بخشی از مقاله
چکیده
در این مقاله از الگوریتم تکاملی- ترکیبی جدیدی برای حل مسئله بازآرایی شبکه های توزیع استفاده شده است، این الگوریتم بر اساس ترکیب الگوریتم جدید اجتماع ذرات تطبیق یافته فازی - NFAPSO - و الگوریتم تکامل تفاضلی - DE - است که به صورت NFAPSO-DE تعریف می شود. این الگوریتم ترکیبی از الگوریتم PSO برای پیدا کردن منطقه جواب بهینه استفاده می کند و سپس از الگوریتم ترکیبی برای پیدا کردن نقطه بهینه استفاده می کند.در پایان عملکرد الگوریتم با استفاده از دو سیستم تست 33 باس و 69 باس IEEE نشان داده شده است، نتایج شبیه سازی ها نشان می دهد که روش ارائه شده بسیار قدرتمند و مؤثر برای دستیابی به جواب بهینه عمومی است.
کلمات کلیدی: بازآرایی شبکه های توزیع - - DFR، کاهش تلفات، الگوریتم جدید اجتماع ذرات تطبیق یافته فازی - - NFAPSO ، الگوریتم تکامل تفاضلی - DE -
مقدمه
شبکه های توزیع به علت سطح ولتاژ پایین و در نتیجه جریان بالا دارای تلفات توان و افت ولتاژ بسیار بالا می باشد. یکی از روش های مؤثر و کم هزینه به منظور بهبود مشخصه های شبکه از جمله تلفات توان، بازآرایی شبکه های توزیع می باشد، این شبکه ها برای دارا بودن قابلیت اطمینان بالاتر معمولا به صورت حلقوی یا غربالی طراحی می شوند، اما به صورت شعاعی بهره برداری می شوند.
در سیستم های توزیع شعاعی به منظور کاهش تلفات می توان ساختار اولیه سیستم را تغییر داد و به ساختار جدیدی رسید، در این شبکه ها دو نوع کلید وجود دارد: کلیدهایی که در حالت معمول بازو کلیدهایی که در حالت معمول بسته هستند این تغییر ساختار یا همان بازآرایی با باز کردن کلیدهای به صورت عادی بسته - سکشنالایزرها - و بستن کلیدهای در حالت عادی باز - تای سوییچ ها - انجام می شود به گونه ای که ساختار شعاعی سیستم باقی بماند و همه ی بارها تغذیه شوند. در یک دسته بندی بر اساس روش جستجو می توان مسئله بازآرایی شبکه های توزیع را به بازآرایی بر اساس روش های ابتکاری و روش های هوش مصنوعی تقسیم بندی کرد.
هدف
مسئله بازآرایی شبکه های توزیع یک مسئله بهینه سازی غیر خطی با متغییر های عددی پیچیده است و همچنین یک مسئله چند هدفه است شامل اهدافی مانند : کاهش تلفات توان، کاهش تغییرات ولتاژ از مقدار نامی،کاهش نامتعادلی بار روی ترانس ها و باس ها ، کاهش تغییرات جریان خطوط، افزایش قابلیت اطمینان شبکه . در این پایان نامه تابع هدف کاهش تلفات توان حقیقی است. مفهوم بازآرایی شبکه توزیع به منظورکاهش تلفات ابتدا در سال 1975 توسط مرلین و بک معرفی شد.
پس از آن شیر محمدی و هانگ همان ایده را توسعه دادند، در سال های اخیر الگوریتم های تکاملی به دلیل توانایی آنها در حل مسائل بهینه سازی پیچیده، غیر خطی و گسسته مورد توجه فراوان قرار گرفته اند از جمله الگوریتم ژنتیک که بر اساس قوانین تکامل و انتخاب طبیعی است.از سال 1990 الگوریتم ژنتیک به طور گسترده ای به منظور حل مسئله بازآرایی شبکه های توزیع مورد استفاده قرار گرفت از جمله در مراجع در کنار مزایای فراوان الگوریتم ژنتیک این الگوریتم معایبی دارد از جمله سرعت همگرایی پایین و همچنین مراحل زیاد شبیه سازی برای پیدا کردن نقطه بهینه. الگوریتم PSO در مورد این مسائل بهبود هایی نشان داده است.
