دانلود ترجمه مقاله برنامه ریزی توان راکتیو در سیستم توان بادی با بهبود پایداری ولتاژ

1. مقدمه 2. مدلسازی عدم قطعیت توان بادی و بار 3. فرمولاسیون مساله 4. الگوریتم راهکار پیشنهادی 5. مطالعه موردی و نتایج 6. نتیجه گیری

چکیده – سیستم های قدرت الکتریکی، بخاطر رشد بار و بهبود فنی، با یک سری چالش ها مواجه شده اند؛ برنامه ریزی توان راکتیو (RPP) و بهبود پایداری ولتاژ (VS) دو مورد از مهمترین چالش ها می باشند. نفوذ مزارع بادی (WF ها) به درون شبکه های قدرت، مزایای بسیاری از نظر هزینه بهره برداری و آلودگی دارند. اما، باعث ناپایداری ولتاژ می شود اگر اندازه یابی، مکانیابی و هماهنگی بهینه با منابع VAR نداشته باشند. در این مطالعه، یک چارچوب RPP چند هدفی احتمالاتی برای سیستم های قدرتی که WF ها در آنها نفوذ زیادی دارند، پیشنهاد می شود. یک مدل توربین بادی نوین که می تواند به صورت دینامیکی توان راکتیو را کنترل کند براساس منحنی قابلیت یک مولد القایی دوسو تغذیه، توصیه شده است. در این مقاله، یک روش بهینه سازی دو سطحی جدید برای حل این مسئله با توجه به عدم قطعیت های بار و توان باد، معرفی می شود. الگوریتم ژنتیک چند هدفی در سطح بالاتر بکار گرفته می شود تا منابع VAR، تخصیص بهینه پیدا کنند و مکان های بهینه WF ها جهت بهبود VS و کاهش هزینه های منابع VAR، انتخاب شود. درحالی که در سطح پایین تر، هزینه بهره برداری کلی کمینه سازی می شود. در اینجا یک روش min-max (کمینه بیشینه) فازی برای یافتن جواب بهینه، اصلاح می شود. نتایج نشان می دهند که روش پیشنهادی برای بهبود VS و هزینه های بهره برداری، موثر است.

Electrical power systems encounter a variety of challenges due to load growth and technological improvement; reactive power planning (RPP) and improvement of voltage stability (VS) are the two most significant ones. The integration of wind farms (WFs) into power networks has many advantages in terms of operation cost and emissions. But leads to voltage instability if it is not optimally sized, placed, and coordinated with VAR sources. In this study, a probabilistic multi-objective RPP framework is proposed for power systems with high penetration of WFs. A novel wind turbine model that can dynamically control reactive power is suggested based on the capability curve of a double-fed induction generator. A new bi-level optimization technique is introduced to address the problem considering the uncertainties of loads and wind power. Multi-objective genetic algorithm is employed at the upper level to optimally allocate VAR sources, and select the optimal locations of WFs to improve VS and decrease VAR sources’ costs. While at the lower level, the overall operation cost is minimized. A fuzzy min-max method is modified to find the optimum compromise solution. The results show that the proposed technique is effective in improving system VS and operation costs.