Name: Operation of distribution network with optimal placement and sizing of dispatchable DGs and shunt capacitors
SKU: g640
Availability: InStock

توضیحات

Operation of distribution network with optimal placement and sizing of dispatchable DGs and shunt capacitors

عملکرد شبکه توزیع با مکانیابی و اندازه گیری بهینه DG های قابل انعطاف و خازن های شنت

شبیه سازی در محیط ام فایل متلب انجام شده است.

دارای گزارش 22صفحه ای در قالب ورد است.

توضیحات پروژه

شبیه‌سازی مطابق روش مقاله و با استفاده از متلب ورژن 2017b کدنویسی شده‌است. مانند مقاله شبیه‌سازی مدل پیشنهادی مقاله بر روی سیستم IEEE 33 Bus اعمال شده‌است. کد Data حاوی داده‌های سیستم IEEE 33 شامل اطلاعات خطوط و بار اکتیو و راکتیو پیک می‌باشد.

برای حل مسئله پخش بار بهینه از روش پیش‌رو-پس‌رو استفاده شده که کد آن در تابع OPF نوشته شده‌است. GA کد اصلی الگوریتم ژنتیک بوده و کدهای mutation و crossover نیز به ترتیب کدهای جهش و تقاطع الگوریتم ژنتیک هستند.

کد voltage_sensitivity_index برای محاسبه شاخص حساسیت شین‌ها نوشته شده و با ران کردن آن، مقدار این شاخص به صورت میله‌ای برای هر شین نمایش داده می‌شود.

fitness نیز تابع هدف بهینه‌سازی ظرفیت تولیدات پراکنده و بانک‌های خازنی است که مطابق رابطه (8) مقاله محاسبه می‌شود.

در گزارش این پروژه متلب, هر کدام از فایلهای فوق تشریح شده اند.

در اینجا برای آشنایی بیشتر بخش هایی از گزارش شبیه سازی را در زیر آورده ایم.

توضیحات کد voltage_sensitivity_index

همانطور که اشاره شد، این کد برای محاسبه شاخص حساسیت شین‌ها نوشته شده‌است. شینی که بیشترین مقدار شاخص حساسیت را داشته باشد، مناسب‌ترین شین برای نصب تولیدات پراکنده یا بانک‌های خازنی می‌باشد بنابراین پس از محاسبه شاخص حساسیت شین‌ها، مقادیر به صورت نزولی مرتب می‌شود و که با این کار شین‌ها بر اساس اولویت نصب تولید پراکنده مرتب می‌شوند.

برای محاسبه شاخص حساسیت، لازم است در ابتدا پخش بار بهینه برای هر یک از سطوح بار یک بار حل شود. به این منظور ابتدا به صورت زیر کد Data فراخوانی می‌شود تا داده‌های ورودی سیستم لود شود.

Data;

در ادامه ولتاژ و توان پایه تنظیم شده و بر اساس آن، امپدانس پایه (Zb) محاسبه می‌شود. مقاومت (r) و راکتانس خط (x) بر اساس اطلاعات خطوط سیستم مقداردهی می‌شود.

ادامه توضیحات به صورت مفصل به همراه کد در گزارش این پروژه قرار گرفته است.

با ران کردن کد voltage_sensitivity_index، نمودار میله‌ای شاخص حساسیت برای تمام سطوح بار به صورت شکل (1) بدست می‌آید. مقایسه این شکل با شکل (4) مقایسه نشان می‌دهد که نسبت شاخص‌های حساسیت مانند مقاله بدست آمده‌است. مناسب‌ترین شین‌ها برای نصب تولیدات پراکنده نیز به ترتیب شین‌های 6، 3، 28، 29 و 4 بدست می‌آید که مقایسه آن با جدول 3 نشان می‌دهد که نتایج عینا مانند مقاله بدست آمده است.

شکل (1). شاخص حساسیت شین‌ها برای تمام سطوح بار

توضیحات کد GA

کد GA کدنویسی الگوریتم ژنتیک می‌باشد. در این کد ابتدا داده‌هایی که در GA تعریف شده و در توابع پخش بار (OPF) یا تابع هدف (fitness) فراخوانی می‌شوند، به صورت زیر به فرم متغیرهای عمومی (global) تعریف می‌شوند.

global Bdg DL TH Bc pf

در مرحله بعدی باید مکان نصب تولیدات پراکنده و خازن‌ها به ترتیب در بردارهای Bdg و Bc تعریف شود. به عنوان مثال مشخص است که شین نصب DG برابر 6 قرار داده شده‌است. در صورتی که بخواهیم دو DG در شین‌های 6 و 3 نصب شود باید Bdg به صورت Bdg=[6 3] تعریف شود. در صورتی که خازن در نظر گرفته نشود Bc به صورت خالی یعنی به فرم Bc=[] تعریف می‌شود ولی در صورتی که ظرفیت‌سنجی خازن نیز در نظر گرفته شود عینا مانند Bdg تعریف می‌شود.

Bdg=[6]; % DG Location

Bc=[]; % Capacitor Location

سطوح بار به صورت زیر با DL تعریف شده که از 0.4 پریونیت با بازه 0.1 تا 1 پریونیت را شامل می‌شود. تعداد ساعات هر بازه زمانی نیز در TH تعریف شده مثلا سطح بار اول 5 ساعت رخ می‌دهد بنابراین المان اول TH برابر 5 است.

پارامتر pf ضریب توان DGها است. در حالتی که خازن‌ها در نظر گرفته نشود یعنی Bc خالی باشد، pf برابر 0.84 بوده و درصورتی که خازن‌ها در نظر گرفته شود، pf برابر 1 می‌شود.

با ران کردن Data، داده‌های مربوط به سیستم نیز لود می‌شود.

حد پایین و بالای متغیرهای تصمیم یعنی ظرفیت تولیدات پراکنده و خازن‌ها نیز به صورت زیر مشخص می‌شود. lb حد پایین است که برای DGها برابر 500 و برای خازن‌ها برابر 50 در نظر گرفته شده‌است. ub نیز حد بالا است که برای DGها برابر 5000 و برای خازن‌ها برابر 2500 می‌باشد. این مقادیر بر حسب kVA و kVAr می‌باشند.

تعداد متغیرها بر اساس طول lb بدست می‌آید. جمعیت الگوریتم ژنتیک با npop و حداکثر تکرار نیز با maxiter مشخص می‌شود این مقادیر هرچقدر بزر‌گ‌تر انتخاب شود، شبیه‌سازی مدت بیشتری طول می‌کشد ولی پاسخ نهایی به احتمال زیاد بهینه‌تر خواهدبود. توجه کنید که با افزایش تعداد DGها و خازن‌هایی که باید ظرفیت‌سنجی شوند، مسئله سنگین‌تر می‌شود بنابراین تعداد npop را بیشتر کنید.

در اینجا هم بخشی از توضیح کدها را آورده ایم تا نحوه تشریح آن در گزارش را مشاهده نمایید.

کدها نیز دارای کامنت گذاری هستند.

توضیحات کد fitness

این کد برای محاسبه میزان شایستگی هر یک از پاسخ‌های الگوریتم ژنتیک نوشته شده و در واقع مقار رابطه (8) را محاسبه می‌کند. ورودی این تابع بردار X است که ظرفیت منابع تولید پراکنده (با ظرفیت بانک‌های خازنی) برای هر سطح از بار می‌باشد. خروجی تابع نیز f می‌باشد که همان مقدار رابطه (8) مقاله است.

در ابتدا تابع به صورت زیر تعریف شده است.

function f= fitness(X)

شماره شین‌هایی که باید DG یا خازن نصب شود به ترتیب در Bdg و Bc در کد GA مشخص شده و در اینجا با اندازه‌گیری طول این بردارها، تعداد DG و خازن‌هایی که باید نصب شود در Ndg و Nc ریخته می‌شود.

کد Crossover

این کد برای تولید جمعیت تقاطع نوشته شده‌است. خروجی این کد جمعیت تقاطع ایجاد شده است که هر عضو آن شامل پاسخ و شایستگی می‌باشد.

function crosspop=crossover(crosspop,pop,ncross,nvar,ub,lb)

برای تقاطع ابتدا باید والدین انتخاب شود تا با ترکیب آنها جمعیت تقاطع حاصل شود.

قسمت اول بانک مقالات شبیه سازی شده برق قدرت

توضیحات کد mutation

این کد برای تولید جمعیت جهش می‌باشد.

function mutpop=mutation(mutpop,pop,nmut,npop,lb,ub,nvar)

یک حلقه for نوشته شده که در هر تکرار یکی از اعضا به صورت تصادفی انتخاب شده و یکی از المان‌های آن نیز به صورت تصادفی انتخاب و باز هم به صورت تصادفی تغییر داده می‌شود. در نهایت پاسخ بدست آمده ذخیره شده و با فراخوانی fitness مقدار شایستگی آن بدست می‌آید.

توضیحات کد OPF

این کد برای حل پخش بار به روش پیش‌رو پس‌رو می‌باشد که کدنویسی آن در بخش توضیحات کد voltage_sensitivity_index ارائه شد. تنها تفاوت آن این است که در نهایت مقادیر Pt و Qt به همراه مقادیر Pdg و Qg به محاسبه می‌شوند.

خروجی‌ها و توضیحات کد Results

مقدار X که پاسخ بهینه نهایی است برابر با gpop.par می‌باشد که بهترین پاسخ بدست آمده الگوریتم ژنتیک است.

بر اساس بردار X، ظرفیت DGها و خازن‌ها مشخص می‌شود.

یک بار کد پخش بار با صفر کردن ظرفیت DGها و خازن‌ها ران می‌شود تا مقادیر مورد نظر برای حالت پایه سیستم توزیع بدست آید.

