[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
ثبت نام و اشتراک::
صاحب امتیاز::
درباره انجمن::
تماس با ما::
تسهیلات پایگاه::
cope::
metrics::
تعارض منافع::
::
پایگاه های نمایه کننده
..
DOI
کلیک کنید
..
DOR

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: دوره 12، شماره 4 - ( 10-1402 ) ::
جلد 12 شماره 4 صفحات 87-72 برگشت به فهرست نسخه ها
بهره‌برداری بهینه ریزشبکه‌ها با استفاده از الگوریتم تکاملی دو سطحی در حضور قطعی منابع انرژی تجدیدپذیر
سعید شاکری نیا1 ، عباس فتاحی می ابادی* 2، مجتبی واحدی1 ، نسرین صالحی3 ، محمود سمیعی مقدم4
1- دانشکده مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران
2- دانشکده مهندسی برق، دانشگاه صنعتی همدان، همدان، ایران
3- دانشکده علوم پایه، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران
4- دانشکده مهندسی برق، واحد دامغان، دانشگاه آزاد اسلامی، دامغان، ایران
چکیده:   (817 مشاهده)

با افزایش نفوذ منابع انرژی تجدیدپذیر مانند تولید بادی و فتوولتائیک در ریزشبکه آینده، به دلیل شرایط آب و هوایی متغیر، چالش‌هایی پدید می‌آید. در این مقاله، مدلی برای بهینه‌سازی عملکرد ریزشبکه تحت شرایط بدترین حالت خرابی منابع انرژی تجدیدپذیر با استفاده از بهینه­سازی دو ‌سطحی ارائه شده است. در مساله سطح بالا، بهینه‌سازی از دیدگاه کاهش اتلاف انرژی و قطع بار در برنامه مدیریت بار، همچنین شارژ و دشارژ بهینه سیستم‌های ذخیره‌سازی انرژی صورت گرفته است. مساله سطح پایین بیشینه کردن قطعی انرژی تجدیدپذیر در نظر گرفته شده است. روشی برای حل مساله بهینه‌سازی دو سطحی ارائه شده که شامل متغیرهای باینری در هر دو سطح است که توسط یک الگوریتم تکاملی مبتنی بر الگوریتم ژنتیک غیر غالب (NSGA II) حل شده است. مدل و الگوریتم پیشنهادی با استفاده از زبان برنامه‌نویسی جولیا پیاده‌سازی شده است. با استفاده از یک ریزشبکه 33 باس، عملکرد مدل در شرایط مختلف مورد بررسی و نتایج بهینه‌سازی بهینه عملکرد ریزشبکه تحت شرایط بدترین خرابی منابع انرژی تجدیدپذیر نشان داده شده است. نتایج نشان می­دهد که با افزایش تعداد خروج بدترین قطع منابع تجدیدپذیر به ترتیب تلفات انرژی تا 9 درصد افزایش می­یابد، همچنین مقایسه روش پیشنهادی نسبت به سایر الگوریتم­ها برتری روش پیشنهادی را در مدت زمان حل مسئله و همچنین شاخص­های مهم ریزشبکه نشان داد.


 

