Improving self-healing of smart distribution network by allocating switches and distributed generation resources using soft computing

Authors

1 Dept. of Electrical Engineering, K. N. Toosi University of Technology, Tehran, Iran

2 faculty of electrical engineering, K. N. Toosi university of technology, tehran, iran

Abstract

Expansion of distribution networks to increase the reliability due to change of behavior and type of customers is a requirement. On the other side, the concern about environment and climate changes has led to use of renewable energy sources as a replacement for fossil generation sources. DGs based on RES and control switches can play an important role in improving the reliability of the grid, decreasing the costs and mitigating environmental effects. The main purpose of this article is evaluating the remote control switches and manual control and sizing of RES-based DG units including solar cells and wind turbines and simultaneous placement of these units considering their generation uncertainty. The intended function is a bi-objective function that includes reducing network costs and improving the Side Reliability Index and technical and economic constraints are considered too. The intended function is modeled as a mixed integer nonlinear programming and four evolutionary algorithms are used to solve this problem and their results are compared. Roy Billinton 4-bus network is chosen as the test network in this article.

Keywords


1- مقدمه[1]

امروزه یکی از اهداف مهم در برنامه‌ریزی شبکه‌های توزیع، بهبود پایایی شبکه توزیع است. با افزایش روزافزون استفاده از انرژی الکتریکی، تغییر رفتار و نوع مشترکین و گسترش تعداد مشترکین، نقش شبکه‌های توزیع در برآورده‌کردن نیازهای مشترکین بیش‌ازپیش شایان توجه قرار گرفته است و دیگر شبکه‌های توزیع سنتی پاسخگوی نیاز مشترکین نیستند]1[. حدود 80% از خاموشی‌های مشترکین نیز ناشی از وقوع خطا در شبکه توزیع است [2]. همچنین، نگرانی دربارة تغییرات اقلیمی و زیست محیطی و افزایش گازهای گلخانه‌ای باعث شده است پژوهشگران به فکر جایگزینی برای منابع تولید سنتی مبتنی بر سوخت‌های فسیلی سیستم‌های قدرت باشند ]3[؛ ازاین‌رو، منابع انرژی تجدیدپذیر نقشی مهمی در شبکه‌های توزیع هوشمند دارند.

در سالیان اخیر به‌دلیل پیشرفت‌هایی که در فناوری اطلاعات و ارتباطات و منابع تولید پراکنده رخ ‌داده، ظهور شبکه‌های هوشمند را سبب شده است [4]. یک شبکه هوشمند باید قادر به تشخیص و شناسایی خطا و بازیابی سرویس ([1]FLISR) به مشترکین به‌‌صورت اتوماتیک باشد [5]. به‌منظور دستیابی به این موارد در شبکه‌های هوشمند، ویژگی خودترمیمی شبکه هوشمند بیان شد که باعث افزایش چشمگیر پایایی می‌شود [6]. در مطالعات انجام‌شده در زمینة خودترمیمی، برای آن لایه‌های مختلفی در نظر گرفته‌ شده است. در ]7[ شبکه‌های خودترمیم به دو سطح سیستم و تجهیزات تقسیم‌بندی شده‌اند. در ]8[ برای خودترمیمی سه لایه در نظر گرفته ‌شده است و ساختار پیشنهادشده برای یک شبکة خودترمیم در شکل (1) نشان داده شده است. سیستم مدیریت شبکه توزیع، برای حالت‌های مختلف شبکه باید توابع هدف مختلفی را دنبال کند. در حالت نرمال، هدف سیستم مدیریت شبکه، بهینه‌سازی وضعیت بهره‌برداری شبکه است؛ بنابراین، توابع هدف مختلفی ازجمله کاهش بارگذاری خطوط، بهبود پروفیل ولتاژ و تلفات توان شبکه با استفاده از تغییر بهینة توپولوژی شبکه برای عملکرد این سیستم در نظر گرفته می‌شود. برای حالت غیرعادی شبکه که بیشتر مربوط به وضعیت شبکه در شرایط وقوع خطاست، هدف اصلی سیستم مدیریت شبکه افزایش سرعت اجرای فرایند FLISR است. همچنین، برای حالتی که شبکه در وضعیت هشدار قرار گرفته است، سیستم مدیریت شبکه توابع هدف کارایی را دربردارد. پژوهش‌های انجام‌شده با موضوع بهبود خودترمیمی شبکه، در لایه‌ای به نام تقویت ترمیم‌گر و بهبود عملکرد سیستم مدیریت شبکه توزیع در برابر رخداد خطا در دو بخش افزایش ایمنی شبکه و افزایش کفایت شبکه بررسی می‌شود. در ]9[ افزایش ایمنی شبکه توزیع از طریق توسعة سیستم‌های حفاظتی و کنترلی بررسی شد. در ]10[ مطالعاتی راجع به افزایش کفایت شبکه از طریق منابع تولید پراکنده انجام شده است.

 

 

 

شکل (1): چارچوب خودترمیمی [19]

 

 

مطالعات زیادی برای بررسی تأثیر تجهیزات کنترلی مانند کلیدهای کنترل از راه دور و کلیدهای کنترل دستی، تجهیزات حفاظتی مانند فیوزها، تجهیزات پایشی مانند نمایشگر خطا، بر ویژگی خودترمیمی شبکه توزیع هوشمند انجام شده است ]11[. همان‌طور که گفته شد، یکی از راه‌های بهبود ویژگی خودترمیمی در شبکه‌های توزیع هوشمند، استفاده از منابع تولید پراکنده است. منابع تولید پراکنده به دو صورت مبتنی بر سوخت‌های فسیلی و مبتنی بر انرژی‌های تجدیدپذیرند ]12[. استفاده از این منابع هم به بهبود پروفیل ولتاژ و کاهش تلفات شبکه منجر می‌شود و هم در افزایش پایایی شبکه توزیع تأثیرگذار است. به‌کارگیری منابع تولید پراکنده در شبکه‌های توزیع هوشمند همراه با چالش‌هایی است که مهم‌ترین آنها عبارت است از یافتن مکان مناسب منابع تولید پراکنده در شبکه، ظرفیت و تعداد منابع تولید پراکنده. نادیده‌گرفتن هر یک از این عوامل، بر عملکرد شبکه توزیع تأثیر منفی دارد ]13[.

به‌طور کلی مسئلة جایابی و تعیین ظرفیت منابع تولید پراکنده می‌توانند به روش کلاسیک یا با الگوریتم‌های تکاملی (محاسبات نرم) حل شوند که هرکدام از این روش‌ها مزایا و معایبی دارند. مشکل مهم استفاده از الگوریتم‌های تکاملی، گیرکردن جواب در بهینه محلی [14] و همچنین، کاهش چشمگیر سرعت آنها با افزایش ابعاد مسئله است. استفاده از روش حل کلاسیک در حل مسئلة غیرخطی همراه با عدد صحیح نیز به دستیابی جواب بهینه سراسری منجر نمی‌شود و برای یافتن جواب بهینه سراسری باید مسئله خطی‌سازی شود [15]؛ خطی‌سازی مسائل نیز خطاهایی را به مسئله وارد می‌کند. مرجع [16] بهترین روش برای حل مسائل MINLPرا استفاده از الگوریتم‌های تکاملی می‌داند؛ اما به‌طور کلی برای انتخاب یکی از این دو روش برای حل مسائل MINLPبحث وجود دارد.

