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.

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.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1-مقدمه
علاقه تجاری کم به همراه پوشش محض شبکه های ولتاژ پایین مسکونی منجر به تجهیزات محدود شده اند. از دیرباز، اپراتورهای صنعتی داده های ولتاژ، جریان و نیرو را فقط از چند نقطه شبکه جمع آوری می کنند. با افزایش علاقه به تولید نیرو از طریق خورشید و ادغام آن با برنامه های شارژ خودرو برقی و واکنش بر حسب تقاضا، صنایع نیاز به مدل های پیشرفته تر برای انجام زمانبندی شبکه دارند. در این راستا و با توجه به هزینه بازدارنده نصب فازهای همزمان در مقیاس گسترده، داده های فراساختار سنجش پیشرفته و مبدل های نیرو می توانند اطلاعات شبکه مفید فراهم کنند. یکی از این اطلاعات اساسی ساختار عملیاتی شبکه است. شبکه های نیرو با خطوط اضافه برای کارایی، اعتبار و نگه داری ساخته می شوند. هر چند اپراتورها با خطوط موجود به همراه ویژگی های خود آشنا هستند، مکان شناسی باانرژی که تحت آن شبکه در هر نقطه زمانی عمل می کند، ممکن است به طور دقیق شناخته شده نباشد. در سطح انتقال، مکان شناسی شبکه معمولا با داده های تاریخی ، اندازه گیری ها و برآورد گر وضعیت تعمیم یافته به دست می آیند (1). تشخیص قطع برق تک سیمی و دو سیمی از طریق شمارهای موثر در (2) پیشنهاد شده اند، در حالی که قطع برق خطوط چندگانه از طریق نمایش کامل پراکنده در (3) ارائه می گردند. با توجه به تزریق نیرو در بین شبکه در چند زمان متعدد، اتصال شبکه از طریق عامل ماتریس نهان در (4) بازیابی می شود. میدان تصادفی گاسی مارکوف در زوایای ولتاژ مخزن مطرح شده اند تا خطاهای شبکه انتقال تعیین محل شوند (5). مکان شناسی های سیستم نیرو به جای استفاده از کمیت های الکتریکی، با استفاده از قیمت های الکتریسیته موجود آشکار در (6) ردیابی می شوند. مرجع (7) با تاکید بر شبکه های توزیع، به بهره گیری از تاخیرهای زمانی سیگنال های ارتباطات خط نیرو می پردازد تا ساختار شبکه را نمایان سازد. طرح بازیابی مکان شناسی (8) متکی بر ویژگی های ماتریس کوواریانس معکوس بزرگنمایی های ولتاژ مخزن است. مرجع (9) پس از مطرح نمودن مدل شبکه توزیع خطی طرح های قبلی را به داده های ولتاژ برگرفته از تغذیه کننده های چندگانه، تزریق نیروهای متناسب و شبکه هایی با نسبت متغییر مقاومت به واکنش تعمیم می دهد. الگوریتم های بازیابی گراف (9) گسترش یافته اند تا کوواریانس های تزریق نیرو را از گره های پایانه دربرگیرند (10). مکان شناسی شبکه با استفاده از مدل های گرافیکی بررسی شده اند که درخت فاصله بندی را بر اساس اطلاعات دوگانه داده های ولتاژ در (11) تطبیق دهی نموده اند. رویکردهای قبلی متکی بر لحظات کلی به جای نمونه ای داده سنج می باشند. در شبکه ای با N تعداد مخزن، کوواریانس نمونه داده های ولتاژ پس از جمع آوری در حدقل Nداده، وارون پذیر می گردد. اگر سنجش ها از هر چند دقیقه گزارش دهند، کوواریانس نمونه را می توان فقط پس از چند ساعت وارونه ساخت. حتی پس از آن، معکوس ان به طور عمده از نظیر مشابه خود انحرافی خواهد داشت. روش های استنباط مکان شناسی متکی بر داده های فاز همزمان نیز برای شبکه های توزیع پیشنهاد شده اند. طرح (12) مکان شناسی را انتخاب نموده و به بهترین تناسب حداقل مربع در حالت جامع دست می یابد که پیچیدگی آن به طور تصاعدی در چند نوع شکل بندی افزایش می یابد.الگوریتم داده محور برای تشخیص رویدادهای تغییر دهنده بر اساس نشانه های مکان شناسی گزارش شده است (13). مدل خطی پراکنده به بررسی وابستگی ولتاژ بین هره گره و تمامی گره ها پرداخته و از طریق رگرسیون جریمه شده در l1  جستجو می شود؛ با این وجود، مدل های هر گره ممکن است تطابقت نداشه باشند. در (15)، ماتریس پذیرش مخزن از طریق رگرسیون خطی یافت شد و رویت پذیری آن با فرض توصیف شد که تمامی مخزن های اندازه گیری نشده نیرو را تزریق نمی کنند. هر چند فازهای همزمان برای شبکه های توزیع در جریان اند، هزینه فعلی آنها مانع از کاربرد گسترده آنها می شود. فعالیت تایید مکان شناسی شبکه با استفاده از داده های ولتاژ غیرهمزمان در اینجا در نظر گرفته می شوند. اثرگذاری ما سه برابر است. نخست اینکه تایید مکان شناسی در شبکه های تک فاز به عنوان مسئله احتمال ماکسیمم شامل ماتریس کوواریانس نمونه داده های ولتاژ مطرح می گردد.
نتایج
تایید مکان شناسی شبکه توزیع به عنوان مسئله استنباط آماری مطرح شده است. با بیان سنجیده بزرگنمایی های ولتاژ مشاهده شده به عنوان توابع مکان شناسی شبکه بنیادی، طرح های تشخیص احتمال پیسین ماکسیمم و احتمال بیشینه مطرح شده اند. فعالیت های یادگیری جدید، اهداف محدب (غیر) را بسته به دقت مدل داده های شبکه ای اتخاذ شده به حداقل می رسانند. به هر طریق، بهینه سازی بیشتر از مجموعه امکان پذیر غیرمحدب پیکربندی های خط فعال است که به حالت محدب کاهنده می شود. حل کننده های نقاط قوت تکمیلی مطرح شده اند. آزمایشات عددی با داده های حقیقی تغذیه دهنده های معیار نشان می دهد که طرح های ما عملکرد خوبی دارند حتی زمانی که تعداد داده ها کوچک تر از اندازه شبکه باشد. بسته به اطلاعات قبلی و فعالیت بار، جمع آوری داده های سنجش هوشمند در 3-0.5 ساعت می تواند مکان شناسی ها را در صدها گره تایید کند. گسترش رویکرد به شبکه های چند فاز و انتخاب پویا جهت گیری های تحقیقاتی را تشکیل می دهند. ساختارهایی که در آن داده های ولتاژ در زیرمجموعه مخزن ها و در حضور مخزن های تزریق-صفر جمع آوری می شوند به طور عملی مرتبط بوده و باید بررسی شوند. پرداختن به فعالیت تعیین مکان شناسی که در آن پارامترهای خطی ناشناخته اند نیز به طور عملی مرتبط است. برای بهبود مقیاس پذیری، تکنیک های بهینه سازی شتاب گرفته و یا مرتبه دوم (نیوتن) را می توان دنبال نمود. چون داده ها به طور دنباله ای می رسند، تکرار ها می توانند با جدیدترین مقادیر خود آغاز شوند.

 بخشی از مقاله انگلیسی:

I. INTRODUCTION

Low commercial interest together with the sheer coverage of residential low-voltage grids have resulted in their limited instrumentation. Traditionally, utility operators collect voltage, current, and power readings only from a few grid points. With the growing interest in integrating solar generation along with demand-response and electric vehicle charging programs, utilities need more refined models of their assets to accomplish grid scheduling tasks. To this end and given the currently prohibitive cost of installing synchrophasors on a wide scale, data from advanced metering infrastructure (AMI) and power inverters can provide useful grid information. One such critical piece of information is the operational structure of a grid. Power networks are built with line redundancy for efficiency, reliability, and maintenance purposes. Although operators know the available lines along with their characteristics, the energized topology under which the grid operates at any given time may not be precisely known. At the transmission level, the grid topology is typically acquired using historical data, measurements, and the generalized state estimator [1]. Detecting sudden single- and double-line outages via efficient enumerations has been suggested in [2], while outages of multiple lines are unveiled via the sparse overcomplete representation of [3]. Given power injections across the network over multiple times, grid connectivity is recovered via a blind matrix factorization in [4]. A Gaussian Markov random field has been postulated over bus voltage angles to localize transmission grid faults [5]. Instead of using electrical quantities, power system topologies are tracked using publicly available electricity prices in [6]. Focusing on distribution grids, reference [7] exploits the time delays of power line communication signals to reveal the grid structure. The topology recovery scheme of [8] relies on the properties of the inverse covariance matrix of bus voltage magnitudes. After developing a linearized distribution grid model, reference [9] generalizes the previous schemes to voltage data from multiple feeders, correlated power injections, and grids with variable resistance-to-reactance ratios. The graph recovery algorithms of [9] have been extended to incorporate covariances of power injections from terminal nodes [10]. Grid topology recovery has been tackled using graphical models by fitting a spanning tree based on the mutual information of voltage data in [11]. The aforementioned approaches rely on the ensemble rather than sample moments of meter data. In a grid of N buses, the sample covariance of voltage data becomes invertible after collecting at least N data. If meters report every few minutes, the sample covariance can be inverted only after some hours. Even then, its inverse would deviate substantially from its ensemble counterpart. Topology inference methods relying on synchrophasor data have also been suggested for distribution grids. The scheme of [12] selects the topology attaining the best least-squares fit in an exhaustive fashion whose complexity grows exponentially in the number of configurations. A data-driven algorithm for detecting switching events based on topology signatures has been reported [13]. A sparse linear model capturing the voltage dependence between every node and all other nodes is sought via `1-penalized regression in [14]; yet the per-node models may not agree. In [15], the bus admittance matrix is found via linear regression and its observability is characterized presuming all non-metered buses do not inject power. Albeit synchrophasors for distribution grids are underway, their current cost inhibits wide adoption. The task of verifying grid topologies using nonsynchronized voltage data is considered here. Our contribution is three-fold. First, topology verification in single-phase grids is posed as a maximum likelihood (ML) problem involving the sample covariance matrix of voltage data. After reviewing the grid model in Section II, the grid topology is captured by a binary vector (Section III-A). The associated non-convex set is relaxed to its convex hull and a stationary point of the nonconvex likelihood function is found via gradient projection. Asymptotically in the number of data, the true topology constitutes the global minimizer for both problems. Second, the novel learning schemes simplify if lines are assumed to exhibit identical resistance-to-reactance ratios, see also [8]. By further ignoring noise, the likelihood function becomes convex, and hence, numerical bounds on the suboptimality of the relaxation are obtained (Section III-B). Lastly, possible prior information on the status of individual lines is incorporated in terms of a maximum a posteriori (MAP) estimator (Section IV-C). The numerical tests of Section V using actual data on benchmark feeders corroborate our findings, and conclusions are drawn in Section VI.

