مبتدی (مناسب برای درک مفهوم کلی مطلب) 

DGP در ساعات اوج بار برای کمک به SHGP برای عملیات سیستم امن کار می کند. با توجه به ارتفاع بالا، هر دیزل ژنراتور تنها حداکثر 1.0 مگاوات را در چنین محیطی تولید می کند. تولید گازهای گلخانه ای می تواند اثرات نامطلوب قابل توجهی بر روی سیستم زیست محیطی محلی آسیب پذیر ایجاد کند. علاوه بر این، هزینه حمل و نقل سوخت به راه دور، منطقه فلات, بسیار گران است. هزینه های بالا و نرخ انتشار بالا, زمان بهره برداری از دیزل ژنراتور را محدود می کند.
با افزایش تقاضای بار در منطقه، SHGP دیگر نمی تواند به نیازها پاسخ دهد. بدون افزایش تولید دیزل ژنراتورها، منابع انرژی تجدید پذیر (RESS) برای خدمت به افزایش تقاضا در نظر گرفته می شوند. به منظور استفاده از منابع خورشیدی فراوان (با مدت زمان آفتاب بیش از 2000 ساعت در سال) در این منطقه، یک نیروگاه تولید فتوولتائیک (PVGP) برای توسعه و یکپارچه سازی با سیستم های موجود به شکل یک ریزشبکه PVSHH جدید برنامه ریزی می شود همانطور که در شکل 1 نشان داده شده است. ریزشبکه PVSHH قادر به افزایش ثبات سیستم، بهبود بهره وری، کاهش انتشار، و برآورده سازی خواسته های برق و آب برق منطقه خواهد بود.
در فاز اول این پروژه، یک (PV) سیستم 5 MWP فتوولتائیک و سیستم ذخیره سازی انرژی باتری 5 مگاوات ساعت (BESS) نصب شده اند. به علت هزینه های اولیه و تعمیر و نگهداری بالای آن، BESS دارای ظرفیت نسبتاً محدود است. BESS به طور عمده برای صاف نمودن نوسانات برق و انتقال انرژی اضافی از سیستم PV مورد استفاده قرار می گیرد.
برای رسیدن به یک عملیات امن و کارآمد، EMS ریزشبکه PVSHH بر اساس ملاحظات زیر طراحی می شود:
(1) PVGP دارای بالاترین اولویت در تولید است. با کمک BESS، انرژی اضافی سیستم PV در هر صورت در روز ذخیره خواهد شد و برای حمایت از اوج بار در شب استفاده می شود. این امر موجب افزایش استفاده از سیستم PV و کاهش زمان بهره برداری از DGP می شود. تنها زمانی که BESS به طور کامل شارژ شود، تولید PV باید به تعادل تقاضای بار و جلوگیری از تنظیم ولتاژ محدود شود.
(2) بهره برداری از SHGP دارای اولویت بالا برای پاسخگویی به تقاضای آب مسکونی، به خصوص در فصل خشک است. برای بسیاری از زمان ها، SHGP بار پایه را تامین می کند و تولید آن در کل باید بالاتر از آستانه خروجی پایین تر باشد.
SHGP مسئول تنظیم فرکانس سیستم است.
(3) استفاده از دیزل ژنراتور باید به حداقل برسد. DGP تنها به عنوان یک اوج ساز برای برآورده سازی خواسته اوج استفاده می شود.
از زمانی که این پروژه ریزشبکه PVSHH به تصویب رسید، مطالعات گسترده ای در طراحی و پیاده سازی ریزشبکه ترکیبی انجام شد. ما به طور فعال در پروژه ریزشبکه درگیر شدیم و مسئول طراحی و پیاده سازی EMS هستیم. بر اساس اصول طراحی، این تیم EMS مبتنی بر MAS را پیشنهاد می دهد و آن را بر روی پلت فرم شبیه سازی زمان واقعی تایید می کند. بحث مفصل در توسعه یک EMS مبتنی بر MAS-برای ریزشبکه PVSHH در بخش های زیر داده می شود.

3. روش مدیریت انرژی مبتنی بر MAS
EMS مبتنی بر MAS پیشنهادی, مدیریت انرژی را در مقیاس چند ساعت بر اساس استراتژی مناقصه (VBD) مجازی و یک الگوریتم فرستادن توان پویا انجام می دهد. VBD, برنامه زمانبندی عملیات سیستم و ظرفیت ذخیره را بر اساس یک پلت فرم مناقصه عمومی تعیین می کند در حالی که الگوریتم اعزام پویا در زمان واقعی برای جبران خطای کنترل توان DG ها کار می کند. محیط دارای ارتفاع بالا منجر به یک هدف کنترل خاص و پارامترها در سیستم پیشنهادی، مانند تعدیل قیمت مجازی برای DG های مختلف می شود که نشان دهنده ملاحظات مختلف عملیاتی است که در بخش 2 مورد بررسی قرار گرفته است. با این وجود، روش پیشنهادی را می توان به آسانی برای دیگر برنامه های کاربردی گسترش داد.

3.1. مناقصه مجازی
برای MGهای متصل به شبکه، قیمت برق به طور معمول به عنوان مرجع برای DG های مناقصه تنظیم می شود. اما، این روش برای MGS مستقل نه تنها به خاطر اینکه MG مستقل از شبکه برق اصلی جدا نیست بلکه به خاطر عدم موفقیت در شناختن تنوع در روش های مختلف DG مناسب نیست. بنابراین، یک استراتژی VBD برای زمانبندی بهره برداری از DG ها در ریزشبکه هیبریدی با در نظر گرفتن شرایط عملیاتی و ویژگی های DG، به خصوص استفاده از منابع و تخصیص، تنها به جای سود اقتصادی پیشنهاد می شود. هدف آن بهبود ثبات عملیات سیستم از طریق برآورده سازی بار پایه از طریق SHGP و اوج بار با استفاده از منابع دیگر، حداکثر رساندن استفاده از سیستم PV با کمک BESS و کاهش زمان بهره برداری از DGP مطابق با اولویت های عملیاتی / مورد نیاز سیستم مورد بحث در بخش 2 است.
همانطور که در شکل (1) نشان داده می شود، قیمت مناقصه مجازی یک DG از هزینه حاشیه ای و هزینه جبران پویا تشکیل شده است. هزینه نهایی توسط هزینه تولید واقعی تعیین می شود در حالی که هزینه جبران پویا در زمان واقعی با توجه به محدودیت های تولید، تخصیص منابع و اثرات محیط زیست به روز می شود.

در ریزشبکه PVSHH، مرکز VBD در ابتدا قیمت پاکسازی و طرح اعزام توان مرتبط برای DG ها را بر اساس هزینه های حاشیه ای و سطح بار سیستم محاسبه می کند. قیمت پاکسازی, مرجع جبران پویا برای DG ها است و شبیه به قیمت برق برای MGهای متصل به شبکه است.
به منظور استفاده بهتر از تولید PV، یک انتظار توان پارامتری به نام توان PV (Pev) تعریف می شود. انتظار می رود که تولید PV واقعی بین PEV و حداکثر تولید PV باشد. اگر تولید توان پاکسازی PV کوچکتر از Pev باشد، ، به عنوان یک عدد منفی برای تحریک تولید PV بیشتر تعیین می شود. در مقابل، اگر پیشنهاد بزرگتر از یا برابر با Pev باشد, ، در صفر تنظیم می شود که در شکل (2) نشان داده شده است. Pev یک ثابت به دست آمده در بهینه سازی اندازه سیستم با ملاحظات عملیاتی است. تولید PV اضافی (به عنوان مثال، تولید PV منهای Pev) برای اولین بار در BESS ذخیره می شود، و سپس برای حمایت از اوج بار در شب مورد استفاده قرار می گیرد. انرژی ذخیره شده در BESS دارای یک قیمت ثابت مجازی است که کمی ارزان تر از قسمت DGP است که ناشی از کاهش زمان بهره برداری از DGP است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) (ترجمه به صورت خلاصه انجام شده است)

2. مدل شکست آبشاری با نزدیکی هارمونیک
برای غلبه برمشکل درجه و فاصله(میانی بودن)، وزن گره توسط نزدیکی هارمونیک محاسبه می شود که می تواند بیانگر مشکل رسیدن گره به گره های دیگر در شبکه باشد. به طور کلی، هرچه نزدیکی هارمونیک بزرگتر باشد، درجه آن نیز بزرگتر است.
در گسترش شکستهای آبشاری، گره های وزنی بزرگتر متصل به گره شکسته ،بار بیشتری را به خود می گیرند. در شبکه راهنمایی و رانندگی، راننده در جاده پرازدحام مستعد ورود به جاده مجاور با ظرفیت بالای ترافیک است تا بتواند از ازدحام احتمالی جلوگیری کند و به سرعت به مقصد برسد. این بدان معنی است که این فرض با واقعیت مطابقت دارد. از این رو، بار اضافی ΔLij (t) دریافت شده از گره شکسته i در مرحله t متناسب با وزن آن Wj است.

3. نتایج شبیه سازی و تجزیه و تحلیل
از آنجا که ساختار توپولوژیکی یک شبکه به استحکام در برابر شکست آبشارها مربوط می شود، لازم است روش ما را در ساختارهای مختلف توپولوژیکی بررسی کنیم. سه شبکه کلاسیک با N = 1000 ساخته شده است، یعنی شبکه های بارابسی – آلبرت) شبکه های BA) [37]، شبکه) Newman-Watts شبکه های NW) [38]، و شبکه های Erdos-Renyi (شبکه هایER ) [39 ]، به ترتیب.
شبکه های BA به شرح زیر ساخته می شوند: با شروع از شبکه گره های m0، گره جدید متصل به گره های موجود در هر مرحله از زمان به شبکه اضافه می شوند. با توجه به پیوست ترجیحی مبنی بر اینکه احتمال اتصال به گره های موجود متناسب با درجه گره موجود است.
شبکه های NW به شرح زیر ساخته می شوند: از شروع حلقه های معمولی، هر گره به گره های مجاورh وصل می شود و لبه هایی با احتمال خاصی بین گره هایی که به هم وصل نمی شوند اضافه می شوند.
شبکه های ER به شرح زیر ساخته شده اند: در میان گره های جدا شده، لبه هایی با احتمال خاص به طور تصادفی بین گره ها اضافه می شوند.
از آنجا که سه مدل معمولی شبکه ذکر شده در بالا اختلاف کمی برای هر ساخت دارند، داده های ما میانگین شبیه سازی در 20 شبکه مستقل است.
اول از همه، ما روی مقدار Tc تحت تأثیر پارامتر وزن θ تحت مقادیر مختلف از میانگین درجه k تمرکز می کنیم. همانطور که در شکل 1 (a) (b) (c) نشان داده شده است، برای سه شبکه مصنوعی ابتدا مقدار Tc کاهش می یابد و سپس با افزایش مقدار θ افزایش می یابد. این امر به این دلیل است که Tc به گره هاب(گره قطب) و گره های مجاور آن بستگی دارد. هنگامی که مقدار θ کم است، گره درجه کوچکتر گره هاب است و گره های مجاور آن به دلیل دریافت بارهای بیشتر، احتمالاً از کار نمی افتند. در مقابل، برای مقدار بزرگتر θ، گره ای با بار بیشتر گره هاب است. بنابراین، هنگامی که θ یک مقدار معقول برای به حداقل رساندن Tc وجود دارد،ما می توانیم مقدار بهینه پارامتر وزن را بدست آوریم، *θ.در شبکه های BA، NW و ER با مقادیر مختلفی از به ترتیب. علاوه بر این، می توان دریافت که بین Tc و k رابطه منفی وجود دارد. از شکل 1 (d)، در مورد θ *، مقدار Tc در شبکه های BA از مقدار داده شده در شبکه های NW و ER برای مقدار داده شده k کوچکتر است، در حالی که مقدار Tc در شبکه های NW مشابه با شبکه های ER است.
این بدان معنی است که با استفاده از روش ما درشبکه های BA راحت تر از خرابی آبشاری از شبکه های NW و ER جلوگیری می کنند. به منظور کشف رابطه بین CFN و θ، CFN با استفاده از روش ما در سه شبکه مصنوعی برای مقادیر مختلف θ محاسبه می شود زمانی که ⟨k⟩ = 6 .
در شکل 2 (a) مشخص است که بین CFN و θ در شبکه های BA همبستگی منفی وجود دارد، این بدان معنی است که مقدار بزرگتر θ برای تقویت استحکام کل شبکه در برابر شکست های آبشاری تا حدی مفید است.
دلیل اصلی این است که برای شبکه های BA در دامنه θ بزرگتر، بارهای چند گره و تفاوت بارهای اولیه بیشتر است. در این حالت، به دلیل وجود بارهای اولیه کوچک در میان گره ها، حمله به آن گره ها نمی تواند باعث شکست آبشاری شود. یعنی وقتی مقدار θ کوچکتر است، میانگین گره های شکسته ناشی از حمله به هر گره کوچکتر است و لازم است از گره ها با بار بیشتر محافظت شود.
با توجه به تجزیه و تحلیل CFN در شبکه های BA، ما متوجه می شویم که به نظر می رسد تضاد وجود دارد که در مورد ⟨k⟩ = 6، مقدار Tc کم یا حداقل است زمانی که θ = 7.8 باشد از شکل 1 (a) . هرچه مقدار θ بزرگتر باشد، مقدار CFN کوچکتر است از شکل 2 (a). سوالی پیش می آید که چرا Tc از نظر اندازه گیری استحکام با CFN متفاوت است. برای رفع این مشکل، تجزیه و تحلیل زیر در این مقاله وجود دارد.
از شکل 2 (b) (c) دریافت می شود که مقدار CFN با مقدار θ هنگامی که دامنه T بین 1.05 و 1.15 باشد، ارتباط منفی دارد، که به طور ناقص با نتایج شبکه های BA موافق است. با این حال، مقدار CFN زیر θ = 10 در محدوده T> 1.15 از سایرین کوچکتر است. علاوه بر این، ما دریافتیم که مقدار CFN برای مقدار کوچکتر و بزرگتر T در شبکه های NW و ER کمی تغییر می کند. وقتی دامنه T بین 1.1 تا 1.15 باشد، مقدار CFN کاهش قابل توجهی را نشان می دهد. بر اساس تجزیه و تحلیل CFN در سه شبکه، این شباهت وجود دارد که مقدار CFN زیر θ = 6 بزرگترین است، به این معنی که شبکه در برابر خرابی های آبشار، برای مقدار کوچکتر θ آسیب پذیر است.

راهبرد زمان بندی الکتریسیته برای سیستم مدیریت انرژی خانه با انرژی تجدیدپذیر و ذخیره باتری: یک مطالعه موردی

Electricity scheduling strategy for home energy management system with renewable energy and battery storage: a case study

چکیده
1-مقدمه
1-1 انگیزه و هدف
1-2 مرور منابع
1-3 مشارکت و سازمان
2- مدل سیستم
2-1 مدل های دستگاه های الکتریکی
2-3 مدل باتری باتری
2-4 مدل EV
3- اهداف برنامه ریزی
4- طراحی MCIP-GA
4-1 الگوریتم طراحی
4-2 پردازش محدودیت
5 – مثال تجزیه و تحلیل
5-1 تجزیه و تحلیل نتایج شبیه سازی
5-2 مقایسه الگوهای مختلف کاری
5-3 عملکرد الگوریتم
5-4 تحلیل حساسیت
6- نتیجه گیری

چکیده
 با توسعه شبکه هوشمند، مصرف انرژی نقش مهمی در بازار برق ایفا می کند، اگرچه سیستم مدیریت انرژی خانه پتانسیل زیادی برای کمک به حفظ انرژی دارد. در این مطالعه، پایداری و بهره برداری کامل از انرژی تجدید پذیر اثبات می شود. بر طبق ترکیب الگوریتم ژنتکی باطری و روش برنامه نویسی عدد صحیح، یک GA پیشرفته پیشهاد می شود که هدف آن حداقل سازی خرید برق و بیشینه سازی استفاده از انرژی تجدید پذیر است. در نهایت می توان گفت که روش پیشهادی در صرفه جویی هزینه و کاهش پسماند انرژی مهم است. تاثیر دستگاه های ذخیره سازی بر روی سیستم و حساسیت پاسخ تقاضا و صرفه جویی هزینه، اندازه باطری و قیت برق نیز تحلیل می شود.
1. مقدمه
اخیرا مصرف انرژی به سرعت افزایش یافته است. مصرف انرژی در محل اقامت و کسب و کار به 20 تا 40 درصد از کل مصرف انرژی جهان در دهه آینده افزایش خواهد یافت و نقش تعیین کننده ای در بازار برق ایفا خواهد کرد . با استفاده از مفهوم شبکه هوشمند، عادت مصرف انرژی برای مشتریان و روش های اندازه گیری انرژی الکتریکی به طور اساسی تغییر خواهد کرد. در زمینه اولویت به صرفه جویی در انرژی، لازم است که به دستیابی به هوش لوازم خانگی، که تشویق و کمک به مشتریان به استفاده از قدرت برق منطقی است. پاسخ تقاضا (DR) برای افزایش تعامل بین شبکه و کاربر توسط سیگنال قیمت و مکانیزم انگیزه معرفی می شود [2[ . DR به معنی آن است که هنگامی که کاربران راهنمایی های دریافت شده توسط شرکت تامین برق را دریافت می کنند، الگوی مصرف خود را تغییر خواهند داد. بدین معنی است که بارها را برای کاهش پایداری سیستم قدرت [3] کاهش یا تاخیر می اندازند، زمانی که قابلیت اطمینان سیستم قدرت با چالش مواجه می شود .
مدیریت انرژی در خانه توجه بیشتری را با افزایش تقاضای انرژی خانوار جذب می کند. (سیستم مدیریت انرژی خانه HEMS) از سنسورها برای یافتن انرژی اضافی و کنترل لوازم خانگی استفاده می کند تا به هدف صرفه جویی در مصرف انرژی دست یابند، که در نتیجه، صرفه جویی در مصرف انرژی خانوادگی و زندگی راحت می شود. این تاثیر عمیقی بر کاهش زباله های انرژی، بهبود بهره وری انرژی و تغییر مفهوم صرفه جویی در انرژی دارد. HEMS با استفاده از برنامه ریزی مطلوب و روش های پیشرفته کنترل برای به حداکثر رساندن صرفه جویی در انرژی و رضایت مشتری را تضمین می کند. مهم است که الگوریتم های هوشمند کارآمد و عملی را برای حل مسئله زمانبندی مطلوب HEMS مهم بدست آوریم.

Abstract

With the development of smart grid, energy consumption on residence will play an important role in the electricity market, while the Home Energy Management System (HEMS) has huge potential to help energy conservation. In this study, a practical HEMS model with renewable energy, storage devices and plug-in electric vehicles, considering the battery sustainability and the full utilisation of the renewable energy, is first established. Then, according to the combinations of the genetic algorithm (GA) and the multi-constrained integer programming method, an improved GA is proposed, which goal is to minimise the electricity purchase and maximise the renewable energy utilisation. Finally, it is demonstrated by an example that the proposed method is significant in cost saving and reducing energy wastes. To verify the performances of the proposed algorithm, the numerical results indicate that the proposed algorithm has high computational efficiency and good robustness. In addition, it can avoid the disadvantages easy to trap at a local optimal point, and are insensitive to initial solutions. The effect of the storage device on system property and the sensitivity of cost savings versus demand response, size of the battery, and the electricity price sell to the grid are also analysed.

1. Introduction

With the development of smart grid, energy consumption on residence will play an important role in the electricity market, while the Home Energy Management System (HEMS) has huge potential to help energy conservation. In this study, a practical HEMS model with renewable energy, storage devices and plug-in electric vehicles, considering the battery sustainability and the full utilisation of the renewable energy, is first established. Then, according to the combinations of the genetic algorithm (GA) and the multi-constrained integer programming method, an improved GA is proposed, which goal is to minimise the electricity purchase and maximise the renewable energy utilisation. Finally, it is demonstrated by an example that the proposed method is significant in cost saving and reducing energy wastes. To verify the performances of the proposed algorithm, the numerical results indicate that the proposed algorithm has high computational efficiency and good robustness. In addition, it can avoid the disadvantages easy to trap at a local optimal point, and are insensitive to initial solutions. The effect of the storage device on system property and the sensitivity of cost savings versus demand response, size of the battery, and the electricity price sell to the grid are also analysed.

