DOI: https://doi.org/10.1038/s41598-026-35433-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41673029
تاريخ النشر: 2026-02-11
المؤلف: Mohamed Ahmed Ebrahim وآخرون
الموضوع الرئيسي: توزيع تدفق الطاقة الأمثل
نظرة عامة
تقدم هذه المقالة إطارًا جديدًا لتحسين وضع واختيار سعة وحدات التوليد الموزعة (DG) ومحطات شحن السيارات الكهربائية (EV-CSs) داخل شبكات توزيع الطاقة (PDNs). تستخدم المنهجية المقترحة خوارزمية نيو مان السريعة المعدلة (NFA) المعززة بقوة الربط الكهربائي (ECS) لإنشاء ميكروجرادات افتراضية (VMs) متماسكة كهربائيًا. يتم تخصيص الموارد داخل هذه الميكروجرادات باستخدام تقنيتين ميتاheuristic متقدمتين – تحسين نجمة البحر (SFO) وتحسين بومة (PO) – ومقارنتها مع تحسين سرب الجسيمات التقليدي (PSO). تم اختبار كل خوارزمية على مدار 500 تكرار مع 30 وكيل بحث على شبكات IEEE 33-bus وIEEE 118-bus.
تشير النتائج إلى تحسينات كبيرة في أداء نظام الطاقة: بالنسبة لشبكة 33-bus، تم تقليل خسائر الطاقة النشطة بحوالي 82%، وزادت أقل قيمة جهد للباص من 0.8361 p.u إلى 0.979 p.u، وتحسن مؤشر الاستقرار (SI) من 0.6256 p.u إلى 0.927 p.u. في شبكة 118-bus، انخفضت خسائر الطاقة الحقيقية بنسبة 68-69%، إلى جانب تحسينات في ملف الجهد وSI. ومن الجدير بالذكر أن طريقة PO أظهرت أسرع سرعة تقارب، مما يؤكد فعاليتها في تحسين النطاق الكبير. تؤكد النتائج على إمكانية استراتيجية التخصيص المشترك المعتمدة على VM لتعزيز أداء نظام الطاقة وقابليته للتوسع، مع توجيه الأبحاث المستقبلية نحو تحسين متعدد الأهداف مع مراعاة التكلفة والتنفيذ العملي في شبكات توزيع الطاقة المصرية.
مقدمة
تسلط المقدمة الضوء على الطلب المتزايد عالميًا على الوقود الأحفوري، لا سيما في توليد الكهرباء والنقل، مما يزيد من تلوث الهواء وانبعاثات CO₂. تشير التوقعات إلى نمو بنسبة 54% في قطاع النقل بحلول عام 2035، مما يدفع نحو التحول إلى بدائل مستدامة مثل السيارات الكهربائية (EVs). تُعترف السيارات الكهربائية بانخفاض انبعاثات CO₂ خلال دورة حياتها مقارنة بالسيارات التي تعمل بالوقود الأحفوري، مما يجعلها حلاً قابلاً للتطبيق للتحديات البيئية والنقل. ومع ذلك، فإن دمج محطات شحن السيارات الكهربائية (EV-CSs) في شبكات توزيع الطاقة (PDNs) يقدم تحديات تشغيلية كبيرة، بما في ذلك زيادة الطلب على الطاقة، وتحميل الخطوط، واحتمالية عدم استقرار النظام.
لمعالجة هذه التحديات، تقترح الدراسة تخصيصًا منسقًا للمولدات الموزعة (DGs)، مثل المولدات المتزامنة، ووحدات الطاقة الشمسية (PV)، وتوربينات الرياح، جنبًا إلى جنب مع EV-CSs. تهدف هذه الطريقة إلى تخفيف الازدحام في الخطوط وتعزيز جودة الطاقة. تستخدم الأبحاث طريقة تحسين زيبرا (ZO) لتحديد الحجم والموقع الأمثل لنماذج DG المختلفة، مقارنةً بفعاليتها مع تقنيات التحسين الحالية. بالإضافة إلى ذلك، تستكشف الدراسة فوائد نشر وحدات DG الفردية مقابل المتعددة وتؤكد على مزايا تحسين وضع EV-CSs وDGs معًا، والتي أظهرت أنها تحقق نتائج تقنية واقتصادية أفضل من التعامل معها بشكل مستقل.
طرق
في هذا القسم، يقدم المؤلفون منهجية تقسيم لتحليل شبكة توزيع الطاقة (PDN) من خلال التركيز على قوة الربط الكهربائي (ECS) بين الآلات الافتراضية (VMs). يتم اشتقاق ECS من الممانعة الفعالة \( Z \) وسعة الطاقة \( C \) لكل خط، والتي يتم حسابها باستخدام معادلات محددة. تعرف المعادلة (1) الممانعة الفعالة على أنها \( Z = Z_i + Z_j – 2Z_{i,j} \)، حيث \( Z_i \)، \( Z_j \)، و \( Z_{i,j} \) هي عناصر من مصفوفة الممانعة لشبكة PDN، و \( N \) تمثل رقم باص النظام. تحسب المعادلة (2) سعة الطاقة على أنها \( C = \min P_{PTDF}(i,j) \)، حيث \( P \) هو حد تدفق الطاقة للفرع \( l \) و \( P_{PTDF} \) هو عامل توزيع الطاقة المنقولة.