VI. CONCLUSIONS

Distribution grid topology verification has been posed as a statistical inference problem. By judiciously expressing the observed voltage magnitudes as functions of the underlying grid topology, maximum likelihood and maximum a posteriori probability detection schemes have been proposed. The novel learning tasks minimize (non)-convex objectives depending on the accuracy of the adopted grid data model. Either way, the optimization is over the non-convex feasible set of active line configurations that is relaxed to its convex hull. Solvers of complementary strengths have been devised. Numerical tests using real data on benchmark feeders demonstrate that our schemes perform well even when the number of data is smaller than the network size. Depending on prior information and load activity, collecting smart meter data over 0.5–3 hours can verify topologies over a hundred of nodes. Extending the approach to multiphase grids and dynamically selecting meters constitute interesting research directions. Setups where voltage data are collected over a subset of buses and/or in the presence of zero-injection buses are practically relevant and need to be addressed. Coping with the task of topology identification where line parameters are unknown too is practically relevant too. To improve scalability, second-order (Newton) and/or accelerated optimization techniques could be pursued. Since data arrive sequentially, the iterates could be initialized to their most recent value.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1-مقدمه
نورپردازی نقش حیاتی در فعالیت های طبق روال انسان ها ایفا می کند و ممکن است مصنوعی (لامپ) یا طبیعی (نور خورشید) باشد.
نورهای مصنوعی یکی از مولفه های سیستم الکتریکی است که بر کیفیت زندگی افراد تاثیر می گذارد. سیستم نورپردازی کافی در امکان کاری، کلاس درس، اداره ها و غیره مورد نیاز است تا فعالیت مد نظر را انجام داد. با این وجود، آن به طور کارکرد برای افرادی مناسب باشد که درون ناحیه کاری مشغول به فعالیت اند. به هر حال، اکثر فناوری های نوری جدید به عنوان بار غیر خطی تقسیم بندی می شوند که ممکن است تاثیر منفی بر کیفیت نیرو شبکه توزیع محیط داشته باشند. به علاوه، نورپردازی 21% ازمصرف انرژی کل برق را در جهان به خود اختصاص می دهد. لذا کاهش مصرف انرژی الکرتیکی با استفاده از لامپ های مقرون به صرفه در کل یکی از مهم ترین راه حل ها برای کاهش مصرف انرژی الکتریکی است. بسیاری از شرکت ها برای فراهم سازی این راه حل، سعی دارند لامپ های مختلف تولید کنند. لذا، فناوری های نورپردازی مختلف به بازار عرضه شده اند. به هر حال ارزیابی ویژگی های عملکرد این فناوری نورپردازی و تاثیرات ممکن آنها بر شبکه نیرو حائز اهمیت است.
فناوری های لامپ متنوع از زمان ابداع لامپ رشته ای پدیدار شده اند که یکی از جدیدترین آنها فناوری ال.ایی.دی است. فناوری های نورپردازی جدید صرفه جویی در انرژی رابه طور جدی مد نظر قرار داده اند. نیاز به لامپ های مقرون به صرفه نه تنها به حاطر مزایای صرفه جویی در انرژی، بلکه قوانین اعمال شده در کشورهای مختلف برای ممنوع کردن لامپ های رشته مد نظر بوده اند. این لامپ ها مزایایی همانند دسترسی به برق ارائه می دهند اما تولید ناکافی برق ممکن است منابع محسوب گردد. یک مزیت دیگر کاهش هزینه برق بوده که آنها را به طور ویژه جذاب ساخته است.
هر چند فناوری های نورپردازی مردن این مزایای عمده را ارائه می دهند، این گرایش وجود دارد که هماهنگی ها و همسوگری ایجاد می کنند چون بار غیر خطی اند. همسوگری در سیستم نیرو پیامدهای منفی راجع به سیستم نیرو ایجاد می کند؛ آن اتلاف را افزایش داده و باعث حرارت مازاد تجهیزات می شود که طول عمر را کاهش می دهد. همسوگری فرعی می تواند باعث چشمک زن گردد که منجر به تاثیر نامطلوب بر بینایی، عدم تعادل و اشباع پذیری اصلی ترانسفورمرها و کاهش استحکام حرارتی موتورهای القا می گردد. لذا ارزیابی تاثیر این فناوری های لامپ مدرن بر سیستم قدرت ضرورت دارد. کارهای قابل ملاحظه ای در زمینه تاثیر چند فناوری نورپردازی بر شبکه توزیع انجام شده است. مسئله پایه ای اساسی کاربرد توده ای سی اف ال و ال ایی دی مسئله اختلال در ولتاژ شبکه است که به خاطر جریان کج شکل به وجود آمده که حاوی میزان بالایی از قطعات هماهنگ می باشد. علاوه بر این، کاهش اعوجاج هماهنگی ایجاد شده با سی اف ال ها بسیار دشوار است چرا که به طور گسترده در شبکه سیستم نیرو عمده توزیع می شوند. اعوجاج هماهنگ فزون یافته می تواند باعث اتلاف عمده به سیم پیچ شده و لذا دمای غیرعادی ترانسفورها افزایش می یابد. لذا هنگامی که بارهای غیرخطی همانند ال ایی دی و سی اف ال مصرف کنندگان انرژی عمده در شبکه توزیع اند، کاهش کارایی زودهنگام ترانسفورمر و کاهش طول عمر مفید ترانسفورمر برخی از مسائل مطرح شده اند. در این مقاله سه فناوری مختلف لامپ یعنی لامپ های دیود تشعشع نوری، لامپ های رشته ای و لامپ های شرده نوری تحلیل می شوند تا تاثیر کاربرد آنها بر کیفیت نیرو سیستم توزیع از طریق تجربه آزمایشگاهی بررسی گردد. بقیه این مقاله چنین ساماندهی شده است:بخ 2 به توصیف تاثیر هماهنگی بر شبکه توزیع با استفاده از ساختار تجربی آزمایشگاهی می پردازد، بخش 3 به مقایسه ویژگی های ولتاژ و جریان فناوری های نوری مختلف می پردازد، بخش 4 درجات تولید هماهنگی در بین فناوری ها مطرح می کند، بخش 5 به مقایسه دیگر ویژگی های عملکردی فناوری ها و بخش 6 به نتیجه گیری مقاله می پردازد.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

Lighting plays a vital role in regular human activities which may be artificial (lamps) or naturally (sunlight). Artificial lightings is adjudged to be one of the component of electrical system that affect the quality of life of people[1]. Adequate lighting system is required in work places, classrooms, offices etc. to achieve a given task comfortably. Hence, it should be functionally suitable for people working inside the task area. However, most recent light technologies are classified as non-linear load which may impact negatively on the power quality of the surrounding distribution network. Moreover, lighting accounts for 21% of the total electrical energy consumption in the world [1]. Therefore, reducing the electrical energy consumption by using energy efficient lamps is generally believed to be one of the important solutions to reducing electrical energy consumption. In an attempt to provide this solution, so many companies sprang-up to manufacture different lamps. Hence, different lighting technologies have found their ways into the market. As such, it is paramount to evaluate the performance characteristics of these lighting technology and the possible effects they might have on the power network. Various lamp technologies have emerged since the invention of the incandescent, one of the most recent being the LED technology. The new lighting technologies have taken energy savings into serious considerations. The demand for energy-efficient lamps is on the increase not only because of its energy-saving benefits, but also for the laws applied in different countries to ban the use of incandescent bulbs[2]. Such lamps offer benefits as access to electricity is hampered by inadequate generation. One major benefit which is reduction in electricity cost has made them particularly attractive. Although these modern lighting technologies offer these huge benefits, there is a tendency that they produce harmonics since they are non-linear load. Harmonics in power system poses negative consequences on the power system; it increases line losses and cause excessive heating of equipment which decreases their lifetime [3, 4]. Sub-harmonics could cause flickers that result in an uncomfortable visual effect on the eyes, imbalance and core saturation of transformers and thermal aging of induction motors[5, 6]. It is therefore necessary to evaluate the impact of these modern lamp technologies on the power system. Considerable work has been done regarding the effect of several lighting technologies on a distribution network. The basic problem arising in the mass usage of CFLs and LEDs is the problem with the network voltage distortion that arises due to their distorted current which contains a high level of harmonic components. Moreover mitigation of harmonic distortion caused by CFLs is very difficult once they are widely distributed over the large power system network [7]. Increased harmonic distortion can cause excessive winding losses and hence abnormal temperature rise in transformers. So when non-linear loads such as LEDs and CFLs are the major energy consumers in a distribution network, early fatigue of transformer insulation and reduction of the useful life of transformer are some of the issues that could arise [8]. In this paper, three different lamp technologies i.e. Light Emitting Diode (LED) lamps, Incandescent Lamps (IC) and Compact-fluorescent lamps (CFL) are analysed to check the impact of their usage on the power quality of a distribution system through a laboratory experiment. The rest of the paper is organised as follows: section 2 described the effect of harmonic on the distribution network using the laboratory experimental set-up, section 3 compares the voltage and current characteristics of different lighting technologies, section 4 presents harmonic generation levels of the technologies, section 5 compares other performance characteristics of the technologies while section 6 concludes the paper

