ترکیب جدیدی از سیستم استنتاج فازی و الگوریتم علف‌های هرز به منظور بازآرایی همزمان با جایابی و تعیین ظرفیت بهینه تولیدات پراکنده در شبکه‌های توزیع
محورهای موضوعی : تولید، انتقال و توزیعهاجر باقری طولابی 1 , محمودرضا شاکرمی 2
1 - دانشگاه آزاد اسلامی، خرم آباد، لرستان
2 - دانشگاه لرستان
کلید واژه: شبکه توزیع, سیستم استنتاج فازی, بازآرایی, تولید پراکنده, الگوریتم علف‌های هرز,
چکیده مقاله :
در این مقاله یک روش بهینه‌سازی ترکیبی به منظور بازآرایی و تخصیص مناسب تولیدات پراکنده در فیدرهای شبکه توزیع برق ارائه شده است. اهداف این بهینه سازی، کاهش تلفات، بهبود پروفیل ولتاژ و افزایش تعادل بار در شبکه توزیع می‌باشند. از الگوریتم علف‌های هرز جهت تعیین آرایش بهینه شبکه توزیع همراه با تعیین مکان و ظرفیت مناسب برای واحدهای تولید پراکنده استفاده شده است. به منظور بهبود توانایی این الگوریتم از تئوری فازی بهره گرفته شده تا مسئله بهینه‌سازی چند منظوره به مسئله بهینه‌سازی تک هدفه تبدیل شود. شبکه توزیع 33 باسه جهت ارزیابی روش پیشنهادی در هر سه بار نامی، سبک و سنگین مورد ارزیابی قرار گرفته است. نتایج به دست آمده نشان می‌دهد که روش پیشنهادی، در بهبود هر سه شاخص مورد آزمایش، عملکرد قابل قبولی داشته و نیز در مقایسه با الگوریتم‌های دیگر مانند الگوریتم بهینه‌سازی غذایابی و الگوریتم ژنتیک موفق‌تر عمل نموده است.
This paper presents a new hybrid method for optimal multi-objective reconfiguration simultaneous determining the optimal size and location of Distributed Generation (DG) in a distribution feeder. The purposes of this research are reducing the losses, improving the voltage profile and equalizing the feeder load balancing in a distribution system. Invasive Weed Optimization (IWO) is used to simultaneously reconfigure and identify the optimal capacity and location for installation of DG units in the distribution network. In order to facilitate the algorithm for multi-objective search ability, the optimization problem is formulated for minimizing fuzzy performance indices. The multi-objective optimization problem is transformed into a fuzzy inference system (FIS), where each objective function is quantified into a set of fuzzy objectives selected by fuzzy membership functions. The proposed method is validated using the IEEE 33 bus test system at nominal load. The obtained results prove this combined technique is more accurate and has an efficient convergence property compared to other intelligent search algorithms. Also, the obtained results lead to the conclusion that multi-objective reconfiguration along with placement of DGs can be more beneficial than separate single-objective optimization.
[1] H.B. Tolabi, M.H. Moradi, "Multi-objective reconfiguration of distribution systems using imperialist competitive algorithm and graph theory", Technical Journal of Engineering and Applied Sciences, Vol. 3, No. 6, pp. 505-514, 2013.
[2] A. Merlin, H. Back, "Search for a minimal-loss operating spanning tree configuration in an urban power distribution system", In Proc. 5th Power System Computation Conf., Cambridge, U.K, pp. 1–18, 1975.
[3] R. Taleski, D. Rajicic, “Distribution network reconfiguration for energy loss reduction”, IEEE Trans. on Power System, Vol. 12, No. 1, pp. 398–406, 1997.
[4] Q. Zhou, D. Shirmohammadi, W.H.E. Liu, "Distribution feeder reconfiguration for service restoration and load balancing", IEEE Trans. Power Systems, Vol. 12, No. 2, pp. 724–729, 1997.
[5] K. Nara, A. Shiose, M. Kitagawa, T. Ishihara, “Implementation of genetic algorithm for distribution system loss minimum reconfiguration”, IEEE Trans. on Power Delivery, Vol. 7 No. 3, pp. 1044–1051, 1992.
[6] K. Sathish Kumar, T. Jayabarathi, "Power system reconfiguration and loss minimization for a distribution systems using bacterial foraging optimization algorithm", Electrical Power and Energy Systems, Vol. 36, pp. 13–1, 2012.
[7] C. Wang, M.H. Nehrir, "Analytical approaches for optimal placement of distributed generation sources in power systems", IEEE Trans. on Power Systems, Vol. 19, No. 4, pp. 2068–2076, 2004.
[8] S. Ghosh, K.S. Sherpa, “An efficient method for load flow solution of radial distribution networks”, International Journal Electrical Power Energy Systems Engineering, Vol. 1, No. 2, pp. 108–115, 2008.
[9] R. Khorshidi, T. Niknam, M. Nayeripour, "Distribution feeder reconfiguration considering distributed generators", World Academy of Science, Engineering and Technology, Vol. 22, pp. 595-598, 2008.
[10] H.B. Tolabi, M.H. Ali, S.B.M. Ayob, M. Rizwan, "Novel hybrid fuzzy-Bees algorithm for optimal feeder multi-objective reconfiguration by considering multiple-distributed generation", Energy, Vol. 71, pp. 507-515, July2014.
[11] A. Kavousi-Fard, T. Niknam, "Multi-objective stochastic distribution feeder reconfiguration from the reliability point of view ", Energy, Vol. 64, pp. 342-354, 2014.
[12] R. Kollu, S.R. Rayapudi, V.L.N. Sadhu, "A novel method for optimal placement of distributed generation in distribution systems using HSDO ", International Trans. on Electrical Energy Systems, Vol. 24, pp. 547–561, April 2014.
[13] R.J. Flores, B.P. Shaffer, J. Brouwer, "Economic and sensitivity analyses of dynamic distributed generation dispatch to reduce building energy cost", Energy and Buildings, Vol. 85, pp. 293-304, 2014.
_||_