@article { author = {Afshan, R. and Salehi, J.}, title = {Optimal Scheduling of Battery Energy Storage System in Distribution Network Considering Uncertainties using hybrid Monte Carlo- Genetic Approach}, journal = {Journal of Operation and Automation in Power Engineering}, volume = {6}, number = {1}, pages = {1-12}, year = {2018}, publisher = {University of Mohaghegh Ardabili}, issn = {2322-4576}, eissn = {2423-4567}, doi = {10.22098/joape.2017.3385.1271}, abstract = {This paper proposes a novel hybrid Monte Carlo simulation-genetic approach (MCS-GA) for optimal operation of a distribution network considering renewable energy generation systems (REGSs) and battery energy storage systems (BESSs). The aim of this paper is to design an optimal charging /discharging scheduling of BESSs so that the total daily profit of distribution company (Disco) can be maximized. In this study, the power generation of REGSs such as photovoltaic resources (PVs) and the network electricity prices are studied through their uncertainty natures. The probability distribution function (PDF), is used to account for uncertainties in this paper. Also, the Monte Carlo simulation (MCS) is applied to generate different scenarios of network electricity prices and solar irradiation of PVs. Optimal scheduling of BESSs can be performed by genetic algorithm (GA). In this paper, firstly, the charging and discharging state of BESSs (positive or negative sign of battery power) is determined according to the variable amount of the electricity prices and power produced from PVs, which have been obtained from the Monte Carlo simulation. Then by using the GA, optimal amount of BESSs is determined. Therefore, a hybrid MCS-GA is used to solve this problem. Numerical examples are presented to illustrate the optimal charging/discharging power of the battery for maximizing the total daily profit.}, keywords = {Battery Energy Storage Systems,Optimal Operation,Uncertainty Modeling,Monte Carlo simulation,genetic algorithm}, title_fa = {بهره برداری بهینه از سیستم های ذخیره ساز در شبکه های توزیع با در نظر گرفتن عدم قطعیتها و با استفاده از طرح ترکیبی ژنتیک - مونت کارلو}, abstract_fa = {ین مقاله یک روش جدید ترکیبی مونت کارلو- ژنتیک برای بهره­برداری بهینه شبکه توزیع با در نظر گرفتن منابع تولیدی تجدید­پذیر و باتری­های ذخیره ساز ارائه می­کند. هدف این مقاله طراحی یک برنامه شارژ و دشارژ بهینه برای ماکزیمم سازی سود شرکت توزیع می­باشد. در این مطالعه، مقدار توان تولیدی منابع تجدید­پذیر و قیمت برق دارای عدم قطعیت در نظر گرفته شده­اند. برای مدلسازی عدم قطعیت­ها از تابع توزیع احتمال استفاده شده است. همچنین از شبیه­سازی مونت کارلو برای ایجاد سناریو برای قیمت برق و تولید منابع فتوولتاییک استفاده شده است. برنامه­ریزی بهینه منابع ذخیره­ساز با استفاده از الگوریتم ژنتیک انجام شده است. در این مقاله ابتدا حالت شارژ و دشارژ منابع ذخیره­ساز با در نظر گرفتن مقادیر متغیر قیمت برق و توان تولیدی منابع فتوولتاییک که با استفاده از شبیه­سازی مونت کارلو بدست آمده­اند محاسبه شده و سپس مقدار بهینه شارژ و دشارژ منابع ذخیره­ساز با استفاده از الگوریتم ژنتیک تعیین می­شود. به همین دلیل روش این مقاله روش ترکیبی مونت کارلو- ژنتیک نامیده شده است. نتایج عددی برای نشان دادن الگوریتم پیشنهادی در ماکزیمم سازی سود روزانه ارائه شده است.}, keywords_fa = {برنامه ریزی بهینه,تولید پراکنده,سیستم های باتری ذخیره‌ساز,عدم قطعیت,سود روزانه,شبیه سازی مونت کارلو,الگوریتم ژنتیک,شرکت توزیع}, url = {https://joape.uma.ac.ir/article_632.html}, eprint = {https://joape.uma.ac.ir/article_632_02d445095ef5de28bcf76f5fee404d52.pdf} }