ISSN在线(2278 - 8875)打印(2320 - 3765)
哈尼族m . Baniodeh博士1Saad Muftah·查德博士2博士Abdaslam Eajal3
|
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
总干事是一个新成员分配系统,提高了系统性能。DG改善电压概要文件,减少实际功率损耗,释放系统容量,增加了系统的可靠性,推迟基础设施升级,环保与传统能源相比。实现上述利益需要\安装DGs在适当的位置用适当的大小。集成DGs \分销系统是一个系统所施加的约束优化问题\规划师。这个优化问题可以解决了确定性优化技术,如序列二次规划(SQP)或启发式优化技术如\粒子群优化(PSO)。PSO是一种相对较新的优化技术\模仿鸟植绒和鱼的教育。混合PSO-based解决方案技术开发来解决这个问题。拟议的技术是验证在69 -总线测试\系统。获得的结果清楚地表明发达的方法找到最优的效率DG的位置和大小。
关键字 |
生成、分布、径向、粒子群算法、启发式。 |
I - DG集成问题 |
DG获得越来越多的流行是一个可行的电力系统的元素。DG电力系统的存在可能会导致几个优点,如提供敏感负载在停电的情况下,减少输电和配电网络拥塞,提高系统整体性能,减少功率损耗,提高电压概要文件。最近意识到传统/传统火力发电厂对环境的有害影响和冲动找到为电力生产更环保的替代品,可再生能源技术快速进步,有吸引力的和开放的电力市场是一些主要的动机导致的高渗透DG在大多数工业国家电网。为了实现最从DG安装,特别注意必须DG位置和大小。最佳DG位置和大小的问题分成两个子问题:DG的最优位置放置在哪里以及如何选择最合适的大小?许多研究者提出了不同的方法如分析过程以及确定性(1 - 6)和启发式(7 - 13)方法来解决这个问题。 |
在DG大部分综述文献的工作部署问题,DG优化问题的规模和位置不同时解决由于困难的本质问题,它结合了离散和连续变量分别为潜在的总线位置和DG大小在一个优化问题。这种组合创建一个重大困难大多数衍生优化技术和它增加了可行的搜索空间相当大的规模。在本文,DG上浆子问题解决使用一种改进的SQP确定性方法;同时解决了两个子问题时通过一个增强的PSO metaheuristic算法。 |
II-INTRODUCTION |
这里的PSO方法处理DG规划的分销网络。当DGs网格中的部署,DG放置和使用DG单元的大小要精心策划的。DG规划问题包括两个步骤,找到最优位置总线在DS网格以及DG的最优规模。DG安装必须最小化DS有功功率损失,同时满足等式和不等式约束。在本章算法metaheuristic优化方法用于求解最优位置和DG评级同时揭示最优位置总线测试DS和最佳DG评级的位置。 |
III-PROBLEM配方 |
PSO-based方法,DG集成问题制定为一个混合整数非线性优化问题受到高度非线性等式和不等式约束。目标函数最小化的DG位置和大小问题是配电网有功功率损失和制定 |
![]() |
![]() |
V-INEQUALITY约束 |
有两套满足不等式约束。系统上的边界限制是第一组,他们由DS总线电压大小和角度,和DG功率因数。总线电压大小和相位角度是有界的两个极端之间水平由物理限制。习惯上容忍电压大小的变异水平分布在附近的±10%的票面价值(15、16)。值的允许DG功率因数由上限和下限的类型和性质的DG安装分销网络。这种限制表达数学方程式所示(12)- (14) |
![]() |
![]() |
VI-DG建模 |
在文献中提出了不同的模型来表示DG的分销网络。最常见的表现为常规机组PQ-bus PV-controlled总线和使用模型。可以建模为DG PV总线是否能产生足够的无功功率来维持指定的电压大小的指定的公共汽车。共和人民党(CHP)类型的DG有能力满足这些要求。然而,据报道,这种集成可能会导致一个问题在低负载电压上升时间间隔在DG的配电系统部分集成[17]。1547 - 2003年IEEE Std博士表示,“不得积极调节电压的公共连接点(PCC)”,即在公车的DG连接[18]。这意味着DG模型是由注入一个恒定的真实和无功功率在指定的功率因数,无论分布总线的系统电压[19],即作为一个负负载[20]。代表DG的PQ-model广泛用于渗透到现有分布网格(研讨会)。大多数DGs通常运行在0.80之间的功率因数滞后和统一(24、25)。 |
![]() |
PSO-based方法旨在处理单个和多个DG坐在与指定的大小和未指明的权力因素。DG单元尺寸变量是连续的,而变量代表了DG总线位置是正整数。DG源优化变量自身的实际输出功率,DG P,连同它的功率因数,DG pf,并表示为: |
![]() |
VII-PROPOSED HPSO约束处理机制 |
两种类型的约束算法DG优化问题的处理;不等式和等式约束除了限制DS总线关闭位置变量和有界正整数集。接下来的部分依次讨论它们。 |
VIII-INEQUALITY约束 |
获得的最优解约束优化问题必须在可行域。的约束优化问题,在东亚峰会的背景下和PSO方法,通过处理方法是基于惩罚因子,拒绝不可行解决方案和保护的可行的解决方案,以及修复算法(途径)。Coath和Halgamuge[29]报道,前两个方法中利用PSO在解决约束问题产生令人鼓舞的结果。惩罚因子的方法将约束优化问题转换为无约束的优化问题。它的基本思想是构造一个辅助函数,可以改进目标函数或与约束的拉格朗日函数通过惩罚惩罚因素的复合函数约束违反。在电力系统中,马等。[30]这种方法用于解决环境和经济事务规划问题在电力市场。他et al。[31]和Abido[32]利用点球因素来解决电力系统最优潮流问题。Papla和Erlich设计[33]利用同样的方法来处理单位承诺约束优化问题。这种方法的缺点是,它增加了更多的参数,而且这种添加参数必须调整和在每一个迭代中调整,以保持质量算法的解决方案。一个子程序评估辅助函数和措施约束违反程度,其次是评估利用罚函数,增加了原问题的计算开销。 Rejecting infeasible solutions method does not restrict the PSO solution method outcomes to be within the constrained optimization problem feasible space. However, during the PSO iterative process, the invisible solutions are immediately rejected, deleted or simply ignored and consequently new, randomly initialized position vectors from the feasible space replace the rejected ones. Though such a re-initialization process gives those particles a chance to behave better, it destroys the previous experience that each particle gained from flying in the solution hyperspace before violating the problem boundary[27]. Preserving feasible solutions method, on the other hand, necessitates that all particles should fly in the problem feasible search space before assessing the optimization problem objective function. It also asserts that those particles should remain within the feasible search space and any updates should only generate feasible solutions[27]. Such a process might lead to a narrow searching space[29] . The repair algorithm was utilized widely in EAs, especially GA, and they tend to restore feasibility to those rejected solutions, i.e. infeasible. This repair algorithm is reported to be problem dependent and the process of repairing the infeasible solutions is reported to be as difficult and complex as solving the original constrained optimization problem itself [34;35] In this project, the DG inequality constraints concerning the size, and the bus location, are to be satisfied in all the HPSO iterations. The particles that search for optimal DG locations and sizes must fly within the problem boundaries. In the case of an inequality constraint violation, i.e. the particle flew outside the search space boundaries, the current position vector is restored to its previous corresponding pbest value. By asserting that all particles are first initialized within the problem search space and by resetting the violated position vector elements to their immediate previous pbest values, the preservation of feasible solutions method is hybridized with the rejection of infeasible solutions method. That is, while preserving the feasible solutions produced by the PSO particles, the swarm particles are allowed to fly out of the search space. Nevertheless, any particle that flies outside the feasible Solution search space is not deleted or penalized by death sentence in in a way, they are kept 'energetic' and 'anxious' to continue the on-going optimal solution finding journey starting from their restored, best previously achieved feasible solution. AlHajri et al. used the hybridized handling mechanism in the PSO formulation to solve for the DG optimal location and sizing constrained minimization problem [36; 37]. |
