دانلود ترجمه مقاله بهینه سازی در مدار قرار گیری واحدها و پخش بار اقتصادی در ریز شبکه ها

1. مقدمه 2. مدل ها و روش های عملیاتی 3. بهینه سازی ED و UC ریز شبکه ها با الگوریتم ژنتیک 4. بهینه ساز مبتنی بر MILP برای EMS ریز شبکه 5. تحلیل عملکرد EMS برای یک ریز شبکه تست 6. نتیجه گیری

چکیده – برنامه های سیستم مدیریت انرژی (EMS) شبکه های برق مدرن مانند ریز شبکه ها باید به خاطر انقلاب انرژی فعلی به تعدادی از چالش های فعلی پاسخ دهد. وظیفه پخش بهینه منابع باید با توجه خاص و ویژه به افزودن انواع منابع جدید و پذیرش ملاحظات مدلسازی جدید مورد توجه قرار گیرد. به علاوه، به خاطر تغییرات گسترده درباره ساختار شبکه چند سلولی، باید روش های جدیدی از طریق EMS ریز شبکه ها اجرا شود. در ضمن، رسیدن به اهداف (مغایر) مختلف نیازمند ازار بهینه سازی جهانی و چند معیاری است. برخی از تحقیقات اخیر در این زمینه ابعاد مختلف راه اندازی شبکه با محدودیت ها و شرایط تصمیم گیری زیاد را بررسی کرده اند. در این مقاله دو بهینه ساز پخش برای EMS مرکزی (CEMS) به عنوان ابزار جهانی معرفی می شوند. یک الگوریتم ژنتیک بهبود یافته با الگوی واقعی و روش مبتنی بر برنامه ریزی خطی عدد صحیح مختلط (MILP) برای برنامه ریزی در مدار قرار گیری واحدها و پخش بار اقتصادی واحدهای ریز شبکه توسعه یافته است. در روش های مطرح شده، محدودیت های شبکه مانند ولتاژها و بار گیری تجهیزات و محدودیت های واحد مورد توجه قرار گرفته است. الگوریتم ژنتیک بکار رفته یک مجموعه انعطاف پذیرتر از زیر توابع، رفتار همگرایی هوشمندانه، همچنین روش های مختلف بررسی و روش های جریمه به خاطر نقض محدودیت ها را نشان می دهد. به علاوه، یک روش جدید برای بررسی محدودیت های الگوریتم MILP برای بررسی محدودیت های غیر خطی توپولوژی شبکه مطرح شده است. یک مدل جدید فرسودگی( کهنگی) باتری لیتیوم – یون بر اساس حالت فرسودگی مبنی بر رویداد معرفی شده است. در نهایت، بهینه سازهای بسط یافته بر اساس GA و MILP بر اساس سیاست های مختلف عملیات برای یک مدل تستی ریز شبکه بکار رفته اند، و قابلیت هر روش ارزیابی و با هم مقایسه شده اند.

Energy Management System (EMS) applications of modern power networks like microgrids have to respond to a number of stringent challenges due to current energy revolution. Optimal resource dispatch tasks must be handled with specific regard to the addition of new resource types and the adoption of novel modeling considerations. In addition, due to the comprehensive changes concerning the multi cell grid structure, new policies should be fulfilled via microgrids’ EMS. At the same time achieving a variety of (conflicting) goals in different microgrids requires a universal and a multi criteria optimization tool. Few of recent works in this area have considered the different perspectives of network operation with high amount of constraints and decision criteria. In this paper two dispatch-optimizers for a centralized EMS (CEMS) as a universal tool are introduced. An improved real-coded genetic algorithm and an enhanced mixed integer linear programming (MILP) based method have been developed to schedule the unit commitment and economic dispatch of microgrid units. In the proposed methods, network restrictions like voltages and equipment loadings and unit constraints have been considered. The adopted genetic algorithm features a highly flexible set of sub-functions, intelligent convergence behavior, as well as diversified searching approaches and penalty methods for constraint violations. Moreover, a novel method has been introduced to deal with the limitations of the MILP algorithm for handling the nonlinear network topology constraints. A new aging model of a Lithium-Ion battery based on an eventdriven aging behavior has been introduced. Ultimately, the developed GA-based and MILP-based optimizers have been applied to a test microgrid model under different operation policies, and the functionality of each method has been evaluated and compared together.