بخشی از مقاله
خلاصه
تعیین مکان نصب و اندازه ی بهینه ی تجهیزات FACTS در شبکه ی توزیع یکی از دغدغه های بهره برداران شبکه ی توزیع است که نقش بسزایی در بهبود عملکرد شبکه دارد. در این مقاله یک روش جدید بر مبنای الگوریتم فرا ابتکاری جستجوی هارمونی برای تعیین هم زمان مکان و اندازه ی بهینه ی UPFC و STATCOM در حضور مزارع بادی ارائه شده است. در روش پیشنهادی، مسئله ی جایابی و اندازه یابی هم زمان در قالب یک مسئله ی بهینه سازی مقید و با هدف بهبود پروفایل ولتاژ و کاهش تلفات شبکه فرمول بندی شده است. جهت انجام محاسبات پخش بار، از روش پخش بار پسرو-پیشروی اصلاح شده استفاده شده که اثر حضور تجهیزات FACTS و توربین های بادی را در نظر میگیرد. به منظور اعتبارسنجی روش پیشنهادی، شبکه ی توزیع 33 باسه ی IEEE در محیط نرم افزار متلب شبیه سازی شده است که نتایج آن، کارآیی روش ارائه شده را تأیید میکند.
کلمات کلیدی: الگوریتم جستجوی هارمونی، توربین بادی، پروفایل ولتاژ، کاهش تلفات، UPFC و STATCOM
.1 مقدمه
کمبود توان راکتیو در شبکه های قدرت، سیستم را به سوی ناپایداری سوق میدهد و منجر به ایجاد افت ولتاژ و نوسانات ولتاژی میگردد. استفاده از تپ چنجر یکی از روش های سنتی کنترل ولتاژ است که به دلیل محدودیت تپ ترانس ها، بازه ی عملکرد کوچکی دارد، از طرفی توان راکتیو تولید شده توسط ژنراتورها و بانک های خازنی برای تغییرات ناگهانی بارها و کاربردهای فوری مثل توربین های بادی بسیار کند است.[2 ,1]با توجه به پیشرفت های اخیر در زمینه ی الکترونیک قدرت، استفاده از تجهیزات FACTS در سیستم قدرت و شبکه ی توزیع رواج یافته و این تجهیزات به ابزاری قدرتمند جهت کنترل توان راکتیو تبدیل شده اند.
تجهیزات FACTSدر کنار مزایای فراوانی که دارند گران قیمت هستند. بنابراین تعیین مکان نصب و اندازه ی بهینه ی آن ها یک مسئله ی مهم است که تا کنون مطالعات گسترده ای در مورد آن صورت گرفته است.استفاده از الگوریتم های هوشمند بهینه سازی یکی از ابزارهای موثر در مکان یابی تجهیزات FACTS در سیستم های قدرت است. در [3] از الگوریتم ژنتیک برای مکان یابی بهینه ی تجهیزات FACTS در سیستم قدرت به منظور بهبود پایداری سیستم استفاده شده است. در [4] از الگوریتم چند هدفه ی ژنتیک برای یافتن مکان بهینه ی UPFC جهت بهبود عملکرد سیستم قدرت استفاده شده است. در [5] یک الگوریتم تفاضلی - - DE برای مکان یابی و تنظیم بهینه ی UPFC با هدف بالا بردن امنیت سیستم تحت شرایط وجود یک اغتشاش با معیار پایداری N-1 ارائه شده است.
استفاده از معیار پایداری N-1 در مکان یابی UPFC با استفاده از الگوریتم هوشمند PSO در مرجع [6] گزارش شده است. در [7] برای مکان یابی UPFC جهت بالا بردن میزان بارپذیری سیستم، روش جدیدی مبتنی بر تغییرات حساسیت توان عبوری از خط بر حسب پارامترهای شبکه پیشنهاد شده است. در [8] مکان یابی و اندازه یابی بهینه ی تجهیزات FACTS با استفاده از الگوریتم ژنتیک ارائه شده که در این روش به منظور سهولت استفاده ی کاربر یک رابط گرافیکی به کار گرفته شده است. در [9] به منظور توزیع بهینه ی هم زمان توان اکتیو و راکتیو شبکه در حضور عدم قطعیت های موجود در بار و مزارع بادی از الگوریتم کرم شب تاب استفاده شده است.