در مرجع [17] از الگوریتم کلونی زنبور برای مسئلة مکان‌یابی هم‌زمان کلیدهای کنترل از راه دور و کنترل دستی استفاده‌ شده است. تابع هدف ارائه‌شده در این مقاله فقط شامل هزینه است و از شاخص‌های پایایی در تابع هدف استفاده‌ نشده است. در مرجع [18] یک برنامه‌ریزی خطی همراه با عدد صحیح به‌منظور تعیین تعداد، نوع و مکان تجهیزات اتوماسیون به‌طور هم‌زمان ارائه ‌شده است. تابع هدف این مقاله شامل محاسبات اقتصادی و شاخص‌های پایایی است. در این مقاله احتمال عملکردی تجهیزات و عدم قطعیت در تولید منابع تولید پراکنده لحاظ نشده است. در مرجع [19] با استفاده از تعیین مکان و سایز بهینة پارکینگ‌های خودروهای هیبریدی قابلیت خودترمیمی شبکه بهبود یافته است. در این مقاله، خودروهای هیبریدی هم واحد پشتیبان در مناطق خطادیده و هم واحدهای ذخیره‌ساز در نظر گرفته‌ ‌شده‌اند. تابع هدف استفاده‌‌شده در این مقاله شامل هزینه و شاخص‌های پایایی است؛ اما از کلیدهای کنترلی برای بهبود پایایی صرف‌نظر شد. در مرجع [20] با استفاده از الگوریتم ژنتیک جایابی چندهدفه پارکینگ خودروها انجام ‌شده، اما رفتار تصادفی خودروهای الکتریکی در نظر گرفته نشده است. همچنین، خودروهای الکتریکی فقط برای خدمات‌رسانی به مشترکینی استفاده می‌شوند که در ناحیة خطا هستند. در مرجع [21]، نوع و مکان بهینة تجهیزات اتوماسیون برای بهبود پایایی با یک برنامه‌ریزی غیرخطی آمیخته با عدد صحیح مشخص شده است. گفتنی است مدل احتمالاتی هزینه وقفه مشترکین و حضور منابع تولید پراکنده دیده شده است. و همچنین در حضور منابع تولید پراکنده ارائه شد. تابع هدف این مرجع بیشتر به هزینه وابسته است و به‌طور مستقیم شاخص‌های پایایی در آن تأثیرگذار نیست. در این مقاله منابع تولید پراکنده به‌منظور تأثیر بیشتر بر بهبود پایایی جایابی نشده است.

هدف بیان‌شده در مرجع [22] به دست آوردن مکان بهینة منابع تولید پراکنده برای بهبود پایایی در یک شبکه توزیع با در نظر گرفتن هزینه است. روش استفاده‌‌شده برای حل مسئلة بهینه‌سازی، الگوریتم ژنتیک است در مرجع [23] جایابی بهینة منابع تولید پراکنده به‌منظور حداقل‌کردن تلفات توان اکتیو شبکه توزیع انجام شده است. در این مقاله از سه نوع منابع تولید پراکنده شامل CHP و توربین بادی و سلول‌های خورشیدی استفاده‌ شده است. در مرجع [24] یک تابع هدف پایایی محور برای جایابی منابع تولید پراکنده به همراه ریکلوزرها ارائه شده که با استفاده از الگوریتم کلونی مورچگان حل شده است.

با توجه به مطالعات انجام‌شده، در برخی مقالات به‌منظور بهبود خودترمیمی شبکه و درنتیجه افزایش پایایی، جایابی بهینه تجهیزات کنترلی، حفاظتی و پایشی (تجهیزات اتوماسیون) انجام شده است. در برخی دیگر از مقالات مطالعاتی دربارة تاثیر جایابی و ظرفیت‌یابی منابع تولید پراکنده برای بهبود پایایی شبکه صورت گرفته است. در مطالعاتی دیگر نیز جایابی تجهیزات کنترلی به همراه تنها ظرفیت‌یابی منابع تولید پراکنده انجام شده است. در بسیاری از مقالات، تابع هدف ارائه‌شده تک‌هدفه است که فقط شامل یک بخش اقتصادی یا یک بخش فنی است. به‌طور کلی مقالات موجود با موضوع بهبود خودترمیمی با استفاده از تجهیزات اتوماسیون و منابع تولید پراکنده به‌صورت جدول (1) دسته‌بندی شده است؛ بنابراین خلأ یک برنامه‌ریزی چندهدفه به‌منظور مکان‌یابی و ظرفیت‌سنجی کلیدهای کنترلی و منابع تولید پراکنده به‌صورت هم‌زمان مشخص است. بنابراین، کمبود مطالعه در زمینة جایابی و ظرفیت‌سنجی کلیدهای کنترلی و منابع تولید پراکنده به‌صورت هم‌زمان و ارائه یک برنامه‌ریزی چندهدفه احساس می‌شود.

جدول (1): طبقه‌بندی مراجع در بهبود خودترمیمی با استفاده از منابع تولید پراکنده و تجهیزات اتوماسیون

این مقاله

[21]

[24]

[23]

[22]

[17]

 

×

×

×

×

×

جایابی یک نوع از تجهیزات اتوماسیون

×

×

×

جایابی انواع تجهیزات اتوماسیون

×

×

جایابی DG

×

×

×

×

ظرفیت‌یابی

DG

تابع هدف: شاخص پایایی و هزینه

تابع هدف: هزینه

تابع هدف: شاخص پایایی

تابع هدف: تلفات شبکه

تابع هدف: هزینه

تابع هدف: هزینه

 

 

در این مقاله، یک تابع چندهدفه برای تخصیص ظرفیت و مکان‌یابی بهینة منابع تولید پراکنده هم‌زمان با تعیین تعداد و نوع‌ و مکان‌یابی بهینة کلیدهای کنترلی با در نظر گرفتن محدودیت‌های فنی و اقتصادی ارائه شده است. منابع تولید پراکنده شامل توربین‌های بادی ([2]WT) و سلول‌های خورشیدی ([3]PV) است که توان تولیدی آنها با در نظر گرفتن عدم‌قطعیت محاسبه شده است. منابع تولید پراکنده به‌عنوان تأمین‌کنندة بخشی از بارهای در ناحیه ایزوله‌شده و همچنین، به‌عنوان پشتیبان برای جلوگیری از گرفتگی خطوط استفاده شده است. برای حل این مسئله دو سناریو در نظر گرفته ‌شده است که نتایج این دو سناریو نشان‌دهندة اهمیت جایابی هم‌زمان تجهیزات کنترلی و منابع تولید پراکنده است. تابع هدف مسئله شامل یک بخش اقتصادی و یک بخش فنی است. بخش اقتصادی شامل مجموعه هزینه‌های شبکه و بخش فنی تابع هدف شامل شاخص پایایی میانگین تداوم وقفه مشترکین (SAIDI[4]) است.

در ادامة مقاله، مدل‌سازی ریاضی مسئله شامل مدل‌سازی سرعت باد و تابش خورشید و همچنین، تابع هدف و محدودیت‌های آن ارائه شده است. در بخش سوم، روش حل مسئله شامل الگوریتم‌های استفاده‌شده، روش تصمیم‌گیری فازی و تعریف ساختار پاسخ‌های‌ مسئله ارائه شده است. در پایان، نتایج شبیه‌سازی عددی سناریوهای در نظر گرفته شده به همراه تحلیل حساسیت بیشینة سرمایه‌گذاری و نتیجه‌گیری بیان شده‌اند.

