جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)
26,500 تومانشناسه فایل: 6112
چکیده
یک الگوریتم ژنتیک ذخیره سازی غیر غالب بهبود یافته -2 (INSGA-II) جهت طرح ریزی بهینه واحدهای تولید پراکنده چندگانه (DG) در این مقاله ارائه شده است. نخست توابع چند هدفه که کمترین اتلاف خط، کمترین انحراف ولتاژ و بیشترین حاشیه پایداری ولتاژ را در نظر دارند، ساخته می شوند. پس از آن توسط الگوریتم INSGA-II پیشنهادی برای حل مسئله برنامه ریزی چندهدفه با جزئیات گزارش می شود. استراتژی ذخیره سازی بهبود یافته و استراتژی برش جدید بر اساس دسته بندی سلسله مراتبی متراکم برای مداومت تنوع جمعیت استفاده می شود. به منظور تقویت توانایی جستجوی بهینه کلی، استراتژی های جفتگیری و جهش در تکامل تفاضلی برای جایگذاری عدد اصلی معرفی می شوند. همچنین یک روش سبک و سنگین کردن بر اساس منطق فازی برای بدست آوردن بهترین راه حل سازش از مجموعه پارتو-بهینه استفاده می شود. سرانجام چند آزمایش بر سیستم 33 شینه IEEE و چند مورد واقعی با در نظر گرفتن واحد های DG چندگانه صورت گرفته است. کارایی و عملی بودن الگوریتم پیشنهاد شده جهت جایگذاری بهینه و اندازه گیری DG در سیستم های توزیع ثابت شده است.
مقدمه مقاله
در سال های اخیر، فناوری تولید پراکنده (DG) یک موضوع با بررسی های شدید شده است و نگرانی های جهانی برای حفاظت محیطی، موضوع ذخیره انرژی، افزایش پیچیدگی توان باد، تولید توان فتوولتائیک و سایر فن آوری های انرژی تجدید پذیر را افزایش داده است. بعد از اتصال DG به شبکه توزیع، ساختار، عملکرد و حالت کنترل شبکه توزیع تغییر فوق العاده خواهد کرد. تخمین اینکه چه تعداد از ظرفیت های DG برای اتصال به سیستم های توزیع مورد نیاز است مشکل است. بدون شک افزایش سطح نفوذ نیازمند ابزارهای مقاوم است که به شناسایی ظرفیت ها و ملزومات شبکه به منظور ارائه بهترین برنامه ریزی و استراتژی کنترلی کمک می کند [1]. چالش های برنامه ریزی DG این است که برنامه ریزی نیاز به حل مسائل بهینه سازی با چندین هدف و فاکتورهای محدودیتی دارد. باید تشخیص داده شود که تجارت توزیع مدرن بسیاری از بازیگران بازار را خواهد دید که از اهداف متفاوت و مغایر پیروی می کنند. در میان ابزارها و روش های بسیار، الگوریتم تکاملی چند منظوره یک ابزار جستجوی قدرتمند در اجزای چند هدفه فراهم می آورد تا یک مجموعه بهینه Pareto را بدست آورد.
از منظر بهینه سازی ریاضی، تزریق واحد DG یک موضوع بهینه سازی چند منظوره پیچیده است. اهداف شامل مصرف انرژی بهینه، کاهش هزینه خرید الکتریسیته مصرف کننده قدرت، و حداقل اتلاف توان بر اساس محدودیت های امنیتی شبکه قدرت و خروجی توان DG است. الگوریتم های چند هدفی پخش بار اقتصادی/انتشار در [2] و [3] بررسی شده اند. در میان تحقیقات درباره روش های بهینه سازی، مدل های چند هدفه از برنامه ریزی DG توسط روش های گوناگون بهینه سازی شده اند مانند فناوری annealing شبیه سازی شده، روش جستجوی Tabu مختلط با الگوریتم ژنتیک (GA) [4] و روش بهینه سازی فازی [5].
مطالعات اخیر درباره مدل برنامه ریزی DG و الگوریتم های گوناگون در ادامه بررسی شده اند. چند الگوریتم بهینه سازی هوشمند مانند GA [6]؛ بهینه سازی ازدحام ذرات (PSO) [7و8] ؛ تکامل تفاضلی (DE) [9]؛ اجتماع زنبور مصنوعی (ABC) [10] برای حل مسئله بهینه سازی با در نظر گرفتن حداقل هزینه ها برای بهبود شبکه، عملکرد، پشتیبانی و تلفات برای بررسی رشد بار و ماکزیمم سطح نفوذ DG استفاده می شوند. همچنین چند روش تحلیل حساسیت تخصیص DG در [11]-[13] پیشنهاد شده است. در مورد اهداف چندگانه متضاد، ممکن است راه حلی که بهترین مصالحه برای تمام اهداف است وجود نداشته باشد. بنابراین یک راه حل tradeoff” به جای یک راه حل واحد در بهینه سازی چند هدفی مورد نیاز است. بر اساس GA ، Farouk و سایرین [14] یک روش بهینه سازی چند هدفی را برای بیشینه سازی ذخیره سازی در ترفیع-سیستم، هزینه اتلاف انرژی سالیانه و هزینه قطع، پیشنهاد کرده است. Jin و سایرین در [15] یک مدل برنامه ریزی چند معیاری برای کمینه سازی هزینه و بیشینه سازی قابلیت اطمینان واحدهای تولیدی، ساخته اند. یک عملکرد چند هدفی بر اساس شاخص اندازه و محل شناسایی DG با مدل های بار متفاوت در [16] ارائه شده است. Nekooei و سایرین [17] یک روش جدید با استفاده از الگوریتم جستجوی همسازی (HS) بهبود یافته را مطالعه کرده اند.
گرچه توجه کارهای قبل بر اتلاف توان و هزینه های ترفیع شبکه متمرکز شده است، تلاش های نسبی اندکی با انحراف ولتاژ و بهبود پایداری ولتاژ درگیر هستند. روابط ذاتی در میان اهداف چندگانه هنوز بررسی نشده اند. در این مقاله ما ابتدا یک مدل ریاضی از مسئله برنامه ریزی DG بهینه ساخته ایم و سپس این مسئله بهینه سازی را بوسیله الگوریتم ژنتیک ذخیره سازی غیر غالب بهبود یافته (INSGA-II ) حل می کنیم با در نظر گرفتن اتلاف خط، انحراف ولتاژ و حاشیه پایداری ولتاژ.
ادامه مقاله بصورت زیر سازماندهی شده است. بخش 2 موضوع بهینه سازی چندهدفه پیشنهادی را برای برنامه ریزی DG را فرمول بندی می کند. بخش 3 روش پیشنهادی INSGA-II برای حل مسئله بهینه سازی را شرح می دهد. بخش 4 نتایج عددی را فراهم می کند و با استفاده از سیستم های تست گوناگون با واحدهای DG با روش پیشنهادی مقایسه می کند و بخش 5 نتایج این مقاله را خلاصه می کند.
ABSTRACT Optimal Placement and Sizing of Distributed Generation via an Improved Nondominated Sorting Genetic Algorithm II
An improved nondominated sorting genetic algorithm-II (INSGA-II) has been proposed for optimal planning of multiple distributed generation (DG) units in this paper. First, multiobjective functions that take minimum line loss, minimum voltage deviation, and maximal voltage stability margin into consideration have been formed. Then, using the proposed INSGA-II algorithm to solve the multiobjective planning problem has been described in detail. The improved sorting strategy and the novel truncation strategy based on hierarchical agglomerative clustering are utilized to keep the diversity of population. In order to strengthen the global optimal searching capability, the mutation and recombination strategies in differential evolution are introduced to replace the original one. In addition, a tradeoff method based on fuzzy set theory is used to obtain the best compromise solution from the Pareto-optimal set. Finally, several experiments have been made on the IEEE 33-bus test case and multiple actual test cases with the consideration of multiple DG units. The feasibility and effectiveness of the proposed algorithm for optimal placement and sizing of DG in distribution systems have been proved.
