[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
..
IEEE
..
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 13، شماره 1 - ( 2-1403 ) ::
جلد 13 شماره 1 صفحات 0-0 برگشت به فهرست نسخه ها
مدیریت انرژی چند هدفه ریزشبکه‌ها در حضور دستگاه‌های D-FACTS و انرژی‌های تجدیدپذیر با استفاده از الگوریتم رفتار مبتنی بر عملکرد یادگیرنده
مهیار مرادی1 ، محمد حسینی ابرده*1 ، مجتبی واحدی1 ، نسرین صالحی2 ، آزیتا آذرفر1
1- دانشکده مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران
2- دانشکده علوم پایه، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران
چکیده:   (3919 مشاهده)
توسعه ریزشبکه­ها به دلیل بارهای هوشمند، منابع انرژی تجدیدپذیر، سیستم­های ذخیره انرژی و همچنین وجود وسایل نقلیه الکتریکی (EV) در حال پیشرفت است. وجود چنین وسایلی در ریزشبکه ها ممکن است باعث ناهماهنگی در ریزشبکه شود که منجر به افزایش تلفات و تغییر در ولتاژ باس های ریزشبکه شود. در این مقاله، یک مدل برنامه‌ریزی درجه دوم عدد صحیح مختلط (MIQP) برای مدیریت انرژی ریزشبکه در حضور بارهای هوشمند، منابع انرژی تجدیدپذیر، وسایل نقلیه الکتریکی و سیستم‌های ذخیره‌سازی انرژی ارائه شده است. همچنین برای جلوگیری از تغییرات ولتاژ و کاهش تلفات از دستگاه سیستم انتقال متناوب منعطف توزیع شده (D-FACTS) استفاده شده است. یک تابع چند هدفه مبتنی بر سناریو برای کاهش تلفات برق و انحرافات ولتاژ، کاهش قطع برق منابع تجدیدپذیر و کاهش آلودگی زیست محیطی ناشی از تولید پراکنده با سوخت فسیلی (DG) و در نهایت کاهش قطعی بار ریزشبکه برای کاهش آسیب‌پذیری سیستم پیشنهاد شده است. در این مقاله، یک الگوریتم تکاملی نوآورانه به نام الگوریتم رفتار مبتنی بر عملکرد یادگیرنده (LPB) پیشنهاد شده است. مدل پیشنهادی بر روی یک ریزشبکه 33 شینه پیاده‌سازی شده است و نتایج نشان می‌دهد که مدیریت انرژی پیشنهادی با مدیریت سمت تقاضا می‌تواند تلفات انرژی را تا 9 درصد و انحراف ولتاژ را تا 10 درصد کاهش دهد.
 
واژه‌های کلیدی: ریزشبکه، D-FACTS، انرژی‌های تجدیدپذیر، سیستم ذخیره انرژی، وسایل نقلیه الکتریکی
     
نوع مطالعه: پژوهشي | موضوع مقاله: برق و کامپیوتر
دریافت: 1402/4/28 | پذیرش: 1402/7/19 | انتشار: 1404/1/17
فهرست منابع
1. [1] Abbas Langarizadeh, Saeid Hasheminejad, "A new differential algorithm based on S-transform for the micro-grid protection," Electric Power Systems Research, Volume 202, 107590, 2022. [DOI:10.1016/j.epsr.2021.107590]
2. [2] C. Nagaraj, Reduction of power conversion losses in AC-DC coupled hybrid micro-grid under grid distorted voltage scenario," Electric Power Systems Research, Volume 210, 108101, 2022. [DOI:10.1016/j.epsr.2022.108101]
3. [3] J. Peng, B. Fan and W. Liu, "Voltage-Based Distributed Optimal Control for Generation Cost Minimization and Bounded Bus Voltage Regulation in DC Microgrids," IEEE Transactions on Smart Grid, vol. 12, no. 1, pp. 106-116, Jan. 2021, doi: 10.1109/TSG.2020.3013303. [DOI:10.1109/TSG.2020.3013303]
4. [4] Ting Liang, Paul A. Webley, Yi-Chung Chen, Xiaohui She, Yongliang Li, Yulong Ding, The optimal design and operation of a hybrid renewable micro-grid with the decoupled liquid air energy storage, Journal of Cleaner Production, Volume 334, 130189, 2022. [DOI:10.1016/j.jclepro.2021.130189]
5. [5] B. Pournazarian, R. Sangrody, M. Saeedian, M. Lehtonen and E. Pouresmaeil, "Simultaneous Optimization of Virtual Synchronous Generators (VSG) Parameters in Islanded Microgrids Supplying Induction Motors," IEEE Access, vol. 9, pp. 124972-124985, 2021, doi: 10.1109/ACCESS.2021.3111015. [DOI:10.1109/ACCESS.2021.3111015]
6. [6] A. Raghavan, P. Maan and A. K. B. Shenoy, "Optimization of Day-Ahead Energy Storage System Scheduling in Microgrid Using Genetic Algorithm and Particle Swarm Optimization," IEEE Access, vol. 8, pp. 173068-173078, 2020, doi: 10.1109/ACCESS.2020.3025673. [DOI:10.1109/ACCESS.2020.3025673]
7. [7] H. Abubakr et al., "Adaptive LFC Incorporating Modified Virtual Rotor to Regulate Frequency and Tie-Line Power Flow in Multi-Area Microgrids," IEEE Access, vol. 10, pp. 33248-33268, 2022, doi: 10.1109/ACCESS.2022.3161505. [DOI:10.1109/ACCESS.2022.3161505]
8. [8] Reza Sepehrzad, Soheyl Nakhaeisharif, Ahmed Al-Durra, Mehdi Allahbakhshi, Alireza Moridi, "Islanded micro-grid frequency control based on the optimal-intelligent lyapunov algorithm considering power dynamic and communication uncertainties," Electric Power Systems Research, Volume 208, 107917, 2022. [DOI:10.1016/j.epsr.2022.107917]
9. [9] Y. Shan, J. Hu and H. Liu, "A Holistic Power Management Strategy of Microgrids Based on Model Predictive Control and Particle Swarm Optimization," IEEE Transactions on Industrial Informatics, vol. 18, no. 8, pp. 5115-5126, Aug. 2022, doi: 10.1109/TII.2021.3123532. [DOI:10.1109/TII.2021.3123532]
10. [10] N. Salehi, H. Martínez-García, G. Velasco-Quesada and J. M. Guerrero, "A Comprehensive Review of Control Strategies and Optimization Methods for Individual and Community Microgrids," IEEE Access, vol. 10, pp. 15935-15955, 2022, doi: 10.1109/ACCESS.2022.3142810. [DOI:10.1109/ACCESS.2022.3142810]
11. [11] T. -T. Nguyen, T. -K. Dao, T. -T. -T. Nguyen and T. -D. Nguyen, "An Optimal Microgrid Operations Planning Using Improved Archimedes Optimization Algorithm," IEEE Access, vol. 10, pp. 67940-67957, 2022, doi: 10.1109/ACCESS.2022.3185737. [DOI:10.1109/ACCESS.2022.3185737]
12. [12] D. Dabhi and K. Pandya, "Uncertain Scenario Based MicroGrid Optimization via Hybrid Levy Particle Swarm Variable Neighborhood Search Optimization (HL_PS_VNSO)," IEEE Access, vol. 8, pp. 108782-108797, 2020, doi: 10.1109/ACCESS.2020.2999935. [DOI:10.1109/ACCESS.2020.2999935]
13. [13] Reza Sepehrzad, Mostafa Khojasteh Rahimi, Ahmed Al-Durra, Mehdi Allahbakhshi, Alireza Moridi, Optimal energy management of distributed generation in micro-grid to control the voltage and frequency based on PSO-adaptive virtual impedance method," Electric Power Systems Research, Volume 208, 107881, 2022. [DOI:10.1016/j.epsr.2022.107881]
14. [14] M. Yang, J. Wang and J. An, "Day-Ahead Optimization Scheduling for Islanded Microgrid Considering Units Frequency Regulation Characteristics and Demand Response," IEEE Access, vol. 8, pp. 7093-7102, 2020, doi: 10.1109/ACCESS.2019.2963335. [DOI:10.1109/ACCESS.2019.2963335]
15. [15] W. Yuan, Y. Wang and Z. Chen, "New Perspectives on Power Control of AC Microgrid Considering Operation Cost and Efficiency," IEEE Transactions on Power Systems, vol. 36, no. 5, pp. 4844-4847, Sept. 2021, doi: 10.1109/TPWRS.2021.3080141. [DOI:10.1109/TPWRS.2021.3080141]
16. [16] M. Alramlawi and P. Li, "Design Optimization of a Residential PV-Battery Microgrid With a Detailed Battery Lifetime Estimation Model," IEEE Transactions on Industry Applications, vol. 56, no. 2, pp. 2020-2030, March-April 2020, doi: 10.1109/TIA.2020.2965894. [DOI:10.1109/TIA.2020.2965894]