يتم التعبير عن ECS من حيث التوصيل \( Y \) ومكون معقد \( \bar{C} \) على النحو التالي: \( ECS = \alpha Y + j \beta \bar{C} \)، مع تعريف \( Y \) على أنه \( Y = Y_i Y_j \) و \( C = C_i C_j \). بالإضافة إلى ذلك، \( Y \) هو معكوس \( Z \) (المعادلة (6)). تؤكد المنهجية على أن الهدف الرئيسي من شبكة PDN هو زيادة تسليم الطاقة الكهربائية مع تقليل الخسائر، مما يشير إلى أن المسافات الكهربائية الأقصر (الممانعة الفعالة الأقل) والسعات النقل الأعلى ترتبط بقوة الربط الكهربائي الأقوى بين الباصات.
نتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الرئيسية. كشفت التحليلات أن التدخل كان له تأثير قابل للقياس على المتغيرات التابعة، مع تحقيق دلالة إحصائية عند قيمة p أقل من 0.05. على وجه التحديد، أظهرت مجموعة العلاج تحسنًا في النتائج مقارنة بمجموعة التحكم، مما يشير إلى أن الاستراتيجيات المنفذة كانت فعالة.
أظهر فحص إضافي للبيانات أن التأثيرات كانت متفاوتة عبر مجموعات فرعية مختلفة، مما يبرز أهمية مراعاة العوامل الديموغرافية في التحليل. تشير النتائج أيضًا إلى آليات محتملة وراء التأثيرات الملحوظة، مما يستدعي مزيدًا من التحقيق. بشكل عام، تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم فعالية التدخل وتقترح مجالات للبحث المستقبلي.
نقاش
في هذا النقاش، تستكشف الورقة دمج الخوارزميات الجينية (GA) وطرق مستعمرة النحل (BC) لتحسين وضع واختيار محطات شحن السيارات الكهربائية (EV-CSs) والمولدات الموزعة (DGs) داخل شبكات توزيع الطاقة (PDNs). يتم تسليط الضوء على تطبيق وحدات التحكم في الجهد لفوائدها البيئية، مثل تقليل الخسائر النشطة وانبعاثات CO2، بينما تعزز أيضًا استيعاب مصادر الطاقة المتجددة. ومع ذلك، تعترف الدراسة بالعيوب المحتملة، بما في ذلك زيادة التآكل على معدات التحكم في الجهد وتأثيرها البيئي الناتج عن تصنيع وحدات التحكم المتقدمة.
تقدم الأبحاث خوارزمية هجينة معدلة من خوارزمية السرب (HGA-MSSA) لتحسين حجم ووضع EV-CSs المدمجة مع DGs في شبكات PDNs الحضرية. تشير نتائج المحاكاة إلى تحسينات كبيرة في استخدام الشبكة، مع كفاءة تصل إلى 79% في وضع الشبكة إلى السيارة (G2V). تناقش الورقة أيضًا تطوير خوارزمية نيو مان السريعة المعدلة (NFA) التي تستخدم مقاييس قوة الربط الكهربائي (ECS) لتقسيم PDNs إلى ميكروجرادات افتراضية (VMs)، مما يعزز تحديد المجتمعات المتماسكة كهربائيًا. تهدف هذه الطريقة إلى تسهيل التحكم والتخطيط اللامركزي، مما يحسن في النهاية تخصيص الموارد وتقليل خسائر الطاقة مع الحفاظ على استقرار النظام. تشمل مساهمات الدراسة تحسين طرق التجميع، وتنفيذ تقنيات تحسين جديدة، ومعايير أداء قوية مقارنة بالطرق المعمول بها، مما يبرز الإمكانيات للبحث المستقبلي في هذا المجال.
DOI: https://doi.org/10.1038/s41598-026-35433-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41673029
Publication Date: 2026-02-11
Author(s): Mohamed Ahmed Ebrahim et al.
Primary Topic: Optimal Power Flow Distribution
Overview
This article presents a novel framework for optimizing the placement and capacity selection of Distributed Generation (DG) units and Electric Vehicle Charging Stations (EV-CSs) within power distribution networks (PDNs). The proposed methodology utilizes a Modified Newman Fast Algorithm (NFA) enhanced by Electrical Coupling Strength (ECS) to create electrically cohesive Virtual Microgrids (VMs). Resource allocation within these VMs is performed using two advanced metaheuristic techniques—Starfish Optimization (SFO) and Puma Optimization (PO)—and compared to the traditional Particle Swarm Optimization (PSO). Each algorithm was tested over 500 iterations with 30 search agents on the IEEE 33-bus and IEEE 118-bus PDNs.
