جايابي و تعيين ظرفيت بهينه محدودساز جريان خطا با لحاظ عدم قطعيت در توان توليدي توربين بادي

Optimal size and location of fault current limiter incorporating uncertainty of wind power

امروزه به دليل افزايش قيمت منابع انرژي فسيلي، استفاده از توليدات پراكنده كه اغلب از انري هاي نو استفاده مي ­كنند، در حال افزايش است. با نصب اين واحدها در شبكه­هاي توزيع، سطح جريان اتصال كوتاه شبكه افزايش مي ­يابد؛ كه اين امر منجر به برهم ­خوردن هماهنگي بين رله ­هاي جريان زياد موجود در سيستم و همچنين ايجاد جريان­هاي خطاي بالاتر از قدرت قطع­ كنندگي تجهيزات حفاظتي مي­ شود. در اين مقاله از محدودساز ابررساناي جريان خطا (SFCL) براي حل مشكلات فوق استفاده مي­شود. جايابي و تعيين ظرفيت مناسب SFCL، با در نظر گرفتن سه معيار حفظ هماهنگي رله­ها، كاهش جريان خطا و مينيمم ظرفيت نصب­ شده SFCL به ­صورت هم­زمان انجام مي­گيرد؛ همچنين عدم ­قطعيت در توان توليدي توربين­ هاي بادي نيز لحاظ مي­ شود. براي مدل­سازي سرعت باد از سري زماني (ARMA (Autoregressive Moving Average استفاده شده است؛ تا بتوان سرعت ساعتي باد را شبيه­ سازي نمود و توزيع احتمالاتي آن را به ­دست آورد. برخلاف روش­ هاي بهينه­ سازي متداول، در اين مقاله از الگوريتم بهينه­ سازي NSGA-II استفاده شده است. در پايان، روش پيشنهادي بر روي سيستم نمونه 30 باسه IEEE اجرا مي­ گردد تا نتايج عددي حاصل شده، عملكرد روش پيشنهادي را نشان دهد.

Nowadays, due to the rising price of fossil energy sources, use of distributed generation with renewable energy sources is rising. In distribution networks, fault current level is increased with the installation of these units. Therefore, it tends to mis-coordination between directional overcurrent relays. In this paper, superconducting fault current limiter (SFCL) is used to solving these problems. Multiple criteria such as the total operating time of the relays, fault current reduction and the minimum size of SFCLs are simultaneously considered in order to determine the optimal placement and the size of SFCLs. Moreover, uncertainty in output power for DGs is incorporated. Autoregressive moving average (ARMA) model is used for the modeling of wind speed. Unlike the traditional optimization methods, none dominated sorting genetic algorithm (NSGA-II) multi-objective optimization algorithm is used, in this paper. Finally, the proposed method is carried out on distribution part of IEEE 30-bus test system to demonstrate the effectiveness of the method.