IX-EQUALITY约束 |
功率流方程描述复杂的在每个总线电压,以及分销网络的力量流动在每一行,必须满足的非线性等式约束的过程中解决DG优化问题。最常见的一种计算功率流的方法是使用NR的方法。这个方法很受欢迎因为它能快速收敛特性。然而,分销网络往往有较低的X / R比和径向的自然姿势NR方法收敛性问题。因此,径向功率流法,即采用FFRPF提出PSO方法计算分销网络中的功率流。这种方法的一个关键吸引力的特性是它的简单性和适合的分销网络,因为它主要依赖于基本电路定理,即:基尔霍夫电压和电流法。PSO算法与FFRPF杂化解决方案方法处理非线性功率流等式约束。即FFRPF作为子程序内的算法结构。通过与经典的算法1)混合处理不等式约束机制,和2)FFRPF技术处理等式约束,合成混合算法技术(HPSO)是用于解决DG最优位置和大小整数非线性约束优化问题。 |
X-DG总线位置变量处理 |
DG总线位置是一个整数变量之前定义的Eq。(22),以确保公共汽车,被注入的权力,其实施范围内,舍入操作符HPSO算法结合在一起的圆的公共汽车到最近的真实价值正整数。也就是说,在每个HPSO迭代粒子位置向量元素相关DG检查总线。如果它不是一个正整数的值,然后是四舍五入到最近的可行的自然数。包括舍入操作符是在数学上表示为情商。(25),以确保HPSO总线位置随机选择,当初始化,是一个正整数和有界之间的最小和最大允许位置值。 |
![]() |
HPSO迭代期间,获得粒子位置向量元素相关DG总线位置检查是在一定范围内,随后处理如情商所示。(26),以确保其独特的特点,即正整数的值。 |
![]() |
拟议中的HPSO Figure.2所示流程图所描述的方法。 |
![]() |
XI-TEST结果和讨论 |
介绍 |
HPSO算法用于解决DG规划问题。metaheuristic技术是利用优化DG单元的大小和位置的同时分销网络,即在一个HPSO运行最优规模,既获得了DG来源。DG单元,是最佳大小和放置在DS网络总线位置,与指定的功率因数(pf)。即HPSO算法用于优化放置和上浆DG单元指定的功率因数为0.85。 |
虽然线性递减函数算法文献中发现受欢迎,惯性权重是发现最好的处理非线性递减函数表达的Eq (27)。 |
![]() |
。最初的和最后的惯性权重值,以及最小和最大速度值设置为[0.9,0.4]和[0.1,0.9],分别。其他HPSO参数的模型,即最大迭代数,不。群粒子和加速常数,是problem-dependent,它们分别为每种情况进行调优。 |
十二- 69总线RDS |
69 -总线RDS HPSO提出的网络测试的方法,如图3所示。拟议中的metaheuristic方法找出单个DG单元的最优位置和大小。DG单元计划办理安装一个固定的pf和它的实际输出功率变量被提议的HPSO优化。 |
定位一个DG XIII-LOSS最小化 |
HPSO方法用于获取单一DG的最佳位置和大小固定的pf。怎么显示了单一DG调谐HPSO参数。HPSO模拟结果一致选择巴士61号单DG的最佳大小。相应的描述性特征Table.2所示。提出HPSO方法获得最优公交位置和DG大小,同时导致损失最小。 |
![]() |
![]() |
Table.3显示单一DG情况下的最优解在69 -总线rds安装。 |
![]() |
改善电压概要文件由于DG 69 -总线rds安装如图4所示。 |
![]() |
XIV-CONCLUSION |
集成DGs在分销系统中提高系统性能和有积极影响,如降低功率损耗和改善电压概要文件。然而,DGs的好处只有通过正确地安装在总干事总线与最优位置的最优规模。DG的最佳分配和规模问题是制定作为一个非线性混合整数规划问题。DG的目标是找到最好的结合位置和大小,同时满足实际系统限制的计划。DG集成问题是通过使用一种相对较新的优化技术解决粒子群优化(PSO)。PSO算法metaheuristic优化技术,可以处理任何类型的目标函数。算法是结合径向功率流算法(FFRPF)满足等式约束。这些约束非线性功率流方程。对于不等式约束,混合不等式约束处理机制基于保护可行解决方案和拒绝不可行,本文采用。发达PSO-based算法测试69 -总线径向分布系统(69 -总线(rds)。 The test results clearly indicate the effectiveness of the proposed technique in solving such an optimization problem. |
XV-FUTURE工作 |
本文的工作可以扩展在几个方向。下面的解释可能的方向,这个工作可以进一步扩展: |
一个¯·发达PSO-based方法可以很容易地用来找到最好的位置和多个DGs的评级。 |
一个¯·提出的算法技术可用于解决其他电力系统优化问题最优调度等问题。 |
一个¯·PSO-based方法可以与另一个杂化优化方法,以提高收敛的特性。 |
引用 |
|