a milp model incorporated with the risk management tool for self-healing oriented service restoration

The inevitable emergence of intelligent distribution networks has introduced new features in these networks. according to most experts, self-healing is one of the main abilities of smart distribution networks. this feature increases the reliability and resiliency of networks by reacting fast and restoring the critical loads (cls) during a fault. nevertheless, the stochastic nature of the components in a power system imposes significant computational risk in enabling the system to self-heal. in this paper, a mathematical model is introduced for the self-healing operation of networked microgrids (mgs) to assess the risk in the optimal service restoration (sr) problem. electric vehicles (evs) and plug-in hybrid electric vehicles (phevs) and their stochastic nature besides the distributed generation units (dgs), the ability to reconfiguration, and demand response program are considered simultaneously. the objective function is designed to maximize the restored loads and minimize the risk. the conditional value-at-risk (cvar) is used to calculate the risk of the sr as one of the most efficient and famous risk indices. in the general case study and considering β equal to the 0, 1, 2, 3, and 4, expected values of sr for the risk-averse problem is 21.2, 20, 19.3, 19.1, and 19% less than the risk-neutral problem, respectively. the formulation of the problem is mixed-integer linear programming (milp), and the model is tested in the modified civanlar test system. the analysis of several case studies has proved the performance of the proposed model and the importance of risk management in the problem.

یک مدل milp همراه با ابزار مدیریت ریسک برای بازیابی خدمات خود درمانی

ظهور اجتناب ناپذیر شبکه های توزیع هوشمند، ویژگی های جدیدی را در این شبکه ها معرفی کرده است. به گفته اکثر کارشناسان، خود درمانی یکی از توانایی های اصلی شبکه های توزیع هوشمند است. این ویژگی با واکنش سریع و بازیابی بارهای بحرانی (cls) در هنگام خطا، قابلیت اطمینان و انعطاف پذیری شبکه ها را افزایش می دهد. با این وجود، ماهیت تصادفی اجزای یک سیستم قدرت، ریسک محاسباتی قابل توجهی را در توانمندسازی سیستم برای خودترمیمی تحمیل می‌کند. در این مقاله، یک مدل ریاضی برای عملیات خود ترمیمی ریزشبکه‌های شبکه‌ای (mgs)برای ارزیابی ریسک در مسئله بازسازی سرویس بهینه (sr) معرفی شده‌است. وسایل نقلیه الکتریکی (evs) و خودروهای الکتریکی هیبریدی پلاگین (phevs) و ماهیت تصادفی آنها علاوه بر واحدهای تولید پراکنده (dgs)، قابلیت پیکربندی مجدد و برنامه پاسخگویی به تقاضا به طور همزمان در نظر گرفته شده است. تابع هدف برای به حداکثر رساندن بارهای بازیابی شده و به حداقل رساندن خطر طراحی شده است. ارزش شرطی در معرض خطر (cvar) برای محاسبه ریسک sr به عنوان یکی از کارآمدترین و معروف ترین شاخص های ریسک استفاده می شود. در مطالعه موردی کلی و با در نظر گرفتن $beta $ برابر با 0، 1، 2، 3، و 4، مقادیر مورد انتظار sr برای مشکل ریسک گریز 21.2، 20، 19.3، 19.1 و 19% کمتر از به ترتیب مشکل خنثی ریسک. فرمول مسئله برنامه‌ریزی خطی عدد صحیح مختلط (milp) است و مدل در سیستم آزمایشی اصلاح‌شده civanlar آزمایش می‌شود. تجزیه و تحلیل چندین مطالعه موردی عملکرد مدل پیشنهادی و اهمیت مدیریت ریسک در مشکل را ثابت کرده است.