عنوان

حل مسأله پخش بار با استفاده از الگوریتم‌های هوشمند

‭۵۳۷۰پ‬

per

حل مسأله پخش بار با استفاده از الگوریتم‌های هوشمند

/الناز داودی

تبریز:دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر ،گروه مهندسی برق- قدرت

‮‭۸۷‬ص‬

چاپی

کارشناسی ارشد

مهندسی برق- قدرت

‮‭۱۳۹۰/۱۱/۱۵‬

تبریز:دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر ،گروه مهندسی برق- قدرت

مطالعات پخش بار، بخش مهمی از تجزیه و تحلیل سیستم قدرت را تشکیل می‌صدهد .مسأله پخش بار به محاسبه کمیت های الکتریکی سیستم قدرت در حالت ماندگار به ازاء بارهای مشخص و معلوم می پردازد .این کمیت ها شامل ولتاژشین ها، توان‌صهای اکتیو و راکتیو تولیدی ژنراتورها وقدرت های اکتیو و راکتیو جاری در خطوط انتقال می باشند .بهترین شیوه نظارت بر چنین حجم عملیات بزرگی استفاده از روش های کامپیوتری در حل مسأله پخش بار است .روش-های متداولی نظیر نیوتن‌صرافسون و مشتقات آن در مطالعات سیستم های قدرت برای زمان طولانی خوب رفتار کرده‌صاند و در حل بیشتر مسائل پخش بار با قدرت عمل می کنند، ولی در سیستم‌های بدساختار) سیستم های با نسبت بالا (و یا در حضور بارهای غیرخطی و برخی شرایط بحرانی شبکه) نظیر افزایش مقدار بارگذاری سیستم (کارآیی ندارند و یا پاسخ‌های غیرعملی می دهند .این امر به دلیل وجود ماتریس ژاکوبین این روش ها می باشد که در بعضی شرایط به سوی منفرد شدن پیش می‌ص رود .لذا روش‌های جدیدتر، که مشکلات مربوط به ماتریس ژاکوبین را نداشته باشند مورد نیاز است .در این پایان نامه، روش تکاملی جدیدی بر مبنای الگوریتم ترکیبی ‮‭IQPSO‬ و نلدر- مید، برای تحلیل پخش بار معرفی می شود .به منظور عملکرد بهتر الگوریتم، یک پارامتر کنترلی منحصر به‌صفرد و ابداعی جدید در این الگوریتم طراحی شده که موجب بهبود کارایی روش ‮‭QPSO‬ شده است .الگوریتم به دست آمده تحت عنوان ‮‭IQPSO‬ نامگذاری شده است .همچنین به منظور افزایش دقت همگرایی قابل اطمینان و غلبه بر محدودیت ها و معایب الگوریتم‮‭IQPSO‬ ، آن را با روش نلدر- مید که یک نوع الگوریتم ریاضی بر مبنای جستجوی محلی است، ترکیب کرده‌صایم .روش پیشنهادی جدید که آن را الگوریتم هیبریدی‮‭NM - IQPSO‬نامیده ایم تا کنون در هیچ زمینه ای استفاده نشده و روش جدیدی است هدف از ترکیب دو الگوریتم بهینه سازی ‮‭IQPSO‬ و الگوریتم نلدر- مید، به دست آوردن الگوریتمی است که علاوه بر دارا بودن مزیت های دو الگوریتم فوق، محدودیت های الگوریتم های مذکور نیز در آن وجود نداشته باشد. الگوریتم پیشنهادی دارای قابلیت جستجوی سراسری و محلی بوده و عملکرد آن به انتخاب اولیه ی نقاط وابسته نمی باشد .به منظور اثبات و تأیید عملکرد الگوریتم پیشنهادی پخش بار، الگوریتم مورد نظر بر روی سیستم‌صهای‮‭۱۴‬ ، ‮‭۳۰‬ و ‮‭۵۷‬ باسه استاندارد ‮‭IEEE‬ در شرایط نرمال و در حالت بار پایه آزمایش شده و نتایج آن با الگوریتم متعارف نیوتن رافسون و الگوریتم های‮‭PSO‬ ، ‮‭QPSO‬ و ‮‭IQPSO‬ مقایسه شده است .سپس عملکرد روش هیبرید پیشنهادی بر روی سیستم های بدساختار و یا سیستم هایی با بار سنگین مورد ارزیابی قرار گرفته است به منظور در نظر گرفتن محدودیت باس های ژنراتور، تابع هدف جدیدی در این پایان نامه پیشنهاد شده است که در صورت تخطی توان راکتیو باس های ژنراتور از محدوده تعریف شده عبارتی به تابع هدف اولیه می افزاید و با برگشتن مقادیر توان راکتیو به محدوده مورد نظر، عبارت مذکور از تابع هدف حذف می‌صشود .در این حالت ولتاژ باس های ژنراتور به عنوان متغیر در نظر گرفته می‌صشوند .نتایج حاصل نشان از کارآمد بودن تابع هدف پیشنهادی است یکی دیگر از ویژگی های الگوریتم پیشنهادی که از جمله ضعف-های الگوریتم های سنتی محسوب می‌صشود، محاسبه پاسخ های متعدد کم-ولتاژ می‌صباشد، که نمونه هایی از پاسخ های غیرعادی سیستم ‮‭۱۴‬ باسه آورده شده است نتایج حاصل از پیاده سازی الگوریتم پیشنهادی بر روی سیستم های مختلف، نشان از قابلیت روش موردنظر در حل مسائل پخش بار با دقت خوب و قابلیت اطمینان بالا است .لذا می توان الگوریتم پیشنهادی‮‭NM - IQPSO‬را به عنوان یکی از روش های نوین در حل مسأله پخش بار به ویژه در شرایط بحرانی معرفی کرد