ازجمله توانایی جستجوی محلی و عمومی برای پیدا کردن نقطه بهینه با زمان کم محاسبات. الگوریتمبهینه سازی اجتماع ذرات الگوریتم نسبتاً جدیدی است که با ایده گرفتن از حرکت تجمعی پرندگان یا انواع ماهیان برای یافتن غذا طراحی شده است، که برای یافتن نقطه بهینه جمعیت را آپدیت می کند و برخلاف الگوریتم ژنتیک هیچ اپراتور تکاملی ندارد از جمله معایب الگوریتم اجتماع ذرات می توان گفت که این الگوریتم با وجود سیستم سرچ سریع در مسائل با توابع هدف پیچیده اغلب از افتادن در نقطه بهینه محلی و همگرایی سریع رنج می برد ما در این مقاله برای رفع این مشکل و استفاده از قدرت اکتشاف و عملکرد بهینه الگوریتم تکامل تفاضلی از ترکیب این دو الگوریتم با هم استفاده کرده ایم. الگوریتم DE ورژن ارتقا یافته الگوریتم ژنتیک است و عملگرهای یکسانی دارند با این تفاوت که در تکامل تفاضلی ابتدا عملگر جهش و سپس تقاطع اعمال می شود.
الگوریتم پایه اجتماع ذرات
در سال 1995 ابرهارت و کندی با ایده گرفتن از حرکت تجمعی پرندگان یا انواع ماهیان برای یافتن غذا، اقدام به طراحی الگوریتم بهینه سازی اجتماع ذرات کردند. این الگوریتم یکی از الگوریتم های موفق در زمینه بهینه سازی پیوسته و گسسته بوده است.در مقایسه با دیگر الگوریتم های تکاملی، مزیت الگوریتم pso عبارتند از : محسوس بودن مفاهیم الگوریتم، مکانیسم پیاده سازی آسان، قابلیت کنترل و تنظیم پارامترهای آن، نیاز به حافظه اندک، قابلیت جستجوی تصادفی سراسری در کل فضای مسئله .
الگوریتم اجتماع ذرات فازی شده
الگوریتم pso سه پارامتر تنظیم کننده W,C1,C2 را دارد که عملکرد الگوریتم را به طور عمده تحت تاثیر قرار می دهد. یک ضریب اینرسی بزرگ جستجوی عمومی را آسان تر می کند در حالی که ضریب اینرسی کوچکتر تلاش می کند جستجوی محلی را آسان تر کند فاکتورهای یادگیری C1 و C2 ذرات را به سمت مکان های بهینه عمومی و محلی Pbestو Gbest هدایت می کنند. از آنجاییکه C1 بیان می کند که هر ذره چقدر به تجربه قبلی خود اعتماد دارد آن را پارامتر اطمینان خودی یا پارامتر شناختی گوییم و همچنین به این دلیل که C2 بیانگر این است که هر ذره چه مقدار به تجربه جمعی اعتماد دارد آن را پارامتر اجتماعی می نامیم. حال اگر C1>C2 انتخاب شود ذرات بیشتر به سمت موقعیت بهینه حاصل از تجربه خود Pbestکشیده می شوند تا موقعیت بهینه اجتماعی Gbest و اگر C1=C2 در نظر بگیریم ذرات به سمت موقیتی می روند که بین Pbest و Gbest باشد تحقیق ما بیان می دارد که انتخاب پارامتر شناختی بزرگتر از پارامتر اجتماعی - - C1>C2 بهتر خواهد بود.
پارامترهای تنظیم W,C1,C2 اغلب ثابت هستند و یا اینکه به صورت خطی تغییر میکنند اما تغییرات این پارامترها به صورت خطی در بسیاری از موارد جواب بهینه ای به دست نخواهد داد. طبق تجربه می دانیم: -1 وقتی که بعد از اجرای برنامه مینیمم سازی یک تابع هدف مقدار بهترین تابع هدف که تا کنون بدست آمده - BF - پایین است، پارامترهای یادگیری بالا و ضریب وزنی پایین ترجیح داده می شود -2 وقتی که بعد از اجرا تابع هدف برابر مقدار بهینه محلی خود است و همچنین تعداد تولیدات برای تابع هدف بهبود نیافته - NU - زیاد است در این شرایط سیستم در مینیمم محلی گیر می افتد، پس سیستم باید روی بهره برداری از جواب ها بیشتر تمرکز کند تا جستجو پس ضریب وزنی باید افزایش یابد و پارامترهای یادگیری کاهش یابند. بر اساس این دانش ما یک سیستم فازی برای تنظیم پارامترهای W,C1,C2 به عنوان خروجی متناسب با تغییرات مقدار بهترین تابع هدف - BF - و تعداد تولید برای تابع هدف بهبود نیافته - NU - به عنوان ورودی ها در نظر گرفته ایم .
