مدیریت احتمالات انرژی و عملیات یک میکرو شبکه حاوی نسل باد/ فتوولتاییک/ سلول سوختی و دستگاه های ذخیره انرژی بر اساس روش تخمین نقطه ای و الگوریتم خود تطبیقی جاذبی

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

مدیریت احتمالات انرژی و عملیات یک میکرو شبکه حاوی نسل باد/ فتوولتاییک/ سلول سوختی و دستگاه های ذخیره انرژی بر اساس روش تخمین نقطه ای و الگوریتم خود تطبیقی جاذبی

عنوان لاتین

Probabilistic energy and operation management of a microgrid containing wind/ photovoltaic/fuel cell generation and energy storage devices

اخیرا،با توجه به پیشرفت تکنولوژی، تشویق های دولت برای استفاده از انرژی های سبز و افزایش نگرانی ها در مورد هزینه های بالای انرژی سوخت های فسیلی، منابع انرژی تجدید پذیر (RESS) روشی امیدوار کننده و موثر برای تولید انرژی محلی، پاک، و پایان ناپذیر به نظر می رسد. این سبب اجرای میکرو شبکه ها(MGS) شده است که به عنوان گروهی از بارهای الکتریکی یا حرارتی و RES های متفاوت، معرفی می شوند. با توجه به عدم قطعیت های متفاوت مرتبط با منبع الکتریسیته در میکرو شبکه های تجدید پذیر، روش های مدیریت احتمالات انرژی برای تحلیل سیستم ضروری می باشد.این مقاله یک روش احتمالاتی را برای مدیریت انرژی و عملیات (EOM) یک MGS تجدید پذیر تحت محیط نا مشخص، ارائه می کند. چارچوب پیشنهادی برای تعیین مدیریت انرژی بهینه MGS ها، متشکل از روش تخمین 2m نقطه برای پوشش عدم قطعیت های موجود در MGS و یک الگوریتم بهینه سازی خود تطبیقی مبتنی بر الگوریتم جستجوی جاذبی (GSA)می باشد. این مقاله به بررسی عدم قطعیت در تقاضای بار، قیمت های بازار و توان الکتریکی موجود در مزارع بادی و سیستم های فتوولتاییک می پردازد.در این تحقیق،یک روش جهش خود تطبیقی برای بهبود مشخصه های همگرایی GSA اصلی و اجتناب از گیر افتادن در بهینه محلی، پیشنهاد شده است.از توزیع های Weibull و نرمال برای مدل سازی متغیرهای تصادفی ورودی، استفاده شده است. همچنین،از بسط Grame- Charlier برای یافتن توزیع صحیحی از انرژی کل و هزینه های عملیاتی MG برای روز آتی،استفاده شده است.تاثیر روش پیشنهادی بر روی یک شبکه معمولی متصل به MG که شامل واحدهای ذخیره سازی انرژی و واحدهای مختلف مولد توان می باشد،اثبات شده است.

Recently, due to technology improvements, governmental incentives for the use of green energies and rising concerns about high cost of energy from fossil fuels, renewable energy sources (RESs) appears to be a promising approach for producing local, clean, and inexhaustible energy. This motivates the implementation of microgrids (MGs) introduced as a cluster of electrical and/or thermal loads and different RESs. Due to different uncertainties linked to electricity supply in renewable microgrids, probabilistic energy management techniques are going to be necessary to analyze the system. This paper proposes a probabilistic approach for the energy and operation management (EOM) of renewable MGs under uncertain environment. The proposed framework consists of 2m point estimate method for covering the existing uncertainties in the MGs and a self-adaptive optimization algorithm based on the gravitational search algorithm (GSA) to determine the optimal energy management of MGs. This paper considers uncertainties in load demand, market prices and the available electrical power of wind farms and photovoltaic systems. In this study, a self-adaptive mutation technique is offered to enhance the convergence characteristics of the original GSA and avoid being entrapped into local optima. The Weibull and normal distributions are employed to model the input random variables. Moreover, the GrameCharlier expansion is used to find an accurate distribution of the total energy and operational cost of MGs for the next day-ahead. The effectiveness of the proposed method is validated on a typical grid-connectedMG including energy storage and different power generating units