جايابي و مقداريابي بهينه توليدات پراكنده در شبكه هاي توزيع بادرنظر گرفتن رشد بار با استفاده از الگوريتم چند هدفه مبتني بر آموزش و يادگيري اصلاح شده

Optimal Location and Sizing of Distributed Generations in Distribution Networks Considering Load Growth using Modified Multi-objective Teaching Learning Based Optimization Algorithm

در اين مقاله يك روش بهينه سازي اصلاح شده مبتني بر الگوريتم مبتني بر آموزش و يادگيري براي حل بهينه سازي تك و چند هدفه جايابي و مقداريابي منابع توليد پراكنده ارايه شده است. كاهش تلفات، انحراف ولتاژ، هزينه و بهبود پايداري ولتاژ به عنوان توابع هدف درنظر گرفته شده است. افزايش بار يك پديده ذاتي سيستم قدرت مي باشد. به علت اينكه مقدار شاخص هاي سيستم توزيع به مقدار بار وابسته است، هر تغيير در بار باعث تغيير شاخصه هاي سيستم توزيع مي شود. بنابراين، براي بررسي ميزان معتبر بودن پژوهش هاي كنوني سيستم و كارا بودن سيستم درآينده، رشد بار در مطالعات بررسي شده است. در الگوريتم اصلاح شده فاكتور تدريس تطبيقي، و يك استراتژي متقاطع و جهش، به گسترش جواب كمك مي نمايد. بهينه سازي چند هدفه با استفاده از يك آرشيو خارجي براي ذخيره جواب هاي نامغلوب پياده سازي شده است. با توجه به اهميت متفاوت توابع هدف از تكنيك فازي جهت يكسان سازي و انتخاب جواب استفاده شده است. الگوريتم پيشنهادي بر روي شبكه 33 شينه IEEE پياده سازي و جهت اثبات كارايي نتايج شبيه سازي با نتايج روش هاي ديگر مقايسه گرديده است.

This paper presents a modified method based on teaching learning based optimization algorithm to solve the problem of the single- and multi-objective optimal location of distributed generation units to cope up the load growth in the distribution network .Minimizing losses, voltage deviation, energy cost and improved voltage stability are the objective functions in this problem. Load growth in a system is a natural phenomenon. As the value of distribution system indices depend on load growth, any change in load causes changes in distribution system indices. Therefore, for assessing the current studies the level of validity and the adequacy of system in future, load growth in future are discussed. The proposed algorithm integrates an adaptive teaching factor, and a crossover and mutation strategy. In the proposed algorithm, an external repository is considered to save non-dominated (Pareto) solutions. Since the objective functions are not the same, a fuzzy clustering technique is used to select the best compromise solution from the repository. The proposed algorithm is tested on the 33-bus IEEE test system. To demonstrate the effectiveness of the proposed approach, simulation results are compared with the results obtained by other methods.