دانلود پایان نامه درمورد سلسله مراتب

شده است. تکنیک پیشنهادی، بعد از ترکیب جریانهای سهفاز در طرف مصرفکننده برای ایجاد یک مدل تکجریانه، DWT را برای گرفتن جریانهای فرکانس بالای گذرا در این مدل، بکار میگیرد. انرژی موجود در جریانهای فرکانس بالای گذار تبدیل به تعدادی از نمونهها برای دو سطح مجزای DWT میشود که این سطوح یک FFANN برای دستهبندی خازنهای کلیدزنی، تغذیه میکند. شبیهسازیها با استفاده از نرمافزار PSCAD/EMTDC انجام شده و نتایج به محیط MATLAB منتقل میشود.
۲-۵-۵ تئوری مجموعه فازی
مفهوم تئوری مجموعه فازی توسط زاده۳۵ [۴۳] در سال ۱۹۶۵ به صورت وسیلهی قراردادی برای بررسی عدم قطعیت و مدلسازی نرم مطرح شد. یک متغیر فازی با استفاده از تابع عضویتی که درجهای از عضویت را به یک مجموعه اختصاص میدهد، مدل میشود.
مرجع [۴۴] روش الگوریتم ژنتیک مبتنی بر روش چند هدفهی فازی را برای تعیین مقادیر بهینهی خازن به منظور بهبود پروفیل ولتاژ و بیشینهسازی صرفهجویی کل در شبکههای توزیع شعاعی به کار برده است. دو تابع هدف بیشینهسازی صرفهجویی کل و کمینهسازی انحراف ولتاژ شینها از مقدار استاندارد ابتدا فازی شده و سپس در تابع هدف با ضرایب وزنی تاثیر داده میشوند. این مرجع الگوریتم ژنتیک را برای بهینهسازی مساله چندهدفه فازی به منظور تعیین ظرفیت خازنها سازگار کرده است.
مرجع [۴۵] یک روش جدیدی را با استفاده از منطق تقریبی برای تعیین مکان مناسب برای نصب خازن در شبکه توزیع ارائه میدهد. شاخص ولتاژ و شاخص کاهش تلفات توان با استفاده از تابع عضویت فازی مدلسازی شدهاند. یک سیستم خبره فازی مجموعهای از قوانین ابتکاری برای تعیین مناسب بودن مکان برای نصب خازن در هر شین از شبکه توزیع را شامل میشود. خازنها با این روش در مکانهایی که برای نصب آنها مناسبتر است، نصب خواهند شد.
کنان۳۶ و همکارانش تکنیک جدیدی برای جایابی خازن در فیدرهای شعاعی برای کاهش تلفات توان، بهبود پروفیل ولتاژ و حصول سود اقتصادی پیشنهاد کردهاند. شناسائی شینههای ضعیف، که بایستی خازنها در آنجا نصب شوند، با مجموعهای از قوانین سیستم خبره فازی انجام شده است. شاخصهای تلفات توان و ولتاژ بعنوان ورودی سیستم خبره فازی بکار رفته و خروجی شاخص حساسیتی است که شینههای ضعیف در سیستم را ارائه میکند. تعیین ظرفیت خازنها توسط تابع هدفی برای حصول بیشینه صرفهجوئی با استفاده از الگوریتم تکامل دیفرانسیلی و بهینهسازی اجتماع ذرات چند عاملی۳۷ (MAPSO) صورت میگیرد. برای نمایش برتری تکنیک پیشنهادی، شبیهسازی روی شینههای ۳۴ شینه و ۱۵ شینه IEEE انجام و نتایج با نتایج الگوریتمهای PSO و HPSO مقایسه میگردد [۴۶].
در سال ۲۰۱۱، روش جدیدی برای جایابی و تعیین ظرفیت بهینه بانکهای خازنی شنت بر اساس رشد سریع باکتریائی۳۸ (BF) متمایل به الگوریتم PSO پیشنهاد شده است. این الگوریتم برای شبکههای شعاعی و حلقوی در حضور بارهای غیرخطی و نامتعادل بکار میرود. تابع هدف شامل کمینهسازی هزینههای تلفات انرژی و هزینه نصب خازن، شاخص اعوجاج کل۳۹ (THD) و مولفهی انحراف ولتاژ میباشد. از آنجائیکه این پارامترها دارای واحدها و محدودهی تغییرات یکسان نیستند، درجه عضویت برای هر یک با استفاده از مجموعه فازی در نظر گرفته میشود. نتایج شبیهسازی الگوریتم پیشنهادی با نتایج تکنیکهای PSO، BF و الگوریتم ژنتیک مورد مقایسه قرار گرفته است [۴۷]. در [۴۸]، از روشی مبتنی بر تصمیمگیری فازی با استفاده از یک تکنیک تکاملی جدید برای یافتن مکان و ظرفیت بهینه خازن استفاده شده است. تابع هدف مساله به صورت کمینهسازی پیک توان، کاهش تلفات انرژی و بهبود پروفیل ولتاژ فرمولبندی شده است. نصب خازن با استفاده از تئوری فازی انتخاب میشود و در گام بعدی الگوریتم BF برای حل مساله اجرا میشود. روش پیشنهادی روی شبکه توزیع شعاعی ۳۴ شینه اعمال شده و نتایج آن با تکنیکهای مختلف مورد مقایسه قرار گرفته است.
در [۴۹]، دو روش برای بهبود پروفیل ولتاژ و کمینهسازی تلفات توان در شبکههای توزیع پیشنهاد میشود. ابتدا سیستم خبره فازی برای انتخاب بهترین گرههای کاندید برای نصب خازن بکار میرود، سپس در روش دوم مساله تنظیمکننده ولتاژ حل میشود که در طی آن مکان و نرخ تپبندی تنظیمکنندههای ولتاژ به منظور کمینهسازی تلفات توان سیستم با حفظ ولتاژ در محدودههای مشخص تعیین میشود.
در [۵۰]، روش فازی جدیدی برای حل مساله تعیین مکان و ظرفیت بهینه خازن پیشنهاد شده است. تاثیر ضرائب وزنی روی اجرای توابع عضویت جدید مورد بررسی قرار گرفته است. انتخاب نهائی گرهها و اندازه خازنها مبتنی بر الگوریتم SA است. عملکرد روش پیشنهادی با سایر تکنیکهای فازی و ابتکاری مورد مقایسه قرار گرفته است.
فصل سوم:
بهینهسازی اجتماع ذرات
۳-۱ دیباچه
هوش جمعی۴۰ خاصیتی است سیستماتیک که در این سیستم، عاملها به طور محلی با هم همکاری مینمایند و رفتار جمعی تمام عاملها باعث یک همگرایی در نقطهای نزدیک به جواب بهینه سراسری میشود. نقطه قوت این الگوریتم عدم نیاز به یک کنترل سراسری میباشد. هر ذره) عامل) در این الگوریتمها خود مختاری نسبی دارد و می تواند در سراسر فضای جوابها حرکت کند که بایستی با سایر ذرات )عاملها( همکاری داشته باشد .دو الگوریتم مشهور هوش جمعی، بهینهسازی جرگه مورچگان و بهینهسازی توده ذرات میباشند. از هر دو این الگوریتمها میتوان برای تعلیم شبکههای عصبی بهره برد.
الگوریتم PSO یک روش سراسری کمینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آنها یک نقطه یا سطح در فضای D بعدی می‌باشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح می‌شود و یک سرعت ابتدایی به آنها اختصاص داده می‌شود، همچنین کانال‌های ارتباطی بین ذرات در نظر گرفته می‌شود. سپس این ذرات در فضای پاسخ حرکت می‌کنند و نتایج حاصله بر مبنای یک “ملاک شایستگی” پس از هر بازه‌ی زمانی محاسبه می‌شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. علیرغم اینکه هر روش در محدوده ای از مسائل به خوبی کار می کند، این روش در حل مسائل بهینهسازی پیوسته موفقیت بسیاری از خود نشان داده است.
