مدیریت بهينه انرژی در شبکه توزيع شعاعی با درنظرگرفتن ریزشبکههای چندگانه، عدم قطعیتها و شاخص تاب¬آوری با ¬استفاده از الگوریتم بهینه¬سازی شاهین هریس بهبودیافته
الموضوعات :
مرضیه پشت یافته
1
,
حسن براتی
2
,
علی درویش فالحی
3
1 - گروه برق، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ايران
2 - گروه برق، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ايران
3 - گروه برق، واحد شادگان، دانشگاه آزاد اسلامی، شادگان، ايران
الکلمات المفتاحية: ریزشبکه¬های چندگانه, عدم قطعیت¬ها, الگوريتم شاهين هريس, تاب¬آوری, بازآرایی,
ملخص المقالة :
در این مقاله، یک مدیریت بهينه انرژی برای یک ریزشبکه چندگانه (MMG) متصل به شبکه‌ی توزیع (DN) پيشنهاد شده است. در اين بهينه‌سازي توابع هدف مختلفي در نظر گرفته شده است شامل: هزینه شبکه، کاهش آلاینده‌ها و تلفات، و تاب‌آوري شبکه توزیع. همچنین، در اين مقاله تأثیر جایابی منابع توليدات پراکنده توأم با بازآرایی شبکه توزیع در فرآیند بهینهسازی و با هدف کاهش تلفات، افزایش قابلیت اطمینان و تابآوری در نظر گرفته شدهاند. عدم قطعیت موجود در منابع تجديدپذير و مصرفکنندهها با استفاده از روش تئوری تصمیمگیری شکاف اطلاعاتی (IGDT) فرمولبندی شده است. متغیرهای تصمیمگیری شامل مکان منابع و ریزشبکهها، ظرفیت نصب و ضریب قدرت و شعاع عدم قطعیت با استفاده ااز الگوریتم فراابتکاری بهبودیافته شاهین هریس (MHHO) و حلکننده CPLEX بصورت بهینه تعیین شده است. در الگوریتم MHHO، پارامتر انرژی خرگوش (E) با رفتار و مقدار تابع هدف، بهطور دینامیکی تغییر نماید. روش پيشنهادي بر روي شبکه توزیع 33 شینه IEEE در مرحله اول در افق زمانی 24 ساعته شامل سه ريزشبکه با منابع مختلف انرژي تجديدپذير به جهت تعیین ساختار شبکه از بابت شین‌های اتصال ریزشبکهها و منابع پراکنده توسط الگوریتم جایابی و در مرحله بعد در زمان های مختلف شاخص تابآوری بر اثر قطع ارتباط شبکه توزیع با شبکه بالادست بررسی میگردد. نتايج حاصل از شبیهسازی بیانگر عملکرد مطلوب الگوریتمMHHO در جایابی ریزشبکهها، منابع تولید پراکنده و بازآرایی شبکه جهت بهبود مدیریت بهینه انرژی و شاخص تابآوری میباشد.
[1] H. Farzin, M. Fotuhi-Firuzabad, and M. Moeini-Aghtaie, “Enhancing Power System Resilience Through Hierarchical Outage Management in Multi-Microgrids,” IEEE Transactions on Smart Grid, vol. 7, no. 6, pp. 2869–2879, Nov. 2016, doi: 10.1109/TSG.2016.2558628.
[2] M. Haghshenas, R. Hooshmand, M. Gholipoor, “Stochastic planning to improve the resilience of electric power distribution systems against severe dust storms,” Iranian Journal of Electrical and Computer Engineering, vol. 20, no. 2, pp. 108–120, 2022, DOR: 20.1001.1.16823745.1401.20.2.12.8.
[3] J. Wang, N. Xie, W. Wu, D. Han, C. Wang, and B. Zhu, “Resilience enhancement strategy using microgrids in distribution network,” Global Energy Interconnection, vol. 1, no. 5, pp. 537–543, Dec. 2018, doi: 10.14171/J.2096-5117.GEI.2018.05.002.
[4] Y. Bian and Z. Bie, “Multi-Microgrids for Enhancing Power System Resilience in Response to the Increasingly Frequent Natural Hazards,” IFAC-PapersOnLine, vol. 51, no. 28, pp. 61–66, Jan. 2018, doi: 10.1016/J.IFACOL.2018.11.678.
[5] Z. Li, M. Shahidehpour, F. Aminifar, A. Alabdulwahab, and Y. Al-Turki, “Networked Microgrids for Enhancing the Power System Resilience,” Proceedings of the IEEE, vol. 105, no. 7, pp. 1289–1310, Jul. 2017, doi: 10.1109/JPROC.2017.2685558.
[6] H. Karimi and S. Jadid, “Optimal energy management for multi-microgrid considering demand response programs: A stochastic multi-objective framework,” Energy, vol. 195, p. 116992, Mar. 2020, doi: 10.1016/J.ENERGY.2020.116992.
[7] C. Chen, J. Wang, F. Qiu, and D. Zhao, “Resilient Distribution System by Microgrids Formation after Natural Disasters,” IEEE Transactions on Smart Grid, vol. 7, no. 2, pp. 958–966, Mar. 2016, doi: 10.1109/TSG.2015.2429653.
[8] S. Yao, P. Wang, and T. Zhao, “Transportable Energy Storage for More Resilient Distribution Systems with Multiple Microgrids,” IEEE Transactions on Smart Grid, vol. 10, no. 3, pp. 3331–3341, May 2019, doi: 10.1109/TSG.2018.2824820.
[9] P. Srikantha and D. Kundur, “Resilient distributed real-time demand response via population games,” IEEE Transactions on Smart Grid, vol. 8, no. 6, pp. 2532–2543, Nov. 2017, doi: 10.1109/TSG.2016.2526651.
[10] K. P. Schneider, F. K. Tuffner, M. A. Elizondo, C. C. Liu, Y. Xu, and D. Ton, “Evaluating the Feasibility to Use Microgrids as a Resiliency Resource,” IEEE Transactions on Smart Grid, vol. 8, no. 2, pp. 687–696, Mar. 2017, doi: 10.1109/TSG.2015.2494867.
[11] J. Chen and Q. Zhu, “A Game-Theoretic Framework for Resilient and Distributed Generation Control of Renewable Energies in Microgrids,” IEEE Transactions on Smart Grid, vol. 8, no. 1, pp. 285–295, Jan. 2017, doi: 10.1109/TSG.2016.2598771.
[12] S. Chanda and A. K. Srivastava, “Defining and Enabling Resiliency of Electric Distribution Systems with Multiple Microgrids,” IEEE Transactions on Smart Grid, vol. 7, no. 6, pp. 2859–2868, Nov. 2016, doi: 10.1109/TSG.2016.2561303.
[13] A. Hussain, V. H. Bui, and H. M. Kim, “Optimal operation of hybrid microgrids for enhancing resiliency considering feasible islanding and survivability,” IET Renewable Power Generation, vol. 11, no. 6, pp. 846–857, May 2017, doi: 10.1049/IET-RPG.2016.0820.
[14] A. Gholami, T. Shekari, and S. Grijalva, “Proactive Management of Microgrids for Resiliency Enhancement: An Adaptive Robust Approach,” IEEE Transactions on Sustainable Energy, vol. 10, no. 1, pp. 470–480, Jan. 2019, doi: 10.1109/TSTE.2017.2740433.
[15] A. Barnes, H. Nagarajany, E. Yamangily, R. Bent, and S. Backhaus, “Tools for Improving Resilience of Electric Distribution Systems with Networked Microgrids”, Center for Nonlinear Studies, Los Alamos National Laboratory, NM, USA, 2017. doi: 10.48550/arXiv.1705.08229
[16] K. P. Schneider, F. K.Tuffner, M. A. Elizondo, C. C. Liu, S. Backhaus, and D.Ton, ., “Enabling resiliency operations across multiple microgrids with grid friendly appliance controllers,” IEEE Transactions on Smart Grid, vol. 9, no. 5, pp. 4755–4764, Sep. 2018, doi: 10.1109/TSG.2017.2669642.
[17] L. Che, M. Khodayar, and M. Shahidehpour, “Only connect: Microgrids for distribution system restoration,” IEEE Power and Energy Magazine, vol. 12, no. 1, pp. 70–81, Jan. 2014, doi: 10.1109/MPE.2013.2286317.
[18] A. Gholami, T. Shekari, F. Aminifar, and M. Shahidehpour, “Microgrid Scheduling with Uncertainty: The Quest for Resilience,” IEEE Transactions on Smart Grid, vol. 7, no. 6, pp. 2849–2858, Nov. 2016, doi: 10.1109/TSG.2016.2598802.
[19] W. Yuan, J. Wang, F. Qiu, C. Chen, C. Kang, and B. Zeng, “Robust Optimization-Based Resilient Distribution Network Planning Against Natural Disasters,” IEEE Transactions on Smart Grid, vol. 7, no. 6, pp. 2817–2826, Nov. 2016, doi: 10.1109/TSG.2015.2513048.
[20] C. Gouveia, J. Moreira, C. L. Moreira, and J. A. Pecas Lopes, “Coordinating storage and demand response for microgrid emergency operation,” IEEE Transactions on Smart Grid, vol. 4, no. 4, pp. 1898–1908, Dec. 2013, doi: 10.1109/TSG.2013.2257895.
[21] Y. Wang, C. Chen, J. Wang, and R. Baldick, “Research on Resilience of Power Systems under Natural Disasters - A Review,” IEEE Transactions on Power Systems, vol. 31, no. 2, pp. 1604–1613, Mar. 2016, doi: 10.1109/TPWRS.2015.2429656.
[22] Z. Wang and J. Wang, “Self-Healing Resilient Distribution Systems Based on Sectionalization into Microgrids,” IEEE Transactions on Power Systems, vol. 30, no. 6, pp. 3139–3149, Nov. 2015, doi: 10.1109/TPWRS.2015.2389753.
