مقدمه:
در این مقاله، مدلی جهت تعیین مکان و اندازه DG را در یک سیستم توزیع معرفی می گردد که حل با استفاده از بهینه سازی اجتماع مورچگان (ACO) به عنوان یک ابزار بهینه سازی صورت می گیرد.
در این الگوریتم DGها به عنوان منابع توان ثابت(نظیر پیلهای سوختی) در نظر گرفته می شوند.
بنابراین، اپراتور سیستم توزیع فقط می تواند منابع DG را روشن و خاموش کند و نمی تواند توان خروجی آنها را کم و زیاد کند.
II.
فرمولبندی مساله:
در تابع هدف پیشنهادی برای یافتن اندازه و مکان مناسب منابع DG، موارد زیر در نظر گرفته می شود:
- هزینه سرمایه گذاری منابع DG.
- هزینه نگهداری و تعمیر و هزینه عملیاتی منابع DG.
- هزینه تلفات.
- هزینه خرید انرژی در شبکه انتقال.
تابع هدف به شکل معادله زیر فرمول بندی می شود:
(1)
(2)
(3)
که:
Z: مقدار تابع هدف ($)
ncd: شمار مکانهای کاندید برای نصب DG در شبکه.
nld: شمار سطح بار در سال
nss: شمار پستهای HV/MV در سیستم
nyr: دوره برنامه ریزی(سال)
CDGi: ظرفیت انتخاب شده DG برای نصب در گره i(MVA)
KIDG: هزینه سرمایه گذاری منابع DG($/MVA)
Pssl,j: توان ارسالی از پست j به باد را شامل تلفات شبکه(MV)
Cj,l: توان تولیدی توسط مبلغ DG نصب شده در گره j در سطح بار را(MV)
PW: ضریب ارزش فعلی
IntR: نرخ بهره
InrR: نرخ تورم
تابع هدف(1) ضمن رعایت محدودیتهای زیر حداقل می گردد:
- ظرفیت بخشهای فیدر:
توان انتقالی با هر بخش فیدر باید مساوی یا کمتر از ظرفیت حرارتی رساناهای آن باشد.
(4)
که حدهای پخش بار و حرارتی خط بخش i هستند.
- حد دامنه ولتاژ:
الگوریتم پخش بار وفقی اصلاح شده برای ارزیابی رفتار سیستم استفاده شده است.
اول ولتاژ گره ها محاسبه می شود.
معادله زیر محدودیت متناظر را توصیف می کند:
(5)
که Vi,l دامنه ولتاژ محاسبه شده i امین گره در سطح بار l است.
Vmax , Vmin، مینیمم و ماکزیمم ولتاژ عملیاتی مجاز است.
- حد کل ظرفیت DG:
این محدودیت، کل ظرفیت واحدهای DG نصب شده در سیستم توزیع را محدود می کند.
که CDGi ظرفیت DG انتخاب شده در iامین محل کاندید است.
CDGi کل ظرفیت مجاز منابع DG است که در سیستم نصب می شود.
III.
بهینه سازی اجتماع مورچه گان(ACO):
A.
وجه عمومی الگوریتم ACO از رفتار مورچه ها به دست آمده است، همانطور که شکل 1 نشان می دهد.
پروسه الگوریتم ACO زمانبندی سه عمل را مدیریت می کند.
گام اول ارزش دهی فرومن دنباله دار را شامل می شود.
در تکرار(دومین بار) گام، هر مورچه یک حل کامل مساله را مطابق یک قانون حالت گذاری احتمالاتی می سازد.
قانون حالت گذرا، اساسا به حالت فرومن وابستگی دارد.
سومین گام، به روز کردن مقادیر فرومن است.
به روز کردن فرومن در دو فاز اعمال می شود.
اول فاز تبخیر است که کسری از فرومن تبخیر می شود(خشک می شود، بر باد می رود)، و سپس فاز تقویت شمار فرومن ها را روی مسیر با تعداد راه حل های بالا افزایش می دهد.
این پروسه تکرار می شود تا به ملاک توقف برسد.
راه های مختلفی برای تفسیر اصول بالا به پروسه کامپیوتری جهت حل مساله بهینه سازی پیشنهاد می شود.
روش بهینه سازی پیشنهادی برای این مقاله براساس الگوریتم ACO پیشنهاد شده در[18] است.
B.
اعمال ACO با مساله جایابی DG
مراحل اصلی الگوریتم ACO پیشنهادی به شرح زیر است:
گام اول) نمایش گراف فضای جستجو
قبل از هر چیز، ما به دنبال تدبیری هستیم که ساختاری را نشان دهد که مناسب برای مورچه ها باید تا برای حل مساله جستجو کنند.
فضای جستجوی مساله در شکل 2 آمده است.
همه مقادیر ظرفیت کاندید محتمل در مکان n با طبقانی در فضای جستجو تا طبقه n با طبقاتی در فضای جستجو تا طبقه n معرفی می گردند.
شمار طبقات برای هر سطح بار مساوی شمار گره های کاندید سیستم توزیع برای مکان DG است.
بنابراین، شمار کل طبقات(nldxncd) است.
یک حل مساله بعد از فرآیند تصمیم گیری مورچه برای شکل گیری زیر مسیرهای یک نوبت تکمیل می گردد.
گام 2) ارزش دهی ACO
در آغاز الگوریتم ACO، مقادیر فرومن کناره ها در فضای تحقیق، همه به یک مقدار ثابت( ) ارزش دهی می شوند.
این مقدار دهی باعث می شود که مورچه گان مسیر خودشان را به صورت اتفاقی انتخاب کنند و بنابراین، فضای حل به طور موثرتری جستجو می شود.
گام 3) پخش شدن مورچه گان
در این مرحله، مورچه ها پخش می شوند و راه حل ها براساس سطح فرومن لبه ها شکل می گیرد.
هر مورچه تور خود را از خانه شروع می کند و یکی از حالتها را در طبقه بعدی انتخاب می کند تا احتمال جهش زیر: (7)
که کل فرومن های امانی روی کناره ij در تکرار t، و مجموعه لبه های در دسترس که مورچه در حالت i می تواند انتخاب کند می باشد.
بعد از اینکه هر مورچه تور خود را به انتها برد، یک راه حل جدید برای مکان DG تولید می شود که با استفاده از تابع برازندگی ارزیابی می گردد.
گام 4) تابع برازندگی
در این گام، برازندگی تورهای تولید شده توسط مورچه ها براساس تابع برازندگی ارزیابی می شود.
تابع برازندگی مساله با معکوس کردن هزینه کل(1) به علاوه یک ضریب جریمه برای حل های نشدنی(تخلف از محدودیت ها) تعیین می شود.
در عین حال، برای تسریع همگرایی خواص الگوریتم، از اطلاعاتی در تور برگشت خورده اما هنوز مفید است استفاده می شود.
ضریب جریمه از صفر تا مقدار خیلی بالایی به صورت خطی افزایش می یابد.
گام 5) بهنگام سازی فرومن
هدف از بهنگام کردن مقادیر فرومن، افزایش مقادیر فرومن روی مولفه های حل است که در حل است که در حل های برازندگی بالا یافت می شود.
همچنین، از نقطه نظر عملی، تبخیر فرومن به اجتناب از همگرایی خیلی سریع الگوریتم به سوی یک ناحیه جدید در فضای تحقیق استفاده می کند.
از قاعده زیر استفاده می کنیم:
که (0 Q یک متغیر ذهنی است که شمار فرومن اضافه شده به بهترین تور را کنترل می کند.
باند پایین تر فرومن است که در یک احتمال کوچک برای یک مورچه یک کناره معین انتخاب می شود.
هنوز احتمال بزرگتر از صفر است.
این باند پایین یک تابعی از شمارشگر تکرار به صورت زیر است: (9) که باند پایین اولیه فرومن است.
گام 6) تصمیم همگرایی گامهای 3 تا 5 به ماکزیمم مقدار از پیش تعیین شده برسد که از راه آزمایش تعیین می گردد.
بهترین تور انتخاب شده در طول همه تکرارها حل بهینه مکان DG را می رساند.
شکل 3، فلوچارت روش پیشنهادی براساس ACO را نشان می دهد.
IV) مطالعه مورد براساس الگوریتم پیشنهادی، با استفاده از برنامه MATLAB نرم افزار گسترش یافت برای جایابی و مقدار یابی منابع DG در سیستم توزیع، روش پیشنهادی روی یک سیستم توزیع پیاده شد.
سیستم توزیع نشان داده شده در شکل 4، از یک پست 40MVA,132KV/33KV که به هشت بار سرویس می دهد تشکیل یافته است.
مشخصات فنی در جدول(1) آمده است.
ضریب توان تمام بارها 9/0 است.
تمام گره ها به جز گره مربوط به پست(گره 1)، کاندید نصب DG هستند.
ضریب توان همه بارها 95/0 است.
DGهای کاندید سایز IMVA دارند(ماکزیمم MW4) با تولید توان در ضریب توان واحد کل ظرفیت مجاز برای نصب DG، (20MW) است.
جدول 2، اطلاعات قیمت بازار و بارها را نشان می دهد.
اطلاعات هزینه ها در جدول 3 آمده است.
انحراف ولتاژ مجاز برای گره ها است.
