بازآرایی فیدر و برنامه‌ریزی تولید برای عملیات روز ریزشبکه در حضور خودروهای الکتریکی با در نظر گرفتن عدم قطعیت ​

تنظیم مجدد فیدر توزیع (DFR) و برنامه ریزی تولید بهینه سازی (OGs) کارایی عملیاتی ضروری هستند که در میکروگرید (MGs) برای افزایش بهره وری و نیز ویژگی های فنی و اقتصادی MG ها مورد استفاده قرار می گیرند. مشکل OGS معمولا هزینه انرژی را با فرض پیکربندی ثابت سیستم‌های قدرت به حداقل می‌رساند. از طرف دیگر، مساله DFR با فرض یک نسل از پیش تعریف‌شده‌ای از واحدها انجام می‌شود. بااینحال، انجام این دو کار جداگانه ممکن است راه‌حل بهینه را از دست بدهد. در این مقاله، یک چارچوب برای اجرای مشترک OGS و DFR بهینه در چارچوب زمانی پیش رو پیشنهاد شده‌است. هزینه کل عملیات MG شامل محدودیت‌های فنی و اقتصادی مختلفی می‌شود. برنامه پاسخگویی تقاضای (DR) ارائه شده توسط بار محصور به عنوان یک ابزار مدیریت تقاضای (DSM) در نظر گرفته شده است. خودروهای الکتریکی (DG ها)و non های غیر – (DG ها)به همراه عدم قطعیت مولفه‌های MG مدل‌سازی می‌شوند. الگوی شارژ EVs به دو روش از جمله الگوهای کنترل‌نشده و کنترل‌نشده مدل‌سازی می‌شود. تابع هدف شامل هزینه خرید نیروی فعال / واکنش پذیر از شبکه بالادست و همچنین DG ها، هزینه تغییر DPFR، هزینه D

Distribution Feeder Reconfiguration (DFR) and Optimal Generation Scheduling (OGS) are indispensable operation tasks that are used in Microgrids (MGs) to enhance efficiency as well as technical and economic features of MGs. The OGS problem usually minimizes the cost of energy assuming a fixed configuration of power systems. On the other hand, the DFR problem is done assuming a predefined generation of units. However, performing these two tasks separately may lose the optimal solution. In this paper, a framework is proposed to jointly perform OGS and optimal DFR on a day-ahead time frame. The total operation cost of MG is minimized subject to diverse technical and economic constraints. The Demand Response (DR) program offered by curtailable loads is considered as a Demand Side Management (DSM) tool. The Electric Vehicles (EVs) and non-dispatchable Distributed Generations (DGs) are modeled along with the uncertainty of MG components. The charging pattern of EVs is modeled in two ways incl