تعداد نشریات | 43 |
تعداد شمارهها | 1,658 |
تعداد مقالات | 13,563 |
تعداد مشاهده مقاله | 31,156,159 |
تعداد دریافت فایل اصل مقاله | 12,272,883 |
ارائۀ یک الگوریتم تکاملی تفاضلی برای حل مسئلۀ تصادفی بازآرایی شبکۀ توزیع و اختصاص بهینۀ واحدهای تولید پراکنده (توربین بادی) | ||
هوش محاسباتی در مهندسی برق | ||
مقاله 4، دوره 15، شماره 1، فروردین 1403، صفحه 25-40 اصل مقاله (1.52 M) | ||
نوع مقاله: مقاله پژوهشی فارسی | ||
شناسه دیجیتال (DOI): 10.22108/isee.2023.137925.1633 | ||
نویسندگان | ||
حسین لطفی1؛ محمد حسن نیکخواه2؛ محمد ابراهیم حاجی ابادی* 3 | ||
1گروه مهندسی برق و کامپیوتر دانشگاه حکیم سبزواری، سبزوار، ایران | ||
2کارشناسی ارشد گروه مهندسی برق، دانشگاه حکیم سبزواری، سبزوار، ایران | ||
3دانشیار گروه مهندسی برق، دانشگاه حکیم سبزواری، سبزوار، ایران | ||
چکیده | ||
بازآرایی شبکه توزیع و همچنین، استفاده بهینه از منابع تولید پراکنده در سیستم توزیع، روشهای بسیار مؤثری برای کاهش تلفات و بهبود پروفیل ولتاژ یا به عبارتی، کیفیت توان در سیستم توزیع برق است. محققان در سالهای اخیر، به استفاده از منابع تولید پراکنده توجه داشتهاند. استفاده از این منابع، مزایای متعددی دارد که از مهمترین آنها کاهش تلفات شبکه و افزایش پایداری ولتاژ است. در این مطالعه، الگوریتم تکاملی تفاضلی برای حل مسئله بهینهسازی مدنظر با اهدف کاهش تلفات و انحراف ولتاژ باس ارائه شده است. همچنین، چون بار سیستم همواره در حال تغییر است و ثابت نیست، بـرای نزدیکبودن نتایج حاصل از شبیهسازی به شرایط واقعی شبکه توزیع، در این مطالعه پیشنهاد شده است عدم قطعیت بار مصرفی نیز مدلسازی شود و به مسـئله بهینهسـازی اعمال شود. مسئله مذکور دارای متغیرهای گسسته و پیوسته متفاوتی بوده که استفاده از الگوریتمهای دارای قابلیت جستجو در فضاهای گسسته و پیوسته را ضروری کرده است. بنابراین، برای فائقآمدن بر این موضوع و اعمال قیود مختلف در مسـئله از الگوریتم تکاملی تفاضلی استفاده شده است. روش مذکور روی شبکه تست 33باسه استاندارد آزمایش شده است و نتایج در سه مورد مختلف مطالعاتی باهم مقایسه شدهاند. در موارد دوم و سوم بهترتیب بازآرایی شبکه توزیع در عدم حضور / حضور واحدهای تولید پراکنده (توربین بادی) حل شده است. نتایج روش پیشنهادی با نتایج سایر روشها و مراجع مقایسه شدهاند. نتایج نشان میدهند الگوریتم پیشنهادی تکاملی تفاضلی در مقایسه با سایر روشهای تکاملی به نتایج بهتری در کاهش تلفات و همچنین، بهبود پروفیل ولتاژ رسیده است. | ||
کلیدواژهها | ||
بازآرایی شبکه توزیع؛ بهینهسازی؛ تلفات؛ منابع تولید پراکنده؛ عدم قطعیت بار | ||
مراجع | ||
[1] Duan Dong-Li, Ling Xiao-Dong, Wu Xiao-Yue, Zhong Bin. “Reconfiguration of distribution network for loss reduction and reliability improvement based on enhanced genetic algorithm”. Electr Power Syst Res; Vol. 64: pp. 88–95, 2015. [2] Amini, Shiva, Sasan Ghasemi, and Jamal Moshtagh. "Distribution Feeder Reconfiguration Using PSOGSA Algrotim in Presence of Distribution Generation Based on a Fuzzy Approach." Computational Intelligence in Electrical Engineering, Vol.12, pp.73-86, 2021. [3] S.Kansal,V.Kumar,B.Tyagi."Optimal placement of different type of DG sources indistribution networks".IntJ Electr Power Energy System. Vol. 53, pp. 752-760, 2013. [4] Thuan ThanhNguyen, Thang TrungNguyen, Anh VietTruong, Quyen ThiNguyen, Tuan AnhPhung, “Multi-objective electric distribution network reconfiguration solution using runner-root algorithm”, Applied Soft Computing, Vol. 52, pp. 93-108, 2017. [5] NeerajKanwar , NikhilGupta , K.R.Niazi, AnilSwarnkar, “An integrated approach for distributed resource allocation and network reconfiguration considering load diversity among customers” Sustainable Energy, Grids and Networks, Vol. 7, pp. 37-46, 2016. [6] K.Muthukumar, S.Jayalalitha, “Integrated approach of network reconfiguration with distributed generation and shunt capacitors placement for power loss minimization in radial distribution networks”, Applied Soft Computing, Vol. 52, pp. 1262-1284, 2017. [7] Wang, H.J., Pan, J.S., Nguyen, T.T. and Weng, S., “Distribution network reconfiguration with distributed generation based on parallel slime mould algorithm”, Energy, Vol. 244, pp.123011, 2022. [8] Fathi, R., Tousi, B. and Galvani, S., “Allocation of renewable resources with radial distribution network reconfiguration using improved salp swarm algorithm”, Applied Soft Computing, vol. 132, pp.109828, 2023. [9] Stojanović, B., Rajić, T. and Šošić, D.,“Distribution network reconfiguration and reactive power compensation using a hybrid Simulated Annealing–Minimum spanning tree algorithm”, International Journal of Electrical Power & Energy Systems, Vol.147, pp.108829, 2023. [10] Mohammadi M, Rozbahani AM, Bahmanyar S. “Power loss reduction of distribution systems using BFO based optimal reconfiguration along with DG and shunt capacitor placement simultaneously in fuzzy framework”, J Cent South Univ, Vol.24, pp. 24:90-103, 2017 [11] Niknam T, Kavousi-Fard A, Aghaei J. “Scenario-based multi-objective distribution feeder reconfiguration considering wind power using adaptive modified particle swarm optimization”, IET Renew Power Gener, vol.6, pp.236-47, 2012. [12] Siahbalaee, J., N. Rezanejad, and G.B. Gharehpetian, “Reconfiguration and DG Sizing and Placement Using Improved Shuffled Frog Leaping Algorithm,” Electric Power Components and Systems, Vol.47, pp. 1475-88. 