توضیحات

جایابی بهینه خازن در شبکه توزیع با الگوریتم مورچگان (ACO)

از آن جایی که توان راکتیو مورد نیاز بارهای موجود در شبکه توسط ژنراتورها و نیروگاه ها تامین می گردد ، لذا نیازمندیم تا با خازن گذاری بتوانیم از اشغال خطوط توسط توان راکتیو جلوگیری نماییم. از طرفی مکان یابی خازن نیز باید به طور صحیح انجام گیرد. زیرا اگر مکان خازن مناسب نباشد نه تنها مزیتی آن چنانی برای شبکه ایجاد نخواهد کرد بلکه می تواند مشکلات زیادی نیز برای شبکه ایجاد کند. در نتیجه مکانیابی خازن باید به گونه ای انجام گیرد تا بتواند مزیت هایی نظیر بهبود کیفیت توان و کاهش تلفات را به ارمغان آورد. روش های ریاضی زیادی برای جایابی خازن مورد استفاده قرار می گیرد. اما الگوریتم های تکاملی زیادی نیز هستند که می توانند در جایابی خازن مثمر ثمر واقع گردند. یکی از این الگوریتم های بهینه سازی الگوریتم مورچگان می باشد. در این محصول نیز جایابی بهینه خازن در شبکه های توزیع با الگوریتم مورچگان مد نظر قرار گرفته است.

این محصول جایابی بهینه خازن با متلب توسط الگوریتم مورچگان بوده و بر روی شبکه 33 باسه مورد بررسی قرار گرفته است. شبکه 33 باسه را در شکل زیر مشاهده می کنید:

در این شبکه ولتاژ شین 18 بسیار کاهش یافته و از نظر استانداردهای مربوط به کیفیت توان به هیچ عنوان قابل قبول نیست. جهت جلوگیری از این مورد بهترین راه برای مهندسین برق ، جایابی خازن در این شبکه می باشد. به طوری که بتواند در زمان های بحرانی کیفیت ولتاژ شبکه را حفظ نماید.

جایابی خازن با الگوریتم مورچگان (ACO)

حال اگر مسئله را جهت بهینه سازی با الگوریتم مورچگان مورد بررسی قرار دهیم. خواهیم دید مکان و اندازه ای برای خازن ها به دست می آید که خازن بزرگ تر نزدیک شین 18 و یا سایر شین هایی که افت ولتاژ در آن ها زیاد بوده است، قرار گرفته اند. الگوریتم مورچگان از جمله قوی ترین الگوریتم های بهینه سازی است که اکثر دانشجویان از این الگوریتم و نیز الگوریتم های ژنتیک و ازدحام ذرات برای بهینه سازی استفاده می کنند. اگر فرض بر این باشد که جایابی خازن با هدف کاهش تلفات شبکه و بهبود پروفیل ولتاژ صورت می گیرد. در اینصورت الگوریتم مورچگان ابتدا تعدادی جمعیت یا در اینجا تعدادی مورچه را در فضای تابع هدف قرار می دهد و مورچه ها حالت خود و مقدار هزینه ی تابع هدف خود را اعلام می کنند. سپس بر طبق مقدار تابع هدف در حالت هر مورچه فرومون ریخته می شود. در هر تکرار نیز مقداری از فرومون تبخیر می گردد. حال مورچه ای که کمترین مقدار را داراست سایر مورچه ها نیز به طرف حالت آن مورچه حرکت می کنند. در اینجا ممکن است مورچه ای حالتی بهتر را به دست آورد. و دوباره مورچه ها تغییر مسیر بدهند و … تا اینکه در نهایت بعد از چندین تکرار بهترین مقدار تابع هدف و حالت آن که نشان دهنده ی مکان و اندازه ی خازن می باشد به دست آید.

در نهایت بعد از جایابی بهینه خازن همانطور که انتظار می رفت پروفیل ولتاژ دچار بهبود گردد ، نمودار پروفیل ولتاژ بهبود یافته به دست می آید. این نمودار نشان دهنده ی قبل و بعد از جایابی خازن با متلب است که رنگ صورتی نشان دهنده ی پروفیل ولتاژ بعد از مکان یابی خازن می باشد که با بهبودی همراه است.

از طرف دیگر اکثر مقالات از نمودار همگرایی برای نشان دادن کاهش مقدار تابع هدف استفاده می کنند. این نمودار نیز نشان دهنده ی نمودار همگرایی در کاهش تلفات شبکه با جایابی خازن توسط الگوریتم ژنتیک را نشان می دهد. همانطور که مشاهده می کنید مقدار تابع هدف در هر تکرار کاهش یافته و در نهایت به صفر رسیده است.

در حالت کلی این محصول حاوی فایل های متلب مربوط به بدنه ی اصلی الگوریتم مورچگان و تابع هدف شامل پخش بار پسرو پیشرو شبکه 33 باس و … بوده و نحوه ی اجرا و ران کردن ، همچنین تغییرات بر روی اعضا و تعداد تکرار در فایل ویدیویی آن نشان داده شده است.

اکثرا از تولباکس های بهینه سازی استفاده می کنند ولی آن چیزی که این محصول را از سایر محصولات جایابی خازن با الگوریتم مورچگان جدا می کند استفاده از اصل برنامه ی مورچگان می باشد.

محصولات مشابه

پخش بار شبکه های شعاعی به روش پسرو – پیشرو ، آموزش + کدنویسی

شبیه سازی جایابی خازن و DG با الگوریتم PSO برای شبکه 33 باسه

شبیه سازی جایابی خازن با الگوریتم ژنتیک برای شبکه 33 باسه

شبیه سازی جایابی بهینه منابع تولید پراکنده با الگوریتم ژنتیک برای شبکه 33 باسه + کد

مکان یابی بهینه خازن و منابع تولید پراکنده برای حداقل سازی تلفات توان

مکان یابی DG بر اساس پایداری ولتاژ در شبکه های توزیع