مکان یابی بهینه DG در یک شبکه نامتعادل با دو هدف جداگانه با استفاده از یک الگوریتم جدید

محورهای موضوعی : انرژی های نو

مجتبی جمعیتی ¹ (استادیار گروه مهندسی مکانیک، واحد نراق، دانشگاه آزاد اسلامی، نراق، ایران)

تاریخ دریافت : 1399/12/21 تاریخ پذیرش : 1400/01/31 تاریخ انتشار : 1400/04/18

کلید واژه: تولید پراکنده, توزیع بهینه, بهینه ساز, جستجوی گروهی,

چکیده مقاله :

در این مقاله ، منابع تولید پراکنده (DG) در یک شبکه نامتعادل با دو تابع هدف متفاوت با استفاده از یک الگوریتم جدید ، محلی سازی شده اند. برای این منظور ، هزینه ها و توابع هدف پارامتریک برای این مشکل فرموله می شود. تکنیک جدیدی برای حل مشکل توزیع نامتعادل بار پیشنهاد شده است. الگوریتم بهینه سازی موتورهای جستجو گروهی (GSO) یکی از تکنیک های جدید ذرات هوشمند است که در این مقاله ، این الگوریتم بهبود یافته و نتایج مورد تجزیه و تحلیل قرار گرفته است. شبیه سازی ها بر روی دو شبکه نمونه واقعی در شمال غرب ایران و استاندارد IEEE انجام می شود. هر تابع هدف در یکی از شبکه ها آزمایش می شود. برای هر شبکه ، دو سناریوی قرارگیری پیشنهاد می شود: شمارش منابع DG و تعیین تعداد واحدهای DG. در فرایند مطالعه موردی ، نتایج الگوریتم بهبود یافته GSO با نتایج الگوریتم های ساده GSO و بهینه سازی ازدحام ذرات (PSO) مقایسه می شود.

چکیده انگلیسی:

In this paper, distributed generation (DG) resources are localized in an unbalanced network with two different objective functions using a new algorithm. For this purpose, cost and parametric objective functions will be formulated for this problem. A new technique has been proposed to solve the problem of unbalanced load distribution. Group Search Engine Optimization (GSO) algorithm is one of the new particle intelligence techniques that in this paper, this algorithm has been improved and the results have been analyzed. The simulations will be performed on two real sample networks in northwestern Iran and the IEEE standard. Each target function will be tested on one of the networks. For each network, two placement scenarios are proposed: DG resource counting and determination of the number of DG units. In the case study process, the results of the proposed improved GSO algorithm are compared with the results of simple GSO algorithms and particle swarm optimization (PSO).