دانلود ترجمه مقاله بهینه سازی سیستم های قدرت تحت عدم قطعیت

1. مقدمه 2. ملاحظات مدلسازی 3. بهینه سازی تحت شرایط عدم قطعیت 4. تقریب های قابل ترمیم و الگوریتم های راه حل 5. ارزیابی کیفیت راه حل 6. شارش توان بهینه با محدودیت امنیت 7. شارش توان بهینه با محدودیت شانس 8. تعیین ابعاد ذخیره سازی چند ناحیه ای 9. در مدار قرار گیری تصادفی واحدها 10. برنامه ریزی توسعه انتقال 11. انتخاب فرمولاسیون شارش توان 12. برنامه ریزی سیستم های قدرت برق آبی حرارتی 13. تهیه انرژی برای یک مصرف کننده بزرگ 14. خلاصه و نتیجه گیری 15. چشم انداز و جهت گیری های آینده

چکیده – سیستم های قدرت و شرکت ها و مشتریانی که با این سیستم ها سروکار دارند، افزایش سطوح عدم قطعیت را بخاطر عواملی مانند تولید انرژی تجدیدپذیر، آزاد سازی بازار و تغییرات آب و هوایی، تجربه می کنند. این باعث خطور پرسش مهمی در مورد این شده است که چگونه تحت عدم قطعیت، تصمیمات بهینه گرفته شود. هدف این مقاله فراهم کردن یک تصویر کلی از روش های موجود برای مدل سازی و بهینه سازی مسائل تحت تاثیر عدم قطعیت برای پژوهشگران آشنا با سیستم های قدرت و بهینه سازی، می باشد. همچنین، تعدادی کاربرد مهم بهینه سازی تحت عدم قطعیت در سیستم های قدرت را مرور می کنیم و چشم اندازی برای پژوهش های آتی ارائه می دهیم. مقدمه: در سیستم های قدرت، بهینه سازی برای تعداد بسیار زیادی از فعالیت ها و کاربردها، شامل بهره برداری بلادرنگ تا برنامه ریزی بلندمدت، استفاده می شود. برای گرفتن تصمیمات بهینه، بهره برداران سیستم، شرکت های تولید و مصرف کنندگان به یک سری داده های ورودی برای تعیین پارامترها در فرمولاسیون یک مدل بهینه سازی ریاضیاتی اتکا می کنند که از تصمیم گیری آنها پشتیبانی می کند. مثالهایی از چنین پارامترهایی شامل پیش بینی بار و انرژی تجدید پذیر، دانش در مورد قیمت های آتی برق و روندهای تغییر آب و هوایی بلندمدت می باشند. متاسفانه، بسیاری از این پارامترها غیرقطعی می باشند. برای مثال، پیش بینی بار و تولید انرژی تجدیدپذیر تحت تاثیر عدم قطعیت پیش بینی آب و هوا قرار می گیرند و قیمت برق تحت تاثیر تغییرات بار و تولید انرژی تجدیدپذیر و همچنین تحت تاثیر اقدامات بازیگران دیگر در بازار برق قرار می گیرد. پیش بینی روندهای تغییر آب و هوایی در آینده، دشوار است، زیرا در مورد میزان افزایش آلودگی ها و نحوه تعبیر این موارد و تبدیل آنها به تاثیرات بر شبکه، دانش کمی داریم. با اینکه هنوز مقادیر دقیق این پارامترهای غیرقطعی را نمی دانیم، اما هنوز باید تصمیمات فوری بگیریم. برای مثال، شرکت های برق و بهره برداران سیستم باید تصمیم گیری کنند که در برنامه ریزی روز بعد، کدام واحدها را به مدار آورند قبل از اینکه تامین دقیق انرژی تجدیدپذیر، مشخص شود. گرفتن تصمیمات بهینه در حضور عدم قطعیت، به بهینه سازی تحت عدم قطعیت معروف است و شامل بهینه سازی اتفاقی، بهینه سازی مقید به شانس، بهینه سازی مقاوم و بهینه سازی مقاوم به صورت توزیعی، می باشد.

Electric power systems and the companies and customers that interact with them are experiencing increasing levels of uncertainty due to factors such as renewable energy generation, market liberalization, and climate change. This raises the important question of how to make optimal decisions under uncertainty. This paper aims to provide an overview of existing methods for modeling and optimization of problems affected by uncertainty, targeted at researchers with a familiarity with power systems and optimization. We also review some important applications of optimization under uncertainty in power systems and provide an outlook to future directions of research. Introduction: In electric power systems, optimization is used for a multitude of tasks, ranging from real-time operation to long-term planning. To make optimal decisions, system operators, generation companies, and consumers rely on a variety of input data for determining parameters in the formulation of a mathematical optimization model that supports their decision-making. Examples of such parameters include forecasts of load and renewable energy, knowledge about future electricity prices, and long-term climate change trends. Unfortunately, many of these parameters are uncertain. For example, forecasting of load and renewable energy generation is impacted by weather forecast uncertainty, and electricity prices are affected by both variations in load and renewable energy generation as well as by the actions of other participants in the electricity market. Future climate change trends are hard to predict because we lack knowledge of how emissions will evolve and how these translate into impacts on the grid. Although we do not yet know the exact values of these uncertain parameters, we still have to make decisions now. For example, utilities and system operators have to decide which generation units to commit during day-ahead planning before the exact supply of renewable energy is known. Making optimal decisions in the presence of uncertainty is referred to as optimization under uncertainty, and includes stochastic optimization, chance-constrained optimization, robust optimization, and distributionally robust optimization.