بهینه سازی شبکه های توزیع فعال در حضور پروسیومرهای مبتنی بر منابع فتوولتائیک و باتری

در این مطالعه، یک رویکرد مبتنی بر برنامه‌ریزی مخروطی درجه دوم عدد صحیح مرکب برای مدیریت انرژی شبکه‌های توزیع فعال با پروسیومرهای مبتنی بر منابع تجدیدپذیر (فتوولتائیک و ذخیره‌سازی انرژی) پیشنهاد شده است. در این رویکرد، یک مدل چند هدفه برای کاهش هزینه برق پروسیومرزها، هزینه تلفات انرژی شبکه و هزینه قطع توان منابع تجدیدپذیر فرمول‌بندی شده است. هدف این مدل، بهینه‌سازی عملکرد شبکه توزیع در شرایط عدم قطعیت منابع است. نتایج شبیه‌سازی‌ها در شبکه‌های توزیع مختلف (33 باس و 69 باس) نشان داد که روش پیشنهادی نسبت به روش‌های متداول مانند الگوریتم‌های گرگ خاکستری و ژنتیک، به طور قابل توجهی در کاهش تلفات انرژی، کاهش انحراف ولتاژ و بهبود توزیع بار موثرتر است. به طور خاص، تلفات انرژی در روش پیشنهادی در شبکه 69 باس به میزان 0.2547 مگاوات کاهش یافته است که نسبت به الگوریتم گرگ خاکستری (0.3258 مگاوات) و ژنتیک (0.3547 مگاوات) کاهش قابل توجهی دارد. همچنین، کمترین ولتاژ در روش پیشنهادی برابر با 0.9821 پریونیت بوده که از الگوریتم‌های دیگر (0.9721 و 0.9701 پریونیت) بالاتر است. در مقایسه با سایر روش‌ها، پیک بار در روش پیشنهادی به 0.470 مگاوات کاهش یافته که نسبت به الگوریتم‌های گرگ خاکستری (0.521 مگاوات) و ژنتیک (0.587 مگاوات) بهبود یافته است. همچنین، زمان محاسبات در روش پیشنهادی تنها 4 ثانیه است که به طور قابل‌توجهی سریع‌تر از الگوریتم‌های گرگ خاکستری (69 ثانیه) و ژنتیک (196 ثانیه) است. این نتایج نشان‌دهنده قابلیت بالای روش پیشنهادی در کاهش تلفات انرژی، بهبود کیفیت ولتاژ و افزایش بهره‌وری پروسیومرزها در شبکه‌های توزیع فعال است. 

optimization of active networks in the presence of prosumers based on photovoltaic and battery resources

in this study, an approach based on mixed integer quadratic conic programming is proposed for energy management of active distribution networks with renewable energy-based prosumers (photovoltaics and energy storage). in this approach, a multi-objective model is formulated to reduce the electricity cost of processors, the cost of network energy losses, and the cost of renewable power outages. the goal of this model is to optimize the performance of the distribution network under conditions of resource uncertainty. the simulation results in different distribution networks (33 buses and 69 buses) showed that the proposed method is significantly more effective in reducing energy losses, reducing voltage deviations, and improving load distribution than conventional methods such as gray wolf and genetic algorithms. specifically, the energy losses in the proposed method in the 69-bus network have been reduced by 0.2547 mw, which is a significant reduction compared to the gray wolf (0.3258 mw) and genetic (0.3547 mw) algorithms. also, the lowest voltage in the proposed method is equal to 0.9821 per unit, which is higher than the other algorithms (0.9721 and 0.9701 per unit). compared to other methods, the peak load in the proposed method is reduced to 0.470 mw, which is an improvement over the gray wolf (0.521 mw) and genetic (0.587 mw) algorithms. also, the computation time in the proposed method is only 4 seconds, which is significantly faster than the gray wolf (69 seconds) and genetic (196 seconds) algorithms. these results indicate the high capability of the proposed method in reducing energy losses, improving voltage quality, and increasing the efficiency of prosumers in active distribution networks.