دانلود ترجمه مقاله اندازه یابی احتمالاتی مبتنی بر تاب آوری برای ریزشبکه های جزیره شده

1. مقدمه 2. روش تحقیق 3. مطالعه موردی: داده های ورودی 4. نتایج شبیه سازی و بحث و بررسی 5. نتیجه گیری و کارهای آتی

چکیده – مسئله برنامه ریزی و بهینه سازی ظرفیت «ریزشبکه» (MG) تاب آور، به طور گسترده ای به عنوان یک مسئله دشواری زمانی چندجمله ای غیرقطعیتی (NP-hard) شناخته می شود. به این ترتیب، روش های فرا ابتکاری (الگوریتم های سطح بالا الهام گرفته از انواع فرایندهای طبیعی و فیزیکی) را می توان برای تعیین بهینگی نزدیک در طراحی MG ها مورد استفاده قرار داد. با این حال، یک مرور مقالات جامع از جریان های اصلی مقالات نشان داده اند که عملکرد چندین روش فرا ابتکاری هنوز ارزیابی نشده اند. بر این اساس، این مقاله ابتدا بازده روش های فرا ابتکاری قبلاً بررسی نشده در کاربردهای اندازه یابی MG را به صورت سیستماتیک با روش فرا ابتکاری بسیار بررسی شده در مجموعه مقالات، یعنی الگوریتم «بهینه سازی ازدحام ذره» (PSO) ، مورد تحلیل مقایسه ای قرار می دهد. برای رسیدن به این هدف، فرا ابتکاری ها به صورت جداگانه در یک روش اندازه یابی MG نوین تلفیق می شوند که از ظرفیت پاسخ تقاضای بهینه تامین شده از بارهای شارژ کننده خودروی الکتریکی (EV) آگاه است. دو MG مستقل از شبکه و 100 درصد تجدیدپذیر مدل سازی می شوند که تامین مطمئن و پایدار بارهای الکتریکی در مناطق دور از شبکه را ممکن می سازند. علاوه بر آن، یک برنامه پاسخ به تقاضای شارژ EV پیشرفته در روش کلی تلفیق می شود درحالی که منابع مختلف عدم قطعیت داده های سری زمانی با ملاحظه قیدهای تاب آوری ویژه، سنجش می شوند. نتایج شبیه سازی حاصل شده از سه مطالعه موردی جامعه دور افتاده واقعی در منطقه آوتیروا-نیوزیلند، اثربخشی روش پیشنهادی اندازه یابی MG دارای پاسخ تقاضای شارژ کننده EV مبتنی بر تاب آوری احتمالاتی را تایید می کنند. مهم اینکه، ارزیابی های عملکرد مبتنی بر آمار جامع نشان می دهند که روش های فرا ابتکاری جدید، پتانسیل عملکرد بهتر نسبت به PSO به میزان حداکثر 6% در کاربردهای اندازه یابی MG را دارند. این نشان دهنده دلالت های بالقوه معنادار استفاده از فرا ابتکاری های پیشرفته برای بهبود جنبه های اقتصادی و بنابراین، گسترش MG های 100 درصد تجدیدپذیر مستقل از شبکه بسیار سرمایه بر، می باشد.

The resilient microgrid (MG) capacity planning and optimisation problem is widely recognised as a non-deterministic polynomial time-hard (NP-hard) problem. Accordingly, metaheuristics – top-level algorithms inspired by various natural and physical processes – can be utilised to determine the near optimality in designing MGs. However, a comprehensive review of the mainstream literature has shown that the performance of several metaheuristics has not yet been evaluated. In response, this paper first systematically benchmarks the efficiencies of previously unexplored metaheuristics in MG sizing applications against the well-established metaheuristic in the literature, namely the particle swarm optimisation (PSO) algorithm. To this end, the metaheuristics are separately integrated into a novel MG sizing method, which is aware of the optimal demand response capacity procured from electric vehicle (EV)-charging loads. Two grid-independent, 100%-renewable MGs are modelled, which enable the reliable and robust supply of electrical loads in areas far removed from the grid. Furthermore, an advanced EV-charging demand response program is integrated into the overall method, whilst quantifying various sources of time-series data uncertainty and considering specific resilience constraints. The simulation results yielded from three real-world isolated community case studies in Aotearoa-New Zealand confirm the effectiveness of the proposed stochastic, resilience-oriented, EV-charging demand response-addressable MG sizing method. Importantly, the comprehensive statistics-based performance evaluations indicate that new metaheuristics have the potential to outperform the PSO by up to ∼6% in MG sizing applications. This indicates the potentially significant implications of using advanced metaheuristics for improving the economics – and, therefore, rolling out – capital-intensive grid-isolated 100%-renewable MGs.