پارامترهای کنترل ACO به طور تجربی و با استفاده از اطلاعات چندین آزمایش به شرح زیراند: شمار مورچه ها: 75 نرخ تبخیر فرومن: 9/0 ماکزیمم تکرارها: 100 مقدار اولیه باند پایین فرومن: 1/0 با استفاده از الگوریتم ACO پیشنهادی، شمار و مکان بهینه منابع DG در سیستم توزیع تعیین می شود.
جدول IV، حل نهایی را برای ظرفیت واحدهای DG در سطوح بار نشان می دهد.
جدول V، در دو حالت بدون DG و با DG به مقایسه هزینه های مختلف می پردازد.
مشاهده می شود هزینه های عملیاتی و تلفات پس از نصب DG کاهش یافته است.
همچنین حدهای حرارتی و ولتاژ تغییر می کند.
شکل(5) نشان می دهد که پروفیل ولتاژ گره های سیستم با نصب DG در سطوح مختلف بار بهبود یافته است.
شکل 6، نشان می دهد پس از نصب DG در سیستم، بارگذاری قسمتهای فیدر کاهش می یابد.
این معنی می دهد که افزودن DG، مجال لازم برای استفاده از سیستم موجود را برای آینده و با رشد بارها، بدون نیاز به روز کردن فیدرها فراهم می آورد.
همچنین این کاهش بارگذاری، در صورت گسیختگی سیستم، قابلیت اطمینان سیستم را بهبود می دهد.
Application of Tabu Search to Optimal Placment of Distributed Generation.
2- فرمولبندی مساله: مساله، تعیین مکان و اندازه DG است طوری که تلفات توزیع حداقل گردد.
فرضیات زیر جهت فرمولبندی مساله اختیار می گردد: - بار توزیع شده یکنواخت با جریان بار ثابت است.
- ضریب توان بار 1 است.
- موقعیت های نصب DG برای هر بخش فیدر مشخص اند.
- یک DG برای یک موقعیت کاندید می تواند قرار گیرد.
- حداکثر شمار DGهای نصب شده مشخص است.
- ظرفیت کل DG ها برای نصب معین است.
مساله به شکل زیر فرمولبندی می شود.
توابع هدف: (1) (2) محدودیت ها: (کل ظرفیت DGها) (3) حداکثر شمار DGها (4) روی هر مکان فقط یک DG می تواند نصب شود.
(5) قیود عملیاتی DGها (6) (7) که: : تلفات توزیع در مقطع h در زمان t.
: خروجی DG در k امین مکان در بخش j در زمان t.
: اختصاص مقادیر 0 و 1 برای تعیین اینکه آیا یک DG با ظرفیت g در k امین مکان در بخش j هست یا نه(0: قرار ندارد، 1: قرار دارد و j=1~Sc و k=1~M و g=1~N).
شکل 1 را ببیند.
SC: شمار کل بخشها N: شمار کل ظرفیت انواع DG ها.
M: شمار کل مکانهای کاندید برای هر بخش.
tmax: ماکزیمم مقدار زمان دوره زمانی t.
Cg: ظرفیت gامین DG(مقدار گسسته).
H: شمار کل DG های نصب شده.
G: ماکزیمم ظرفیت DG های نصب شده.
: خروجی DG در زمان St در k امین موقعیت بخش j با ظرفیت g نصب شده است.
فرمولبندی بالا نشان می دهد که مساله تعیین مقدار 0 یا 1، (مکان و اندازه DG) برای حداقل کردن z در معادله 1 تحت قیود معادلات 3 تا 7 است.
معادله قیود عملیاتی متغیر DG را نشان می دهد.
از فرمولبندی بالا، یافتن مساله ای شامل مساله عملیاتی بهینه تعیین می تواند آسان باشد.
در این مقاله، فرض می شود که با روشهای بهینه سازی از قبل تعیین شده باشد.
اینجا برای ساده سازی، فرض می کنیم برای هر t داریم: .
این فرض نشان می دهد که DG ها با توان نامی خروجی در هر زمان عمل می کنند.
و معادلات 6 و 7 به کاهش می یابند.
در این مورد، ظرفیت نامی(مقدار گسسته) DGها با گرد کردن به حل پیوسته برای حداقل کردن معادله(1) با قیود معادله(3) می تواند محاسبه شود.
با حل معادلات همزمان(8) پیدا می شود: (8) که Q مجموعه ای از(j,k) است که ژنراتور پراکنده متصل است.
در ادامه، الگوریتم حل فقط برای مورد بحث می شود.
3.
الگوریتم حل 1.
توضیح خلاصه الگوریتم حل: جهت ساده سازی الگوریتم حل، تعیین الگوریتم مکان DGها و الگوریتم جستجوی اندازه DGها از هم جدا می شود و تکنیک تجزیه هماهنگ در این الگوریتم معرفی می شود.
اول با جستجوی تابو(Ts) تخصیص DGها(k,j از مقادیر 0 و 1 ) موقتا تحت قیود معادلات 5 و 6 موقتا ثابت می شود.
سپس، برای مکان DG به دست آمده با موقعیت ثابت موقت(k,j از مقادیر 0 و 1 ) ظرفیت هر DG( g از مقادیر 0 و 1 ) با TS محاسبه می شود که Z در معادله 1 را مینیمایز کند.
تحت شرایط معادله 4 دو پروسه بالا تا شمار معین هدف تکرار می شود.
فلوچارت کلی الگوریتم حل در شکل 2 نشان داده شده است.
سه نوع الگوریتم همزمان نشان داده شده است مطابق پروسه، عملیات تخمین ظرفیت DG با TS محاسبه می شود.
در الگوریتم 1، محاسبه تخمین جاییکه موقعیت نصب (j,k) ثابت است عمل می کند.
در الگوریتم 2، تخمین هنگامی انجام می شود که مینیمم محلی با جستجوی محل نصب(j.k) یافت شود.
در الگوریتم(3)، تخمین ظرفیت DGها بعد از نصب بهینه DGها در موقعیت های تعیین شده انجام می گیرد.
برای همه الگوریتم ها، یک حل اولیه، ظرفیت گسسته DG را با TS تعیین می کند.
و مقادیر تخمینی خروجی DGها به سادگی با حل همزمان معادله 8 محاسبه می شود.
2 .3.
تعریف حل همسایگی (1) برای جستجوی موقعیت نصب(j.k) حلهای همسایه TS برای جستجوی موقعیت نصب DGها تعیین شده اند طوریکه همه حلهایی که با افزودن یک DG به موقعیت جدید که هیچ DG ای موجود نیست و یا اگر بوده حذف شده است و همزمان معادلات 4 و 5 را ارضا نماید ایجاد گردد.
می توانیم جزئیات حلهای همسایه را با استفاده از یک ماتریس موقعیت(j.k) نشان داده شده در شکل 3 ببینیم.
در شکل 3، شکل پایین سمت چپ یک همسایگی ایجاد شده با افزودن یک ژنراتور در موقعیت(1 و 2) =(j,k) را نشان می دهد.
شکل پایین سمت راست موردی را نشان می دهد که DG از (4و4)=(j,k) حذف شده است.
همه ترکیبات بالا، به عنوان حل های همسایه برای یک تکرار TS استفاده می شود.
2) برای جستجوی ظرفیت جدا از هم DG(g) حل های همسایه با انحراف ظرفیت جدا از هم هر DG از حل جاری به ظرفیتهای نزدیک بالاتر و پایین تر با رعایت قیود معادله 3 ایجاد می گردد.
برای مثال، در شکل 4، حل های همسایه ظرفیت فعلی(4=g) برای یک DG واقع در (j,k)، 3=g برای ظرفیت پایین تر نزدیک، و 5=g برای ظرفیت بالاتر نزدیک است.
حل های همسایه برای یک تکرار TS ایجاد می گردد تا ظرفیت DG های جدا از هم تعیین شود.
این انحراف کردنها برای همه DGهای نصب شده در سیستم، سعی می شود.
3 تعریف حرکت تابو و معیار(aspiration) در هر تکرار TS، جهت مخالف مسیر انتخاب شده در لیست تابو با عنوان"جهت تابو" ذخیره می شود.
اگر یک مقدار تابع هدف برای یک حل همسایه بهتر از بهترین حل تا اینجا باشد، معیار aspiration ارضا می شود و حرکت به حل همسایه مجاز است ولو اینکه جهت حرکت در لیست تابو باشد.
در این مورد، جهت تابو مشابه از لیست تابو می رود و به جهت اجباری حرکت می کند.
4.
مثالهای عددی الگوریتمها(الگوریتمهای 1 تا 3) با استفاده از دو مثال سیستم توزیع مدل شده صنعتی، با بارهای تجاری و مسکونی تست می شوند.
مدل 1( 4 فیدر و 28 بخش و 6/16) در شکل 6 نشان داده شده است.
مدل 2(s/s4، 6 فیدر و 78 بخش) در شکل 7 نمایش داده شده است.
دو مورد در شمار DG های نصب شده مختلفند.
برای هر مورد، منحنی بار روزانه برای نواحی مسکونی، تجاری و صنعتی با تغییر اتفاقی در شکل 5 آمده است.
نتایج محاسبه، پارامترهای DG و پارامترهای جستجوی تابو در جدول 1 و جدول 2 و جدول 3 برای مدل اول، و جداول 4 و 5 و 6 برای مدل دوم آمده است.
از این جداول، می توان فهمید که تلفات برای مورد 2 بهتر از مورد اول است ولو اینکه کل ظرفیت نصب شده DG یکی است.
این به این خاطر است که شمار DG ها مورد 2 بزرگتر از مورد 1 است.
همچنین می توان فهمید که الگوریتم 1 حلهای صحیح بیشتری را پیدا می کند و نیز سرعت محاسبات در الگوریتم 3 بیشتر است.
محاسبات الگوریتم 1 در مدل درمی 72 ساعت به طول انجامیده است.
جدول 7 نتایج محاسبات الگوریتمهای بالا را با تشبیه سازی گداختگی مقایسه می کند.
ضمیمه 1: توضیح مختصر جستجو تابو جستجوی تابو کل فضای حل را به طور اتفاقی براساس جستجوی محلی جستجو می کند این روش از روش صعود تپه شکل گرفته است.
روش صعود تپه، به طور معمول در نقاط بهینه محلی گرفتار شده، لذا جهت رسیدن به نقطه بهینه محلی مفید است.
جهت جلوگیری از این مساله، روش جستجوی تابو از حافظه ای به نام لیست تابو استفاده می کند.
مراحل طی شده و نقاط ارزیابی شده در درون لیست جای گرفته تا ضمن رهایی از نقاط بهینه محلی، از تکرار مجدد مسیرهای جستجو جلوگیری گردد.
در هر مرحله یک راه حل جدید وارد این لیست شود، قدیم ترین راه حل از این لیست خارج می شود.
الگوریتم نقاط بهینه فضای حل را جستجو می کند با حرکت از حل فصل به حل بهینه بعدی در"همسایگی" حل فعلی مراحل پروسه را می توان بدین شکل بیان کرد: گام اول: انتخاب یک اولیه و قرار دادن x*:=x .
شمارنده تکرار K:=0 است و لیست تابو(T) خالی است.
گام دوم: اگر S(x)-T خالی است به گام چهارم برو، اگر نه: گام سوم: x:=S(x) قرار بده.
اگر C(x) گام چهارم: اگر شمار تکرارها از مقدار تعیین شده قبل تخطی کرد یا S(x)-T خالی ماند به مرحله 2 برگرد و T را به هنگام کن.
S: x: راه حل X: مجموعه راه حلها S: جهت جستجو از حل فعلی :S(x) مجموعه S در حل x S(x): حل جدید با حرکت در جهت S از X در الگوریتم بالا، تابع OPTIMUM، می نیمم پاسخ را در همسایگی حل جاری می یابد.
اگر S-1 را به عنوان جهت معکوس S تعریف کنیم، S-1 در لیست تابو برای تکرارهای بیشتر از t ذخیره می شود.
h>k-t} برای s-1:s=sh T={ T در kامین تکرار به صورت زیر بهنگام می شود: در صورت نیاز می توانیم استراتژیهای دیگر نظیر معیار انتظار را اضافه کنیم.
که در صورتی که نقطه یا نقاطی در لیست تابو این معیار را برآورده سازند آزاد می شوند.
Utilizing fuzzy Optimization for Distributed Generation Allocation.
(II روش بهینه سازی فازی: A.
ملاحظات تخصیص DG: استفاده از DG در سیستم توزیع، این انتظار را ایجاد می کند که روی افت ولتاژ، ظرفیت اتصال کوتاه(SCC)، تلفات سیستم و هزینه عملیات تاثیر داشته باشد.
DG، حمایت ولتاژ را با اتصال به شبکه تامین می کند.
در صداقت ولتاژ با وابستگی به محل، کاهش می یابد.
با DG، خمیدگی ولتاژ و نوسانات سیستم توزیع با SCC بالاتر کاهش می یابد.
در این مقاله، ما از امپدانس مولفه مثبت شبکه با ohas 4022/1 j + 144/0 و امپدانس مولفه مثبت DG با ohms 2972/6 استفاده می کنیم.
آنالیز اتصال کوتاه برای محاسبه SCC استفاده می شود.
در مورد تلفات، اعمال DG با بار مرکزی، تلفات خط را کاهش می دهد.
بمجورد عملیات DG، انتظار می رود هزینه عملیاتی کمتر از قیمت شبکه گردد.
در این مطالعه؛ تابع چند هدف زیر مطرح می شود: 1- حداقل سازی PVD (1) که PVD، درصد افت ولتاژ است.
Vsi ولتاژ خط طرف فرستنده و VRi ولتاژ خط طرف گیرنده است.
2- حداکثر سازی SCC (2) که SCC ظرفیت اتصال کوتاه برحسب(MVA) است.
I3F خطای سه فاز در سنین nام و KVbase، ولتاژ پایه خط است.
3- حداقل سازی تلفات سیستم (3) که PL برحسب(kw) کل تلفات سیستم و Re{Zij} مقاومت خط از گره i تا گره j است.
Iij نیز جریان از گره i به j است.
4- حداقل سازی هزینه عملیات (4) که: C(Pi) تابع هزینه برحسب ($/MW) توان تولیدی در سیستم توزیع است.
Pg برحسب(MW) توان تولیدی شبکه است.
Pdg هم توان تولیدی DG است.
قیمت گره ای توان تولیدی شبکه است.
ما $/MWh70 استفاده می کنیم.
هزینه نهایی توان تولیدی با DG است که ما $/MWh استفاده می کنیم.
هزینه سرمایه گذاری DG در این مطالعه ندیده گرفته می شود.
.B تابع عضویت استاندارد PVD: برای هر مورد، ما (5) که xi نرمالیزه شده درصد افت ولتاژ از نسبت PVDi است که PVD برای هر مورد i است، و PVD , PVD0 برای هر مورد قبل از نصب است.
از معادله 5، وقتیکه xi بالاست، کاهش PVD کمتر از نصب DG است.
از طرف دیگر، هنگامیکه xi پایین است، کاهش PVD بالاست.
تابع عضویت PVD همان طور که شکل 1 نشان می دهد تعریف می شود: در اینجا این گونه مقرر می گردد که 25/0=Xmin است در حالیکه 1=Xmax است.
این نشان می دهد که اگر PVDi، %25 یا کمتر از PVD0 باشد، مقدار عضویت واحد تخصیص داده می شود و اگر PVDi، %100 یا بیشتر از PVD0 باشد، مقدار عضویت صفر مقرر می گردد.
در این مطالعه، PVD در گره با بالاترین افت ولتاژ نسبت به مرجع شبکه یا گره پشت در شبیه سازی مورد اصلی، محاسبه می شود.
2) تابع عضویت استاندارد SCC: برای هر مورد، SCC استاندارد را به شکل زیر طبقه بندی می کنیم: (7) که ظرفیت اتصال کوتاه نرمالیزه شده از نسبت SCCi است که این SCC برای هر مورد I است و SCCo، SCC قبل از اتصال DG است.
از معادله 7، هنگامیکه بالاست(بعد از نصب DG)، مقدار عضویت بالاتر تخصیص می یابد.
از طرف دیگر، هنگامیکه پایین است، افزایش در SCC پایین است و مقدار عضویت پایین تخصیص می یابد.
تابع عضویت SCC نشان داده در شکل به صورت زیر است: (8) در این مطالعه مقرر شده است که باشد در حالیکه 8/1 = است.
این دلالت می کند که اگر SCCi، %100 یا کمتر از SCC0 باشد، مقدار عضویت صفر تخصیص می یابد و اگر SCCi، %180 یا بیشتر از SCC0 باشد مقدار عضویت واحد تخصیص می یابد.
در این مطالعه، SCC در گره با بالاترین افت ولتاژ محاسبه می شود.
3) تابع عضویت استاندارد Pl: برای هر مورد داریم: (9) که Zi، اندیس نرمالیزه شده سیستم از نسبت Pli است که Pl برای هر مورد I است و Plo، Pl برای قبل از اتصال DG است.
از معادله (9) هنگامیکه Zi بالاست، کاهش Pl پس از نصب DG کمتر است، و مقادیر عضویت کمتر تخصیص می یابد.
از طرف دیگر، هنگامیکه Zi پایین است، کاهش Pl بالاست و مقادیر عضویت بالاتر تخصیص می یابد.
تابع عضویت Pl، همان طور که شکل 3 نشان می دهد به شکل زیر است: (10) 25%= Zmin و Zmax-1 تعیین می گردد.
این نشان می دهد اگر Pli، %25 یا کمتر از Plo باشد، مقدار عضویت واحد تعیین می گردد و اگر Pli، %100 یا بیشتر از Plo باشد، مقدار عضویت صفر تخصیص می یابد.
4) تابع عضویت استاندارد هزینه های عملیاتی برای هر مورد، طبقه بندی می کنیم: (11) که Wi هزینه عملیاتی نرمالیزه شده از نسبت C(Pi) است که C(P) برای هرمورن است.
C(P) , C() قبل از اتصال DG است.
از معادله (11)، هنگامیکه Wi بالاست.
C(P) بعد از نصب DG کاهش می یابد و مقدار عضویت پایین تخصیص می یابد.
از طرف دیگر، هنگامیکه Wi پایین است، کاهش C(P) بالاست و مقدار عضویت بالا تخصیص می یابد.
تابع عضویت C(D) بالاست و مقدار عضویت بالا تخصیص می یابد.
تابع عضویت C(D) همان طور که شکل 4 نشان می دهد به صورت زیر تعیین می شود: (12) در اینجا فرض می شود که 5/0= Wmin است در حالیکه 1= Wmax است.
