دانلود با لینک مستقیم و پر سرعت .
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 41
ACO Based Algorithm for Distributed for Distributed generation Sources Allocation and sizing in Distribution Systems.
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:
