کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو
12,000 تومانشناسه فایل: 7547
چکیده
این مقاله الگوریتم بهینه سازی ازدحام ذرات را با وزن های پویا ارائه می دهد که برای کاهش هدر رفت قدرت واقعی در یک سیستم استفاده. بهینه سازی ازدحام ذرات با مطالعه ی دقیق بر روی وزن برای حرکت های ذرات استفاده شده است، ولتاژ گذرگاه ژنراتور، موقعیت اتصال وسط ترانسفورماتور و باند های خازنی شنت سوئیچینگ به عنوان متغیرهایی برای کنترل جریان قدرت راکتیو مورد استفاده قرار می گیرند. بهینه سازی زادحام ذرات در سیستم گذرگاه IEEE 6 اعما شده تا این مورد ارائه شود. وزن های پویای مطرح شده نتایج بهتر، سریع و سازگار با نرخ بالایی از همگرایی را نشان می دهند.
مقدمه مقاله
بهینه سازی جریان قدرت راکتیو برش عرضی ولتاژ را بهبود می بخشد و همچنین هدر رفت قدرت فعال را به کاهش می دهد. جریان قدرت راکتیو در یک سیستم قدرتی از طریق ولتاژهای ژنراتور، موقعیت اتصال وسط ترانسفورماتور و منابع قابل سوئیچینگ VAR می تواند کنترل کرد.
یک ترکیب معینی از این ولتاژ های ژنراتور، موقعیت های اتصال وسط ترانسفورماتور و قدرت راکتیو از بانک های خازن سبب بهبود جریان قدرت راکتیو می شود. بنابراین مسئله ی بهینه سازی قدرت راکتیو یک مسئله ی بهینه سازی ترکیبی غیر خطی است. فضای جستجو به دلیل وجود تعداد بسیار زیاد متغیرهای کنترلی، چند بعدی است. پیچیدگی قدرت راکتیو با افزایش در سایز سیستم قدرت افزایش می یابد.
پیش از این، روش های متداول برای حل بهینه سازی جریان قدرت راکتیو استفاده می شد. این روش ها معمولا با راه حل منفردی صورت می گرفت که سپس بهینه سازی می شدند. روش های متداول دارای یک اشکال عمده ای از منجر به کاهش حداقلی داخلی بودند. همچنین روش های متداول برای ترکیب متغیرها کارآمد نیستند. مصرف زمان این روش ها بسیار زیاد است. برای غلبه بر این مشکلات روش های هوش مصنوعی مانند الگوریتم ژنتیک [6]، ترمیم حرارتی شبیه سازی شده، جستجو تابو [5]، بهینه سازی ازدحام ذرات [7-10،14] و روش های بهینه سازی کلونی برای حل مسئله بهینه سازی توان راکتیو مورد استفاده قرار گرفته است.
ماماندور و چنووس از بهینه سازی برای امنیت ولتاژ و بهینه سازی قدرت راکتیو استفاده کردند و آن را در درصد های مختلفی از بارها بکار بردند. وایساخ و کانتا [3] از ارزیابی تفاضلی استفاده کردند تا راه حل بهینه سازی را دریابند. رویکرد اکتشافی و تکاملی توسط باتاچاریا و گوسوامی [4] اجرا شد تا راه حل بهینه ی جریان قدرت را پیدا کنند.
بهینه سازی ازدحام ذرات برای بهینه سازی قدرت راکتیو توسط یوسیدا و همکارانش [2]، حضر و سینها [8]، و مانتوی و آل غامدی [14] بکار گرفته شد، بهینه سازی ازدحام ذرات (PSO) ترکیبی دارای برخی از ویژگی های دیگر روش های جستجو [10] دیگر است یا برخی از ویژگی های خاص بکاربرده شده در بهینه سازی ازدحام ذرات [9] نیز استفاده شده است.
تکنیک جستجوی بهینه سازی ازدحام ذرات (PSO) به صورت جداگانه ای مورد مطالعه قرار گرفته است تا وزن های بهینه سازی و عوامل را برای این روش جستجویی پیش بینی کند [11-13]. پرام و همکارانش [11] از نسبت تناسب استفاده کردند تا وزن ها را برای حرکت ذرات در فضای جستجویی محاسبه کنند.
رویکرد پیشنهاد شده در این مقاله از تکنیک بهینه سازی ازدحام ذرات (PSO) با وزن های پویا مورد استفاده قرار می گیرند. وزن های پویا به اصطلاح نامیده می شود زیرا تغییر مقادیر آن در هر تکرار همان طوری که در بخش 3.4. مورد A نشان داده شده است در سیستم گذرگاه 6 IEEE ارائه شده و مقادیر متغیر بهینه سازی نهایی نشان داده شده است.
ABSTRACT Reactive power control using dynamic Particle Swarm Optimization for real power loss minimization
This paper presents Particle Swarm Optimization Algorithm, with dynamic weights, applied to reduce the real power loss in a system. Particle Swarm Optimization with detailed study on weights for particle movements is used. Generator bus voltages, transformer tap positions and switch-able shunt capacitor banks are used as variables to control the reactive power flow. Particle Swarm Optimization has been applied to IEEE 6 bus system to present the case. The proposed dynamic weights show better, fast and consistent results with higher rate of convergence.
Introduction
Reactive power flow optimization improves voltage profile and also minimizes the active power loss. The flow of reactive power in a power system can be controlled through generator voltages, transformer taps and switch-able VAR sources.
A certain combination of these generator voltages, transformer tap positions and reactive power from capacitor banks result in optimized reactive power flow. The reactive power optimization problem is thus a nonlinear combinatorial optimization problem. The search space is multidimensional due to large number of control variables. The complexity of reactive power optimization increases with increase in the size of power system.
Earlier, conventional methods were used for solving of reactive power flow optimization. These methods usually operate with single solution which is then optimized. The conventional methods have a major drawback of leading towards local minima. Also the conventional methods do not efficiently work for combination of variables. Time consumption of these methods is also very high. To overcome these drawbacks artificial intelligence methods such as genetic algorithm [6], simulated annealing, tabu search [5], Particle Swarm Optimization [7–10,14], and colony optimization methods have been used to solve reactive power optimization problem.
Mamandur and Chenoweth [1] have used optimization for voltage security and reactive power optimization, applied to different percentage of loads. Vaisakh and Kanta Rao [3] use differential evolution to find the optimized solution. Heuristic and evolutionary approach are implemented by Bhattacharya and Goswami [4] to find the optimal power flow solution.
Particle Swarm Optimization has been applied for reactive power optimization by Yoshida et al. [2], Hazra and Sinha [8] and, Mantawy and Al Ghamdi [14]. Hybrid PSO having some additional features of other search methods [10] or some unique features applied to PSO [9] have also been applied.
PSO search technique has been studied separately to predict the optimized weights and factors for the search method [11–13]. Peram et al. [11] uses fitness ratio to calculate the weights for particle movement in search space.
The approach proposed in this paper uses Particle Swarm Optimization (PSO) technique with dynamic weights. The dynamic weights are so called, because their values change in each iteration as detailed in Section 3.4. A case is presented on IEEE 6 bus system and the final optimal variable values are shown.
- مقاله درمورد کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو
- تکنیک بهینه سازی ازدحام ذرات (PSO) با وزن های پویا
- کنترل توان راکتیو با استفاده از پویایی بهینه سازی ذرات ذرات برای واقعی کاهش قدرت از دست دادن قدرت
- پروژه دانشجویی کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو
- حداقل سازی تلفات قدرت با بهینه سازی ازدحام ذرات در کنترل قدرت راکتیو
- پایان نامه در مورد کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو
- تحقیق درباره کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو
- مقاله دانشجویی کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو
- کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو در قالب پايان‌نامه
- پروپوزال در مورد کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو
- گزارش سمینار در مورد کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو
- گزارش کارورزی درباره کاهش اتلاف قدرت و بهینه سازی ازدحام ذرات (PSO) پویا برای کنترل قدرت راکتیو