توضیحات
Distribution network reconfiguration for power loss minimization and voltage profile improvement using cuckoo search algorithm
تنظیم مجدد شبکه توزیع برای کاهش تلفات توان و بهبود پروفیل ولتاژ با استفاده از الگوریتم جستجوی کوکو
شبیه سازی مقاله با 4 الگوریتم:
- الگوریتم ژنتیک
- الگوریتم رقابت استعماری
- الگوریتم جستجوی فاخته
- الگوریتم جستجوی کلاغ ها
با انجام 4 الگوریتم CSA و GA , ICA و CS به همراه اضافه کردن شاخصی مانند VSI(voltage stability index) و اضافه کردن آن به تابع هدف با وزن مشخص
شبیه سازی بر روی 3 شبکه 33 ,69 و 118 باسه انجام شده است.
آپدیت جدید: شبیه سازی با الگوریتم کلاغ ها نیز انجام شده و برای شبکه های 33,69 و 118 باسه پیاده سازی انجام شده است.(این بخش دارای آموزش در قالب ویدیو است)
توضیح بخشی از کد در گزارش, کدنویسی فایل Main:
از دستور clc برای پاک کردن صفحه Command window ، از clear all به منظور پاک کردن حافظه قبلی Matlab و از close all به منظور بستن نمودارهای باز در هر فایل ابتدایی استفاده میگردد. چون الگوریتم ها به صورت تابع (function) نوشته شده اند، به منظور فراخوانی حدود متغیرها و اطلاعات بیس سیستم، این متغیرها global شده اند که بدون محاسبه مجدد، در توابع فراخوانی گردند.
clc;
clear all;
close all;
%% Problem Definition
global nPop MaxIt VarMin VarMax VarSize NFE ploss_not Qloss_not BestSol BestCost
NFE تعداد فراخوانی تابع میباشد. در الگوریتم هرچه تعداد فراخوانی کمتر باشد، بهتر است. به عبارتی با فراخوانی کمتر به جواب بهتر دست پیدا میشود.
NFE=0;
تعداد متغیر در nvar ذخیره میگردد. در سیستم های 33 و 69 باس چون تعداد خطوط اضافه 5 است این تعداد برابر 5 میباشد ولی در سیستم 118 به علت وجود 15 خط و شناسایی آن، تعداد متغیر 15 میباشد.
nVar=5; % Number of Decision Variables
nvar=nVar;
VarSize=[1 nVar]; % Size of Decision Variables Matrix
VarMin=1;
حد پایین متغیر در VarMin و حد بالای آن در VarMax قرار میگیرد، این شماره در الگوریتم به تعداد خطوط مربوط می باشد. به طور مثال برای سیستم 33 شینه، تعداد کل خطوط(با خطوط اضافه) 37 مورد است و 5 مورد حذف خط باید از این 37 مورد انتخاب گردد.
% Lower Bound of Variables
VarMax= 37;
در این قسمت سیستم عادی پخش بار را انجام میدهد(در تابع loadFloe_not) و سپس مقادیر تلفات اکتیو و راکتیو فراخوانی میگردد.
%%
[ploss_not Qloss_not]=LoadFlow_Not;
%% Settings
تعداد جمعیت برای هر الگوریتم در nPOp مشخص میگردد. به طور مثال در این روش تعداد جمعیت برابر 50 و تعداد تکرار در MaxIt که برابر 300 انتخاب شده است. این موارد را می توانید با نظر خودتان تغییر دهید.
nPop=50;
MaxIt=300;
و قسمت اصلی کار که در این قسمت با تغییر مقدار NumberAlgorith، روش حل را انتخاب می کنید. اگر جلو NumberAlgorith برابر 1 باشد الگوریتم جستجوی فاخته را انجام میدهد، اگر 2 قرار دهید الگوریتم GA برای حل انتخاب شده و اگر 3 الگوریتم بهینه تر(الگوریتم رقابت استعماری) انتخاب میگردد.
