دانلود ترجمه مقاله رویکرد همزمان برای تخصیص بهینه منابع انرژی تجدیدپذیر و ایستگاه های شارژ

1. مقدمه 2. مدل سیستم 3. فرمول بندی و راه حل 4. شبیه سازی و نتایج 5. نتیجه گیری

چکیده – با توجه به ماهیت تصادفی منابع انرژی تجدیدپذیر (RES) تقاضای بار خودروهای الکتریکی (EV)، نفوذ بالای این منابع در سیستم های قدرت می تواند عملکرد قابل اعتماد شبکه مانند کاهش کیفیت توان، افزایش تلفات شبکه، و انحرافات ولتاژی را تحت تنش قرار دهد. این چالش ها باید با برنامه ریزی بهینه مبتنی بر خروجی متغیر از RES به منظور برقراری تقاضای اضافی ناشی از شارژ EV به حداقل برسد. در این مقاله، روشی نوین برای تعیین مکان و اندازه مطلوب RES و ایستگاه های شارژ EV به طور همزمان و مدیریت فرآیند شارژ این وسیله ها ارائه شده است. یک مسأله بهینه سازی چند منظوره به منظور به دست آوردن متغیرهای هدف برای کاهش تلفات توان، نوسانات ولتاژی، هزینه های تأمین تقاضا و شارژ و هزینه باتری EV ارائه شده است. در این مسأله بهینه سازی، موقعیت و ظرفیت RES و ایستگاه های شارژ EV، متغیرهای هدف می باشند. ضرایبی که وابسته به سرعت باد، تابش خورشیدی، و نرخ تقاضای پیک ساعتی برای مدیریت الگوی شارژ EV در ساعات بار کم هستند، معرفی شده اند. الگوریتم بهینه سازی بهبود یافته ترکیبی بهینه سازی ازدحام ذرات – الگوریتم ژنتیک (GA-PSO) به منظور حل مسأله بهینه سازی در پنج حالت مختلف مورد استفاده قرار گرفته است. عملکرد روش پیشنهادی در سیستم 33 باسه IEEE به منظور تأیید اثربخشی روش GA-PSO جدید در زمینه مکان یابی بهینه RES و ایستگاه های شارژ EV به طور همزمان مورد بررسی قرار گرفته است.

Due to the stochastic nature of renewable energy sources (RES) and electric vehicles (EV) load demand, large scale penetration of these resources in the power systems can stress the reliable network performance, such as reducing power quality, increasing power losses, and voltage deviations. These challenges must be minimized by optimal planning based on the variable output from RES to meet the additional demand caused by EV charging. In this paper, a novel method for optimal locating and sizing of RES and EV charging stations simultaneously and managing vehicle charging process is provided. A multi-objective optimization problem is formulated to obtain objective variables in order to reduce power losses, voltage fluctuations, charging and demand supplying costs, and EV battery cost. In this optimization problem, the location and capacity of RES and EV charging stations are the objective variables. Coefficients which are dependent on wind speed, solar radiation, and hourly peak demand ratio for the management of the EV charging pattern in low load hours are introduced. Genetic Algorithm-Particle Swarm Optimization (GA-PSO) hybrid improved optimization algorithm is used to solve the optimization problem in five different scenarios. The performance of the proposed method on IEEE 33-bus system has been investigated to validate the effectiveness of the novel GA-PSO method to optimal sitting and sizing of RES and EV charging stations simultaneously.