دانلود مقاله ISI انگلیسی شماره 52894
ترجمه فارسی عنوان مقاله

الگوریتم ترکیبی تبرید شبیه‌سازی‌شده و برنامه‌نویسی خطی عدد صحیح مختلط برای برنامه‌ریزی بهینۀ شبکه‌های توزیع شعاعی دارای تولید پراکنده

عنوان انگلیسی
Hybrid simulated annealing and mixed integer linear programming algorithm for optimal planning of radial distribution networks with distributed generation
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
52894 2014 11 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Electric Power Systems Research, Volume 108, March 2014, Pages 211–222

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1.مقدمه


 2. فرمول‌بندی مساله

3.روش پاسخ

1.3. مدل برنامه‌ریزی خطی عدد صحیح مختلط

2.3. الگوریتم تبرید شبیه‌سازی‌شده

نتایج عددی

1.4. مورد 1

جدول 1 : اطلاعات شاخه.

شکل 1. شبکۀ تست.

جدول 2 : هزینۀ به‌روزرسانی [US$×103/km]

شکل 2. پاسخ بهینه برای مورد 1. 

جدول 3 : هزینۀ کلی شبکه [US$×103/km]

شکل 3. پاسخ بهینه برای مورد 2.

شکل 4. پاسخ بهینه برای مورد 3.

2.4. مورد 2

جدول 4 : هزینۀ کلی شبکه برای مورد 2 [US$×103]

شکل 5. برنامۀ توسعۀ سیستم توزیع برای مورد 2.

3.4. مورد 3

شکل 6. برنامۀ توسعۀ سیستم توزیع برای مورد 3.

 جدول 5 : هزینۀ کلی شبکه برای مورد 3 [US$]

4.مورد 4

شکل 7. برنامۀ توسعۀ سیستم توزیع برای مورد 4.

جدول 6 : عملکردهای الگوریتم‌های MILP و SA-MILP

5.نتیجه‌گیری
ترجمه کلمات کلیدی
برنامه ریزی شبکه های توزیع - ژنراتور توزیع شده ، روش تجزیه، برنامه ریزی خطی عدد صحیح مختلط ، بازپخت شبیه سازی شده
کلمات کلیدی انگلیسی
Distribution network planning, Distributed generators, Decomposition approach, Mixed integer linear programming, Simulated annealing
ترجمه چکیده
این مقاله یک رویکرد ترکیبی تبرید شبیه‌سازی‌شده (SA) و برنامه‌نویسی خطی عدد صحیح مختلط (MILP) را برای برنامه‌ریزی توسعۀ ایستای شبکه‌های توزیع دارای تولیدات پراکنده (DGها) ارائه می‌کند. مسالۀ برنامه‌ریزی توسعه ابتدا به عنوان یک مسالۀ بهینه‌سازی MILP مدل می‌شود که هدف آن حداقل‌کردن هزینۀ سرمایه‌گذاری، هزینۀ تلفات، هزینۀ قطعی‌های مصرف‌کننده به دلیل خرابی شاخه‌ها و تولیدات پراکنده و هزینۀ تولید از دست‌رفتۀ DG در اثر خرابی شاخه‌ها است. به منظور کاهش پیچیدگی مسائل برنامه‌ریزی، مسالۀ اصلی به چندین توالی از زیرمساله‌ها (شبکه‌های محلی) تفکیک شد که با کمک مدل MILP حل می‌شوند. فرایند تفکیک و حل به طور تکرارگونه توسط الگوریتم پیشنهادی تبرید شبیه‌سازی‌شده هدایت و کنترل می‌شود که این الگوریتم از سازوکار مناسب تقویت و تنوع‌بخشی برای دستیابی به پاسخی با حداقل هزینۀ کل دست یابد.
ترجمه مقدمه
برنامه‌ریزی توسعۀ توزیع یک مسالۀ بهینه‌سازی ترکیبیاتی دشوار با تاریخچه‌ای طولانی از کارهای پژوهشی برای پاسخ‌های بهبودیافته است [1-3]. یکی از مشخصات بارز رویکردهایی که تاکنون معرفی شده‌اند درنظرگیری یک‌دوره‌ای یا چند‌دوره‌‌ای برنامه‌ریزی است. اغلب مدل‌ها و رویکردهای ارائه‌‌شده برای حل مسائل برنامه‌ریزی چنددوره‌ای اندازه واقعی منجر به پاسخی می‌شوند که در مقایسه با دیگر پاسخ‌ها، به کارایی مدل‌های ایستای ترکیب‌شده با الگوریتم چنددوره‌ای به شدت وابسته است [4]. مدل‌های ارائه‌شده برای حل مسائل برنامه‌ریزی تک‌دوره‌ای (ایستا) را می‌توان به این ترتیب دسته‌بندی کرد: مدل‌های مبتنی بر برنامه‌ریزی ریاضیاتی، مد‌ل‌های ابتکاری و مدل‌های فرا ابتکاری.
پیش نمایش مقاله
پیش نمایش مقاله  الگوریتم ترکیبی تبرید شبیه‌سازی‌شده و برنامه‌نویسی خطی عدد صحیح مختلط برای برنامه‌ریزی بهینۀ شبکه‌های توزیع شعاعی دارای تولید پراکنده

This paper presents a hybrid simulated annealing (SA) and mixed integer linear programming (MILP) approach for static expansion planning of radial distribution networks with distributed generators (DGs). The expansion planning problem is first modeled as MILP optimization problem with the goal of minimizing the investment cost, cost of losses, cost of customer interruptions due to failures at the branches and at DGs and the cost of lost DG production due to failures at branches. In order to reduce the complexity of planning problems the decomposition of the original problem is proposed into a number of sequences of sub-problems (local networks) that are solved using the MILP model. The decomposition and solution process is iteratively guided and controlled by the proposed SA algorithm that employs the proper intensification and diversification mechanism to obtain the minimum total cost solution.