Introduction
I N RECENT years, distributed-generation (DG) technology has become a heavily researched topic, given increasing global concerns for environmental protection, energy-saving issues, increasing complexities of wind power, photovoltaic power generation, and other renewable energy technologies. After DG is connected to a distribution network, the structure, operation, and control mode of the distribution network will be changed tremendously. It is difcult to estimate how many DG capacities will be needed to be connected to distribution systems. Undoubtedly, it is certain that increasing penetration levels require robust tools and methods that help assess capabilities and requirements of networks in order to produce the best planning and control strategy [1]. The challenge from DG planning is that the planning needs to solve the optimization problem with many objectives and constraint factors. It should be recognized that modern distribution business will see many market players pursuing contrasting and different objectives. Among many methods and tools, the multiobjective evolutionary algorithm provided a powerful searching method in multiple objective components to obtain an even Pareto-optimal set. From the perspective of mathematical optimization, DG unit injection is also a complex multiobjective optimization issue. The objectives include optimal energy consumption, the minimum power consumer’s electricity purchasing cost, and the minimum power loss based on constraints of power grid security and DG power output. Multiobjective economic/emission dispatch algorithms were investigated in [2] and [3]. Among the research about optimization methods, multiobjective models of DG planning were optimized by various methods, such as the simulated annealing technique, Tabu search method integrated with the genetic algorithm (GA) [4], and Fuzzy optimization method [5].
Recent studies about the DG planning model and various algorithms are surveyed as follows. Several intelligent optimization algorithms, such as GA [6]; particle swarm optimization (PSO) [7], [8]; differential evolution (DE) [9]; and articial bee colony (ABC) [10] are used to solve the optimization problem considering minimum costs for network upgrading, operation, maintenance, and losses for handling the load growth and maximum DG penetration level. Besides, several sensitivity analysis methods of DG allocation were proposed in [11]–[13]. In case of multiple conicting objectives, there may not be a solution which is the best compromise for all objectives. Therefore, a “tradeoff” solution is needed instead of a single solution in multiobjective optimization. Based on GA, Farouk et al. [14] proposed a multiobjective optimization approach to maximize savings in system-upgrade investment deferral, cost of annual energy losses, and cost of interruption. Jin et al. [15] established a multicriteria planning model for minimizing the cost and maximizing the reliability of generating units. A multiobjective performance index-based size and location determination of DG with different load models was presented in [16]. Nekooei et al. [17] studied a new approach using an improved harmony-search (HS) algorithm.
Although the attention of previous works focused on power loss and costs for network upgrading, relatively few efforts were involved with voltage deviation and voltage stability improvement. The inherent relations among multiple objectives were not investigated yet. In this paper, we rst establish a mathematical model of the optimal DG planning problem, and then solve this optimization problem by the proposed improved nondominated sorting genetic algorithm II (INSGA-II) with the consideration of line loss, voltage deviation, and voltage stability margin. The remainder of this paper is organized as follows. Section II formulates the proposed multiobjective optimization issue for DG planning. Section III describes the proposed INSGA-II method to solve the optimization problem. Section IV provides numerical results and comparisons with the proposed approach using various test systems with DG units, and Section V summarizes the main contributions and conclusions of this paper.
- مقاله درمورد جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)
- مسئله برنامه ریزی DG بهینه سازی بوسیله الگوریتم ژنتیک ذخیره سازی غیر غالب بهبود یافته (INSGA-II) با در نظر گرفتن اتلاف خط، انحراف ولتاژ و حاشیه پایداری ولتاژ
- الگوریتم ژنتیک ذخیره سازی غیر غالب بهبود یافته -2 (INSGA-II) برای طراحی بهینه واحدهای تولید نامتمرکز (انرژی نامتمرکز)
- پروژه دانشجویی جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)
- قراردهی اپتیمال و سنجش تولید پراکنده با الگوریتم ژنتیک مرتب سازی
- پایان نامه در مورد جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)
- تحقیق درباره جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)
- مقاله دانشجویی جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)
- جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II) در قالب پايان‌نامه
- پروپوزال در مورد جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)
- گزارش سمینار در مورد جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)
- گزارش کارورزی درباره جایگذاری بهینه و اندازه گیری تولید پراکنده (DG) از طریق الگوریتم ژنتیک مرتب سازی نامطلوب بهبود یافته 2 (INSGA-II)