دانلود ترجمه مقاله برنامه ریزی زمان واقعی هوشمند واحدهای تولیدی در یک بازار برق

1. مقدمه 2. فرمول بندی مسأله 3. نتایج و بحث 4. نتیجه گیری

چکیده – برنامه ریزی بهینه منابع تولید، نقش مهمی به عنوان ابزار تصمیم گیری برای اپراتورهای سیستم قدرت در بازارهای موضعی برق زمان واقعی و آزاد دارد. برنامه ریزی زمان واقعی واحدهای تولیدی با توجه به نوسانات لحظه ای تقاضای بار ناشی از چندین حالت پاسخ به تقاضا در زمینه شبکه های هوشمند به وظیفه خیلی پیچیده ای تبدیل شده است. در این مطالعه، یک روش ریاضیاتی ترکیبی برای زمان بندی آنلاین واحدها مبتنی بر ماشین بردار پشتیبانی کمترین مربعات (LSSVM) و نسخه سوم الگوریتم فرهنگی (CA3) ارائه شده که در آن CA3 به طور خاص به منظور تنظیم پارامترهای LSSVM به کار گرفته شده است. به منظور هدف آموزشی روش پیشنهادی، زمان بندی بهینه منحنی بار روزانه برای چهار سیستم تست مختلف و محدودیت های فیزیکی و محیطی واحدهای تولیدی با استفاده از یک برنامه ریزی درجه دوم عدد صحیح مختلط اصلاح شده (MIQP) به منظور تعامل با رفتارهای غیرمحدب سیستم های تست ارائه شده است. یک تابع هدف خطای متوسط مربعات (MSE) به منظور کاهش خطای پیش بینی در طول فرآیند آموزشی برای افزایش دقت و قابلیت اطمینان نتایج مورد استفاده قرار گرفته است. یک تابع پایه شعاعی (RBF) و LSSVM-CA3 پیشنهادی نیز برای بررسی رویه همگرایی سیستم به کار گرفته شده است. دقت بالای پیش بینی های زمان بندی ژنراتور نیز با مقایسه نتایج روش پیشنهادی در کنار شبکه های هوش مصنوعی نشان داده شده است. با توجه به نتایج، می توان نتیجه گرفت که این روش برای توزیع زمان واقعی منابع تولید در بازارهای برق نامنظم، سازگاری بالایی دارد.

Optimal scheduling of generating resources plays a significant role as a decision-making tool for power system operators in the liberalized and real-time electricity spot markets. The real-time scheduling of generating units will become a very complex task with respect to the instantaneous fluctuation of the load demand due to several demand response scenarios in the smart grid context. In this study, a hybrid mathematical method for the online scheduling of units based on the least square support vector machine (LSSVM) and the third version of cultural algorithm (CA3) has been presented, where the CA3 has been specifically employed to tune the adjusting parameters of LSSVM. For the training purpose of the proposed method, the optimal scheduling of the daily load curve for four different test systems and various physical and environmental constraints of generating units have been prepared by using a modified mixed integer quadratic programming (MIQP) to deal with non-convex behaviors of the test systems. A mean squared error (MSE) objective function has been used to reduce the prediction errors during the training process to enhance the precision and reliability of the results. A radial basis function (RBF) and the proposed LSSVM-CA3 were used to check the convergence process. A high accuracy of generator schedule predictions are demonstrated by comparing the results of the proposed method with those of artificial neural networks. From the results, it can be inferred that the method is highly compatible for real-time dispatching of generation resources in deregulated electricity markets.