توضیحات
A combination of genetic algorithm and particle swarm optimization for optimal DG location and sizing in distribution systems
ترجمه موضوع مقاله: ترکیبی از الگوریتم ژنتیک و بهینه سازی ازدحام ذرات برای مکان بهینه DG و اندازه در سیستم های توزیع
توضیحات: بر روی شبکه 33باسه شبیه سازی انجام شده و از الگوریتم PSO و فازی استفاده شده است
قسمت مربوط به بهینه سازی با الگوریتم PSO بوده و از سیستم فازی برای تسریع بهینه سازی استفاده شده است.
شبیه سازی از فایل های زیر تشکیل شده است.
- برنامه PSO که تنه اصلی برنامه بوده و بهینه سازی توسط الگوریتم PSO توسط این برنامه صورت می گیرد.
- برای قسمت برازش کدی که نوشته شده به نام fitness بوده و از قسمت های مختلف تشکیل شده که در ادامه توضیح داده خواهد شد.
- پس از اتمام بهینه سازی برای مشاهده نتایج به دست امده (در صورت نیاز) می توان از کد plotingV استفاده کرد که با تغییرات مناسب می توان نتایج را مشاهده کرد.
- کد های load21 و tree مربوط به قسمت برازش می باشد.
- فایل های اکسل نیز به نام های busdata33و linedata33total بوده که به ترتیب مقادیر مربوط به باس های شبکه 33 باسه و مقادیر توان اکتیو و ری اکتیو مربوط به خط بار را دارد.
توضیحات مربوط به تابع برازش:
برای بهینه سازی توسط الگوریتم PSO نیاز به تابع هدف می باشد.
این تابع هدف باید به صورت مجزا تعریف شده و سپس توسط الگوریتم بهینه سازی شود.
تابع برازش (کد fitness) ابتدا به بررسی حالت های ممکنی که می توان گراف مربوط به شبکه را ایجاد کرد می پردازد.
روش استفاده شده براي پخش بار يک روش مخصوص براي شبکه هاي شعاعي است و شرح اين روش در فايل Back forward sweep algortihm for radial distribution systems.pdf آمده است.
اين روش با توجه به توان اکتيو و راکتيو هر باس و مقدار مقاومت و راکتانس خطوط ارتباطي بين دو باس جريان بين آن دو را بدست مي آورد و سپس بر اساس اين جريان ولتاژ جديد هر يک را محاسبه مي کند سپس با توجه به ولتاژ هاي جديد توان هاي انتقالي جديد را مي شازد و از روي توان هاي انتقالي بين دو باس در حالت جديد جريان را دوباره بدست مي آورد و اين سيکل تکرار مي شود تا زماني که شرط حلقه تکرار نقض گردد (مقدار خطاي سيستم به حالت مطلوب و تنظيم شده برسد)
- فرمولبندی مساله
روش ارائه شده در این مقاله در نظر دارد با کمینه کردن تلفات توان، بیشینه کردن پایداری ولتاژ و بهبود پروفیل ولتاژ در یک شبکه توزیع شعاعی داده شده، قابلیت تکنیک بهینه‌ساز بیان شده را توصیف کند.
هدف این است که این سه تابع هدف در یک تابع هدف همگرا شوند که این کار توسط ضرایب جریمه صورت می‌گیرد.
توابع هدف دارای واحد نبوده و بصورت نسبت‌هایی بیان می‌شوند.
برای مثال مقدار اولین تابع هدف (f1) در مقایسه با تلفات اصلی 210.99 (kW) تنها یک نسبت است.
لذا ما با یک مساله تک بُعدی سروکار داریم.
-
- تابع هدف
تابع هدف بصورت ریاضی ذیل بیان می‌شود:
به شرط: CDG و nDG .
برای حالتی که DG وجد ندارد قسمت های مربوط به ان را می توان حذف کرد و نهایتا به فرمول زیر می رسیم:
…
-
- تلفات توان
تلفات توان حقیقی در سیستم با معادله (2) بیان می‌شود.
PRPL تلفات توان حقیقی باس nn سیستم توزیع است، که بصورت زیر بیان می‌شود:
2.3. بهبود پروفیل ولتاژ
تابع هدف جهت بهبود پروفیل ولتاژ برابر است با،
2.4. شاخص پایداری ولتاژ
شکل1 نشان‌دهنده شاخه‌ای از سیستم شعاعی است.
