بررسی تلفات شبکه و هزینه احداث نیروگاه‌های تولید پراکنده بر اساس الگوریتم ژنتیک چند هدفه و الگوریتم بازار بورس

نوع مقاله: قدرت - حفاظت

نویسندگان

1 دانشگاه صنعتی مالک اشتر

2 دانشگاه صنعتی مالک اشتر

چکیده

ایران، همچون تمامی کشورهای جهان، به جهت کاهش استفاده از سوخت‌های فسیلی و نشر کربن در محیط‌زیست، به سمت استفاده از منابع انرژی تولید پراکنده در حرکت است. منابع انرژی تجدید­پذیر بخش عمده‌ای از DG‌ها را تشکیل می‌دهند. هدف اصلی پروژه‌های صنعت برق در زمینه‌ برنامه‌ریزی و توسعه DG‌ها، ترکیب بهینه این منابع در کنار یکدیگر است. مطالعات جامع و هدفمندی نیاز است تا عملکرد DG‌ها در شبکه قدرت را شناخته و از تأثیرات سوء آن‌ها جلوگیری کند. به‌عنوان‌مثال مسئله‌ی جایابی و تعیین ظرفیت DG­ها، در زمانی که تعداد زیادی از منابع تولید پراکنده به شبکه متصل باشند، به‌مراتب مشکل‌سازتر و پیچیده‌تر می‌شود. به جهت حل مشکلاتی از این قبیل و کم کردن موارد و اثرات ناخواسته استفاده از DG‌ها، الگوریتم‌های بهینه‌سازی در طول یک دهه گذشته رشد و توسعه چشم‌گیری داشتند. در این مقاله ضمن تشریح دو روش موردنظر، به مقایسه نسخه بهینه‌شده الگوریتم ژنتیک با مرتب‌سازی نا‌مغلوب و الگوریتم بازار بورس بر مبنای سیستم‌های موجود در MATPOWER در جهت پیدا کردن یک‌راه حل سریع و قابل‌اعتماد برای طرح‌ریزی بهینه منابع تولید پراکنده پرداخته شده و نتایج حاصل تشریح گردیده است.

کلیدواژه‌ها


[1]     Ruiz-Romero1, S.; Colmenar-Santos, A. “Integration of Distributed Generation in the Power Distribution Network: The Need for Smart Grid Control Systems, Communication and Equipment for a Smart City”; Renew. Sust. Energ. Rev.   2014, 38, 223–234.

[2]     Zahlay, D.; Santos, S. F.; Bizuayehu, A. W. “DG Investment Planning Analysis with Renewable Integration and Considering Emission Costs”; IEEE Int. Conf. Computer as a Tool (EUROCON), 2015.

[3]     Celli, G.; Ghiani, E.; Mocci, S.; Pilo, F. “A Multiobjective Evolutionary Algorithm for the Sizing and Siting of Distributed Generation”; IEEE Trans. Power Syst. 2005, 20, 750-757.

[4]     Acharya, N.; Mahat, P.; Mithulananthan, N. “An Analytical Approach for DG Allocation in Primary Distribution Network”; Int. J. Electr. Power Energy Syst. 2006, 28, 669-678.

[5]     Deb, K.; Pratap, A.; Agarwal, S.; Meyarivan, T. “A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II”; IEEE Trans. Evol. Comput. 2002, 6, 182-197.

[6]     Ghorbani, N.; Babaei, E. “Exchange Market Algorithm”; Appl. Soft. Comput. 2014, 19, 177-187.

 [7]     Ghorbani, N.; Babaei, E. “Exchange Market Algorithm for Economic Load Dispatch”; Adv. Mater. Res-Switz 2016, 75, 19-27.

[8]     Willis, H. L. “Power Distribution Planning Reference Book, Second Edition”; ABB Inc. Raleigh, North Carolina, U.S.A. 2004.

[9]     Ziadi, Z.; Taira, S.; Oshiro, M.; Funabashi, T. “Optimal Power Scheduling for Smart Grids Considering Controllable Loads and High Penetration of Photovoltaic Generation”; IEEE Trans. Smart Grid 2014, 5, 2350-2359

[10]  Facci, A.; Andreassi, L.; Ubertin, S. “Optimization of CHCP (Combined Heat Power and Cooling) Systems Operation Strategy Using Dynamic Programming”; Energy 2014, 66, 387-400.

[11]  Cartaa, J. A.; Ramírezb, P.; Velázquezc, S. “A Review of Wind Speed Probability Distributions Used in Wind Energy Analysis: Case studies in the Canary Islands”; Renew. Sust. Energ. Rev. 2009, 13, 933-955.

[12]  Celik, A. N. “A Statistical Analysis of Wind Power Density Based on the Weibull and Rayleigh Models at the Southern Region of Turkey”; Renew. Energ. 2004, 29, 593-604.

[13]  Zimmerman, R. D.; Murillo-Sánchez, C. E.; Thomas, R. J. “Steady-State Operations, Planning, and Analysis Tools for Power Systems Research and Education”; IEEE Trans. Power Syst. 2011 , 26, 12-19.

[14]  Shu, Zh.; Jirutitijaroen, P. “Latin Hypercube Sampling Techniques for Power Systems Reliability Analysis With Renewable Energy Sources”; IEEE Trans. Power Syst. 2011,  26, 2066-2073.