منبع پایان نامه درمورد سلسله مراتب

هستند. در [۲۱]، یک تکنیک ابتکاری با استفاده از مدل ریاضی متغیرهای مجزا به عنوان استراتژی شناسائی شینههای کاندید برای افزودن خازن، پیشنهاد شده است. مدل ریاضی پیشنهادی، یک مسالهی برنامهریزی غیرخطیست و با استفاده از یک روش نقطهای داخلی تخصصی حل میشود. روش حل پیشنهادی روی سیستمهای استاندارد اجرا و نتایج حاصل از آن با روشهای فرا ابتکاری مقایسه شده است. داسیلوا۱۷ و همکارانش در [۲۲]، یک تابع سیگموئید۱۸ بمنظور تقریب زدن ماهیت مجزای مساله جایابی خازن را بکار گرفته و سپس مساله را با استفاده از روش نقطهای داخلی اولیهی دوگانه آن فرمولبندی کردهاند. دو روش برای تعیین حساسیت مورد استفاده قرار گرفته است: ۱) کاهش تعداد شینههای کاندید براساس یک شاخص حساسیت که در واقع یک تابع چندمتغیره افزایندهی لاگرانژ توان راکتیو و سطح ولتاژ است، ۲) یک تکنیک ابتکاری جدید مبتنی بر تابع سیگموئید مبتنی بر تکنیک ابتکاری سازنده۱۹ . تکنیک پیشنهادی به دو شبکهی توزیع مشهور اعمال شده و نتایج آن با الگوریتم ژنتیک مورد مقایسه قرار گرفته است.
مرجع [۲۳]، تکنیکهای ابتکاری قبلی را مورد مطالعه قرار داده و چگونگی اصلاح یا بهبود آنها را نشان داده است. سپس دو تکنیک برای حصول نتایج بهتر را ارائه کرده است. این دو تکنیک را میتوان تعمیم یافتهی روشهای ابتکاری قبلی برای جایابی خازن در نظر گرفت. برای اثبات نزدیکی پاسخهای حاصل از تکنیکهای پیشنهادی به پاسخ بهینه، یک الگوریتم جدید با استفاده از تکنیک تغییراتی مطرح میگردد.
روش جدیدی مبتنی بر تکنیک ابتکاری و جستجوی حریص۲۰ در [۲۴] برای جایابی بهینهی خازن پیشنهاد شده است. قوانین ابتکاری برای تعیین مکانهای احتمالی خازن بکار گرفته شده است. سپس تکنیک جستجوی حریص، مکانهای بهینهی خازن حاصل از مکانهای احتمالی را تعیین کرده و اندازهی خازنها در این مکانها را ارائه میکند. تکنیک جستجوی حریص برای تعیین مکان و اندازهی بهینهی خازن، از یک تکنیک جستجوی تکبعدی استفاده میکند. برتری تکنیک ابتکاری با مقایسهی نتایج آن با الگوریتم ژنتیک به اثبات رسیده است. در [۲۵]، روش ابتکاری نوینی برای یافتن گرههای حساس برای نصب خازن به منظور کاهش تلفات اهمی و افزایش صرفهجوئی اقتصادی ارائه شده است. گرههای حساس، مکانهای اولیه برای نصب بانک خارنی بوده و براساس تلفات ناشی از مولفهی راکتیو جریانهای بار انتخاب میشود. هزینهی سرمایهگذاری خازنها و تغییرات بار در طول مدت روز نیز در فرآیند مطالعه در نظر گرفته میشود.
۲-۵ روشهای مبتنی بر هوش مصنوعی
با توجه به توسعههای اخیر هوش مصنوعی، محققان زیادی آن را برای مسائل مهندسی قدرت بکار گرفتهاند. در عمل، الگوریتم ژنتیک۲۱ (GA)، سیستمهای خبره۲۲ (ES)، آبکاری شبیهسازی شده ۲۳ (SA)، شبکههای عصبی مصنوعی۲۴ (ANN) و تئوری مجموعهی فازی۲۵ (FST) برای حل مسالهی جایابی بهینهی خازن پیشنهاد شدهاند.
۲-۵-۱ الگوریتم ژنتیک
الگوریتم ژنتیک از تکاملی بیولوژیکی برای ایجاد مجموعهای از نقاط فضای جستجو به سمت یک نقطهی بهینه استفاده میکند. الگوریتم ژنتیک با انتخاب یک جمعیت از پارامترهای کدبندی شده با بالاترین سطح برازندگی (یعنی پارامترهائی که منجر به بهترین پاسخ میشوند) و انجام ترکیبی از عملگرهای جفتگیری، جهش و تقاطع روی آنها، مجموعهی بهتری از پارامترهای کد شده را تولید میکند. الگوریتم ژنتیک به سادگی اجرا شده و قادر به یافتن نقطهی بهینه است.
در [۲۶]، تعدادی از روشهای تسریع عملکرد الگوریتم ژنتیک برای حل مسالهی بهینهی خازن در سیستمهای توزیع چند مبدلهی نامتعادل مطالعه شده و نتایج آن با هم مورد مقایسه قرار گرفته است. از این رو، برتریهای اصلی این مقاله عبارت است: ۱) بسط تکنیکهای جایابی خازن در سیستمهای توزیع چند مبدلهی نامتعادل با در نظرگیری اعوجاجهای شکل موج، ۲) مقایسهی رفتار این تکنیکها با یکدیگر و الگوریتم ژنتیک ساده بدون هیچ کاهش در فضای جستجو به منظور اثبات برتری.
ایدهی اصلی مرجع [۲۷]، کاهش هزینههای نصب و تلفات توان اکتیو شبکههای توزیع با در نظرگیری عمر ادوات کلیدزنی شبکه (تپچنجر ترانسفورماتور و خازن کلیدزنی) در تابع هدف مسالهی جایابی بهینهی خازن است. شینههای کاندید برای نصب خازن با استفاده از تحلیل حساسیت و پیشبینی بار سالیانه تقریب زده میشود. سپس، بهرهبرداری بهینه از تمامی ادوات برای هر بخش با استفاده از الگوریتم ژنتیک، صورت میگیرد. تعداد خازنهای نصب شده، براساس عملکرد بهینه محاسبه میشود که این امر منجر به کاهش هزینهی سالیانهی نصب خازن و تلفات توان اکتیو میگردد.
در [۲۸]، روش جدیدی برای بهبود الگوریتم ژنتیک به منظور حل مسالهی جایابی بهینهی خازن ارائه شده است که در طی آن، فاز فضای جستجوی به الگوریتم ژنتیک با استفاده از سازماندهی سلسله مراتب افزوده میشود. تکنیک پیشنهادی، برخی از ملاحظات مانند محدودیتهای بودجهی سالیانه را نیز در بر میگیرد. روش پیشنهادی قادر به اجرا در شبکههای توزیع بزرگ با توانائی یافتن پاسخهای نزدیک به حالت بهینه در یک مدت زمان اجرای کوتاه است.
معصوم۲۶ و همکارانش در [۲۹]، الگوریتم ژنتیک را برای فرمولبندی مسالهی جایابی و تعیین ظرفیت بهینهی خازن در حضور هارمونیکهای ولتاژ و جریان با درنظر گرفتن تعداد محدودی از بانکهای خازنی در هر شینه و کل فیدر، بکار گرفته است. قیود عملیاتی و کیفیت توان شامل ولتاژ موثر، تعداد/ظرفیت خازنهای نصب شده و رزونانسهای همزمان هارمونیک در جایابی لحاظ شده است. با استفاده از تابع برازندگی پیشنهادی، ترکیب مناسبی از هدف و قیود به عنوان معیار انتخاب تعریف میشود. نتایج شبیهسازی برای دو شبکهی IEEE ارائه شده و پاسخهای الگوریتم ژنتیک با تکنیکهای حداکثر حساسیت انتخاب۲۷، حداکثر حساسیت انتخاب-تغییرات محلی۲۸ و مجموعه فازی مورد مقایسه قرار گرفته است.
نویسندگان مرجع [۳۰]، تکنیکی را برای جایابی بهینهی خازن با سه هدف پیشنهاد کردهاند: ۱) سطوح عمیقتر کاهش ولتاژ پست برای کاهش پیک بار، ۲) اصلاح ضریب قدرت و ۳) کاهش تلفات توان. کاهش بار همراه با بهبود ضریب قدرت در پست علاوه بر داشتن مزایای اقتصادی برای شبکه، دارای اثرات مفید پایداری ولتاژ با افزایش حد پایداری سیستم است.
۲-۵-۲ سیستمهای خبره
سیستمهای خبره یا سیستمهای مبتنی بر دانش۲۹ (KBS) شامل مجموعه قوانین، حقایق (دانش) و یک محرک واسط برای انجام استدلال منطقی است. اغلب ES ها در مهندسی قدرت برای تشخیص، طراحی و برنامهریزی بکار میروند [۳۱].
چنگ و همکارانش در [۳۲] اولین بار ساختار پیشنهادی برای استفاده از سیستم خبره را برای مساله جایابی بهینهی خازن تشریح کردهاند. چهار سال بعد در [۳۳]، سیستم خبرهی جبرانسازی توان راکتیو با استفاده از قوانین اکتشافی خبرههای انسانی و تخصص ادبیات فنی۳۰ مانند الگوریتمها و فرمول ساخت هوش مبتنی بر سیستم، پیشنهاد کردهاند. دادههای مولفهی سیستم توزیع و توپولوژی سیستم در دیتابیس ذخیره میشود. پروفیل ولتاژ سیستم توزیع در محدودهی مطلوب با انتخاب مناسب خازنهای شنت و رگولاتورهای ولتاژ حفظ میگردد. حالت بسیار اقتصادی بهرهبرداری برای سیستم توزیع در تمامی مدت، بدون تجاوز از قیود ولتاژ سیستم، تضمین میشود. سپس در [۳۴]، این سیستم خبره برای طراحی کوتاه مدت و بلند مدت کنترل ولتاژ و کاهش تلفات در سیستمهای توزیع با استفاده از خازنهای شنت و رگولاتورهای ولتاژ، تعمیم داده شدهاند. به صورت ایدهآل، سیستم خبره، بخشی از سیستم SCADA خواهد شد.
مراجع [۳۵-۳۶]، کاربرد معادل شبکهی حالت پایدار و سیستم خبره را برای کنترل ولتاژ و توان راکتیو در سیستمهای قدرت بزرگ پیشنهاد میکند. تکنیک معادلسازی شبکهی حالت پایدار برای ساخت زیرسیستم سه ردیفی که مناسب با حل مسائل نقض ولتاژ است، بکار گرفته میشود. سیستم خبره نیز روش درخت حساس۳۱ را برای انتخاب مجموعهی بهینهی فعالیتهای کنترلی برای کوچککردن مسالهی ولتاژ استفاده مینماید. کاربرد عملی سیستم خبرهی بسط یافته در سیستم قدرت کمیسیون برقآبی تاسمانیا به اثبات رسیده است.
