بازبینی تخصیص بهینه تولید توزیعی
چکیده
تولید توزیعی با توجه به قابلیت آن در استفاده ی جایگزین از منابع جایگزین انرژی , آینده ای نویدبخش برای تولید توان در شبکه های برق ارایه می کند. سهم ژنراتورهای توزیعی برای سیستم های توان شامل پیشرفت هایی در کارآمدی انرژی و کیفیت توان جهت قابلیت اطمینان و امنیت است. این مزایا تنها با تخصیص بهینه ی منابع توزیعی قابل دستیابی هستند که عملکرد اهداف و محدودیت ها را در نظر گرفته و الگوریتم بهینه ی پایدار را بکار می گیرد. یک بازبینی جامع بر تخصیص بهینهی ژنراتورهای توزیعی در این مقاله برای اهداف, محدودیت ها و الگوریتم های متفاوت انجام شد. این بازبینی نشان می دهد که چگونه روش ها و الگوریتم ها برای تخصیص تولید توزیعی بهینه نقش مهمی در توسعه ی صحت و کارآمدی نتایج ایفا می کنند.
1. مقدمه
تولید توزیعی برخلاف تولید متمرکز سنتی به روشی اشاره دارد که در آن بخشی از توان الکتریک با واحدهای تولیدی کوچک که در نزدیکی کاربر نهایی قرار گرفته اند , تولید و توزیع می شود. تولید توزیعی می تواند بعنوان تولید پراکنده, تولید جایگیری شده یا تولید غیرمتمرکز در نظر گرفته شود. تولید توزیعی گستره ی وسیعی از واحدهای تولید توان نصب شده ی محلی را تحت پوشش قرار می دهد که می تواند از نوع تجدید پذیر یا متداول باشد. امروزه با توجه به پیشرفت های فنی , می توان به مزایای بیشماری از ژنراتورهای توزیعی (DG) در رشته های اقتصادی, فنی و محیطی دست یافت. می توان با انتخاب و اندازه گیری بهینه و قرار دادن DGها در سیستم-های توان , آن را به دست آورد.
6. نتیجه گیری
می توان اینطور بیان کرد که نصب DG در شبکه های توان, ویژگی های شبکه را تغییر می دهد. روش های بسیاری وجود دارند که به سبب محدودیت های عمکرد اهدافشان در DGA بکار رفته اند. علاوه بر آن مطالعات درباره ی DGA می تواند با توجه به الگوریتم های بهینه سازی بکار گرفته شده طبقه بندی شوند. یک تابع تناسب شامل ترکیبی از فاکتورهای وزنی و چند منظوره در کارهای قبلی بررسی شده اند. برای تشکیل تابع هدف تک ارزشی, فاکتورهای وزنی صحیح ترین روش هستند. با این وجود روش های تحلیلی ادغام شده با جستجوی ساده یا جامع همیشه می تواند به راه حل دقیقی بیانجامد اما برای شبکه های بزرگ قابل کاربرد نیستند. به سبب معایب توضیح داده شده ی ماهیت الهام گرفته از طبیعت الگوریتم های بهینه سازی, بنظر می رسد یک الگوریتم بهینه سازی ترکیبی برای DG مناسب تر است بویژه اگر منابع تجدید پذیر هم در کار باشند.
Abstract
Distributed generation, with respect to its ability in utilizing the alternative resources of energy, provides a promising future for power generation in electric networks. Distributed generators contribution to power systems include improvement in energy efficiency and power quality to reliability and security. These benefits are only achievable with optimal allocation of distributed resources that considers the objective function, constraints, and employs suitable optimization algorithm. In this paper, a comprehensive review on the optimal allocation of distributed generators was carried out for different objectives, constraints, and algorithms. Current review highlights how the methods and algorithms for optimal distributed generation allocation play an important role in improving the accuracy and efficiency of the results.
1. Introduction
Unlike the traditional centralized generation, distributed generation refers to a method in which a part of the electric power is generated and delivered to customers with small generation units placed close to the end users. The distributed generation can also be addressed as dispersed generation, embedded generation, or decentralized generation. Distributed generation covers a wide range of locally installed power generation units which can be of both renewable and conventional types. Nowadays, with respect to the technical developments, enormous benefits can be achieved from Distributed Generators (DGs) in economical, technical, and environmental fields [1–3]. Those advantages could be earned by optimal selection, sizing, and placement of DGs in power systems.
6. Conclusion
It can be stated that DG installation in power networks changes the network characteristics. There are a lot of methods employed in DGA due to their objectives operation constraints. Moreover, the studies on DGA can also be classified with respect to their employed optimization algorithms. A fitness function comprises of a combination of multi objectives and weight factors, is examined in the literatures. To form a single value objective function, weight factors are the most proper technique. However, the analytic methods combined with simple or exhaustive search can always result in an accurate solution, but they are not applicable for large networks. Due to the explained disadvantages of nature inspired optimization algorithms, a hybrid optimization algorithm seems to be more suitable for DGA, especially when renewable resources are also included.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. مقدمه
2. اهداف منتخب برای DGA بهینه
1.2. به حداقل رسانی اتلاف توان
3.2 توسعه پروفایل ولتاژ
3.2. اهداف مرتبط با مسایل مالی
4.2. بهینه سازی چند منظوره
3. محدودیت هایی برای DGA بهینه
1.3. توان فعال: تولید/جریان بار
2.3. توان انفعالی: تولید/جریان بار
3.3. ولتاژ: پروفایل/مراحل/زاویه
4.3. خط: محدودیت های اتلاف/حرارتی
5.3. مبدل: ظرفیت/اتصال وسط
6.3. مدار کوتاه: سطح/نسبت
7.3. توان: توزیع/کیفیت/فاکتور توان
8.3. DG: سطح نفوذ/اندازه/تعداد
4. الگوریتم ها و روش های بهینه سازی بکار گرفته شده
1.4. رویکردهای کلاسیک
2.4. روش های جستجوی پایه
3.4. الگوریتم های الهام گرفته از جامعه یا فیزیک
4.4. روش های الهام گرفته از طبیعت
5.4. الگوریتم های هوشمند ترکیبی
6. مقایسه ی الگوریتم های بهینه سازی
7. نتیجه گیری
ABSTRACT
1. Introduction
2. Selected objectives for optimal DGA
2.1. Power loss minimization
2.2. Voltage profile improvement
2.3. Objectives with financial concerns
2.4. Multi objective optimization
3. Constraints for optimal DGA
3.1. Active power: load-flow/generation
3.2. Reactive power: load-flow/generation
3.3. Voltage: profile/steps/angle
3.4. Line: the thermal/loss constraints
3.5. Transformer: capacity/tap
3.6. Short circuit: level/ratio
3.7. Power: delivery/quality/power factor
3.8. DG: number/size/penetration level
4. Employed optimization methods and algorithms
4.1. Classic approaches
4.2. Basic search methods
4.3. Physic or society inspired algorithms
4.4. Nature Inspired Techniques
4.5. Hybrid Intelligent Algorithms
5. Comparison of optimization algorithms
6. Conclusion
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه