بخشی از مقاله
چکیده
استفاده از منابع تولید پراکنده - DG - در سیستمهاي توزیع جهت کاهش تلفات امري فراگیر شده است. اما عدم توجه به تعیین اندازه و مکان نصب واحدهاي تولید پراکنده نه تنها کمکی به کاهش تلفات سیستم نمیکند، بلکه ممکن است باعث افزایش تلفات در شبکه نیز گردد. روشها و الگوریتمهاي بسیاري جهت یافتن مکان و ظرفیت مناسب منابع تولید پراکنده ارائه شده است که در بیشتر آنها مدل بار ثابت فرض شده است، اما زمانیکه بارسیستم متغییر با زمان باشد، استفاده از روش تحلیل بارهاي ثابت گمراه کننده و نتایج نادرست خواهد بود. در این مقاله با استفاده از الگوریتم اجتماع ذرات - PSO - با توجه به تاثیر تغییرات بار نسبت به زمان در یک بازه زمانی یک ماهه، به تعیین اندازه و مکان مناسب نصب DGجهت کاهش تلفات پرداخته شده است. نتایج بر روي یک سیستم توزیع شعاعی نمونه تست شده است.
واژههاي کلیدي: تولید پراکنده، DG، سیستم توزیع، تلفات، ضریب وزنی، سیکل کاري
-1 مقدمه
در گذشته و اوایل پیدایش شبکههاي برق، تولید انرژي الکتریکی به صورت محلی انجام میشد به عبارتی مراکز تولید به مراکز مصرف بسیار نزدیک بودند. یکی از علل مهم این نوعتولید انرژي در آن زمان عدم توانایی ساخت تجهیزات فشار قوي و تولید توان در مقیاس بالا بود. اما رشد بار و افزایش مصرف انرژي الکتریکی و در نتیجه نیاز به تولید توان بالا، از یک طرف و مشکلات زیست محیطی از طرف دیگر باعث شد که تولید محلی جاي خود را به نیروگاههاي متمرکز بدهد[1].یکی از بزرگترین مشکلات تولید توان توسط نیروگاههاي متمرکز، وجود میزان بالاي تلفات سالانه در خطوط انتقال توان میباشد که علت آن را میتوان در زیاد بودن فاصله بین تولید و مصرف جستجو نمود، مقدار این تلفات به اندازهاي است که میتواند نقش مهمی درتعیین نوع ترکیب شبکه ایفا نماید3]،. [2
از مزایاي استفاده از تولید پراکنده - DG - میتوان به مواردي همچون کاهش هزینههاي تولید، کاهش تلفات به دلیل نزدیکی محل تولید و مصرف انرژي، بهبود پروفیل ولتاژ، بهبود قابلیت اطمینان وامکان دسترسی به انرژيهاي نو و اثرات زیست محیطی مثبت اشاره نمود[4-6] .جهت دستیابی به اهداف فوق، بایستی مکان بهینه DG وظرفیت مناسب آن تعیین گردد.تاکنون مطالعات زیادي در راستاي تعیین مکان و ظرفیت بهینه منابع تولید پراکنده انجام شده است که هدف اصلی این پژوهشها کاهش تلفات شبکه و در نتیجه کاهش هزینههايبهره برداري در دراز مدت بوده است[7-10] .اگر قرار باشد مروري اجمالی بر کارهاي انجام گرفته شده در زمینه جایابی منابع تولید پراکنده داشته باشیم، میتوان کارهاي انجام شده تا کنون را به دستههاي زیر تقسیم بندي نمود.