[23] F. H. Aghdam, S. Ghaemi, and N. T. Kalantari, “Evaluation of loss minimization on the energy management of multi-microgrid based smart distribution network in the presence of emission constraints and clean productions,” Journal of Cleaner Production, vol. 196, pp. 185–201, Sep. 2018, doi: 10.1016/J.JCLEPRO.2018.06.023.
[24] M. Choobineh and S. Mohagheghi, “Robust optimal energy pricing and dispatch for a multi-microgrid industrial park operating based on just-in-time strategy,” IEEE Transactions on Industry Applications, vol. 55, no. 4, pp. 3321–3330, Jul. 2019, doi: 10.1109/TIA.2019.2903182.
[25] Z. Wang, B. Chen, J. Wang, and J. Kim, “Decentralized Energy Management System for Networked Microgrids in Grid-Connected and Islanded Modes,” IEEE Transactions on Smart Grid, vol. 7, no. 2, pp. 1097–1105, Mar. 2016, doi: 10.1109/TSG.2015.2427371.
[26] Q. Jiang, M. Xue, and G. Geng, “Energy management of microgrid in grid-connected and stand-alone modes,” IEEE Transactions on Power Systems, vol. 28, no. 3, pp. 3380–3389, 2013, doi: 10.1109/TPWRS.2013.2244104.
[27] S. A. Arefifar, M. Ordonez, and Y. A. R. I. Mohamed, “Energy Management in Multi-Microgrid Systems - Development and Assessment,” IEEE Transactions on Power Systems, vol. 32, no. 2, pp. 910–922, Mar. 2017, doi: 10.1109/TPWRS.2016.2568858.
[28] A. Rezaee Jordehi, S. A. Mansouri, M. Tostado-Véliz, A. Ahmarinejad, and F. Jurado, “Resilience-oriented placement of multi-carrier microgrids in power systems with switchable transmission lines,” International Journal of Hydrogen Energy, vol. 50, pp. 175–185, Jan. 2024, doi: 10.1016/J.IJHYDENE.2023.07.277.
[29] A. H. Alobaidi, M. E. Khodayar, and M. Shahidehpour, “Decentralized energy management for unbalanced networked microgrids with uncertainty,” IET Generation, Transmission & Distribution, vol. 15, no. 13, pp. 1922–1938, Jul. 2021, doi: 10.1049/GTD2.12145.
[30] H. Haddadian and R. Noroozian, “Multi-microgrids approach for design and operation of future distribution networks based on novel technical indices,” Applied Energy, vol. 185, pp. 650–663, Jan. 2017, doi: 10.1016/J.APENERGY.2016.10.120.
[31] T. Ding, Y. Lin, Z. Bie, and C. Chen, “A resilient microgrid formation strategy for load restoration considering master-slave distributed generators and topology reconfiguration,” Applied Energy, vol. 199, pp. 205–216, Aug. 2017, doi: 10.1016/J.APENERGY.2017.05.012.
[32] C. Chen, J. Wang, F. Qiu, and D. Zhao, “Resilient Distribution System by Microgrids Formation after Natural Disasters,” IEEE Transactions on Smart Grid, vol. 7, no. 2, pp. 958–966, Mar. 2016, doi: 10.1109/TSG.2015.2429653.
[33] S. Bagheri, H. Talebi, and A. Fereidunian, “Resilient, Comfort and Economic Operation of Smart Nanogrid,” Journal of Control, vol. 12, no. 3, pp. 1–12, Dec. 2018, doi: 10.29252/JOC.12.3.1.
[34] S. Salahi1, N. Rezaei1, J. Moshtagh, “Technovations of Electrical Engineering in Green Energy System,” Technovations of Electrical Engineering in Green Energy System, vol 3، no. 1، 2024, doi: 10.30486/teeges.2023.1996973.1094.
[35] M. R. Sheibani, M. Zeraati, F. Jabbari, E. Heydarian, “Portable Energy Storage Systems Expansion Planning to Improve the Power Systems Resilience,” Technovations of Electrical Engineering in Green Energy System ، vol 3، no. 1، 2024, doi: 10.30486/teeges.2023.1997267.1097.
[36] G. Liu, Y. Xu, and K. Tomsovic, “Bidding strategy for microgrid in day-ahead market based on hybrid stochastic/robust optimization,” IEEE Transactions on Smart Grid, vol. 7, no. 1, pp. 227–237, Jan. 2016, doi: 10.1109/TSG.2015.2476669.
[37] E. kianmehr, S. Nikkhah, and A. Rabiee, “Multi-objective stochastic model for joint optimal allocation of DG units and network reconfiguration from DG owner’s and DisCo’s perspectives,” Renewable Energy, vol. 132, pp. 471–485, Mar. 2019, doi: 10.1016/J.RENENE.2018.08.032.
[38] E. Hooshmand and A. Rabiee, “Energy management in distribution systems, considering the impact of reconfiguration, RESs, ESSs and DR: A trade-off between cost and reliability,” Renewable Energy, vol. 139, pp. 346–358, Aug. 2019, doi: 10.1016/J.RENENE.2019.02.101.
[39] P. Jamatia, S. Bhattacharjee, and S. Sharma, “Allocation of Electric Vehicle Charging Station in Distribution Network along with Distributed Generation Sources,” Proceedings of 2022 6th International Conference on Condition Assessment Techniques in Electrical Systems, CATCON 2022, pp. 196–201, 2022, doi: 10.1109/CATCON56237.2022.10077671.
[40] H. Bagheri Tolabi, M. H. Ali, and M. Rizwan, “Novel Hybrid Fuzzy-Intelligent Water Drops Approach for Optimal Feeder Multi Objective Reconfiguration by Considering Multiple-Distributed Generation,” Journal of Operation and Automation in Power Engineering, vol. 2, no. 2, pp. 91–102, Dec. 2014, Accessed: Oct. 12, 2024.
[Online]. Available: https://joape.uma.ac.ir/article_222.html.
[41] S. Behzadi, A. Bagheri, and A. Rabiee, “Resilience-Oriented Operation of Micro-Grids in both Grid-Connected and Isolated Conditions within Sustainable Active Distribution Networks,” Journal of Operation and Automation in Power Engineering, vol. 13, no. 1, pp. 38–51, Jan. 2025, doi: 10.22098/JOAPE.2023.12142.1902.
[42] A. A. A. El-Ela, R. A. El-Sehiemy, A. M. Kinawy, and E. S. Ali, “Optimal placement and sizing of distributed generation units using different cat swarm optimization algorithms,” 2016 18th International Middle-East Power Systems Conference, MEPCON 2016 - Proceedings, pp. 975–981, Jan. 2017, doi: 10.1109/MEPCON.2016.7837015.
[43] A. Jalili and B. Taheri, “Optimal Sizing and Sitting of Distributed Generations in Power Distribution Networks Using Firefly Algorithm,” Technology and Economics of Smart Grids and Sustainable Energy, vol. 5, no. 1, pp. 1–14, Dec. 2020, doi: 10.1007/S40866-020-00081-9/FIGURES/18.
[44] H. Karimi and S. Jadid, “Optimal energy management for multi-microgrid considering demand response programs: A stochastic multi-objective framework,” Energy, vol. 195, p. 116992, Mar. 2020, doi: 10.1016/J.ENERGY.2020.116992.
[45] N. Rezaei, A. Ahmadi, A. Khazali, and J. Aghaei, “Multiobjective Risk-Constrained Optimal Bidding Strategy of Smart Microgrids: An IGDT-Based Normal Boundary Intersection Approach,” IEEE Transactions on Industrial Informatics, vol. 15, no. 3, pp. 1532–1543, Mar. 2019, doi: 10.1109/TII.2018.2850533.
[46] N. Rezaei, A. Ahmadi, A. H. Khazali, and J. M. Guerrero, “Energy and Frequency Hierarchical Management System Using Information Gap Decision Theory for Islanded Microgrids,” IEEE Transactions on Industrial Electronics, vol. 65, no. 10, pp. 7921–7932, Oct. 2018, doi: 10.1109/TIE.2018.2798616.
[47] M. A. Nasr, E. Nasr-Azadani, A. Rabiee, and S. H. Hosseinian, “Risk-averse energy management system for isolated microgrids considering generation and demand uncertainties based on information gap decision theory,” IET Renewable Power Generation, vol. 13, no. 6, pp. 940–951, Apr. 2019, doi: 10.1049/IET-RPG.2018.5856.
[48] X. Dai, Y. Wang, S. Yang, and K. Zhang, “IGDT-based economic dispatch considering the uncertainty of wind and demand response,” IET Renewable Power Generation, vol. 13, no. 6, pp. 856–866, Apr. 2019, doi: 10.1049/IET-RPG.2018.5581.
[49] A. Khazali, N. Rezaei, A. Ahmadi, and B. Hredzak, “Information Gap Decision Theory Based Preventive/Corrective Voltage Control for Smart Power Systems With High Wind Penetration,” IEEE Transactions on Industrial Informatics, vol. 14, no. 10, pp. 4385–4394, Oct. 2018, doi: 10.1109/TII.2018.2797105.
[50] R. Fathi, B. Tousi, S. Galvani, “Optimal Allocation of Renewable Resources in Distribution Networks Considering Uncertainty Based on Info-Gap Decision Theory Using Improved Salp Swarn Algorithm,” Journal of Modeling in Engineering، vol. 20، no. 68 ، pp. 207–223، , 2022, doi: 10.22075/jme.2021.23075.2078.
[51] M. Poshtyafteh, H. Barati, and A. D. Falehi, “Optimal placement of distribution network-connected microgrids on multi-objective energy management with uncertainty using the modified Harris Hawk optimization algorithm,” IET Generation, Transmission & Distribution, vol. 18, no. 4, pp. 809–833, Feb. 2024, doi: 10.1049/GTD2.13116.
[52] M. Doostizadeh, M. R. Shakarami, and H. Bastami, “Decentralized energy trading framework for active distribution networks with multiple microgrids under uncertainty,” Scientia Iranica, vol. 26, no. Special Issue on machine learning, data analytics, and advanced optimization techniques..., pp. 3606–3621, Dec. 2019, doi: 10.24200/SCI.2019.53962.3557.
[53] H. Bastami, M. R. Shakarami, and M. Doostizadeh, “A decentralized cooperative framework for multi-area active distribution network in presence of inter-area soft open points,” Applied Energy, vol. 300, p. 117416, Oct. 2021, doi: 10.1016/J.APENERGY.2021.117416.
[54] M. Ouyang and L. Dueñas-Osorio, “Multi-dimensional hurricane resilience assessment of electric power systems,” Structural Safety, vol. 48, pp. 15–24, May 2014, doi: 10.1016/J.STRUSAFE.2014.01.001.
[55] A. A. Heidari, S. Mirjalili, H. Faris, I. Aljarah, M. Mafarja, and H. Chen, “Harris hawks optimization: Algorithm and applications,” Future Generation Computer Systems, vol. 97, pp. 849–872, Aug. 2019, doi: 10.1016/J.FUTURE.2019.02.028.
Technovations of Electrical Engineering in Green Energy System |
|
Research Article (2026) 4(4):1-31
Optimum Energy Management in the Radial Distribution Network by Considering Multiple Microgrids, Uncertainties, and Resilience Index Using the Modified Harris Hawk Optimization Algorithm
Marzieh Poshtyafteh1, PhD Student, Hassan Barati1, Associate professor,
Ali Darvish Falehi2 , Assistant professor
1 Department of Electrical Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran
2 Department of Computer Engineering, Shadegan Branch, Islamic Azad University, Shadegan, Iran
Abstract:
This paper proposes optimal energy management for multiple microgrids (MMG) connected to a distribution network (DN), in which various objective functions including network cost, pollutant reduction and losses, and distribution network resilience are considered. Also, the effect of the placement of distributed generation sources and the distribution network's reconfiguration in the optimization process to reduce losses, increasing reliability and resilience are considered. Uncertainties are formulated using Information Gap Decision Theory (IGDT). The decision variables, including the location of resources and microgrids, installation capacity, power factor, and uncertainty radius, have been optimally determined using the Modified Harris Hawk Optimization algorithm (MHHO) and the CPLEX solver. In the MHHO algorithm, the rabbit energy parameter (E) changes dynamically with the behavior and value of the objective function. Finally, the proposed method on the IEEE 33-bus Radial Distribution System in the first stage in a 24-hour time horizon including three micro-grids with different renewable energy sources to determine the structure of the network due to the buses connecting micro-grids and scattered sources by the placement algorithm and in the next stage in time Different resilience indicators are investigated due to the disconnection of the distribution network with the upstream network. The simulation results show the MHHO algorithm's optimal performance in placing microgrids, distributed generation sources, and network reconfiguration to improve the optimal energy management and resilience index.
Keywords: Multiple-microgrids, Uncertainties, Modified Harris Hawk optimization, Resilience, Reconfiguration
Received: 28 June 2024
Revised: 28 July 2024
Accepted: 20 October 2024
Corresponding Author: Dr. Hassan Barati, barati@iaud.ac.ir
DOI: http://dx.doi.org/10.71691/teeges.2026.1123908
| فناوری‌های نوین مهندسی برق در سیستم انرژی سبز |
..مقاله پژوهشی...
مدیریت بهينه انرژی در شبکه توزيع شعاعی با درنظرگرفتن ریزشبکههای چندگانه، عدم قطعیتها و شاخص تابآوری با استفاده از الگوریتم بهینهسازی شاهین هریس بهبودیافته
مرضیه پشت یافته1، دانشجوی دکتری، حسن براتی1، دانشیار، علی درویش فالحی2، استادیار
1- گروه برق، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ايران
2- گروه برق، واحد شادگان، دانشگاه آزاد اسلامی، شادگان، ايران
چكيده: در این مقاله، یک مدیریت بهينه انرژی برای یک ریزشبکه چندگانه (MMG) متصل به شبکه‌ی توزیع (DN) پيشنهاد شده است. در اين بهينه‌سازي توابع هدف مختلفي در نظر گرفته شده است شامل: هزینه شبکه، کاهش آلاینده‌ها و تلفات، و تاب‌آوري شبکه توزیع. همچنین، در اين مقاله تأثیر جایابی منابع توليدات پراکنده توأم با بازآرایی شبکه توزیع در فرآیند بهینهسازی و با هدف کاهش تلفات، افزایش قابلیت اطمینان و تابآوری در نظر گرفته شدهاند. عدم قطعیت موجود در منابع تجديدپذير و مصرفکنندهها با استفاده از روش تئوری تصمیمگیری شکاف اطلاعاتی (IGDT) فرمولبندی شده است. متغیرهای تصمیمگیری شامل مکان منابع و ریزشبکهها، ظرفیت نصب و ضریب قدرت و شعاع عدم قطعیت با استفاده ااز الگوریتم فراابتکاری بهبودیافته شاهین هریس (MHHO) و حلکننده CPLEX بصورت بهینه تعیین شده است. در الگوریتم MHHO، پارامتر انرژی خرگوش (E) با رفتار و مقدار تابع هدف، بهطور دینامیکی تغییر نماید. روش پيشنهادي بر روي شبکه توزیع 33 شینه IEEE در مرحله اول در افق زمانی 24 ساعته شامل سه ريزشبکه با منابع مختلف انرژي تجديدپذير به جهت تعیین ساختار شبکه از بابت شین‌های اتصال ریزشبکهها و منابع پراکنده توسط الگوریتم جایابی و در مرحله بعد در زمان های مختلف شاخص تابآوری بر اثر قطع ارتباط شبکه توزیع با شبکه بالادست بررسی میگردد. نتايج حاصل از شبیهسازی بیانگر عملکرد مطلوب الگوریتمMHHO در جایابی ریزشبکهها، منابع تولید پراکنده و بازآرایی شبکه جهت بهبود مدیریت بهینه انرژی و شاخص تابآوری میباشد.
واژههاي كليدي: ریزشبکههای چندگانه، عدم قطعیتها، الگوريتم شاهين هريس، تابآوری، بازآرایی
تاریخ ارسال مقاله: 08/04/140۳
تاریخ بازنگری مقاله: 07/05/1403
تاریخ پذیرش مقاله: 29/07/1403
نویسندهی مسئول: دکتر حسن براتی،barati@iaud.ac.ir
DOI: http://dx.doi.org/ 10.71691/teeges.2026.1123908
1-مقدمه
اخیراً، بلایای طبیعی مکرر تلفات وسیعی برای سیستم قدرت به وجود آورده است که ضرورت بهبود تابآوری سیستم قدرت را برجستهتر میکنند. سیستمهای قدرت اطراف جهان به صورت سنتی براساس اصول اصلی قابلیت اطمینان، همچون امنیت، شایستگی (کفایت)، طراحی و بهرهبرداری شدهاند. این اصول میتوانند به طور احتمالی در رابطه با شکستهای شناختهشده اجزای زیرساخت قدرت باشند. بااین‌حال، اخیراً بلاهای ناگهانی طبیعی نگرانیهای حول دیدگاه قابلیت اطمینان قدیمی را بالا برده است. این مساله با تجربه خاموشی در طول طوفان سیدنی که متمایل به سمت شمال شرقی ایالات متحده بالای 100000 کابل را تخریب کرد، و منجر به قطع‌شدن ارتباط تقریباً 7 میلیون نفر شد، ثابت شده است. در دهه اخیر، سوانح آب‌وهوایی موجب 679 خاموشی برق در ایالت متحده شده است، هر کدام منجر به قطعی سرویسدهی برق حداقل 50000 مصرف‌کننده شد. با درنظرگرفتن این حقایق، میتوان ادعا کرد این حوادث یک تهدید اصلی برای زیرساختهای انرژی هستند [1]. در كشور ايران، سيلهاي جاريشده در ابتداي سال 1398 با آسيب جدي به شبكههاي توزيع برق، علاوه بر تعدادي از شهرهاي بزرگ، 2352 روستا را در استانهاي شمالي و غربي كشور براي چند روز با قطعي برق مواجه كرد. در بهمن‌ماه سال 1395 خارج‌شدن تعداد زيادي از پستها و خطوط شبكه در استان خوزستان به علت طوفان گردوغبار شديد و رطوبت بالاي هوا، بيش از %90 مشتركان در 11 شهر اين استان را بی‌برق كرد [2].
تابآوری شبکه توزیع در واقع توانایی آن در بازیابی بارهای حساس در کوتاهترین زمان بعد از یک رخداد شدید میباشد [3]. چندین تعریف از تابآوری سیستم قدرت وجود دارد و اغلب آنها بر روی توانایی به پیش‌بینی‌کردن، جذب، و بازیابی سریع از شوک حوادث شدید تمرکز میکنند. در مقایسه با قابلیت اطمینان سیستم قدرت، تابآوری مرتبط با حوادث با یک احتمال کم اما با تاثیرگذاری بالا میباشد [4]. در اصل، تابآوری سیستم قدرت معادل با تابآوری سیستم توزیع قدرت تلقی میشود. یک سیستم قدرت مقاوم (تابآور) قادر خواهد بود اختلالات مربوط به حوادث شدید و تغییرات آب‌وهوایی (به‌عنوان‌مثال، طوفان‌ها، گردبادها) ، و حوادث فاجعه‌باری که توسط انسانها انجام میشود به‌عنوان‌مثال، حملات بدخواهانه (سایبری. تروریستی و...)، و اشتباهات انسانی و ترکیبی از چنین حوادثی را تحمل کند [5].