راهبرد زمان بندی الکتریسیته برای سیستم مدیریت انرژی خانه با انرژی تجدیدپذیر و ذخیره باتری: یک مطالعه موردی

Electricity scheduling strategy for home energy management system with renewable energy and battery storage: a case study

 مبتدی (مناسب برای درک مفهوم کلی مطلب) (ترجمه به صورت خلاصه انجام شده است)

2. کارهای انجام شده در زمینه ی خطای اتصال کوتاه در ماشین های الکتریکی
خطاهای سیم پیچ استاتور معمولاً با عوامل مختلفی از جمله گرمای بیش از حد، اضافه بار الکتریکی، تخلیه های الکتریکی و فشار مکانیکی همراه هستند [5]. محیطی که SCIG در آن نصب شده است، یک محیط خشن است، بنابراین به یک ابزار نظارت نیاز است. تکنیک فعلی تجزیه و تحلیل امضاء (MCSA) به عنوان یک روش امیدوارکننده برای توصیف شرایط عملیاتی ژنراتور القایی مشخص شد. که شامل مجموعه ای از روشهای تلفیقی است که در بین سالهای 1975 تا 1985 در مقالات مروری در سرتاسر جهان توسعه یافت که دارای تجزیه و تحلیل جریان و طیف آن برای توصیف ماشین های القایی بودند [6].
در [7] ، یک طبقه بند عصبی با جریان موتور، ولتاژ تغذیه و سرعت روتور آموزش داده می شود. نویسندگان از یک موتور تک فاز با قدرت 0.5 اسب بخار استفاده می کنند که در حالت تخلیه 50 هرتز تخلیه می شود. نویسندگان از یک موتور در حال چرخش تک فاز با قدرت 0.5 اسب بخار استفاده می کنند که در فرکانس 50 هرتز تخلیه می شود. آنها رضایت بخش تلقی می شدند. با این حال ، این مشکل فقط به یک پیکربندی موتور (تک فاز ، بدون بار ، کار با 50 هرتز) محدود شده و به سنسور سرعت به همراه سنسورهای جریان نصب شده قبلی احتیاج دارد. Bouzid و Champenois [8] بر روی یک مدل محاسباتی از یک موتور القایی 1.1 کیلو وات تحت خرابی سیم پیچ استاتور کار کردند. نویسندگان از شبکه های عصبی با تجزیه و تحلیل فعلی استفاده کرده و توانستند 100٪ مسائل مدل سازی شده را شناسایی را داشتند. با این حال، شبیه سازی در نظر گرفته این دستگاه تنها پایین تر از فرکانس 50 هرتز کار می کند.
پالاکیوس و همکاران [9] سیگنال های جریان را در یک موتور یک اسب بخار، با شرایط بار چند برابر به دست آوردند و درصد تغییر در گردش در حالت اتصال کوتاه را به اندازه (3٪ ، 5٪ و 10٪) تغییر دادند. نویسندگان نتایج برای دقت از 75٪ تا 98٪ طبقه بندی های باینری بین شرایط عادی یا خطا را بدست آوردند.
الیویرا و همکارانش [10] با استفاده از یک سنسور تک جریانی و بدون سنسور سرعت و 1.4٪ چرخش های تحت اتصال کوتاه، در یک دستگاه القایی برقی می تواند با استفاده شبکه های عصبی با دقت 67٪ شناسایی شوند. نویسندگان پیشنهاد دادند که از تکنیک MCSA ترکیب شده با فوریه، از تئوری طیف فرکانس تامسون و فنگر [6] استفاده شود. ویرا و همكاران [11] این مطالعات را ادامه داده و توانستند، براساس Multceptine Perceptron (MLP) یك سیستم تعبیه شده برای شناسایی این خرابی ها توسعه دهند.
اعضای همان گروه تحقیقاتی که این کار توسط آنها انجام شده است، در تشخیص اولیه مدارهای کوتاه در موتورهای القایی تجربه دارند. این امر طی سالها و توسط انتشارات آنها تثبیت شد: الیویرا و همکاران [10] ، کولیو و همکاران [12] ، ویرا و همکاران [11].
بررسی کارهای پیشین، نشان می دهد که بیشتر تحقیقات مربوط به شناسایی خرابی در شرایط خاص عملیات ، چه با فرکانس و چه بار و بدون توضیحات زیادی در مورد تقلیدهای خطا بوده است. رویکرد ارائه شده در تحقیق ما، مبتنی بر نیاز به یک روش کلی تر است، که در آن یک سیستم متخصص می تواند نقصی را در نقاط عملیاتی متفاوت تشخیص دهد. همچنین، با گسترش سریع مزارع بادی در منطقه Ceará برزیل، تحقیق حاضر به بررسی مسئله ی شناسایی خطای اولیه در ژنراتورها می پردازد، زیرا هم برای گروه تحقیق و هم برای منطقه بی سابقه است.

3. روش های به کار رفته برای استخراج ویژگی برای ماشین های القایی
می توان از تبدیل فوریه برای بیان سیگنال های حوزه ی زمان، در حوزه فرکانس استفاده کرد. اولیورا و همکاران [10] هارمونیک های موجود در سیگنال جریان الکتریکی از موتور الکتریکی را تحت چندین خطای مدار اتصال کوتاه بین چرخشی بررسی کرده و نتیجه گرفتند که مهمترین فرکانس ها 0.5fn ، 1.5fn ، 2.5fn ، 3.0fn ، 5.0fn و 7fn است که در آن fn فرکانس پایه ی استاتور است. اولیورا و همکاران [10]، کولیو و همکاران [12] و ویرا و همکاران [11] ، ویرا و همکاران [11] همچنین از همین فرکانس برای پیشنهاد دادن روش های مختلف برای تشخیص خطا در موتورهای القایی استفاده کردند. در سایر مطالعات، فرض می شود که ماشین الکتریکی به عنوان موتور عمل می کند، اما ما معتقدیم در حالی که دستگاه به عنوان ژنراتور کار می کند، همین فرکانس ها نماینده خواهند بود. بنابراین، مقادیر این فرکانس ها که توسط فرکانس پایه نرمال شده اند، به عنوان ویژگی مورد استفاده قرار می گیرند.
آماره مرتبه بالاتر، یک تکنیک امیدوارکننده برای توصیف سیگنال های حوزه زمان است [13]. استفاده از Kurtosis توسط دوایر [14] برای اولین بار به عنوان یک ابزار آماری برای نشان دادن مؤلفه های غیر گاوسی در سیگنال ها پیشنهاد شد. این نظریه تحت پایه آماره مرتبه بالا است و آن را به عنوان ممان آماری چهارم توصیف می کند. مزیت HOS برای سیگنال ها توسط مندل [13] نشان داده شده و به مقاومت (یعنی فیلتر کردن) نسبت به نویز گاوسی در هنگام استفاده از ممان بالاتر از مرتبه دوم، وابسته است. ویژگی های به دست آمده از HOS در کنار مقادیر واریانس و مقادیر rms ، چوله و کوتاه مدت خواهند بود.
ماتریس وقوع همزمان ساختاری متشکل از روشی است که مبتنی بر آماره هم وقوع همبستگی است و به تجزیه و تحلیل ساختاری سیگنال های گسسته منجر می شود و اتصالات موجود بین ساختارهای سطح پایین دو سیگنال گسسته در n بعد را پذیرش می کند [16]. ویژگی اصلی آن ارایه ی دانش قبلی در مورد سیگنال های مورد بررسی، با تأکید بر تشخیص جزئیات است. خروجی آن یک هیستوگرام دو بعدی است ، که در آن SCM امکان وقوع مشترک بین ساختارهای سیگنال های ورودی را فراهم می کند [16]. نویسندگان 6 ویژگی را پیشنهاد داده اند که باید از هر سیگنالی استخراج شود و محاسبات مربوط به آن در مقاله آن نشان داده شده است. در میان روش های استخراج ویژگی مورد استفاده در این مقاله، SCM جدیدترین روش است و نشان داده است که می تواند الگوهای موجود در جزئیات سیگنال ها را تشخیص دهد [17].

4. راه اندازی آزمایشی و ایجاد مجموعه داده
شبیه سازی توربین بادی بر اساس تنظیمات شرح داده شده توسط یاراماسو و همکاران [4] انجام شده است که از ژنراتور القایی قفس سنجابی از نوع مقیاس کامل و تمامی متغیر سرعت ساخته شده است، بدین معنی که ماشین الکتریکی می تواند در کل محدوده سرعت، انرژی الکتریکی را در کل تولید کند. یک بستر آزمایشی مبتنی بر این سیستم توربین بادی این مقاله ساخته شده است و در شکل 1 نشان داده شده است.
درایو ماشین (DM) با تحریک انرژی به پره های توربین بادی ، از تبدیل انرژی جنبشی باد در حرکت چرخش به شافت ژنراتور تقلید می کند. مبدل فرکانس FC-1 سرعت باد متغیر را که باعث تقویت DM می شود، تقلید می کند. FC-2 فقط استاتور ژنراتور را تغذیه می کند. هنگامی که فرکانس تنظیم شده در FC-1 بالاتر از FC-2 باشد ، انرژی جنبشی به انرژی الکتریکی تبدیل می شود و این از طریق SCIG به DC-bus FC-2 تبدیل می شود.
شکل ۱: دیاگرام شامل یک بستر آزمایشی توربین بادی است ، مبتنی بر تمام مقیاس ها و کلیه ی متغیرهای سرعت
برای انجام آزمایشات از یک ژنراتور القایی 4 قطبی استفاده کردیم که دارای توان مکانیکی 1 اسب بخار است و در پیکربندی دلتا برای ولتاژ منبع تغذیه 220 ولت ، به صورت الکتریکی متصل شده است و جریان نامی آن ۳ آمپر است. ژنراتور و دستگاه درایو هر دو از مبدل فرکانس WEG CFW-08 استفاده می کنند. درایو ماشین به صورت مکانیکی با ژنراتور کوپل شده است و ما از موتور القایی با همان مشخصات و سیم کشی استفاده کردیم.
یک بورد آزمایشی اتصال کوتاه، آزمایشات را در ماشین آلات (SCTBM انجام می دهد. یک مدار الکتریکی وجود دارد که کار آن شبیه سازی اتصالات مدار اتصال کوتاه بین سیم پیچی های هسته استاتور است. همچنین برای دستیابی به جریان الکتریکی دستگاه برقی ، ماژول جمع آوری و ارسال اطلاعات نیز دارد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. مرور کلی سیستم ذخیره انرژی
پیکره بندیهای سیستم ذخیره انرژی (ESS) ، طبقه بندیها و ساختار آنها در زیربخشهای زیر نشان داده شده است.

A. پیکره بندی سیستم ذخیره انرژی
به طور معمول سیستم ذخیره انرژی (ESS) تجمعی و توزیع شده، دو پیکره بندی اصلی فن آوری سیستم ذخیره انرژی (ESS) برای کاربردهای ریزشبکه (MG) هستند که در شکل 4 نشان داده شده‌اند. در سیستم تجمیعی، مقدار جریان انرژی از DERs بهbus PCC مقدارثابتی است. علاوه بر این، کل ظرفیت این ESS را می‌توان برای کاهش نوسانات جریان برق استفاده کرد (43). اگر ظرفیتیک دستگاه ذخیره انرژی افزایش یابد، هزینه آن نیز افزایش می‌یابد. ساخت و کنترل ESS های بزرگ کار دشواری است. بنابراین، از دستگاه‌های ذخیره انرژی توزیع شده در مقیاس کوچک می‌توان برای دستیابی به تنظیم قابل اطمینان و عملی قدرت استفاده کرد. دستگاه‌های ESS در پیکربندیهای ذخیره توزیع شده مستقیماً به وسیله رابطهای بی شماری به منابع توزیعی خاصی متصل می‌شوند. با این حال، کنترل جریان نیرو، اصلی‌ترین چالش پیش روی سیستم توزیعی است. علاوه براین، فرایند ذخیره سازی هنوز هم از طریق رابطهای الکترونیکی قدرت برای منابع توزیع شده و ESS، تلفاتی را متحمل می‌شود (12).
B. طبقه بندی سیستم ذخیره انرژی
ESS بر اساس استفاده از انرژی به یک شکل خاص طبقه بندی می‌شود. ESS را می‌توان به صورت یک سیستم ذخیره انرژی مکانیکی، الکتروشیمیایی، شیمیایی، الکتریکی، حرارتی و ترکیبی طبقه بندی کرد. علاوه بر این، این سیستم‌ها را بسته به روند تشکیلشان و مواد مورد استفاده در آنها ، می‌توان باز هم طبقه بندی کرد. شکل 5 جزئیات مربوط به طبقه بندی ESS را نشان می‌دهد (44). باتری‌ها (45)، ذخیره سازی هوای فشرده (CAES) (46)، ذخیره سازی انرژی فلای ویل (FES) (47)، SCs (16)، (48)، ذخیره انرژی مغناطیسی ابرخازن (SMES) (49)، ذخیره سازی هیدروژن (50)، و ذخیره انرژی هیبریدی (HES) (44)، (51)، (52) از رایج‌ترین فن آوریهای ذخیره سازی در کاربردهای ریز شبکه هستند.

C. ساختار سیستم ذخیره انرژی (ESS)
انرژی را می‌توان با تبدیل انرژی الکتریکی به شکل دیگری مثل انرژی شیمیایی یا مکانیکی ذخیره کرد (42). علاوه بر این، سیستم‌های ذخیره سازی را می‌توان به سه بخش طبقه بندی کرد: ذخیره سازی مرکزی، مرحله تبدیل نیرو و مرحله کنترل. در ذخیره سازی مرکزی، انرژی پس از تبدیل ذخیره می‌شود و تبدیل نیرو به عنوان رابط بین ذخیره مرکزی و سیستم نیرو با انتقال دو طرفه عمل می‌کند. در مرحله کنترل، میزان شارژ یا تخلیه انرژی ذخیره شده با استفاده از حسگرها و سایر وسایل اندازه گیری تعیین می‌شود. دستگاه‌های ذخیره انرژی منبع ایده آل انرژی نیستند. بنابراین، در هر مرحله از فرآیند ذخیره سازی با تلفاتی مواجه می‌شوند(42).

3. انواع سیستمهای ذخیره انرژی
A. سیستم‌های ذخیره سازی مکانیکی
سیستم‌های ذخیره انرژی مکانیکی (MSS)سودمند هستند، زیرا می‌توانند انرژی را به صورت انعطاف پذیری از منابع تبدیل و ذخیره کنند (52). علاوه بر این، آن‌ها می‌توانند در صورت نیاز به کار مکانیکی، نیروی ذخیره شده را آزاد کنند (53). بر اساس اصول کاری، MSS را می‌توان به عنوان گاز فشاری، فنر فشرده، انرژی جنبشی، و انرژی پتانسیل طبقه بندی کرد. با این حال، از دیدگاه فنی، سیستم‌های ذخیره سازی مکانیکی از سه تکنیک تشکیل شده‌اند: فن آوریهای فلای ویل، ذخیره سازی هیدرولیکی پمپی، و انرژی هوای فشرده. از بین این سه سیستم، سیستم‌های ذخیره سازی آب پمپی (PHS)با داشتن چرخه عمر طولانی، بیشترین ظرفیت ذخیره سازی برق را در جهان دارا هستند. اگرچه سیستمهای انرژی فله هنوز هم به PHS متکی هستند، اما PHS اشکالاتی مثل هزینه‌های بالای سرمایه، تأثیر منفی بر محیط زیست و کاهش پیاده سازی ژئولوژیکی را نیز دارد. بنابراین، بهبود PHS در آینده محدود است (54)-(57). جزئیات مربوط به فن آوریهای دیگر مثل سیستمهای ذخیره انرژی فلای ویل (FESS)، CAES، سیستم‌های ذخیره انرژی گرانش (GES) در زیر مورد بحث قرار می‌گیرند.
1) سیستم‌های ذخیره انرژی فلای ویل
فلای ویل به عنوان مؤلفه اصلی مدرنترین FESS یک استوانه (دیسک) چرخان عظیم است که با استفاده از یاتاقانهای مغناطیسی بر روی استاتور پشتیبانی می‌شوند (58). FESS را می‌توان در دو دسته اصلی توصیف کرد: FESS پرسرعت و کم سرعت (59). فلای ویل‌هایی با سرعت زیر 10،000 دور در دقیقه به عنوان فلای ویل‌های کم سرعت شناخته می‌شوند که در صنایع محبوبیت زیادی دارند (60). سازه‌های اصلی یک سیستم فلای ویل ، و یک فلای ویل استوانه‌ای توخالی در شکل 6 نشان داده شده است (61). برای عملکرد صحیح دستگاه‌ها می‌توان از یک فلای ویل استفاده کرد که به صورت مکانیکی انرژی جنبشی را از چرخش روتور با سرعت زیاد ذخیره می‌کند (59)، (62). انرژی جنبشی ذخیره شده در FESS با سرعت و اینرسی مرتبط است. FESS کم سرعت شامل یک صفحه فولادی با اینرسی بالا و سرعت پایین است. از سوی دیگر، FESS پرسرعت دارای یک صفحه کامپوزیت با اینرسی نسبتاً پایین و سرعت بالا است. با افزایش سرعت چرخش روتور، انرژی ذخیره شده نیز به همین نسبت افزایش می‌یابد و انرژی ذخیره شده در یک مربع با حرکت زاویه‌ای تغییر می‌یابد. این انرژی ذخیره شده را می‌توان با کم کردن گشتاور روتور (حالت تخلیه) و برگرداندن انرژی جنبشی به موتور الکتریکی که به عنوان یک ژنراتور عمل می‌کند، باز هم مورد استفاده قرار داد (52)، (62). راندمان دستگاه‌های ذخیره فلای ویل بین 90٪ تا 95٪ می‌باشد، در حالیکه توان نامی آنها از 0 مگاوات تا 50 مگاوات است (63)-(65). بین این دو نوع فلای ویل را می‌توان به طور عادی مقایسه کرد و تفاوت‌های آن‌ها در جدول 1 بصورت خلاصه ارائه شده‌اند (66).
علاوه براین، فلای ویل‌ها را می‌توان بطور موازی اضافه کرد تا انرژی خاصی را افزایش دهند. تراکم انرژی از سرعت حدود (5 W h/kg) تا (100 W h/kg) متغیر است (55)، (59). در صورت نقص ناگهانی در تولید برق از منابع تجدید پذیر مانند منابع بادی یا خورشیدی، یک سیستم انرژی مشابه FESS را می‌توان بهتر از BESS پیاده سازی کرد (55).

طبق مرجع (58)، فن آوری ذخیره انرژی فلای ویل با توجه به خصوصیات منحصربفردی مثل چگالی توان بالا، سازگاری در محیط زیست، راندمان بالا ، هزینه نگهداری پایین و دوره چرخه طولانی که دارد در بخشهای مختلفی بکار برده شده است. مرجع (55) نشان می‌دهد که هزینه تعمیر و نگهداری FESS پایین است ($19/kW -سال) هرچند که هزینه سرمایه آن بالا است ($5000/kWh). مزیت اصلی FESS این است که به تجهیزات کنترل دما نیازی ندارد (47). شکل 7 کاربردهای FESS را در ریزشبکه (MG) توضیح می‌دهد.
در این فن آوری، یک مبدل توان به عنوان یک رابط الکتریکی عمل می‌کند. در مرجع (67)، یک مکانیسم بهبود یافته از توپولوژی مبدل دو طرفه با استفاده از تکنیکهای انتقال ولتاژ صفر و انتقال جریان صفر توسعه داده شد. این مطالعه نشان داد که میزان انرژی ذخیره شده با استفاده از توپولوژی پیشنهادی، 2.5 تا 3.5 درصد بود. بدین ترتیب،می‌توان از یک کنترلگر پیشرفته برای بهینه سازی ویژگیهای شارژ و تخلیه در این سیستم ذخیره سازی استفاده کرد که بطور قابل توجهی مدیریت ذخیره انرژی را بهبود می‌بخشد.
اگرچه اگرچه FESS دارای مزیتهای متعددی است ، اما اشکالاتی نیز از نظر هزینه بالای اولیه و میزان بالای خود-تخلیه دارد(3% تا 20% در هر ساعت) (68). علاوه بر این، چگالی توان بالا و چگالی انرژی پایین ، کاربرد FESS را محدود می‌کند. بنابراین، هزینه و میزان تخلیه با استفاده از فلای ویل‌های پر سرعت و پیشرفت فن آوری کاهش می‌یابد. برای غلبه بر این محدودیت‌ها، FESS با کاهش انتشار CO2 و بهبود پایداری سیستم قدرت، بسیار قابل اطمینان و پایدار می‌شود.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2.2. ویژگی های توزیع ولتاژ یک نیروگاه PV
یک مدل معادل یک نیروگاه PV در مقیاس بزرگ در شکل 2 نشان داده شده است، جایی که Pi + jQi توان خروجی i-امین PVGU است، jQC توان راکتیو خروجی از ادوات جبران کننده توان راکتیو است، Zi امپدانس مجموع خط بین i-امین و i-1 امین PVGU و ZTi امپدانس معادل ترانسفورماتور محلی i است، UiL و UiH به ترتیب ولتاژ سمت پایین و سمت بالا در ترانسفورماتور محلی i هستند، ، UPCC ولتاژ سمت پایین ترانسفورماتور اصلی و U ولتاژ شبکه است.