در سال ۱۹۹۵ کندی۴۱ و ابرهارت۴۲ در [۵۱] برای اولین بار PSOرا به عنوان یک روش جستجوی غیرقطعی برای بهینهسازی تابعی مطرح کردند، این الگوریتم از حرکت دستهجمعی پرندگانی که به دنبال غذا میباشند الهام گرفته است.
گروهی از پرندگان در فضایی به صورت تصادفی دنبال غذا میگردند. تنها یک تکه غذا در فضای مورد بحث وجود دارد. هیچ یک از پرندگان محل غذا را نمیدانند. یکی از بهترین استراتژیها میتواند دنبال کردن پرندهای باشد که کمترین فاصله را تا غذا داشته باشد. این استراتژی در واقع جانمایه الگوریتم است. هر راه حل که به آن یک ذره گفته میشود، در الگوریتم PSO، معادل یک پرنده در الگوی حرکت جمعی پرندگان میباشد. هر ذره یک مقدار شایستگی دارد که توسط یک تابع شایستگی محاسبه میشود. هر چه ذره در فضای جستجو به هدف – غذا در مدل حرکت پرندگان نزدیکتر باشد، شایستگی بیشتری دارد. همچنین هر ذره دارای یک سرعت است که هدایت حرکت ذره را بر عهده دارد. هر ذره با دنبال کردن ذرات بهینه در حالت فعلی، به حرکت خود در فضای مساله ادامه میدهد. به این شکل است که گروهی از ذرات PSO آغاز کار به صورت تصادفی به وجود میآیند و با بهروز کردن نسلها سعی در یافتن راه حل بهینه مینمایند. در هر گام، هر ذره با استفاده از دو بهترین مقدار بهروز میشود. اولین مورد، بهترین موقعیتی است که تاکنون ذره موفق به رسیدن به آن شده است. موقعیت مذکور شناخته و نگهداری میشود. بهترین مقدار دیگر با نام توسط الگوریتم مورد استفاده قرار میگیرد، بهترین موقعیتی است که تاکنون توسط جمعیت ذرات بدست آمده است. پس از یافتن بهترین مقادیر، سرعت و مکان هر ذره بهروز میشود.
۳-۲ کاربرد بهینهسازی اجتماع ذرات در سیستمهای قدرت
الگوریتم PSO برای حل مسائل متنوعی در سیستمهای قدرت بکار گرفته شده است. مقالات منتشره انتخابی بر اساس استفاده از PSO در سیستمهای قدرت را به صورت زیر میتوان خلاصهسازی کرد:
* جایابی و تعیین ظرفیت بهینهی خازن
* پخش بار اقتصادی
* کنترل ولتاژ و توان راکتیو
* طراحی پایدارساز سیستم قدرت
۳-۲-۱ جایابی و تعیین ظرفیت بهینهی خازن
الگوریتم PSO به صورت موفق به مسالهی جایابی و تعیین ظرفیت بهینهی خازن اعمال شده است. در [۵۲]، الگوریتم PSO برای جایابی خازن با هدف بهبود کیفیت توان در حضور هارمونیکهای ولتاژ و جریان تحت قیود محدودههای ولتاژ، اندازه و ظرفیت بانک خازنی، محدودهی کیفیت توان بکار رفته است. در فرمولبندی تابع هدف مرجع [۵۳]، اثرات اعوجاج هارمونیکی، ماهیت مجزای خازنها و سطوح بار مختلف، همگی در تابع هدف مساله گنجانده شده و با استفاده از الگوریتم PSO این تابع هدف کمینه شده است. نویسندگان مرجع [۵۴]، تکنیک باکتری جستجوگری۴۳ را با الگوریتم PSO به منظور حصول مکان و ظرفیت بهینهی خازنهای ثابت و کلیدزنی در شبکههای شعاعی و حلقوی در حضور بارهای نامتعادل و غیرخطی، ادغام کردهاند. تابع هدف مرجع مذکور، کمینهسازی هزینههای تلفات انرژی کل و هزینهی نصب خازن، شاخص اعوجاج هارمونیکی کل۴۴ (THD) و ولتاژ مولفهی اصلی انحراف از مقدار مجاز را در بر میگیرد. در [۵۵]، نوع گسستهی الگوریتم PSO با الگوریتم پخش توان توزیع شعاعی۴۵ ترکیب شده تا جایابی بهینهی خازن با در نظرگرفتن هارمونیکهای شبکه اجرا شود.
