بخشی از مقاله
چکیده :
بحث تاثیرات مفید استفاده از منابع تولید پراکنده - DG - ، در سال های اخیر در اکثر مباحث علمی مورد بررسی قرارگرفته است. این منابع دارای مزایای بسیاری از قبیل: بهبود پروفیل ولتاژ، قابلیت اطمینان و کیفیت توان، به همراه کاهش تلفات، پیک سایی و ... می باشد. در این مقاله به بررسی مکان و مقدار بهینه ظرفیت تولیدی منابع DG با استفاده از دو الگوریتم هوشمند GA - ژنتیک - و PSO در شبکه توزیع واقعی با هدف کاهش هزینه تلفات و بهبود پروفایل ولتاژ می پردازیم ودر انتها نیز، نتایج بدست آمده از مکان و توان های تولیدی این دو الگوریتم را برای شبکه توزیع شهرکرد مقایسه می کنیم.
کلمات کلیدی: تولید پراکنده - - DG، الگوریتم ژنتیک، الگوریتم پرندگان، پروفیل ولتاژ.
-1 مقدمه :
تولید پراکنده یا - Distributed Generation - DG عموماً عبارتست از تولید برق در محل مصرف،اما گاهاً به تکنولوژی هایی گفته می شود که منابع تجدیدپذیر برای تولید برق استفاده می کنند. چیزی که عموماً مورد قبول است، این است که این مولدها صرف نظر از نحوه تولید توان آنها، ظرفیت تولیدی آنها معمولاً کوچک می باشد و مستقیماً به شبکه توزیع وصل می شوند.امروزه با رشد روزافزون تقاضای برق، با تجدید ساختار و نیز حرکت سیستم های قدرت از ساختار سنتی به سمت ساختار رقابتی - بازار برق - و مشکلات اقتصادی و محیطی نیروگاه های بزرگ، باعث شده که تولید پراکنده جایگاه ویژه ای بیابند.پیش بینی می گردد که تولید پراکنده سریعاً سهم قابل توجهی از تولید برق آینده جهان را به عهده بگیرد.
دلیل این امر، مزایای بسیار مفید این منابع می باشد. استفاده از این مولدها در جهان درحال افزایش می باشد، که در جدول - 1 - نشان داده شده است.همانطور که در جدول مشاهده می شود، پیش بینی می شود که این مقدار در سال های آینده، به بیش از %38 برسد . ولی باید توجه داشت، که نباید تاثیرات مثبت استفاده از DG را در همه نواحی شبکه انتظار داشت. زیرا ممکن است در بعضی حالات تعارض عملیاتی به وجود آید - به خصوص در بحث حفاظت - ، و این بدان معنی است که، تولیدات پراکنده می تواند تاثیر منفی هم در شبکه داشته باشند که می توان با انتخاب محل بهینه اتصال DG و نیز توان بهینه مورد نیاز در شبکه توزیع، تاثیر منفی ممکنه را حداقل نماییم.
-2 مدل سازی DG
با فرض اینکه محدودیتی از نظر تامین انرژی نداشته باشیم، برای اکثر منابع تولید پراکنده می توان محدودیت توان اکتیو را بصورت زیر در نظر گرفت:
البته برای گونه ای از DG ها که شامل منابع تجدید پذیر انرژی هستند مثل توربینهای بادی و سلولهای خورشیدی، توان اکتیو با فرکانس و ولتاژ خروجی ارتباط پیدا میکند.[1]در مبحث تولید پراکنده مساله توان راکتیو کمی متفاوت است. DG های کوچک و متوسط شامل ژنراتورهای القایی هستند که توان راکتیو کمی متفاوت است. DG های کوچک و متوسط شامل ژنراتورهای القایی هستند که توان راکتیو مصرف میکنند و توانایی تولید Q را ندارند .[2] البته راه کارهای متعددی جهت جبران این مشکل وجود دارد به عنوان نمونه به کمک مبدلهای الکترونیک قدرت - که در اکثر انواع DG وجود دارند - میتوان مقادیری از Q را به شبکه تزریق و یا جذب نمود.[3] در دیگر انواع DG که شامل ژنراتورهای سنکرون هستند تولید Q بستگی به استراتژی کنترل داردکه معمولاً به دو نوع استراتژی کنترل می توان اشاره نمود :[4] - 1 حالت Q ثابت PF ثابت
- 2 حالت ولتاژ ثابت
با توجه به توضیحات فوق باس متصل به DG در محاسبات پخش بار یک باس تولید است که بسته به استراتژی کنترل و در نظر گرفتن محدودیت این باس میتواند از حالت PV به PQ تبدیل گردد. در مرحله بعد به استراتژی کلی جهت تعین مکان و ظرفیت DG میپردازیم.
-3 جایابی و مقدار یابی بهینه منابع DG
در این مقاله برای یافتن مکان بهینه برای نصب منابع تولید پراکنده، و همچنین میزان تولید توان اکتیو بهینه این منابع در شبکه های توزیع می خواهیم از دو روش بهینه سازی هوشمند: - Genetic Algirithm - "GA" که اغلب در این زمینه به کار می رود و نیز - particle Swarm Optimization - "pso" که اخیراً در امر بهینه سازی به کارگرفته می شوند، و نیز دارایمزایایی همچون، سرعت بالا و سادگی روند الگوریتم آن، می باشد استفاده می کنیم. لازم به ذکر است که در این مقاله در ابتدا با استفاده از الگوریتم ژنتیک پروسه جایابی و مقداریابی برای بهبود پروفیل و کاهش هزینه تلفات پرداخته می شود و سپس با استفاده از الگوریتم Pso ، همنی پروسه را مجدداً اجرا می کنیم، و در نهایت نتایج بدست آمده از این دو الگوریتم را با هم مقایسه خواهیم کرد .
-4 تابع هدف مسئله
در این مقاله برای بهبود پروفیل ولتاژ شبکه های توزیع، با کمترین هزینه ممکن دو تابع هدف مجزا از هم در نظر گرفته می شود و مجموع آنها مقدار برازندگی را برای هر یک از اعضای جمعیت در این مسئله محاسبه می کند که در زیر به طور کامل بیان شده است. که در هر دو این دو تابع هدف که بیان خواهد شد جمله اول تابع هدف اصلی مسئله می باشد و دیگر جملات قیود نامساوی هستند که به صورت یک تابع جریمه به تابع هدف اضافه می شوند.
-1-4 بهبود پروفیل ولتاژ
تابعی هدفی که برای جایابی و مقداریابی بهینه منابع تولید پراکنده برای بهبود پروفیل ولتاژ در این مقاله به کاررفته است به صورت زیر می باشد >5@:که در آن :
: ولتاژ مطلوب در باس i ام
: ولتاژ در باس i ام در کلیه و در هر مرحله
: مینیمم و ماکزیمم و دامنه مجاز ولتاژ باس i ام
: ماکزیمم دامنه جریان قابل تحمل شاخه j ام : ضرایب جریمه
: n تعداد باس های شبکه :m تعداد شاخه ها
-2-4 کاهش هزینه تلفات
تابع هدف مورد بحث در این مقاله کاهش هزینه تلفات می باشد. رابطه - 2 - مشخص کننده این تابع هدف است:
دراین رابطه:
: CL هزینه کل تلفات
: B فاکتور اقتصادی برای تبدیل هزینه جاری به ارزش کنونی
: Ploss تلفات شبکه توزیع
: u1 , u2 نرخ بار پایه و بارپیک است
:نرخ بهره
f: نرخ تورم
: k1 , k2 درصد زمانی بار پیک و بار پایه :نرخ رشد باربرازندگی هر کروموزوم معکوس مقدار تابع هدف آن می باشد. یعنی:
5 -معرفی الگوریتم ژنتیک به کاررفته جهت تعیین مکان و ظرفیت DG
الگوریتم ژنتیک یکی از الگوریتم های تکاملی - هوشمند - می باشد که تاکنون در طراحی و بهینه سازی بساری از مسائل علمی و فنی با تابع هدف های گوناگون از این الگوریتم به طور گسترده ای استفاده شده است. در این مقاله از یک الگوریتم ژنتیک استاندارد که با کد های باینری کار می کند استفاده کرده ایم و در آن عمل جهش را با احتمال0/05 قرار داده ایم و عمل انتخاب را نیز با روش چرخ رولت - بر اساس میزان برازندگی هر کروموزم - اجرا کرده ایم .
تا کنون کد گذاری برای داده ها در روش های مکان یابی با الگوریتم ژنتیک به گونه ای بوده است که ابتدا برای یک شبکه توزیع با n باس یک کروموزم به طول n در نظر گرفته می شود سپس فرض می شود که k سایز مختلف از DG داشته باشیم که اعداد 1 تا Kمعرف هر یک از این سایزها می باشد مثلاً عدد 1 معرف 20KVA، عدد 2 معرف 40KVA و... هستند در هر مرحله از n محل عدد صفر نمایانگر عدم وجود DG و اعداد از 1 تا K معرف اتصال DG با سایزهای مربوط به باس مورد نظر می باشد که یک نمونه 8 بیتی از آن در زیر آمده است که در آن روی شین های 1 و 3 و 6 و 8 هیچ منبعی قرار نگرفته است ولی روی شین های 2 و 5 منبع 20KVA نصب می شود، و روی شین های 4 و 7 به ترتیب، منابع 60Kw و 40Kw قرار گرفته است.[6] و [7]
-6 الگوریتم PSO
PSO با یک گروه از جوابهای تصادفی - ذره ها - شروع به کار می-کند، سپس برای یافتن جواب بهینه در فضای مسئله با به روز کردن نسلها به جستجو میپردازد. هر ذره بصورت چند بعدی - بسته به طبیعت مسئله - با دو مقدار X id و Vid که به ترتیب معرف وضعیت مکانی وسرعت مربوط به بعد d ام ازi امین ذره هستند تعریف می-شود. در هر مرحله از حرکت جمعیت، هر ذره با دو مقدار بهترین به روز میشود.[8] اولین مقدار، بهترین جواب از لحاظ شایستگی است که تا کنون برای هر ذره بطور جداگانه بدست آمده است - مقدار شایستگی باید ذخیره شود - این مقدار p_best نامیده میشود. مقدار بهترین دیگری که توسط PSO بدست میآید، بهترین مقداری است که تا کنون توسط تمام ذره ها در میان جمعیت بدست آمده است این مقدار بهترین کلی است وg_best نام دارد - مقدار شایستگی باید ذخیره شود - . اگر ذره در یک همسایگی مکانی خودش بعنوان جمعیت شرکت کند این مقدار تنها در همان همسایگی محاسبه میشود و بهترین محلی است که l_best نام دارد. بعد از یافتن دو مقدارp_best و - l_best - g_best هر ذره سرعت ومکان جدید خود را طبق روابط زیر به روزمیکند:
که در روابط بالا w وزن اینرسی، c1 و c2 عوامل یادگیری - ضرائب شتاب نیز گفته میشوند - وrand یک عدد تصادفی در بازه - 0 1 - است. برای جلوگیری از واگرائی الگوریتم، مقدار نهائی سرعت هر ذره محدود میشود . vid vmax , vmaxرابطه - 5 - شامل جمع سه عبارت است که عبارت اول نسبتی از سرعت جاری ذره است ونقش آن شبیه مومنتوم در شبکه های عصبی است[8] وبه همراه عبارت دوم که متناسب با تفاضل مکان پرنده با بهترین موقعیت قبلی آن وعبارت سوم که تفاضل مکان آن با بهترین جواب در میان کل جمعیت است سبب هدایت سرعت جدید ذره به سمت جواب بهینه میشوند. w ،c1 و c2 از پارامترهای PSO هستند و همگرائی وابسته به مقدار این پارامترهاست. معمولآc1 را برابر c2 وعددی بین 1.5 تا 2 قرار می-دهند. همگرائی شدیداً به مقدار w وابسته است و بهتر است بصورت دینامیک تعریف شود - در بازه 0.8 تا - 0.2، بدین ترتیب که بصورت خطی درطی روند تکامل جمعیت، کاهش یابد. در ابتدا باید بزرگ باشد تا امکان یافتن جوابهای خوب در همان مراحل اولیه فراهم شود و در مراحل پایانی کوچک بودن w همگرائی بهتری را سبب میشود.[9] می توان این کاهش را بصورت یکی از روابط زیر تعریف کرد9]،:[10