در ادامه نیز پخش بار با در نظر گرفتن ظرفیت بهینه DG و خازن‌ها محاسبه می‌شود.

در نهایت نیز نتایج زیر با شکل و جدول نمایش داده می‌شود. در کد V_index سطح بار هر ساعت را نشان می‌دهد به عنوان مثال عدد 2 برای اولین المان بردار نشان دهنده‌ی این است که در ساعت 1، سطح بار دوم رخ می‌دهد.

شبیه سازی Stochastic optimal generation bid to electricity markets with emissions risk constraints در سایت متلبی

در مقاله دو حالت مختلف شبیه‌سازی شده است.

در Case A تنها DGها با ضریب توان pf=0.84 در نظر گرفته شده‌است.

در Case B نیز ظرفیت DGها و خازن‌ها همزمان بهینه‌سازی می‌شود.

این حالت‌ها در ابتدای کد GA قابل تنظیم بوده و توضیح داده شد. به عنوان مثال برای

Bdg=[6]

Bc=[]

ظرفیت DG در هر سطح بار به صورت زیر بدست می‌آید.

Load_Level DG_kVA

__________ ______

0.4 1724.8

0.5 2161.2

0.6 2599.6

0.7 3040.2

0.8 3482.8

0.9 3927.5

1 4374.3

مقایسه نتایج بالا با نتایج مربوطه که در جدول (4) مقاله نشان داده شده نشان می‌دهد که نتایج تقریبا عین مقاله بدست آمده است. تلفات توان اکتیو و دامنه جریان ورودی از شبکه برای حالت پایه سیستم و حالت بهینه شده برای

Bdg=[6] و Bc=[]

به صورت زیر بدست می‌آید.

Load_Level Ploss_b_kw I_b_pu Ploss_kW I_pu

__________ __________ ________ ________ __________

0.4 29.715 0.017834 13.131 0.00050603

0.5 47.067 0.022411 20.543 0.00063001

0.6 68.728 0.02704 29.619 0.000753

0.7 94.889 0.031723 40.364 0.00087502

0.8 125.76 0.036461 52.786 0.00099609

0.9 161.55 0.041257 66.89 0.0011162

1 202.66 0.046127 82.683 0.0012354

شکل (1). مقایسه کمترین ولتاژ تمام شین‌ها در هر ساعت برای تمام سطوح بار

دامنه جریان دریافتی از شبکه در حالت پایه و پس از بهینه‌سازی نیز به صورت زیر بدست آمده‌است.

شکل (2). دامنه جریان دریافتی از شبکه برای حالت پایه و پس از بهینه‌سازی با Bdg=[6] و Bc=[]

مقایسه نتایج بالا نشان می‌دهد که تمام این پاسخ‌ها تقریبا عین مقاله بدست آمده‌است. برای سایر حالت‌هایی که در مقاله بررسی شده تنها با تنظیم Bdg و Bc در ابتدای کد GA، نتایج مربوط به آنها بدست می‌آید.

در ادامه بر اساس روابط (12) الی (17) مقاله به صورت زیر یک تحلیل اقتصادی انجام شده‌است.

CRF نرخ بازگشت سرمایه بوده و با ضرب آن در هزینه سرمایه‌گذاری کلی، هزینه سرمایه‌گذاری برای یک سال بدست می‌آید. در این رابطه r نرخ سود بانکی و N نیز دوره در نظر گرفته شده برای طول عمر تجهیزات است.

PDG_cost هزینه کلی سرمایه‌گذاری DGها، I_Cost هزینه سرمایه‌گذاری برای یک سال، و M_cost نیز هزینه تعمیر و نگهداری و بهره‌برداری DGها در یک سال می‌باشد.

SCp_cost و SCi_cost نیز به ترتیب هزینه بهره‌برداری و هزینه سرمایه‌گذاری خازن‌ها می‌باشد.

P_before و P_after به ترتیب توان خریداری شده از شبکه در طول یک سال برای قبل و بعد از نصب DGها و خازن‌ها می‌باشند.

AS مقدار انرژی صرفه‌جویی شده در یک سال و S نیز مقدار هزینه صرفه‌جویی شده در طول یک سال می‌باشد.

برای Bdg=[6] و Bc=[]، تحلیل اقتصادی به صورت زیر بدست آمده است که بازم هم تقریبا مانند مقاله شده‌است.

Cost

__________

Annualized_energy_savings 2.7211e+06

Annual_DG_investment_cost 1.6001e+06

Annual_DG_unit_O&M_Cost 3.2394e+05

Capacitor_Investment_Cost 0

Annualized Net Savings 7.9711e+05

شبیه سازی Demand side management in a smart micro-grid in the presence of renewable generation and demand response در فروشگاه متلبی موجود شد.
شبیه سازی Influence of Mode of Operation of the SSSC on the Small Disturbance and Transient Stability of a Radial Power System در فروشگاه متلبی موجود شد.

کلیدواژه:

Distributed generation, Shunt capacitor, Genetic algorithm

شبیه سازی