توضیحات
Optimal Multi-objective Number, Locating, and Sizing of Distributed Generations and Distributed Static Compensators Considering Loadability using the Genetic Algorithm
شبیه سازی مورد نظر برای دو سیستم IEEE 33 Bus و IEEE 69 Bus و با استفاده از الگوریتم ژنتیک (GA) و الگوریتم گرگ خاکستری (GWO) انجام شده است. فایل شبه سازی حاوی دو پوشه GA و GWO می‌باشد که در هر یک از این پوشه‌ها، شبیه‌سازی های مربوط به الگوریتم‌های مربوطه قرار دارد. در هر پوشه نیز دو پوشه دیگر با نام‌های IEEE_33 و IEEE_69 نام گذاری شده است و حاوی کد سیستم مورد نظر می‌باشد.
برای پخش بار مانند مقاله از پخش بار پس‌رو پیش‌رو استفاده شده است. آموزش کامل این الگوریتم در فایل pdf همراه این فایل ارسال شده است که backward-forward -pakhshe bar نام گذاری شده است. در این فایل الگوریتم مورد استفاده برای پخش بار برای سیستم IEEE 33 Bus به صورت کامل و جزء به جزء توضیح داده شده‌است. در تمام شبیه سازی‌ها از این روش پخش بار استفاده شده است.
برای اعمال منابع DG و D_STATCOM ها به پخش بار، الگوریتم مورد نظر کمی تغییر داده شده است. منابع DG بر اساس اندازه‌ای و مکانی که با استفاده از الگوریتم GA یا GWO برای آنها تعیین شده است به صورت بار منفی مدلسازی شده است. در بخش های بعد جزئیات این فرآیند توضیح داده شده است.
- تعریف متغیرهای بهینه‌سازی
برای سیستم 33 باسه همانطور که در مقاله توضیح داده شده است 32 نقطه کاندید برای نصب DG و D_STATCOM وجود دارد. برای اینکه تعیین شود آیا DG در باس N نصب شده است یا خیر، یک عدد بانیری به آن نسبت داده میشود. مقدار 1 نشان دهنده‌ی این است که DG در باس مورد نظر نصب شده و عدد صفر به معنی این است که در باس N منبع DG نصب نمی‌شود.
به طور کلی برای سیستم 33 باسه تعداد متغیرهای بهینه سازی برابر 128 عدد در نظر گرفته شده است. یعنی متغیرهای سیستم را میتوان به صورت یک بردار نظیر X در نظر گرفت که دارای 128 ارایه است که این آرایه‌ها به صورت زیر تعریف شده است:
X(1) الی X(32) : اعداد باینری (1 یا صفر ) می‌باشند که که نشان دهنده‌ی نصب (عدد 1) یا عدم نصب (صفر) DG در باس مورد نظر می‌باشند.
به عنوان مثال اگر X(16)=1 باشد به این معنی است که در باس 16 یک DG نصب شده است. X(10)=0 نیز نشان دهنده‌ی این است که باس 10 فاقد DG می‌باشد.
X(33) الی X(64) : اعداد باینری (1 یا صفر ) می‌باشند که که نشان دهنده‌ی نصب (عدد 1) یا عدم نصب (صفر) DSTATCOM در باس مورد نظر می‌باشند.
به عنوان مثال اگر X(34)=1 باشد به این معنی است که در باس 2 (34-32=2 ) یک DSTATCOM نصب شده است. X(44)=0 نیز نشان دهنده‌ی این است که در باس 12 (44-32=12) DSTATCOM نصب نشده است.
X(65) الی X(96) : اعداد پیوسته بین 20 الی 200 می‌باشند که نشان‌دهنده‌ی ظرفیت DG های نصب شده در باس‌های مربوطه می‌باشد.
به عنوان مثال X(68)=50 به این معنی است که اگر در باس 4 (68-64=4) منبع DG نصب شده باشد ظرفیت آن KVA 50 می‌باشد. مقدار ضریب توان تمام منابع DG مطابق مقاله برابر 0.85 در نظر گرفته شده است.
X(65) الی X(96) : اعداد پیوسته بین 20 الی 200 می‌باشند که نشان‌دهنده‌ی ظرفیت DG های نصب شده در باس‌های مربوطه می‌باشد.
به عنوان مثال X(68)=50 به این معنی است که اگر در باس 4 (68-84=4) منبع DG نصب شده باشد ظرفیت آن KVA 50 می‌باشد. مقدار ضریب توان تمام منابع DG مطابق مقاله برابر 0.85 در نظر گرفته شده است.
X(97) الی X(128) : اعداد پیوسته بین 20 الی 200 می‌باشند که نشان‌دهنده‌ی ظرفیت DSTATCOM های نصب شده در باس‌های مربوطه می‌باشد.
به عنوان مثال X(100)=50 به این معنی است که اگر در باس 4 (100-96=4) DSTATCOM نصب شده باشد ظرفیت آن KVA 50 می‌باشد.
برای سیستم 69 باسه نیز فرآیند کاملا مشابه فرآیند توضیح داده شده برای سیستم 33 باسه است. با این تفاوت که در این سیستم، 68 نقطه کاندید برای نصب DG و 68 نقطه کاندید برای نصب D_STATCOM وجود دارد و به همین دلیل بردار بهینه سازی X دارای 272 متغیر خواهد بود که
- X(1) الی X(68) متغیرهای باینری بوده و نشان دهنده‌ی نصب یا عدم نصب DG در باس مربوطه می‌باشد
- X(69) الی X(136) متغیرهای باینری بوده و نشان دهنده‌ی نصب یا عدم نصب D_STATCOM در باس های 2 الی 69 می‌باشد.
- X(137) الی X(204) متغیرهای پیوسته بوده و نشان دهنده‌ی ظرفیت DG های نصب شده در باس 2 الی 69 می‌باشند
- X(205) الی X(272) متغیرهای پیوسته بوده و نشان دهنده‌ی ظرفیت DSTATCOM های نصب شده در باس 2 الی 69 می‌باشند.
متغیرهای پیوسته که نشان دهنده‌ی ظرفیت DGها و DSTATCOMها می‌باشند بر اساس پارامترهای داده شده در مقاله، دارای حداقل مقدار 20 و حداکثر مقدار 200 می‌باشند.
- در نظر گرفتن DG ها و DSTATCOM ها در پخش بار پس‌رو پیش‌رو
بعد از بدست آمده مکان و ظرفیت DGها و همچنین مکان و ظرفیت DSTATCOMها بر اساس فرآیند بهینه‌سازی الگوریتم‌ها، این اطلاعات برای تابع پخش بار ارسال میشود. ام فایل OPF_33 برای گرفتن پخش بار از سیستم 33 باسه بوده و ام فایل OPF_69 نیز برای گرفتن پخش بار از سیستم 69 باسه تنظیم شده است. در ادامه OPF_33 به عنوان مثال توضیح داده شده است. OPF_69 نیز مشابه آن بوده و تنها تعداد متغیرها و تعداد باس‌های آن متفاوت می باشد.
همانطور که گفته شد ام فایل OPF_33 برای گرفتن پخش بار از سیستم 33 باسه تنظیم شده است، این فایل به صورت یک تابع تعریف شده است که با فرمت [Ploss Qd]=OPF_33(x) نوشته شده است. همانطور که مشخص است ورودی این تابع یعنی x بردار متغیرهای بهینه سازی بوده و خروجی آن تلفات سیستم و مقدار ظرفیت dstatcomها به ازای بردار x می‌باشد که در طول پخش بار بدست می‌آید.
2-1-توضیح تابع OPF_33
همانطور که در ام فایل OPF_33 مشخص است در خط اول این برنامه، نام تابع، ورودی‌ها و خروجی آن تعریف شده است.
در خط دوم فایل global_var33 فراخوانی شده است حاوی پارامترهای سیستم 33 باسه به صورت global می‌باشد که به صورت یک ماتریس با نام line ذخیره میشود. در خط سوم کد، ماتریس line نیز به صورت global تعریف میشود تا تابع OPF_33 به مقادیر line دسترسی پیدا کند. …
2-2- توضیح تابع Landa_33
تابع Landa برای محاسبه حداکثر مقدار قابلیت بارگذاری نوشته شده است. در این تابع که به فرمت [La]= Landa_33(X,Qd) تعریف شده است، بردار متغیرها یعنی X و ظرفیت بدست آمده برای dstatcomها یعنی Qd به عنوان ورودی بوده و حداکثر قابلیت بارگذاری به عنوان خروجی در نظر گرفته شده است. این برنامه کاملا مبتنی بر برنامه پخش بار پس‌رو پیش‌رو می‌باشد که در فایل آموزشی جداگانه توضیح داده شده است. تنها تفاوت این برنامه با برنامه پخش بار این است که در این برنامه پخش بار برای چندین بار تکرار شده و هر بار مقدار بار سیستم کمی افزایش داده شده و شرط همگرایی پخش بار بررسی میشود. …
- توضیح تابع هزینه fitness
تابع fitness برای محاسبه تابع هزینه تعریف شده است. این تابع با فرمت z=fitness(x) تعریف شده است که ورودی آن x بوده و خروجی آن شامل مقدار هزینه و حداکثر مقدار بارگذاری می‌باشد.
در این تابع ابتدا تلفات و ظرفیت dstatcomها بر اساس بردار x و با فراخوانی تابع OPF_33 بدست می‌آید. در ادامه بر اساس ظرفیت‌های بدست آمده برای dstotcomها، مقدار حداکثر بارگذاری با فراخوانی تابع Landa_33 بدست می‌آید…
- توضیح الگوریتم‌ها
در هر دو الگوریتم، با فرض داشتن تعداد nVar عدد متغیر، در هر مرحله بعد از به روز رسانی متغیرها، x(1) الی x(nVar/2) برابر مقدار رند (round) آنها قرار داده شده است تا همواره یا 1 و یا صفر باشند.
الگوریتم GWO دقیقا بر اساس الگوریتم ارائه شده در مقاله اصلی این الگوریتم است و برای روابط مهم، شماره رابطه ارائه شده در مقاله نیز موجود می‌باشد.
- گرفتن خروجی از شبیه سازی
برای گرفتن خروجی از هر یک از شبیه‌سازی ها، لازم است کد اصلی مربوط به الگوریتم مورد نظر ران شود که این کدها عبارتند از:
- برای سیستم 33 باس با الگوریتم ژنتیک: کد GA_33
- برای سیستم 33 باس با الگوریتم گرگ خاکستری: کد MOGWO_33
- برای سیستم 69 باس با الگوریتم ژنتیک: کد GA_69
- برای سیستم 69 باس با الگوریتم گرگ خاکستری: کد MOGWO_69
بعد از ران هر یک از کدهای بالا، شبیه سازی شروع به ران شدن می‌کند. فقط توجه داشته باشید که در زمان ران هر یک از کدهای بالا، پوشه مربوط به آن کد در current folder متلب باز باشد.
در حین شبیه سازی و بعد از پایان شبیه سازی، منحنی پارتو نمایش داده میشود.
برای مشاهده خروجی بهینه سازی می توانید از ام فایل sortt استفاده کنید که در تمام پوشه ها موجود است. این m فایل پاسخ های پارتو رو با معیار بیان شده در رابطه (36) مقاله منظم می‌کند و پاسخ پارتوها مورد نظر (nP) را در خروجی نمایش میدهد. …
شکل 1. پارتو سیستم 33 باسه با الگوریتم GA
شکل 2. پرتو سیستم 33 باسه با الگوریتم GWO
شکل 3. پارتو بهینه برای سیستم 69 باس با الگوریتم GA
شکل 4. پرتو بهینه سیستم 69 باسه با الگوریتم GWO
الف) نتایج یک پارتو برای 33 باس با GA
————————–Pareto__ DG buses ——————
DG_bus =
13 16 17 32
————————–Pareto___DG capacities (kVA)——–
PDG =
20 56.646 140.72 20.052
————————-Pareto____DS buses———— ——
DSTATCOM_bus =
6 13 14 19 27 29 30 31 32
————————Pareto___DS capacities (kVAR)———–
QDS =
179.53 86.91 133.2 133.64 20 129.47 200 29.437 70.726
————————————————————–
ب) نتایج یک پارتو برای 33 باس با GWO
————————–Pareto__ DG buses ——————
DG_bus =
17 31
————————-Pareto___DG capacities (kVA)——–
PDG =
134.24 32.998
————————-Pareto____DS buses———— ——
DSTATCOM_bus =
6 7 9 17 23 27 28 31
————————Pareto___DS capacities (kVAR)———–
QDS =
62.836 35.226 121.75 77.008 91.756 47.092 127.89 77.215
————————————————————–
ج) نتایج یک پارتو برای 69 باس با GA
…
د) نتایج یک پارتو برای 69 باس با WGO
…
توضیحات بیشتر را با خرید این محصول دریافت کنید.
کلید واژه:
distributed generation, distributed static compensator, multi-objective optimization, system loadability
شبیه سازی مقاله Optimal Multi-objective Number, Locating, and Sizing of Distributed Generations and Distributed Static Compensators Considering Loadability using the Genetic Algorithm
توسط کارشناسان سایت متلبی پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.