دانلود ترجمه مقاله بهینه سازی قابلیت اطمینان ریزشبکه مسکونی با الگوریتم ژنتیک و کلونی مورچگان

1. مقدمه 2. مواد و روش ها 3. نتایج 4. بحث و بررسی 5. نتیجه گیری

چکیده – تغییرپذیری منابع انرژی تجدیدپذیر، محدودیت‌های ذخیره‌سازی و نوسانات تقاضای مسکونی، بر قابلیت اطمینان سیستم‌های انرژی پایدار تاثیر می‌گذارد و منجر به کمبود انرژی و خطر قطع سرویس می‌شود. با توجه به این وضعیت، هدف این مطالعه، تشخیص و بهینه‌سازی قابلیت اطمینان یک ریزشبکه مسکونی مبتنی بر تولید برق خورشیدی و بادی و سیستم‌های ذخیره انرژی باتری (BESS) است. برای این منظور، از الگوریتم‌های ژنتیک (GA) و بهینه‌سازی کلونی مورچگان (ACO) برای ارزیابی عملکرد سیستم با استفاده از معیارهایی مانند احتمال قطع بار (LOLP)، احتمال قطع منبع (LPSP) و در دسترس بودن استفاده می‌شود. سیستم تست شامل یک سیستم فتوولتائیک (PV) 3.25 کیلوواتی، یک توربین بادی 1 کیلوواتی و یک باتری 3 کیلوواتی است. ارزیابی با استفاده از شبیه‌سازی‌های مبتنی بر پایتون با داده‌های واقعی مصرف، تابش خورشیدی و سرعت باد برای ارزیابی قابلیت اطمینان تحت استراتژی‌های مختلف بهینه‌سازی انجام می‌شود. تشخیص اولیه، محدودیت‌هایی را در قابلیت اطمینان سیستم با در دسترس بودن 77% و مقادیر بالای LOLP (22.7%) و LPSP (26.6%) نشان می‌دهد. بهینه‌سازی با استفاده از الگوریتم‌های فراابتکاری به طور قابل توجهی این شاخص‌ها را بهبود می‌بخشد، LOLP را به 11% و LPSP را به 16.4% کاهش می‌دهد و در دسترس بودن را به 89% افزایش می‌دهد. علاوه بر این، بهینه‌سازی به تعادل بهتری بین تولید و مصرف، به ویژه در دوره‌های کم تقاضا، دست می‌یابد و ACO موفق می‌شود توزیع تولید بادی و فتوولتائیک را به طور موثرتری انجام دهد. در نتیجه، استفاده از فراابتکاری‌ها یک استراتژی موثر برای بهبود قابلیت اطمینان و کارایی ریزشبکه‌های مستقل، بهینه‌سازی تعادل انرژی و هزینه‌های عملیاتی است.

The variability of renewable energy sources, storage limitations, and fluctuations in residential demand affect the reliability of sustainable energy systems, resulting in energy deficits and the risk of service interruptions. Given this situation, the objective of this study is to diagnose and optimize the reliability of a residential microgrid based on photovoltaic and wind power generation and battery energy storage systems (BESSs). To this end, genetic algorithms (GAs) and ant colony optimization (ACO) are used to evaluate the performance of the system using metrics such as loss of load probability (LOLP), loss of supply probability (LPSP), and availability. The test system consists of a 3.25 kW photovoltaic (PV) system, a 1 kW wind turbine, and a 3 kWh battery. The evaluation is performed using Python-based simulations with real consumption, solar irradiation, and wind speed data to assess reliability under different optimization strategies. The initial diagnosis shows limitations in the reliability of the system with an availability of 77% and high values of LOLP (22.7%) and LPSP (26.6%). Optimization using metaheuristic algorithms significantly improves these indicators, reducing LOLP to 11% and LPSP to 16.4%, and increasing availability to 89%. Furthermore, optimization achieves a better balance between generation and consumption, especially in periods of low demand, and the ACO manages to distribute wind and photovoltaic generation more efficiently. In conclusion, the use of metaheuristics is an effective strategy for improving the reliability and efficiency of autonomous microgrids, optimizing the energy balance and operating costs.