واژه‌های کلیدی: ریزشبکه، مدیریت سمت تقاضا، بهینه سازی، منابع تجدیدپذیر، سیستم ذخیره انرژی، الگوریتم تکاملی
متن کامل [PDF 1533 kb]   (197 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: برق و کامپیوتر
دریافت: 1402/4/16 | پذیرش: 1402/7/8 | انتشار: 1402/10/2
فهرست منابع
1. Zhao. Z, et al., (2022) "Distributed Robust Model Predictive Control-Based Energy Management Strategy for Islanded Multi-Microgrids Considering Uncertainty," IEEE Transactions on Smart Grid, 13(3), pp. 2107-2120. [DOI:10.1109/TSG.2022.3147370]
2. Vilaisarn. Y, Moradzadeh. M, Abdelaziz. M, Cros. J, (2022) "An MILP formulation for the optimum operation of AC microgrids with hierarchical control," International Journal of Electrical Power & Energy Systems, 137, 107674. [DOI:10.1016/j.ijepes.2021.107674]
3. Khoubseresht, O., Rajabinezhad, M., Mousazadeh Mousavi, S.Y., (2023) "An analytical optimum method for simultaneous integration of PV, wind turbine and BESS to maximize technical benefits", IET Gener. Transm. Distrib. 00, 1- 21. [DOI:10.1049/gtd2.12801]
4. Bui. V, Hussain. A, Im. Y, Kim. H, (2019) "An internal trading strategy for optimal energy management of combined cooling, heat and power in building microgrids," Applied Energy, 239, pp. 536-548. [DOI:10.1016/j.apenergy.2019.01.160]
5. Bui. V. -H, Hussain. A and Kim. H. -M, (2018) "A Multiagent-Based Hierarchical Energy Management Strategy for Multi-Microgrids Considering Adjustable Power and Demand Response," IEEE Transactions on Smart Grid, 9(2), pp. 1323-1333. [DOI:10.1109/TSG.2016.2585671]
6. Karimianfard. H and Haghighat. H, (2019) "Generic Resource Allocation in Distribution Grid," IEEE Transactions on Power Systems, vol. 34(1), pp. 810-813. [DOI:10.1109/TPWRS.2018.2867170]
7. Wang. C, Yu. H, Chai. L, Liu. H, and Zhu. B, (2021) "Emergency Load Shedding Strategy for Microgrids Based on Dueling Deep Q-Learning," IEEE Access, 9, pp. 19707-19715. [DOI:10.1109/ACCESS.2021.3055401]
8. Zhang. Z, Wang. Z, Wang. H, Zhang. H, Yang. W, and Cao. R, (2021) "Research on Bi-Level Optimized Operation Strategy of Microgrid Cluster Based on IABC Algorithm," IEEE Access, 9, pp. 15520-15529. [DOI:10.1109/ACCESS.2021.3053122]
9. Yuan. W, Wang. Y, and Chen. Z, (2021) "New Perspectives on Power Control of AC Microgrid Considering Operation Cost and Efficiency," IEEE Transactions on Power Systems, 36(5), pp. 4844-4847. [DOI:10.1109/TPWRS.2021.3080141]
10. Li. Z, Wu. L, Xu. Y, Moazeni. S, and Tang. Z, (2022) "Multi-Stage Real-Time Operation of a Multi-Energy Microgrid With Electrical and Thermal Energy Storage Assets: A Data-Driven MPC-ADP Approach," IEEE Transactions on Smart Grid, 13(1), pp. 213-226. [DOI:10.1109/TSG.2021.3119972]
11. Vilaisarn. Y, Rodrigues. Y. R, Abdelaziz M. M. A, and Cros. J, (2022) "A Deep Learning Based Multiobjective Optimization for the Planning of Resilience Oriented Microgrids in Active Distribution System," IEEE Access, 10, pp. 84330-84364. [DOI:10.1109/ACCESS.2022.3197194]
12. Hosseini. S. M, Carli. R, and Dotoli. M, (2021) "Robust Optimal Energy Management of a Residential Microgrid Under Uncertainties on Demand and Renewable Power Generation," IEEE Transactions on Automation Science and Engineering, 18(2), pp. 618-637. [DOI:10.1109/TASE.2020.2986269]
13. Shokouhmand. E, Ghasemi. A, (2022) "Stochastic optimal scheduling of electric vehicles charge/discharge modes of operation with the aim of microgrid flexibility and efficiency enhancement," Sustainable Energy, Grids and Networks, 32, 100929. [DOI:10.1016/j.segan.2022.100929]
14. Fallahi. F, Yildirim. M, Lin. J, and Wang. C, (2021) "Predictive Multi-Microgrid Generation Maintenance: Formulation and Impact on Operations & Resilience," IEEE Transactions on Power Systems, 36(6), pp. 4979-4991. [DOI:10.1109/TPWRS.2021.3066462]
15. Kheradmand. S. S, Haghpanah. R, Yazdi. M. B, and Farsangi, M. M, (2021) "Two Mixed Logical Dynamical Real-Time Receding Horizon Control Schemes for Microgrids Operation Optimization," 29th Iranian Conference on Electrical Engineering (ICEE), Tehran, Iran, Islamic Republic of, pp. 302-306. [DOI:10.1109/ICEE52715.2021.9544252]
16. Pan. M, Xing. Q, Chai. Z, Zhao. H, Sun. Q, Duan. D, (2023) "Real-time digital twin machine learning-based cost minimization model for renewable-based microgrids considering uncertainty,"Solar Energy, 250, pp: 355-367. [DOI:10.1016/j.solener.2023.01.006]
17. Karimianfard. H, Salehizadeh. M. R, and Siano. P, (2022) "Economic Profit Enhancement of a Demand Response Aggregator Through Investment of Large-scale Energy Storage Systems," CSEE Journal of Power and Energy Systems, 8(5), pp. 1468-1476.
