تركيب جديدي از سيستم استنتاج فازي و الگوريتم علف‌هاي هرز به منظور بازآرايي همزمان با جايابي و تعيين ظرفيت بهينه توليدات پراكنده در شبكه‌هاي توزيع

Novel Fuzzy-IWO Method for Reconfiguration Simultaneous Optimal DG Units Allocation

در اين مقاله يك روش بهينه‌سازي تركيبي به منظور بازآرايي و تخصيص مناسب توليدات پراكنده در فيدرهاي شبكه توزيع برق ارايه شده است. اهداف اين بهينه سازي، كاهش تلفات، بهبود پروفيل ولتاژ و افزايش تعادل بار در شبكه توزيع مي‌باشند. از الگوريتم علف‌هاي هرز جهت تعيين آرايش بهينه شبكه توزيع همراه با تعيين مكان و ظرفيت مناسب براي واحدهاي توليد پراكنده استفاده شده است. به منظور بهبود توانايي اين الگوريتم از تيوري فازي بهره گرفته شده تا مسيله بهينه‌سازي چند منظوره به مسيله بهينه‌سازي تك هدفه تبديل شود. شبكه توزيع 33 باسه جهت ارزيابي روش پيشنهادي در هر سه بار نامي، سبك و سنگين مورد ارزيابي قرار گرفته است. نتايج به دست آمده نشان مي‌دهد كه روش پيشنهادي، در بهبود هر سه شاخص مورد آزمايش، عملكرد قابل قبولي داشته و نيز در مقايسه با الگوريتم‌هاي ديگر مانند الگوريتم بهينه‌سازي غذايابي و الگوريتم ژنتيك موفق‌تر عمل نموده است.

This paper presents a new hybrid method for optimal multi-objective reconfiguration simultaneous determining the optimal size and location of Distributed Generation (DG) in a distribution feeder. The purposes of this research are reducing the losses, improving the voltage profile and equalizing the feeder load balancing in a distribution system. Invasive Weed Optimization (IWO) is used to simultaneously reconfigure and identify the optimal capacity and location for installation of DG units in the distribution network. In order to facilitate the algorithm for multi-objective search ability, the optimization problem is formulated for minimizing fuzzy performance indices. The multi-objective optimization problem is transformed into a fuzzy inference system (FIS), where each objective function is quantified into a set of fuzzy objectives selected by fuzzy membership functions. The proposed method is validated using the IEEE 33 bus test system at nominal load. The obtained results prove this combined technique is more accurate and has an efficient convergence property compared to other intelligent search algorithms. Also, the obtained results lead to the conclusion that multi-objective reconfiguration along with placement of DGs can be more beneficial than separate single-objective optimization.