دانلود ترجمه مقاله حل مساله جایابی خازن در شبکه های توزیع شعاعی

1. مقدمه 2. فرمولاسیون مساله 3. ضریب حساسیت تلفات (LSF) 4. سیستم خبره فازی (FES) 5. یک رویکرد مبتنی بر الگوریتم ژنتیک مرتب سازی غیرغالب (NSGA II) 6. نتایج عددی و بحث و بررسی 7. نتیجه گیری

چکیده – در این مقاله، مسئله مکانیابی بهینه خازن مورد بررسی قرار می گیرد. این مقاله، روش های بیشینه سازی پایداری ولتاژ، کمینه سازی تلفات توان و افزایش صرفه جویی خالص سالانه را پیشنهاد می کند. محاسبه مکان ها و اندازه های بهینه خازن های ثابت و سوئیچ شونده، در دو مرحله انجام می شود. مرحله اول، استفاده از قوانین خبره فازی در محاسبه مناسب ترین شین ها برای مکان خازن است. درحالی که مرحله دوم، استفاده از الگوریتم ژنتیک مرتب سازی غیرغالب 2 (NSGA-II) در تعیین فهرست جواب های بهینه پارتو و سپس بکارگیری یک تصمیم گیرنده فازی برای انتخاب مناسب ترین، می باشد. جهت تاکید بر اثربخشی روش پیشنهادی، سیستم های توزیع شعاعی پیشنهاد می شوند که عبارتند از سیستم IEEE 33 شین و سیستم IEEE 94 شین عملی کشور پرتغال. برای نشان دادن کارآمدی و کاربردی بودن این روش، یک «الگوریتم چرخه آب چندهدفی» (MOWCA)، «بهینه سازی کننده گرگ خاکستری چندهدفی» (MOGWO) و بهینه کننده های دیگر استفاده شده در مقاله های منتشر شده، بکار گرفته می شوند. با استفاده از شبیه سازی و تحلیل، NSGA-II پیشنهادی عملکرد بهتری نسبت به بهینه کننده های دیگر ملاحظه شده جهت مقایسه در دستیابی به حداکثر درصد کمینه سازی در تلفات توان حقیقی 32.369% و 31.1011% برای سیستم 33 شین و 25.6296% و 25.3027% برای سیستم 94 شین، حداکثر درصد کمینه سازی تلفات توان راکتیو 31.7916% و 30.4948% برای سیستم 33 شین و 25.9457% و 25.8001% برای سیستم 94 شین، حداکثر صرفه جویی خالص سالانه 23,612 و 23,131 دلار برای سیستم 33 شین به ترتیب برای خازن های ثابت و سوئیچ شونده، و تقویت پایداری ولتاژ کلی، که نشان دهنده توانایی عالی آن برای ارائه راهکارهای کیفیت بالا می باشد.

The optimal capacitor allocation problem is suggested in this article. This study purposes to maximize the voltage stability, minimize the power losses, and consolidate the annual net savings. Calculating the optimal locations and sizes of fixed and switched capacitors is done in two steps. The first step is using the fuzzy expert rules in calculating the most candidate buses for capacitor allocation. While the second step is using a nondominated sorting genetic algorithm II (NSGA-II) in determining the list of Pareto optimal solutions and then applying a fuzzy decision maker to pick the most compromise. To emphasize the effectiveness of the proposed method, radial distribution systems are proposed; IEEE 33-bus system and the actual Portuguese IEEE 94-bus system. To demonstrate the strength and applicability of this method, a multiobjective water cycle algorithm (MOWCA), multiobjective grey wolf optimizer (MOGWO), and other optimizers used in the published papers are used. From simulation and analysis, the proposed NSGA-II outperforms other optimizers considered for comparison in achieving the maximum percentages of minimization in a real power loss of 32.369% and 31.1011% for the 33-bus system and 25.6296% and 25.3027% for the 94-bus system, the maximum percentages of minimization in a reactive power loss of 31.7916% and 30.4948% for 33-bus system and 25.9457% and 25.8001% for the 94-bus system, the maximum annual net savings of 23,612 $ and 23,131 $ for the 33-bus system for fixed and switched capacitors, respectively, and boosting the total voltage stability, which show its superior ability to give high-grade solutions.