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

اصلاح اوج بار
اصلاح بار برای کاهش اوج تقاضا بر سیستم نیرو استفاده میشود ، یا در مناطق توازن مانند یک حفره یا بر روی یک زیرسیستم از قبیل خوراک دهنده ی توزیع. این ممکن است در برخی راه ها وابسته به نیازهای سیستم و اهداف راهبرد مورد استفاده ، انجام شده باشد. مثالی از آن تغییر محدود انرژی تجدیدپذیر یا انرژی تولید شده با قیمت پایین در طول زمان هایی از افت تقاضا به دوره هایی شدت تقاضا است که کاربرد انرژی تجدیدپذیر را افزایش بدهد یا استفاده از واحدهای تولید اوج گرانتر را کاهش بدهد. BESS یکی از گزینه های سطح شبکه در حال ظهور برای تولید تغییر جهت تولید هستند برای وقتی که مورد نیازاست و برای هموار کردن نوسانات نیرو. به منظور برنامه ریزی عملکرد باتری برای 24 ساعت آینده ، یک یک پیشگویی از نمایه جریان نیرو مورد نیاز است. روش رگرسیون خطی برای حاصل کردن نمایه نیرو در الگوریتم پیشگویی بهینه استفاده شده است.

روش رگرسیون خطی
در این روش ، معیار پیشگویی برای هر گام زمانی برای n نمونه ی جمع شده بر مبنای کمترین امتیاز مناسب چندجمله ای محاسبه شده است.
این مقاله روش پیشگویی بار موازی که به اصلاح اوج بار از منحنی بار نیاز دارد را بحث میکند. مزیت این روش پیشگویی بار مطرح شده بار محاسبه ی اندک و سبک آن است . دو مورد کاربرد کنترل BESS سپس مورد ارزیابی و بیان قرار گرفتند. مورد کاربرد اول تمرکز بر روش اصلاح اوج بار است که عملکرد صحیح را بیان میکند تا زمانی که عدم قطعیت بار در طول دوره ی اولیه شارژ BESS و دِشارژ شدن در اول صبح و ساعات اولیه بعدازظهر کم است . این روش، اگر چه، ممکن است در دوره ی زمانی که تغیر تولید pv بالا است به خوبی عمل نکند. مورد دوم کاربرد BESS ساختن بالای مورد اول توسط اضافه کردن یک الگوریتم نیرو است که یک منبع بهبود یافته منحنی نیرو را به کار می برد تا دوره های زمانی را وقتی تولید pv و تغییر بازده نیرو بالا است نشان دهد در حالیکه ظرفیت اصلاح اوج باقی می ماند.

آزمایشات BESS
به منظور گسترش درک خوب از عملکرد BESS بر شبکه ی نیرو ، چندین آزمایش شارژ و دِشارژ انجام شدند و اندازه گیری الکتریکی از وسایل SCADA در منتقل کننده های توزیع رسم شدند.

جریان نیروی فعال
در این آزمایشات، BESS با گام های 50 kW شارژ شده است. این آزمون انجام شده است تا تاثیر شارژ بر سطح ولتاژ و عملگر منتقل کننده ی بار Tap Changer (LTC) درک شود. تغییرات گام ها برای اهداف کوچک نگه داشته میشوند و همچنین برای دیدن اثر تغییرات افزایشی نیرو بر شبکه ، کوچک نگه داشته میشوند. BESS و جریان نیروی فعال و سطح ولتاژ منتقل کننده و گراف SOC BESS در شکل 2 و 3 به ترتیب نشان داده شده است.

در شکل 2 و شکل 3. گراف های آبی و قرمز در اندازه گیری های نیرو ، به ترتیب نیروی فعال و کنشی بیان میشوند. در نمودار اندازه گیری ولتاژ ، فاز A ، B و C توسط رنگ های آبی، قرمز و سبز به ترتیب نشان داده میشوند. شارژ کردن BESS شکل رایج شبکه ی اصلی را طراحی میکند و یک افت ولتاژ تدریجی محسوس توسط LTC وجود دارد. در نتیجه، منتقل کننده افت ولتاژ را توسط افزایش موقعیت ضربه ، جبران میکند همانطور که در تغییرات ناگهانی در گراف ولتاژ مشاهده میشود.

جریان نیروی کنشی
به منظور بررسی اثر جریان نیروی کنشی از BESS بر سطح ولتاژ ، آزمون های نیروی کنشی اجرا شدند که در آن نیروی کنشی در افزایش های 200 KVAR تزریق وجذب شد. نتایج آزمون های تزریق نیرو کنشی و اندازه گیری های مربوطه در شکل 4 و 5 رسم شده اند.
تغییرات سطح ولتاژ در سمت پایین تر منتقل کننده ی توزیع 69/12.47 Kv از حدود 0.015 kV برای هر افزایش تزریق 200 KVAR اندازه گیری شد و 0.06 kV برای آزمون نهایی 800 KVAR ثبت میشود. بر اساس نتایج مشاهده شده از آزمایش، جریان نیروی کنشی توسط BESS اثر معنی داری بر تنظیم ولتاژ در حضور منتقل کننده ی LTC که به عنوان وسیله ی تنظیمی ولتاژ اولیه برای جریان توزیع به کار گرفته میشود، ندارد. بنابراین ، استفاده از ظرفیت BESS برای مدیریت نیروی فعال ارجح است. اگر چه، ظرفیت باقی مانده ی BESS میتواند برای تنظیم توزیع عامل جریان نیرو استفاده شود.

الگوریتم بهینه سازی
الگوریتم بهینه سازی ، جریان نیرو فعال بهینه BESS در هر گام زمان می یابد. عملکرد عینی برای اصلاح بار شامل دو جزء است، هزینه ی SOC و هزینه ی بار که به حداقل رسده اند.
جایی که Ek ، BESS سطح ذخیره انرژی در گام زمان K را نشان می دهد. عملکرد عینی غیرخطی با روش برنامه نویسی درجه دوم متوالی هست که برای تعیین نقطه ی بهینه BESS استفاده میشود. اگر یک پیشگویی موثر از تولید منابع تجدیدپذیر از قبیل پیشگویی باد، در دسترس باشد، عملکرد عینی می تواند برای استفاده از تولید تجدیدپذیر برای شارژ شدن باتری نسبت به کم کردن آن در زمان افت اوج بار تجدیدنظر شود. این میتواند رخ دهد بوسیله ی منحنی نیروی مرجع، Pref در منتقل کننده ی توزیع با هزینه ی الکتریکی و فرضیه های تولید انرژی تجدید پذیر ، که در منحنی نیروی مرجع جاسازی شده است. در عملکرد عینی بازنگری شده خطا های جریان نیروی فعال از منتقل کننده به حداقل رسیده و منحنی مرجع نیرو با استفاده از گنجایش باتری به محدودیت های SOC موضوع میپردازد:

این فراتر از کاربردی است که منحنی نیروی مرجع تعریف میکند. یک منحنی مرجع نیرو شامل دو بخش است : زمان اوج و زمان افت اوج. نمایه ی نیروی افت اوج کاربرد پیشگویی انرژی تجدیدپذیر را را برای شارژ کردن BESS ممکن میسازد. نمایه ی زمان اوج از نقاط مشخص تعیین شده از جریان نیروی بهینه تبعیت میکند. نمودار جریان کلی الگوریتم در شکل 6 نشان داده شده است.
الگوریتم نشان داده شده در شکل6 روش اصلاح اوج بار که در BESS اجرا میشود را در شکل 1 نشان می دهد. در بالای نمودار جریان Qres ، ظرفیت تزریق نیروی کنشی باقی مانده BESS پس از اینکه نیروی فعال فرستاده شده توسط عملکرد عینی بهینه شده تعیین میشود، معنی میدهد. اگر این مقدار بیشتر از تقاضای نیرو کنشی از توزیع شبکه ی Ql باشد، ظرفیت در دسترس نیروی کنشی BESS برای افزایش عامل نیرو جریان به سطح مطلوب استفاده میشود. اگر چه، الگوریتم بهینه سازی بر تغییرات SOC بر افق حساب میکند، مقدار واقعی SOC از SCADA خوانده میشود تا کمبود ها و ارسال های نادرست را حساب کند. با تبعیت کردن از این تکنیک ، ما مطمئن شدیم که BESS با محدوده ی مطلوب SOC باقی می ماند.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

