دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 5 3 2014 09 23 Placement of distributed generation using Teaching-Learning-Based Optimization (TLBO) in south of Kerman جایابی بهینه منابع توزیع پراکنده در منطقه رودبار جنوب استان کرمان به منظور کاهش تلفات و بهبود پروفیل ولتاژ با استفاده از الگوریتم چند‌هدفه بهینه‌سازی آموزش و یادگیری 81 108 15395 FA ملیحه مغفوری فرسنگی دانشیار، دانشگاه شهید باهنر کرمان محسن زارع - دانشجو، دانشگاه شهید باهنر کرمان احسان بی جامی - دانشجو، دانشگاه شهید باهنر کرمان کمیل نکویی - دانشجو، دانشگاه شهید باهنر کرمان محمود عطاری شرکت توزیع برق جنوب استان کرمان ستاره خالقی شرکت توزیع برق جنوب استان کرمان محمد محمود آبادی شرکت توزیع برق جنوب استان کرمان Journal Article 2016 06 14 In this paper a new approach using Teaching-Learning-Based Optimization (TLBO) is presented for the placement of Distributed Generators (DGs) in radial distribution systems in south of Kerman. In this approach a multiple objective planning framework is used to evaluate the impact of DG placement and sizing for an optimal development of the distribution system. In this study, the optimum sizes and locations of DG units are found by considering the power losses and voltage profile as variables into the objective function. The optimization process is done using the link between the Digsilent and Matlab. The results obtained show the improvement of the system in the presence of DGs. یافتن مکان و اندازه بهینه تولیدات پراکنده به‏عنوان یک مسأله بهینه‌سازی مهندسی مطرح می‏شود. این بهینه‌سازی، می‌تواند با اهداف و مقاصد مختلف فنی، اقتصادی و حتی زیست محیطی انجام شود. در این مقاله، بهینه‌سازی مکان و اندازه تولیدات پراکنده برای دستیابی به اهداف فنی بر روی بخشی از شبکه توزیع استان کرمان، واقع در منطقه رودبار جنوب- شبکه بخش‏داری که دارای 745 شین است، انجام شده است. منظور از اهداف فنی، کاهش تلفات و بهبود پروفایل ولتاژ است. برای جایابی تولیدات پراکنده از روش بهینه‌سازی چندهدفه، که مجموعه‏ای از جواب‌های بهینه (دسته پرتو) از فضای تصمیم‌گیری انتخاب می‌شوند، استفاده شده است. در این راستا، از الگوریتم چندهدفه بهینه‌سازی آموزش و یادگیری (MTLBO) به منظور انجام بهینه‌سازی استفاده شده است. الگوریتم MTLBO براساس فرآیند آموزش و یادگیری در یک کلاس شکل گرفته است. همه آزمایش‏های شبیه‌سازی در محیط نرم‌افزار DIgSILENT و MATLAB و توسط لینک بین این دو انجام شده است. همچنین، به منظور ارزیابی و انجام مقایسه، الگوریتم وراثتی مرتب‏سازی مغلوب نشده (NSGA-II) نیز بر روی شبکه یاد شده اجرا شده است. https://isee.ui.ac.ir/article_15395_9e3b414897baa126a533736825aad1f0.pdf