2- مدل‌سازی ریاضی مسئله

منابع تولید پراکندة استفاده‌شدة در این مقاله شامل سلول‌های خورشیدی و توربین‌های بادی است. با توجه به عدم قطعیت در تولید توان توسط این منابع و به‌منظور دستیابی به یک طراحی عملی و قابل اتکا، محاسبة توان تولیدی این منابع با در نظر گرفتن عدم‌قطعیت انجام شده است. درواقع، توان تولیدی منابع تولید پراکنده به‌صورت احتمالاتی مدل شده است. روش کلی استفاده‌شده برای حل مسئله در این مقاله در شکل (2) نشان داده شده است. میزان تابش خورشید و سرعت باد برای هر یک ساعت از روز به‌ترتیب با تابع چگالی احتمال بتا و تابع چگالی احتمال ویبول براساس اطلاعات گذشته مدل شده‌اند ]25[. در این مقاله، سناریوسازی برای عدم قطعیت موجود در منابع تولید با استفاده از روش مونت‌کارلو و فرایند کاهش سناریو با روش خوشه‌بندی K-Means انجام شده‌اند.

2- 1- مدل‌سازی سرعت باد

تابع چگالی احتمال ریلی، بیشتر در مراجعی مانند ]25[، به‌عنوان مدل توصیف‌کنندة رفتار سرعت باد در هر پریود پیش‌بینی‌شده، استفاده شده است. تابع توزیع احتمال ریلی درواقع نوع خاص از تابع توزیع احتمال ویبول است که در آن، پارامتر شاخص شکل برابر با 2 است.

(1)

 

(2)

 

 

(3)

 

همچنین، توان خروجی توربین بادی با استفاده از معادلة (4) به دست می‌آید ]25[:

(4)

 

 

 

 

 

شکل (2): فلوچارت روش حل مسئله

 

 

2- 2- مدل‌سازی تابش خورشید

توان خروجی سلول‌های خورشیدی به‌طور قطعی به میزان تابش خورشید بستگی دارد. توزیع تابش ساعتی در یک مکان خاص با تقریب مناسبی از یک توزیع احتمالاتی بتا پیروی می‌کند. این تابع توزیع در معادلة (5) نشان داده شده است ]25[:

(5)

 

(6)

 

(7)

 

برای محاسبة توان تولیدی با سلول‌های خورشیدی از رابطة (8) استفاده شده است ]25[:

(8)

 

 

 

2- 3- تابع هدف

هدف اصلی این مقاله تعیین تعداد و نوع کلیدهای کنترلی (کلیدهای کنترل از راه دور و کلیدهای کنترل دستی) و جایابی آنها در محل‌های کاندیدا هم‌زمان با تعیین ظرفیت و تعداد و جایابی منابع تولید پراکنده در شبکه توزیع در طول مدت‌زمان برنامه‌ریزی است. همچنین، برای دستیابی به چنین اهدافی باید محدودیت‌های فنی و اقتصادی برآورده شود. تابع هدف مقاله از دو بخش تشکیل ‌شده است؛ بخش اول شامل تمامی هزینه‌های شبکه است که عبارت است از 1- هزینة اولیه برای خرید و نصب کلیدهای کنترلی و منابع تولید پراکنده؛ 2- هزینة مربوط به تعمیر و نگهداری کلیدهای کنترلی و منابع تولید پراکنده و 3- جریمة ناشی از خروج انواع مشترکین. بخش دوم تابع هدف شامل شاخص پایایی سایدی (میانگین تداوم وقفه مشترکین) است.

در این مقاله، مسئلة جایابی هم‌زمان کلیدهای کنترلی و منابع تولید پراکنده به‌صورت یک برنامه‌ریزی غیرخطی همراه با عدد صحیح (MINLP) مدل شده است و معادلات آن به‌صورت زیرند:

 

(9)

 

(10)

 

(11)

 

(12)

  =

(13)

 

(14)

 

(15)

    

(16)

 

(17)

 

 

معادلة (9) نشان‌دهندة تابع هدف مقاله است. این معادله از دو بخش تشکیل شده است؛ بخش اول تابع هدف (F1) مجموعه هزینه‌ها و بخش دوم تابع هدف (F2) شاخص پایای شبکه است. معادلة (10) تمامی هزینه‌های شبکه را نشان می‌دهد که از سه بخش تشکیل‌ شده است و معادله (11) نحوة محاسبة شاخص پایایی سایدی برای کل شبکة مطالعه‌شده را نشان می‌دهد. بخش اول هزینه، مطابق با معادلة (12)، هزینه‌های اولیه مربوط به خرید و نصب تجهیزات کنترلی و منابع تولید پراکنده است. در این معادله،  متغیری برای تعیین مکان و نوع کلید کنترلی و همچنین،  متغیری برای تعیین مکان و نوع منابع تولید پراکنده و ظرفیت آن است. در جدول (2) تمام مقادیر مربوط به متغیرهای و  گزارش شده‌اند.

بخش دوم هزینه، مطابق با معادلة (13)، هزینة تعمیرات و نگهداری سالیانة کلیه تجهیزات شبکه در طول افق زمانی برنامه‌ریزی است. بخش سوم هزینه شامل هزینة خروج انواع مشترکین شبکه در طول افق زمانی برنامه‌ریزی است که در معادلة (14) نشان داده شده است. در این بخش، نرخ جریمة ناشی از خروج هریک از انواع بارها با توجه به مدت‌زمان خروج آن بار با استفاده از شکل (3) و معادلة (15) به دست می‌آید و واحد آن دلار بر کیلووات است. به عبارت دیگر، معادلة (15) بیان‌ می‌کند هزینة خاموشی هریک از انواع بارها در سال، با توجه به مدت‌زمان خروج آن بارها در همان سال، به‌ازای هر کیلووات چقدر است. همچنین، با استفاده از معادله‌های (16) و (17)، ارزش کنونی سرمایه‌ها در سال برنامه‌ریزی محاسبه می‌شود.

 

 

 

جدول (2): تجهیزات مسئله و متغیرهای مربوط به آنها

متغیرهای مسئله

نام تجهیزات

متغیرهای مسئله

نام تجهیزات

=  = 0

عدم وجود تجهیز

= 6

PPV= 150 kw

= 1

PWT= 100 kw

= 7

PWT= 175 kw

= 2

PPV= 100 kw

= 8

PPV= 175 kw

= 3

PWT= 125 kw

= 1

MCS

= 4

PPV= 125 kw

= 2

RCS

= 5

PWT= 150 kw

 

 

 

 

شکل (3): جریمة ناشی از وقفة انواع بارها [17]

2- 4- محدودیت‌های مسئله

محدودیت‌های در نظر گرفته ‌شده برای این مسئله شامل دو بخش است که عبارت‌اند از محدودیت‌های فنی و محدودیت‌های اقتصادی. محدودیت‌های فنی در نظر گرفته ‌شده برای این مسئله شامل موارد زیر است: 1- محدودیت ظرفیت حرارتی خطوط شبکه؛ یعنی جریان عبوری از تمام خطوط موجود در شبکه باید کوچک‌تر از ظرفیت خطوط شبکه باشند. این محدودیت در معادلة (18) نشان داده ‌شده است.2- محدودیت ولتاژ باس‌های شبکه؛ این محدودیت شرایطی را در شبکة مطالعه‌شده تضمین می‌کند که در آن ولتاژ باس‌های شبکه در یک بازة مشخص قرار گیرند. این محدودیت درمعادلة (19) آمده است. 3- محدودیت حفظ توپولوژی شبکه؛ یعنی در این مسئله فرض شده شبکة مدنظر همواره به‌صورت شعاعی بهره‌برداری شده است.
4- محدودیت حداکثر توان مجاز تولیدی توسط منابع تولید پراکنده؛ به عبارت دیگر، مجموع توان‌ تولیدی هریک از منابع تولید پراکندة استفاده‌شده در شبکه باید درصد مشخصی از کل بارهای موجود در شبکه باشد. این محدودیت در معادلة (20) و (21) نشان داده ‌شده است. همچنین، محدودیت دیگر این است که استاندارد توان تولیدی هریک از انواع منابع تولید پراکنده به‌صورت گسسته وجود داشته باشد؛ بنابراین در این مقاله، از مقادیر استاندارد 100، 125، 150 و 175 کیلووات برای برنامه‌ریزی در شبکة مورد مطالعه استفاده شده است.

بخش دوم محدودیت‌های مسئله مربوط به مسائل اقتصادی است. میزان بودجة در نظر گرفته ‌شده برای خرید و نصب کلیدهای کنترلی و منابع تولید پراکنده محدود است. این محدودیت با استفاده از معادلة (22) به مسئله اعمال شده است.

(18)

 

(19)

 

(20)

 

(21)

 

(22)

 

محدودیت‌های مشخص‌شده در معادله‌های (20)، (21) و (22) به‌صورت یک تابع جریمه در مسئله مدل شده‌اند که در صورت تخطی از این محدودیت‌ها، جریمه‌ای به هزینة کلی ( ) در تابع هدف اضافه خواهد شد؛ اما محدودیت‌های نشان داده شده در معادله‌های (18) و (19) به این صورت مدل شده‌‌اند که برای مثال اگر خطایی در فیدر نشان داده شده در مدار شکل (4) اتفاق بیفتد، بریکر شمارة 1 یعنی RCCB1 عمل می‌کند و کل بارهای آن خط، یعنی LP1، LP2 و LP3 خاموش می‌شوند. سپس کلیدهای RCS1 و MCS1 باز می‌شوند تا خطای رخ‌داده را ایزوله کنند. بعد از آن، RCCB1 مجدد وصل می‌شود تا بار LP1 تغذیه شود. اکنون با بسته‌شدن کلید مانور TS بارهای LP2 و LP3 از طریق خط 2 تغذیه می‌شوند؛ این امر در صورتی ممکن است که محدودیت‌های جریان و ولتاژ با اضافه‌شدن این دو بار به خط 2 همچنان رعایت شود. در این حالت، هیچ باری خاموشی را تجربه نمی‌کند؛ اما اگر هریک از این دو محدودیت رعایت نشوند، کلید RCS2 به‌جای MCS1 باز می‌شود تا فقط بار LP3 به خط 2 اضافه شود. در این حالت، فقط بار LP2 خاموشی را تجربه می‌کند؛ اما اگر یکی از محدودیت‌ها نقض شود، دو بار LP2 و LP3 خاموش می‌مانند.

 

شکل (4): دو فیدر نمونة مطالعه‌شده

منابع تولید پراکنده در چنین وضعیتی نقش کلیدی دارند. این منابع می‌توانند بخشی یا تمام توان مورد نیاز بارهایی را فراهم کنند که خاموش ماندند؛ مانند زمانی که کلید RCS2، باز و بار LP2 از شبکه خارج شده است و وجود یک منبع تولید پراکنده در LP2 باعث کاهش هزینة ناشی از وقفه مشترکین می‌شود و پایایی سیستم را نیز افزایش می‌دهد. همچنین، وجود منابع تولید پراکنده در خط 2 باعث تأمین توان بخشی از بارها می‌شود و درنتیجه از افت ولتاژ غیرمجاز در باس‌ها و عبور جریان بیش از حد در خطوط، موقع بسه‌بودن کلید مانور TS، جلوگیری می‌کند. در این حالت، منبع تولید پراکنده وظیفة پشتیبانی را برعهده دارد که درنهایت، به کاهش هزینة وقفه مشترکین و بهبود پایایی شبکه منجر می‌شود.

3- روش حل

برای حل چنین مسائلی که یک برنامه‌ریزی غیرخطی همراه با عدد صحیح است و نیز محدودیت‌هایی دارد، از الگوریتم‌های تکاملی می‌توان استفاده کرد. در این مقاله از نسخة دوم الگوریتم نامغلوب ژنتیک ([5]NSGA-II) استفاده شده که یکی از پرکاربردترین الگوریتم‌های بهینه‌سازی چندهدفه است. همان‌طور که گفته شد، فرایند کلی که برای حل این مسئله انجام شده، در شکل (2) نشان داده شده است. همچنین در این مقاله از سه نوع الگوریتم تکاملی تک‌هدفه شامل الگوریتم ژنتیک ([6]GA)، الگوریتم تکامل تفاضلی ([7]DE) و الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری ([8]TLBO) برای حل سناریو‌های مختلف استفاده شده است.

3- 1- روش تصمیم‌گیری فازی

خروجی حاصل از به کار بردن الگوریتم‌های بهینه‌سازی چندهدفه شامل دسـته‌ای از پاسـخ‌هـای بهینة غیـرغالب است که به اصطلاح پاسخ‌های پرتو نامیده می‌شوند. تاکنون روش‌های گوناگونی به‌منظور تعیـین پاسـخ بهینة نهایی از میان پاسخ‌های بهینة غیرغالب ارائه شده که عموماً براساس روش‌های فازی‌اند. در این مقاله، از روش تصمیم‌گیری فازی برای تعیین پاسخ بهینة نهایی از میان پاسخ‌هـای بهینـة غیـرغالـب استفاده شده است. روابط مربوط به این روش تصمیم‌گیری در معادلات (23) و (24) ارائه شده‌اند. در رابطة (23) مقدار نرمال تابع هدف iام برای پاسخ بهینة Kام با توجه به بیشینه ( ) و کمینة ( ) مقدار این تابع هدف محاسبه می‌شود. پس از محاسبة مقدار نرمال تمامی توابع هدف، مقدار نرمال برای پاسخ بهینة Kام از طریق معادلة (24) محاسبه می‌شود.

(23)

 

(24)

 

3- 2- تعریف پاسخ‌های اولیه

 

شکل (5): ساختار پاسخ مسئله

 

شکل (6): نحوة تبدیل پاسخ به تجهیزات شبکه

پاسخ‌های اولیة تولیدشده، ساختاری مانند شکل (5) دارند. همان‌طور که ملاحظه می‌شود، این پاسخ‌ اولیه از دو بخش تشکیل‌ شده است: بخش اول به انتخاب نوع و محل کلیدهای کنترلی مربوط است. این بخش می‌تواند مقادیر 0، 1 یا 2 بگیرند که عدد صفر به معنای نبود کلید کنترلی در محل کاندیدا و عددهای 1 و 2 به‌ترتیب نشان‌دهندة وجود کلیدهای کنترل دستی و کلیدهای کنترل از راه دور در محل کاندید مدنظر است. بخش دوم پاسخ‌ اولیه، به انتخاب نوع منابع تولید پراکنده و مکان آنها مربوط است. این بخش از پاسخ‌ اولیه می‌‌تواند یکی از اعداد صحیح 0 تا 8 باشد که عدد صفر به معنای نبود منبع تولید پراکنده در محل کاندیدای مدنظر است و هریک از اعداد 1 تا 8 مربوط به یک نوع از این منابع تولید پراکنده می‌شود که در جدول (2) آمده است. با توجه به مطالب گفته‌شده، شکل (6) نحوة تبدیل پاسخ‌ اولیه به منابع تولید پراکنده و کلیدهای کنترلی را در مکان‌های موردنظر نشان می‌دهد.

4- شبیه‌سازی و نتایج عددی

در این مقاله، مطالعه‌ای دربارة تأثیر روش جایابی هم‌زمان منابع تولید پراکنده و کلیدهای کنترلی بر پایایی شبکه چهار باس روی بیلینتون صورت گرفته است. مدت‌زمان افق برنامه‌ریزی مسئله، برابر با 15 سال و میزان نرخ سود و تورم به‌ترتیب برابر با 7% و 6% در نظرگرفته ‌شده است [17]. در این مسئله پنج نوع مشترک در نظر گرفته ‌شد که عبارت‌اند از مشترکین خانگی، تجاری، صنعتی، عمومی و حساس. همچنین، رشد بار 3% [21] برای شبکة مورد مطالعه در نظر گرفته شد. در این مسئله کلیدهای کنترلی می‌توانند در دو طرف همة باس‌ها قرار بگیرند، به‌جز باس‌های آخر هر فیدر که کلیدها فقط قبل از آنها می‌توانند قرار گیرند؛ بنابراین، در مجموع 51 محل برای نصب کلیدهای کنترلی در این شبکه وجود دارد. همچنین، محل نصب منابع تولید پراکنده در باس بارها است؛ بنابراین،
29 محل کاندیدا برای نصب منابع تولید پراکنده وجود دارد. حداکثر توان مجاز تولیدی کل توسط سلول‌های خورشیدی و توربین‌های بادی به‌ترتیب برابر با 2000 کیلووات و 3000 کیلووات در نظر گرفته شد. مدت‌زمان عملکرد کلیدهای کنترل از راه دور و کلیدهای کنترل دستی به‌ترتیب برابر با 40 ثانیه و 1 ساعت [18] است. هزینة خرید و نصب کلیدهای کنترل از راه دور و کلیدهای کنترل دستی به‌ترتیب برابر با 15000 دلار و 6000 دلار است. احتمال عملکرد صحیح کلیدهای دستی و کنترل از راه دور به‌ترتیب برابر با 97% و 98% [9] است. همچنین، هزینة تعمیرات و نگهداری کلیدها برابر با 3% هزینة خرید و نصب آنها در نظر گرفته‌ شد [18]. برای نشان‌دادن تأثیر نوع‌سنجی، ظرفیت‌یابی و جایابی هم‌زمان کلیدهای کنترلی و منابع تولید پراکنده، بر شاخص‌های پایایی و هزینه‌های شبکة مطالعه‌شده، دو سناریو در نظر گرفته شد. در سناریوی اول، تأثیر نوع‌سنجی، ظرفیت‌یابی و جایابی هم‌زمان تجهیزات کنترلی و منابع تولید پراکنده به‌صورت دو تابع هدف جدا بررسی شده‌اند. درواقع، یک بار تابع هدف فقط شامل هزینه‌ها و بار دیگر فقط شامل شاخص پایایی سایدی است؛ البته در هر دو حالت، تمامی محدودیت‌های بیان‌شده در بخش 2-4 بر تابع هدف اعمال شده‌اند. سناریوی دوم شامل تخصیص ظرفیت منابع تولید پراکنده و نوع‌سنجی کلیدهای کنترلی و جایابی هم‌زمان آنها در شبکه به‌منظور حداقل‌کردن هم‌زمان هزینه‌ها و شاخص سایدی است.

 

 

شکل (7): دیاگرام تک‌خطی شبکه چهار باس بیلینتون [26]

 

 

4-1- سناریوی اول: بهینه‌سازی جداگانه دو تابع هدف

در این سناریو، مسئلة جایابی و تعیین نوع منابع تولید پراکنده و تجهیزات کنترلی با استفاده از یک تابع هدف تک‌هدفه حل شده است. این سناریو از دو بخش تشکیل شده که عبارت است از 1- تابع هدف شامل حداقل‌کردن هزینه‌ها و 2- تابع هدف مسئله شامل حداقل‌کردن شاخص سایدی. در این سناریو تمامی محدودیت فنی و اقتصادی بیان‌شده در بخش 2- 4 در نظر گرفته شد. نتایج به‌دست‌آمده در این سناریو در جدول (3) آورده شده‌اند که بیان می‌کنند نتایج حاصل از جایابی و انتخاب انواع تجهیزات در دو تابع هدف کاملاً با یکدیگر متفاوت‌اند. وقتی تابع هدف فقط شامل مجموع هزینه‌ها باشد، تجهیزات کنترلی و منابع تولید پراکنده در فیدرها و باس‌هایی قرار می‌گیرند که با توجه به معادلة (13)، بارهایی با هزینة وقفه مشترکین بیشتر دارند. همچنین، وقتی تابع هدف مسئله شاخص پایایی سایدی باشد، این تجهیزات در مکان‌هایی قرار می‌گیرند که تأثیر عمده بر نقطه بارهایی با تعداد مشترکین بیشتر داشته باشند؛ به همین دلیل هزینة ناشی از وقفه مشترکین، وقتی هدف تنها کمینه‌کردن مجموع هزینه‌هاست، کمتر از حالتی است که هدف تنها کم‌کردن شاخص سایدی است. همان‌طور که مشاهده می‌شود، با انتخاب تابع هدف هزینه و سایدی، شاخص پایایی سایدی نسبت به شبکة اولیه به‌ترتیب 76% و 82% بهبود یافته است. همچنین، با انتخاب تابع هدف هزینه، میزان کاهش هزینة کل نسبت به شبکة اولیه برابر 43% است و با انتخاب تابع هدف سایدی، هزینة کل شبکه 26% کاهش می‌یابد.

در این سناریو علاوه بر الگوریتم GA که نتایج آن در جدول (3) آمده‌اند، از الگوریتم‌های TLBO و DE نیز برای حل مسئله استفاده شده است و نتایج استفاده از این الگوریتم‌ها در جدول (4) گزارش شده‌اند. همان‌طور که مشاهده می‌شود، پاسخ‌های به‌دست‌آمده از این سه الگوریتم تقریباً مشابه یکدیگرند؛ اما الگوریتم TLBO در یافتن بهترین جواب در 20 تکرار از سناریوی اول نسبت به الگوریتم‌های TLBO و DE موفق‌تر عمل کرده است. همچنین، با به دست آوردن میانگین 20 پاسخ‌ به‌دست‌آمده، الگوریتم GA عملکرد بهتری نسبت به دو الگوریتم دیگر داشته و میانگین پاسخ‌های آن بهتر است. کمترین تغییرات در دو حالت بهترین پاسخ و میانگین پاسخ‌ها در 20 تکرار از سناریوی اول، به الگوریتم DE مربوط است که برای این الگوریتم مزیت به شمار می‌رود. با توجه به جدول (5)، شاخص‌ CAIDI نسبت به شبکة اولیه در دو تابع هدف هزینه و سایدی، به‌ترتیب 45% و 58% و برای شاخص ENS 78% و 75% بهبود می‌یابند.

 

 

 

 

جدول (3): نتایج سناریوی اول

 

شماره فیدر

مکان
MCS

مکان RCS

اندازه و مکان باس PV

اندازه و مکان باس WT

SAIDI

هزینة وقفه مشترکین

(K$)

هزینة کل

(K$)

شبکة اولیه

-

-

-

-

2746/2

1811

1811

تابع هدف: هزینه

1

3U

10D

B4(100KW), B5(100KW)

-

5278/0

788

1025

2

15D, 17U

17D

B2(100KW)

-

3

26D

28D

B3(125KW)

 

B1(100KW), B2(125KW)

B5(100KW)

4

36D, 41U

39D

B3(125KW)

B1(100KW)

5

46D

48D

B3(100KW)

-

6

54D

52D

-

B1(100KW)

7

58D

65D

B4(125KW)

-

تابع هدف: شاخص سایدی

1

10D

3U

B1(125KW), B2(100KW)

B4(125KW), B5(125KW)

B3(125KW)

4026/0

1101

1339

2

15D

-

-

-

3

21D, 26U

26D

B2(125KW), B5(100KW)

B3(150KW), B4(125KW)

4

41D

36D, 39D

B2(125KW), B3(175KW)

B4(100KW)

B1(125KW), B5(125KW)

 

5

46U

-

-

-

6

52D

-

-

-

7

63D

60D, 65D

B2(125KW), B4(100KW)

B3(100KW)

جدول (4): مقایسة الگوریتم‌های مختلف در سناریوی اول

 

بهترین پاسخ

میانگین پاسخ‌ها

تابع هدف: شاخص سایدی

تابع هدف: هزینه

تابع هدف: شاخص سایدی

تابع هدف: هزینه

CTotal                  SAIDI

CTotal                  SAIDI

CTotal                 SAIDI

CTotal         SAIDI

GA

4016/0

1097

5272/0

1023

4026/0

1101

5278/0

1025

DE

4024/0

1100

5289/0

1025

4026/0

1102

5290/0

1026

TLBO

4014/0

1099

5269/0

1022

4027/0

1101

5281/0

1026

 

 

4-2- سناریوی دوم: بهینه‌سازی هم‌زمان نامغلوب دو تابع هدف

در این سناریو مسئلة جایابی و تعیین ظرفیت تجهیزات کنترلی و منابع تولید پراکنده به‌صورت یک تابع دو هدفه مدل شده که با استفاده از الگوریتم NSGA-II حل شده است. شکل (8) منحنی پرتو حاصل از بهینه‌کردن هم‌زمان هزینه و سایدی را برای سرمایه‌‌گذاری‌های مختلف نشان می‌دهد. منحنی قرمز رنگ برای هزینة سرمایه‌گذاری برابر با سناریوی اول یعنی 200 هزار دلار است. تمامی نقاط به‌دست‌آمده در این منحنی یک جواب برای مسئله است؛ اما در این سناریو با استفاده از روش تصمیم‌گیری فازی، یک جواب از منحنی پرتو استخراج می‌شود که در جدول (6) آورده شده است. با توجه به جدول (6)، در این سناریو از
7 کلید کنترل دستی، 7 کلید کنترل اتوماتیک و مجموع توان‌های تولیدی سلول‌های خورشیدی و توربین‌های بادی نصب‌شده به‌ترتیب برابر با 1075 کیلووات و 575 کیلووات استفاده شده که به هزینة وقفه مشترکین برابر با 855 هزار دلار، هزینة کل برابر با 09/1 میلیون دلار و شاخص سایدی برابر با 4323/0 منجر شده است. با مقایسة این نتایج با جدول (5) دیده می‌شود که هزینة کل در این سناریو نسبت به وقتی تابع هدف تنها شامل هزینه است، به میزان
5% افزایش یافته است؛ درحالی‌که شاخص سایدی در این سناریو 18% کاهش یافته است. همچنین، هزینة کل در این سناریو نسبت به زمانی که تابع هدف تنها شامل شاخص پایایی سایدی است، به میزان 18% کاهش یافته است؛ درحالی‌که شاخص سایدی تنها 6% افزایش یافته است. میزان شاخص AENS نسبت به هر دو حالت از سناریوی اول بهتر شده است.

 

جدول (5): مقایسة نتایج تابع هدف‌های مختلف

تابع هدف

SAIDI

CAIDI

ASAI

AENS

PPV

(kw)

PWT

(kw)

NMCS

NRCS

CIC

(k$)

CTotal

(k$)

شبکه اولیه

2746/2

31/3

9997/0

776/8

-

-

-

-

1811

1811

هزینه‌

5278/0

80/1

99993/0

919/1

525

775

9

7

788

1025

شاخص سایدی

4026/0

37/1

99995/0

107/2

1325

750

8

6

1101

1339

هزینه‌ و شاخص سایدی

4323/0

47/1

99995/0

878/1

1075

575

7

7

855

1093

جدول (6): نتایج سناریوی دوم

تابع هدف

شماره فیدر

MCS

RCS

اندازه و مکان باس PV

اندازه و مکان باس  WT

SAIDI

هزینة وقفه مشترکین (K$)

هزینه کل (K$)

شاخص سایدی و هزینه

1

5D

10D

B3(125KW), B4(100KW)

-

4323/0

855

1093

2

15D

17D

B2(125KW)

-

3

23D

26D

B2(100KW), B3(100KW)

B5(100KW)

B3(125KW), B4(125KW)

4

36U

36D, 39U

B2(100KW)

B3(100KW)

5

48D

-

B3(100KW)

B2(100KW)

6

52U

-

-

B2(125KW)

7

58D

65D, 63D

B3(100KW), B4(125KW)

-

 

 

برای نشان‌دادن تأثیر جایابی هم‌زمان تجهیزات کنترلی و منابع تولید پراکنده، ابتدا مکان بهینة تجهیزات کنترلی به دست آمده است. سپس با توجه به این نتیجه، ظرفیت و مکان بهینة منابع تولید پراکنده به دست آمده و در جدول (7) گزارش شده‌اند. با توجه به جدول (7)، وقتی نوع‌سنجی، ظرفیت‌یابی و جایابی تجهیزات کنترلی و منابع تولید پراکنده به‌طور هم‌زمان انجام شده‌اند، نتایج بهتری نسبت به حالتی به دست آمده که ابتدا مسئله برای تجهیزات و سپس برای منابع تولید پراکنده حل شده است. درواقع، شاخص‌های پایایی و هزینة وقفه مشترکین و هزینة کلی مسئله در حالت هم‌زمان بهتر از حالت حل مسئله به‌صورت دو مرحله‌ای است. این بهبود نتایج، زمانی صادق است که تابع هدف مسئله هم هزینه و هم سایدی باشد.

 

5- بحث: حساسیت به سقف سرمایه‌گذاری اولیه

در برنامه‌ریزی‌های مربوط به شبکة برق، هزینة سرمایه‌گذاری اولیه اهمیت زیادی دارد؛ بنابراین در این مقاله، هزینة سرمایه‌گذاری اولیه، یک محدودیت در برنامه‌ریزی مسئله لحاظ شده است. تعداد کلیدهای به‌کاررفته و تعداد و نوع منابع تولید پراکنده در سرمایه‌گذاری‌های مختلف در جدول (8) گزارش شده‌اند. در سرمایه‌گذاری‌هایی با بودجة کم، کلیدهای دستی و منابع تولید پراکنده با ظرفیت کم به تعداد بیشتری جایابی شده‌اند و با افزایش سرمایه‌گذاری، کلیدهای کنترل از دور و منابع تولید پراکنده با توان تولیدی بالا به شبکه اضافه می‌شوند و تعدادشان افزایش می‌یابد. دلیل به‌کارگیری کلیدهای کنترل از راه دور در سرمایه‌گذاری‌های بالاتر این است که سرعت عملکرد بالاتری نسبت به کلیدهای کنترل دستی دارند؛ بنابراین، ایزولاسیون محل خطا با سرعت بیشتری امکان‌پذیر می‌شود. دلیل استفاده از منابع تولید پراکنده با توان تولید بالا این است که توان مشترکین بیشتری را می‌توانند تأمین کنند؛ درنتیجه، بارها خاموشی کمتری را تجربه می‌کنند. شکل (8) منحنی پرتو حاصل از سرمایه‌گذاری‌های مختلف را نشان می‌دهد. با افزایش سرمایه‌گذاری هم شاخص پایایی و هم هزینة کل کاهش محسوسی می‌یابند. درواقع، با افزایش سرمایه‌گذاری، کلیه جواب‌های به‌دست‌آمده، جواب‌های حاصل در سرمایه‌گذاری کمتر را مغلوب می‌کنند. همچنین، نتایج شاخص سایدی و هزینة وقفه مشترکین در سرمایه‌گذاری‌های گوناگون نشان می‌دهند سرمایه‌گذاری بیشتر از یک مقدار مشخص، تأثیر بسیار کمی بر شاخص سایدی و هزینة وقفه مشترکین دارد؛ این موضوع در شکل (9) نشان داده شده است. با توجه به شکل، با افزایش سرمایه‌گذاری اولیه، شاخص پایایی سایدی کاهش چشمگیری می‌یابد؛ اما این روند در یک حدی از سرمایه‌گذاری تقریباً متوقف می‌شود و با سرمایه‌گذاری اولیه بیشتر از این مقدار، کاهش محسوسی در شاخص میانگین تداوم وقفة سیستم مشاهده نمی‌شود.

 

شکل (8): منحنی پرتو در سرمایه‌گذاری‌های مختلف

 

شکل (9): مقایسة شاخص سایدی در سرمایه‌گذاری‌های مختلف

 

جدول (7): مقایسة نتایج در دو حالت حل هم‌زمان و دو مرحله‌ای

 

 

 

SAIDI

CAIDI

AENS

PPV

(kw)

PWT

(kw)

NMCS

NRCS

CIC

(k$)

CTotal

(k$)

تابع هدف: هزینه

حل هم‌زمان

5278/0

80/1

919/1

525

775

9

7

788

1025

حل دو مرحله‌ای

6407/0

18/2

34/2

625

750

9

3

931

1100

تابع هدف: شاخص سایدی

حل هم‌زمان

4026/0

37/1

107/2

1325

750

8

6

1101

1339

حل دو مرحله‌ای

4201/0

43/1

193/2

1575

1275

4

5

1127

1365

 

 

شکل (10): مقایسة مدت‌زمان وقفه مشترکین در سناریوهای مختلف

جدول (8): مکان و نوع تجهیزات در سرمایه‌گذاری‌های مختلف

بیشینة سرمایه‌گذاری (k$)

NMCS

NRCS

توربین بادی

P100     P125      P150     P175

سلول خورشیدی

P100    P125    P150    P175

SAIDI

CIC (k$)

50

7

0

0

0

1

0

0

0

0

1

7251/0

1217

100

9

2

0

0

0

2

0

0

0

3

6174/0

1000

150

8

4

0

0

4

1

0

0

1

6

4774/0

960

200

7

7

0

0

3

2

0

0

3

7

4323/0

855

250

7

9

0

0

4

2

0

0

8

6

3973/0

803

300

8

11

1

0

3

3

3

0

6

3

3554/0

743

350

7

14

1

1

4

3

3

1

6

3

3231/0

701

400

7

15

1

0

8

1

5

0

4

3

3194/0

656

450

8

16

1

2

3

1

4

1

4

2

3098/0

631

500

11

18

2

0

7

4

6

0

4

2

3021/0

627

 

 

6- نتیجه‌گیری

در این مقاله مسئلة تخصیص ظرفیت توربین‌های بادی و سلول‌های خورشیدی، نوع‌سنجی کلیدها و جایابی هم‌زمان آنها در یک شبکه هوشمند توزیع با استفاده از الگوریتم‌های‌ GA، DE، TLBO و NSGA-II ارائه شد. تابع هدف ارائه‌شده در این مقاله شامل مسائل اقتصادی و شاخص پایایی سایدی است. برای این مسئله دو نوع کلید کنترلی شامل کلید کنترل از راه دور و کلید کنترل دستی و هشت نوع منابع تولید پراکنده با ظرفیت تولیدی و هزینه‌های متفاوت در نظر گرفته شده‌اند. برای نشان‌دادن تأثیر در نظر گرفتن هم‌زمان منابع تولید پراکنده و کلیدهای کنترلی بر پایایی شبکه، دو سناریو ارائه‌ شده‌اند. با استفاده از روش تصمیم‌گیری فازی، نامغلوب‌ترین جواب از منحنی پرتو به دست می‌آید. پاسخ به‌دست‌آمده، بهینه‌ترین آرایش کلیدهای کنترلی و منابع تولید پراکنده را نشان می‌دهد که با استفاده از این آرایش عملیات خودترمیمی به مطلوب‌ترین شکل انجام می‌گیرد؛ یعنی هزینه‌های وقفه مشترکین و شاخص سایدی را کاهش می‌دهد و همچنین، محدودیت‌های اقتصادی و فنی را رعایت می‌کند. به‌منظور بررسی دقیق‌تر، حساسیت مسئله نسبت به محدودیت حداکثر میزان سرمایه‌گذاری بررسی شد که نتایج آن نشان‌دهندة استفاده از کلیدهای کنترل از راه دور و منابع تولید پراکنده با ظرفیت تولیدی بیشتر در سرمایه‌گذاری‌های بالا است.

 

علائم و نشانه‌ها

 مجموعه نقطه بارهای شبکه

 مجموعه محل‌های کاندیدا نصب منابع تولید پراکنده/کلیدهای کنترلی

:  نرخ تورم و بهره

 تعداد مشترکین در هر نقطه بار

 میانگین سالانة وقفه مشترک نقطه بار j

 متغیر نشان‌دهندة مکان و نوع منبع تولید پراکنده

 متغیر نشان‌دهندة مکان و نوع کلیدهای کنترلی

: میزان تابش خورشید

  : پارامترهای تابع توزیع بتا

: مساحت کل سلول خورشیدی

 : کل هزینه‌های مسئله

 : هزینة خرید و نصب تمامی تجهیزات

 : هزینة تعمیرات و نگهداری تمامی تجهیزات

 : کل هزینة خرید و نصب کلید کنترل از راه دور / کنترل دستی/ منبع تولید پراکنده

 : کل هزینة تعمیرات و نگهداری کلید کنترل از راه دور / کنترل دستی/ منبع تولید پراکنده

 هزینة خرید و نصب کلید کنترل از راه دور/ کنترل دستی/ منبع تولید پراکنده iام

:  هزینة تعمیرات و نگهداری کلید کنترل از راه دور/ کنترل دستی/ منبع تولید پراکنده iام