چندین روش برای کاهش تلفات در RDS متعادل توسط مکان‌یابی خازن در مکانی مطلوب در ادبیات گزارش شده است [2-8]. در [9]، نظریه تصمیم‌گیری معیارها برای تخصیص بهینه و مکان‌یابی خازن در سیستم های نامتعادل در حضور منابع هارمونیک و همچنین با در نظر گرفتن عدم قطعیت در حضور بارهای نامتعادل است. Carpinelli و همکاران [10]، روشی احتمالاتی را برای بهینه‌سازی مکان‌یابی محل خازن در شبکه‌های توزیع نامتعادل و الگوریتم ژنتیک میکرو به منظور کاهش محاسبات ارائه دادند. در [11]، بهینه‌سازی ترکیبی ذرات (HPSO) با یک الگوریتم ترکیبی جریان قدرت ترکیب شده است (HPF) تا برای یافتن مکان بهینه و سایز خازن نامتعادل RDS استفاده گردد. Carpinelli G و همکارانش [12]، روشی را برای قرار دادن خازن شنت در سیستم های توزیع نامتعادل با منابع هارمونیک با توجه به هزینه خازن، هزینه‌های انرژی و همچنین هزینه‌های مرتبط یا هارمونیک ولتاژ ارائه کرده‌اند. Subrahmanyam JBV و همکارانش [13] روش ساده‌ای را برای انتخاب مکان بهینه و سایز خازن در RDS سه فازی نامتعادل توسط هزینه تلفات انرژی و هزینه مرتبط با خرید خازن و نصب خازن به عنوان تابع اصلی هدف ارائه دادند. تلفات قدرت برای انتخاب نودهای کاندید برای مکان‌یابی خازن و سپس روش واریانس برای یافتن سایز بهینه استفاده می‌گردد. بر اساس الگوریتم بهینه‌سازی ذرات باکتری گرا (EFPSO)، یک روش جدید برای مکان‌یابی مطلوب و اندازه ثابت و تعویض پیشنهاد شده است [14]. در [15]، مکان‌یابی بهینه خازن توسط استفاده از الگوریتم بهینه‌سازی کلونی زنبور عسل با تابع هدفی به شکل کمینه سازی قدرت تلفات سیستم و نامتعادل بودن و همچنین به حداکثر رساندن صرفه‌جویی خالص در حفظ ولتاژ و اعوجاج هارمونیکی انجام شده است. روش index بُرداری برای مکان‌یابی  مطلوب خازن در سیستم توزیعی نامتعادل شعاعی [16] ارائه‌شده است. Haque روشی را برای کاهش تلفات در سیستم توزیعی شعاعی توسط تأمین توان با راکتیو به صورت محلی با خازن پیشنهاد کرده است [7]. با این حال، این مقاله، روش قرار دادن خازن برای کاهش تلفات در سیستم توزیعی نامتعادل را به‌کاربرده است. ایده اصلی روش ارائه‌شده از [7] گرفته شده است. در این پیشنهاد روش اندازه بهینه خازن در هر گره می‌تواند از طریق بهینه‌سازی معادله صرفه‌جویی تعیین شود. گره‌هایی که در آن صرفه‌جویی در کاهش تلفات با تعیین مکانی برای خازن انجام می‌شوند، بهینه هستند. جریان بار از توزیع شعاعی نامتعادل استفاده می‌کند [17]. نتایج به دست آمده برای شبکه توزیع IEEE 19 و IEEE 25 اجرا شده است [18].

2. پیشنهاد رویکردی در توزیع سیستم های پخش بار

موارد زیر را در نظر بگیرید

Ploss= کل تلفات توان واقعی

Qloss= کل تلفات توان واکنشی

Sloss=Ploss+j Qloss

Ia،  Ib، Ic جریان هر بخش در سه مرحله است.

Iar، Ibr، Icr، مؤلفه‌های فعال جریان در سه مرحله است.

Iai، Ibi، Ici، مؤلفه‌های فعال جریان جاری در سه فاز است.

Z امپدانس هر بخش است.

A مجموعه بخش‌های منبع گذرگاه تا jامین گذرگاه خازن است.

3. نتایج و بحث

A. مطالعه موردی 1: 19 گذرگاه URDS

جریان بار از سیستم‎های توزیعی شعاعی نامتعادل است [17]. الگوریتم پیشنهادی بر روی 11-Kv،  URDS با 19 گذرگاه تست‌شده است. خط و داده بار از [18] به دست آمده است. بار سیستم در فاز a، فاز b، فاز c برابر است با 126.33+j*61.23 kVA, 116.34+j*56.339 kVA, 123.27+j*59.7 kVA. بالاترین تلفات ذخیره‌شده با گذرگاه 10 با سایز 23.1517kVAr در هر فاز است. توان فعال کلی از 13.4709 kW to 11.5281 kW کاهش می‌یابد. تلفات کلی راکتیو از 5.7956 kVAr to 4.9597 kVAr کاهش می‌یابد و حداقل ولتاژ در فاز a، b و c از 0.9515, 0.9494, and 0.9504 p.u. to 0.9560, 0.9542, and 0.9549 p.u بهبود می‌یابد. پس از نصب بانک‌های خازنی، ولتاژ کلی فعال (TPL) باعث کاهش تلفات می‌گردد.

B. مطالعه موردی 2: IEEE 25-bus URDS

الگوریتم پیشنهادی همچنین بر روی 4.16-kv، 25-bus URSD تست‌شده است که در شکل 2 نشان داده شده است. داده بار و خط از [18] به دست می‌آیند. بار سیستم در فاز a، b و c، به ترتیب 1073.3+j*792 kVA, 1083.3+j*800 kVA, 1083.3+j*800 kVA هستند. بالاترین تلفات از bus 7 با سایز 484.773kVAR است. کل توان فعال از 150.11795kW to 109.6207kW کاهش می‌یابد. کل توان راکتیو از 167.27536kVAR to 121.4229kVAR کاهش می‌یابد. ولتاژ کمینه در فاز a، b و c از 0.9284, 0.9283, and 0.9365 p.u. to 0.9505, 0.9484, and 0.9573 p.u بهبود می‌یابد. ولتاژ کل توان (TPL) و توان راکتیو (TQL)، برای 25-bus URDS قبل و بعد از جبران خسارت است.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

مقدمه
کاهش منابع سوخت فسیل علاقه دولت ها را به اهمیت نفوذ منابع تجدید پذیر همانند انرژی بادی و انرژی خورشیدی برای ارزیابی عملکرد سیستم نیرو افزایش داده است (1). یکی از جالب ترین فناوری های اخیر انرژی خورشیدی است که در سال های اخیر معروف ترین منبع انرژی تجدید پذیر بوده است. انرژی خورشیدی به طور مستقیم از خورشید با ادغام ماژول های نوری-ولتی با سیستم های توزیع استخراج می گردد.
افزایش سریع در میزان نفوذ سیستم نوری-ولتی مد نظر واقع شده است. سیستم های نیرو نوری-ولتی خورشیدی به عنوان منبع انرژی غیر سنتی کاربردی برای بسیاری از کشورهای جهان و نیز در مصر در نظر گرفته می شود (3). لذا، تولید برق در آینده مستلزم آن است که کشورهای جهان در سراسر جهان انتظار کمک ها و اثرگذاری های بیشتری از انرژی های تجدید پذیر در سیستم های نیروی الکتریکی به ویژه سیستم های ولتی-نوری داشته باشند. سیستم های ولتاژ نوری پتانسیل کاربردهای کلی به عنوان منبع انرژی ایمن و تمیز در آینده نزدیک دارند (4). هدف برخی کاربردها نفوذ 20درصدی انرژی تجدید پذیر کل انرژی مورد نیاز تا سال 2020 بوده در حالی که کاربردهای دیگر انتظار 50% را تا سال 2050 دارند(5).
ادغام سیستم ولتاژ نوری در شبکه های توزیع برق را می توان به دو گروه عمده خارج از شبکه ( فناوری های مستقل) و درون شبکه ( فناوری های متصل به شبکه) تقسیم نمود (6). سیستم های ولتاژ نوری مستقل تقاضای نیروی مورد نیاز برای بارهای راه دور را فقط تامین می کنند در حالی که فناوری های متصل به شبکه برای فراهم سازی انرژی مورد نیاز برای بارهای محلی پیاده سازی می شوند و می توانند با شبکه های صنایع تبادل نیرو کنند. ویژگی های برجسته سیستم های ولتاژ نوری توانایی آنها در ارتقا عملیات سیستم های نوری برای بهبود پروفایل ولتاژ و با کاهش اتلاف انرژی تغذیه دهنده توزیع در پایین ترین هزینه نگه داری می باشد. سیستم های ولتاژ نوری در مقایسه با فناوری های تجدید پذیر دیگر، هنوز با مشکلات عمده مواجه اند و حتی ممکن است منجر به تاثیرات نامطلوب وارد بر سیستم همانند اضافه بار تغذیه دهنده، آلودگی هامونیک، هزینه سرمایه گذاری بالا، کارایی پایین و اعتبار کم شوند (7). علاوه بر این، نوسانات در پرتو خورشیدی ممکن است باعث انحراف نیرو و نوسان ولتاژ و تاثیرات نامطلوب حاصل بر سیستم های ولتاژ نوری بسیار نفوذی در شبکه توزیع گردد. چند روند کنترل که ولتاژ تولید شده و جریان ترتیب ولتاژ نوری را کنترل نمودند، مطرح شده اند تا کارایی سیستم های ولتاژ نوری را ارتقا دهند (8).
تشخیص دقیق اختلال های نامطلوب برای صنایع الکتریکی ضرورت دارد (9). اختلال های فوری به کیفیت نیروی تولیدی مورد استفاده مربوط می شوند. دو دیدگاه درباره تعاریف کیفیت نیرو وجود دارد. از دیدگاه صنعتی، کیفیت نیرو به عنوان اعتبار و مشخصه تامین نیرو تعریف می شود که می تواند تجهیزات را مقدور سازد تا کارکرد صحیح داشته باشند. از طرفی دیگر، مصرف کنندگان کیفیت نیرو را به عنوان هر نوع مسئله انحراف فرکانس جریان، ولتاژ تعریف می کنند که منجر به اتلاف عملیات یا از کار افتادگی تجهیزات مشتری می گردد. نمونه هایی از اختلالات کیفیت نیرو افت، افزایش، هجوم، نوسان، قطع شدگی ولتاژ و هم سو کننده می باشد (12-10).
آلودگی نیروی الکتریکی به خاطر مبدل نیرو، توزیع و انتقال شبکه ها با رشد بارهای غیر خطی همانند تامین کننده نیرو حالت کلیدی و یک سو کننده کنترل فاز افزایش یافته است. کیفیت نیرو ضعیف به طور عمده به خاطر تاثیر همسو سازی و نیروی واکنشی رخ می دهد (11). مشکلات کیفین نیرو پدید آمده در سیستم نیرو و شیوه های حل این مسائل در (12) مطرح گردید. وجود بارهای غیرخطی و فانوری های تولید توزیع یافته ولتاژ و شکل موج جریان و ویژگی ها را تغییر می دهد (13).
همسوسازی در جریان ولتاژ نوری خروجی مطرح می شوند که به خاطر استفاده از مبدل های نیرو و جریان نیرو متغییر سیستم های ولتاژ نوری است. این جریان ها از طریق امپدانس سیستم توزیع شارش می شوند و منجر به اختلال در ولتاژ شبکه می شوند (14). همسو سازی طول عمر تجهیزات سیستم های نیرو را کاهش می دهد. طراحی فیلتر برای سیستم های توزیع صنعتی بسیار ضروری است (15). تاثیرات همسو سازی بر سیستم بر حسب مسائل زیر تعریف می شود (16)، (17):
• حرارت مازاد تجهیزات که منجر به خرابی یا آسیب می گردد
• اختلال در کارکرد یا عملیات سیستم تجهیزات
• محافظت از اختلال عملیاتی تجهیزات
• اختلال در فرایند
نفوذ سیستم های ولتاژ نوری به شبکه توزیع یکی از منابع عمده اختلال همسو کننده شکل موج جریان و ولتاژ می باشد. لذا، این مسئله به ویژه در سیستم های توزیع شدید تر شده (18) است. این مقاله به مطالعه مسئله کیفیت نیرو می پردازد که به نفوذ ولتاژ نوری به سیستم های توزیع مربوط بوده و مقایسه مفصل بین عملکرد سیستم فراهم می کند. همچنین این مقاله روند ایی.تی.ای.پی برای انتخاب طراحی بهینه فیلترهای تنظیم شده مجزا مطرح می کند که می توانند تاثیرات بر محتویات همسو کننده جریان و ولتاژ را کاهش دهند تا در حیطه محدودیت های پذیرفته شده قوانین مصر باشد.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

Reduction of fossil fuel sources increases governments’ interest to the importance of penetration of renewable energy sources such as wind energy and solar energy to assess power system performance [1]. One of most interested recent technologies is the solar energy which has become the most popular renewable energy source in recent years. The solar energy is extracted directly from sun by integrating photovoltaic (PV) modules to the distribution systems [2]. The rapid increase in the penetration levels of PV systems has been noticed. Solar PV power systems are being considered as a practical unconventional energy resource for many world countries as well as in Egypt [3]. Therefore, future electricity generation plans countries around the world expect more contribution of renewable energies in the electric power systems especially for PV systems. PV systems have the potential of general applications as an alternative safe and clean energy source in the nearest future [4]. The target of some utilities is to penetrate around of 20% renewable energy of total required energy by 2020 while other utilities expect 50% by the year 2050 [5]. The integration of PV system to electrical distribution networks can be divided into two main categories off-grid (standalone applications) and on-grid (grid-connected applications) [6]. The stand-alone PV systems provide the needed power demand for remote loads only while grid-connected applications are implemented to provide required energy for local loads and able to exchange power with utility grids. The salient features of PV systems are their ability to enhance the operation of power systems by improving the voltage profile and by reducing the energy losses of distribution feeders at lowest maintenance costs. Compared to other renewable technologies, PV systems still face major problems and may lead to undesirable effects to the system, such as overloading of the feeders, harmonic pollution, high investment cost, low efficiency, and low reliability [7]. Moreover, variations in solar radiation may cause power deviation and voltage flicker, resulting undesirable effects on high penetrated PV systems in the distribution network. Several control procedures, that controlled the produced voltage and the current of the PV array, are developed to improve the efficiency of PV systems [8]. The accurate detection of undesired disturbances is necessary for electrical utilities [9]. Urgent disturbances are that related to the quality of utilized generated power. Two view point about power quality definitions. In the view point of utility, the power quality is defined as the reliability and characteristic of the power supply that enable the equipment to work correctly. On the other side, consumers define the power quality as any problem in voltage, current frequency deviations that lead to failure or operation loss of customer equipment. Examples of the power quality disturbances are voltage sag, swell, surge, flickers, interruption and harmonics [10]-[12]. Electric power pollution has increased due to the power converter, distribution and transmission networks with the growth of non-linear loads like switch-mode-power-supplier and phase control rectifiers. The poor power quality occurs mainly due to the influence of harmonics and reactive power [11]. The power quality problems areised in power system and the ways to solve these problems were presented in [12]. The existence of non-linear loads and distributed generation technologies change the voltage and current waveforms their characteristics [13]. Harmonics are presented in the output PV current because of the use of power converters and variable power flow of the PV system. These currents, flowing through the impedances of the distribution system result in distortion of system voltage [14]. Harmonic reduce the power systems equipment’s life. The filter design has become essential for industrial distribution systems [15]. The harmonic effects on the system are defined by the following issues [16] and [17]: • Equipment overheating that leads to equipment failure or damage • System malfunction or operation failure of equipment • Protection equipment mal and fail operation • Process disturbance The penetration of PV systems in distribution network is one of the main sources of harmonic distortion of current and voltage waveforms. Therefore, that is becoming a huge problem [18] especially for distribution systems. This paper is concerned on studying the power quality problem that associated with the PV penetration into distribution systems and provide a detailed comparative between the system performance. Also, this paper proposes an ETAP procedure for choice the optimal design of single tuned filters that able to reduce the effects of voltage and current harmonic contents to be within the accepted limits of the Egyptian code.

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
I. مقدمه
A. بررسی ساختار مسئله
B. دستاوردها
II. فرمول بندی مسئله متمرکز ایده آل
A. قیود شبکه
B. قیود تولید
C. قیود تقاضا
D. جفت سازی قیدها
II. فرمول سازی و غیرمتمرکز سازی
A. ساده سازی مسئله
B. ساختار تجمیع کننده بازار برق
IV. تجزیه سازی
V. نتایج و بحث و بررسی
A. مورد تست پایه
B. مقیاس پذیری زمانی
C. مقیاس پذیری شبکه چالش های پیاده سازی
D. هماهنگ سازی
V. نتیجه گیری
پیوست

بخشی از ترجمه فارسی مقاله:

I. مقدمه
پخش بار اقتصادی مکانیزم اصلی استفاده شده در یک روش کارامد اقتصادی برای شناسایی بلادرنگ نقاط کار عملیاتی همه ی دستگاه های کنترل پذیر متصل به سیستم قدرت است. در فرم سنتی اش به طور گسترده شامل ژنراتورهای (نیروگاه های) متداول متعهد (درمدارقرارگرفته شده)، تولید و تقاضای تجدید پذیر شناخته شده، می باشد و می توانست به خوبی با یک مسئله قطعی که معمولا یک دوره کوتاه زمانی را پوشش می دهد تقریب زده شود. به هرحال این موضوع هنگامی که تقاضای معوقه درنظرگرفته شود به عنوان یک ابزار کسب شده از یک انرژی خریداری شده در زمان حال توسط یک وسیله نقلیه الکتریکی یا یک واحد ذخیره سازی که به قیمت انرژی در آینده وابسته است، تغییر می‌کند که معمولا توسط واحدهای بزرگ تولید واقع در حوزه انتقال شناسایی می‌گردد. درحالی که هم اکنون برخی از اپراتورهای سیستم از مکانیزم هایی در پخش بار اقتصادی استفاده می‌کنند که به 2 ساعت پیش نگاه می‌کنند [1] که این احتمالا یک دوره کافی از زمان برای برنامه ریزی یک وسیله نقلیه الکتریکی یا یک وسیله ذخیره سازی نیست. همانطور که در مرجع [2] نشان داده شده است، عدم هماهنگی کافی بین تصمیمات انتقال تقاضا و برنامه ریزی تولید می تواند نوسانات قیمت انرژی مازاد را نتیجه دهد. همچنین تقاضای انعطاف پذیر مازاد (عمدتا در فرم وسایل نقلیه الکتریکی) فشار قابل توجهی برروی زیرساخت موجود توزیع قدرت خواهد گذاشت. درنتیجه تجارت تعدیل (تعدیل سازی شبکه) باید نه تنها قیمت و مقدار بهینه معاملات انرژی برای گام زمانی جاری را شناسایی کند (همانطور که در حال حاضر هست)، بلکه یک گواه خوب از تاثیر انتقال تقاضا برروی مقدار انرژی در آینده نزدیک را فراهم کند. علاوه براین، باید قیود (محدودیت ها) و خصوصیات شبکه های توزیع را ادغام کند. به طور کلی ساختار سنتی مسئله پخش بار اقتصادی باید تغییر کند. به طور طبیعی دو سوال اساسی پیش می آید: فرمول بندی (ساختن و نوشتن معادلات) چگونه است و چگونه می‌توان آن را حل کرد.
A. بررسی ساختار مسئله
درواقع تعداد کمی از مقالات مسئله ی تقاضای انعطاف پذیر و هماهنگی تولید را در نظر گرفته اند، اما نه در یک زمینه تجارت تعدیل. رویکردهای متمرکز در مراجع [3] تا [6] برروی چیدمان واحدهای تولید تمرکز دارند. مرجع [7] یک فرمول بندی محدب شده ی (دارای جواب) قطعی از جریان بهینه قدرت را در حوزه انتقال شامل ذخیره سازی ارائه می دهد. درحالی که ساختار بهینه سازی چنددوره ای مربوط به این مقالات مستله مارا پوشش می دهد، روش های حلشان اینگونه نیست. آن ها با توجه به بعد مسئله ازطریق تقریب ها و با استفاده از تجمع تقاضاهای حوزه انتقال کار می کنند. بنابراین درنظر گرفتن قیود (محدودیت های) شبکه توزیع غیرممکن است. مشکل ابعاد می تواند با رویکردهای راه حل توزیع شده برطرف گردد. مراجع [8] و [9] طرح ملایم سازی لاگرانژین را بدون هرگونه درنظرگرفتن محدودیت های شبکه ارائه می دهند رویکرد ارائه شده در مرجع [10] این کاررا انجام داده است اما تقاضای انعطاف پذیر و یا محدودیت ها را در حوزه توزیع در نظر نگرفته است. بعد از آن نیز در مرجع [11] همینگونه است که یک مکانیزم بروزآوری قیمت را برای بهبود سرعت همگرایی مسئله استاندارد ملایم سازی لاگرانژین پیشنهاد می دهد. به هر حال همگرایی می تواند منجر به پیدایش چند نقطه بهینه گردد و هیچ نشانه واضحی از عملکرد بهتر در مقایسه با سایر روش های توزیع که یک مسئله توسعه داده شده لاگرانژین را تجزیه می کنند، وجود ندارد. یک روش ابتکاری جایگزین برای بروزرسانی قیمت ها همراه با یک طرح ملایم سازی لاگرانژین در مرجع [12] پیشنهاد شده است که شامل تعریف حدود اختیاری برای انعطاف پذیری (آزادی عمل) کاربرواقعی می گردد. درهرحال آن مقاله برروی هماهنگی دستگاه همراه با یک ریزشبکه تمرکز می کند و هماهنگی بعدی با باقی مانده ی سیستم قدرت را درنظر نمی گیرد. مرجع [13] یک ساختار سلسه مراتبی دو سطحی را برای برنامه ریزی وسایل نقلیه الکتریکی پیشنهاد می کند اما محدودیت های شبکه توزیع را شامل نمی گردد. هیچکدام ار این شش مقاله طبیعت احتمالاتی (تصادفی) مسئله را درنظر نمی گیرند. بُعد عدم قطعیت در مرجع [14] در نظر گرفته شده است که یک رویکرد افق گردشی (چرخشی) را پیشنهاد می کند. این کار به طور طبیعی تجارت تعدیل را پوشش می دهد که هر چند دقیقه پاک سازی می گردد. هرچند که آن کار از یک مدل پخش بار نامتعادل همراه با جزئیات برای شبکه توزیع استفاده می کند اما هماهنگی آن با حوزه انتقال را در نظر نمی گیرد. به علاوه نیاز به چنین مدل هایی با جزئیات بالا برای دوره های زمانی بهینه سازی توجیه پذیر نیست، پس عملیات کمی وجود خواهند داشت، به عنوان مثال بهینه سازی تلفات یا ولتاژ هنگامی که پراکندگی تقاضای وابسته به گره (منظور نقاط تولید یا مصرف است) بالا است. یک ساختار مسئله نزدیک به آنچه که مرجع [15] پیشنهاد می دهد یعنی یک مدل زمان-گسسته، با جزئیات مدل سازی سیستم متغیر وابسته به درجه عدم قطعیت، گزینه بهتری به نظر می آید. درهرصورت آن مقاله برروی چیدمان واحدهای تولید تمرکز کرده است و تقاضای انعطاف پذیر یا محدودیت های شبکه توزیع را درنظر نمی‌گیرد.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

THE economic dispatch is the basic mechanism used to determine close to real-time the operating set-points of all controllable devices connected in the power system in an economically efficient way. In its traditional form it largely involves committed conventional generators, known renewable generation and demand, and could well be approximated by a deterministic problem typically covering a short period in time. However this changes when deferrable demand is taken into consideration, as the utility gained by a unit of energy purchased by an electric vehicle (EV) or storage unit now, depends on the price of energy in the future, which is typically determined by the large generating units located at the transmission level. While currently some system operators use economic dispatch mechanisms that look up to 2 hours ahead [1], this is probably not an adequate period of time to schedule an EV or a storage device. As [2] has shown, insufficient coordination between demand shifting decisions and generation scheduling can result in increased energy price volatility. In addition the increased flexible demand (mainly in the form of EVs) will put considerable strain on existing power distribution infrastructure. Consequently the balancing market should not only determine the price and optimal amount of energy trades for the current time-step (as it currently does) but also provide a good indication of the demand shifting impact on the value of energy in the near future. Furthermore, it would have to incorporate the constraints and peculiarities of distribution networks. Overall the structure of the traditional ED problem has to change. Naturally two fundamental questions come up: what is the formulation and how could it be solved.

A. Investigating the Problem Structure

A small number of papers have indeed considered the flexible demand and generation coordination problem, but not in a balancing market context. The centralized approaches in [3, 4, 5, 6] focus on unit commitment (UC). Reference [7] presents a transmission-level deterministic convexified OPF formulation including storage. While the multi-period optimization structure of these papers fits our problem, the solution approaches themselves do not. Due to the problem size they work through approximations by transmission-level demand aggregation. Thus taking into account distribution network constraints is out of the question. The difficulty of scale could be overcome through distributed solution approaches. References [8, 9] present Lagrangian Relaxation (LR) based schemes, without however taking into account any network constraints. The approach in [10] does, but does not consider flexible demand or constraints at the distribution level. The latter is also the case for [11], which proposes a price-update mechanism to improve standard LR convergence speed. However convergence can lead to suboptimal points and there is no clear indication of better performance compared to other distributed methods that decompose an augmented Lagrangian. An alternative heuristic method for updating prices within a LR scheme is proposed in [12], which involves defining arbitrary limits to actual user flexibility. That paper focuses on device coordination within a microgrid however, and does not consider coordination of the latter with the rest of power system. Reference [13] proposes a two-level hierarchical structure for scheduling EVs but does not include distribution network constraints. None of these six papers considers the stochastic nature of the problem. The aspect of uncertainty is considered in [14], which pro poses a rolling horizon approach. This fits naturally to the balancing market which is cleared every few minutes. While that work uses a detailed unbalanced load flow model for the distribution network, it does not consider its coordination with the transmission level. In addition the need for such highly detailed models for all optimization periods is not justified, as there would be little point in e.g. optimizing losses or voltage when nodal demand variance is high. A problem structure closer to what [15] suggests, i.e. a discrete time model, with varying system modeling detail depending on the degree of uncertainty, seems a better option. That paper however focuses on unit commitment and does not consider flexible demand or distribution network constraints.

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
مقدمه
نقش DERMS و مفاهیم آن
یک مورد استفاده ی DERMS : نایس گرید
جریان توان توزیعی نامتوازن
چالش های مدل سازی شبکه توزیعی
نتایج اصلی
نتیجه گیری

بخشی از ترجمه فارسی مقاله:

مقدمه
در چارچوب شبکه های هوشمند اینده ،به کار گیری فناوری های شبکه بندی پیشرفته موجب بهبود کارایی و اطمینان پذیری شبکه ی برق و توان شده و امکان یکپارچه سازی DER های فعال و ارائه ی چارچوبی برای خدمات جدید برای اپراتور های سیستم را می دهد.در میان اثرات بحث شده در عملیات شبکه ی توزیع در حضور تولید پراکنده چالش حفظ سطوح قابل قبول ولتاژ به یک مسئله ی مهم تبدیل شده است زیرا افزایش نفوذ DG می تواند منجر به وقوع ولتاژ های بیش از حد بالاتر از سطح مجاز شود.تعداد وسیعی از منابع و مطالعات به بررسی استفاده از اهرم انعطاف پذیری توان فعال با درخواست منابع تقاضای فعال و واحد های ذخیره ای برای کنترل ولتاژ می پردازند(1 ،2) برخی از راهبرد های مرکزی یا هماهنگ وابسته به تصمیمات کنترل زمان واقعی از کارکرد های پیشرفته در سیستم مدیریت توزیع ،استفاده از دستگاه های شبکه نظیر OLTC بانک های خازن ،و تنظیم کننده های ولتاژ هستند.رویکرد های دیگر یعنی راهبرد های توزیعی و نیمه هماهنگ نیز از کنترل ولتاژ DER استفاده می کنند که با هماهنگی دستگاه های شبکه ارتباط دارد. این پیکر بندی بر نقش انواع جدیدی سیستم مدیریت شرکتی تاکید دارد که به مشارکت فعال DER تحصیص داده شده است. این سیستم مدیریت قادر به بهینه سازی و کنترل انعطاف پذیری پتانسیل DER به شیوه ی کار امد است .
این مقاله به بررسی این رویکرد جدید می پردازد. یک راه حل DERMS اختصاص یافته (سیستم مدیریت منابع انرژی توزیعی) در سیستم اطلاعات توزیعی یوتیلیتی اتفاق می افتد. ملزومات مشارکت DER فعال در توزیع عملیات و برنامه ریزی همانند عملیات کاهش ولتاژ توسط DSO اشاره به قابلیت های براورد حالت ثابت پیش بینی شده ی متغیر های سیستم نظیر بزرگی ولتاژ برای دوره های زمانی مختلف دارد. این مقاله بر برخی مسائل مربوط به پیاده سازی برنامه های سیستم توان از جمله بخش مدل سازی ،موتور محاسبه گر یکپارچه سازی و استفاده از استاندارد هایی برای مقیاس پذیری و تفسیر پذیری اشاره دارد. این بخش با انتخاب های انجام شده در پروژه ی نایس گرید شفاف سازی شده است. این پروژه که بخشی از پروژه ی تحقیق و توسعه ی GRID4EU, به دنبال تسهیل یکپارچه سازی و استفاده از DER در شبکه های توزیعی از طریق راه حل های شبکه ی هوشمند با تکرار گسترده و پتانسیل مقیاس پذیری بالا (3،4).
نقش DERMS و مفاهیم آن
برای تسهیل یکپارچه سازی DG ، سیستم های تصمیم گیری یوتیلیتی با مدیریت فعال DER های متصل به شبکه بایستی از کنتلر DER قابلیت ها و بهبود اطمینان پذیری و بهبود کیفیت خدمات برای مشتریان و تولید کننده های توزیعی الکتریکی ذی نفع شود. تولید فعلی سیستم های مدیریت توزیع معمولا با توسعه ی مجموعه ای از کارکرد ها ارتباط دارند به طوری که اثرات DER را می توان در روند تحلیل در نظر گرفت. برای مثال بهینه سازی شبکه ی مدیریت قطع برق موقعیت خرابی ،باز سازی خدمات و غیره. دربرخی از موارد اهرم DSO کنترل Der محدود به پایش خروجی توان برای برزگترین der متصل به شبکه توزیعی است و امکان دستیابی به شرایط بحرانی وجود دارد.پروژه های شبکه ی هوشمند اخیر با هدف پیاده سازی دستورات پیشرفته انجام شدند برخی از نمونه ها شامل کنترل ولتاژ بار VVC و پیکر بندی مجدد شبکه ی بهینه است(5).
به عنوان یک رویکرد جایگزین و اهرم مدیریت مکمل ، یک راه حل DERMS در محیط شرکت به صورت یک برنامه ی اختصاص داده شده به انتگراسیون فعال DER اتفاق می افتد .هدف ان مدیریت پیچیدگی بسیاری از Dre های توزیعی و فعال است و این کار با دستیابی به قابلیت های آن ها و ارائه ی قابلیت ان ها به شکل استاندارد و تلفیق شده صورت می گیرد. در نهایت امکان تنظیم برنامه ها بر طبق آن وجود دارد.
ویژگی دیگر که دلیلی بر مهم بودن DERMS به عنوان یک بخش منطقی مجزا است این است که چالش یکپارچه سازی DER در کل سازمان با ذی نفعان اتفاق می افتد و کاملا متفاوت از سیستم توان یکپارچه است. به دلیل وجود پارامتر های مسئولیت پذیری توزیعی در میان شرکت کنندگان مختلف امکان اطمینان از کنترل مستقیم حفظ واحد های DER مشتری هم به دلیل قانونی و هم به دلیل کارکردی وجود ندارد. فعالان جدید نظیر مهندسان فنی و یا دست اندرکاران اقتصادی مسئول یکپارچه سازی و صدور DER هایی هستند که متعلق به پرتفوی های ان ها است.جمع آوری کنندگان مختلف قادر به ارائه ی خدماتی هستند که نشان می دهد DER به صورت یک نهاد مجزا در یک زمینه ی خاص است.این کار از طریق طیف وسیعی از دارایی های انعطاف پذیر در چارچوب تاسیسات الکتریکی مصرف کننده ها صورت می گیرد. به این ترتیب امکان یکپارچه سازی مبادلات با اشخاص ثالث در سطوح مختلف به غیر از برنامه های شبکه ی پیشرفته ضمن هماهنگ سازی این عملیات مدیریت شده توسط اپراتور توزیعی وجود دارد.
در این پیکر بندی DERMS انتظار می رود که یک سرویس تسهیل کننده را بین اپراتور شبکه و جمع اوری کنندگان تجاری و دستگاه های کنترل DER ، پایش پذیری اطلاعات و منطقی سازی مبادلات داده ها در اختیار بگذارد و این در نهایت می تواند راجع به تنظیمات کنترل وضعیت منابع باشد. DERMS ها بایستی عملکرد تصمیمات کنترل پیشرفته نظیر کنترل ولتاژ را در نظر بگیرند بدون اینکه افتی در صحت وجود داشته باشد .وظایفی که DERMS انجام می دهد بر اساس نوع یوتیلیتی و از یک پروژه به پروژه ی دیگر متفاوت است.بخش بعدی به بررسی موارد استفاده در چارچوب پروژه ی نایس گرید می پردازد.

بخشی از مقاله انگلیسی:

INTRODUCTION

Within the perspective of future Smart Grids, the deployment of advanced networking technologies will tend to improve the efficiency and reliability of the power network, by enabling an integration of active DERs and by providing the framework for new services to system operators. Amongst the impacts to be addressed in distribution network operation in the presence of Distributed Generation (DG), the challenge to maintain an acceptable voltage level has become a major concern, as an increase of DG penetration can result in local overvoltage occurrences above the permissible level. A large body of literature investigates the possibilities of leverage of active power flexibility by requesting Active Demand resources and storage units for voltage control [1-2]. Some centralized or coordinated strategies rely on real-time control decisions made from advanced functions in Distribution Management System (DMS), using network devices such as OLTC, capacitor banks, voltage regulator. Other approaches, i.e. semicoordinated or distributed strategies, tend to use a local voltage-related control of DERs, possibly associated with a coordination of network devices. This configuration emphasizes the roles of a new type of enterprise management system, dedicated to the active participation of DERs. This management system shall be able to optimize and control the potential flexibilities of DERs in the most efficient manner. The present paper explores this latest approach. A dedicated DERMS solution (Distributed Energy Resource Management System) shall take place in the Utility Distribution information system. The requirements of effective DER participation in distribution operation and planning, like for instance the operations of voltage mitigation by the DSO, imply the capabilities to effectuate an anticipated steady-state estimation of the system variables like voltage magnitude for different time periods. The present paper is centred on some of the issues regarding the implementation of the relevant power system applications, including the modelling part, the calculation engine, the integration and use of standards for better scalability and interoperability. Each section is illustrated with the choices done within the Nice Grid project. This project, part of the European RD&D Project GRID4EU, aims at facilitating the integration and usage of DER in distribution networks, through smart grid solutions with wide replication and scalability potential [3-4].

DERMS ROLE AND CONCEPTS

To facilitate the integration of DG, utility decision systems with active management of grid-connected DERs should take advantage of the DER control capabilities for improving the reliability and overall quality of service for the electric distribution customers and producers. The current generation of Distribution Management Systems is merely dealing with an extension of the traditional set of functionalities so that DER impacts can be included or not in the analysis tools: e.g. network optimization, outage management, fault location, service restoration, and so on. In most cases, DSO lever of DER control is limited to the monitoring of the power output for the largest DERs connected on the distribution network, with a possibility of remote tripping during critical conditions. More recent Smart Grid projects aim to implement more advanced functionalities; some examples amongst them are Volt-Var Control (VVC) or optimal network reconfiguration [5]. As an alternative approach and a complementary management lever, a DERMS solution may take place in an enterprise environment as an application dedicated to active DER integration. It aims at managing the complexity of many diverse and distributed DERs, by getting their unique statuses and specific capabilities of each, and presenting these capabilities, mostly under a simplified, standardized and generally aggregated form, to other third-party applications, and finally, being able to dispatch coordinated control settings, accordingly. Another feature, and also justification for a DERMS as a separate logical entity, is that the challenge of DER integration can take place in a whole system organization with multiple stakeholders, radically different from the traditional vertically integrated power system. Because of the distributed responsibility perimeters amongst the different participants, it may be not possible to ensure a direct control of the flexibility reserve of customerowned DER units, both for practical and regulatory reasons. New actors, the technical or economical aggregators, may be responsible for the aggregation and the dispatching of the DERs that belong to their respective portfolios. The aggregator is able to provide services as if the DERs were a single entity, on a specific area, through a coordination of various dispatchable flexibility assets within the electrical installations of participating prosumers. It is hence necessary to integrate the exchanges with third parties at a same level than the advanced network applications, while the coordination of the operations is managed by the distribution operator. In such a configuration, DERMS is expected to provide a facilitation service between the network operators and the commercial aggregators and/or the DER control devices, ensuring information traceability and rationalization of the data exchanges, about transaction parameters, control settings, resource statuses. DERMS shall also maintain the performance of its advanced control decisions, such as voltage control, without significant loss of accuracy due to aggregation [6]. The functionalities addressed by a DERMS instance can be very different from utility to utility, or from a demonstration project to another. The next section aims at illustrating one use case within the Nice Grid project.

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
1. مقدمه
1.1 اساس‌های زمان بندی
2. محیط‌های توزیع یافته مرسوم
3. معماری گرید
4. تکنیک ها و الگوریتم‌های زمان بندی استفاده شده در محاسبات گرید
4.1 استراتژی گروه بندی شغل در محاسبات گرید
4.2 زمان بندی انطباقی
4.3 الگوریتم شب تاب
4.4 الگوریتم بهینه سازی کلونی مورچه (ACO)
4.5 الگوریتم غیرمستدل برای زمان بندی شغل
4.6 الگوریتم زمان بندی مهلت اولویت بندی شده (PDSA)
4.7 تکنیک توازن بار
4.8 زمان بندی وظیفه در زمان بندی شغلی
4.9 الگوریتم (MFQ)
4.10 اولویت غیرپیشگیرانه (NPRP)
5. تشکر و قدردانی
6. نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1. مقدمه
محاسبات شبکه، مخزنی از تعدادی منبع‌ محاسباتی می‌باشد. منبع‌ها نوع‌های متفاوتی از کامپیوترها می‌باشد که با یک شبکه برای حل مسئله محاسباتی متصل شده‌اند. آن‌ها برای داده کاوی در تعداد زیادی از آزمایش‌های تحقیق-محور بسیار استفاده شده‌اند. دانشمندان، محاسبات شبکه را برای کار تحقیقاتی‌شان استفاده می‌کنند. محاسبات شبکه برای ایجاد نوع متفاوتی از ماشین‌ها که در جایگاه‌های متفاوت واقع شده‌اند که ممکن است در جایگاه‌های فیزیکی متفاوت باشد؛ مفید می‌باشند. خوشه‌ها نیز برای افزایش منابع در دسترس در سطح فیزیکی کمک کننده می‌باشند اما در جایگاه متفاوتی برای کار با یکدیگر. آنها به ارتباطات نظیر به نظیر و اینترنت برای مجاز ساختن خوشه‌ها و برای کنترل خوشه‌های متعدد در جایگاه‌های متفاوت نیاز دارند که به یک فرایند زمان بندی شبکه واحد نیاز می‌باشد که در آن فرایند می‌تواند از ابزار ارتباطات نظیر به نظیر استفاده کند؛ در محاسبات خوشه انجام شده با CPU. این امر اکثرا برای بهبود عملکرد منبع‌ها استفاده شده است.
هدف اصلی محاسبات شبکه توزیع توان محاسباتی، داده‌های ذخیره و منبع شبکه برای حل مسئله خاص در میان ترتیب‌های دینامیکی و جغرافیایی می‌باشد. گرید یک سیستم توزیعی می‌باشد که توزیع، انتخاب و از لحاظ مکانی منبع‌های توزیعی را در زمان اجرا مقدور می‌سازد یعنی وابسته به قابلیت استفاده، توانایی، اجرا و کیفیت خدمات مطابق با مشخصات کاربر. قابلیت شبکه‌های پردازنده و کامپیوتر رایج به طور نمایی در مقایسه با چارچوب‌های اصلی مرسوم تقویت شده است. این پیشرفت در عملکرد آن‌ها به طور عام اتلاف منبع‌های گرید محاسباتی نامیده می‌شود ازانجاکه اکثرا واحد پردازش مرکزی، آزاد گذاشته می‌شود. گرید این چرخه‌های واحد پردازش مرکزی آزاد را برای پردازش محاسبه بکار می‌برد وقتی با تقاضا کننده گرید درخواست می‌شوند. محاسبه گرید، به‌کارگیری بهینه ای از منبع‌ها را ایجاد می‌کند که چرخه‌های CPU در غیر این صورت اتلاف خواهند کرد.
مطابق با این امر، کاربران می‌توانند منبع محاسباتی بزرگ‌تری را بدست آورند و می‌توانند موضوعات محاسباتی مقیاس بزرگشان را بدین ترتیب با حل یک مسئله پیچیده برای سطح محاسباتی یک ابرکامپیوتر پردازش کنند. یک زمان بند ، نقشی بسیار مهم در محاسبه شبکه بازی می‌کند. زمان بند برای مدیریت شغل‌ها و منبع‌های دردسترس در محاسبه گرید مفید می‌باشد.
انگیزش اصلی زمان بند باید ماکزیمم کردن به‌کارگیری منبع‌ها و مینیمم کردن زمان اجرای کار باشد. زمان بند منبع‌های مناسب را برای شغل انتخاب می‌کند تا اجرایش را کامل کند.
زمان بندی گرید اساسا بر دو نوع طبقه بندی می‌شود:
1. زمان بندی استاتیک: در این زمان بندی، شغل‌ها برای منبع‌های دردسترس قبل از اجرا معین می‌شوند و اجرا را بدون توقف برای این منبع‌ها ادامه می‌دهند.
2. زمان بندی دینامیک: در زمان بندی دینامیک، زمان بندی مجاز شده است و شغل اجرایی می‌تواند مطابق با حالت دینامیک آن‌ها درباره بارکاری منبع‌ها انتقال داده شود.
1.1 اساس‌های زمان بندی
زمان بندی، فرایندی است که اجرای وظایف وابسته به یکدیگر را روی منبع‌های توزیع شده مدیریت می‌کند. آن منبع‌های مناسب معین شده را برای وظایف گردش کاری به راه می‌اندازد به طوری که این اجرا می‌تواند برای انجام تابع‌های هدف مورد نظر که توسط کاربرها اشاره شده است؛ اتمام شود. وقتی یک فعالیت باید وابسته به 1- مدت، 2- زمان پردازش، 3- زمان شروع، 4- زمان پایان 5- زمان اجرای انتظاری آن شروع و پایان یابد.
2. محیط‌های توزیع یافته مرسوم
1. محاسبات خوشه: یک کامپیوتر خوشه نوعی از محاسبات می‌باشد که گروهی از کامپیوترهای جفت شده فشرده است که درکنار هم کار می‌کنند بطوریکه می‌توان آن را به صورت یک کامپیوتر واحد دید.
2. محاسبات گرید: محاسبات گرید (یا استفاده از یک گرید محاسباتی) به‌کارگیری منبع‌های کامپیوترهای چندگانه روی یک شبکه برای یک مسئله واحد در زمان یکسان می‌باشد- معمولا برای یک مسئله فنی که به یک عدد بزرگ از دوره‌های پردازش کامپیوتر یا ورودی برای مقدارهای زیاد از داده نیاز دارد.
3. محاسبات ابری: محاسبات ابری، شکلی از محاسبه می‌باشد که به معنی ذخیره سازی و دسترسی به داده‌های شما روی اینترنت بجای هارد دیسک مشتری می‌باشد.

بخشی از مقاله انگلیسی:

1. INTRODUCTION

Grid computing is a pool of computational no. of resources, resources are different type of computers that is interconnected with a network to solve computational problem. There are being very used in data mining for a large no. of research-based experiments. The scientists uses the grid computing for their research work. The grid computing is to useful to makes a different type of machines that are located in different locations that may be in different physical locations. Clusters is also helpful to increase the available resources at physical level but at the different location to work together. They needs peer to peer communication and internet to allow the clusters and to control the multiple clusters at different locations that you requires a single Grid scheduling process where that process can use peer to peer communication tool .In cluster calculation have been done by CPU. This is mostly used to improve the performance of the resources. The main purpose of Grid computing is to distribute the computational power, storage data and network resource to solve the particular problem across dynamic and geographically organizations. Grid is a dispersed system that enables the distribution, selection, and geologically dispersed resources enthusiastically at runtime i.e. depending on their usability, ability, execution and quality of service according to the user’s specification. The capability of current computer and processor networks has amplified exponentially as compared with customary mainframes. This enhancement in their performance, in general terms wastage of computational grid resources because mostly the central processing unit sits free. Grid utilizes this free central processing unit cycles to processing the computation when it is requested by the grid applicant. Grid computing makes an optimized utilization of the resources the CPU cycles otherwise would have wasted. According to this the users can get greater computation resource and can process their large-scale computational issues thus solving a complex problem to the computational level of a supercomputer. A scheduler plays a very important role in grid computing. Scheduler is helpful for managing the jobs and available resources in grid computing. The main motive of the scheduler should be maximize utilization of the resources and minimize the time of the job execution. The scheduler select suitable resources for job to complete its execution. Grid scheduling are mainly classified on the basis of two types: 1. Static scheduling: In this scheduling the jobs are assigned to the available resources before execution and continue the execution without interruption for these resources. 2. Dynamic Scheduling: In dynamic scheduling rescheduling is allowed and executing job can be transferred according to their dynamic status about the workload of the resources.

1.1 Scheduling Fundamentals

Scheduling is a process that manages the execution of interdependent tasks on distributed resources. It launch the assigning suitable resources to workflow tasks so that the execution can be finished to fulfil target objective functions that is pointed out by users. When an activity should start and end, depending on its (1) duration, (2) Processing-time, (3) Start-time (4) Finish-time (5) Expected execution time.

2. CURRENTLY DISTRIBUTED ENVIRONMENTS

1. Cluster Computing: A cluster computer is a type of computing that is a group of tightly coupled computers works teamwise so that it can be viewed as a single computer. 2. Grid Computing: Grid computing (or the use of a computational grid) is applying the resources of multiple computers on a network to a single problem at the identical time – usually to a technical problem that needs a great number of computer processing cycles or entrance to large amounts of data. 3. Cloud Computing: Cloud computing is a form of computing which means storing and access your data on the Internet instead of client’s hard disk.