این نشان می دهد که اگر C(Pi)، %50 یا کمتر C(Po) باشد، مقدار عضویت واحد فرض می شود و اگر C(Pi) %100 یا بیشتر از C(Po) باشد، مقدار عضویت صفر فرض می شود.
.C بهینه سازی فازی روش بهینه سازی چند هدفه فازی الگوریتمی است که می توان به کار برد.
گامهای این روش حل به شرح زیر است: گام 1: برای هر گره متصل به DG، همه توابع عضویت بحث شده در بالا، ارزیابی می شود.
گام 2: مقیاس مطلوبیت کلی برای یک گره مخصوص متصله به DG، مینیمم همه توابع عضویت بالاست.
(13) گام 3: حل بهینه مکان DG، ماکزیمم مقیاسهای کلی مطلوبیت است.
(14) OPSi=max(Ni,n) (III مثالهای عددی سیستمهای توزیع در هم و شعاعی از مرجع[8] جهت تست روش پیشنهادی استفاده شده است و نتایج با نتایج [8] مقایسه شده است.
.A سیستم توزیع شعاعی برای آزمودن روش پیشنهادی در سیستمهای توزیع شعاعی، نظیر شکل 5، با سه نوع بار: توزیع شده یکنواخت، توزیع شده مرکزی و توزیع شده افزایشی.
در این مورد، PVD و SCC در گره 11 ارزیابی می شود.
نتایج روش توصیف شده بالا در جدول 1 آمده است.
نتایج بهینه سازی فازی در جدول 1 مشاهده می شود و نه فقط تلفات خطوط به عنوان مورد مرجع[8]، بلکه جمع کردن(انتگرال گرفتن) جریانهای خطا، هزینه عملیات و کاهش افت ولتاژ در یکپارچه سازی DG در سیستم توزیع، مورد رسیدگی قرار گرفته است.
در این سیستم، فقط هنگامیکه بار توزیع شده مرکزی است با نتایج مرجع[8] مطابقت دارد.
.B سیستم توزیع درهم شکل زیر یک سیستم توزیع درهم از مرجع[8] است.
در این مورد، PVD و SCC در گره 3 ارزیابی می گردد.
یک DG، 5MW در این سیستم قرار می گیرد و نتایج با بهینه سازی فازی با نتایج[8] مقایسه می شود.
جدول 2 نتایج را برای تخصیص DG نشان می دهد.
از جدول 2 پیداست که بهینه سازی فازی، جریانهای خطا را افزایش داده و هزینه عملیاتی کاهش می یابد.
کاهش افت ولتاژ و تلفات سیستم با قرار دادن DG در شین 3 برای سیستم زیر به دست می آید.
نتیجه به دست آمده با نتیجه مرجع[8] مطابقت دارد.
قوانین فازی قوانین فازی در مسائلی که اطلاعات دقیق مشخص نمی باشد کاربرد دارند.
در شبکه توزیع نیز بعضی از پارامترهای شبکه همچون باریست ها، و سطح مقطع فیدرها ممکن است به درستی مشخص نبوده و بهره برداران شبکه نتوانند مقادیر و اعداد مشخص برای برخی پارامترهای شبکه ارائه کنند.
به همین دلیل می توان پارامترهایی چون تغییرات بار، میزان تلفات و تغییرات ولتاژ را به صورت اعداد فازی در نظر گرفت.
Hybrid Particle Swarm Optimization Approach for Optimal Distribution Sizing and Allocation in Distribution Systems.
مقدمه آثار مثبت و مزایای DG را می توان به طور خلاصه چنین بیان کرد: - کاهش تلفات خط - کاهش استفاده از سوختهای فسیلی - کاهش آثار زیست محیطی - بهبود قابلیت اطمینان سیستم - املاح پیک - بهبود ولتاژ فیدر توزیع - راحتی انتقال و توزیع - تعویق هزینه های به روز کردن انتقال و توزیع با تامین توان در محل مصرف کننده از آثار منفی نیز، می توان به ناپایداری پروفیل ولتاژ به سبب شارش جهت دار توان و کیفیت تغذیه و هارمونیک ها اشاره نمود.
یکی از روشهای جایابی DG، اعمال قانون 3/2 است که معمولا در جایابی فازها استفاده می شود.
آن نصب DG 3/2 بار اعمال در 3/2 طول فیدر شعاعی است.
این قانون فرض می کند بارها به طور یکنواخت در ساختار شعاعی توزیع شده اند.
این فرض اعمال این قانون را به سیستم های توزیع واقعی مشکل می کند.
این مقاله یک روش جدید بهینه سازی براساس الگوریتم اجتماع ذرات را معرفی می کند تا مکان مناسب واحدهای DG را در سیستم توزیع بیابد.