% NumberAlgorithm=1 =>CSA
% NumberAlgorithm=2 =>GA
% NumberAlgorithm=3 =>NewAlgorithm
NumberAlgorithm=3;
در این قسمت با توجه به اینکه شما چه مقداری برای NumberAlgorith انتخاب کرده اید،مورد را مشخص کرده و وارد پوشه ی مربوطه می گردد و برنامه را اجرا میکند. به همین منظور از تغییر دادن نام پوشه ها خودداری کنید. در صورت تغییر در نام پوشه ها می بایست آن تغییرات در این قسمت نیز لحاظ گردد.
==========
در فایل با نام Dist_LF_main.m پخش بار به روش پیش رو پس رو انجام میگردد و فایل Natayej.m نیز پس از حل الگوریتم نتیجه در آن قرار گرفته و جواب بهترین حالت الگوریتم نشان داده میشود.
پوشه Cuckoo_Search_Algorithm:
2 فایل Dist_LF_main.m و Data33 که قبلا توضیح داده شد و مشابه قبل میباشند.
تابع هدف(برازش) CostFunction:
این تابع هدف و منظور بهینه سازی میباشد. در تمام پوشهها یکسان میباشد. در زیر به طور خلاصه توضیحات خطوط آن داده شده است. این هدف به صورت function نوشته شده است که با وارد کردن ورودی به آن، بتوان مقدار هدف را ارزیابی نمود. X1 ورودی تابع هدف می باشد که توسط الگوریتم وارد این تابع میشود. از آنجایی که این ورودی ها نشانگر یک لاین(خط) در سیستم توزیع میباشد، این ورودی ها روند شده و در صورتی که الگوریتم شماره ورودیهای را به صورت یکی در نظر گرفته باشد، مقدار جریمه ای برای تابع هدف در نظر گرفته میشود(fail).
==========
نمونه هایی از جواب های اجرا شده توسط 3 الگوریتم:
ولتاژ برای سیستم 33 شینه در هر سه الگوریتم
که در این نمودار مشخص است بیشترین انحراف ولتاژ از مقدار 1 برای الگوریتم ژنتیک می باشد و دو الگوریتم دیگر یک ساختار را برای سیستم 33 شینه در نظر گرفته اند.
که از نمودار مشخص است همگرایی الگوریتم ICA بهتر از دو الگوریتم دیگر بوده، و در سیستم 33 شینه، جواب های دو الگوریتم رقابت استعماری و جستجوی فاخته بهتر از الگوریتم ژنتیک بوده، اگر تعداد تکرار نیز کمتر میبود، سبب میشد که الگوریتم جستجوی فاخته نیز جواب بدتری نسبت به الگوریتم رقابت استعماری دهد. زیرا سرعت همگرایی ICA بهتر از الگوریتم فاخته بود و در جواب نهایی پس از 300 تکرار در یک نقطه میباشد و الگوریتم جستجوی فاخته برتری نسبت به ICA ندارد.
پیشنهادات:
در صورتی که می خواهید به صورت یک کار جدید ارائه دهید موارد زیر نیز می توان به صورت ایده مورد بررسی قرار گیرد.
- استفاده از الگوریتم های چند هدفه: تابع هدف شامل توان و انحراف ولتاژ میباشد. از آنجایی که این دو هدف از دو جنس مختلف (ولتاژ و توان) هستند میتوان این دو پارامتر را از هم جدا کرد و به صورت مجموعه پارتو توسط الگوریتم NSGA-II یا MOPSO یا الگوریتم های چند هدفه جدید مانند الگوریتم چند هدفه گلها بررسی نمود و مجموعه جواب بدست آورد.
- ترکیب با منابع تولید پراکنده (DG) می توان ایده دیگری برای این مسئله باشد.(همانطور که در مقالات که فرستاده شده بود، دیده شد.)
- از دیگر مواردی که به عنوان ایده می توان وارد مقالات نمود، استفاده از ریکلوزرها و کلیدها به منظور افزارش قابلیت اطمینان سیستم میباشد.
کلید واژه:
Distribution network reconfiguration, Cuckoo search algorithm, Particle swarm optimization, Continuous genetic algorithm, Power loss reduction
شبیه سازی مقاله Distribution network reconfiguration for power loss minimization and voltage profile improvement using cuckoo search algorithm
توسط کارشناسان سایت متلبی پیاده سازی گردیده 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.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.