مكان يابي بهينه تجهيزات شبكه هاي توزيع شعاعي بر پايه الگوريتم هاي تكاملي

Optimal placement of radial distribution network s equipment based on evolutionary algorithms

باتوجه پراكندگي جغرافيايي وسيع تجهيزات راديويي، مخابراتي، شبكه هاي حسگر هواشناسي و غيره، همچنين مشكلات فراوان جهت صدور مجوز توسعه خطوط توزيع مانند عمليات حفاري، پرهزينه بودن قطعي برق در مراكز صنعتي حساس مانند مناطق ويژه اقتصادي نفت، گاز و سكوهاي دريايي و نقش بسيار حياتي حفظ ارتباطات راديويي، شبكه هاي كامپيوتري در مواقع بحراني در مناطق مذكور استفاده از منابع توليد پراكنده برق ضرورتي انكار ناپذير تلقي مي گردد. ظرفيت و مكان نصب بهينه اين منابع در كنار رعايت قيود و محدوديت هاي فني شبكه در كنار مسائل اقتصادي بسيار حائز اهميت است كه نياز به حل مسئله بهينه سازي را منجر خواهد شد. از طرفي استفاده از كامپيوتر و هوش مصنوعي و بدنبال آن الگوريتم هاي هوشمند، كمك شاياني در پيدا كردن مكان و ظرفيت نصب منابع توليد پراكنده در شبكه هاي توزيع برق قدرت مي باشد. مسئله بهينه سازي توسط الگوريتم هاي ژنتيك، بهينه سازي ازدحام ذرات، تركيبي بهينه سازي ازدحام ذرات و ژنتيك و بهينه سازي بر پايه آموزش و يادگيري در نرم افزار متلب حل شده است. نتايج در مورد عملكرد و سرعت پاسخگويي در شرايط برابر مقايسه و گزارش گرديده است. با توجه به جواب بسيار مناسب بهينه سازي بر پايه آموزش و يادگيري دركنار كاربري آسان اين الگوريتم بدليل كمتر بودن تعداد پارامترهاي كنترلي، اين الگوريتم مناسب ترين روش براي حل مسئله پيشنهادي معرفي شده است.

Generating power on-site, rather than centrally, eliminates the cost, complexity, interdependencies, and inefficiencies associated with transmission and distribution. On the other hand, due to the large geographical dispersion of radio equipment, telecommunication, network infrastructure, etc., and problems for permitting the development of distribution lines the use of DGs is considered indisputable. The use of computer and artificial intelligence, and intelligent algorithms, has made a significant contribution to the various industries. Therefore, this paper employed the Teaching–learning-based optimization (TLBO) algorithm, genetic algorithm (GA), particle swarm optimization algorithm (PSO) and hybrid particle swarm optimization-genetic algorithm (HPSOGA) to optimal location and sizing of these DGs, in order to minimize the total cost. Considering costs include the DG installation cost, the cost of repairs and operation of DGs, the cost of purchasing energy from the upstream network and the cost of losses. Meanwhile, network constraints such as voltage and power constraints are considered as a district constraint for the optimization problem. The optimization problem has been solved by the proposed algorithms in MATLAB software and its results have been compared and reported in same conditions.