بازیابی بهینه سیستم‌های توزیع فعال با هدف بهبود تاب‌آوری و با در نظر گرفتن عدم قطعیت منابع تجدیدپذیر

هدف شبکه‌های هوشمند در سراسر جهان، تامین برق قابل اطمینان و تاب‌آور به مشترکین می‌باشد. در اتفاقات بزرگ ناشی از حوادث طبیعی، منابع تولید پراکنده در تغذیه قابل اطمینان و تاب‌آور بارهای شبکه نقش کلیدی را بازی می‌کنند. تاب‌آوری سیستم‌های قدرت را می توان به عنوان توانایی سیستم در آماده‌سازی و برنامه‌ریزی برای جذب آسیب و تطبیق/ بازیابی به منظور جلوگیری از تاثیرات حوادث مشابه در آینده تعریف کرد. بنابراین، تاب آوری یک سیستم قدرت بطور خلاصه به سه مشخصه پیشگیری، قابلیت تداوم برق رسانی و بازیابی نسبت داده می‌شود. بهبود در هر یک یا تمام این سه مشخصه، تاب آوری کل سیستم را بهبود می‌دهد. در این مقاله، یک الگوریتم بازیابی بهبود یافته در سیستم‌های توزیع، با حضور منابع تولید پراکنده تجدیدپذیر و قابل برنامه‌ریزی برای افزایش قابلیت تداوم تغذیه بارهای قطع شده ناشی از حوادث شدید همانند حوادث طبیعی ارائه می‌شود. در مدل ارائه شده، یک استراتژی بهینه برای بازیابی حداکثر بارها با مینیمم عملکردهای کلیدزنی و حداکثر بازیابی بار تحت شرایط خطا پیشنهاد می‌شود. در روش پیشنهادی، از الگوریتم ژنتیک به عنوان یک الگوریتم قدرتمند در بهینه سازی استفاده شده و چگونگی پیاده سازی و حل مدل پیشنهادی توسط الگوریتم ژنتیک معرفی می‌گردد. کارایی روش پیشنهادی بر روی شبکه تست 33 باس ieee بررسی و نتایج حاصل تحلیل شده است.

Optimal Restoration of Active Distribution Systems for Enhancing Resilience Considering the Uncertainty of Renewable Sources

Smart grids all over the world aim at providing reliable and resilient power to customers. During major contingencies of largescale natural disasters, Distributed Generations (DGs) play a key role in delivering a resilient and reliable supply of loads. Major natural disasters such as floods and hurricanes often cause lengthy interruptions in electricity distribution systems and degrade the level of service to endusers. The utilities have mainly focused on restoring the distribution system since the power grid is susceptible to natural disasters. A resilient system #39;s primary purpose is to allow the restoration of outofservice loads as soon as possible after an extreme event. The resilience of a power system can be defined as ldquo;the ability of the system to prepare and plan for absorbing the damage and adapting/recovering in order to prevent the impacts of similar events in the future rdquo;. Therefore, the resilience of a power system is briefly attributed to three aspects of prevention, survivability, and recovery. Improvements in any or all of these features can enhance the overall resilience of the power system. This paper presents a selfhealing restoration algorithm for power distribution systems exposed to extreme natural disasters. Indeed, an improved restoration algorithm in distribution systems in the presence of renewable and dispatchable DGs is proposed for enhancing the survivability of outofservice loads due to extreme events, like natural disasters. The algorithm can analyze the effects of multiple faults, which arise due to a lowprobability, highimpact event like a natural disaster. In the presented method, an optimal strategy is introduced to restore maximum loads with minimum switching operations and maximum load restoration under fault conditions. In order to consider uncertain parameters, a stochastic scenariobased approach is considered and the expected values as objectives are minimized to consider the effect of all scenarios. In the proposed method, the Genetic Algorithm (GA) is utilized as a powerful algorithm in optimization and how to implement and solve the proposed model by the GA is introduced. An evaluation of the proposed approach is conducted through a typical case study. A modified IEEE 33node system is considered for this reason. The simulated results indicate that in the presence of microgrids and an automated switchingbased distribution system, the system #39;s resilience is improved significantly. However, the present study did not address microgrids #39; dynamic response. In the event of extreme natural disasters, utilities can use the proposed algorithm to improve the recovery of outofservice loads.