دانلود ترجمه مقاله مدیریت انرژی احتمالاتی یک ریزشبکه با انواع مختلف منابع انرژی پراکنده

1. مقدمه 2. مدل ریاضیاتی 3. کاهش و تولید سناریو 4. مطالعه موردی 5. نتیجه گیری

چکیده – در این مقاله، مدیریت انرژی یک ریزشبکه شامل توربین باد، ماژول های فتوولتائیک (PV)، سیستم های حرارت و توان ترکیبی (CHP)، پیل های سوختی، واحدهای فقط توان، واحدهای فقط حرارتی، خودروهای الکتریکی پلاگینی (PEV ها) و منابع ذخیره انرژی حرارتی برای تامین بارهای الکتریکی و حرارتی ارائه می شود. برای دستیابی به مدیریت بهتر در طرف تقاضا، هر دو برنامه پاسخ تقاضای (DRP) مبتنی بر قیمت و مبتنی بر مشوق مورد استفاده قرار گرفتند و تاثیر آنها بر کاهش هزینه بهره برداری ریزشبکه در حالت های متصل به شبکه و جزیره ای مورد بررسی قرار گرفتند. همچنین، عدم قطعیت قیمت، بار، سرعت باد و تابش خورشیدی نیز مورد ملاحظه قرار گرفتند تا نتایج واقع بینانه تری بدست آیند. با گسسته سازی تابع توزیع احتمال (PDF) هر پارامتر غیرقطعی، یک مجموعه سناریو تولید شد. سپس با استفاده از یک روش کاهش سناریو براساس بهینه سازی خطی عدد صحیح مختلط، مجموعه سناریوهای کاهش یافته بدست می آید. روش برنامه ریزی احتمالاتی دو مرحله ای برای کمینه سازی هزینه بهره برداری در مدیریت انرژی ریزشبکه مورد استفاده قرار می گیرد. روش پیشنهادی برای مدیریت انرژی ریزشبکه در سه مد ارزیابی شدند: متصل به شبکه، متصل به شبکه همراه با DRP ها و جزیره ای همراه با DRP ها.

In this paper, the energy management of a microgrid including wind turbine, PhotoVoltaic (PV) modules, Combined Heat and Power (CHP) systems, fuel cells, power only units, heat only unit, Plug-in Electric Vehicles (PEVs), and thermal energy storage resources for supplying electrical and thermal loads is presented. For achieving a better management on demand side, both price-based and incentive-based Demand Response Programs (DRPs) have been used and their impacts on reducing the operational cost of microgrid in both grid-connected and island modes have been investigated. Also, the uncertainty of price, load, wind speed and solar radiation are taken into account in order to obtain more realistic results. By discretization of Probability Distribution Function (PDF) of each uncertain parameter, a set of scenarios is generated. Then, using a scenario reduction method based on mixed-integer linear optimization, the set of reduced scenarios is obtained. Two-stage stochastic programming approach is used to minimize the operational cost in microgrid energy management. The proposed method for microgrid energy management has been evaluated in three modes: grid-connected, grid-connected with DRPs, and island mode with DRPs.