fa نقش دیجیتالی شدن در ریزشبکه ترکیبی شامل منابع انرژی تجدیدپذیر عمومى General كاربردي Applicable <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:14px;"><span style="font-family:IRANsans;"><span dir="RTL" lang="AR-SA"><span style="color:black">مدیریت و عملکرد بهینه ریزشبکه&shy; های ترکیبی در حضور انرژی&shy; های تجدیدپذیر به دلیل سطح ولتاژ و انواع مختلف منبع تولید پراکنده و بار بر روی اجزای </span></span><span lang="EN-GB"><span style="color:black">AC</span></span><span dir="RTL" lang="AR-SA"><span style="color:black"> و </span></span><span lang="EN-GB"><span style="color:black">DC</span></span><span dir="RTL" lang="AR-SA"><span style="color:black"> یک تحقیق مورد نیاز است. به دلیل قیمت بالای تجهیزات</span></span> <span dir="RTL" lang="AR-SA"><span style="color:black">سامانه توربین بادی، خورشیدی و باتری، تعیین ظرفیت بهینه تجهیزات ضروری است.</span></span> <span dir="RTL" lang="AR-SA"><span style="color:black">در این پژوهش، یک الگوریتم بهینه&shy; سازی با استفاده از ترکیب الگوریتم تصمیم&shy; گیری پویا و تخمین مارکوف در زیرسامانه دیماند، منبع غیر همگن بادی و همگن خورشیدی ارائه می</span></span><span dir="RTL" lang="AR-SA"><span style="color:black">&shy;</span></span><span dir="RTL" lang="AR-SA"><span style="color:black">شود. جهت تعیین تعداد بهینه&shy; ی اجزای سامانه ترکیبی در حضور عدم قطعیت سمت تقاضا و تولید توان منابع تجدیدپذیر، هزینه&shy; ی سالیانه&shy; ی سامانه با در نظر گرفتن احتمال هدررفت توان</span></span>&nbsp;<span dir="RTL" lang="AR-SA"><span style="color:black">کمینه شده است و سناریوهای افزایش نفوذ انرژی تجدیدپذیر مورد مقایسه قرار می&shy; گیرد. </span></span><span dir="RTL" lang="AR-SA"><span style="color:black">با تحلیل حساسیت سناریوها در بعد سیاستگذاری، افزایش تعرفه خرید برق تجدیدپذیرها مهمترین عامل در اقتصادی بودن طرح&shy; ها و پس از آن کاهش هزینه&shy; های عملیاتی در رتبه دوم اهمیت است.</span></span></span></span></span></div> <span style="font-size:9pt"><span style="line-height:110%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span dir="LTR" style="color:red"></span></span></span></span></span></span> <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:16px;"><span style="font-family:Times New Roman;">Hybrid renewable energy systems (HRES) with potential environmental, economic and social benefits are designed to improve energy efficiency and reliability. In this study, artificial intelligence and smart grids were studied to supply electricity for a green cottage. The obtained results are essential for designing, implementing, and building HRES. Three cost-benefit and environmental, economic scenarios were assessed. The first scenario aimed for a 23.8% renewable energy penetration. The second scenario aimed for &quot;renewable and cost-effective&quot; with a 54% renewable energy penetration rate. The third scenario aimed to supply the green cottage Electrical energy with renewable energy entirely. Using the first scenario, with average daily fuel consumption of 1.11 liters, the annual hybrid renewable energy conversion system produces 1697 kWh of energy, with a net present value (NPV)&nbsp;of $553.68 and an internal rate of return (IRR) of 21.49% and a payback period of 15.71 years. In the second scenario, with average daily fuel consumption of 0.694 liters, total annual energy production is 1652 kWh, NPV is $341.47, IRR is 19.5%, and the payback period is 17.61 years. In the third scenario, the system produced 1933 kWh per year, with an NPV of -372.9 dollars and an IRR of 15.08 percent. This scenario has financially not feasible, and the depreciation and return on investment periods are outside the project life. The least effective is on fixed assets and&nbsp;increasing the feed-in tariff&nbsp;of renewable energy is the most important factor in project economics, followed by reducing operating costs.&nbsp;</span></span></span></div> ریزشبکه, انرژی‌های تجدیدپذیر, تولید پراکنده, بهینه سازی, تصمیم گیری پویا. Renewable Energy, Microgrids (MG), Distributed Generation(DG), Energy Storage System(ESS), Electricity Demand. 1 30 http://epprjournal.ir/browse.php?a_code=A-10-215-11&slc_lang=fa&sid=1 mostafa Esameili shayan مصطفی اسماعیلی شایان mostafa.esmaeili@modares.ac.ir 10031947532846005797 10031947532846005797 Yes Tarbiat Modares University مهندسی انرژی های تجدید پذیر دانشگاه تربیت مدرس gholamhassan Najafi غلامحسن نجفی mostafa.a.shayan@gmail.com 10031947532846005798 10031947532846005798 No Tarbiat Modares University دانشگاه تربیت مدرس brat ghobadian برات قبادیان mostafa.a.shayan@gmail.com 10031947532846005799 10031947532846005799 No Tarbiat Modares University دانشگاه تربیت مدرس shiva Gorjian شیوا گرجیان mostafa.a.shayan@gmail.com 10031947532846005800 10031947532846005800 No Tarbiat Modares University دانشگاه تربیت مدرس