپذیر

1. مقدمه 2. فرمولاسیون مسئله 3. خروجی تولید DG تجدیدپذیر 4. روش بهینه سازی پیشنهادی و کاربرد آن در مساله بازآرایی شبکه به موازات ادغام DG 5. تست ها و نتایج 6. نتیجه گیری

چکیده – چندین مطالعه در مورد بهبود شبکه توزیع، تنها بر بهینه سازی تلفیق مولدهای پراکنده (DG) یا پیکربندی شبکه، تمرکز کرده بودند. اما، پژوهش های بسیار اندکی برای پیکربندی شبکه توزیع همزمان با مکان یابی و اندازه یابی DG، انجام شده اند. این مقاله، یک مدیریت چند هدفی براساس پیکربندی شبکه موازی با مکان یابی و اندازه یابی DG های تجدیدپذیر را برای کمینه سازی تلفات توان اکتیو، هزینه های بهره برداری سالانه (نصب، تعمیر و نگهداری و هزینه های تلفات توان اکتیو) و انتشار گازهای آلاینده، ارائه می دهد. تغییرات سری زمانی سرعت باد، تابش خورشیدی و بار، در نظر گرفته می شوند. یک روش تکاملی کارآمد، مبتنی بر بهینگی پارتو، برای حل این مسئله بکار گرفته می شود. یک نظریه مجموعه فازی برای انتخاب بهترین جواب متوازن از بین مجموعه پارتو بدست آمده، استفاده می شود. نتایج بدست آمده، بازده و دقت روش پیشنهادی برای پیدا کردن پیکربندی بهینه شبکه همزمان با مکانیابی و اندازه یابی بهینه DG با ملاحظه چندین ضابطه توسط مدیر شبکه، را اثبات می کنند. مقدمه: در دهه اخیر، توجه رو به رشدی به منابع انرژی تجدیدپذیر بخاطر افزایش تقاضای برق و تخلیه قابل توجه سوخت های فسیلی، بوجود آمده است. بنابراین، پژوهش در مورد تلفیق مولدهای پراکنده (DG) [1] در شبکه توزیع، بسیار پرطرفدار شده است. در واقع، مکان یابی بهینه DG و با اندازه مناسب، می تواند مزیت های مختلفی برای سیستم قدرت حاصل کند که می توان از جمله، کاهش تلفات توان اکتیو و کاهش بار بر روی خط، رفع الزامات توان راکتیو و بهبود پروفایل ولتاژ را نام برد. برای حل این مسئله، محققان بسیاری، فنون بهینه سازی مختلف (برای مثال، فنون سیستم متداول، هوش مصنوعی و هوش هیبرید) را پیشنهاد کرده اند [2]. در ادبیات مربوطه، مطالعات سنتی در مورد تلفیق بهینه DG در شبکه توزیع، تلفات توان را به عنوان هدف اصلی برای کمینه سازی مورد ملاحظه قرار می دهند، بنابراین، مسئله بهینه سازی به عنوان یک تک هدف با استفاده از روش تحلیلی [2، 3، 4] یا روش های ابتکاری و فراابتکاری، برای مثال، الگوریتم بهینه سازی شاه مورچه [5]، برنامه ریزی غیرخطی عدد صحیح مخلوط [6]، الگوریتم ژنتیک [7]، بررسی کرده اند.

Several studies of distribution network enhancement focused only on the optimization of either the integration of distributed generations (DG) or network reconfiguration. However, very few researches have been done for distribution network reconfiguration simultaneously with the DG location and sizing. This paper presents a multi-objective management operations based on network reconfiguration in parallel with renewable DGs allocation and sizing for minimizing active power loss, annual operation costs (installation, maintenance, and active power loss costs) and pollutant gas emissions. The time sequence variation in wind speed, solar irradiation and load are taken into consideration. An efficient evolutionary technique based on the Pareto optimality is adopted to solve the problem. A fuzzy set theory is used to select the best compromise solution among obtained Pareto set. The obtained results prove the efficiency and the accuracy of the suggested method for the network manager to find the optimal network configuration simultaneously with DG location and sizing considering multiple criteria. Introduction: In the last decade, there has been a growing interest in renewable energy sources due to the increased demand of the electricity and the significant depletion of fossil fuel. Therefore, research on the integration of distributed generations (DG) [1] into the distribution network has become very popular. Indeed, the placement of DG in optimal locations and with appropriate sizes may bring about various benefits to the power system such as active power loss and line loading reduction, reactive power requirement mitigation and voltage profile improvement. To solve this problem, many researchers have proposed various optimization techniques (e.g. conventional, artificial intelligence and hybrid intelligent system techniques) [2]. In the literature, the traditional studies of optimal DG integration in the distribution network consider the power loss as the main objective to minimize, thus, the optimization problem is tackled as a mono-objective using analytical approach [2,3,4] or heuristic and meta-heuristic methods, e.g., ant lion optimization algorithm [5], mixed integer non-linear programming [6], genetic algorithm [7].