اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,097 |
| تعداد دریافت فایل اصل مقاله | 6,961,229 |
بهرهبرداری بهینه ریز شبکههای چند حامله انرژی تاب آور تحت رویدادهای با احتمال کم و تأثیر بالا | ||
| علوم و فناوریهای پدافند نوین | ||
| دوره 16، شماره 1 - شماره پیاپی 59، خرداد 1404، صفحه 51-60 اصل مقاله (727.03 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سینا صمدی قره ورن* 1؛ سعید قاسم زاده2؛ مهروز نصیری،3 | ||
| 1استادیار، دانشگاه تبریز ، تبریز، ایران | ||
| 2استاد، دانشگاه تبریز، تبریز، ایران | ||
| 3پژوهشگر، شرکت توزیع نیروی برق استان آذربایجان شرقی ، تبریز، ایران | ||
| تاریخ دریافت: 11 فروردین 1404، تاریخ بازنگری: 22 اردیبهشت 1404، تاریخ پذیرش: 18 خرداد 1404 | ||
| چکیده | ||
| در سالهای اخیر، بلایای ناشی از شرایط آبوهوایی شدید به سیستمهای برق آسیبهای جبرانناپذیری وارد کردهاند که توجه برنامهریزان را به افزایش تابآوری این سیستمها جلب کرده است. در راستای اهداف این مسئله، این مقاله یک برنامهریزی دومرحلهای بر اساس مدل تابآوری معرفی میکند تا طراحی پنلهای خورشیدی، میکرو توربینها و پیل سوختی را در شبکة میکرو چند حامل انرژی بهمنظور افزایش تابآوری سیستم در برابر رویدادهای با تأثیر بالا انجام دهد. چارچوب پیشنهادی بهصورت برنامهریزی مختلط صحیح درجه دوم فرموله شده است که در مرحله اول تصمیمات سرمایهگذاری را میگیرد و در مرحله دوم متغیرهای بهرهبرداری را بهینهسازی میکند تا تابآوری سیستم را تقویت کند. یک مدل یکپارچه برق و گاز برای افزایش درک خوانندگان از تعاملات متقابل بین انرژی الکتریکی و حرارتی استفاده میشود؛ بنابراین، دسترسی به سوخت و قیمت میکرو توربین بهطور صریح فرموله و ارزیابی میشود. یک نمودار خطی از شبکههای میکرو انرژی ۱۴ باسه بهمنظور بررسی کارایی و کارآمدی مدل پیشنهادی استفاده میشود. مطالعات مقایسهای بهصورت عددی نشان میدهند که روش پیشنهادی به اپراتور شبکه میکرو کمک میکند تا راهحلهای بهینه برای تقویت تابآوری سیستم برق در برابر رویدادهای شدید را شناسایی کند. | ||
| کلیدواژهها | ||
| برنامهریزی دومرحلهای؛ بهینهسازی؛ تابآوری؛ ریز شبکههای چند حامله | ||
| عنوان مقاله [English] | ||
| Optimum Operation of Resilient Multi-Energy Microgrids under Low Probability and High Impact Events | ||
| نویسندگان [English] | ||
| sina samadi gharehveran1؛ , Saeid Ghassem Zadeh2؛ Mahrooz Nasiri,3 | ||
| 1Assistant Professor, University of Tabriz, Tabriz, Iran | ||
| 2Professor, University of Tabriz, Tabriz, Iran | ||
| 3Researcher, East Azerbaijan Province Electricity Distribution Company, Tabriz, Iran | ||
| چکیده [English] | ||
| In recent years, disasters caused by extreme weather conditions have caused irreparable damage to power systems, which has attracted the attention of planners to increase the resilience of these systems. In line with the objectives of this issue, this paper introduces a two-stage planning based on the resilience model to design solar panels, microturbines, and fuel cells in a multi-energy carrier microgrid in order to increase the resilience of the system against high-impact events. The proposed framework is formulated as a second-order integer mixed programming that makes investment decisions in the first stage and optimizes the operating variables in the second stage to enhance the resilience of the system. An integrated electricity and gas model is used to enhance the readers’ understanding of the mutual interactions between electrical and thermal energy; therefore, the fuel availability and price of the microturbine are explicitly formulated and evaluated. A linear diagram of 14-bus micro-energy grids is used to investigate the efficiency and effectiveness of the proposed model. Numerical comparative studies show that the proposed method helps the micro-grid operator to identify optimal solutions to enhance the resilience of the power system against extreme events. | ||
