توضیحات
Multistage expansion planning for active distribution networks under demand and Distributed Generation uncertainties
ترجمه موضوع مقاله: برنامه ریزی توسعه ای چند مرحله ای برای شبکه های توزیع فعال تحت تقاضا و عدم قطعیت تولید پراکنده
شبیه سازی بر روی شبکه 33باسه استاندارد انجام شده
با دو الگوریتم ژنتیک و Pso
جوابهای برنامه شامل توان های تولیدی بهینه است
با تجديد ساختار صنعت برق و ايجاد بازار رقابتي، نهادها و شركت هاي توليد كننده توان با هدف بهينه كردن سود خود به توليد انرژي مي پردازند.
از اين رو توليدكنندگان بايستي قيمت انرژي و توان تولیدی خود را به نحو مناسبي و با كمترين خطا پيش بيني كنند.
در سال های اخیر مقالات فراوانی با استفاده از روش های گوناگون به حل مسأله قیمت دهی و تعیین توان تولیدی بهینه برای واحد های شبکه پرداخته اند.
هدف اين است كه براي مشاركت هماهنگ مجموعه اي از واحدها در فرآيند بازار، يك برنامه ريزي بهينه تهيه گردد.
در این پروژه از روش الگوریتم ژنتیک برای حل مساله استفاده شده است.
از مزیت های مزایای الگوریتم ژنتیک در قیاس با سایر روش های بهینه یابی ، تنوع در بکار گیری توابع هدف و قید های مختلف بوده و توانایی حل مسائلی با مقیاس بزرگ با استفاده از این الگوریتم مقدور می گردد.
تابع هدف در این پروژه در تابع MyCost و به صورت کد زیر تعریف شده است.
کد 1- کد مربوط به تابع هزینه
function [z sol]=MyCost(p,model)
…
تغییر تقاضای انرژی با زمان منجر به متغیر بودن سود یک ژنراتور حاصل از تولید خود می باشد.
قیمت انرژی الکتریکی اغلب برای یک دوره زمانی که مدت آن بسته به نوع بازار از چند دقیقه تا یک ساعت تغییر می کند، ثابت است.
با معلوم بودن پروفایل قیمت ها در طول یک روز یا بیشتر مساله بهینه سازی می تواند برای هر دوره زمانی بازار به صورت مجزا تکرار شود.
همچنین سایر فرصت های اقتصادی و محدودیت های زیست محیطی نیز بر روی بهینه کردن فروش انرژی الکتریکی تاثیر بگذارند.
وجود متغیر های تصمیم گیری باینری ناشی از طبیعت on/off آنها مساله بهینه سازی را غیرمحدب کرده و توصیف رفتاری دقیق با تعیین قید های سخت گیرانه ، به طور چشم گیری منجر به افزایش ابعاد مساله می گردد.
تکنیک های بهینه سازی از قبیل روش های برنامه ریزی پویا یا برنامه ریزی عدد صحیح مختلط به صورت موفقیت آمیزی قادر به حل این دسته از مسائل نخواهند بود.
در عمل تعیین توان بهینه تولید واحد ها به علت تعداد زیاد عوامل تاثیرگذار بر آن و کمبود اطلاعات در مورد بعضی از این عوامل بسیار پیچیده است.
همچنین وابستگی قیمت انرژی الکتریکی بستگی بالایی به تعادل بازار دارد که این عامل خود توسط تولید و بار تحت تاثیر قرار می گیرد.
در مقاله اصلی قیود توازن توان اکتیو و راکتیو ، محدودیت ولتاژ شینها ، قیود پخش بار ، قیود تناوب های برنامه ریزی توسعه و ساختار شعاعی شبکه ، در روند بهینه سازی در نظر گرفته شده است.
برای تست از یک سیستم 33 شینه به صورت کد زیر استفاده شده است.
پارامترها برای هر شین در ابتدای کد و توسط ماتریس های مناسب تعریف شده است و همچنین قیود در ادامه و با استفاده از روش لاگرانژین به تابع هزینه افزوده می گردد.
این قیود در انتهای کد مشخص گردیده است.
کد 2 – کد مربوط به تعریف مقادیر اولیه و تعیین قیود
%% Model Parameteres
pmin=[662.784605265583,779.787447494316,680.291050621432,609.409632280400,802.965307133813,611.327614841514,674.381120171329,675.979377330355,…
اینجا کد نیامده است.
مهمترین مزیت بازارهای تجدید ساختار شونده، افزایش سود حاصل مصرف کنندگان بواسطه گسترش سرمایه گذاری شرکت های رقیب در بازا ر آزاد می باشد.
تجدید ساختار صنعت برق نقش عناصر سنتی در ساختار عمودی یکپارچه را تغییر داده و عناصر جدیدی با امکان عملکرد مستقل ایجاد کرده است. ارایه توان تولیدی بهینه در قالب مسئله بهینه سازی ، اهمیت ارائه مدل های تجدید ساختار را نمایان می سازد.
با اجرای برنامه مقادیر بهینه توسط الگوریتم ژنتیک مطابق با جدول زیر بدست می آید.
با توجه به وجود 33 شین در سیستم جواب به صورت یک بردار 33 عضوی ظاهر شده است.
همچنین تنظیمات الگوریتم ژنتیک مانند تعداد تکرار ها و … در متغیر option قابل تنظیم می باشد.
کد 3 – جواب مساله شامل توان های تولیدی بهینه شبکه 33 شینه
p =
Columns 1 through 7
662.7846 779.7874 680.2911 609.4096 802.9653 611.3276 674.3811
Columns 8 through 14
675.9794 734.0963 630.0498 798.8167 725.6377 656.9963 807.8205
Columns 15 through 21
628.3608 849.8312 789.5756 729.6150 719.1562 668.1270 840.7906
Columns 22 through 28
679.8617 713.2381 733.3046 795.8450 703.0838 827.4490 630.1628
Columns 29 through 33
818.1166 762.8471 707.8739 634.2908 604.6044
کلید واژه: Active distribution networks, Dynamic expansion planning , Distributed Generation , Uncertainty representation , Genetic Algorithms
شبیه سازی مقاله
Multistage expansion planning for active distribution networks under demand and Distributed Generation uncertainties
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.