17. [17] P. Xie et al., "Optimization-Based Power and Energy Management System in Shipboard Microgrid: A Review," IEEE Systems Journal, vol. 16, no. 1, pp. 578-590, March 2022, doi: 10.1109/JSYST.2020.3047673. [DOI:10.1109/JSYST.2020.3047673]
18. [18] Sizhou Sun, Chenxi Wang, Yu Wang, Xuehua Zhu, Huacai Lu,"Multi-objective optimization dispatching of a micro-grid considering uncertainty in wind power forecasting," Energy Reports, Volume 8, Pages 2859-2874, 2022.. [DOI:10.1016/j.egyr.2022.01.175]
19. [19] Arvin Ghasemi, Mostafa Sedighizadeh, Ahmad Fakharian, Mohammad Reza Nasiri, Intelligent voltage and frequency control of islanded micro-grids based on power fluctuations and communication system uncertainty, International Journal of Electrical Power & Energy Systems, Volume 143, 108383, 2022. [DOI:10.1016/j.ijepes.2022.108383]
20. [20] X. Dong, X. Li and S. Cheng, "Energy Management Optimization of Microgrid Cluster Based on Multi-Agent-System and Hierarchical Stackelberg Game Theory," IEEE Access, vol. 8, pp. 206183-206197, 2020, doi: 10.1109/ACCESS.2020.3037676. [DOI:10.1109/ACCESS.2020.3037676]
21. [21] M. A. Ebrahim, R. M. A. Fattah, E. M. M. Saied, S. M. A. Maksoud and H. E. Khashab, "Real-Time Implementation of Self-Adaptive Salp Swarm Optimization-Based Microgrid Droop Control," IEEE Access, vol. 8, pp. 185738-185751, 2020, doi: 10.1109/ACCESS.2020.3030160. [DOI:10.1109/ACCESS.2020.3030160]
22. [22] Z. Fan, B. Fan, J. Peng and W. Liu, "Operation Loss Minimization Targeted Distributed Optimal Control of DC Microgrids," IEEE Systems Journal, vol. 15, no. 4, pp. 5186-5196, Dec. 2021, doi: 10.1109/JSYST.2020.3035059. [DOI:10.1109/JSYST.2020.3035059]
23. [23] B. Cao, W. Dong, Z. Lv, Y. Gu, S. Singh and P. Kumar, "Hybrid Microgrid Many-Objective Sizing Optimization With Fuzzy Decision," IEEE Transactions on Fuzzy Systems, vol. 28, no. 11, pp. 2702-2710, Nov. 2020, doi: 10.1109/TFUZZ.2020.3026140. [DOI:10.1109/TFUZZ.2020.3026140]
24. [24] L. Zhang, H. Zheng, Q. Hu, B. Su and L. Lyu, "An Adaptive Droop Control Strategy for Islanded Microgrid Based on Improved Particle Swarm Optimization," IEEE Access, vol. 8, pp. 3579-3593, 2020, doi: 10.1109/ACCESS.2019.2960871. [DOI:10.1109/ACCESS.2019.2960871]
25. [25] J. Zhang et al., "Multi-Time Scale Economic Scheduling Method Based on Day-Ahead Robust Optimization and Intraday MPC Rolling Optimization for Microgrid," IEEE Access, vol. 9, pp. 140315-140324, 2021, doi: 10.1109/ACCESS.2021.3118716. [DOI:10.1109/ACCESS.2021.3118716]
26. [26] E.O. Amuta, S.T. Wara, A.F. Agbetuyi, B.A. Sawyerr, "Weibull distribution-based analysis for reliability assessment of an isolated power micro-grid system," Materials Today: Proceedings, 2022. [DOI:10.1016/j.matpr.2022.06.244]
27. [27] Bin Wang, Yupeng Sang, Dual-mode operation control of smart micro grid based on droop strategy," Energy Reports, Volume 8, 2022. [DOI:10.1016/j.egyr.2022.06.074]
28. [28] S. Pannala, N. Patari, A. K. Srivastava and N. P. Padhy, "Effective Control and Management Scheme for Isolated and Grid Connected DC Microgrid," IEEE Transactions on Industry Applications, vol. 56, no. 6, pp. 6767-6780, Nov.-Dec. 2020, doi: 10.1109/TIA.2020.3015819. [DOI:10.1109/TIA.2020.3015819]
29. [29] Q. Li et al., "Parallel and Distributed Optimization Method With Constraint Decomposition for Energy Management of Microgrids," IEEE Transactions on Smart Grid, vol. 12, no. 6, pp. 4627-4640, Nov. 2021, doi: 10.1109/TSG.2021.3097047. [DOI:10.1109/TSG.2021.3097047]
30. [30] JiaNan Shan, RenXiang Lu,"Multi-objective economic optimization scheduling of CCHP micro-grid based on improved bee colony algorithm considering the selection of hybrid energy storage system," Energy Reports, Volume 7, Supplement 7, Pages 326-341, 2021. [DOI:10.1016/j.egyr.2021.10.026]



XML   English Abstract   Print


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

Moradi M, Hoseini Abarde M, Vahedi M, Salehi N, Azarfar A. Multi-objective energy management of microgrids in the presence of D-FACTS devices and renewable energies using learning performance-based behavior algorithm. ieijqp 2024; 13 (1)
URL: http://ieijqp.ir/article-1-969-fa.html

مرادی مهیار، حسینی ابرده محمد، واحدی مجتبی، صالحی نسرین، آذرفر آزیتا. مدیریت انرژی چند هدفه ریزشبکه‌ها در حضور دستگاه‌های D-FACTS و انرژی‌های تجدیدپذیر با استفاده از الگوریتم رفتار مبتنی بر عملکرد یادگیرنده. نشریه کیفیت و بهره وری صنعت برق ایران. 1403; 13 (1)

URL: http://ieijqp.ir/article-1-969-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 13، شماره 1 - ( 2-1403 ) 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 0.07 seconds with 40 queries by YEKTAWEB 4712