مقاله بازآرایی شبکه توزیع با الگوریتم ژنتیک و NSGA-II
دسته : برق ،الکترونیک و مخابرات
فرمت فایل : word
حجم فایل : 987 KB
تعداد صفحات : 16
بازدیدها : 279
برچسبها : شبکه توزیع الگوریتم ژنتیک NSGA بازآرایی شبکه
مبلغ : 9000 تومان
خرید این فایلدانلود مقاله ترجمه شده با موضوع بازآرایی شبکه ی هوشمند با استفاده از الگوریتم ژنتیک ساده و الگوریتم NSGA-II همراه با اصل مقاله
بازآرایی (پیکربندی مجدد) شبکه ی هوشمند با الگوریتم ژنتیک و NSGA-II (الگوریتم ژنتیک رتبه بندی نامغلوب)
Smart Grid Reconfiguration Using Simple Genetic Algorithm and NSGA-II
چکیده
افزایش اتصال ژنراتورهای پراکنده (DGها) و توان تزریقی آن ها یکی از مشخصات شبکه های هوشمند است. بازآرایی شبکه ی توزیع یکی از روش های بسیار مناسب است که با استفاده از آن تعداد بیشتری DG در داخل شبکه ی برق قرار داده می شود که در این مقاله با استفاده از یک شبکه آزمایش دارای 16 گره نشان داده شده است. بازآرایی شبکه توزیع شامل تغییر ساختار (توپولوژی) شبکه و در نتیجه ی بهینه سازی چند هدف است. علاوه بر قرار دادن DG ها، بازآرایی شبکه نیز در دستیابی به کمترین تلفات توان، کمترین انحراف ولتاژ و غیره کمک می کند. در این مقاله، مساله بازآرایی شبکه به صورت یک مسئله ی بهینه سازی فرمول بندی شده است. برای حل این مساله ی بهینه سازی، الگوریتم ژنتیک ساده (GA) و شاخه ای از آن یعنی NSGA-II استفاده می شوند. برای یک سیستم آزمایش ساده مانند سیستم 16 گرهی مورد بحث در این مقاله، GA ساده به اندازه ی کافی موثر است تا نقطه بهینه ی کلی (جهانی) را برای یک بهینه سازی هدف واحد پیدا کند. این مقاله، همچنین زمانیکه چندین هدف در نظر گرفته می شود مزیت NSGA-II را در مقایسه با GA ساده نشان می دهد.
کلمات کلیدی:
شبکه توزیع، الگوریتم ژنتیک، بازآرایی شبکه، NSGA-II، بهینه سازی، شبکه هوشمند
مقدمه
بازآرایی شبکه ی توزیع عبارت است از تغییر ساختار توپولوژیکی فیدرهای توزیع با تغییر دادن حالت های باز/بسته سکسیونرها و تای سوییچ ها طوریکه تابع هدف مینیمم و قیود ارضا شوند. در یک شبکه ی توزیع هوشمند این کار را می توان از راه دو انجام داد. با توجه به تعریف فوق در مورد بازآرایی شبکه ی توزیع، می توان فهمید که این مساله شامل بهینه سازی است. پاراگراف های زیر مقدمه ی مختصری از تکنیک های بهینه سازی مورد استفاده در این مقاله ارائه می کنند.
الگوریتم ژنتیک (GA) یک روش بهینه سازی فراابتکاری است، به بیان دیگر، این الگوریتم براساس معیارهای خاصی و بصورت تکراری یک مساله را با بهبود پاسخ های منتخب حل می کند. این الگوریتم برپایه اصول تکامل است. GA یک روش بهینه سازی تصادفی است و المان های احتمالاتی در داخل الگوریتم دارد که برای فرار از نقاط بهینه ی محلی و یافتن نقاط بهینه ی کلی کمک می کند. گام های اصلی در یک GA نوعی شامل مقدار دهی اولیه ی جمعیت، تلفیق، جهش، انتخاب و اتمام براساس معیار خاتمه است. با استفاده از عمل تلفیق، دو والدین برای تشکیل فرزند، ترکیب می شوند. عمل جهش، حالت تصادفی بودن را به جمعیت اضافه می کند و از این رو از جستجویی که در مینمم های محلی گیر کند جلوگیری می نماید....
مقاله تعیین مکان DG سیستمهای توزیع جهت پایداری ولتاژ
نتیجه گیری
نتایج نشان می دهند که GA ساده بشکل موثری قادر به پیدا کردن بهینه های جهانی برای شبکه ی ساده (شبکه ی توزیعفشار متوسط آزمایش 16 گرهی) که در این مقاله بدون نیاز به نشان دادن پیچید گی و عملگرهای پیچیده GA در نظر گرفته است. همچنین، برای شبکه ی آزمایش انتخابی بدون DG، ساختاری که مینیمم مجموع انحراف های ولتاژ در شبکه ی آزمایش را ارائه می کند همان ساختاری است که مینیمم تلفات توان را ارائه می کند. این بدان معنی است که دو هدف یاد شده بطور کلی توابع هدف متضادی نیستند.
...
Abstract--Increased penetration of distributed generators (DGs) is one of the characteristics of smart grids. Distribution grid reconfiguration is one of the methods of accommodating more DG into the electric grid, which is illustrated with the help of a 16 node test network in this paper. The reconfiguration of the distribution grid involves changing the grid topology thereby optimizing a few objectives. In addition to the inclusion of DGs, grid reconfiguration also helps in achieving minimal power loss, minimal voltage deviation etc. In this paper the grid reconfiguration problem is formulated as an optimization problem. Simple genetic algorithm (GA) and its variant NSGA-II are used for solving the optimization problem. For a simple test system like the 16 node system discussed in this paper, simple GA is efficient enough to find the global optimum for a single objective optimization. The paper also illustrates the advantage of NSGA-II compared to simple GA when multiple objectives are considered.
Index Terms— Distribution grid, Genetic algorithm, Grid reconfiguration, NSGA-II, Optimization, Smart grid