برخی از مقالات11]،12،[16 به حل مسئله جایابی با استفاده از الگوریتمهاي هوشمند پرداختهاند که از آن میان مراجع12]،[11 با استفاده از الگوریتم ژنتیک به یافتن مکان و ظرفیت بهینه منابع تولید پراکنده جهت کاهش تلفات پرداخته اند، مرجع [14] با استفاده از الگوریتم کلونی مورچگان و مرجع [15] با استفاده از الگوریتم ژنتیک و سیستمهاي فازي به بررسی مسئله جایابی پرداختهاند.برخی دیگر از مقالات با استفاده از روشهاي تحلیلی و مبتنی بر روابط ریاضی به بررسی مسئله جایابی پرداختهاند16]،.[13 که در مرجع [13]علاوه بر روش تحلیلی، نتایج با استفاده از الگوریتم ژنتیک نیز مورد مقایسه و ارزیابی قرار گرفته است و در مرجع [16] از قبل نوع DG وتوان تولیدي آن مشخص بوده و تاثیر مکان و ظرفیت بهینه DG با استفاده از روش تحلیلی مورد بررسی قرار گرفته شده است.
دراین مقاله با در نظر گرفتن کارا بودن استفاده از DG ،ضمن در نظر گرفتن شرایط مختلف بارگذاري سیستم توزیع نسبت به زمان، در ابتدا یک تابع هدف مناسب جهت کاهش تلفات معرفی شده است سپس با استفاده از الگوریتم بهینه سازي اجتماع ذرات - PSO - از این تابع هدف جهت بدست آوردن مکان و ظرفیت بهینه منبع تولید پراکنده در شرایط مختلف بار گذاري بار سبک، بار پیک و بار متعادل استفاده شده است. الگوریتم ارائه شده بر روي یک سیستم توزیع پیاده شده و نتایج شبیه سازي موجود میباشد. ساختار مقاله پیش رو به شرح ذیل میباشد: در بخش دوم به معرفی سیستمهاي تولید پراکنده پرداخته شده است. معرفی و تشریح الگوریتم بهینه سازي ذرات در بخش سوم صورت گرفته است. چگونگی پیاده سازي الگوریتم اجتماع ذرات بر روش پیشنهادي در بخش چهارم آورده شده است. در بخش پنجم به فرمول سازي مسئله و معرفی تابع هدف پرداخته شده است. بخش ششم مربوط به شبیه سازي و در انتها در فصل هفتم نتیجه گیري آورده شده.
-2 تولیدپراکنده
تولید پراکنده یا iDG عموماً عبارت است از تولید برق در محل مصرف اما گاهاً به تکنولوژيهایی گفته میشود که از منابع تجدیدپذیر براي تولید برق استفاده میکنند. چیزي که عموماً مورد قبول است این است که این مولدها صرف نظر از نحوه تولید توان آنها، نسبتا کوچک بوده و ظرفیت آنها معمولاً کمتر از 300Mw میباشد و مستقیما به شبکه توزیع وصل میشوند. بالارفتن هزینههاي انتقال و توزیع، به مولدهاي تولید پراکنده این امکان را میدهد که برق تولیدي خودرا به قیمتی ارزانتر در اختیار مصرفکنندگان قرار دهند. علاوه بر این تولید پراکنده امکان استفاده از منابع پاك براي تولید برق را فراهم میکند.باید خاطرنشان کنیم که تولیدپراکنده یک مفهوم جدید نمیباشد و ایده آن از مدتها پیش وجود داشته و اکنون یک روند روبه رشد جهت تامین انرژي برق در قلب سیستم قدرت میباشد به طوریکه پیشبینی میشود تا پایان سال 2010مولدهاي تولید پراکنده حدود %25 از سهم تولید انرژي الکتریکی را بر عهده داشته باشند. انواع تکنولوژي هاي تولید پراکنده در شکل1 نمایش داده شده است. کاربردهاي مختلفDGها در[17] آورده شده است.