2020 [13] H. Lotfi, A. Azizivahed, A. A. Shojaei, S. Seyedi, and M. F. B. Othman, "Multi-objective Distribution Feeder Reconfiguration Along with Optimal Sizing of Capacitors and Distributed Generators Regarding Network Voltage Security," Electric Power Components and Systems, Vol.49, pp. 652-68, 2021. [14] M. Sedighizadeh, M. Esmaili, and M. Mahmoodi, "Reconfiguration of distribution systems to improve reliability and reduce power losses using Imperialist Competitive Algorithm," Iranian Journal of Electrical and Electronic Engineering, Vol. 13, No. 3, pp. 287-302, 2017. [15] R. Rajaram, K. Sathish Kumar and N. Rajasekar. “Power system reconfiguration in a radial distribution network for reducing losses and to improve voltage profile using modified plant growth simulation algorithm with Distributed Generation (DG)”, Energy Reports, Vol.1, pp. 116–122, 2015. [16] Roosta, A., H.-R. Eskandari, and M.-H. Khooban, “Optimization of radial unbalanced distribution networks in the presence of distribution generation units by network reconfiguration using harmony search algorithm”. Neural Computing and Applications, Vol. 31, No. 11, pp. 7095-09, 2019. [17] V. Fathi, H. Seyedi and B. M. Ivatloo, “Reconfiguration of distribution systems in the presence of distributed generation considering protective constraints and uncertainties,” Int. Trans. Electr. Energy Syst., Vol. 30, No. 5, pp. e12346, 2020. [18] Abdelaziz M. “Distribution network reconfiguration using a genetic algorithm with varying population size”, Elec Power Syst Res, Vol.142, pp. 9-11, 2017. [19] Landeros, A., S. Koziel, and M.F. Abdel-Fattah, “Distribution network reconfiguration using feasibility-preserving evolutionary optimization”, Journal of Modern Power Systems and Clean Energy, Vol.7, No. 3, pp. 589-598, 2019. [20] Pegado, R., et al., “Radial distribution network reconfiguration for power losses reduction based on improved selective BPSO”, Electric Power Systems Research, Vol. 169, pp. 206-213, 2019. [21] Niknam T, Kavousi Fard A, “Impact of thermal recovery and hydrogen production of fuel cell power plants on distribution feeder reconfiguration”, IET Gener Transm Distrib, Vol.6, No.9, pp.831e43, 2012. [22] Chun-Lien S, Chan-Nan L, “two-point estimate method for quantifying transfer capability uncertainty”, IEEE Trans Power Syst, Vol.20, pp.573e9, 2005. [23] M. Varadarajan and K. Swarup, "Differential evolutionary algorithm for optimal reactive power dispatch," International Journal of Electrical Power & Energy Systems, Vol. 30, No. 8, pp. 435-441, 2008. [24] W. Deng, S. Shang, X. Cai, H. Zhao, Y. Song, and J. Xu, "An improved differential evolution algorithm and its application in optimization problem," Soft Computing, Vol. 25, pp. 5277-5298, 2021. [25] H. Lotfi, "Optimal sizing of distributed generation units and shunt capacitors in the distribution system considering uncertainty resources by the modified evolutionary algorithm," Journal of Ambient Intelligence and Humanized Computing, Vol. 13, No. 10, pp. 4739-4758, 2022. [26] Srinivasa Rao, R., Ravindra, K., Satish, K., Narasimham. S. V. L, " Power Loss Minimization in Distribution System Using Network Reconfiguration in the Presence of Distributed Generation," IEEE Transactions on Power systems, Vol. 28, No. 1, pp.317-325, 2013. [27] A.Uniyal,S.Sarangi, "Optimal network reconfiguration and DG allocation using adaptive modified whale optimization algorithm considering probabilistic load flow", Electric Power Systems Research, Vol. 192, pp. 106909, 2020. [28] Niknam T, "A new hybrid algorithm for multiobjective distribution feeder reconfiguration", Energy Conversion and Management, Vol.50, No. 8, pp.2074–2082, 2009. | ||
آمار تعداد مشاهده مقاله: 113 تعداد دریافت فایل اصل مقاله: 167 |