| کلیدواژهها [English] | ||
| Multi-Energy Microgrids, Optimization, Resiliency, Two-Stage Scheduling | ||
| مراجع | ||
|
[1] Zhao, P.; Cao, Z.; Dajun Zeng, D.; Wang, Z.; Chen, X.; Yan, X. “Cyber Resilient Multi-Energy Management for Complex Systems”; IEEE Trans. Ind. Inform. 2021, 18, 2144-2159. DOI: 10.1109/TII.2021.3097760 [2] Lai, K.; Illindala, M. S. “A Distributed Energy Management Strategy for Resilient Shipboard Power Systems”; Appl. Energy 2018, 228, 821-832. DOI: 10.1016/j.applenergy. 2018.02203 [3] Panteli, M.; Mancarella, P. “The Grid: Stronger, Bigger, Smarter? Presenting a Conceptual Framework of Power System Resilience”; IEEE Power Energy Mag. 2015, 13, 58-66. DOI: 10.1109/MPE.2015.2397334 [4] Mirsadeghi, M.; Ghaffarpour, R. “Improving the Resilience of Power Grids in the Face of Focused Attacks Using the Contingency Analysis”; Passive Defense 2022, 13, 1-10 (In Persian). DOR: 20.1001.1.20086849.1401.13.3.1.8 [5] Gazijahani, F.; Salehi, J.; Shafie-Khah, M. “Benefiting from Energy-Hub Flexibilities to Reinforce Distribution System Resilience: A Pre- and Post-Disaster Management Model”; IEEE Syst. J. 2022, 16, 3381-3390. DOI: 10.1109/JSYST. 2022.3147075 [6] Abdeltawab, H. H.; Mohamed, Y. A. “Mobile Energy Storage Scheduling and Operation in Active Distribution Systems”; IEEE Trans. Ind. Electron. 2017, 64, 6828-6840. DOI: 10.1109/TIE.2017.2682779 [7] Ni, F.; et al. “Enhancing Resilience of DC Microgrids With Model Predictive Control Based Hybrid Energy Storage System”; Int. J. Electr. Power Energy Syst. 2021, 128, 106738. DOI: 10.1016/j.ijepes.2020.106738 [8] Karimi Saiedabadi, A.; Mozafari, B.; Soleymani, S.; Mohammadnezhad Shourkaei, H. “Optimal Operation of the Water-Energy Supply System in an Islanded Microgrid with Several Energy Carriers to Improve Resilience Against Cyber Attacks”; Passive Defense 2023, 13, 1-10 (In Persian). DOR: 20.1001.1.20086849.1401.13.4.1.0 [9] Ogunjuyigbe, A. S. O.; Ayodele, T. R.; Akinola, O. A. “Optimal Allocation and Sizing of PV/Wind/Split-Diesel/Battery Hybrid Energy System for Minimizing Life Cycle Cost, Carbon Emission and Dump Energy of Remote Residential Building”; Appl. Energy 2016, 171, 153-171. DOI: 10.1016/j.applenergy.2016.03.048 [10] Li, K.; Yin, M.; Yu, J.; Yang, Z.; Li, Y. “Transportable Energy Storage Assisted Post-Disaster Restoration of Distribution Networks with Renewable Generations”; Energy 2024, 295, 131105. DOI: 10.1016/j.energy.2024. 131105 [11] Lai, K.; Illindala, M. S. “A Distributed Energy Management Strategy for Resilient Shipboard Power System”; Appl. Energy 2018, 228, 821-832. DOI: 10.1016/j.apenergy. 2018.06.111 [12] Ghaffarpour, R.; Sadi, S.; Zamanian, S.; Mahmoudian, M. “Improving Electrical Distribution Systems Resilience by Their Optimal and Adaptable Operation in the Presence of Mobile Power Sources”; Sci. J. Passive Defense 2023, 14 (In Persian). DOR: 20.1001.1.20086849.1402.14.3.9.3 [13] Hussian, A.; Bui, V.-H.; Kim, H.-M. “A Resilient and Privacy-Preserving Energy Management Strategy for Networked Microgrids”; IEEE Trans. Smart Grid 2016, 9, 2127-2139. DOI: 10.1109/TSG.2016.2607422 [14] Abedini, M.; Moazami, H. “Reconfiguration of Electricity Distribution Networks to Increase Resilience and Reliability Using Fuzzy Objective Functions and Game Theory”; Passive Defense 2024, 15, 27-38 (In Persian). DOR: 20.1001.1.20086849.1403.15.3.3.4 [15] Vatani, M. R.; Solati Alkaran, D.; Sanjari, M.; Gharehpetian, G. B. “Multiple Distributed Generation Units Allocation in Distribution Network for Loss Reduction Based on a Combination of Analytical and Genetic Algorithm Methods”; IET Gener. Transm. Distrib. 