توضیحات

جایابی DG

حضور منابع تولید پراکنده در سیستم الکتریکی ، بهره برداری از آن را پیچیده نموده است. علاوه بر برنامه ریزی صحیح این منابع ، مکان و اندازه بهینه منابع تولید پراکنده نیز از اهمیت زیادی برخوردا است. جایابی dg امروزه در مقالات مختلف جهت کاهش تلفات شبکه و یا بهبود پروفیل ولتاژ صورت می گیرد. در این قسمت نیز مکان یابی منابع تولید پراکنده بر روی شبکه 33 باسه IEEE با هدف کاهش تلفات و بهبود پروفیل ولتاژ مورد بررسی قرار گرفته است. پخش بار پسرو پیشرو جهت یافتن مقادیر ولتاژ و جریان شاخه ها برای این شبکه استفاده شده است.

 

جایابی منابع تولید پراکنده با الگوریتم ژنتیک در متلب

اگر به صورت ساده بخواهیم مکان یابی منابع تولید پراکنده را مورد بررسی قرار دهیم. شاید لازم باشد بیش از میلیاردها حالت را برای یافتن مکان و اندازه بهینه مورد بررسی قرار دهیم. بخاطر محدودیت زمانی نیاز است تا از الگوریتم های بهینه سازی برای یافتن پاسخ استفاده نماییم. لذا از الگوریتم های بهینه سازی در مسائل مکان یابی استفاده می شود. الگوریتم ژنتیک در بهینه سازی امروزه فراگیر شده و معمولا اکثر دانشجویان جهت حل مسائل مربوط به بهینه سازی از این الگوریتم استفاده می کنند. جایابی بهینه DG بر روی شبکه 33 باسه توسط الگوریتم ژنتیک با هدف کاهش تلفات شبکه و بهبود پروفیل ولتاژ موضوعی است که در این محصول به آن پرداخته شده است. در الگوریتم ژنتیک ابتدا تعداد جمعیت مشخص شده و سپس کروموزمی برای هر کدام به تعداد مجهولات مسئله انتخاب می شود. هر کروموزم حاوی 33 متغیر می باشد که نشان از مکان قرارگیری و اندازه منابع تولید پراکنده در آن قرار گرفته است. برای هر کدام از این جمعیت ها مقدار تابع هدف که در اینجا تلفات شبکه است فراخوانی شده و همگی با هم مقایسه می شوند. سپس crossover و mutation بر روی برخی اعضا صورت گرفته و حلفه ی تکرار تا زمانی یافتن بهینه ترین مقدار ادامه می یابد. در نهایت جایابی بهینه منابع تولید پراکنده به اتمام رسیده و مکان و اندازه مربوط به DG ها در شبکه 33 باسه به دست می آید.

در این محصول از تولباکس ژنتیک استفاده نشده است. بلکه خود برنامه ی الگوریتم ژنتیک در متلب نوشته شده و برای جایابی DG از آن استفاده شده است.

در نهایت بعد از جایابی منابع تولید پراکنده 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 DG است که رنگ آبی نشان دهنده ی پروفیل ولتاژ بعد از مکان یابی منابع تولید پراکنده می باشد که با بهبودی همراه است.

از طرف دیگر در اکثر مقالات از نمودار همگرایی مربوط به الگوریتم های بهینه سازی نیز استفاده می شود. این نمودار نشان هنده ی کاهش میزان تابع هدف (تلفات شبکه در این محصول) در هر بار تکرار می باشد. در واقع نشان می دهد که در هر بار تکرار این مقدار با کاهش همراه بوده و بعد از چند بار تکرار ثابت مانده است.

در حالت کلی این محصول حاوی فایل های متلب مربوط به بدنه ی اصلی الگوریتم ژنتیک ، crossover ، mutation 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 و … در فایل ویدیویی زیر نشان داده شده است.

[KGVID]http://www.research-week.ir/wp-content/uploads/2016/11/dg-genetic-33.mp4[/KGVID]

محصولات مشابه

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

شبیه سازی جایابی منابع تولید پراکنده با الگوریتم رقابت استعماری برای شبکه 33 باسه

شبیه سازی جایابی خازن و منابع تولید پراکنده با الگوریتم مورچگان برای شبکه 33 باسه

مکان یابی DG بر اساس پایداری ولتاژ در شبکه های توزیع

مکان یابی بهینه DG (منابع تولید پراکنده ) در شبکه های توزیع

شبیه سازی و ترجمه مقاله جایابی منابع تولید پراکنده DG و D-STATCOM