-3 بهینهسازي اجتماع ذرات - PSO -
الگوریتم PSO بر مبناي رفتار اجتماعی پرندگان بنا شده است. این روش در سال 1995میلادي توسط Kennedy و Eberhart ارائه شد که در واقع تلفیقی از حیات مصنوعی و محاسبات تکاملی میباشد20]،18،[19 .براي درك بهتر نحوه عملکرد الگوریتم PSO که رفتار اجتماعی پرندگان را شبیهسازي میکند میتوان سناریوي زیر را در نظر گرفت. یک دسته از پرندگان به طور تصادفی در یک محیط به دنبال غذا میگردند. هیچ کدام از پرندگان اطلاعی در مورد محل غذا ندارند ولی در هر مرحله میدانند که چقدر از محل غذا فاصله دارند. حال این سؤال مطرح است که بهترین استراتژي براي پیدا کردن غذا چیست؟ به نظر میرسد که دنبال کردن نزدیکترین پرنده به غذا راه حل مناسبی است. الگوریتم PSOاین سناریو را یاد میگیرد و از آن براي حل مسائل بهینه سازي استفاده میکند.
در این الگوریتم، هر جواب به عنوان یک پرنده در فضاي جستجو در نظر گرفته میشود که آن را فردii مینامند. هر یک از این افراد یک تابع برازش دارند که میخواهند آن را بهینه کنند و مقدار آن با توجه به فاصله شخص تا هدف محاسبه میشود. همین طور هریک جهتی دارند که در راستاي آن حرکت میکنند. در ابتدا، PSO توسط یک گروه از افراد که به طور تصادفی تولید شدهاند مقداردهی میشود و جستجو براي پیدا کردن جواب بهینه آغاز میگردد. در ساختار کلی جستجو هر فرد از فردي تبعیت میکند که بهینهترین تابع برازش را دارد، ضمن اینکه تجربه خودش را نیز فراموش نمیکند و از حالتی که خودش در آن بهترین تابع برازش را داشته نیز پیروي میکند. بنابراین در هر تکرار الگوریتم، هر فرد موقعیت بعدي خود در فضاي جستجو را با توجه به دو مقدار تغییر میدهد،
یکی بهترین موقعیتی است که خود آن فرد تا کنون داشته است - pbest - و دیگري بهترین موقعیتی که تا کنون توسط کل افراد جمعیت به وجود آمده است و در واقع بهترین pbest در کل جمعیت میباشد . - gbest - از نظر مفهومی، pbest براي هر فرد در واقع حافظه اتوبیولوژیکی آن فرد محسوب میشود و تغییر موقعیت افراد بر اساس pbestدر واقع پاسخ به احساس غربتی است که افراد هنگام دوري از محلی که در آن بیشتر ارضاء میشوند، دارند. gbest همان دانش عمومی جمعیت است و وقتی که افراد موقعیت خود را بر اساس gbest تغییر میدهند در واقع تلاش میکنند که سطح دانش خود را به سطح دانش جمعیت برسانند. البته در نوع دیگر این الگوریتم هر فرد به جاي تبعیت از بهترین فرد کل جمعیت از بهترین فرد بخش محدودي از جمعیت که در اطراف خودش قرار دارند پیروي میکند. به این مقدار lbestمیگویند و در بخشهاي بعد در مورد آن توضیح بیشتري داده میشود.
با توجه به مقادیر pbest و gbest، هر فرد از روابط - 1 - و - 2 - براي تعیین موقعیت بعدي خود استفاده میکند.در روابط بالا c1 و c2 پارامترهاي یادگیري هستند که معمولاً مساوي با 2 انتخاب میشوند. rand - - تابعی براي تولید اعداد تصادفی در محدودة 1]و[0 است. presentt موقعیت فعلی و vt سرعت حرکت افراد میباشد. wt یک پارامتر کنترلی است که تأثیر سرعت فعلی - vt - را بر سرعت بعدي کنترل میکند و یک حالت تعادل بین توانایی الگوریتم در جستجو به صورت محلی و جستجو به صورت سراسري ایجاد مینماید و در نتیجه به طور میانگین در زمان کمتري به جواب میرسیم. منطقی به نظر میرسد که wt به صورت تدریجی کاهش یابد تا در ابتدا جستجو به صورت سراسري صورت بگیرد و به تدریج به سمت جستجوي محلی پیش برویم. بردار به روز رسانی به صورت شکل2 میباشد.همچنین روند اجراي الگوریتم PSO در شکل3 نمایش داده شده است .[21]