18. Fan. Z, Fan. B, Peng. J and Liu. W, (2021) "Operation Loss Minimization Targeted Distributed Optimal Control of DC Microgrids," IEEE Systems Journal, 15(4), pp. 5186-5196. [DOI:10.1109/JSYST.2020.3035059]
19. Chamana. M et al., (2022) "Buildings Participation in Resilience Enhancement of Community Microgrids: Synergy Between Microgrid and Building Management Systems," IEEE Access, 10, pp. 100922-100938. [DOI:10.1109/ACCESS.2022.3207772]
20. K-bidi. F, Damour. C, Grondin. D, Hilairet. M, Benne. M, (2022) "Multistage power and energy management strategy for hybrid microgrid with photovoltaic production and hydrogen storage," Applied Energy, 323, 119549. [DOI:10.1016/j.apenergy.2022.119549]
21. Lee. J, Lee. S, and Lee. K, (2021) "Multistage Stochastic Optimization for Microgrid Operation Under Islanding Uncertainty," IEEE Transactions on Smart Grid, 12(1), pp. 56-66. [DOI:10.1109/TSG.2020.3012158]
22. Al-Ismail, F. S, (2021) "DC Microgrid Planning, Operation, and Control: A Comprehensive Review," IEEE Access, 9, pp. 36154-36172. [DOI:10.1109/ACCESS.2021.3062840]
23. MansourLakouraj. M, Shahabi. M, Shafie-khah. M, Catalão. J. P. S, (2022) "Optimal market-based operation of microgrid with the integration of wind turbines, energy storage system and demand response resources," Energy, 239, Part B, 122156. [DOI:10.1016/j.energy.2021.122156]
24. Hai, T., Alazzawi, A. K., Zhou, J., and Muranaka, T. (2023). "Optimal Energy Scheduling of Microgrid With Electric Vehicles Based on Electricity Market Price." ASME. J. Energy Resour. Technol, 145(6), 061301. [DOI:10.1115/1.4056526]
25. Wang. C, Wang. A, Chen. S, Zhang. G and Zhu. B, (2022) "Optimal Operation of Microgrids Based on a Radial Basis Function Metamodel," IEEE Systems Journal, 16(3), pp. 4756-4767. [DOI:10.1109/JSYST.2021.3130760]
26. Jia. Y, Wen. P, Yan. Y, and Huo. L, (2021) "Joint Operation and Transaction Mode of Rural Multi Microgrid and Distribution Network," IEEE Access, 9, pp. 14409-14421, 2021. [DOI:10.1109/ACCESS.2021.3050793]
27. Mehrasa. M, Sheikholeslami. A, Rezanejad. M, Alipoor. J, (2023) "Inertia augmentation-based optimal control strategy of a weak grid-connected microgrid with PV unit and energy storage system," Journal of Energy Storage, 62, 106874. [DOI:10.1016/j.est.2023.106874]
28. Salehi. N, Martínez-García. H, Velasco-Quesada. G and Guerrero. G. M, (2022) "A Comprehensive Review of Control Strategies and Optimization Methods for Individual and Community Microgrids," IEEE Access, 10, pp. 15935-15955, 2022. [DOI:10.1109/ACCESS.2022.3142810]
29. Nguyen. T. -T, Dao. T. -K, Nguyen. T. -T. -T and Nguyen. T. -D, (2022) "An Optimal Microgrid Operations Planning Using Improved Archimedes Optimization Algorithm," IEEE Access, 10, pp. 67940-67957. [DOI:10.1109/ACCESS.2022.3185737]
30. Akulker. H, Aydin. E, (2023) "Optimal design and operation of a multi-energy microgrid using mixed-integer nonlinear programming: Impact of carbon cap and trade system and taxing on equipment selections," Applied Energy, Volume 330, Part A, 120313. [DOI:10.1016/j.apenergy.2022.120313]
31. Harasis. S, Sozer. Y, and Elbuluk. M, (2021) "Reliable Islanded Microgrid Operation Using Dynamic Optimal Power Management," IEEE Transactions on Industry Applications, 57(2), pp. 1755-1766. [DOI:10.1109/TIA.2020.3047587]
32. Singh. A, Nguyen. H. D, (2022) "A two-layer framework for optimal control of battery temperature and microgrid operation,"Journal of Energy Storage, 50, 104057. [DOI:10.1016/j.est.2022.104057]
33. Reiz. C, and Leite. J. B, (2022) "Optimal Coordination of Protection Devices in Distribution Networks With Distributed Energy Resources and Microgrids," IEEE Access, 10, pp. 99584-99594. [DOI:10.1109/ACCESS.2022.3203713]


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Shakerinia S, Fattahi May Abadi A, Vahedi M, Salehi N, Samiei Moghaddam M. Optimal Operation of Microgrids Using bi-Level Evolutionary Algorithm in the Presence of Uncertain Renewable Energy Resources. ieijqp 2023; 12 (4) :72-87
URL: http://ieijqp.ir/article-1-967-fa.html

شاکری نیا سعید، فتاحی می ابادی عباس، واحدی مجتبی، صالحی نسرین، سمیعی مقدم محمود. بهره‌برداری بهینه ریزشبکه‌ها با استفاده از الگوریتم تکاملی دو سطحی در حضور قطعی منابع انرژی تجدیدپذیر. نشریه کیفیت و بهره وری صنعت برق ایران. 1402; 12 (4) :72-87

URL: http://ieijqp.ir/article-1-967-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 12، شماره 4 - ( 10-1402 ) برگشت به فهرست نسخه ها
نشریه علمی- پژوهشی کیفیت و بهره وری صنعت برق ایران Iranian Electric Industry Journal of Quality and Productivity
Persian site map - English site map - Created in 0.06 seconds with 38 queries by YEKTAWEB 4652