 : کلهزینة ناشی از وقفه انواع مشترکین شبکه در طول مدت برنامه‌ریزی

: هزینة خاموشی مشترکین نقطه‌بار j در سال

: هزینة ناشی از ارائه‌ندادن سرویس به مشترکین نوع z

: مدت‌زمان خاموشی مشترکین نقطه‌بار i به‌دلیل خطا j

: درصد مشارکت مشترکین نوع z در نقطه‌بار i

  ضریب اقتصادی برای بیان ارزش کنونی سرمایه در سال iام



[1] تاریخ ارسال مقاله: 07/06/1398

تاریخ پذیرش مقاله: 12/09/1398

نام نویسندۀ مسئول: علیرضا فریدونیان

نشانی نویسندۀ مسئول: ایران - تهران - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده مهندسی برق



[1] Fault Location, Isolation and Service Restoration

[2] Wind Turbine

[3] Photovoltaic

[4] System Average Intrrruption Duration Index

[5] Non-dominated Sorting Genetic Algorithm II

[6] Genetic Algorithm

[7] Differential Evolution

[8] Teaching-Learning Based Optimization

[1] J.A. Momoh, ”Electric Power Distribution Automation, Protection, and Control”, in proc. Of CRC Press Conference, USA, 2017.
[2] R. E. Rown, A. P. Hanson, H. L. Willis, F.A. Luedtke, M. F. Born,“Assessing the reliability of distribution system,” IEEE Trans. On Computer Applications in Power, Vol. 14, No. 1, PP. 44-49, 2001.
[3] S. Daud, A. Fazliana, C. Gan, ”Optimal Placement and Sizing of Renewable Distributed Generation viaGravitational Search Algorithm”, Mechanics & Materials, Vol. 785, PP. 556-560, 2015.
[4] T. LI, B. Xu, ”The Self-healing Technologies of Smart Distribution Grid”, In Proc. Of China International Conference on Electricity Distribution, Nanjing, China, 2010.
[5] Kostlov, P.M.S. Carvalho, ”Towards self-healing in distribution networks operation: Bipartite graph modelling”, Electric Power Systems Research, Vol. 81, PP. 51–56, 2011.
[6] Fereidunian, ”A cybernetic approach to healer reinforcement in smart grid”, in proceeding of SGC, NRI, Iran, 2014.
[7] X. Gao, X. Ai, “The application of self healing technology in smart grid”, in proceeding of Power and Energy Engineer Conference, China, 2011.
[8] Shahsavari, A. Fereidunian, and H. Lesani, “A healer reinforcement approach to smart grid selfhealing by redundancy improvement”, in proceeding of Elect. Power Dist. Networks Conference, Kermanshah, Iran, 2013.
[9] A. Shahbazian and A. Fereidunian, "Using Linear Programming of Control Systems in Smart Distribution Network with Reliability-Centered Approach ", Tabriz Journal of Electrical Engineering, 2016. (Pr).
[10] A.jafari, A. Shahbazian and A. Fereidunian, "Improving Smart Grid Self-Healing by Simultaneously Allocating Control switch and Distributed Generation Sources ", 8th Energy Smart Grid Conference. 2018. (Pr).
[11] M. Farajollahi, M. Fotuhi-Firuzabadi, A. Safdarian,” Simultaneous Placement of Fault Indicator and Sectionalizing Switch in Distribution Networks”, IEEE Trans. on Smart Grid, Vol. 10, No. 2, PP. 2278-2287, 2018.
[12] Alhamali, M. E. Farhang, G. Bevan, D. M. Hepburn, “Determination of Optimal Site and Capacity of DG Systems in Distribution Network based on Genetic Algorithm”, in proc. Of International Univer. Power Engine. Conference, Greece, 2017.
[13] J. Gantz, M. Amin, A. Giacomoni, “Optimal capacity partitioning of multi-use customer-premise energy storage systems”, IEEE Transactions on Smart Grid, Vol. 25, No. 3, pp. 1292-1299, 2014.
[14] I. G. Sardou, "Optimal Multi-objective Development Scheduling of Electric Vehicles in Distribution Network using Particle Swarm Optimization",Scientific Journal of omputational Intelligence in Electrical Engineering, 2018. (Pr).
[15] M. Izadi, M. Farajollahi, A. Safdarian, M. Fotuhi-iruzabadi,” A multistage MILP-based model for integration of remote control switch into distribution networks”, in proceeding of PMAPS, china, 2016.
[16] M. R. Garey, D. S. Johnson,” Computers and intractability: a guide to the theory of NP-completeness”, Series of books in the mathematical sciences (1st ed.), ISBN: 0716710455, New York: Freeman, 1979.
[17] Shahsavari, A. Fereidunian, S.M. Mazhari, H. Lesani, “A Joint Automatic and Manual Switch Placement via an Artificial Bee Colony Based Algorithm within Distribution Systems”, International Trans. on Electrical Energy Systems, Vol. 25, No. 11, PP. 2745–2768, 2015.
[18] Z. Popović, B. Brbaklić, S. Knežević, ”A mixed integer linear programming based approach for optimal placement of different types of automation devices in distribution networks”, Electric Power Systems Research, Vol. 148, PP. 136-146, 2017.
[19] S. Mohammadi-Hosseininejad, A. Shahsavari, A. Fereidunian, H. Lesan, ”A Healer Reinforcement Approach to Self-Healing in Smart Grid by PHEVs Parking Lot Allocation”, IEEE Trans. on Industrial Informatics, Vol. 12, No. 6, PP. 2020-2030, 2016.
[20] M. Moradijoz, M. P. Moghaddam, M. R. Haghifam, E. Alishahi, ”A multi-objective optimization problem for allocating parking lots in a distribution network”, International Journal of Electrical Power & Energy Systems, Vol. 46, PP. 115–122, 2013.
[21] Heidari, V. G. Agelidis, M. Kia, J. Pou, J. Aghaei, M. Shafie-khah, “Reliability Optimization of Automated Distribution Networks With Probability Customer Interruption Cost Model in the Presence of DG Units”, IEEE Trans on Smart Grid, Vol. 8, No. 1, PP. 305-315, 2016.
[22] M. rahmani-andebili, ” Distributed Generation Placement Planning Modeling Feeder's Failure Rate and Customer’s Load Type”, IEEE Trans, on IE, Vol 63, No 3, PP. 1598-1606, 2016.
[23] H. Mirsaeedi, SH. Haydari, A. Fereidunian and H. lesani." Improving Smart Grid Self-Healing by Allocating Distributed Generation Sources with Uncertainty generation ", 21th Electrical Power Distribution Conference. 2016. (Pr).
[24] L. Wang, Ch. Singh, “Reliability-Constrained Optimum Recloser Placement in Distributed Generation Using Ant Colony System Algorithm”, IEEE Trans. On Syst., Man, and Cybernetics, Vol. 38, No. 6, PP. 757-764, 2008.
[25] S. bagheri, H.Talebi and A. Fereidunian "Resilient, Comfort and Economic Operation of Smart Nanogrid ", Journal of Control KNTU. 2018. (Pr).
[26] R.N. Allan, R. Billinton, I. SJarief , L. Goel, K. S. So, “A reliability test system for educational purposes-basic distribution system data and results”, IEEE Trans. on Power System, Vol 6, No 2, PP. 813–820, 1991.