یک چارچوب برنامه‌ریزی تصادفی مبتنی بر قابلیت اطمینان برای سیستم‌های توزیع هوشمند ترکیبی AC – DC

این مقاله یک مدل بهینه‌سازی چند هدفه تصادفی برای برنامه‌ریزی سیستم‌های توزیع هوشمند ترکیبی AC – DC (‏DSs)‏معرفی می‌کند. مدل پیشنهادی پیکربندی بهینه شبکه AC – DC را تعیین می‌کند که به دو هدف اصلی دست می‌یابد: (‏۱)‏به حداقل رساندن هزینه‌های سیستم، و (‏۲)‏به حداکثر رساندن قابلیت اطمینان سیستم. هدف دوم از طریق به حداقل رساندن انرژی مورد انتظار تامین نشده به دست می‌آید. باس‌ها و خطوط شبکه می‌توانند به منظور دستیابی به اهداف برنامه‌ریزی به AC یا DC تبدیل شوند. این مدل دارای یک شبیه‌سازی مونت کارلو (‏MCS)‏برای رسیدگی به تغییرات تصادفی مربوط به تقاضای بار و ژنراتورهای پراکنده تجدید پذیر (‏DG)‏است. مساله برنامه‌ریزی ترکیبی با استفاده از یک الگوریتم ژنتیک چند هدفه حل شده‌است، و تبادل بین هزینه‌های DS و قابلیت اطمینان با استفاده از مفهوم بهینگی پارتو ارزیابی شده‌است. مدل پیشنهادی با استفاده از یک مطالعه موردی شامل یک DS ترکیبی که انواع بارها و DG ها را شامل می‌شود، تست شده‌است. حل مطالعه موردی مشابه با استفاده از تکنیک برنامه‌ریزی AC سنتی، مزایای ارائه‌شده توسط مدل پیشنهادی را تایید کرد، که اثربخ

Highlights•Introducing a stochastic multi-objective planning model for AC-DC hybrid smart DSs.•Determining the optimal AC-DC network that optimizes both the DS costs and reliability.•The trade-off between the cost and reliability is evaluated using the Pareto optimality concept.•The benefits were verified through a comparison of the AC and hybrid Pareto fronts.•The AC-DC hybrid system achieved improvements in both the DS costs and reliability.AbstractThis paper introduces a stochastic multi-objective optimization model for the planning of AC-DC hybrid smart distribution systems (DSs). The proposed model determines the optimal AC-DC network configuration that achieves two main objectives: (1) minimizing system costs, and (2) maximizing system reliability. The second objective is achieved through the minimization of the expected energy not supplied. Network buses and lines can become either AC or DC in order to achieve the planning objectives. The model features a Monte-Carlo simulation