دانلود ترجمه مقاله بهینه سازی هزینه عملیاتی و مصرف انرژی در شبکه هوشمند

1. مقدمه 2. مروری بر ریزشبکه هوشمند 3. مدل سیستم 4. توابع هدف 5. محدودیت‌ها، عملکرد و معیارهای شبکه هوشمند 6. الگوریتم پیشنهادی 7. شبیه‌سازی‌ها و تحلیل نتایج 8. سناریو 1 9. سناریو 2 10. سناریو 3 11. مطالعه تطبیقی 12. نتیجه‌گیری

چکیده – این مقاله یک روش‌شناسی بهینه‌سازی دوهدفه بهینه را معرفی می‌کند که به طور خاص برای سیستم‌های ریزشبکه و با در نظر گرفتن ملاحظات اقتصادی، فناورانه و زیست‌محیطی طراحی شده است. این چارچوب اهداف یک ریزشبکه هوشمند را ترسیم می‌کند و هدف آن کمینه‌سازی هزینه‌های عملیاتی، انتشار گاز دی‌اکسید کربن، نسبت اوج به میانگین (PAR) و مصرف انرژی، ضمن ارتقای همزمان آسایش کاربر (UC) است. یک راهبرد تخصیص توان زمان‌بندی‌شده برای پاسخگویی کارآمد به نیازهای انرژی بارهای خانگی فرمول‌بندی شده است. ماهیت تصادفی منابع بادی و خورشیدی با مدل‌سازی سرعت باد و شدت تابش خورشیدی با استفاده از یک تابع چگالی احتمال بتا (PDF) مشخص می‌شود. الگوریتم ژنتیک مرتب‌سازی نامغلوب II (NSGA-II) برای حل چالش‌های بهینه‌سازی به کار گرفته شده است. یک فرایند تصمیم‌گیری برای انتخاب راهکار بهینه از بین گزینه‌های نامغلوب پیاده‌سازی شده است. این مطالعه سه سناریو را ارائه می‌دهد که مقادیر عملیاتی بهینه برای پارامترهای مختلف و مصرف انرژی را نشان می‌دهد و یک تحلیل جامع از اثربخشی الگوریتم پیشنهادی ارائه می‌کند. بهره‌گیری از الگوریتم NSGA-II، همراه با منابع انرژی تجدیدپذیر و زمان‌بندی بهینه سیستم ذخیره‌سازی انرژی، منجر به کاهش چشمگیر هزینه‌های کلی، PAR، انتشار CO2، نارضایتی کاربر و مصرف انرژی شده است. شبیه‌سازی‌های انجام شده در محیط MATLAB، کارایی رویکرد پیشنهادی ما را تأیید می‌کنند. نتایج به‌دست‌آمده بر اثربخشی و کارآیی رویکرد مبتنی بر NSGA-II ابداع‌شده توسط ما تأکید دارند. شایان ذکر است که الگوریتم پیشنهادی در سناریو 3، در مقایسه با حالت بدون زمان‌بندی، کاهش قابل توجهی در هزینه‌های برق به میزان 19.0٪، نسبت اوج به میانگین (PAR) به میزان 30.7٪ و انتشار کربن به میزان 21.7٪ نشان داده است، که این امر توسط یک مطالعه تطبیقی تأیید می‌شود.

This paper introduces an optimal bi-objective optimization methodology customized for microgrid systems, encompassing economic, technological, and environmental considerations. The framework portrays the objectives of an intelligent microgrid, aiming to minimize operational costs, CO2 emissions, peak-to-average ratio (PAR), and energy consumption while concurrently enhancing user comfort (UC). A scheduled power allocation strategy is formulated to efficiently cater to the energy needs of residential loads. The stochastic nature of wind and solar resources is characterized by modeling wind speed and solar radiation intensity using a beta probability density function (PDF). The non-dominated sorting genetic algorithm II (NSGA-II) is employed to address optimization challenges. A decision-making process is implemented to select the optimal solution from the non-dominated alternatives. The study presents three scenarios illustrating the optimal operational values for various parameters and energy consumption, providing a comprehensive analysis of the proposed algorithm’s efficacy. Leveraging the NSGA-II algorithm, coupled with renewable energy resources and optimal energy storage system scheduling, yielded significant reductions in overall expenses, PAR, CO2 emissions, user discomfort, and energy consumption. MATLAB simulations were conducted to substantiate the efficacy of our proposed approach. The obtained results underscore the effectiveness and productivity of our devised NSGA-II-based approach. Notably, the proposed algorithm demonstrated a substantial reduction in electricity costs by 19.0%, peak-to-average ratio (PAR) by 30.7%, and carbon emissions by 21.7% in scenario-3, as evidenced by a comparative analysis with the unscheduled case.