بهره برداری چندهدفه شبکه توزیع دربرگیرنده توربین بادی با لحاظ نمودن کمینه¬سازی آلایندگی زیست محیطی در شبکه
الموضوعات :
1 - Department of Electrical Engineering, Beyza Branch, Islamic Azad University, Beyza, Iran.
الکلمات المفتاحية: شبکه توزیع, آلایندگی زیست محیطی, توربین بادی, تجدید ساختار, الگوریتم کرم شب تاب.,
ملخص المقالة :
مقدمه: رشد روز افزون بار‌های مصرفی و ضرورت تأمین مناسب، به موقع و با قابلیت اطمینان شبکه‌های برق، ضرورت نگرش مجدد در بهره‌برداری بهینه از سیستم‌ها و خطوط برق را بیش از پیش ایجاب می‌نماید. از طرفی، در سال‌های اخیر حمایت‌های زیادی از منابع تولیدات پراکنده مبتنی بر انرژی‌های نو خصوصاً توربین‌های بادی صورت گرفته است. یکی از عمده مسأله‌های توربین‌های بادی مسأله نوسانات شدید باد و وابستگی توان خروجی به سرعت باد می‌باشد. به موازات این مشکل، در بحث مدیریت شبکه، خطای ناشی از پیش‌بینی بار مصرفی در آینده نیز می‌تواند به هرچه سخت‌تر شدن صورت مسأله بیانجامد. یکی از تکنیک‌های مناسب بدون هزینه‌گذاری اولیه، روش تجدید ساختار و توپولوژی شبکه با هدف بهبود وضع شبکه است. مواد و روش‌ها: در این تحقیق جهت بررسی مسأله تجدید ساختار و توپولوژی شبکه توزیع با حضور منابع توربین بادی به ارائه روشی نوین جهت مدیریت همزمان آن‌ها پرداخته شده است. یک تابع چند هدفه جهت دستیابی به کاهش تلفات اکتیو شبکه، کاهش هزینه‌های کلی شبکه، بهبود پروفیل ولتاژ باس‌های موجود، و کاهش میران آلایندگی کل تولیدی توسط شبکه در نظر گرفته شده که به¬منظور کمینه نمودن آن از الگوریتم بهینه‌سازی کرم شب تاب بهره گرفته شده است. نتایج و بحث: حل مسأله تجدید ساختار با در نظر گرفتن عدم قطعیت ناشی از توربین‌های بادی لحاظ شده است. حضور منابع بادی در شبکه توانسته توابع هدف را به مقدار قابل توجهی کاهش دهد. نتیجه‌گیری: به منظور ارزیابی روش پیشنهادی شبیه‌سازی‌هایی روی شبکه 32 باسه IEEE صورت گرفته که حاکی از اثرپذیری الگوریتم در نظر گرفته شده در قیاس با سایر الگوریتم‌های بهینه‌سازی خواهد بود. ساختار پیشنهادی دارای قدرت مناسبی جهت در نظر عدم قطعیت متغیر‌های تصادفی مسأله بوده بطوری که مقدار انحراف استاندارد هر یک از توابع هدف بعد از بهینه‌سازی کاهش یافته و در حقیقت میزان اطمینان پاسخ‌های یافت شده افزایش یافته است.
[1] Liu, T., Xu, G., Cai, P.,Tian, L., Q. Huang, Q., “Development forecast of renewable energy power generation in China and its influence on the GHG control strategy of the country, ” Renew. Energy, 2018; 36:1284-92. DOI: 10.1016/j.renene.2010.09.020.
[2] Braun, R.J., Klein, S.A., Reindl, D.T., “Evaluation of system configurations for solid oxide fuel cell-based micro-combined heat and power generators in residential applications,” J Power Sources, 2016; 158:1290 – 305,. DOI: 10.1016/j.jpowsour.2005.10.064.
[3] Dalton, G.J., Lockington, D.A., Baldock, T.E., “Feasibility analysis of renewable energy supply options for a grid-connected large hotel,” Renew. Energy, 2009; 34: 955-64. DOI: 10.1016/j.renene.2008.08.012.
[4] Kim, H., Ko, Y., Jung, K.H., “Artificial neural-network based feeder reconfiguration for loss reduction in distribution systems,” IEEE Trans Power Deliv., 1993; 8(3):1356-66. DOI: 10.1109/61.252662.
[5] Taylor, T., Lubkeman, D., “Implementation of heuristic search strategies for distribution feeder reconfiguration,” IEEE Trans Power Deliv.,2015; 5(3): 239-245. DOI: 10.1109/61.107279.
[6] Wu, W.C., Tsai , M.S., “Application of enhanced integer coded particle swarm optimization for distribution system feeder reconfiguration”, IEEE Trans. on Power Syst., 2011; 26(3): 1591 – 1599. DOI: 10.1109/TPWRS.2010.2094212.
[7] Singh, D., Misra, R.K., “Multi-objective feeder reconfiguration in different tariff structures,” IET Gener. Trans & Distri. , 2017; 4(8): 974 – 988. DOI: 10.1049/iet-gtd.2010.0128.
[8] Chung-Fu, C., “Reconfiguration and capacitor placement for loss reduction of distribution systems by ant colony search algorithm,” IEEE Trans. on Power Syst., 2018; 23(4): 1747 – 1755. DOI: 10.1109/TPWRS.2008.2002169.
[9] Salazar , H., Gallego, R., Romero, R., “Artificial neural networks and clustering techniques applied in the reconfiguration of distribution systems, ” IEEE Trans. on Power Deliv. , 2016; 21(3): 1735 – 1742. DOI: 10.1109/TPWRD.2006.875854.
[10] Debaprya, D., “A fuzzy multi-objective approach for network reconfiguration of distribution systems,” IEEE Trans. Power Del., 2016; 21(1): 202-209. DOI: 10.1109/TPWRD.2005.852335.
[11] Ahuja, A., Das, S., and Pahwa, A., , “An AIS-ACO hybrid approach for multi-objective distribution system reconfiguration,” IEEE Trans. on Power Syst., 2019; 22(3):1101-1111. DOI: 10.1109/TPWRS.2007.901286.
[12] Haffner, S., Pereira, L.F.A., Pereira, L.A., and Barreto, L.S., “Multistage model for distribution expansion planning with distributed generation—Part I: problem formulation, ” IEEE Trans. on Power Deliv., 2018; 23(2): 915-923. DOI: 10.1109/TPWRD.2008.917916.
[13] Porkar, S., Poure, P., Abbaspour-Tehrani-fard, A., Saadate, S., “A novel optimal distribution system planning framework implementing distributed generation in a deregulated electricity market, ” Electr Power Syst Res., 2020; 80(7): 828-837 . DOI: 10.1016/j.epsr.2009.12.008.
[14] Bie, Z., Li, G., Liu, H., Wang, H., “Studies on voltage fluctuation in the integration of wind power plants using probabilistic load flow, ” IEEE Power and Energy Soc. Gen, 2018; 1-7. DOI: 10.1109/PES.2008.4596131.
[15] Li, X., Pei, J., and Zhang, S., “A probabilistic wind farm model for probabilistic load flow calculation,” Asia-Pac. Power and Energy Engineering, 2015. DOI: 10.1109/APPEEC.2010.5448689.
[16] Chiang, H.D., and Jean-Jameau, R.M., “Optimal network reconfiguration in distribution systems, part 1: A new formulation and a solution methodology,” IEEE Trans. Power Del., 2019; 5(4):1902–1909. DOI: 10.1109/61.103687.
[17] Shirmohammadi, D., and Hong, H.W., “Reconfiguration of electric distribution networks for resistive line loss reduction,” IEEE Trans. Power Del., 2018; 4(1): 1492–1498. DOI: 10.1109/61.25637.
[18] Agalgaonkar, P., Kulkarni, S.V., Khaparde, Soman, S.A.,“. Placement and penetration of distributed generation under standard market design,”. Int J Emerg Electr Power Syst 2021; 1(1). DOI: 10.2202/1553-779X.1003.
[19] Niknam, T., “Application of honey-bee mating optimization on state estimation of a power distribution system including distributed generators,” J Zhejiang Univ Sci, 2021;9(12):1753–64. DOI: 10.1631/jzus.A0820047.
[20] Olamaie, J., Niknam, T., Gharehpetion, G., “Application of particle swarm optimization for distribution feeder reconfiguration considering distributed generators,” Appl Math Comput , 2022; 20(1):575–86. DOI: 10.1016/j.amc.2007.12.053.
[21] Apostolopoulos, T., Vlachos, A., “Application of the Firefly Algorithm for Solving the Economic Emissions Load Dispatch Problem,” Int. J. Comb., 2020:1-23. DOI: 10.1155/2011/523806.
[22] Yang, X.S., “Nature-Inspired Metaheuristic Algorithms,” Frome: Luniver Press. (2019), ISBN 1905986106. [23] Sauer, P., Pai, M., “Power System Steady-State Stability and the Load Flow Jacobian”, IEEE Trans. Pow. Syst., 2018; 5(4): 1-65. DOI: 10.1109/59.99389.
[24] Chen, T.H., Chen, M.S., Hwang, K.J., Kotas, P., Chebli, E.A., “Distribution System Power Flow Analysis – A Rigid Approach”, IEEE Trans. Pow. Deliv., 2022; 6(3):1146-1152. DOI: 10.1109/61.85860.
[25] Chen, H., Chen, J., Shi, D., Duan, X., “Power Flow Study and Voltage Stability Analysis for Distribution Systems with Distributed Generation”, IEEE Pow. Eng. Society General, 2016. DOI: 10.1109/PES.2006.1709198.
[26] Eminoghlu, U., Hocaoglu, M.H., “A new power flow method for radial distribution systems including voltage dependent load models”, Electric Pow Syst Res., 2015; 76: 106-114. DOI: 10.1016/j.epsr.2005.05.008.
[27] Augugliaro, A., Dusonchet, L., Favuzza, S., Ippolito, M.G., Sanseverino, E.R., “A new backward/forward method for solving radial distribution networks with PV nodes”, Electric Pow Syst Res., 2018; 78: 330-336, 2018. DOI: 10.1016/j.epsr.2007.03.001.
[28] Yang, X.S.,“ Nature-Inspired Metaheuristic Algorithms,” Frome: Luniver Press., 2019, ISBN 1905986106.
[29] Burton, T., Sharpe, D., Jenkins, N., Bossanyi, E., Wind Eng. Handbook, John Wiley & Sons, Ltd, 2016.