در سیستم توزیع شعاعی هر گره مقصد توسط تنها یک گره مبدا تغذیه می‌شود، از شکل1 داریم،
وقتی تولید پراکنده به شبکه توزیع وصل می‌شود، شاخص پایداری ولتاژ شبکه توزیع تغییر خواهد یافت.
این شاخص، که می‌تواند در همه گره‌های سیستم‌های توزیع ارزیابی شود، توسط Charkravorty و Das [24] ارائه شد.
معادلات به کار رفته برای فرمولبندی این شاخص در [25] بیان شده‌اند تا پخش بار برای سیستم‌های توزیع شعاعی حل شود.
معادله (7) بیانگر شاخص پایداری ولتاژ است.
با استفاده از معادلات (5) و (6) خواهیم داشت:
تابع هدف برای بهبود شاخص پایداری ولتاژ برابر است با
شکل های به دست امده برای مقادیر مختلف f f1 تا f3 با فرمول های استفاده شده در قسمت بدون سیستم فازی.
شکل 1 مقادیر مختلف f1 به ازای حالات مختلف شبکه
شکل 2مقادیر مختلف f2 به ازای حالات مختلف شبکه
شکل 3مقادیر مختلفf3 به ازای حالات مختلف شبکه
شکل 4مقادیر مختلف f به ازای حالات مختلف شبکه
در قسمت PSO
در ابتدا تعداد متغیر ها با nvar مشخص می شود. که در این مورد 6 متغیر داریم.
حدود تغییر برای این متغیر ها توسط دو ماتریس lb و ub مشخص می شود.
تعداد ذرات و تعداد تکرار در قسمت بعد مشخص می شود.
تعداد ذرات زیاد باعث هجوم و ازدحام ذرات شده و در نتیجه مقادیر ماتریس تعیین شده از حد مورد قبول با برنامه فراتر رفته و در نتیجه موجب خطا می شود.
همچنین تکرار زیاد نیز باعث گیر کردن در یک حلقه شده که به مشکل قبلی منجر می شود.
در نتیجه باید مقادیر مربوط به تعداد ذرات و تعداد تکرار را در محدوده 1 تا 5 و 5 تا 20 قرار داد. البته تعداد تکرار کم نیز باعث می شود که نتیجه مطلوب را نتیجه ندهد. به عبارت دیگر مقدار تکرار مناسب را می توان 10 قرار داد.
در ادامه روند الگوریتم PSO است که با توجه به تعداد ذرات و تکرار تعیین شده مقادیر مختلف را تولید و توسط تابع برازش مقدار مختلف تلفات توان را محاسبه کرده و مقدار کمینه را در ساختار gparticle ذخیره می کند.
این ساختار از چندین قسمت تشکیل شده که در ادامه توضیح داده می شود.
در کل gparticle مقادیر بهینه را در خود نگه داری می کند و در هر تکرار در صورتی که مقداری که از مقدار قبلی ان بهتر باشد را پیدا کند با مقدار قبلی جابجا کرده و در غیر این صورت همان مقدار را نشان می دهد.
Pos
این قسمت مربوط به متغیر های تابع برازش یا همان x ها می باشد.
Cost
مقدار بهینه به دست امده برای متغیر ها.
V_bus
مقدار ولتاژ را برای مقادیر بهینه به دست امده نشان می دهد.
NODS
مقادیر گره ها یا همان باس های شبکه را نشان می دهد که برای رسم درخت استفاده می شود.
در انتها مقادیر مربوط به ولتاژ بهینه و درخت شبکه رسم می شود.
مقادیر متغیر های مختلف و مقدار f بهینه به دست امده با عنوان BEST solution و BEST fitness به ترتیب نشان داده می شود.
برای اینکه مقادیر مختلف را توسط کد PlotingV بتوان رسم کرد. باید متغیر های مختلف را به تابع داد.
برای اینکار دستور زیر را در فضای متلب اجرا کنید.
x=gparticle.pos
و همچنین با توجه به اینکه مقدار زمان و مقدار تابع اولیه برای باس های مختلف با t مشخص شده. باید از قسمت workspase ماتریسt را حذف کرد.
نتایج شبیه سازی با متلب
نتایج به دست امده بعد از بهینه سازی.
گراف به دست امده پس از بهینه سازی
ولتاژ باس برای شبکه قبل و بعد بهینه سازی
کلید واژه: Distributed generation, Genetic algorithm, Placement, Particle swarm optimization, Losses
شبیه سازی مقاله
A combination of genetic algorithm and particle swarm optimization for optimal DG location and sizing in distribution systems
توسط مجریان سایت متلبی تهیه و به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
