Optimal Sizing of a Hybrid Renewable Energy System for Auxiliary Services in Substations Through Genetic Algorithm and Variable Neighborhood Search
Notice bibliographique
Résumé
Auxiliary services in substations are fundamental systems for the operation and coordination of power electrical systems. Because of their importance, backup systems are utilized to support critical loads during main power supply failures. Hybrid renewable backup systems, comprising renewable generation and batteries, offer a more sustainable alternative compared to the current use of fossil fuel generators in substations. However, sizing these systems can be a complex task due to the uncertainty associated with interruptions and renewable source production. This paper proposes an optimization model to size hybrid renewable energy systems for auxiliary services in substations. Uncertainties related to wind and photovoltaic generation, as well as power outages start time and durations, are addressed through Monte Carlo simulations. Furthermore, a hybrid algorithm, based on Genetic Algorithm (GA) and Variable Neighborhood Search (VNS), is introduced. The proposed approach considers the costs associated with diesel generator usage and instances of non-supply. A comparison of the metaheuristics GA, VNS, and the new hybrid algorithm is presented, emphasizing the advantages of the hybrid approach. The algorithms are validated by comparing them with results from the literature, demonstrating their ability to achieve solutions with high accuracy and low computational time. The results demonstrate that the proposed sizing approach successfully minimizes costs while ensuring reliability, highlighting its potential to optimize hybrid renewable backup systems for critical substation loads.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».