MétaCan
Menu
Retour à la cohorte
Enregistrement W3173404986 · doi:10.20998/2074-272x.2021.3.09

Simultaneous optimal integration of photovoltaic distributed generation and battery energy storage system in active distribution network using chaotic grey wolf optimization

2021· article· en· W3173404986 sur OpenAlexaff
Nasreddine Belbachir, Mohamed Zellagui, Samir Settoul, Claude Ziad El‐Bayeh, Benaissa Bekkouche

Notice bibliographique

RevueElectrical Engineering & Electromechanics · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrogrid Control and Optimization
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésPhotovoltaic systemMathematical optimizationComputer scienceDistributed generationEnergy storageRobustness (evolution)Optimization problemParticle swarm optimizationConvergence (economics)Power (physics)EngineeringRenewable energyAlgorithmElectrical engineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Goal. The integration of photovoltaic distributed generations in the active distribution network has raised quickly due to their importance in delivering clean energy, hence, participating in solving various problems as climate change and pollution. Adding the battery energy storage systems would be considered as one of the best choices in giving solutions to the mentioned issues due to its characteristics of quick charging and discharging, managing the quality of power, and fulfilling the peak of energy demand. The novelty of the proposed work is the development of new multi-objective functions based on the sum of the three technical parameters of total active power loss, total voltage deviation, and total operation time of the overcurrent protection relay. Purpose. This paper is dedicated for solving the allocation problem of hybrid photovoltaic distributed generation and battery energy storage systems integration in the standard IEEE 33-bus and IEEE 69-bus active distribution networks. Methodology. The optimal integration of the hybrid systems is formulated as minimizing the proposed multi-objective functions by applying a newly developed metaheuristic technique based on various chaotic grey wolf optimization algorithms. The applied optimization algorithms are becoming increasingly popular due to their simplicity, lack of gradient information needed, ability to bypass local optima, and versatility in power system applications. Results. The simulation results of both test systems confirm the robustness and efficiency of the chaotic logistic grey wolf optimization algorithm compared to the rest of the algorithms in terms of convergence to the global optimal solution and in terms of providing the best and minimum multi-objective functions-based power losses, voltage deviation and relay operation time values. Practical significance. Recommendations have been developed for the use of optimal allocation of hybrid systems for practical industrial distribution power systems with the renewable energy sources presence.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,004
Tête enseignante GPT0,171
Écart entre enseignants0,166 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueElectrical Engineering & ElectromechanicsMême sujetMicrogrid Control and OptimizationTravaux en français237 207