شبیه سازی جایابی خازن و منابع تولید پراکنده با الگوریتم ژنتیک

جایابی منابع تولید پراکنده و خازن به صورت همزمان

امروزه جایابی منابع تولید پراکنده و جایابی خازن از اهمیت زیادی برخوردار است. هر دوی اینها یعنی منابع تولید پراکنده و خازن باعث بهبود کارآیی سیستم قدرت می شوند. منابع تولید پراکنده با تولید توان اکتیو و خازن ها با تولید توان راکتیو کمک شایانی برای بهبود پارامترهای کیفیت توان سیستم توزیع می کنند. استفاده از خازن ها به چندین سال پیش مربوط می شود ولی استفاده از منابع تولید پراکنده امروزه بیشتر گسترده شده است. دلیل آن نیز کمبود منابع نفت و گاز خیلی از کشورهاست که برای تامین توان اکتیو مورد نیاز بارهای خود به این منابع روی آورده اند. حال جایابی بهینه منابع تولید پراکنده و خازن آن هم به صورت همزمان از اهمیت بالایی برخوردار است. برای جایابی بهینه خازن و منابع تولید پراکنده به صورت همزمان توسط الگوریتم ژنتیک می توانید از این محصول که بر روی شبکه 33 باسه IEEE مورد بررسی قرار گرفته است ، استفاده کنید.

این محصول جایابی بهینه خازن و جایابی DG را به صورت همزمان با متلب را شامل شده و بر روی شبکه 33 باسه مورد بررسی قرار گرفته داده است. شبکه 33 باسه را در شکل زیر مشاهده می کنید:

معمولا در شبکه های شعاعی کیفیت توان مربوط به شین های انتهایی مناسب نمی باشد. لذا برای بهبود کیفیت توان این شین ها خازن و منابع تولید پراکنده گزینه های مناسبی هستند. حال جایابی همزمان این دو پیچیدگی هایی دارد که در این محصول گنجانده شده است.

جایابی DG و خازن با الگوریتم ژنتیک

حال اگر مسئله ی مکان یابی DG و خازن به صورت همزمان را توسط الگوریتم ژنتیک مورد بررسی قرار دهیم. خواهیم دید DG ها و خازن ها در نقاطی قرار گرفته اند که دارای ولتاژهای پایین تری می باشند. هدف مورد نظر برای جایابی کاهش تلفات شبکه و بهبود پروفیل ولتاژ بوده است. با قرار گرفتن خازن و DG در نقاط ضعیف از نظر ولتاژ ، این شین ها از نظر ولتاژ بهبود یافته و به طبع آن میزان تلفات شبکه نیز کاهش می یابد. در الگوریتم ژنتیک برای جایابی همزمان طول کروموزوم ها افزایش یافته است و نصف کروموزم مزبوط به اعضا برای DG و نصف دیگر برای خازن ها اختصاص داده شده است. در این محصول برخلاف خیلی از جایابی ها با الگوریتم ژنتیک که از تولباکس متلب استفاده می کنند از تولباکس استفاده نشده بلکه خود الگوریتم ژنتیک با متلب کد نویسی شده است. شما در این محصول به راحتی می توانید به crossover و mutation دست یابید و نحوه ی کارکرد آن ها را یاد بگیرید.

در نهایت بعد از جایابی بهینه خازن و منابع تولید پراکنده همانطور که انتظار می رفت پروفیل ولتاژ دچار بهبود گردد ، نمودار پروفیل ولتاژ بهبود یافته به دست می آید. این نمودار نشان دهنده ی قبل و بعد از جایابی خازن با متلب است که رنگ آبی نشان دهنده ی پروفیل ولتاژ بعد از مکان یابی خازن و DG به صورت همزمان می باشد که با بهبودی همراه است.

از طرف دیگر اکثر مقالات از نمودار همگرایی برای نشان دادن کاهش مقدار تابع هدف استفاده می کنند. این نمودار نیز نشان دهنده ی نمودار همگرایی در کاهش تلفات شبکه با جایابی خازن توسط الگوریتم ژنتیک را نشان می دهد. همانطور که مشاهده می کنید مقدار تابع هدف در هر تکرار کاهش یافته و در نهایت به صفر رسیده است.

در حالت کلی این محصول حاوی فایل های متلب مربوط به بدنه ی اصلی الگوریتم ژنتیک ، crossover ، mutation و تابع هدف شامل پخش بار پسرو پیشرو شبکه 33 باس و … بوده و نحوه ی اجرا و ران کردن آن بسیار آسان بوده و در نهایت شما مکان و اندازه بهینه خازن و dg در شین های مختلف را می توانید مشاهده کنید. در فایل پی دی اف زیر نیز تابع هدف و شرایط لحاظ شده را مشاهده می کنید.