2.2.1. ولتاژ PCC یک نیروگاه PV
با در نظر گرفتن ولتاژ شبکه U به عنوان مبنا، ولتاژ PCC یک نیروگاه PV می تواند تقریب زده شود:

جایی که ΔP و ΔQ تلفات توان اکتیو و راکتیو ترانسفورماتور اصلی، ترانسفورماتور محلی و مجموع خطوط هستند.
Zg = Rg + jXg به عنوان امپدانس معادل تونن شبکه خارجی تعریف شده است که از ترمینال نیروگاه PV دیده می شود.
ولتاژ PCC مرتبط با ولتاژ شبکه، توان خروجی PVGU ها، توان خروجی ادوات جبران کننده توان راکتیو، امپدانس معادل تونن شبکه خارجی و انواع تلفات است. هنگامی که ولتاژ PCC نوسان می کند، توان راکتیو ΣQi و QC می تواند باشد برای حمایت از آن تنظیم شود.

2.2.2. ولتاژ ترمینال PVGU ها
با توجه به همان ساختار خطوط ، خط اول را به عنوان مثال انتخاب کنید. ولتاژ پورت i-ام PVGU UiL است: جایی که ZTi = RTi + jXTi و Zi = Ri + jXi است.
ولتاژ ترمینال PVGU مرتبط با ولتاژ PCC، محل PVGU ها در مجموعه خطوط، امپدانس خطوط و توان خروجی PVGU ها است.
به عنوان مثال در یک نیروگاه 10 × 10 PV، مدل شبیه سازی شامل 10 خط می باشد. هر مجموعه خط شامل 10 PVGU است و یکمین PVGU نزدیکترین به PCC است. ولتاژ PCC نیروگاه برق PV در شکل 3 نشان داده شده است. این نشان می دهد که ولتاژ PCC با توان اکتیو و راکتیو رابطه ای مثبت دارد، جایی که توان راکتیو غالب است.
توزیع ولتاژ ترمینال PVGU ها در شکل 4 نشان داده شده است. با افزایش توان اکتیو، ولتاژ ترمینال PVGU افزایش می یابد. برای یکی از خطوط ، ولتاژ پورت PVGU اول حداقل و نزدیک به ولتاژ PCC است. ولتاژ پورت به تدریج در امتداد خطوط افزایش می یابد. وقتی خروجی توان اکتیو نیروگاه PV بزرگ باشد، ممکن است در انتهای مجموعه خطوط اضافه ولتاژ رخ دهد.

2.3. ظرفیت توان راکتیو اینورتر PV
ظرفیت توان راکتیو یک اینورتر PV با توان ظاهری آن محدود شده است. اگر توان اکتیو خروجی اینورتر افزایش یابد، ظرفیت توان راکتیو متعاقبا کاهش خواهد یافت. از آنجا که اینورتر می تواند در یک زمان کوتاه 1.1 برابر توان ظاهری کار کند، رابطه بین توان اکتیو خروجی و توان راکتیو خروجی اینورتر i-ام به صورت زیر است:

محدوده توان راکتیو خروجی اینورتر i است: وقتی Pi = 1 p.u و اینورتر PV نیاز به توان خروجی راکتیو در یک زمان کوتاه دارد، با توجه به فرمول (4)، Qimax = 0.458 p.u. می توان دید که Qi هنوز حاشیه اطمینان توان راکتیو را حفظ می کند.
وقتی Pi = 1 p.u و اینورتر PV نیاز به توان خروجی راکتیو در یک زمان طولانی دارد، محدوده توان راکتیو خروجی اینورتر i-ام است: برای اطمینان از اینکه Qi حاشیه امن توان راکتیو را حفظ می کند، لازم است اندازه Pi را محدود کنید. Pi به طور معمول بر اساس فرمول (5) به 0.9 پریونیت کاهش می یابد و Qimax = 0.436 p.u.

2.4. مشخصه های خروجی SVG و بانک های خازنی
اصل اساسی SVG این است که دامنه و فاز ولتاژ سمت AC مدار را تنظیم کند تا خروجی جریان راکتیو مورد نیاز را تولید کند، به این ترتیب اثر جبران کنندگی توان راکتیو به دست می آید. هنگامی که مولفه اساسی ولتاژ خروجی اینورتر کمتر از ولتاژ سیستم است، SVG توان راکتیو را از سیستم جذب می کند. هنگامی که مولفه اساسی ولتاژ خروجی اینورتر بیشتر از ولتاژ سیستم باشد، SVG توان راکتیو را به سیستم منتقل می کند. هنگامی که مولفه اساسی ولتاژ خروجی اینورتر برابر ولتاژ سیستم است، SVG در حالت توان راکتیو صفر کار می کند. بنابراین، توان راکتیو تولیدشده توسط SVG می تواند به طور مداوم از مثبت به منفی تنظیم شود. SVG مزایای پاسخ سریع ، جبران توان راکتیو مناسب، محدوده عملکرد گسترده، مقدار هارمونیک کمتر و اشغال فضای کمتر است، اما هزینه های سرمایه گذاری و عملیات آن نسبتا بالا است.
بانک های خازنی می توانند گام به گام توان راکتیو القایی را فراهم کنند. هنگامی که سیستم دارای توان راکتیو اضافی است، می توان آن را تنها با جدا کردن بانک های خازنی تنظیم کرد. قدرت راکتیو ارائه شده توسط بانک های خازنی متناسب با مربع ولتاژ گره است. هنگامی که ولتاژ گره کاهش می یابد، توان راکتیو کاهش می یابد و بانک های خازنی نمی توانند مکرراً وصل و قطع شوند تا به سرعت به تغییرات دینامیکی تقاضای توان راکتیو پاسخ دهند. بنابراین، تشخیص جبران دینامیکی توان راکتیو دشوار است. با این حال، بانک های خازنی هنوز هم ابزار اصلی برای جبران استاتیک توان راکتیو به دلیل کم هزینه بودن، تعمیر و نگهداری راحت و نصب انعطاف پذیر، هستند.

3. پیشگیری از ولتاژ و استراتژی کنترل هماهنگ اضطراری
3.1. چارچوب کلی
هدف از استراتژی كنترلی، تشخیص كنترل هماهنگ توان راكتيو در بين SVG، مبدل ها و بانك هاي خازني در نيروگاه PV با مقياس بزرگ است. استراتژی تضمین می دهد که ولتاژ در شرایط نرمال در سطح مطلوب عمل می-کند. هنگامی که یک اغتشاش در PCC اتفاق می افتد، ادوات جبران کننده توان راکتیو دینامیک به ترتیب برای پشتیبانی از ولتاژ PCC هماهنگ می شود. هنگامی که اغتشاش برطرف شود، با جایگزینی منظم توان راکتیو دینامیکی (یا سریع) و استاتیکی (یا آهسته)، SVG می تواند یک حاشیه توان راکتیو بزرگ را برای مقابله با اغتشاش احتمالی بعدی نگه دارد.
پس از محاسبه پاسخ توان راکتیو اینورترها، با توجه به اطلاعات حساسیت و ولتاژ پایانه PVGU، حداقل واریانس ولتاژ پایانه PVGU در ایستگاه بهینه می شود. در نتیجه، توان خروجی راکتیو هر اینورتر تعیین می شود و توزیع ولتاژ درون ایستگاه بهینه می شود.
در این مقاله یک استراتژی پیشگیري ولتاژ و کنترل هماهنگ اضطراری ارائه شده است، همانطور که در شکل 5 نشان داده شده است. این استراتژی شامل اندازه گیری و محاسبات حالت، وضع اضطراری ولتاژ و کنترل هماهنگ پیشگیرانه و فرآیند های توزیع تخصیص بهینه توان راکتیو در ایستگاه است.

3.2. اندازه گیری و محاسبه حالت
در مقیاس زمانی کوتاه، شدت نور دریافت شده توسط یک نیروگاه PV بزرگ تغییر نمی کند، حالت عملکرد خارجی شبکه تغییر زیادی نمی کند و پارامترهای خط (از جمله پارامترهای ترانسفورماتور) ثابت می شوند. بنابراین، تقاضای توان راکتیو نیروگاه PV را می توان با اندازه گیری ولتاژ موجود تخمین زد. Qreq توان راکتیو مورد تقاضا در نیروگاه PV برابر است با که UPCCref مقدار مرجع کنترل ولتاژ PCC است. UPCCmeas مقدار اندازه گیری شده ولتاژ PCC در حال حاضر است. همچنین (Q, P , U)δ ضریب مشخصه رگولاسیون با توجه به تاثیر Q، P و U در UPCC است که توسط شبیه سازی آفلاین به دست می آید. (Q, P , U)δ تقریبا یک ضریب ثابت در شرایط مطمئن Q، P و U است. واحد δ نیز (توان راکتیو) × 1-(ولتاژ) است.
دستگاه جبران کننده توان راکتیو بوسیله ظرفیت خودش محدود می شود. با کسب اطلاع از وضعیت عملکرد خروجی در زمان واقعی، محدوده تنظیم توان راکتیو QSmax , SVG ، QImax اینورتر و QCmax بانک خازنی می تواند محاسبه شود. سیستم کنترل توان راکتیو و ولتاژ، از طریق اطلاعات فوق، منابع توان راکتیو را هماهنگ می کند.

3.3. کنترل هماهنگ ولتاژ اضطراری
کنترل هماهنگ اضطراری ولتاژ به مشخصه های منابع توان راکتیو برمیگردد و به منظور دستیابی به کنترل اضطراری در پایداری ولتاژ گذرا استراتژی برای هر وسیله توان راکتیو را تنظیم میکند.
1) هنگامی که حاشیه(ذخیره) توان راکتیو SVG کافی باشد و تنها SVG تقاضای توان راکتیو را به عهده بگیرد، پاسخ توان راکتیو SVG است:

2) هنگامی که حاشیه توان راکتیو SVG کافی نیست، اما مجموع SVG و توان راکتیو اینورتر می توانند تقاضای انرژی راکتیو نیروگاه PV را برآورده سازند، SVG و اینورترها به طور مشترک تقاضای توان راکتیو را به عهده می گیرند. SVG حداکثر توان راکتیو را تولید می کند.

باقیمانده تقاضای توان راکتیو توسط مبدل ها به عهده گرفته میشود. پاسخ کل توان راکتیو اینورتر ها است:

3) هنگامی که مجموع توان راکتیو SVG و اینورتر کافی نباشد، SVG، مبدل ها و بانک های خازن به طور مشترک تقاضای توان راکتیو را به عهده می گیرند. با تعیین تعداد بانک های خازنی استفاده شده، توان راکتیو آنها می تواند محاسبه شود.

که در آن [(QREF-QSMAX-QIMAX) /QC0] تعداد بانک های خازنی استفاده شده است. از آنجا که بانک های خازنی تنها می توانند بصورت گروهی استفاده شوند، تعداد محاسبه شده باید گرد شود. قدرت راکتیو باقی مانده توسط اینورترها تنظیم می شود. QC0 ظرفیت یک بانک خازنی است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

ترانسفورماتور: الگوی اساسی کلیه ترانسفورماتورها استفاده از پارامترهای ذکر شده در بخش الف است. به طور تقریبی مشخصه‌های فرکانس بالا، خازن‌های اضافی PF 5000 با ورود ترانسفورماتورها برابر می‌شوند [5]. اشباع ترانسفورماتور نادیده گرفته می شود.
خط انتقال به طول 320 کیلومتر توسط خط انتقال پارامتر توزیع پایان یافته با مقاومتی مشابه مشخصه مقاومت صوری خط برای جلوگیری از بازتاب مدل‌سازی شده است. از این رو مدل خطی انتقال مورد استفاده در کار حاضر مدل وابسته به فرکانس نیست.

3 شبیه سازی و نتایج EMTP
مرحله زمانی که در شبیه سازی استفاده می شود باید حداقل 10 بار کمتر از زمان حرکت کوتاهترین بخش مسیر در سیستم که در مورد حاضر حدود 1 نانومتر است، باشد. فقط یک بخش از ایستگاه فرعی در برنامه الکترو مغناطیسی گذرا برای شبیه سازی کنونی مدل شده است زیرا تغییر عملکرد و پدیده‌های مربوط به VFTO در دو مرحله دیگر یکسان هستند. علاوه بر این، فرض بر این است که یک ترتیب مجرای مسیر عایق جدا مورد استفاده قرار می‌گیرد و از این رو فرضیه اتصال درون فاز ناچیز است. فرض بر این است که سیستم قبل از تعویض در حالت پایدار قرار دارد و تغییر هر قطع کننده در زمانی انجام می شود که ولتاژ فرکانس قدرت سینوسی در اوج خود قرار دارد. قطع کننده‌های مرتبط با هر یک از شش قطع کننده مدار یک به یک عمل می‌کنند و دامنه VFTO در انواع نقاط محاسبه می شود. به دلیل تقارن در سیستم، فقط نیمی از شمار عملیات‌های قطع کننده نیاز به مطالعه دارد. بخش کوچکی از مسیر بین مدار قطع کننده و قطع کننده ممکن است بار را به دام انداخته و زمان اوج عبور بر ولتاژ را افزایش دهد. در شبیه سازی حاضر بار به دام افتاده به حساب نمی‌آید. همچنین در مطالعه حاضر، شبیه‌سازی‌های گذرا بدون اینکه به سیستم متصل باشند انجام می‌گیرند. نقاط اندازه‌گیری همه موارد قطع کننده‌های مدار، گیرنده‌های فراتاخت، ترانسفورماتورهای بالقوه و قطع کننده‌های که در حال بهره برداری است را شامل می شود.
محل قطع کننده‌ها در شکل 2 نشان داده نشده است.
بنابراین بخش بالایی ایستگاه فرعی UHV از امکان “M” تا “N” (شکل 2 را ببینید) بزرگ‌تر است و در شکل 3. نشان داده شده است. به خاطر داشته باشید که “+” در قطع کننده مدار، پایانه‌ای را نشان می‌دهد که در آن به فیدر ورودی متصل است و “-” پایانه‌ای را نشان می‌دهد به سمت فیدر خروجی وصل شده است. ولتاژ در پایانه‌های قطع کننده مدار هنگامی که جدا کننده در سمت چپ CB1 (که در شکل 3 به عنوان DS1 مشخص شده است) در حال فعالیت است در شکل.4 نشان داده شده است. بزرگنمایی شکل موج از ولتاژ عبوری در پایانه CB1 در نزدیکی عملیات جدا کننده DS1 (به عنوان CB1 +نشانه گذاری شده است) در حوزه زمانی در شکل 5 (a) نشان داده شده است و دامنه فرکانس موج مانند در شکل 5 (b) نشان داده شده است. از شکل 5، مقدار اوج VFTO 1.50 pu یافت شده است. زمان اوج مربوطه 40 نانومتر است. فرکانس غالب مؤلفه 1.66 مگاهرتز است و بیشترین فرکانس آن حول و حوش 38 مگاهرتز است.
مطالعات مشابه در نقاط مختلفی در خصوص عملکرد جداکننده و مقدار اوج و زمان افزایش VFTO در جدول 3 مرتب شده است انجام شده است ولتاژ بیش از حد با بالاترین درجه هنگامی رخ می‌دهد که جداکننده در سمت راست CB1(در شکل 3 به عنوان DS2 مشخص شده است) قرار داشته باشد و جداکننده در سمت چپ CB3 (به عنوان DS5 در شکل 3 مشخص شده است) در حال فعالیت باشد (بار به دام افتاده، در نظر گرفته نشده است) مقدار اوج pu 1.58 برای بستن فعالیت DS2 در CB1 (شکل 6 را ببینید) و در CB3 + برای بستن عملکرد DS5 (شکل 9 را ببینید) مشاهده می شود. ولتاژ در پایانه‌های قطع کننده مدار هنگامی که جداکننده در سمت چپ CB3 (به شکل DS5 در شکل 3 گفته شده است) که عملکرد آن در شکل 7 نشان داده شده است. تغییر عملکرد سه قطع کننده باقی مانده (DS3، DS4 و DS6 همانطور که نشان داده شده است در شکل 3) نیز انجام شده است و پارامترهایی مانند اوج VFTO و زمان اوج جدول بندی می‌شوند.

اوج VFTO در CB1 برای بستن عملیات DS5 (همانطور که در شکل 8 نشان داده شده است) پایین‌تر از نزدیکترین نقاط اندازه‌گیری CB3 + و CB3- یافت شده است. اوج VFTOs که در اطراف ایستگاه فرعی تولید شده است توزیع را نشان می‌دهد همانطور که در شکل 11 و 12 نشان داده شده است. در محور x، مشاهده‌های مختلف نقاط در ایستگاه UHV نشان داده شده است. در مجموع 19 نقاط مشاهده انتخاب شده‌اند. توصیه می شود برای شناسایی موقعیت واقعی هر محل اندازه‌گیری به هر دو شکل 2 و 3 مراجعه کنید. شکل 11 (a) اوج VFTO توزیع برای عملکرد تغییر DS1 را نشان می‌دهد.
حداکثر مقادیر اوج در نزدیکترین پایانه قطع کننده مدار مشاهده می شود. اوج توزیع‌ها با توجه به قطع کننده عملیات یکسان هستند. برای تغییر عملکرد DS2، DS3، DS4، DS5 و DS6 اوج VFTO توزیع‌ها مطابق شکل 11 (ب)، 11 (ج)، 11 (د)، 12 (الف) و به ترتیب 12 (ب) نشان داده شده است.

مدیریت بار مبتنی بر عامل برای میکروگرید

Agent Based Load Management for Microgrid

چکیده
نفوذ بالای تولید پراکنده منجر به افزایش اهمیت در نظر گرفتن روند جدید شبکه های هوشمند برای تقسیم شبکه به مناطق میکروگرید هوشمند و تسهیل بهره برداری از آن با استفاده از طرح کنترل توزیعی غیر متمرکز شده است. در این مقاله، یک مدل میکروگرید عملی طراحی و با استفاده از MATLAB/SIMULINK شبیه سازی شده است. پلاتفرم JADE( چارچوب توسعه عامل جاوا) برای طراحی یک سیستم کنترل مبتنی بر عامل طراحی شده است که از یک الگوریتم خاص برای کنترل هر دو بار و واحد تامین با روشن و خاموش کردن بریکر ها بر طبق معیار های اطمینان پذیری خاص استفاده می کند.شبیه سازی سناریو های روزانه برای تایید کارایی سیستم کنترل تست شده اند.

1-مقدمه
افزایش تقاضای شبکه برق موجب شده است تا وابستگی به واحد های تولید مرکزی بزرگ به دلیل هزینه و تلفات در خطوط انتقالی عملی نباشد. با توجه به چالش های پیش روی شبکه در حال حاضر، تولید پراکنده به عنوان فرصتی برای تسهیل برنامه ریزی، مدیریت و امنیت شبکه توزیع(1) در نظر گرفته شده است. مفهوم میکروگرید خوشه های بار و میکرو سورس ها را به صورت یک سیستم قابل کنترل در نظر میگیرد که برق و گرما به منطقه محلی ارایه می کند.MG دسته ای از منابع انرژی توزیع شده و بار قابل کنترل متصل به شبکه از طریق نقطه مشترک بوده و تولید شبکه می کند. تقسیم شبکه قدرت به MG سربار کنترل شبکه را از واحد کنترل مرکزی کاهش می یابد و از این روی هر MG می تواند موجب کاهش تقاضای پیک با تغییر بار با تولید بار می شود و به این ترتیب منجر به کاهش هزینه تولید مرکزی در محدوده ذخایر می شود.
فناوری عامل موضوع تحقیقات در جامعه علمی برای سال های مختلف است با این حال به طور گسترده ای در زمینه های تجاری مورد استفاده قرار گرفته است. سیستم های چند عاملی به طور گسترده ای در زمینه های مختلف استفاده می شوند و از این روی از سیستم های کوچک برای کمک به سیستم های پیچیده برای کاربرد های صنعتی استفاده می کند. مثال هایی از حوزه های صنعتی شامل سیستم های چند عاملی می باشد که در بر گیرنده کنترل فرایند، تشخیص سیستم ، تولید، لجستیک تولید و مدیریت شبکه است. یک عامل را می توان به صورت نرم افزاری تعریف کرد اهداف خاصی را دنبال کرده و تلاش می کند تا به قابلیت های آن برسد. برنامه نویسی متبنی بر عامل یک نسخه ای ازاشکال خاص شی می باشد که می تواند استفاده شود.
امروزه، کنترل مبتنی بر عامل هوشمند یک روش موثر برای پایش و کنترل عملیات و بهره برداری سیستم در شرایط مختلف است. در منبع 8 و9، محقق به بررسی معیار های سیستم چند عاملی در زمینه های تولید برق پرداخته است. طراحی و پیاده سازی سیستم های چند عاملی در میکرو گرید با استفاده از پلاتفرم JADE در (10) نشان داده شده است. معماری MAS با استفاده از TCP/IP در 11-12-13 پیشنهاد شده است.
در این مقاله، پلاتفرم JADE( چارچوب توسعه عامل جاوا) برای طراحی یک سیستم کنترل مبتنی بر عامل طراحی شده است که از یک الگوریتم خاص برای کنترل هر دو بار و واحد تامین با روشن و خاموش کردن بریکر ها بر طبق معیار های اطمینان پذیری خاص استفاده می کند.شبیه سازی سناریو های روزانه برای تایید کارایی سیستم کنترل تست شده اند

Abstract

High penetration of distributed generation leads to the importance of adapting the new trend of Smart Grid to divide the grid into intelligent Micro-Grid zones and facilitate its operation using decentralized distributed control schema. In this paper a practical Microgrid model has been designed and simulated using MATLAB/SIMULINK (MATrix LABoratory). JADE (Java Agent DEvelopment Framework) platform was used to design an agent-based control system that uses a certain algorithm to control both of the load and the supply units by switching on and off the breakers according to specified power reliability criteria. TCP/IP (Transmission Control Protocol/Internet Protocol) protocol was used to link the SIMULINK environment and the JADE Platform. Simulation of typical daily scenarios were tested to verify the effectiveness of the control system.

I. INTRODUCTION

The increasing demand on the power grid makes the dependency on large central generation units infeasible due to the cost and the losses in the transmission lines. Given the challenges facing the grid of today, distributed generation (DG) has been widely seen as an opportunity to facilitate the planning, management and security of the distribution network [1]. The Micro Grid (MG) concept assumes a cluster of loads and micro-sources operating as a single controllable system that provides both power and heat to its local area. This concept provides a new paradigm for defining the operation of distributed generation [2]. MG is a localized grouping of distributed energy resources (DER) and controllable interconnected load all connected to the grid through single point of common coupling and can operate either connected to the grid (connected mode) or isolated from the grid (Islanded mode). The division of power grid to multiple MG will help to reduce the overall overhead of controlling the grid from central control unit and also each MG can contribute in reducing the peak demand by shifting or even satisfying its load with the local generation which help in reducing the cost of running the central generation in its spinning reserve limit [3]. Agent technology has been the subject of extensive discussion and investigation within the scientific community for several years, but it is perhaps only recently that it has seen any significant degree of exploitation in commercial applications. Multi-agent systems are being used in an increasingly wide variety of applications, ranging from comparatively small systems for personal assistance to open, complex, mission-critical systems for industrial applications. Examples of industrial domains where multi-agent systems have been fruitfully employed include process control, system diagnostics, manufacturing, transportation logistics and network management [4]. An agent can be defined as a software entity that has certain goals, which it tries to achieve, certain capabilities which it possesses, certain knowledge which it has, and is autonomous in respect of its actions. By autonomy we mean that an agent can operate usefully at its own without any intervention from outside world and it has control both of its internal states and behavior. Agent based programming can be considered as a logical extension of programming methodologies and it can be viewed as a specialized form of an object where no one from outside world can change its state, or as a particular form of a component [5]. These days, intelligent agent based control is an effective way to monitor and control the system operations in different conditions [7]. In [8 and 9], the author discussed the criteria of multi agent system in electrical power applications. The design and implementation of multi agent systems in Microgrid using JADE platform is being illustrated in [10]. An architecture of MAS using TCP/IP is proposed in [11,12,13]. In this paper an agent is designed based on Java Agent Development Framework (JADE) to function as load operator who monitors the available generation and the needed demand to decide which load to turn off based on priority. The SIMULINK model represents the physical grid while JADE agent represents the control device that manage the demandsupply operation. The connection between these two parts is implemented via TCP/IP communication protocol.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. مدل سیستم
در حال حاضر ما سیستم توان هوشمند را با چندین خرده فروشان و چندین کاربر خانگی متشکل از مجموعه ای خرده فروشان توان و یک مجموعه از کاربران خانگی است. متر هوشمند برای کاربران خانگی مجهز شده است تا مصرف کنندگان خانگی مصرف انرژی را برنامه ریزی کنند. نیروگاه توزیع توان را برای کاربردهای خانگی در یک منطقه خاص تامین می کند.
ما یک روز را به عنوان یک دوره می گیریم و دوره به K بخش زمان تقسیم می شود. K مجموعه ای از بخش های زمان را نشان می دهد، و k هر اسلات زمان را نشان می دهد، که Κ. خرده فروشان توان تقاضای توان را از همه کاربران می پذیرند و قیمت واحد در زمان واقعی را به کاربران در هر زمان ارسال می کنند. قیمت خرده فروش J را در فاصله زمانی K ،p و را بردار استراتژی قیمت قرار دهید. تمام خرده فروشان توان خرید و قیمت را برای به حداکثر رساندن سود خود با توجه به تقاضای توان در زمان واقعی تمام کاربران تنظیم می کنند. خرده فروشان با یکدیگر به رقابت می پردازند تا سود خود را با تنظیم قیمت های واحد توان در زمان واقعی به حداکثر برسانند.

2.1 عملکرد سودمند کاربر خانگی
کاربر i یک خرده فروش توان را برای خدمت خود در بخش زمانی k انتخاب می کند، تقاضای توان در زمان واقعی آن با نمایش داده می شود که و نشان دهنده حداقل و حداکثر مصرف توان است از کاربر i، است. بردار تقاضای انرژی زمان واقعی کاربران خانگی در فاصله زمانی k است.

2.3 تعامل بین خرده فروشان توان و کاربران خانگی
خرده فروشان توان خود را برای کاربران خانگی فراهم می کنند تا درآمدهای بزرگتری را با هزینه پایین تر به دست آورند، در حالیکه مصرف کنندگان تصمیم می گیرند که مصرف انرژی برای به حداکثر رساندن رضایت و رفاه آنها با پرداخت کمتر انجام شود. با توجه به رفتارهای خرده فروشان توان و کاربران خانگی، ما یک طرح پژوهشی جدید را پیشنهاد می کنیم که حداکثر سود دو طرف را تضمین کند. بنابراین، ما استراتژی های مناسب را برای حفظ تعادل توان عرضه و تقاضا بین خرده فروشان توان و کاربران خانگی ایجاد می کنیم.
با توجه به دنباله ای از اقدامات خرده فروشان و کاربران، مشکل RTP به عنوان بازی استاکلبرگ به دو طرف تقسیم می شود: طرف خرده فروش و طرف کاربر است. در ضمن، علاوه بر بازی بین خرده فروشان و کاربران، رقابت های دیگری نیز در هر طرف وجود دارد. یکی از رقابت ها بین کاربران خانگی است تا به حداکثر رفاه دست یابد و یکی دیگر از فرایندهای تکاملی در میان کاربران خانگی است. هر کاربر خانگی یک خرده فروش را برای خرید توان در هر بار در این مقاله انتخاب می کند.

3. بازی تکاملی در میان کاربران خانگی
بازی تکامل یافته [23] در زمینه مهندسی با چندین خریدار و چندین فروشنده کاربرد عمومی دارد [24-25]. یک بازی تکاملی با منطق محدود در مساله RTP ما شکل گرفته است، که در آن بازیکن یک کاربر خانگی است، جمعیت از کاربران خانگی تشکیل شده است، و استراتژی انتخاب خرده فروشان است. بنابراین، تعادل تکاملی با طراحی یک تکرار کننده مناسب به دست می آید. همانند [22]، ما یک تکرار کننده طراحی می کنیم تا اطمینان حاصل شود که تعادل تکاملی در میان کاربران خانگی به دست می آید، یک الگوریتم تکراری برای انجام دینامیک تکرار کننده ایجاد شده است.

3.1 فرمول بندی بازی تکاملی
ما یک سناریوی جمعیت را با استفاده از ساختار ارتباط دو طرفه در این مدل در نظر می گیریم. استراتژی هر کاربر خانگی در جمعیت یکسان است. هر کاربر یک خرده فروش را برای خرید توان انتخاب می کند وقتی که کاربران خانگی قیمت های توان اعلام شده توسط خرده فروشان توان را اعلام می کنند، هر کاربر به تدریج رفتارهای خود را تنظیم می کند و به طور مستقل در فرایند انتخاب عمل می کند. اگر احتمال اینکه خرده فروش j توسط کاربر انتخاب شود در بخش زمان k توسط بیان شود، وضعیت جمعیت است.

5. بازی Stackelberg بین خرده فروشان و کاربران خانگی
5.1 بازی Stackelberg
از بخش 4، ما می دانیم که خرده فروشان توان با هم رقابت می کنند تا قیمت های زمان واقعی توان را تنظیم کنند. پس از آنکه قیمت خرده فروشی ها به کاربران خانگی توسط خرده فروشان اعلام می شود، کاربران خانگی در بازی تکاملی شرکت می کنند و در نهایت تقاضای توان مطلوب خود را به تعادل تکاملی می رسانند. پس از آن، تقاضای مصرف کنندگان از کاربران خانگی به خرده فروشان منتقل می شود و سپس تعامل بین خرده فروشان و کاربران به عنوان بازی Stackelberg فرمول بندی می شوند، با توجه به اینکه رقابت متوالی بین خرده فروشان و کاربران است که خرده فروشان درگیر در رقابت قیمت، رهبران متعدد و کاربران خانگی پیروان متعدد هستند. هدف آنها دستیابی به تعادل استاکلبرگ است. استراتژی تعادل برای کاربران در بازی استاکلبرگ این است که شامل یک پاسخ بهینه اعلام شده توسط رهبران شود.

5.2 وجود تعادل استاکلبرگ
در بازی استاکلبرگ، زمانی که خرده فروشان برآورد قیمت انرژی را اعلام می کنند، تمام کاربران خانگی اطلاعات اعلام شده را دریافت می کنند و در بازی تکاملی شرکت می کنند. در نهایت، تعادل تکاملی به دست می آید. در نتیجه، اگر خرده فروشان قیمت توان خود را برای ترکیب شدن به NE در بازی غیر تعاونی در بین خرده فروشان تنظیم کنند، بازی Stackelberg دارای تعادل Stackelberg است.
قضیه 2. تعادل Stackelberg بین خرده فروشان توان و کاربران خانگی وجود دارد.
اثبات وجود NE در قضیه 1 اثبات شده است. براساس قیمت تعادل خرده فروشان، همگرایی با تعادل تکاملی با دینامیک تکرار کننده (11) تضمین شده است، یعنی پاسخ مطلوب کاربران به دست می آید. سپس، تعادل بازی Stackelberg نیز وجود دارد.

تخصیص هم زمان پارکینک های خودرو های الکتریکی و منابع تجدیدپذیر توزیعی در شبکه های توزیع برق هوشمند

Simultaneous allocation of electric vehicles’ parking lots and distributed renewable resources in smart power distribution networks

Abstract

Electric vehicles (EVs) and distributed renewable resources (DRRs) are introduced to achieve three of the most pivotal objectives of this century: using environmentally-friendly energy resources, reliable supply of the load demand, and sustainable development of power systems. To achieve the aforementioned goals, simultaneous utilization of DRRs and EVs should be implemented in a scheduled manner. In this paper, we propose a two-stage approach for allocation of EV parking lots and DRRs in power distribution network. Our method considers both the economical benefits of parking lot investor and the technical constraints of distribution network operator. First, the parking lot investor offers the candidate buses for installing the parking lot to the distribution network operator based on economic objectives. Then, the distribution network decision-making is obtained to reduce loss of system. The proposed framework not only improves the distribution network loss, but also ameliorates the availability of the parking lot from the economical point of view. In order to solve the formulated optimization problem, we utilize two optimization techniques. Genetic algorithm (GA) and particle swarm optimization (PSO) algorithm are used for the distribution network loss minimization purpose. Besides, we model the EV parking lot by expanding single EV probabilistic model. The performance of the proposed method is evaluated by allocating DRRs and EV parking lots simultaneously on the IEEE standard distribution test system. This system is bus 2 of Roy Billinton Test System (RBTS).

1 Introduction

1-1 Motivation

Growing awareness of energy and environment, and the demand for a reliable, secure, and sustainable power grid, lead to the evolution of smart grid (SG) as a reliable means of electricity distribution. Novel technologies are introduced by SG, such as selfhealing frameworks for smart distribution systems management (Zidan & El-Saadany, 2012), and smart buildings with vehicle-togrid (V2G) capability (Lamedica et al., 2015). In this context, electric vehicles (EVs) play a pivotal role (Brown, Pyke, & Steenhof, 2010). Brady and O’Mahony proposed a charging profile modeling for electric vehicles in (Brady & O’Mahony, 2016). Their model is based on real-world EV charging data. Additionally, the increasing load demand and the limits on energy resources involve incorporating renewable resources. Enabling the SG also revolutionizes the characteristics of distribution networks (Brown, 2008). Based on US Energy Information Administration (EIA) assessment, energy demand will increase by 56% from 2010 to 2040 which is driven by economic development (EIA, 2013). Therefore, governments have proposed distributed renewable resources (DRRs) and EVs as technological solutions for solving sustainability issues. Unscheduled and independent utilization of DRRs and EVs may bring irrefutable challenges for the smart distribution network. The future cities will require to deploy novel technologies such as electric vehicles and renewable resources to improve social welfare, reduce environmental emissions, and move toward electrified transportation networks. This also will lead to sustainable development of the power distribution networks.

1-2 Literature survey

The effects of EVs and DRRs on the future power systems are investigated in several papers (e.g., references (Amini, Nabi, & Haghifam, 2013; Clement-Nyns, Haesen, & Driesen, 2010; Kempton & Tomic, 2005; Shaaban, Atwa, & El-Saadany, 2013; Subramanian et al., 2013; Tuttle & Baldick, 2012)). In (Clement-Nyns et al., 2010), the effect of EV charging on a residential distribution grid was studied. However, the effect of simultaneous utilization of DRRs on the EV charging was not addressed. The value of using DRRs in distribution networks includes investments deferral, loss reduction, and improving the network reliability (Shaaban et al., 2013). In (Subramanian et al., 2013), the advantages of scheduled aggregation of deferrable loads and storages were investigated. In (Amini et al., 2013), a general smart load management framework was introduced based on multi-agent systems considering DRRs and responsive demands. In (Kempton & Tomic, 2005), the potential benefits of EV’s participation in different types of electricity markets such as regulation market and spinning reserves were studies. Alizadeh et al. in (Alizadeh et al., 2014) proposed a stochastic model for EV load estimation. Their model facilitates the integration of EVs in future power networks. Furthermore, energy security and the cost savings related to oil consumption reduction were considered as advantages of EV utilization (Tuttle & Baldick, 2012). In (Amini & Karabasoglu, 2016), we proposed a comprehensive framework to model the interdependent nature of power and transportation networks. This model considers the limits of transportation network as well as the power systems operational constraints by solving multi-objective route optimization and optimal power flow problem iteratively. A review of optimization techniues for electric vehicles charging infrastructure is provided in (Rahman et al., 2016). Previous studies have focused on the distributed generation (DG) allocation using various optimization algorithms including Genetic algorithm (Mohan & Ramesh, 2012), and particle swarm optimization (Bhumkittipich & Phuangpornpitak, 2013). Besides, some studies proposed methods for parking lots allocation in distribution networks. A congestion management method is developed in (López, Martín, Aguado, & de la Torre, 2013) considering high penetration of EVs. In (Moradijoz, Parsa Moghaddam, Haghifam, & alishahi, 2013), a multi-objective optimization problem is formulated and solved for optimal allocation of parking lots. In (Amini, Karabasoglu, Ilic, Boroojeni, & Iyengar, 2015), a time series forecasting approach is utilized to reduce the error of EV charging demand estimation. In (Amini, Kargarian, & Karabasoglu, 2016) a decoupled demand forecasting approach based on ARIMA model was proposed for EV charging demand. Further, a chance-constrained unit commitment problem utilizing the predicted demand was formulated to improve the accuracy of stochastic power system operation (Amini et al., 2016). In (Lam, Leung, & Chu, 2014), EV parking lot placement problem is solved in the future smart city environment (Lam et al., 2014). According to (Liu, Wen, & Ledwich, 2013), the sizing and placement of EV charging station problems have been solved separately. Furthermore, simultaneous placement of conventional and renewable distributed resources can be tackled by fuzzy multi-objective optimization (Mohsenzadeh & Haghifam, 2012). The electrical protection requirements of utilizing EV charging stations have been reviewed in (Sanchez-Sutil, Hernández, & Tobajas, 2015). In (Zakariazadeh, Jadid, & Siano, 2015), the integration of high penetration of EVs and distributed generations on distribution network is studied. In (Neyestani et al., 2014) (Amini & Islam, 2014) , EV parking lots allocation is obtained considering power distribution network’s constraints. The utilization of DRRs will lead to active distribution networks.Optimum location and charging of electric vehicles have been investigated in (Sachan & Kishor, 2015, 2016). Recent studies on the allocation of EV parking lots and DRRs can be classified into three categories: integrating EVs in a grid with DRR or conventional distributed generation penetration (El-Zonkoly & dos Santos Coelho, 2015; Fazelpour et al., 2014; Honarmand, Zakariazadeh, & Jadid, 2014), allocation of EV parking lots in the power systems (Kazemi et al., 2016; Moradijoz et al., 2013; Neyestani et al., 2014), and allocation of DRRs and DGs in power systems (Bhumkittipich & Phuangpornpitak, 2013; Mohan & Ramesh, 2012; Mohsenzadeh & Haghifam, 2012). In (El-Zonkoly & dos Santos Coelho, 2015), a multi-objective algorithm was developed to find the optimal number of parking lots, their location and size. This study used artificial bee colony (ABC) and firefly algorithms as two effective methods for optimization (El-Zonkoly & dos Santos Coelho, 2015). Arasteh et al. in (Arasteh et al., 2016) utilized SoS-based multiobjective approach to deal with distribution network planning. Honarmand et al. in (Honarmand et al., 2014), proposed an energy resources management framework considering practical constraints, DRR generation forecasting errors, and EVs owner satisfaction. Their model is applicable to microgrid and did not consider the allocation of EV parking lots (Honarmand et al., 2014). In (Kazemi et al., 2016), an allocation approach is proposed for EV parking lots considering the welfare of EV owners. The aforementioned studies considered EV parking lot allocation or DRR/DG allocation as their optimization problem. However, in this study we allocate DRRs and EV parking lots simultaneously. Our proposed method is two-tier to satisfy EV parking lot investor and distribution network operator constraints and objectives, i.e. we first consider the parking lot investor’s decision parameters. We next solve the optimization problem from the utility perspective for optimal allocation of EV parking lots and DRRs. It is worth noting thatindependent allocation of EVparking lots and DRRs may lead to sub-optimal solutions.