در [10] برای کنترل توان راکتیو شبکه، متغیّرهایی همچون تپ ترانسها، توان تزریقی خازن ها و ولتاژ باس های PV شبکه و برای کنترل توان اکتیو شبکه، فاکتورهای پخش بار اقتصادی و تلفات در نظر گرفته شده است. در [11] به منظور بهینه سازی توان راکتیو تزریقی توسط تجهیزات FACTS شبکه از الگوریتم جستجوی گرانشی استفاده شده که تابع هدف مسئله شامل تلفات و انحرافات ولتاژ باس های شبکه است.در این مقاله مکان یابی و اندازه یابی بهینه و هم زمان UPFC و STATCOM با هدف بهبود پروفایل ولتاژ حالت ماندگار شبکه و کاهش تلفات آن در حضور مزارع بادی با استفاده از الگوریتم فرا ابتکاری جستجوی هارمونی ارائه شده است. در بخش دوم الگوریتم جستجوی هارمونی تشریح میگردد. پس از آن، ساختار کلی UPFC و STATCOM به طور مختصر تشریح شده و در ادامه نحوه ی مدل سازی آن ها در روش پخش بار پسرو-پیشرو بیان خواهد شد. در انتها نیز شبیه سازی شبکه ی مورد نظر و نتایج مربوط به آن ارائه شده است.
.2 الگوریتم جستجوی هارمونی
الگوریتم فرا ابتکاری جستجوی هارمونی از فرآیند طبیعی اجرای موسیقی برگرفته شده است. همانطور که آهنگ ساز به دنبال یافتن زیباترین آهنگ است، در فرآیند بهینه یابی نیز به دنبال یافتن بهترین جواب برای مسئله هستیم. مناسب بودن جواب در فرآیند بهینه یابی با بررسی تابع هدف تعیین میشود. در ساخت آهنگ، زیبایی آهنگ را گام هر یک از دستگاه های موسیقی تعیین میکند و در بهینهیابی نیز مقدار تابع هدف را متغیّرهای مسئله تعیین می-کنند .[12] گام های الگوریتم جستجوی هارمونی را میتوان به صورت زیر بیان کرد:
گام اول: فرمول بندی مسئله و تعریف پارامترهای الگوریتم؛ مسئله ی بهینه سازی به صورت زیر بیان میشود:که تابع هدف، بردار متغیّرهای مسئله - که اعضای آن ها هستند - ، مجموعهی مقادیر ممکن برای متغیّر و نیز تعداد متغیّرهای مسئله است. پارامترهای الگوریتم جستجوی هارمونی نیز که در این مرحله تعیین میشوند عبارتند از: اندازه ی حافظه ی هارمونی، نرخ انتخاب از حافظه ی هارمونی، نرخ تنظیم کوک، عرض نوار تنظیم کوک و معیار توقف یا حداکثر تعداد جستجوها. نرخ انتخاب از حافظه ی هارمونی و نرخ تنظیم کوک مقداری بین صفر و یک است.
گام دوم: تشکیل حافظه ی هارمونی - HM - ؛ در این گام، ماتریس حافظهی هارمونی با انتخاب تصادفی متغیّرها در هر بردار پاسخ تشکیل میشود، پس از تشکیل اولیه ی حافظه ی هارمونی، بردارهای پاسخ بر اساس مقدار تابع هدف به ازای این بردارها مرتب میشوند:
گام سوم: تشکیل یک بردار پاسخ جدید؛ در این گام یک بردار پاسخ جدید مانند بر اساس قوانین سهگانه ی الگوریتم، شامل انتخاب از حافظه ی هارمونی، تنظیم کوک و انتخاب تصادفی تشکیل داده میشود. برای مثال مقدار متغیّر اول در بردار پاسخ جدید، ، میتواند از مقادیر موجود برای این متغیّر در حافظه ی هارمونی ، انتخاب شود. این انتخاب را میتوان به صورت زیر بیان نمود:پارامتر نشان دهنده ی احتمال انتخاب مقدار یک متغیّر در بردار پاسخ جدید از مقادیر موجود در حافظه ی هارمونی برای آن متغیّر است؛ نیز نشان دهندهی احتمال انتخاب تصادفی مقدار یک متغیّر از مجموعه ی مقادیر ممکن برای آن متغیّر است که محدود به حافظه ی هارمونی نیست.مقدار نباید برابر واحد انتخاب شودزیرا ممکن است مقداری از متغیّر که منجر به جواب بهینه میشود در حافظه ی هارمونی ذخیره نشده باشد. در ادامه هر یک از اعضای بردار پاسخ جدید برای تعیین لزوم یا عدم لزوم تنظیم کوک مورد بررسی قرار میگیرد.تنظیم کوک تنها برای اعضایی از بردار پاسخ جدید انجام میشود که از حافظه ی هارمونی انتخاب شده اند. نشان دهنده ی احتمال عدم تنظیم کوک است. اگر تصمیم تنظیم کوک برای متغیّر برابر یعنی k امین عضو مجموعه ی باشد، مقدار این متغیّر پس از تنظیم کوک به صورت زیر خواهد بود:
