مقدمه:
در این مقاله، مدلی جهت تعیین مکان و اندازه DG را در یک سیستم توزیع معرفی می گردد که حل با استفاده از بهینه سازی اجتماع مورچگان (ACO) به عنوان یک ابزار بهینه سازی صورت می گیرد.
در این الگوریتم DGها به عنوان منابع توان ثابت(نظیر پیلهای سوختی) در نظر گرفته می شوند.
بنابراین، اپراتور سیستم توزیع فقط می تواند منابع DG را روشن و خاموش کند و نمی تواند توان خروجی آنها را کم و زیاد کند.
II.
فرمولبندی مساله:
در تابع هدف پیشنهادی برای یافتن اندازه و مکان مناسب منابع DG، موارد زیر در نظر گرفته می شود:
- هزینه سرمایه گذاری منابع DG.
- هزینه نگهداری و تعمیر و هزینه عملیاتی منابع DG.
- هزینه تلفات.
- هزینه خرید انرژی در شبکه انتقال.
تابع هدف به شکل معادله زیر فرمول بندی می شود:
(1)
(2)
(3)
که:
Z: مقدار تابع هدف ($)
ncd: شمار مکانهای کاندید برای نصب DG در شبکه.
nld: شمار سطح بار در سال
nss: شمار پستهای HV/MV در سیستم
nyr: دوره برنامه ریزی(سال)
CDGi: ظرفیت انتخاب شده DG برای نصب در گره i(MVA)
KIDG: هزینه سرمایه گذاری منابع DG($/MVA)
Pssl,j: توان ارسالی از پست j به باد را شامل تلفات شبکه(MV)
Cj,l: توان تولیدی توسط مبلغ DG نصب شده در گره j در سطح بار را(MV)
PW: ضریب ارزش فعلی
IntR: نرخ بهره
InrR: نرخ تورم
تابع هدف(1) ضمن رعایت محدودیتهای زیر حداقل می گردد:
- ظرفیت بخشهای فیدر:
توان انتقالی با هر بخش فیدر باید مساوی یا کمتر از ظرفیت حرارتی رساناهای آن باشد.
(4)
که حدهای پخش بار و حرارتی خط بخش i هستند.
- حد دامنه ولتاژ:
الگوریتم پخش بار وفقی اصلاح شده برای ارزیابی رفتار سیستم استفاده شده است.
اول ولتاژ گره ها محاسبه می شود.
معادله زیر محدودیت متناظر را توصیف می کند:
(5)
که Vi,l دامنه ولتاژ محاسبه شده i امین گره در سطح بار l است.
Vmax , Vmin، مینیمم و ماکزیمم ولتاژ عملیاتی مجاز است.
- حد کل ظرفیت DG:
این محدودیت، کل ظرفیت واحدهای DG نصب شده در سیستم توزیع را محدود می کند.
که CDGi ظرفیت DG انتخاب شده در iامین محل کاندید است.
CDGi کل ظرفیت مجاز منابع DG است که در سیستم نصب می شود.
III.
بهینه سازی اجتماع مورچه گان(ACO):
A.
وجه عمومی الگوریتم ACO از رفتار مورچه ها به دست آمده است، همانطور که شکل 1 نشان می دهد.
پروسه الگوریتم ACO زمانبندی سه عمل را مدیریت می کند.
گام اول ارزش دهی فرومن دنباله دار را شامل می شود.
در تکرار(دومین بار) گام، هر مورچه یک حل کامل مساله را مطابق یک قانون حالت گذاری احتمالاتی می سازد.
قانون حالت گذرا، اساسا به حالت فرومن وابستگی دارد.
سومین گام، به روز کردن مقادیر فرومن است.
به روز کردن فرومن در دو فاز اعمال می شود.
اول فاز تبخیر است که کسری از فرومن تبخیر می شود(خشک می شود، بر باد می رود)، و سپس فاز تقویت شمار فرومن ها را روی مسیر با تعداد راه حل های بالا افزایش می دهد.
این پروسه تکرار می شود تا به ملاک توقف برسد.
راه های مختلفی برای تفسیر اصول بالا به پروسه کامپیوتری جهت حل مساله بهینه سازی پیشنهاد می شود.
روش بهینه سازی پیشنهادی برای این مقاله براساس الگوریتم ACO پیشنهاد شده در[18] است.
B.
اعمال ACO با مساله جایابی DG
مراحل اصلی الگوریتم ACO پیشنهادی به شرح زیر است:
گام اول) نمایش گراف فضای جستجو
قبل از هر چیز، ما به دنبال تدبیری هستیم که ساختاری را نشان دهد که مناسب برای مورچه ها باید تا برای حل مساله جستجو کنند.
فضای جستجوی مساله در شکل 2 آمده است.
همه مقادیر ظرفیت کاندید محتمل در مکان n با طبقانی در فضای جستجو تا طبقه n با طبقاتی در فضای جستجو تا طبقه n معرفی می گردند.
شمار طبقات برای هر سطح بار مساوی شمار گره های کاندید سیستم توزیع برای مکان DG است.
بنابراین، شمار کل طبقات(nldxncd) است.
یک حل مساله بعد از فرآیند تصمیم گیری مورچه برای شکل گیری زیر مسیرهای یک نوبت تکمیل می گردد.
گام 2) ارزش دهی ACO
در آغاز الگوریتم ACO، مقادیر فرومن کناره ها در فضای تحقیق، همه به یک مقدار ثابت( ) ارزش دهی می شوند.
این مقدار دهی باعث می شود که مورچه گان مسیر خودشان را به صورت اتفاقی انتخاب کنند و بنابراین، فضای حل به طور موثرتری جستجو می شود.
گام 3) پخش شدن مورچه گان
در این مرحله، مورچه ها پخش می شوند و راه حل ها براساس سطح فرومن لبه ها شکل می گیرد.
هر مورچه تور خود را از خانه شروع می کند و یکی از حالتها را در طبقه بعدی انتخاب می کند تا احتمال جهش زیر: (7)
که کل فرومن های امانی روی کناره ij در تکرار t، و مجموعه لبه های در دسترس که مورچه در حالت i می تواند انتخاب کند می باشد.
بعد از اینکه هر مورچه تور خود را به انتها برد، یک راه حل جدید برای مکان DG تولید می شود که با استفاده از تابع برازندگی ارزیابی می گردد.
گام 4) تابع برازندگی
در این گام، برازندگی تورهای تولید شده توسط مورچه ها براساس تابع برازندگی ارزیابی می شود.
تابع برازندگی مساله با معکوس کردن هزینه کل(1) به علاوه یک ضریب جریمه برای حل های نشدنی(تخلف از محدودیت ها) تعیین می شود.
در عین حال، برای تسریع همگرایی خواص الگوریتم، از اطلاعاتی در تور برگشت خورده اما هنوز مفید است استفاده می شود.
ضریب جریمه از صفر تا مقدار خیلی بالایی به صورت خطی افزایش می یابد.
گام 5) بهنگام سازی فرومن
هدف از بهنگام کردن مقادیر فرومن، افزایش مقادیر فرومن روی مولفه های حل است که در حل است که در حل های برازندگی بالا یافت می شود.
همچنین، از نقطه نظر عملی، تبخیر فرومن به اجتناب از همگرایی خیلی سریع الگوریتم به سوی یک ناحیه جدید در فضای تحقیق استفاده می کند.
از قاعده زیر استفاده می کنیم:
که (0 Q یک متغیر ذهنی است که شمار فرومن اضافه شده به بهترین تور را کنترل می کند.
باند پایین تر فرومن است که در یک احتمال کوچک برای یک مورچه یک کناره معین انتخاب می شود.
هنوز احتمال بزرگتر از صفر است.
این باند پایین یک تابعی از شمارشگر تکرار به صورت زیر است: (9) که باند پایین اولیه فرومن است.
گام 6) تصمیم همگرایی گامهای 3 تا 5 به ماکزیمم مقدار از پیش تعیین شده برسد که از راه آزمایش تعیین می گردد.
بهترین تور انتخاب شده در طول همه تکرارها حل بهینه مکان DG را می رساند.
شکل 3، فلوچارت روش پیشنهادی براساس ACO را نشان می دهد.
IV) مطالعه مورد براساس الگوریتم پیشنهادی، با استفاده از برنامه MATLAB نرم افزار گسترش یافت برای جایابی و مقدار یابی منابع DG در سیستم توزیع، روش پیشنهادی روی یک سیستم توزیع پیاده شد.
سیستم توزیع نشان داده شده در شکل 4، از یک پست 40MVA,132KV/33KV که به هشت بار سرویس می دهد تشکیل یافته است.
مشخصات فنی در جدول(1) آمده است.
ضریب توان تمام بارها 9/0 است.
تمام گره ها به جز گره مربوط به پست(گره 1)، کاندید نصب DG هستند.
ضریب توان همه بارها 95/0 است.
DGهای کاندید سایز IMVA دارند(ماکزیمم MW4) با تولید توان در ضریب توان واحد کل ظرفیت مجاز برای نصب DG، (20MW) است.
جدول 2، اطلاعات قیمت بازار و بارها را نشان می دهد.
اطلاعات هزینه ها در جدول 3 آمده است.
انحراف ولتاژ مجاز برای گره ها است.
پارامترهای کنترل ACO به طور تجربی و با استفاده از اطلاعات چندین آزمایش به شرح زیراند: شمار مورچه ها: 75 نرخ تبخیر فرومن: 9/0 ماکزیمم تکرارها: 100 مقدار اولیه باند پایین فرومن: 1/0 با استفاده از الگوریتم ACO پیشنهادی، شمار و مکان بهینه منابع DG در سیستم توزیع تعیین می شود.
جدول IV، حل نهایی را برای ظرفیت واحدهای DG در سطوح بار نشان می دهد.
جدول V، در دو حالت بدون DG و با DG به مقایسه هزینه های مختلف می پردازد.
مشاهده می شود هزینه های عملیاتی و تلفات پس از نصب DG کاهش یافته است.
همچنین حدهای حرارتی و ولتاژ تغییر می کند.
شکل(5) نشان می دهد که پروفیل ولتاژ گره های سیستم با نصب DG در سطوح مختلف بار بهبود یافته است.
شکل 6، نشان می دهد پس از نصب DG در سیستم، بارگذاری قسمتهای فیدر کاهش می یابد.
این معنی می دهد که افزودن DG، مجال لازم برای استفاده از سیستم موجود را برای آینده و با رشد بارها، بدون نیاز به روز کردن فیدرها فراهم می آورد.
همچنین این کاهش بارگذاری، در صورت گسیختگی سیستم، قابلیت اطمینان سیستم را بهبود می دهد.
Application of Tabu Search to Optimal Placment of Distributed Generation.
2- فرمولبندی مساله: مساله، تعیین مکان و اندازه DG است طوری که تلفات توزیع حداقل گردد.
فرضیات زیر جهت فرمولبندی مساله اختیار می گردد: - بار توزیع شده یکنواخت با جریان بار ثابت است.
- ضریب توان بار 1 است.
- موقعیت های نصب DG برای هر بخش فیدر مشخص اند.
- یک DG برای یک موقعیت کاندید می تواند قرار گیرد.
- حداکثر شمار DGهای نصب شده مشخص است.
- ظرفیت کل DG ها برای نصب معین است.
مساله به شکل زیر فرمولبندی می شود.
توابع هدف: (1) (2) محدودیت ها: (کل ظرفیت DGها) (3) حداکثر شمار DGها (4) روی هر مکان فقط یک DG می تواند نصب شود.
(5) قیود عملیاتی DGها (6) (7) که: : تلفات توزیع در مقطع h در زمان t.
: خروجی DG در k امین مکان در بخش j در زمان t.
: اختصاص مقادیر 0 و 1 برای تعیین اینکه آیا یک DG با ظرفیت g در k امین مکان در بخش j هست یا نه(0: قرار ندارد، 1: قرار دارد و j=1~Sc و k=1~M و g=1~N).
شکل 1 را ببیند.
SC: شمار کل بخشها N: شمار کل ظرفیت انواع DG ها.
M: شمار کل مکانهای کاندید برای هر بخش.
tmax: ماکزیمم مقدار زمان دوره زمانی t.
Cg: ظرفیت gامین DG(مقدار گسسته).
H: شمار کل DG های نصب شده.
G: ماکزیمم ظرفیت DG های نصب شده.
: خروجی DG در زمان St در k امین موقعیت بخش j با ظرفیت g نصب شده است.
فرمولبندی بالا نشان می دهد که مساله تعیین مقدار 0 یا 1، (مکان و اندازه DG) برای حداقل کردن z در معادله 1 تحت قیود معادلات 3 تا 7 است.
معادله قیود عملیاتی متغیر DG را نشان می دهد.
از فرمولبندی بالا، یافتن مساله ای شامل مساله عملیاتی بهینه تعیین می تواند آسان باشد.
در این مقاله، فرض می شود که با روشهای بهینه سازی از قبل تعیین شده باشد.
اینجا برای ساده سازی، فرض می کنیم برای هر t داریم: .
این فرض نشان می دهد که DG ها با توان نامی خروجی در هر زمان عمل می کنند.
و معادلات 6 و 7 به کاهش می یابند.
در این مورد، ظرفیت نامی(مقدار گسسته) DGها با گرد کردن به حل پیوسته برای حداقل کردن معادله(1) با قیود معادله(3) می تواند محاسبه شود.
با حل معادلات همزمان(8) پیدا می شود: (8) که Q مجموعه ای از(j,k) است که ژنراتور پراکنده متصل است.
در ادامه، الگوریتم حل فقط برای مورد بحث می شود.
3.
الگوریتم حل 1.
توضیح خلاصه الگوریتم حل: جهت ساده سازی الگوریتم حل، تعیین الگوریتم مکان DGها و الگوریتم جستجوی اندازه DGها از هم جدا می شود و تکنیک تجزیه هماهنگ در این الگوریتم معرفی می شود.
اول با جستجوی تابو(Ts) تخصیص DGها(k,j از مقادیر 0 و 1 ) موقتا تحت قیود معادلات 5 و 6 موقتا ثابت می شود.
سپس، برای مکان DG به دست آمده با موقعیت ثابت موقت(k,j از مقادیر 0 و 1 ) ظرفیت هر DG( g از مقادیر 0 و 1 ) با TS محاسبه می شود که Z در معادله 1 را مینیمایز کند.
تحت شرایط معادله 4 دو پروسه بالا تا شمار معین هدف تکرار می شود.
فلوچارت کلی الگوریتم حل در شکل 2 نشان داده شده است.
سه نوع الگوریتم همزمان نشان داده شده است مطابق پروسه، عملیات تخمین ظرفیت DG با TS محاسبه می شود.
در الگوریتم 1، محاسبه تخمین جاییکه موقعیت نصب (j,k) ثابت است عمل می کند.
در الگوریتم 2، تخمین هنگامی انجام می شود که مینیمم محلی با جستجوی محل نصب(j.k) یافت شود.
در الگوریتم(3)، تخمین ظرفیت DGها بعد از نصب بهینه DGها در موقعیت های تعیین شده انجام می گیرد.
برای همه الگوریتم ها، یک حل اولیه، ظرفیت گسسته DG را با TS تعیین می کند.
و مقادیر تخمینی خروجی DGها به سادگی با حل همزمان معادله 8 محاسبه می شود.
2 .3.
تعریف حل همسایگی (1) برای جستجوی موقعیت نصب(j.k) حلهای همسایه TS برای جستجوی موقعیت نصب DGها تعیین شده اند طوریکه همه حلهایی