۲-۵-۳ آبکاری شبیهسازی شده
آبکاری فلزات یک الگوریتم بهینهسازی تکراری است که مبتنی بر آبکاری جامدات است. هنگامیکه یک ماده آبکاری میشود، آن تا یک دمای بالا حرارت داده شده و به آرامی طبق یک برنامهریزی سرد میشود. با سرد شدن ماده، اجزاء در ساختار شبه شبکهای که دارای حداقل انرژیست، نظم مییابند. برای مسئلهی جایابی بهینهی خازن، تابع هزینهی کل به صورت تابع صرفهجوئی فرمولبندی میشود. در [۳۷]، SA برای کمینهسازی تابع هزینهی کل به صورت زیر بکار رفته است:
(۲-۳)
که در آن،
KPPloss: هزینهی تلفات توان پیک
KEEloss: هزینهی تلفات انرژی
KCC: هزینههای نصب خازن
در [۳۸]، آبکاری شبیهسازی شده را برای جایابی بهینهی خازن و بازآرائی شبکه با هدف کاهش تلفات توان و بهبود پروفیل ولتاژ پیشنهاد کردهاند. قابلیت روش پیشنهادی با حصول نتایج نزدیک به حالت بهینهی بازآرائی شبکه و جایابی خازن قابل دفاع است. هدف از این مطالعه، تشخیص انتقال بار در تابع هدف مرکب از کمینهسازی تلفات توان و ارضاء حدود پروفیل ولتاژ است. شبیهسازی روی شبکهی استاندارد IEEE انجام شده و نتایج محاسباتی نشان میدهد که بازآرائی فیدر همزمان با جایابی خازن، تلفات توان را به صورت قابل ملاحظهای کاهش میدهد.
روشی مرکب از تکنیک جستجوی ابتکاری و آبکاری شبیهسازی شده برای حل مسالهی جایابی بهینهی خازن در شبکهی توزیع شعاعی پیشنهاد شده و اثرات آن روی شبکه و نامتعادلی بار، هارمونیکهای منبع و بارهای غیرخطی مورد بررسی قرار گرفته است. تاثیر نامتعادلی شبکه بسیار شدید بوده و میتوان آن را به راحتی در فرآیند مطالعه در نظر گرفت در حالیکه در این مطالعه، رابطهی جدیدی برای اعمال نامتعادلی ارائه شده است [۳۹].
در [۴۰]، برنامهریزی دو هدفهی تعاملی با روش مبادلهی ارزشمند۳۲ برای حل مسالهی جایابی بهینهی خازن و مسائل برنامهریزی با استفاده از یک تکنیک آبکاری شبیهسازی شده و بهینهسازی اجتماع ذرات ارائه شده است. دو نگرانی اصلی طراحی، یعنی هزینه و کیفیت، در بهینهسازی با حضور خازنهای ثابت و کلیدزنی در نظر گرفته شده است. جهت اثبات برتری تکنیک پیشنهادی مطالعهی مقایسهای روی یک فیدر واقعی انجام شده است.
۲-۵-۴ شبکههای عصبی مصنوعی
یک شبکهی عصبی مصنوعی عبارت است از اتصال عصبهای مصنوعی که سیستم عصبی مغز انسان را شبیهسازی میکنند. شبکههای عصبی مصنوعی برای تشکیل ارتباطات غیرخطی بین ورودیها و خروجیها مفیداند. یک ANN نوعا شامل سه لایه است، یک لایهی ورودی، یک یا چند لایهی میانی و یک لایهی خروجی. رابطهی بین ورودیها و خروجیها به صورت پارامترها در لایهی میانی نهفته میشود. هرگاه یک ANN آموزش ببیند، آن میتواند به نتایج بسیار سریعی از مجموعه ورودیها استخراج کند. شکل (۲-۱) ساختار یک ANN را نشان میدهد.
شکل (۲-۱): ساختار شبکهی عصبی
مرجع [۴۱] استفاده از شبکههای عصبی را به منظور کاهش زمان مورد نیاز برای حل مسالهی جایابی بهینهی خازن پیشنهاد کرده است. با اجرای این تکنیک، میتوان دریافت که شبکههای عصبی حداقل ۱۰۰ برابر سریعتر از سایر تکنیکهای بهینهسازی مرسوم برای یافتن تعداد واقعی خازنها در سیستم است. بعلاوه، با افزایش تعداد خازن در شبکه، بازدهی شبکههای عصبی مصنوعی نسبت به سایر روشها (از لحاظ زمان حل) افزایش مییابد.
در [۴۲]، روش موثری برای جایابی خازنهای شنت در سیستمهای توزیع صنعتی با استفاده از تکنیک تبدیل موجک گسسته۳۳ (DWT) با یک شبکهی عصبی مصنوعی پیشرو-پسرو۳۴ (FFANN) ارائه

دیدگاهتان را بنویسید

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