۳-۲-۲ پخش بار اقتصادی
مسالهی پخش بار اقتصادی، یکی از مهمترین مباحث در بهرهبرداری و کنترل سیستمهای قدرت مدرن است. هدف از حل مسالهی پخش بار اقتصادی، برنامهریزی خروجی واحد تولیدی به گونهایست که دیماند بار مورد نیاز را با کمترین هزینهی عملیاتی، با ارضاء تمامی قیود مساوی و نامساوی واحد و سیستم، تامین کند. در [۵۶]، الگوریتم فرهنگی۴۶ و الگوریتم PSO برای حل مسالهی پخش بار اقتصادی با هم ادغام شدهاند. در تکنیک پیشنهادی، استراتژی بهروزرسانی سرعت جدید به منظور افزایش فضای جستجو و سرعت همگرائی، ارائه شده است. نویسندگان مرجع [۵۷]، تکنیکی مشابه مرجع [۵۴] با افزودن الگوریتم تکاملی دیفرانسیلی، برای حل مسالهی پخش بار اقتصادی پیشنهاد کردهاند. این تکنیک ترکیبی، هزینهی بهینه را با انتخاب باکتری با استراتژی جستجوگری مناسب از طریق بهروزرسانی هر مرحله توسط اپراتور PSO، بدست میآورد. در [۵۸]، الگوریتم PSO با یک استراتژی اتوماسیون پارامتر نوین در لحظهی تغییر ضرائب شتاب بمنظور کنترل موثر جستجوی محلی و کلی بکار گرفته شده است، به طوریکه که از همگرائی قبل از موعد اجتناب شده و پاسخهای بهینه حاصل آید. مرجع [۵۹]، با استفاده از یک بهینهساز اجتماع ذرات خود انطباقی سلسله مراتبی، ضرائب شتاب تغییر زمانی را بهبود داده و نتایج بهتری برای حل مساله پخش بار اقتصادی نسبت به تکنیکهای دیگر بدست آورده است. در [۶۰]، روش جدیدی مبتنی بر ترکیب الگوریتمهای PSO و SA، برای حل مساله پخش بار اقتصادی پیشنهاد شده است. روش پیشنهادی، پاسخهای بهتری را با استفاده از روشهای جستجوی تصادفی ارائه میکند، از این رو، بازدهی جستجو و کیفیت پاسخ به صورت چشمگیری بهبود مییابد.
۳-۲-۳ پخش بار بهینه
زمینهی دیگر از بکارگیری الگوریتم PSO در سیستمهای قدرت، استفاده از آن برای حل مسالهی بهینهی پخش بار۴۷ (OPF) است. پخش بار اقتصادی، مسالهی بهینهسازیست که هزینهی سوخت حرارتی کل، تولید کل و تلفات توان اکتیو کل را با ارضاء قیود فیزیکی و فنی روی شبکه کمینه میکند. مرجع [۶۱] استفاده از الگوریتم PSO به عنوان یک تکنیک بهینهساز

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *