تجدید آرایش بهینه شبکه های توزیع به‌منظور کاهش تلفات و افزایش قابلیت اطمینان با استفاده از الگوریتم خفاش

طاهر, سید عباس; فاطمی, سعید; هنرفر, امید

doi:10.22052/8.1.29

تجدید آرایش بهینه شبکه های توزیع به‌منظور کاهش تلفات و افزایش قابلیت اطمینان با استفاده از الگوریتم خفاش

نویسندگان

دانشگاه کاشان

10.22052/8.1.29

چکیده

بازآرایی یکی از ساده ترین و کم‌هزینه ترین روش هایی است که به‌وسیله آن می توان بدون افزودن تجهیزات اضافی در شبکه، اهدافی مانند خودترمیمی، افزایش قابلیت اطمینان، کاهش تلفات و... را اجرایی کرد. با توجه به گسترش شبکه های توزیع، پیچیده‌تر شدن ارتباطات و افزایش پارامترها، و نیز با توجه به اینکه مدلسازی مسئله بازآرایی به‌وسیله معادلات ریاضی امری ناممکن است، استفاده از تکنیک‌های هوشمند در انجام بازآرایی اجتناب‌ناپذیر است. از سوی دیگر، تحلیل قطع یا وصل بودن هر سوئیچ می بایست بدون خطا بوده و متناسب با محدودیت های شبکه، همچون جریان قابل تحمل هر شاخه، ولتاژ مجاز شین ها و توان عبوری از خطوط انجام شود. با توجه به این نیاز است در بین الگوریتم‌های هوشمند، از الگوریتمی استفاده شود که از نظر فاکتورهای مختلف از قبیل دقت، سرعت همگرایی بتواند عملکردی بهینه داشته باشد. در این مطالعه، عملکرد الگوریتم های باینری خفاش، سنجاقک، ژنتیک، بهینه سازی ازدحام ذرات و فاخته در شبکه های توزیع شعاعی استاندارد 16 و 33 شینه و با هدف بازآرایی شبکه برای رسیدن به توپولوژی ای با کمترین تلفات و بیشترین قابلیت اطمینان با یکدیگر مقایسه شده است. نتایج حاصل برای این مسئله نشان‌ می‌دهد که عملکرد الگوریتم باینری خفاش از نظر سرعت همگرایی نسبت به سایر الگوریتم‌ها مندرج در این مقاله بهتر است.

کلیدواژه‌ها

20.1001.1.23223707.1398.8.1.3.9

عنوان مقاله [English]

Optimal Reconfiguration of Distribution Network for Power Loss Reduction and Reliability Improvement Using Bat Algorithm

نویسندگان [English]

Seyed Abbas Taher
Saeid Fatemi
Omid Honarfar

چکیده [English]

In power systems, reconfiguration is one of the simplest and most low-cost methods to reach many goals such as self-healing, reliability improvement, and power loss reduction, without including any additional components. Regarding the expansion of distribution networks, communications become more complicate and the number of parameters increases, which makes the reconfiguration problem infeasible using mathematical models. Therefore, using intelligent algorithms become candidate solutions. On the other hand, analysis of opened and closed switches should be without error and should be done in line with the network constraints like, tolerable current flow of each branch, permissible voltage of the busbars, and the line power flow. Therefore, among evolutionary algorithms, an algorithm with enough accuracy and convergence speed is used. In this study, the performance of binary bat, dragonfly, genetic, and PSO (Particle Swarm Optimization) algorithms is compared in the network reconfiguration IEEE 16-bus and 33-bus test systems with the aim of reaching a topology with the minimum loss in power and the maximum reliability. The results show that binary bat algorithm has the best performance among other algorithms.

کلیدواژه‌ها [English]

Evolutionary algorithm
Reconfiguration of distribution network
Uncertainty
Power loss
Reliability

مراجع

[1] Power System Outage Task Force, “Final report on the August 14, 2003 blackout in the United States and Canada: Causes and recommendations, Canada, Apr. 2004. [2] R. Billinton and R. N. Allan, Reliability Evaluation of Power Systems, 2nd ed. New York: Plenum, 1996. [3] M. E. Baran and F. F. Wu, “Network reconfiguration in distribution systems for loss reduction and load balancing,” IEEE Trans. Power Delivery, vol. 4, no. 2, pp. 1401–1407, Apr. 1989. [4] S.A. Taher, M.H. Karimi, Optimal reconfiguration and DG allocation in balanced and unbalanced distribution systems. Ain Shams Engineering Journal, vol. 5, no. 3, pp. 735-749, 2014. [5] M. A. Kashem, G. B. Jasmon, and V. Ganapathy, “A new approach of distribution system reconfiguration for loss minimization,” International Journal of Electrical Power and Energy Systems, vol. 22, no. 4, pp. 269–276, May 2000. [6] A. Abur, “A modified linear programming method for distribution system reconfiguration,” International Journal of Electrical Power and Energy Systems, vol. 18, no. 7, pp. 469–474, Oct. 1996. [7] M. Mosbah, S. Arif, R. D. Mohammedi and R. Zine, "Optimal Algerian Distribution Network Reconfiguration Using Antlion Algorithm for Active Power Losses," 2018 3rd International Conference on Pattern Analysis and Intelligent Systems (PAIS), Tebessa, 2018, pp. 1-6, doi: 10.1109/PAIS.2018.8598534. [8] V. J. Shetty and S. G. Ankaliki, "Electrical Distribution System Power Loss Reduction and Voltage Profile Enhancement by Network Reconfiguration Using PSO," 2019 Fifth International Conference on Electrical Energy Systems (ICEES), Chennai, India, 2019, pp. 1-4, doi: 10.1109/ICEES.2019.8719292. [9] J. G. Daud, M. Kondoj and M. Patabo, "Reconfiguration Distribution Network with Ant Colony," 2018 International Conference on Applied Science and Technology (iCAST), Manado, Indonesia, 2018, pp. 349-353, doi: 10.1109/iCAST1.2018.8751227. [10] Y. Song, G. Wang, A. Johans, and Wang, “Distribution network reconfiguration for loss reduction using fuzzy controlled evolutionary programming, ” Proc. IEE Generation Transmission and Distribution, vol. 144, no. 4 pp. 345-350, Jul. 1997. [11] S.A. Mirjalili, “Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective, discrete, and multi-objective problems” Neural Comput & Applic, DOI 10. 1007/s00521-015-1920-1, April 2015. [12] R. Rajabioun, “Cuckoo Optimization Algorithm“, Applied Soft Computing, vol. 11, pp. 5508–5518, 2011. [13] K. Nara, A. Shiose, “implementation of genetic algorithm for distribution systems loss minimum Reconfiguration” IEEE Tans Power Systems, vol. 7, no. 3, pp. 1044-1051, August 1992. [14] Ching-Tzong Su, Chang-Fu Chang, Ji-Pyng Chiou “Distribution network reconfiguration for loss reduction by ant colony search algorithm”, Electric power system research, vol. 75, no. 2-3, pp. 190-199, 2005. [15] X.-S. Yang, A New Metaheuristic Bat-Inspired Algorithm, in: Nature Inspired Cooperative Strategies for Optimization (NISCO 2010) (Eds. J. R. Gonzalez et al.), Studies in Computational Intelligence, Springer Berlin, 284, Springer, 65-74 (2010). [16] S.A. Mirjalili, S.M. Mirjalili, Xin-She Yang “Binary bat algorithm “, Neural Comput & Applic, DOI 10.1007/s00521-013-1525-5, 2013. [17] X.S. Ang, , (2011), Bat Algorithm for Multiobjective Optimization, Int. J. Bio-Inspired Computation, Vol. 3, No. 5, pp. 267-274. [18] A. Eltantawy and M. Salama, "A Novel Zooming Algorithm for Distribution Load Flow Analysis for Smart Grid", IEEE Trans. Smart Grid, vol. 5, no. 4, pp. 1704-1711, 2014. [19] B. Amanulla, S. Chakrabarti and S. N. Singh, "Reconfiguration of Power Distribution Systems Considering Reliability and Power Loss," IEEE Trans. Power Delivery, vol. 27, no. 2, pp. 918-926, April 2012. [20] J.Z. Zhu, “Optimal reconfiguration of electrical distribution network using the refined genetic algorithm “, Electric Power Systems Research, vol. 62, pp. 37-42, 2002.