ترکیب الگوریتم ژنتیک و الگوریتم بهینه‌سازی ازدحام ذرات برای یافتن اندازه و مکان بهینۀ تولید پراکنده در سیستم‌های توزیع

چکیده

کلیدواژه ها

مقدمه

فرمولبندی مساله

 تابع هدف

 تلفات توان

بهبود پروفیل ولتاژ

شاخص پایداری ولتاژ

قیود

2.5.2. حدود ولتاژ

2.5.3. قیود فنی DG

2.5.4. حد حرارتی

 جایابی و اندازه‌ بهینه تولید پراکنده

الگوریتم‌های ژنتیک (GA)

3.2. بهینه‌سازی ازدحام ذرات (PSO)

3.3. روش ارائه شده

مطالعه کاربردی و نتایج عددی

سیستم توزیع شعاعی 33 باس

سیستم توزیع شعاعی 69 باس

1. بحث

5.1. نتایج شبیه‌سازی

5.2. تعداد تکرارها و زمان اجرا

5.3. واریانس خروجی

5.4. مقادیر تابع هدف

5.5. تنظیم و پایداری ولتاژ

6.نتیجه گیری

منابع تولید پراکنده (DG) به علت تقاضای رو به رشد انرژی دارای اهمیت زیادی در سیستم‌های توزیع می‌گردند. مکان‌ها و توانمندی‌های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته‌اند. در این مقاله، یک ترکیب نوینی از الگوریتم ژنتیک (GA)/ بهینه‌سازی ازدحام ذرات (PSO) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم‌های توزیع معرفی می‌شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم‌های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم‌های 33 و 39 باس انجام شده است تا کارائی روش ارائه شده نشان داده شود.

سیستم‌های توزیع معمولا جهت تسهیل کارکرد به صورت طبیعی شعاعی هستند. سیستم‌های توزیع شعاعی (RDSs) تنها در یک نقطه که همان پست باشد تغذیه می‌شوند. این پست، توان (برق) را مراکز تولید مرکزی و از طریق شبکه انتقال دریافت می‌کند. کاربران نهائی برق نیز توان الکتریکی را از پست و از طریق سیستم توزیع شعاعی که یک شبکه پسیو است دریافت می‌کنند. لذا، عبور توان در سیستم توزیع شعاعی به صورت یک‌طرفه است. نسبت R/X بالا در خطوط توزیع منجر به افت ولتاژ بزرگ، پایداری ولتاژ کوچک و افزایش تلفات توان می‌شود. در شرایط بارگذاری بحرانی در برخی نواحی صنعتی خاص، سیستم توزیع شعاعی به علت مقدار کم شاخص پایداری ولتاژ، در بیشتر گره‌های خود یک فروپاشی ناگهانی ولتاژ را تجربه می‌کند. اخیرا، با قراردادن منابع الکتریکی در ظرفیت‌های کوچک جهت افزایش قابلیت اطمینان سیستم و تنظیم ولتاژ، راهکارهای مختلفی برای تکمیل پسیو بودن سیستم توزیع شعاعی پیشنهاد شده است [1,2]. چنین تولیدات تعبیه شده در یک سیستم توزیع را تولیدات متفرقه یا تولیدات پراکنده (DG) می‌نامند. انتظار می‌رود تولید پراکنده نقش فزاینده‌ای در ظهور سیستم‌های برق ایفا کند. مطالعات پیش‌بینی کرده است که درصد قابل توجهی از همه تولیدات جدید را به خود اختصاص خواهد داد. همچنین پیش‌بینی شده است که ظرفیت این تولیدات حدود 20% تولیدات جدیدِ نصب شده خواهند بود [3]. دلایل اصلی جهت استفاده گسترده و رو به رشد از تولید پراکنده را می‌توان بصورت ذیل بیان کرد [4]: - یافتن محل برای نصب ژنراتورهای کوچک ساده‌تر است. - فناوری اخیر منجر به نیروگاه‌هایی در ظرفیت‌های 10 تا 15 مگاوات شده است. - برخی فناوری‌ها عالی بوده و بطور گسترده مورد استفاده قرار می‌گیرند (توربین‌های گازی، موتورهای با سوخت احتراق داخلی)، برخی دیگر کاربرد گسترده‌تری در سال‌های اخیر داشته‌اند (انرژی‌های بادی و خورشیدی) و برخی نیز در حال حاضر مورد بررسی قرار گرفته‌اند و یا حتی نصب شده‌اند ( سلول سوختی، پنل‌های خورشیدی تعبیه شده در منازل). - واحدهای تولید پراکنده در نزدیکی محل متشرکین قرار دارند و لذا هزینه‌های انتقال و توزیع (T&D) کاهش یافته و به کل از آنها صرفنظر شده است. - گروه‌های ترکیب حرارت و برق (CHP) نیازی به شبکه‌های گرمایشی بزرگ و گران ندارند. - گاز طبیعی که اغلب به عنوان سوخت در پست‌های تولید پراکنده به کار می‌رود تقریبا در همه جا موجود است و هزینه‌های پایدار و مناسبی برای آنها انتظار می‌رود. - معمولا نیروگاه‌های تولید پراکنده نیاز به زمان نصب کوتاه‌تری داشته و مخاطرات سرمایه‌گذاری آن کم است. - تولید پراکنده مقادیر بزرگی را پیشنهاد می‌کند، چون راهکار منعطفی برای انتخاب محدوده گسترده‌ از ترکیب هزینه و قابلیت اطمینان را فراهم می‌کند. برای دستیابی به مزایای فوق، باید اندازه تولید پراکنده بهینه شود. محققان الگوریتم‌ها و راهکارهای متعدد و جالبی را تاکنون ارائه داده‌اند. اختلاف میان آنها در نوع فرمول‌بندی مساله، روش شناسی و فرض‌هایی است که در آنها به کار می‌رود. برخی از این روش‌ها در [5] روش‌های تحلیلی در [6] و روش‌های برنامه‌نویسی عددی و خلاقانه در [7,8] بیان شده‌‌اند. همه روش‌ها مزایا و معایب خاص خود را دارند که بستگی به داده‌ها و سیستم تحت مطالعه دارد. معمولا فرمولبندی مساله تخصیص تولید پراکنده، به عنوان یک تابع هدف و یا قیود مساله به صورت غیرخطی، تصادفی و یا حتی تابع فازی است. به طور کل در همه فرمولبندی‌ها تابع هدف این است که تلفات توان حقیقی کاهش یافته و ولتاژ بهبود یابد؛ در حالی که همه معادلات قیود فیزیکی برحسب ولتاژ و توان برآورده شود. از حدود متغیر در رویه بهینه‌سازی نیز باید پیروی کرد. مساله جایابی و یافتن اندازه بهینه DG به دو زیرمساله تقسیم می‌شود، مساله اول عبارت است از یافتن مکان بهینه برای نصب DG و دیگری شامل نحوه انتخاب مناسب‌ترین اندازه آن است. محققان زیادی روش‌های مختلفی مثل رویه‌های تحلیلی و نیز روش‌های قطعی و خلاقانه برای حل این مساله ارائه داده‌اند. Kean و Omalley [9] با استفاده از برنامه‌نویسی خطی محدودشده (LP) اندازه بهینه DG در سیستم ایرلندی را حل کردند. هدف روش ارائه شده آنها عبارت بود از بیشینه کردن میزان تولید DG. قیود غیرخطی با هدف به کارگیری آنها در روش برنامه‌نویسی خطی، از بین رفت. در همه باس‌های سیستم یک DG نصب شد و باس‌های نامزد با توجه به مقادیر اهداف هدف بهینه خود رتبه‌بندی شدند. Kashem و همکاران [10] یک روش تحلیلی برای تعیین اندازه بهینه DG روی تحلیل حساسیت تلفات توان ارائه دادند. روش آنها مبتنی بود بر کمینه کردن تلفات توان سیستم توزیع. روش پیشنهادی آنها با استفاده از یک سیستم توزیع واقعی در تاسمانیا استرالیا مورد تست و ارزیابی قرار گرفت. Griffin و همکاران [11] مکان بهنیه DG را برای دو نوع توزیع بار پیوسته، توزیع یکنواخت و بارهای افزایشی یکنواخت، بصورت تحلیلی بررسی کردند. هدف مطالعات آنها کمینه کردن تلفات بود. یکی از نتایج تحقیق آنها مکان بهینه DG بود که به شدت بستگی به توزیع بار فیدر دارد؛ کاهش تلفات قابل توجه وقتی رخ می‌دهد که DG در انتهای فیدر بار افزایشی یکنواخت و در وسط فیدر بار توزیع یکنواخت قرار گرفته باشد. Acharya و همکاران [12] از تغییر افزایشی تلفات توان سیستم نسبت به تغییر ضریب حساسیت توان حقیقی تزریقی توسعه یافته توسط Elgerd [13] استفاده کردند. این ضرسب جهت تعیین باس و بهینه کردن تلفات موقع حضور یک DG به کار رفت. آنها با اعمال ضریب حساسیت روی همه باس‌ها یک جستجوی فراگیر و جامعی را ارائه دادند و سپس باس‌ها را برحسب آنها رتبه‌بندی کردند. نقص کار آنها فرایند طولانی یافتن مکان‌های نامزد است و این حقیقت که آنها تنها به دنبال بهینه کردن خروجی توان حقیقی DG بودند. Rosehart و Nowincki [14] تنها با بخش مکان بهینه مساله ترکیبی DG سروکار داشتند. آنها برای ارزیابی بهترین مکان برای منابع تولیدپراکنده از دو نوع فرمول‌بندی استفاده کردند. اولی پخش بار بهینه مقید مبتنی بر بازار است که هزینه توان تولیدی DG را کمینه می‌کند و دیگری پخش بار مقید پایداری ولتاژ است که ضریب بارگذاری، یعنی فاصله تا فروپاشی ولتاژ، را بیشینه می‌کند. هر دوی این فرمولبندی‌ها با بکارگیری روش نقطه داخلی (IP) حل شدند. نتایج این دو فرمولبندی در رتبه‌بندی باس‌ها برای نصب DG به کار رفتند. مساله اندازه بهینه DG در مقاله آنها مورد توجه قرار نگرفت. Carmen و همکاران روشی برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم‌های توزیع توصیف می‌کنند، تا تلفات شبکه الکتریکی کمینه شده و سطح قابل قبولی از قابلیت اطمینان و پروفیل ولتاژ تضمین شود. فرایند بهینه‌سازی توسط ترکیب الگوریتم‌های ژنتیک با سایر روش‌ها حل می‌شود تا تاثیر تولید پراکنده در قابلیت اطمینان، تلفات و پروفیل ولتاژ ارزیابی شود. Haesen و Espinoza [16] مساله بهینه‌سازی DG را برای یافتن اندازه بهنیه یک و چند DG مورد توجه قرار دادند. آنها برای کمینه‌ کردن پخش بار توان اکتیو سیستم های توزیع از روش الگوریتم ژنتیک بهره بردند. Gandomkar و همکاران [17] دو روش را با هم ترکیب کردند تا مساله یافتن اندازه DG را حل کنند. آنها روش‌ الگوریتم ژنتیک و روش فوق خلاقانه گداختگی شبیه‌سازی شده را ترکیب کردند تا توان خروجی بهینه DG را حل کنند. Nara و همکاران [18] فرض کردند که مکان باس‌های نامزد برای نصب DG از پیش توسط طراح سیستم توزیع تعیین شده باشد. آنها از روش جستجوی تبو (TS) برای یافتن اندازه بهینه DG استفاده کردند. هدف فرمولبندی آنها کمینه‌کردن تلفات سیستم بود. Golshan و Arefifar [19] روش TS را برای یافتن اندازه بهینه DG و نیز منابع راکتیو داخل سیستم توزیع اعمال کردند. وی با کمینه کردن تابع هدفی که هزینه مجموع تلفات توان اکتیو، بارگذازی خط و هزینه منابع راکتیو افزوده را ترکیب می‌کند، مساله بهینه‌سازی غیرخطی مقید را فرمولبندی کرد. Falaghi و Haghifam [20] روش بهینه‌سازی تجمع مورچه‌ها را به عنوان ابزاری برای حل مسائل یافتن اندازه و محل بهینه DGها ارائه دادند. تابع هدف کمینه شده برای روش به کار رفته عبارت بود از هزینه شبکه کل. Khalesi و همکاران [21] برای تعیین مکان‌های بهینه برای تعبیه DGها در سیستم‌های توزیع جهت کمینه کردن تلفات توان سیستم و افزایش قابلیت اطمینان و بهبود پروفیل ولتاژ، تابع چندهدفه را مدنظر قرار دادند. در این روش بهینه‌سازی از بار متغیر با زمان برای دستیابی به نتایج واقع‌بینانه استفاده شد و در عین حال همه مطالعات و الزامات آنها به شکل‌های هزینه/سود مبتنی هستند. در نهایت برای حل این مساله چند- هدفه از روش نوینی مبتنی بر برنامه‌نویسی پویا استفاده شد. Naresh و همکاران [22] برای محاسبه اندازه بهینه یک عبارت تحلیلی را مدنظر قرار دادند و نیز برای شناسائی محل بهینه متناظر برای تعبیه DG جهت کمینه‌کردن تلفات کل توان در سیستم‌های توزیع اولیه یک روش موثری را به کار گرفتند. Sudipta و همکاران وی [23] برای یافتن اندازه و مکان بهینه ژنراتورها از یک روش ساده بهره بردند. یک تکنیک جستجوی تکرار مرسوم ساده در کنار روش مطالعه پخش بار نیوتن رافسون، روی سیستم‌های 6 باس، 14 باس و 30 باس IEEE پیاده‌سازی شد. در تازه‌ترین مقالات منتشر شده ما، بهینه‌سازی هر دو مکان و ظرفیت منابع تولید پراکنده با بکارگیری تنها روش الگوریتم ژنتیک [28,29] برنامه‌نویسی شد. یک الگوریتم جدید ترکیبی برای ارزیابی محل و اندازهDG در شبکه توزیع ارائه می‌شود. در این روش، محل DG توسط الگوریتم ژنتیک جستجو شده و اندازه آن نیز توسط بهینه‌سازی ازدحام ذرات بهینه می‌شود. ابتدا جمعیت اولیه برای اندازه و محل DG بصورت تصادفی تولید می‌شود، سپس پخش بار اجرا می‌شود. از تابع هزینه داده شده استفاده می‌شود تا اندازه DG بهینه شود که برای محل مشخص توسط بهینه‌سازی ازدحام ذرات محاسبه شد. در گام بعدی محل جدید DG توسط الگوریتم ژنتیک محاسبه شد تا تابع هزینه بهینه شود. الگوریتم ژنتیک برای تعداد دفعات از پیش تعیین شده اجرا شده و در هر تکرار برای محل نامزد، اندازه DG توسط بهینه‌ساز ازدحام ذرات بهینه‌سازی مجدد می شود که با این کار نایحه جستجو برای الگوریتم ژنتیک کاهش یافته و در هر تکرار، بهینه‌سازی بهتری را به دست می‌دهد. نتایج نشان می‌دهد که روش الگوریتم ژنتیک/ بهینه‌ساز ازدحام ذرات ترکیبی ارائه شده در اینجا نسبت به هر کدام از الگوریتم ژنتیک و بهینه‌سازی ازدحام ذرات از نظر کیفیت راه حل و تعداد تکرارها بهتر است. این مقاله بصورت زیر سازمان‌دهی شده است؛ فرمولبندی مساله در بخش 2، محل و اندازه بهینه DG در بخش 3، مطالعه کاربردی و نتایج عددی در بخش 4، بحث در بخش 5 و نتیجه‌‌گیری در بخش 6.