شبیه سازی و ترجمه مقاله هماهنگی رله اضافه جریان جهتی با استفاده از یادگیری اصلاح تطبیقی

1- مقدمه 2- مسئله هماهنگی بهینه رله 3- فرمولبندی مسئله 4- فاصله زمانی ابتدایی هماهنگی رله 5- آموزش یادگیری براساس الگوریتم بهینه سازی 6- حالت آموزشی 7- حالت یادگیری 8- الگوریتم TLBO اصلاح تطبیقی پیشنهادی 9- تاثیر منابع تولید پراکنده بر روی هماهنگی رله ها 10- بدنه ی اصلی الگوریتم پیشنهادی 11- موارد مطالعاتی 12- نتیجه گیری

چکیده: مشکل هماهنگی رله بیشتر یک مسئله ی بهینه سازی محدوده ازی (براساس شرایط) است. تکنیک های ابتکاری اغلب برای مسائل بهینه سازی مورد استفاده قرار می گیرند. این تکنیکها به یک راه حل غیر مطلوب و غیر بهینه با توجه به وجود طیف گسترده ای از متغیرهای طراحی همگرا می شوند که یک نقطه ضعف برای این الگوریتم ها می باشد .(یعنی به نقاط بهینه محلی همگرا می شوند اگر پارامترها درست و حسابی انتخاب نشوند). از طرف دیگر، راه حل اولیه برای پیدا کردن نقطه بهینه با رنج کوتاه متغیرهای طراحی بسیار دشوار می شود. لذا این مقاله اصلاح تطبیقی آموزشی یادگیری براساس الگوریتم بهینه سازی جهت غلبه کردن به این اشکال تکنیکهای معمولی الگوریتم های ابتکاری ارائه نموده است. مسئله ی هماهنگی با یک عده شرایط غیرخطی برای مسئله ی بهینه سازی جهت تعیین راه حل بهینه برای تنظیم چند ضریب زمان (TMS) و تنظیم پلاگین (PS) DOCR ها فرمولبندی شده است. راه حل اولیه برای TMS به صورت ابتکاری با طیف وسیعی از مقادیر TMS به دست آمده است. محدوده ی بالای رنج TMS سپس با حداکثر مقدار TMS در حل اولیه جایگزین شده است. حد بالای جدید به طور واضح کمتر از مقدار قبلی است. مرحله ی بعدی بهینه سازی با رنج جدید TMS برای تکرار پیش تعیین شده انجام می شود. (یعنی در تکرار بعدی که در الگوریتم های بهینه سازی نظیر ژنتیک و … که تعداد تکرار مشخص است این بار در تکرار بعدی مقادیر و محدودی TMS تغییر می کند و در تکرار جدید با این مقادیر برنامه اجرا می شود.) به تبع آن با اتمام حالت تدریسی (یعنی از مرحله قبل یک عده چیزی یاد می گیرد) حد بالا از راه حل موجود به دست می آید و بهینه سازی با تعداد تکرار از قبل تعیین شده از حالت یادگیرنده انجام می شود. محدوده (رنج) ثابت برای PS به خاطر به دست آوردن قدرت انتخاب مورد استفاده قرار می گیرد. چنین استراتژی تکراری با بروزرسانی حد بالای رنج TMS بهبود قابل توجهی نسبت به تکنیکهای قبلی با ثابت نگه داشتن رنج TMS نشان می دهد. این الگوریتم برای شبکه های مختلف مورد آزمایش قرار گرفته و موثر بودن آن به دست آمده است (یعنی الگوریتم خیلی بهتر است). موردهای مطالعاتی جهت نشان دادن اثربخشی الگوریتم پیشنهادی در اینجا ارائه شده است. تاثیر منابع تولید پراکنده (نیروگاه های خورشیدی و بادی و… ) و استفاده از محدود کننده های جریان خطای ابررساناها جهت کاهش اثرات DG در این مطالعه ی موردی استفاده شده است.

Relay coordination problem is highly constrained optimization problem. Heuristic techniques are often used to solve optimization problem. These techniques have a drawback of converging to a non-optimum solution due to the wide range of design variables. On the other hand, initial solution becomes difficult to find with shorter range of design variables. This paper presents modified adaptive teaching learning based optimization algorithm to overcome this drawback of conventional heuristic techniques.The coordination problem is formulated as a constrained non-linear optimization problem to determine the optimum solution for the time multiplier setting (TMS) and plug setting (PS) of DOCRs. Initial solution for TMS is heuristically obtained with the commonly chosen widest range for TMS values. The upper bound of TMS range then substituted by the maximum TMS value in the first initial solution. The new upper limit is obviously lower than the earlier one. Next phase of optimization is carried out with the new range of TMS for the pre-determined iterations of teacher phase. Consequent to the completion of the teacher phase, new upper bound is obtained from the available solution and optimization is carried out for the pre-determined iterations of learner phase. This process is repeated to get the optimum solution. Fixed range for PS is used to obtain the selectivity. Such a strategy of iteratively updating the upper bound of TMS range shows remarkable improvement over the techniques which employ fixed TMS range. This algorithm is tested on different networks and has been found more effective. Four case studies have been presented here to showthe effectiveness of the proposed algorithm. The impact of distributed generation (DG) and application of superconducting fault current limiter to mitigate DG impact is presented in case study—III.

هماهنگی بهینه رله های اضافه جریان

مسئله ی هماهنگی رله اضافه جریان جهتی در حضور منابع تولید پراکنده که امروزه خیلی محبوبیت دارند در این مقاله مورد بررسی قرار گرفته است. رله ها تجهیزات در سیستم قدرت هستند که مسئله و مشکل مورد نظر را شناسایی و به کلیدهای قدرت موجود در سیستم قدرت دستور باز شدن و بسته شدن را صادر می کنند. رله های اضافه جریان نیز برای خطاهایی کاربرد دارند که جریان بیش از مقدار مناسب عبور کند و در اینصورت اگر جریان عبوری بیش از مقدار از پیش تعیین شده رله باشد، رله به کلیدهای قدرت جهت باز شدن دستور مورد نظر را صادر خواهد کرد.

در این مقاله هماهنگی رله اضافه جریان جهتی مورد بررسی قرار گرفته و الگوریتم مناسبی برای آن پیشنهاد شده است. اسم الگوریتم پیشنهادی MATLBO است. الگوریتم MATLBO برای تعیین مقادیر بهینه TMS و PS مربوط به DOCR در این مقاله مورد استفاده قرار گرفت. در این الگوریتم یک تنظیم پیشرفته برای متغیرهای طراحی با مقدار حداکثر TMS موجود از راه حل های قبلی تولید می شود. احتمال بهتر شدن راه حل های عملی افزایش می یابد. این استراتژی بروزرسانی تکرار حد بالای رنج TMS بهبود قابل توجهی را نشان می دهد که نسبت به تکنیکهای قبلی با رنج و محدوده ی ثابت TMS بهبود قابل توجهی دارد. نتایج الگوریتم پیشنهادی MATLBO بر ضعف الگوریتم TLBO غلبه کرده و قادر به پیدا کردن تنظیمات TMS و PS بهتر نسبت به الگوریتم های بهینه سازی ارائه شده ی قبلی را ارائه می کند.