Load flow is the most extensively used analytical tool in any power industry. General purpose conventional load flow methods face difficulties in solving systems having high ratios or when the system loading approach their loadability limits.For overcoming these deficiencies, in recent years, as an alternative to the conventional mathematical approaches, modern heuristic techniques- such as genetic algorithm (GA), particle swarm optimization (PSO) and artificial neural networks (ANN) have been applied to solve LF problems.Recently, a novel variant of the PSO, has been introduced known as quantum-behaved particle swarm optimization (QPSO) algorithm which is inspired by the fundamental theory of particle swarm and features of quantum mechanics. The QPSO outperforms the PSO in global search ability and is a promising optimizer for complex problems. Also in order to better balance between the global and local searching of the QPSO algorithm, a new coefficient is introduced. The new improved QPSO has stronger local search ability than PSO and QPSO and enhance the performance of QPSO. For faster, sure convergence and improve the search performance of QPSO, in this thesis, a new hybrid evolutionary optimization algorithm based on combining of the IQPSO (Improved QPSO) algorithm and Nelder Mead (NM) method, called IQPSO-NM, is employed to solve the LF problems. The main contributions of this paper are as follows: (i) present a new approach for solving the basic load flow problem and find the abnormal solutions of LF problem, (ii) develop a hybrid evolutionary optimization based on the combination of IQPSO and NM algorithms for dealing with generator reactive power limits, (iii) present an efficient optimization approach for solving LF problems under critical conditions. The proposed method presents better convergence characteristics in case the system is ill-conditioned but it is within the feasible region and provides some information about the iterative process in case the system is within the unfeasible region. It is very important that the load flow method be able to provide additional information on the iterative process so that the voltage stability analysis method can be able to shed some amount of load in order to go back to (or sufficiently close to) the feasible region. Multiple power flow (low-voltage) solutions are used in the determination of the exit point for dynamic voltage stability assessment and to specify the voltage stability limits. The variation of the number and the location of power flow solutions can describe the process of power system from stable to unstable. In the proposed hybridization strategy, since the Nelder Mead algorithm is for local optimization, it works best when the solutions provided to it are closely spaced in the search space. So, if the initial range of load flow variables is chosen in a wide range then the proposed algorithm can reliably determine low-voltage solutions for normal and ill-conditioned systems. Moreover it is remarkable that the proposed method is able to solve the load flow problems by considering the reactive power limitation at PV buses with good accuracy.In order to prove the potential of the proposed hybrid algorithm, results of the proposed hybrid algorithm has been compared by the conventional NR algorithm, PSO and different versions of QPSO. Detailed results on the 14, 30 and 57-node system have been presented. In each test case, the numerical results reveal the superiority and reliability of the proposed approach for solving the LF problems under different situations

Quantum-behaved particle swarm optimization

Reactive power limits of generation buses

Particle swarm optimization

Nelder-Mead

Conventional methods

Load flow

Critical conditions

Multiple solutions

داودی،الناز

طرفدار حق، مهرداد، استاد راهنما

قاسم‌زاده، سعید، استاد راهنما

سیاه و سفید

نمایه‌سازی قبلی