بهینه‌سازی یک سیستم ذخیره انرژی باتری با استفاده از بهینه‌سازی انبوه ذرات برای میکروشبکه های مستقل

چالش اصلی در یکپارچه‌سازی یک سیستم ذخیره‌سازی انرژی باتری (‏BESS)‏در یک ریزشبکه، ارزیابی اندازه بهینه BESS برای جلوگیری از ناپایداری ریزشبکه و فروپاشی سیستم است. نصب BESS در یک اندازه تصادفی یا غیر بهینه می‌تواند هزینه، تلفات سیستم و ظرفیت BESS را افزایش دهد. بنابراین، این مقاله روش جدیدی را برای ارزیابی اندازه بهینه بی اس ای با حداقل هزینه کل بی اس ای با استفاده از کنترل فرکانس مبتنی بر بهینه‌سازی انبوه ذرات (‏PSO)‏در ریزشبکه مستقل پیشنهاد می‌کند. هدف تحقیق پیشنهاد یک اندازه بهینه إBESS با استفاده از کنترل فرکانس مبتنی بر روش PSO به منظور جلوگیری از ناپایداری ریزشبکه و فروپاشی سیستم پس از از دست دادن شبکه برق (‏به عنوان مثال، خاموشی یا فاجعه)‏و به حداقل رساندن هزینه کل BESS برای ۱۵ سال نصب در میکروشبکه است. سپس، عملکرد اقتصادی BESS با فن‌آوری‌های ذخیره‌سازی مختلف مدرن بررسی و در ریزشبکه معمولی مقایسه شده‌است. نتایج نشان می‌دهند که اندازه بهینه روش PSO مبتنی بر BESS می‌تواند به عملکرد دینامیک بالاتر سیستم نسبت به اندازه بهینه روش تحلیلی مبتنی بر BESS و اندازه معمول BESS دست یابد. از نظ

Highlights•This paper proposes the new method to determine an optimal size of BESS at minimal total BESS cost by using the proposed PSO-based frequency control of the microgrid.•The impacts of BESS specified costs with modern storage technologies are investigated, minimized and compared for 15 years installation in the typical microgrid.•The proposed optimal size of BESS based-PSO method is compared with the optimal size of BESS based analytic method and the conventional size of BESS referred from the typical microgrid.AbstractThe main challenge in integrating a Battery Energy Storage System (BESS) into a microgrid is to evaluate an optimum size of BESS to prevent the microgrid from instability and system collapse. The installation of BESS at a random size or non-optimum size can increase in cost, system losses and larger BESS capacity. Thus, this paper proposes the new method to evaluate an optimum size of BESS at minimal total BESS cost by using particle swarm optimization (PSO)-base