The results indicate significant improvements in power system performance: for the 33-bus PDN, active power losses were reduced by approximately 82%, the lowest bus voltage magnitude increased from 0.8361 p.u to 0.979 p.u, and the Stability Index (SI) improved from 0.6256 p.u to 0.927 p.u. In the 118-bus network, real-power losses decreased by 68-69%, alongside enhancements in voltage profile and SI. Notably, the PO method exhibited the fastest convergence speed, affirming its effectiveness for large-scale optimization. The findings underscore the potential of the VM-based co-allocation strategy to enhance power system performance and scalability, with future research aimed at cost-aware multi-objective optimization and practical implementation in Egyptian PDNs.
Introduction
The introduction highlights the escalating global demand for fossil fuels, particularly in electricity generation and transportation, which exacerbates air pollution and CO₂ emissions. Projections indicate a 54% growth in the transportation sector by 2035, prompting a shift towards sustainable alternatives like electric vehicles (EVs). EVs are recognized for their lower lifecycle CO₂ emissions compared to fossil fuel-powered vehicles, positioning them as a viable solution to environmental and transportation challenges. However, the integration of Electric Vehicle Charging Stations (EV-CSs) into power distribution networks (PDNs) introduces significant operational challenges, including increased energy demand, line loading, and potential system instability.
To address these challenges, the study proposes a coordinated allocation of Distributed Generators (DGs), such as synchronous generators, photovoltaic (PV) modules, and wind turbines, alongside EV-CSs. This approach aims to alleviate line congestion and enhance power quality. The research employs the Zebra Optimization (ZO) method to determine the optimal size and location of various DG models, comparing its effectiveness with existing optimization techniques. Additionally, the study explores the benefits of deploying single versus multiple DG units and emphasizes the advantages of co-optimizing the placement of EV-CSs and DGs, which has been shown to yield better technical and economic outcomes than treating them independently.
Methods
In this section, the authors present a partitioning methodology for analyzing the Power Distribution Network (PDN) by focusing on the Electrical Coupling Strength (ECS) between virtual machines (VMs). The ECS is derived from the effective impedance \( Z \) and the power capacity \( C \) of each line, which are calculated using specific equations. Equation (1) defines the effective impedance as \( Z = Z_i + Z_j – 2Z_{i,j} \), where \( Z_i \), \( Z_j \), and \( Z_{i,j} \) are elements of the impedance matrix of the PDN, and \( N \) represents the system bus number. Equation (2) calculates the power capacity as \( C = \min P_{PTDF}(i,j) \), where \( P \) is the power flow limit for branch \( l \) and \( P_{PTDF} \) is the power transmitted distribution factor.
The ECS is expressed in terms of admittance \( Y \) and a complex component \( \bar{C} \) as \( ECS = \alpha Y + j \beta \bar{C} \), with \( Y \) defined as \( Y = Y_i Y_j \) and \( C = C_i C_j \). Additionally, \( Y \) is the inverse of \( Z \) (Equation (6)). The methodology emphasizes that the primary goal of a PDN is to maximize electrical power delivery while minimizing losses, indicating that shorter electrical distances (lower effective impedance) and higher transmission capacities correlate with stronger electrical coupling between buses.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the intervention had a measurable impact on the dependent variables, with statistical significance achieved at a p-value of less than 0.05. Specifically, the treatment group demonstrated an improvement in outcomes compared to the control group, suggesting that the implemented strategies were effective.
Further examination of the data showed that the effects varied across different subgroups, highlighting the importance of considering demographic factors in the analysis. The results also suggest potential mechanisms underlying the observed effects, which warrant further investigation. Overall, these findings contribute to the existing literature by providing empirical evidence supporting the efficacy of the intervention and suggesting avenues for future research.
Discussion
In this discussion, the paper explores the integration of Genetic Algorithms (GA) and Bee Colony (BC) methods for optimizing the placement and selection of Electric Vehicle Charging Stations (EV-CSs) and Distributed Generators (DGs) within power distribution networks (PDNs). The application of voltage controllers is highlighted for its environmental benefits, such as reducing active losses and CO2 emissions, while also enhancing the accommodation of renewable energy sources. However, the study acknowledges potential drawbacks, including increased wear on voltage control equipment and the environmental impact of manufacturing advanced controllers.
The research introduces a hybrid GA-modified slap swarm algorithm (HGA-MSSA) to optimize the sizing and placement of EV-CSs integrated with DGs in metropolitan PDNs. Simulation results indicate significant improvements in network utilization, with up to 79% efficiency in Grid-to-Vehicle (G2V) mode. The paper also discusses the development of a Modified Newman Fast Algorithm (NFA) that utilizes Electrical Coupling Strength (ECS) metrics for partitioning PDNs into Virtual Microgrids (VMs), which enhances the identification of electrically cohesive communities. This approach aims to facilitate decentralized control and planning, ultimately improving the allocation of resources and reducing energy losses while maintaining system stability. The study’s contributions include the enhancement of clustering methods, the implementation of novel optimization techniques, and a robust performance benchmarking against established methods, underscoring the potential for future research in this domain.