در مباحث مربوط به شبکه توزیع، ریزشبکهها زیرسیستم‌های شبکه توزیع هستند که از منابع انرژی پراکنده، دستگاه‌های ذخیرهساز، و بارهای متصل شده تشکیل شدهاند و بهعنوان یک سیستم کنترل واحد یا بهصورت متصل و یا جدا از شبکه بهرهبرداری میشوند. نیاز روزافزون در تأمین تقاضای انرژی به طریق مؤثر مفهوم ریزشبکه را بسیار موردتوجه قرار داده است. ریزشبکهها میتوانند به شکل مؤثر مدیریت و هماهنگی منابع تولید پراکنده و بارها را انجام دهند و همچنین نفوذ بالای منابع انرژی تجدیدپذیر را پشتیبانی کنند. بهمنظور بهرهبرداری مناسب از یک ریزشبکه، استفاده از سیستم مدیریت انرژی (EMS)1 یک امر ضروری میباشد. هدف از مدیریت انرژی، تأمین توان با کمترین هزینه بهمنظور پاسخگویی مطلوب به بار است. سیستم مدیریت انرژی ریزشبکه میتواند پیشبینی به هنگام انرژی منابع تجدیدپذیر، عناصر ذخیرهساز انرژی و بارهای کنترل‌پذیر را بهمنظور برنامهریزی کوتاه‌مدت مناسب برای حداقل کردن کل هزینههای بهرهبرداری انجام دهد. هدف سیستم مدیریت انرژی کاهش کل هزینه انرژی و حداکثر‌کردن درآمد‌های منابع تولید هر یک از ریزشبکهها میباشد. وسایل و تجهیزات هوشمند اجزای اصلی سیستم مدیریت انرژی هستند که میتوانند در پاسخ به سیگنالهای قیمت روشن و خاموش شوند و در برنامههای پاسخگویی بار (DR) 2 نیز مورد نیازند. مدیریت بهینه انرژی ریزشبکهها همراه با برنامههای پاسخگویی بار میتواند به مسطح شدن منحنی بار کمک کند و تعداد نیروگاه‌های گران‌قیمت مورداستفاده برای دوره‌های پیک‌بار را کاهش دهد؛ بنابراین ریزشبکهها چالشهای زیادی را از دیدگاه‌های موردنیاز برای کنترل و مدلسازی عرضه میکنند. کنترل بهینه و مدیریت انرژی ریزشبکهها یک شاخه فعال تحقیقاتی است و توسط عدم قطعیت‌های موجود در تقاضای انرژی، تولیدات تجدیدپذیر، قیمت‌های انرژی، و همچنین بارهای انعطاف‌پذیر که به اولویت مصرف‌کنندگان بستگی دارد، پیچیده‌تر نیز میشود.
زمانی که تعداد ریزشبکهها رشد مییابند، تقابل آنها با یکدیگر افزایش مییابد و یک شبکه از ریزشبکهها پدیدار میشود که ریزشبکه چندگانه نامیده میشود [6]. ریزشبکهها به صورت راهحلهای پایدار برای راهنمایی چالشهای تابآوری سیستم قدرت ملاحظه شدهاند. ریزشبکهها میتوانند از بخشهای آسیب دیده شبکه در مواقع حادثه و حفظ تامین برق از طریق مدیریت بهنه منابع در دسترس میتوانند از شبکه جدا شوند. در این مفهوم، منبع محلی، ذخیرهسازی و کنترل انرژی بدون نیاز واحدهای تولیدی دور و خطوط انتقال میتواند موجب شود که ریزشبکهها کمتر نسبت به بلاها آسیبپذیر شوند، و آنها میتوانند به صورت اورژانسی به یک روش سریعتر و کار آمدتر پاسخگو باشند[1]. ریزشبکهها انرژِی را به صورت قابلیت کنترل دستی محدود میکنند، با درنظرگرفتن ذات محلی تولید توان بر طبق توصیههای IEEE، حداکثر ریزشبکهها به صورت MVA 10 میباشد. از این رو، سرویسدهی یک حجم زیاد درخواست از طریق تبدیل کردن بارها به چندین بار کوچکتر و تامین هر واحد توسط یک ریزشبکه امکانپذیر است. بر طبق این روش، سیستم توزیع هوشمند میتواند بصورت چندین ریزشبکه با کنترل و بهینهسازی توزیع شده دیده شود. در این ساختار، ریزشبکهها میتوانند به صورت خود مختار براساس استراتژی اپراتورهای آنها مدیریت شوند. در عمل پس، هر ریزشبکه برای دسترسی به سطح قابل قبول امنیت و سرویسدهی طی حوادث اضطراری باید ظرفیت ذخیرهسازی در تولید کافی نصب کند که این مساله منجر به هزینههای بالای سرمایهگذاری برای ریزشبکهها میشود. راهحل دیگر اشتراکگذاری ظرفیت تولید و ذخیرهسازی میان ریزشبکهها و بهرهبرداری آنها در هماهنگی کامل میباشد. این استراتژی هزینه کلی و بهرهبردار شبکهها را کاهش میدهد و بطور چشمگیری تابآوری کل سیستم توزیع را در مقابل حوادث پیشبینی نشده بالا میبرد[1]. ریزشبکهها همچنین میتوانند هر گونه قطع برق در خارج از قلمرو خود را کوتاه کنند و فرآیند بازیابی در سیستمهای توزیع برق را تسریع کنند. به ویژه، ریزشبکهها سیستمهای قدرت را قادر می‌سازند تا یک استراتژی بازیابی پایین به بالا به موازات استراتژیهای معمولی پایین به پایین اتخاذ کنند. به این معنی که، ریزشبکهها شروع به انرژی دادن به شبکه توزیع محلی با بازگرداندن عرضه به بارهای بحرانی در محدوده خود میکنند، در حالی که ژنراتورها شروع به انرژی دهی مجدد اجزای شبکه انتقال میکنند. این دو استراتژی بازسازی در هماهنگی نزدیک اجرا میشوند تا زمانی که کل سیستم قدرت هماهنگ شود. بر این اساس، گسترش ریزشبکهها میتواند در سیستمهای قدرت تابآوری ایجاد کند به حدی که به مقابله با حوادث شدید در مناطق مربوطه ریزشبکهها کمک کند. توزیع نابرابر خرابیهای حوادث شدید بیشتر نیاز به ریزشبکهها را اثبات میکند، زیرا احتمال اینکه تمام اجزای عملکردی در کل خوشه ریزشبکه نتوانند به طور همزمان عمل کنند بسیار کم است. از آنجا که تابآوری در برابر یک حادثه شدید به ویژگیهای ذاتی زیرساخت سیستم قدرت، و نیز اثربخشی عملیاتی آن بستگی دارد، تابآوری میتواند با معرفی تقویت‌کننده‌های زیرساختی و تقویت عملیاتی بهبود یابد. به طور کلی، تقویت زیرساختی شامل اقدامات قوی کردن و برنامهریزی است، در حالی که تقویت عملیاتی میتواند بیشتر به اقدامات پیشگیرانه و اصلاحی مربوط گردد[5].
1-1- مروری بر کارهای گذشته
در مرجع [1]. یک برنامه مدیریت خاموشی سلسله مراتبی بهمنظور بالابردن تابآوری یک سیستم توزیع هوشمند متشکل از چندین ریزشبکه در برابر رخدادهای مخرب غیرمنتظره ارائه میدهد. بدین منظور، بعد از شناسایی ویژگیهای اصلی و الزامات برای یک برنامه مدیریت خاموشی تابآور، یک چارچوب مناسب تدبیر شده است و نقشها و وظایف نهادهای مدیریتی مختلف در یک سیستم ریزشبکه چندگانه معرفی میشوند. براساس این چارچوب، ریزشبکهها منابع در دسترسشان را در گام اول با استفاده از یک الگوریتم مبتنی بر کنترل مدل پیشبینی جدید برنامهریزی میکنند. در گام دوم، اپراتور سیستم توزیع تبادل توان ممکن میان ریزشبکهها را هماهنگ میکند و ظرفیت استفاده نشده منابع ریزشبکهها برای تغذیه بارهای سرویسدهی نشده در گام اول استفاده میکند. در مرجع [3]. با استفاده از ریزشبکهها به بازیابی بارهای حساس در شبکه توزیع بر حسب اولویت بارها پرداخته است و بر اساس میزان بار بازیابی شده شاخصی با عنوان شاخص تابآوری را محاسبه میکند. در مرجع [4] یک چارچوب مدیریت انرژی سلسله مراتبی براساس ریزشبکههای چندگانه برای افزایش تابآوری ارائه میدهد. طبق چارچوب، موقعی که تولید توان از شبکه اصلی قطع میشود، ریزشبکهها به مود جزیرهای میروند و تولید توان را بطور بهینه از طریق یک برنامه دو مرحلهای، هر ریزشبکه منابع در دسترساش را بهمنظور حداقل کردن خاموشی بار و هزینه بهرهبرداری با استفاده از بهینهسازی افق چرخان، دوباره برنامهریزی میکند. یک روش مدیریت سمت تقاضا براساس دستهبندی بار برای جزیرهای کردن ریزشبکهها طراحی میشود. در گام دوم، ریزشبکهها با ظرفیتهای توان اضافی بهمنظور حمایت ریزشبکهها با بارهای قطع شده توان صادر میکنند. در واقع، یک الگوریتم توافقی برای ارتباطات توزیع شده ریزشبکهها بهمنظور مشخص کردن برنامه تبادل توان بکارگرفته میشود. در مرجع [5] به تعریف و پیشنهادهای یک چارچوب کلی برای تحلیل تابآوری سیستم قدرت میپردازد و همچنین به چالشهایی برای توسعه دادن نقش سیستمهای توزیع اشاره میکند و نتیجه میگیرد که ریزشبکههای شبکه شده یک راهحل سراسری برای بهبود تابآوری در مقابل حوادث شدید در شهرهای کوچک فراهم میکنند.
در مرجع [6] یک بهینهسازی چندهدفه از نوع همکاری برای مدیریت انرژی ریزشبکههای شبکه شده ارائه میدهد. شاخص عملکرد مستقل را برای ریزشبکهها بهمنظور کاهش انرژی تبادلی با شبکه اصلی معرفی شده است. عدم قطعیت تولید منبع تجدیدپذیر بعنوان یک بهینهسازی تصادفی مدلسازی شده که روش تصمیمگیری سناریو تولیدی و کاهشی بکار گرفته شده است. این بهینهسازی چندهدفه تصادفی توسط روش برنامه مقایسهای حل شده که برای ترکیب توابع هدف ناهمگون استفاده میشود. این تکنیک مساله چند هدفه اصلی را به یک مساله تک هدفه تبدیل میکند. در مرجع [7] ریزشبکهها با منابع توزیع شده (DG)3یک راهحل مقاوم در برابر خطاهای اصلی در یک سیستم توزیع بدلیل بلایای طبیعی فراهم میکند. در این مقاله یک روش بهرهبرداری سیستم توزیع بوسیله فرمدهی چندین ریزشبکه انرژی دهی شده توسط DG از سیستم توزیع شعاعی در زمان آنی بهرهبرداری مخصوصاً به بازیابی بارهای حساس از خاموشی توان، یک برنامه خطی فرمولبندی میشود برای به حداکثر رساندن بارهای بحرانی که باید برداشت شوند در حینی که خودکفایی و قیود بهرهبرداری برای مساله فرمدهی ریزشبکهها ارضا میشوند بوسیله کنترل وضعیت ON/OFF تجهیزات کلیدزنی کنترل شده از راه دور و DG. یک برنامه هماهنگی چندعاملی توزیع شده توسط ارتباطات محلی برای بازیابی اطلاعات سراسری بعنوان ورودیهای بهینهسازی طراحی میشود که برای الزامات ارتباطات اتوماسیونی (اتوماتیک) بعد از رخداد بلایا مناسب است. در [8] یک شبکه توزیع را بررسی میکند که به شبکه بالادستی متصل شدهاست و خود این شبکه توزیع به سه ریزشبکه تقسیم میشود که هرکدام دارای DG میباشند، به هنگام خطایی در شبکه بالایی میتوان شبکه توزیع با ریزشبکههایش ازشبکه اصلی جدا شوند بصورت جزیرهای عملکنند. همچنین به بررسی تابآوری سیستم توزیع پس از رخدادها با استفاده از ذخیرهسازی میپردازد و در مقایسه ذخیرهسازهای ساکن و ذخیرهسازهای قابل حمل به این نتیجه میرسد که ذخیرهسازی قابل حمل از لحاظ هزینه بهتر است. در مرجع ]9[، یک تحلیل حساسیت به منظور تعیین قیود بهرهبرداری و با استفاده از ریزشبکهها بهعنوان منابع تابآور انجام شده است. در این مرجع با استفاده از یک سیستم تست واقعی، شبیهسازی برونخط بهمنظور کنترل ریزشبکهها در دوره بازیابی انجام شده است.
در مرجع ]10[، یک تجربه بهدست آمده از تابآوری مبتنی بر پاسخگویی تقاضا برای یک شبکه واقعی ارزیابی شده است. با بررسی رخدادهای بحرانی از قبیل طوفانهای طبیعی، میزان خسارت بهوجودآمده بر روی سیستم قدرت، تلفات سیستم، بهترین نوع عملکرد ریزشبکهها و همچنین پاسخهای بار در زمان پس از رخداد بررسی شده است. در مرجع ]11[، رویکردی به منظور افزایش تابآوری سیستم توزیع با استفاده از عملکرد کنترلی ادوات با تاثیرگذاری حداکثر بر تابآوری پیشنهاد شده است. در اهداف این مرجع روش پیشنهادی برای استراتژیهای پیکربندی مختلفی مقایسه شده و یکی از پیکربندیهای ممکن با حداکثر تابآوری پیشنهاد شده است. در مرجع ]12[، یک مدل احتمالاتی برای افزایش تابآوری ریز شبکههای هیبرید، با در نظر گرفتن امکانسنجی جزیرهبودن ریزشبکهها و حفظ بارهای بحرانی پیشنهاد شدهاست. در این روش با هماهنگ نمودن شرایط عادی و شرایط اضطراری، دو مساله ریاضیاتی مختلف تعریف شده و مورد ارزیابی قرارگرفته است. . در مرجع ]13[، یک مدل بهینهسازی قیاسی دو مرحلهای برای بهبود تابآوری سیستم در برابر پیشامدهای طبیعی، ارائهشده است. در این مرجع مبتنی بر بازار برق وضعیت اقتصادی منابع تولید پراکنده در روزهای پیشرو پیشنهاد شده و سپس در مرحله دوم بارها و منابع سیستم در شبکه بهصورت یک مساله ریاضیاتی بهینه شدهاند. در مرجع ]14[، یک برنامهریزی احتمالاتی به منظور کمینهنمودن نیازمندیهای تابآوری سیستم پیشنهاد شده است. در این روش با استفاده از مدلسازی پخش توان، شرایط بهرهبرداری شعاعی سیستم توزیع برای یک شبکه گسترده بررسی شده است. در مرجع ]15[، روشی به منظور مشارکت بارهای انتهایی در سیستم توزیع و با استفاده از کنترلکنندههای (GFA)4 به منظور مواجه شدن با شرایط گذرای ناشی از کلیدزنی در حضور ریزشبکهها، توصیفشدهاست. کنترلکنندههای GFAدارای قابلیت جداسازی و اتصال مجدد به شبکه بوده و میتوانند بدون نیاز به سیستمهای مخابراتی و بهصورت محلی بارهای انتهایی را به شبکه بازگردانند. در مرجع ]16[، شکلدهی ریزشبکهها با حضور منابع تولید پراکنده برای تابآوری سیستم به منظور بازیابی بارهای بحرانی پیشنهادی است. روش شامل یک مساله ریاضیاتی بوده که با کاهش متغیرهای تصمیمگیری منجر به بهبود عملکرد محاسباتی شده و میتواند برای شبکههای گستردهتر مورد استفاده قرار گیرد. در مرجع ]17[، یک روش برنامهریزی دو حالته احتمالاتی5 برای یافتن زمانبندی بهینه در حضور ریزشبکهها، پیشنهاد شده است. در این مرجع، تاثیر جزیرهسازی در حین رخداد، با استفاده از فرآیند برنامهریزی تصادفی مدل شده است. در مرجع ]18[، یک مدل برای تابآوری شبکه توزیع به منظور هماهنگی و تخصیص منابع تولید پراکنده با هدف کمینهشدن آسیبرسانی به سیستم توزیع، پیشنهاد داده است. در مرجع ]19[، قابلیتهای ریزشبکه برای حفظ و پایداری شبکه در برابر پیشامدهای منتج به جزیرهای شدن، در نظر گرفته شده است. در این مرجع حفظ و نگهداری سیستم بهصورت یک مدل ریاضیاتی بیانشده و بهصورت یک مسئله بهینهسازی بررسی شدهاست. تابآوری سیستم توزیع همچنین میتواند با استفاده از تصمیمات کنترلی اتخاذ شده توسط اپراتورها، از قبیل روشهای تجدید ساختار، انجام شود. همچنین در مراجع ]21،20[، به بررسی تعدادی از طرحهای تجدید ساختار برپایه روشهای بهینهسازی پرداختهاند. اگرچه اغلب طرحها در بازیابی سیستم و رسیدن به اهداف خود موفق هستند، اما برخی از طرحها در برابر حوادث ناخواسته احتمالاتی، آسیبپذیرتر هستند. در [22] یک بهرهبرداری جامع و استراتژی خودترمیم برای یک سیستم توزیع با ژنراتورهای قابل توزیع و غیرقابل توزیع ارائه میدهد.
در [23] یک روش چند بازیگره برای مدلسازی سیستم مدیریت انرژی در شبکه توزیع هوشمند (SDN)6 مبتنی بر چندریزشبکه استفاده شده است و تاثیر تلفات توان اکتیو روی مزایای نهاد و برنامهریزی انرژی را نشان دهد و اینکه چگونه میتواند روی تجارت انرژی میان آنها تاثیرگذار باشد و همچنین یک روش برای مدیریت انرژی برای سرمایهگذاری بخش خصوصی در تولید انرژی پاک ارائه کرده‌است. در [24] با استفاده از بهینهسازی تبادل و مزایده بهینه‌ای که سود خالص کل شبکه را ماکزیمم میکند را تعیین میکند و ریزشبکهها در ابتدا بصورت انفرادی تابع هدف خود را بهینه کرده و در گام بعد یک تابع هدف نهایی با توجه به کل شبکه بهینه میشود. نویسندگان در مرجع [25]، سیستم مدیریت انرژی متمرکز و غیرمتمرکز ریزشبکههای چندگانه را مورد مطالعه قرار دادهاند. در [26] مدیریت انرژی هماهنگ دولایه، برای عملکرد ریزشبکههای چندگانه به صورت جزیرهای و متصل به شبکه ریزشبکهها را بررسی کرده است. همچنین یک سیستم مدیریت انرژی بهینه و هماهنگ برای ریزشبکههای چندگانه بههمراه مدلسازی عدم قطعیت در [27] معرفی شده است. در مرجع [28] ریزشبکههای شبکه شده منابع و ظرفیتهای خود را با هم به اشتراک میگذارند تا یک ریزشبکه جدید و پیچیده‌تر را تشکیل دهند. از طریق یکی از ریزشبکهها به شبکه خارجی متصل است. دارای اتصالات انعطافپذیری میباشند که در صورت بروز خطا، مدل ممکن است اتصالات تغییر وضعیت دهند.
در مرجع [29] به منظور بهبود تابآوری شبکههای قدرت، یک استراتژی جایابی متمایل به تابآوری را برای ریزشبکههای چند حامل با استفاده از خطوط انتقال قابل کلیدزنی ارائه میکند. شاخص بار تامین نشده (ELNS)7 برای ارزیابی تابآوری استفاده میشود. یافتهها نشان میدهد که وقتی شینه اتصال به شبکه اصلی جدا میشود، ریزشبکه از واحد ترکیبی حرارت و توان (CHP)8 خود برای تولید برق بهجهت برآوردن تقاضای محلی استفاده میکند که باعث کاهش تقاضای کلی سیستم قدرت و افزایش تابآوری سیستم میشود. در مرجع[30] نیز به معرفی یک روش مدیریت انرژی براساس پخش بار پسرو- پیشرو احتمالاتی و شبیهسازی مونت کارلو، در ریزشبکههای چندگانه، پرداختهشدهاست. در مرجع [32،31] به منظور تامین بارها شبکه توزیع به چندین ریزشبکه تغییر ساختار داده و در اثر ایجاد مشکل برای خطوط بارهای هر دسته ریزشبکه با تغییر مسیر تغذیه از طریق ریزشبکه دیگر از خطر خاموشی جلوگیری میکند.
مرجع [33] با حداقل کردن انرژِی تامین نشده و حداقل کردن زمان بازیابی بارها در تلاش برای بالابردن تابآوری شبکه و آسایش ساکنین و همچنین کاهش هزینه بار تامین نشده میباشد. در مرجع [34] یک استراتژی تقویت تاب آوری شبکه های توزیع فعال مبتنی بر پتانسیل ریزشبکه های چندگانه در دو لایه اقدامات پیشگیرانه و اقدامات اصلاحی در چارچوب مدیریت انرژی متمرکز سلسله مراتبی ارائه شده است. لایه اقدامات پیشگیرانه مبتنی بر انعقاد قراردادهای دوجانبه ارائه خدمات خروج از خاموشی بین مالک ریزشبکههای چندگانه و بهره بردار شبکه توزیع فعال و همچنین انعقاد قراردادهای پاسخگویی بار بین مالک ریزشبکه های چندگانه و بارهای پاسخگوی ریزشبکه ها می باشد. لایه اقدامات اصلاحی مبتنی بر جزیره سازی ریزشبکهها در زمان وقوع حادثه ، فراخوانی بارهای پاسخگو و سپس برنامهریزی عملیاتی اقتصادی تابآور شبکه توزیع فعال پس از حادثه به منظور خروج از خاموشی شبکه توزیع می باشد. در مرجع [35] به این منظور به توسعه ذخیرهسازهای انرژی ثابت و قابل حمل در شبکههای توزیع برای تابآور نگه داشتن شبکههای توزیع پرداخته شده است. در[36]، یک استراتژی جدید برای بهینهسازی مزایده در یک ریزشبکۀ براساس روش تصادفی/مقاوم پیشنهاد شده است. بهینهسازی قطعی چنین فرض میکند که ریزشبکه در حالت جزیرهای بوده و یا یک بازار زمان واقعی را در نظر میگیرد. به منظور تجزیه و تحلیل بازار روز بعد، یک استراتژی مزایده پیشنهاد شده است.
در مرجع [37، 38] از روش جایابی بهینه منابع پراکنده و بازآرایی شبکه با هدف کاهش هزینههای شبکه و تلفات شبکه و همچنین کاهش بارهای تامین نشده استفاده شده است.
در مرجع [39]، باتوجه به اینکه شارژ خودروهای برقی (EVs)9 در ایستگاهای شارژ منجر به افزایش تلفات توان سیستم توزیع و کاهش ولتاژ میگردد، با درنظر داشتن بهبود این دو پارامتر بصورت تابع دوهدفه، با استفاده از الگوریتم جستجوی ارگانیسمهای همزیست (SOS)10 به جایابی ایستگاههای شارژ و DGها میپردازد. در مرجع [40] الگوریتم چندهدفه مبتنی بر هوش جمعی قطرات آب را بهمنظور بازآرایی شبکه، اندازه و جایابی بهینه DGها با هدف کاهش تلفات، بهبود پروفیل ولتاژ و تعادل بارها بهکار میگیرد. در مرجع [41] با هدف کاهش تلفات و کاهش بارهای حذف شده بعد از حادثه به جایابی DGها و همچنین ذخیرهسازها(ESS) 11میپردازد. در مرجع [42] بااستفاده از الگوریتمهای هوش جمعی گربه (CSO)12 و هوش جمعی گروههای موازی گربه (PCSO)13 با اهداف حداقل کردن هزینه، تلفات توان، آلودگی و بهبود پروفیل ولتاژ به جایابی DGها میپردازد. در مرجع [43] با استفاده از الگوریتم کرم شبتاب با هدف کاهش تلفات توان و بهبود پروفیل ولتاژ به جایابی و تعیین اندازه DGها میپردازد.
ریزشبکهها میتوانند در برنامههای پاسخگویی بار (DRP)14 شرکت کنند. ریزشبکهها دو نوع بار دارند، به نام بارهای قابل‌انعطاف و غیرقابل‌انعطاف. بارهای قابل‌انعطاف میتوانند به سیگنالهای قیمت پاسخ دهند و در برنامههای پاسخگویی بار شرکت کنند [44]. در این مقاله از روش سیگنال قیمت برای DR استفاده شده است.
مدیریت عدم قطعیت یکی از مسائل عمدۀ تصمیم‌گیران است که باید به آن رسیدگی کرد. با روشهای مختلفی از جمله تئوری تصمیمگیری فازی، تصادفی و اطلاعات شکاف (IGDT)15 در [45-50] پیشنهاد شده است. در [45] یک چارچوب استراتژی پیشنهادی با ریسک براساس تئوری تصمیمگیری مبتنی بر شکاف اطلاعاتی (IGDT) برای MGهای هوشمند، با در نظر گرفتن عدم قطعیت بار و هزینه، پیشنهاد میکند. به طور مشابه، [47] عدمقطعیتهای توان خروجی سلولهای فتوولتائیک و بار تقاضا را به طور همزمان، با استفاده از IGDT برای حل یک مسئله بهینهسازی چند هدفه بررسی میکند. در [48]، پخش بار اقتصادی با مدلسازی عدمقطعیتهای مربوط به منابع باد و پاسخ بار با استفاده از IGDT انجام میشود. علاوه بر این، [49] از IGDT برای توسعه راهحلی قوی برای کنترل ولتاژ حفاظت/تصحیح ولتاژ سیستم قدرت استفاده میکند. با این حال، هیچ یک از این مطالعات به مساله عدم قطعیت منابع تجدیدپذیر نمیپردازد. همچنین در مرجع [50] به جایابی بهینه منابع تجدیدپذیر با هدف حداقل تلفات و بهبود قابلیت اطمینان با در نظر گرفتن عدم قطعیت تولید و مصرف براساس روش IGDT میپردازد.
در سال‌های اخیر، الگوریتمهای فراابتکاری توجه زیادی را در حوزه‌های مختلف به خود جلب کرده‌اند. در مقایسه با الگوریتمهای بهینهسازی مرسوم، اجرای الگوریتمهای فراابتکاری در اصل ساده و آسان است. همچنین، این الگوریتم‌ها نیازی به اطلاعات گرادیان ندارند و از مزیت دورزدن بهینهسازی محلی برخوردار هستند و بنابراین به طور گسترده‌ای برای حل مسائل بهینهسازی در رشته‌های مختلف و کاربردهای مهندسی استفاده میشوند.
الگوریتم شاهین هریس بهبودیافته (MHHO)16 از رفتار شکار شاهین هریس در طبیعت الهام گرفته شده است. هدف این الگوریتم با شبیهسازی تعاملات مشارکتی و رقابتی در یک گروه شاهین هریس در طول شکار، ایجاد تعادلی بین اکتشاف و بهرهبرداری در جستجوی راهحلهای بهینه است که به طور بالقوه منجر به بهینهسازی کارآمد و مؤثر میشود. الگوریتم MHHO به دلیل توانایی خود در ایجاد تعادل مؤثر بین اکتشاف و بهرهبرداری، پتانسیلی برای همگرایی به سمت بهینه جهانی نشان میدهد و آن را برای کارهای بهینهسازی پیچیده و با ابعاد بالا مناسب میکند. این الگوریتم با الگوریتمهای فراابتکاری مشابه خودش مانند الگوریتم ژنتیک، الگوریتم تکاملی و ... تفاوتهایی دارد. برخی مزایای الگوریتم شاهین هریس نسبت به الگوریتمهای فراابتکاری مشابه عبارتند از:
سادگی: الگوریتم MHHO به دلیل سادگی و کارایی بالای خود، برای مسائل بهینهسازی مختلف و حتی بدون نیاز به تنظیم پارامترهای پیچیده، مناسب است.
سرعت همگرایی: الگوریتم MHHO به دلیل رفتار دقیق شکارچیان شاهین در جستجوی غذا، معمولاً به‌سرعت هگرایی بالا و یافتن جواب بهینه منجر میشود.
عدم وابستگی به تابع هدف: الگوریتم MHHO بهعنوان یک الگوریتم بهینهسازی مستقل از مدل، قادر است باتوجه به رفتار شکارچیان شاهین، بدون نیاز به اطلاعات دقیق در مورد تابع هدف، جواب بهینه را پیدا کند.
توانایی در مسائل چند بعدی: الگوریتم MHHO به دلیل رفتار چندبعدی شکارچیان شاهین، برای مسائل با فضای جستجو چندبعدی مناسب است و معمولاً به جوابهای خوب در این نوع مسائل منجر میشود.
این مزایا در مجموع الگوریتم MHHO را بهعنوان ابزاری امیدوارکننده برای مقابله با مسائل چالش‌برانگیز بهینهسازی قرار میدهند که پتانسیل جستجوی کارآمد و کشف راهحلهای باکیفیت بالا را در حوزه‌های مختلف ارائه میدهد. در حال حاضر، برای مسائل مختلف طراحی و بهینهسازی مهندسی میتواند مورداستفاده قرار گیرد [51].
2-1- نوآوریهای مقاله
در این مقاله، تابآوری شبکه توزیع 33 شینه به همراه ریزشبکههای متصل به آن به هنگام قطع ارتباط از شبکه اصلی درنظر گرفته میشود که در این مدت انرژی از سوی منابع محلی و ریزشبکههای آن تامین خواهد شد. بنابراین، توان از طریق خطوط کوتاهتر منتقل شده و تلفات سیستم کاهش مییابند. از سوی دیگر، برای افزایش استقلال، منابع محلی انرژی بیشتری تولید میکنند و به علت میزان پایین انتشار آلودگی از منابع محلی، آلودگی کلی کاهش مییابد.
نوآوریهای مقاله به شرح موارد زیر هستند:
- باهدف افزایش تابآوری شبکه توزیع و کاهش تلفات محل اتصال ریزشبکهها به شبکه توزیع با روش بهینهسازی جایابی میشود، همچنین محل منابع موجود در شبکه و ذخیرهساز نیز به روش جایابی با اهداف فوق‌الذکر تعیین میگردند.
- درنظرگرفتن عدم قطعیت بار و منابع مبتنی بر IGDT در مسئله چندهدفه
- استفاده از الگوریتم فراابتکاری شاهین هریس بهبودیافته
- درنظرگرفتن توابع هدف مختلف شامل: هزینه، آلایندگی و قابلیت اطمینان
- بررسی شاخص تابآوری در سناریوهای مختلف
سازماندهی ادامه مباحث به این صورت میباشد که در بخش دوم مدلسازی ریزشبکه چندگانه به همراه توابع هدف و فرمول‌بندي عدم قطعیت پرداخته میشود و در بخش سوم مروری بر الگوریتمهای بهینهسازی انجام‌شده است و در بخش چهارم نتایج شبیه‌سازی‌ها استخراج و مقایسه میشوند و در نهایت در بخش پنجم نتیجه‌گیری بیان خواهد شد.
2- فرمولبندی مدیریت و برنامهریزی ریزشبکه
2-1- ساختار سیستم
شکل (1) نشان‌دهنده‌ی نمای کلی سیستم 33 شینه اصلاح شده به همراه ریزشبکهها را طبق مرجع [23] نشان میدهد. شبکه توزیع دارای ساختار شعاعی با انواع تولیدات پراکنده و ریزشبکه مدنظر است. به همین ترتیب، ساختار ریزشبکهها بهصورت شعاعی در نظر گرفته میشود. مالک ریزشبکه عملیات هر DG، ESS و مشارکین پاسخ تقاضا را کنترل میکند. یک مدل زمان گسسته با افق 24 ساعته در نظر گرفته شده است. فواصل زمانی برابر 1 ساعت در نظر گرفته میشوند و براین‌اساس افق برنامهریزی دارای 24 بخش است.
شکل (1): شبکه توزیع 33 شینه [23]
2-1-1- واحدهای قابل برنامهریزی
واحدهایی چون دیزلژنراتورها، پیل‌های سوختی و غیره واحدهای تولید قابل‌برنامه‌ریزی هستند که دارای توان خروجی کنترل‌پذیر میباشند. در این مقاله دیزلژنراتورها واحدهای قابل‌برنامه‌ریزی فرض شدهاند که میتوانند انرژی الکتریکی را بر اساس مقدار مرجع تولید کنند. معادلات زیر نشان‌دهنده‌ی قیود تولید برای یک دیزلژنراتور هستند:
| (1) |
| (2) |
| (3) |
تابع هزینه‌ی دیزلژنراتور از یک معادله‌ی درجه دوم بهصورت معادله‌ی (4) تبعیت میکند. همچنین یک هزینه‌ی راهاندازی به فرم معادلات (5) و (6) در نظر گرفته شده است.
| (4) |
| (5) |
| (6) |
میزان انتشار گازهای گلخانه‌ای متکی به مقدار سوخت مورداستفاده در واحدهای سنتی تولید توان بهصورت معادله‌ی زیر محاسبه میشود:
| (7) |
در معادله‌ی فوق، Egen(t) میزان تولید CO2 بوده، Ct(Pgen) هزینه‌ی تولید است که در معادله‌ی (4) نشان‌داده‌شده است وλf, gen قیمت سوخت مولد gen بوده و EmCoefgen ضریب انتشار مولد است. این رابطه نشان میدهد که چه میزان سوخت در تولید برق استفاده شده است و با ضرب آن در EmCoefgen میزان CO2 تولیدی حاصل میشود. ضریب انتشار به مقدار حرارتی خالص (NthV) سوخت، ضریب انتشار (EmF)، و ضریب اکسیداسیون (OxF) مولد با استفاده از معادله‌ی زیر وابسته است:
| (8) |
ضرایب فوق بسته به نوع سوخت و ویژگیهای ژنراتور میباشند که در جدول 1 نشان‌داده‌شده‌اند.
میزان CO2 باید محدود به‌شرط زیر باشد:
| (9) |
2-1-2- واحدهای غیرقابلبرنامهریزی
سیستمهای فتوولتائیک و توربین‌های بادی جزء واحدهای غیرقابلبرنامهریزی هستند؛ چون توان خروجی آنها تصادفی است. توان تولیدی آنها به شرایط محیطی مثل تابش خورشید و سرعت باد وابسته است که دارای ماهیت تصادفی هستند. در ادامه، مدلسازی احتمالاتی برای هر دوی توربین‌های بادی و واحدهای فتوولتائیک ارائه شده است که روابط مربوط به توربین بادی و سیستم فتوولتائیک را میتوان از مرجع [52] مشاهده نمود.
2-1-3- سیستم ذخیرهسازی انرژی (ESS)
در این بخش، مدلسازی ESS بحث میشود.
معادلات (11) تا (19) قیود فنی یک ESS را نشان میدهند و معادلات (11) و (12) حداکثر مقدار دشارژ/ شارژ توان یک ESS را نشان میدهند. معادله‌ی (13) قید اجتناب از شارژ و دشارژ همزمان است. معادله‌ی (14)که نشان دهنده‌ی سطح انرژی ذخیره شده در باتری در زمان t میباشد که به سطح انرژی فاصله‌ی زمانی قبل و توان شارژ یا دشارژ در فاصله‌ی زمانی کنونی مربوط میشود. معادله‌ی (15) نشان دهنده‌ی حدود SOC است: 1 و 0 به ترتیب بیانگر شارژ کامل و شارژ صفر باتری هستند. همچنین، معادلات (16) و (17) نشان دهنده‌ی سطح SOC در شروع و پایان روز هستند. معادله (18) نشاندهنده میزان توان باقی مانده در باتری پس از دشارژ میباشد و معادله (19) سطح انرژی ESS که باید در محدوده خاص باشد را نشان میدهد[53].
| (11) | ||
|
| ||
| (12) | ||
|
| ||
| (13) | ||
|
| ||
| (14) | ||
| (15) | ||
|
| ||
| (16) | ||
|
| ||
| (17) | ||
|
| ||
| (18) | ||
|
| ||
| (19) | ||
|
| ||
| (20) | ||
| (21) | ||
| (22) | ||
| (23) | ||
| (24) | ||
| (25) | ||
| (26) | ||
| (27) | ||
| (28) | ||
| (29) | ||
| (30) | ||
| (31) | ||
| (32) | ||
0 | (33) | ||
| (34) | ||
| (35) |
| (36) |
| (37) | ||
| (38) |
(39) |
|
| (40) |
| (41) |
رفتار تصادفی متغیرهای غیرقطعی ریزشبکه با استفاده از Hmg(.) نشان داده میشوند و میتوان آنها را با بهینهسازی مقدار
به عنوان متغیر کنترل ریسک مدل (افق عدم قطعیت) مدیریت کرد. مقدار مشروط به تضمین یک مقدار امید از تابع هدف سیستم به صورت (42)، بهینه میشود.
| (42) |
که پارامتر δ بودجۀ عدم قطعیت (UB) است که سطح تابع هدف امید را مشخص میکند. 
و 
نیز مقادیر قطعی و مبتنی بر IGDT تابع هدف سیستم هستند. مجموعه متغیرهای تصمیمی که باید مشروط به قیود عملیاتی بهینه شوند با X نشان داده میشوند. شایان ذکر است که براساس جهت هدف (یعنی کمینه‌سازی یا بیشینه‌سازی)، بهم وابستگی میان متغیر غیرقطعی و تابع هدف و رویۀ ریسکگریز (RA) 18یا فرصت‌طلبانه (OS)19، علائم ± تغییر خواهد کرد.
در این مقاله با ضرب بودجه عدم قطعیت مثبت (1+δ) در تابع هدف قطعی و با مهندسی معکوس مقدار جدیدی از بارها و منابع تجدیدپذیر در حالت نامشخص بدست میآید. همچنین در این مقاله از روشIGDT از رویه RA استفاده میشود بهگونهای که عدم قطعیت پارامتر غیرقطعی تاثیر مطلوبی بر تابع هدف ندارد و موجب افزایش هزینه نهایی میشود. به این معنی که مقادیر بهینه متغیرهای تصمیمگیری به نحوی تعیین میشوند که حداکثر شعاع عدم قطعیت ممکن برای پارامترهای غیرقطعی به ازای یک مقدار مشخصی از تابع هدف، به دستآید.
6-2-الگوریتم بهینهسازی شاهین هریس
بهینهسازی شاهین هریس یک روش بهینهسازی مبتنی بر هوش جمعی میباشد و رها از گرادیان است؛ لذا، آن را میتوان به هر مسالۀ بهینهسازی اعمال کرد مشروط بر آنکه یک فرمول مناسبی برای آن ارائه شده باشد. الگوریتم بهینهسازی شاهین هریس (HHO)20 یک روش بهینهسازی نوین است که از رفتار شاهین هریس در طبیعت بهمنظور جستجوی غذا الهام گرفته است که شامل دو مرحله است: جستجوی شکار و حمله به شکار [55]. در مقایسه با برخی از پیشرفته‌ترین الگوریتمهای فراابتکاری، اثربخش‌تر بودن HHO در قبال برخی توابع معیارسنجی اثبات شده است. در حال حاضر، از آن در قبال مسائل مختلف طراحی و بهینهسازی مهندسی استفاده میشود. در این الگوریتم، چندین شاهین بهصورت هم زمان به یک طعمه که معمولاً خرگوش است، حمله میکنند تا آن را خسته و سردرگم کنند. این مرحله از الگوریتم را فاز اکتشاف مینامند. بر اساس رفتار طعمه، شاهینها نوع حمله به سمت طعمه را تغییر میدهند تا درنهایت بر آن غلبه کنند. این مرحله نیز فاز استخراج پاسخ نام دارد. مطابق با انرژی طعمه که در رابطه (43) تعریف شده است. این الگوریتم بین فازهای اکتشاف و استخراج، تغییر فاز میدهد.
(43) |
|
در این رابطه، این E انرژی طعمه در هر تکرار است، Itermax شرط توقف الگوریتم است، E0 انرژی اولیه طعمه است که در بازه [1و1-] تغییر میکند و iter نیز شمارنده تکرار الگوریتم است. اگر 
باشد، یعنی شاهینها میباید نقاط دیگری را برای یافتن طعمه جستجو کنند،) مرحلۀ اکتشاف). به عبارت دیگر، مطاابق با رابطه (44)، موقعیت شاهین به روزرسانی میشود، و اگر 1|E|< باشد، یعنی الگوریتم وارد مرحلۀ استخراج میشود. در رابطه (44)، اگر q احتمال قرارگیری هر شاهین در موقعیت tنسبت به طعمه باشد، موقعیت بعدی هر شاهین به موقعیت سایر اعضای گروه و موقعیت طعمه بستگی خواهد داشت. بهدلیل طولانی بودن مرحلۀ استخراج و روابط به روزرسانی در این فاز، از توضیح آن صرف نظر شد و خوانندگان علاقهمند را به مرجع [56] ارجاع داده میشوند.
| (44) |
که X(t + 1) بردار موقعیت شاهینها در تکرار بعدی است، Xrabbit(t) موقعیت طعمه است، X(t) بردار موقعیت کنونی شاهینها بوده، r1، r2، r3، r4 و q اعداد تصادفی در محدودۀ (1، 0) هستند، که در هر تکرار بروزرسان میشوند. همچنین، LB و UB کران‌های بالا و پایین متغیرها هستند، Xrand(t) یک شاهین انتخاب شده به صورت تصادفی از میان جمعیت فعلی بوده، و Xm نیز میانگین موقعیت شاهینها در جمعیت کنونی است. شبه کد الگوریتم شاهین هریس در الگوریتم 1 ارائه شده است. در گام نخست، یک مجموعه از پاسخهای اولیه (جمعیت اولیه شاهینها) تولید میشود. در گام دوم، برای هر شاهین، مقادیر E0 و E بهروزرسانی و سپس بسته به مقدار E، مراحل اکتشاف یا استخراج اجرا میشود. این روند تا زمانی ادامه مییابد که شرط توقف یا حداکثر تعداد تکرار ادامه یابد. باتوجه به اینکه در مدل HHO به کار رفته در این مقاله، شرط حداکثر تعداد الگوریتم درنظر گرفته شده است، الگوریتم با رسیدن به Itermax متوقف خواهد شد و بهترین موقعیت در تکرار آخر، بهعنوان پاسخ مسئله بهینهسازی درنظر گرفته میشود.
Inputs: The population size N and maximum number of iterations T Outputs: The location of the rabbit and its fitness value Initialize the random population Xi(i = 1, 2, . .. , N) while (stopping condition is not met) do Calculate the fitness values of Hawks Set Xrabbit as the location of the rabbit (best location) for (each hawk (Xi)) do Update the initial energy E0 and jump strength J ▷ E0=2rand()-1, J=2(1-rand()) Update the E using Eq. (43) if (|E|≥ 1) then ▷ Exploration phase [55] |
7-2- بهبود الگوریتم بهینهسازی شاهین هریس
الگوریتم شاهین الهامگرفته از رفتار شاهینهای هریس در دنبالکردن طعمه و شکار آن است. فرمولبندی اینگونه رفتارها اکتشاف و دنبال کردن از روابط احتمالی و پارامتر ثابت استفاده شده است. بهروز شدن موقعیت باتوجه به رفتار احتمالی باعث عبور از مینیمم محلی میشود ولی احتمال همگرایی دیر نیز میباشد. همچنین داشتن پارامتر تنظیمی E نیز باعث میشود که برای هر مسالهای نتوان تنظیم درست و جواب دقیق رسید. بههمین خاطر برای رفع مشکل اینچنین الگوریتم میتوان پارامتر تنظیمی را به گونهای تعریف که اولاً رفتار خطی نداشته باشد و ثانیاً با رفتار و مقدار تابع هدف، مقدار دینامیکی داشته باشد. به همین منظور در این مقاله سعی بر بهبود الگوریتم باتوجه به تنظیم پارامتر E و نحوهی بروزرسانی میباشد.
در طبیعت در ابتدا خرگوش شتاب زیادی دارد و سرعت بالایی میگیرد و به مرور زمان خسته میشود و سرعت و واکنش کمتر میشود. ما در الگوریتم بهبودیافته شاهین هریس (MHHO) این مورد را در نظر گرفتیم که به نتایج بهتر و مؤثرتری رسیدیم.
در این الگوریتم اصلاح شده بر عکس الگوریتم اصلی که مقدار E0 بهصورت تصادفی تغییر میکرد (E0=2*rand()-1) در اینجا این مقدار مطابق رابطه (45) به مقدار E1 هم وابسته شده است (E0=(2*rand()-((E1)))) که به بهروزرسانی الگوریتم کمک شایانی میکند [51].
(45) | E0= 2*rand()- E1 |
در تکرارهای اولیه الگوریتم شتاب بالایی دارد و خیلی سریع اوج میگیرد و از مهلکه فرار میکند که ما در اینجا 25 درصد تکرارهای کل الگوریتم را جز تکرارهای اولیه منصوب کردیم (t<0.25*T) که البته میشود روی این 25 درصد با توجه به مسئلههای مختلف مانورهای مختلف داد. در تکرارهای اولیه انرژی فرار خرگوش خیلی بالا است و با رابطه توانی جدید (46) از محلکه فرار میکند و سپس بعد از این تکرارها انرژی مطابق با قانون الگوریتم اصلی پیروی میکند:
(46)
| Escaping_Energy= t^(1+(t/T)) |
شبه کد الگوریتم بهینهسازی شاهین هریس بهبودیافته
Update the location of Harris' Hawks |
for i=1:size(X,1) |
E0=2rand()-E1; -1<E0<1 |
if t<0.25*T |
Escaping_Energy= t^ (1+(t/T)) ; |
Else |
Escaping_Energy=(E1)*((E0)) ; If |E| ≥1, repeat the following steps: Update the position vector based on Eq. (44) If |E| < 1, execute the exploitation phase [55] |
End
|
3-نتایج شبیهسازی
در این بخش، شبیه‌سازی‌ها بر روی شبکه آزمایشی بهمنظور بررسی تابآوری و مدیریت بهینه شبکه توزیع در دو حالت بدون ریزشبکهها و به همراه ریزشبکهها انجام و مقایسه شده است. حلکننده CPLEX در محیط MATLAB برای اجرای این شبیهسازی به کار گرفته شده است.
دیاگرام تک‌خطی شبکه توزیع شعاعی 33 شینه در شکل (1) نشان داده شده است. این شکل دارای 1 فیدر اصلی و 3 زیرشاخه است. در شبکه 33 شینه، مجموع بار مصرفی این شبکه برابر 3720 کیلو وات و 2300 کیلووار میباشد. شبکه 33 شینه دارای 32 شاخه است. اطلاعات سیستم در مرجع [23] ارائه شده است و ساختار داخلی ریزشبکهها در این مرجع قابل مشاهده است.
ضرایب مربوط به انتشار آلودگی در جدول (1) ارائه شده اند[23]. علاوه براین ضرایب تابع هزینه و هزینههای راهاندازی و نرخهای رمپ بالای دیزلژنراتور در هر ریزشبکه و شبکه توزیع در جدول (2) ارائه شدهاند[23]. همانگونه که در جدول (2) مشاهده میشود، هیچگونه منبع قابل کنترل (دیزل ژنراتور) در ریزشبکه 3 مشاهده نمیشود و تمامی تولید آن انرژی پاک میباشد. همچنین پارامترهای مربوط به ذخیرهساز انرژی (ESS) ریزشبکهها و شبکه توزیع در جدول (3) ارائه شدهاند[23].
در شکل 4 فلوچارت برنامه قابل مشاهده می باشد.
شکل (4): فلوچارت پیشنهادی برنامه
شکل 5 نمودار مقادیر پیشبینی شده سه پارامتر متغیر منابع توربین بادی و سلول خورشیدی و توان اکتیو و راکتیو مصرفکنندهها را طی 24 ساعت نشان میدهد. شکل 6 مقایسه پروفیل توان خروجی توربین بادی و سلول خورشیدی و توان مصرفی بارها در حالت پیشبینی شده و حالت غیرقطعی مدلسازی شده به روش IGDT را نشان می دهد.
جدول (1): ضرایب تابع هزینه، هزینه راهاندازی و نرخ رمپ بالای دیزل ژنراتورها در ریزشبکهها و شبکه توزیع [23]
پارامتر | MG1 | MG2 | DN |
α1 | 15 | 20 | 12 |
α2 | 80 | 85 | 75 |
α3 | 0 | 0 | 0 |
هزینه راهاندازی ($) | 15 | 13 | 15 |
نرخ رمپ بالا | 0.3 | 0.2 | 0.2 |
جدول (۲): ضرایب انتشار آلودگی [23]
[1] Energy Management System
[2] Demand Response
[3] Distributed Generation
[4] Gas Flow Analyzer
[5] Stochastic Two Stage Programming
[6] Smart Distributed Network
[7] Energy Load Not Supplied
[8] Combined Heat and Power
[9] Electric Vehicles
[10] Symbiotic Organisms Search
[11] Energy Storage System
[12] Cat Swarm Optimization
[13] Parallel Cats Swarm Optimization
[14] Demand Response Program
[15] Information Gap Decision Theory
[16] Modified Harris Hawks Optimization
[17] Management Energy System
[18] Risk Averse
[19] Opportunity Search
[20] Harris Hawks Optimization
سند
الروابط
المراكز ذات الصلة
دعامة
الصفحات الرسمية
حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1446