دانلود ترجمه مقاله مدل‌سازی تصادفی برای برنامه‌ریزی تقاضای شارژ EV در سیستم های توزیع
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2015
تعداد صفحه ترجمه:37
تعداد صفحه فایل انگلیسی:11
موضوع انگلیسی :Stochastic modeling for scheduling the charging demand of EV
in distribution systems using copulas
موضوع فارسی:دانلود ترجمه مقاله مدل‌سازی تصادفی برای برنامه‌ریزی تقاضای شارژ EV در سیستم های توزیع
چکیده انگلیسی:Charging demand of electric vehicles (EV) has potentially a significant influence on the power grid. If this
charging demand coincides mainly with the peak demand of the power grid, then additional active power
has to be supplied to fulfill load management purposes. Thus, it is necessary to estimate and schedule the
charging demand of the EV in order to lower the peak demand. Various estimation techniques are
available such as Gaussian mixture model and copula. This paper uses copula for data estimation because
copula imposes no restriction on the marginal distributions of the available data. Meanwhile, uncertain
estimated data requires error elimination. Clayton copula is selected for flexile part of load profile, and
Gaussian copula for non-controllable part of the load profile based on the two consecutive days (TCD)
classification. Hence, the created scenarios were applied to an optimization problem that flattens the load
profile as much as possible using general algebraic modeling system (GAMS). Then, this research
concentrates on two new semi-automatically proposals concerned with the day-ahead charging demand
response (DR) strategies. These strategies contribute to removing the estimation errors created due to the
uncertainties. In order to examine the efficiency of the proposed strategies, the day-ahead pricing (DAP)
with inclining block rates (IBR) model is assumed for retail electricity markets
چکیده فارسی:تقاضای شارژ خودروهای الکتریکی (EV) به طور بالقوه بر شبکه‌ی برق تأثیر قابل توجهی می‌گذارد. اگر این تقاضا شارژ به طور عمده با اوج تقاضا از شبکه برق همزمان شود، پس توان اکتیو اضافی باید برای اهداف مدیریت بار عرضه گردد. بنابراین، برآورد و برنامه ریزی تقاضای شارژ EV به منظور کاهش تقاضای اوج، لازم میباشد. روش های تخمین مختلف از جمله مدل مخلوط گوسی و کوپلا در دسترس هستند. این مقاله از کوپلا برای برآورد داده ها استفاده می‌کند زیرا کوپلا محدودیتی را بر توزیع حاشیه ای از اطلاعات موجود تحمیل نمی‌کند. در همین حال، اطلاعات تخمین زده غیرمعین نیاز به حذف خطا دارد. کوپلای کلیتون برای بخش انعطاف‌پذیر مشخصات بار انتخاب شده است، و کوپلای گاوسی برای بخش غیر قابل کنترل از مشخصات بار بر اساس دو روز متوالی (TCD) طبقه بندی انتخاب شده است. از این رو، سناریوهای ایجاد شده برای یک مسئله‌ی بهینه سازی که مشخصات بار را تا آنجا که ممکن است با استفاده از سیستم مدل سازی جبری عمومی (GAMS)، مسطح شده است. سپس، این تحقیق بر دو پیشنهاد جدید نیمه اتوماتیک در رابطه با پاسخ به تقاضا (DR) شارژ استراتژی روز آینده، متمرکز شده است. این استراتژی‌ها به از بین بردن خطاهای برآورد ایجاد شده توسط عدم قطعیت‌ها، کمک می‌کند. به منظور بررسی کارایی استراتژی‌های پیشنهاد شده، قیمت گذاری روز آینده (DAP) شامل مدل نرخ‌های بلوک (IBR) برای بازارهای برق خرده فروشی، در نظر گرفته شده است.
