دانلود ترجمه مقاله سیستم مدیریت انرژی برای تولید فتوولتائیکی ادغام شده با شبکه هوشمند

1. مقدمه 2. مدلسازی سیستم 3. برنامه ریزی پویا (DP) 4. سیستم مدیریت انرژی بر اساس روش ضرایب لاگرانژی 5. تحلیل شبیه سازی 6. نتیجه گیری

مقدمه: با توجه به ماهیت تناوبی فتوولتائیک، توسعه بزرگ مقیاس تولید پراکنده PV، چالش های فنی بیشماری را برای شبکه به همراه خواهد داشت. سطح نفوذ بالای تولیدات پراکنده PV موجب وارونه سازی شارش توان در شبکه های توزیع می شود. این موضوع منجر به مشکل افزایش ولتاژ می گردد، همانطور که در آنالیزهای شبیه سازی با استفاده از داده های تابش انرژی خورشیدی و بار واقعی نیز نشان داده شده است [1]، [2]. شارش توان معکوس همچنین افت توان و بارگذاری اضافی در ترانسفورماتورهای توزیع و بخش های فیدر اولیه را نیز موجب می گردد [3]، [4]. مقاله با این چالش ها، هزینه های تقویت شبکه و نیز هزینه های عملیاتی را کاهش خواهد داد [5]. به منظور کارکرد در قالب یک ژنراتور قابل پخش مشابه با منابع توان متداول، سیستم های PV نیازمند دستگاه های ذخیره سازی انرژی برای متعادل سازی ماهیت تناوبی هستند. واحد ذخیره سازی انرژی برای متعادل سازی تولید متناوب PV مورد استفاده قرار می گیرد. این واحد، توان اضافی تولید شده PV را در زمانی که تابش خورشیدی زیاد است و یا زمانی که مصرف بار کم است، ذخیره سازی می کند. از سوی دیگر، زمانی که تقاضا افزایش می یابد یا تولید PV متوقف می گردد، ذخیره سازها تخلیه می شوند. روش های یافتن راه حلی برای مساله زمان بندی مساله PV با ذخیره سازی انرژی شامل رویکردهای ریاضیاتی سنتی و رویکردهای مدرن مرتبط با هوش مصنوعی می باشد. روش ضرایب لاگرانژی، یک روش ریاضیاتی برای مسائل بهینه سازی مرتبط با محدودیت ها می باشد. روش آزادسازی لاگرانژ برای حل پخش بهینه و مساله قرار گیری واحد در مدار با محدودیت امنیتی یک باتری / PV در سیستم های بزرگ مقیاس با واحدهای حرارتی در مرجع [6]، مورد استفاده قرار گرفته است. در مرجع [7]، یک روال برنامه ریزی خطی برای به حداقل رسانی شارش توان شبکه در سیستم باتری / PV در زمان واقعی هنگام تجاوز بار خانگی از تولید فتوولتائیک مورد استفاده قرار گرفته است. علاوه بر این، مرجع [7]، یک استراتژی زمانبندی ساده را برای شارژ باتری در طول بازده های قیمت گذاری پیک پایین و دشارژ باتری در طول بازه های قیمت گذاری پیک بالا، ارائه داده است. همچنین، در مرجع [8]، برنامه ریزی خطی، برای زمانبندی منابع انرژی مختلف (یک فتوولتائیک، یک منبع انرژی متداول، و یک ذخیره ساز باتری) و بهینه سازی سود مورد استفاده قرار گرفته است. مسیر توان و تلفات تبدیلدر مرجع های [7،8] نادیده گرفته شده اند، از این رو، تنها توابع خطی در توابع هدف و محدودیت گنجانده شده اند.

Introduction: Due to the intermittency of PV, large-scale deployment of distributed PV generation poses technical challenges to the grid. High penetration levels of distributed PV generation cause reverse power flow in the distribution networks. This leads to the problem of voltage rise, as demonstrated in simulation analyses using actual load and solar irradiance data [1], [2]. Reverse power flow also introduces additional loading and power losses in the distribution transformers and the primary feeder sections [3], [4]. Mitigating these challenges will reduce grid reinforcement costs and operational costs [5]. To operate as a dispatchable generator similar to the conventional power sources, PV systems need energy storage device to balance the intermittency. The energy storage unit is used to balance intermittent PV generation. It stores the excess PV power when solar irradiance is abundant or when load consumption is low. On the other hand, it discharges when the demand rises or when PV ceases generation. The techniques for finding a solution to the power scheduling problem of PV with energy storage encompass the traditional mathematical approaches and the modern approaches of artificial intelligence. The method of Lagrange multipliers is a mathematical technique for optimization problems subject to constraints. The Lagrange relaxation method is used to solve the optimal dispatch and security-constrained unit commitment problems of a PV/battery in a large power system with thermal units in Ref. [6]. In Ref. [7], a linear programming routine is used to minimize the grid power flow in a PV/battery system in real-time when the residential load exceeds the PV production. Furthermore, Ref. [7] adds a simple scheduling strategy to charge the battery during off-peak pricing period and discharge the battery during on-peak pricing period. Linear programming is also used in Ref. [8] to schedule different energy sources (a PV, a conventional energy source and a battery storage) and optimize the profit. The power path and conversion losses are assumed negligible in Refs. [7,8], hence providing only linear functions in the constraints and objective functions.