بهره‌برداری بهینه ریزشبکه‌ها با استفاده از الگوریتم تکاملی دو سطحی در حضور قطعی منابع انرژی تجدید پذیر

با افزایش نفوذ منابع انرژی تجدیدپذیر مانند تولید بادی و فتوولتائیک در ریزشبکه آینده، به دلیل شرایط آب و هوایی متغیر، چالش‌هایی پدید می‌آید. در این مقاله، مدلی برای بهینه‌سازی عملکرد ریزشبکه تحت شرایط بدترین حالت خرابی منابع انرژی تجدیدپذیر با استفاده از بهینه سازی دو ‌سطحی ارائه شده است. در مساله سطح بالا، بهینه‌سازی از دیدگاه کاهش اتلاف انرژی و قطع بار در برنامه مدیریت بار، همچنین شارژ و دشارژ بهینه سیستم‌های ذخیره‌سازی انرژی صورت گرفته است. مساله سطح پایین بیشینه کردن قطعی انرژی تجدیدپذیر در نظر گرفته شده است. روشی برای حل مساله بهینه‌سازی دو سطحی ارائه شده که شامل متغیرهای باینری در هر دو سطح است که توسط یک الگوریتم تکاملی مبتنی بر الگوریتم ژنتیک غیر غالب (nsga ii) حل شده است. مدل و الگوریتم پیشنهادی با استفاده از زبان برنامه‌نویسی جولیا پیاده‌سازی شده است. با استفاده از یک ریزشبکه 33 باس، عملکرد مدل در شرایط مختلف مورد بررسی و نتایج بهینه‌سازی بهینه عملکرد ریزشبکه تحت شرایط بدترین خرابی منابع انرژی تجدیدپذیر نشان داده شده است. نتایج نشان می دهد که با افزایش تعداد خروج بدترین قطع منابع تجدیدپذیر به ترتیب تلفات انرژی تا 9 درصد افزایش می یابد، همچنین مقایسه روش پیشنهادی نسبت به سایر الگوریتم ها برتری روش پیشنهادی را در مدت زمان حل مسئله و همچنین شاخص های مهم ریزشبکه نشان داد.

optimal operation of microgrids using bi-level evolutionary algorithm in the presence of uncertain renewable energy resources

with the increasing penetration of renewable energy sources such as wind and photovoltaic generation in future microgrids, challenges arise due to variable weather conditions. in this paper, a model is proposed to optimize the performance of microgrids under the worst-case scenario of renewable energy source failures using a bi-level optimization. in the upper-level problem, optimization is carried out in terms of energy loss reduction, load shedding in the load management program, as well as optimal charging and discharging of energy storage systems. the lower-level problem considers maximizing the utilization of renewable energy. a bi-level optimization solution method is proposed, which involves binary variables at both levels and is solved using a non-dominated sorting genetic algorithm (nsga-ii). the proposed model and algorithm are implemented using the julia programming language. the performance of the model is examined under various conditions using a 33-bus microgrid, and the optimization results demonstrate the optimal performance of the microgrid under the worst-case scenario of renewable energy source failures.