برنامه‌ریزی شبکۀ توزیع فعال چند ناحیه‌ای در حضور نقاط باز نرم براساس تئوری تصمیم‌گیری شکاف اطلاعاتی

در این مقاله، یک چارچوب سه سطحی برای تعیین برنامه‌ریزی بهینه یک شبکه توزیع فعال چند ناحیه‌ای در حضور نقاط باز نرم (sop) بین ناحیه‌ای پیشنهاد شده است. در این چارچوب، عدم قطعیت تولید تجدیدپذیر و تقاضای پیش‌بینی‌شده با استفاده از نظریه تصمیم‌گیری شکاف اطلاعاتی به شیوه‌ای ریسک‌گریز مدل‌سازی شده است. برنامه‌ریزی هماهنگ ژنراتورهای توزیع‌شده قابل کنترل (cdg) و sopها، مبادلات انرژی بین ناحیه‌ای و تجارت انرژی با شبکه بالادست با در نظر گرفتن عدم قطعیت‌ها، از نوآوری‌های روش ارائه ‌شده‌اند. برای بهبود کارایی محاسباتی و دستیابی به راه‌حل بهینه، مسئله برنامه‌ریزی به‌عنوان برنامه‌ریزی مخروطی مرتبه دوم مدل‌سازی شده که در آن محدودیت‌های عملیاتی و امنیتی شبکه، قیود cdg و محدودیت‌های عملیاتی sopها به‌طور دقیق مدل‌سازی و در محیط matlab با حل‌کنندۀ cplex حل شده‌اند. مطالعه موردی روی سیستم آزمایشی اصلاح‌شدۀ 33 شینۀ ieee برتری مدل پیشنهادی را در مقایسه با الگوریتم‌های فراابتکاری مانند الگوریتم بهینه‌سازی ازدحام ذرات، الگوریتم ژنتیک و الگوریتم جستجوی گرانشی نشان می‌دهد.

multi-area active distribution network scheduling in the presence of soft open points based on information gap decision theory

in this paper, a three-level framework is proposed to determine the optimal scheduling of a multi-area active distribution network in the presence of inter-area soft open points (sops). in this framework, the uncertainty of renewable generation and forecasted demand is modeled using information gap decision theory in a risk-averse manner. coordinated scheduling of controllable distributed generators (cdgs) and sops, inter-area energy exchanges and energy trading with upstream network considering the uncertainties are the contribution of the presented method. to improve the computational efficiency and to achieve the optimal solution, the scheduling problem is modeled as a second-order conic programming in which the operational and security constraints of the network, cdg limitations, and operational constraints of sops are accurately modeled and the problem is solved by executing cplex solver in matlab environment. a case study on ieee 33-bus test system showcases the superiority of the proposed model compared to meta-heuristic algorithms such as particle swarm optimization, genetic algorithm, and gravitational search algorithm.