2016, 10, 66-72. DOI: 10.1049/iet-gtd.2015.0041 [16] Ahrari, M.; Shirini, K.; Samadi Gharehveran, S.; Ahsaee, M. G.; Haidari, S.; Anvari, P. “A Security-Constrained Robust Optimization for Energy Management of Active Distribution Networks with Presence of Energy Storage and Demand Flexibility”; J. Energy Storage 2024, 84, 111024. DOI: 10.1016/j.est.2024.111024 [17] Zhao, L.; Jerbi, H.; Abassi, R., Liu, B.; Latifi, M.; Nakamura, H. “Sizing Renewable Energy Systems with Energy Storage Systems Based Microgrids for Cost Minimization Using Hybrid Shuffled Frog-Leaping and Pattern Search Algorithm”; Sustain. Cities Soc. 2021, 73, 103124. DOI: 10.1016/j.scs.2021.103124 [18] Rajabzadeh, M.; Kalantar, M. “Enhance the Resilience of Distribution System against Direct and Indirect Effects of Extreme Winds Using Battery Energy Storage Systems”; Sustain. Cities Soc. 2022, 76, 103486. DOI: 10.1016/j.scs.2021.103486 [19] Zadehbagheri, M.; Abassi, M. A.; Kiani, M. “Finding the Optimal Size and Placement for the Sources of Distributed Generation (DG) and Capacitors in the Distribution Networks by Microgrid Segmentation with a Passive Defense Approach”; Passive Defense 2023, 14, 1-14 (In Persian). DOR: 20.1001.1.20086849.1402.14.2.1.3 [20] Oskouei, A. G.; Abdolmaleki, N.; Bouyer, A.; Arasteh, B.; Shirini, K. “Efficient Superpixel-Based Brain MRI Segmentation Using Multi-Scale Morphological Gradient Reconstruction and Quantum Clustering”; Biomed. Signal Process. Control 2025, 100, 107063. DOI: 10.1016/j.bspc. 2024.107063 [21] Shirini, K.; Aghdasi, H. S.; Saeedvand, S. “Modified Imperialist Competitive Algorithm for Aircraft Landing Scheduling Problem”; J. Supercomput. 2024, 80, 13782–13812. DOI: 10.1007/s11227-024-05999-w [22] Shirini, K.; Aghdasi, H. S.; Saeedvand, S. “A Comprehensive Survey on Multiple-Runway Aircraft Landing Optimization Problem”; Int. J. Aeronaut. Space Sci. 2024, 25(4), 1574–1602. DOI: 10.1007/s42405-024-00747-z [23] [23] Shirini, K.; Aghdasi, H. S.; Saeedvand, S. “Multi-Objective Aircraft Landing Problem: A Multi-Population Solution Based on Non-Dominated Sorting Genetic Algorithm-II”; J. Supercomput. 2024, 80, 25283–25314. DOI: 10.1007/s11227-024-06385-2 [24] Samadi Gharehveran, S.; Ghassemzadeh, S.; Rostami, N. “Two-Stage Resilience-Constrained Planning of Coupled Multi-Energy Microgrids in the Presence of Battery Energy Storages”; Sustain. Cities Soc. 2022, 83, 103952. DOI: 10.1016/j.scs.2022.103952 [25] Samadi Gharehveran, S.; Zadeh, S. G.; Rostami, N. “Resilience-Oriented Planning and Pre-Positioning of Vehicle-Mounted Energy Storage Facilities in Community Microgrids”; J. Energy Storage 2023, 72, 108263. DOI: 10.1016/j.est.2023.108263
[27] Shirini, K.; Kordan, M. B.; Samadi Gharehveran, S. “Impact of Learning Rate and Epochs on LSTM Model Performance: A Study of Chlorophyll-a Concentrations in the Marmara Sea”; J. Supercomput. 2025, 81(1), 1–18. DOI: 10.1007/s11227-024-06806-2 [28] Samadi Gharehveran, S.; Shirini, K.; Khavar, S. C.; Mousavi, S. H.; Abdolahi, A. “Deep Learning-Based Demand Response for Short-Term Operation of Renewable-Based Microgrids”; J. Supercomput. 2024, 80, 26002–26035. DOI: 10.1007/s11227-024-06407-z | ||
|
آمار تعداد مشاهده مقاله: 33 تعداد دریافت فایل اصل مقاله: 3 |
||