الگوریتم مورد استفاده قرار می گیرد تا برای بهینه کردن مکان و اندازه DG همزمان، جستجو کند طوریکه تلفات توان کل شبکه حداقل گردد و محدودیت تحمیلی ولتاژ سیستم نیز امتناع گردد.
این مقاله بدین شکل سازماندهی شده است: بخش دو فرمولبندی مساله و قیود مدلسازی را معرفی می کند.
سپس، خلاصه ای از الگوریتم اجتماع ذرات در بخش سه معرفی می شود.
نتایج شبیه سازی و بحث پیرامون روش در بخش چهار می آید.
خلاصه نیز در بخش 5 می آید.
(II فرمولبندی ریاضی: مساله یافتن مکان و اندازه بهینه DG به طور همزمان است طوریکه تلفات توان اکتیو حداقل شود.
تلفات توان حقیقی بدین شکل بیان می شود: (1) که: Ibr جریان در شاخه i است، N شمار کل شاخه های سیستم است.
Ri مقاومت شاخه است.
براساس معادله 1، تلفات توان خط با کاهش جریان شاخه ها، شبکه توزیع می تواند کاهش یابد.
یک راه کاهش جریان شاخه ها، شبکه توزیع می تواند کاهش یابد.
یک راه کاهش جریان در قسمتهای معین شبکه وارد کردن DG است.
فرمولبندی مساله طوریست که یک برنامه ریزی غیرخطی عدد صحیح اجباری آمیخته با مکان گسسته و با اندازه پیوسته ایجاد می کند.
در توسعه الگوریتم، حداقل کردن تلفات توان کل شبکه است طوری که برخی شرایط مشخص تحمیلی به سیستم را امتناع کند.
تابع هدف است: (2) معادله اجبار دارد پخش بار غیر خطی سیستم توزیع شعاعی را که آنرا می توان به صورت زیر نوشت: (3) H(x,u)=0 که: x بردار حالت است که متغیرهای وابسته به نمایندگی می کند.
U بردار کنترل است که متغیرهای مستقل را نمایندگی می کند.
قیود نامساوی محدودیت های ولتاژ روی سیستم توزیع شعاعی هستند: (4) که j شماره شین هاست.
قید نامساوی توان اکتیو خروجی DG نیز هست: (5) DG می تواند مدل PV یا PQ داشته باشد.
مدل PV یک DG را که توان را به یک ولتاژ ترمینال مخصوص می رساند نمایندگی می کند.
مدل PQ یک DG را که توان را به ضریب توان مخصوص می رساند نمایندگی می کند.
مدل DG دوم در این مطالعه استفاده می گردد.
برای DG معمول است که بین ضریب توان 85% و واحد کار کند.
DG پیشنهادی توان اکتیو ثابت را در ضریب توان 85% پس فاز تحویل می دهد.
برخی منابع DG را به صورت بار منفی که توان اکتیو و راکتیو را قطع نظر از ولتاژ سیستم به سیستم تحویل می دهند مدسازی می کنند.
(III بهینه سازی اجتماع ذرات: Kennedy و Eberhart اولین بار بهینه سازی اجتماع ذرات(PSO) را در 1995 به عنوان یک بهینه ساز اولیه معرفی نمودند.
آنها یک الگوی تصادفی غیرخطی اختیار نمودند و توسط Heppner توسعه داده شد که از حرکت جمعیت پرندگان تقلید می کند.
آنها فهمیدند با برخی اصلاحات، مدل می تواند به عنوان یک بهینه ساز عمل می کند.
اولین ورژن PSO فقط مسائل بهینه سازی متوالی غیرخطی را مشترک با دست حل می کرد.
چندین نگارش PSO متعاقبا پیشنهاد شد تا از عهده مسائل اجباری و ترکیبی برآید.
PSO یک تکنیک جمعیتی براساس تکامل است که می تواند طبقه وسیعی از مسائل بهینه سازی را حل نماید.
آن امتیازات کلیدی زیادی بر دیگر تکنیکهای بهینه سازی دارد.
نظیر: - یک تکنیک بدون نیاز به مشتق است.
- ظرفیت یافتن راه حل های کلی را دارد.
- برای ساده کردن عملیات ریاضی و منطقی استفاده می شود.
- پارامترهای کمکی برای تنظیم کردن در قیاس با دیگر تکنیکها دارد.
- در مورد طبیعت تابع هدف نظیر پیوستگی و برجستگی فرضیاتی انجام نمی دهد.
در PSO، شمار ذرات یا"راه حل های ممکن" به صورت یک دسته بزرگ یا"گروه" در فضای مافوق حل مساله پرواز می کند.
هر ذره i با دو بردار موقعیت(xi) و سرعت(vi) مشخص است.
اندازه این بردارها با توجه به دیمانسیون مساله تعیین می شود.