ترجمه مقاله نقش ضروری ارتباطات 6G با چشم انداز صنعت 4.0
- مبلغ: ۸۶,۰۰۰ تومان
ترجمه مقاله پایداری توسعه شهری، تعدیل ساختار صنعتی و کارایی کاربری زمین
- مبلغ: ۹۱,۰۰۰ تومان
This paper proposes a probabilistic framework for optimal demand response scheduling in the day-ahead planning of transmission networks. Optimal load reduction plans are determined from network security requirements, physical characteristics of various customer types and by recognising two types of reductions, voluntary and involuntary. Ranking of both load reduction categories is based on their values and expected outage durations, whilst sizing takes into account the inherent probabilistic components. The optimal schedule of load recovery is then found by optimizing the customers’ position in the joint energy and reserve market, whilst considering several operational and demand response constraints. The developed methodology is incorporated in the sequential Monte Carlo simulation procedure and tested on several IEEE networks. Here, the overhead lines are modelled with the aid of either seasonal or real-time thermal ratings. Wind generating units are also connected to the network in order to model wind uncertainty. The results show that the proposed demand response scheduling improves both reliability and economic indices, particularly when emergency energy prices drive the load recovery.
این مقاله چارچوب احتمالی برای برنامه ریزی پاسخ تقاضای بهینه در طرح ریزی روزانه از شبکه های انتقال را ارائه می کند. طرح های بهینه کاهش بار از الزامات امنیت شبکه، مشخصات فیزکی انواع مختلف مشتریان، و با شناخت دو نوع از کاهش یافتگی ها یعنی داوطلبانه و غیر داوطلبانه مشخص می شود. رتبه بندی هر دو مقوله کاهش بار بر اساس مقادیر آنها و مدت زمان مورد انتظار از تخلیه است. در حالی که اندازه گیری مولفه های احتمالی ذاتی را نیز به حساب می آورد. همچنین برنامه بهینه بازیابی بار با بهینه سازی موقعیت مشتریان در انرژی مشترک و رزرو بازار یافت می شود، در حالی که چندین محدودیت عملیاتی و پاسخ تقاضا در نظر گرفته می شود. متدولوژی توسعه یافته در رویکرد شبیه سازی ترتیبی مونت کارلو گنجانده می شود و در چند شبکه IEEE تست و بررسی می شود. در اینجا، خطوط اضافه بار به کمک رتبه بندی های حرارتی زمان واقعی یا فصلی مدلسازی می شود. همچنین واحدهای تولید انرژی باد به شبکه متصل می شود تا عدم قطعیت باد مدلسازی شود. نتایج نشان می دهد که برنامه-ریزی پاسخ تقاضای ارائه شده هم شاخص قابلیت اعتماد و هم شاخص اقتصادی را بهبود می بخشد، بخصوص زمانی که قیمت های اضطراری انرژی موجب بهبود بار می شوند.