عنوان پایان‌نامه
جایابی بهینیه DG ( تولید پراکنده ) در شبکه های توزیع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1850;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 48148
- تاریخ دفاع
- ۲۰ مهر ۱۳۸۹
- دانشجو
- فرزاد بنی هاشمی
- استاد راهنما
- حمید لسانی
- چکیده
- پیشرفت های صورت گرفته در تکنولوژی های تولید پراکنده و بکارگیری آنها در سطح شبکه های توزیع، فرصتی را برای بهره مندی از مزایای بکارگیری این منابع در جهت بهبود بهره برداری از شبکه های توزیع فراهم ساخته است. از جمله سودمندی های ناشی از منابع تولید پراکنده می توان به مواردی همچون کاهش تلفات، بهبود پروفیل ولتاژ و ... اشاره کرد. برای رسیدن به اهداف فوق مسئله برنامه‌ریزی صحیح از واحدهای تولید پراکنده از اهمیت بالائی برخوردار است. در برنامه‌ریزی واحدهای تولید پراکنده نیز، هدف اساسی یافتن بهترین مکان و همچنین ظرفیت نصب واحدهای تولیدپراکنده است. در این پایان‌نامه، در برنامه‌ریزی از واحدهای تولید پراکنده، به‌کارگیری دو هدف کاهش تلفات و بهبود پروفیل ولتاژ پیشنهاد می‌گردد. برای بهبود پروفیل ولتاژ، تابع انحراف معیار ولتاژ از مقدار واحد پیشنهاد و معرفی می‌گردد. برای حل مسئله بهینه‌سازی فوق از روش بهینه‌سازی الگوریتم ژنتیک چند هدفه NSGA-II استفاده می‌شود. بهینه سازی روش فوق با استفاده از نرم‌افزار Matlab صورت می‌گیرد. در مرحله اول، الگوریتم پیشنهادی مجموعه‌ای از جواب‌های بهینه را که از سطوح بهینه پرتو می‌گذرد، به ما می‌دهد. این مجموعه‌جواب‌ها مشخص می‌کند که چه واحدهائی باید در چه مکان‌هایی نصب شوند. علاوه‌براین، جواب‌های بهینه نشان می‌دهند که هر واحد تولید پراکنده باید به چه میزان توان تولید کند تا اهداف تلفات و تختی پروفیل ولتاژ بهترین جواب‌های ممکن را داشته باشند. برنامه‌ریز با در نظر گرفتن اهمیت نسبی تلفات و تختی پروفیل ولتاژ بهترین‌جواب‌ها را انتخاب می‌کند. روند پیشنهادی با تفکیک اهداف مختلف دست برنامه‌ریز را برای انتخاب بهترین جواب‌ها با در نظر گرفتن اهمیت اهداف مختلف باز می‌گذارد و از قضاوت پیش از تصمیم‌گیری جلوگیری به عمل می‌آورد. روند پیشنهادی بر روی شبکه 9 شین نمونه و شبکه‌های 14 شین IEEE و 8 شین شعاعی نیز پیاده سازی شده و مورد بررسی قرار می‌گیرد.
- Abstract
- The technological achievements and developments in the area of distributed generation (DG) and implementation of these achievements in distribution networks are giving the opportunity to engineers and energy suppliers to use these technologies in order to improve the efficiency of distribution networks. Distributed generation has a lot of advantages, for example decreasing the losses, improving the voltage profile and etc are some of the benefits gained from this method of generation. In order to achieve the goals mentioned above a correct and rational plan for the distributed generation units is very important and vital. The main goal in planning is finding the right location and also installation capacity for the distributed generation unit. In this project, for planning and running the distributed generation units, decreasing the losses and improving the voltage profile are considered as the main goals. To improve the voltage profile, the voltage standard deviation function from the unit quantity is suggested and introduced. NSGA-II (Non-Dominated Sorted Genetic Algorithm) is the method used for the optimization issue mentioned above and the Matlab is the software used for this matter. On the first steps NSGA-II is providing a collection of optimized answers which are passing through the optimized radiation levels. These answers determine that which unit should be installed at which location. In addition to that, these optimized answers determine the amount of power that each distributed generation unit should produce in order to reduce the losses and stabilize the profile voltage. The programmer and planner should choose the best answers with respect to the relationship of losses and stabilized voltage standard deviation function profile. The suggested procedure by taking the different goals into account gives the opportunity of choosing the best answers to the programmer and avoids the prejudgment before decision making. The suggested procedure has been implemented and analyzed on the 9 bus sample network, 14 bus IEEE network and 8 bus radial networks. Keywords: DG Siting, DG Sizing, Losses, Voltage Profile, Voltage standard deviation function, DG optimal Allocation, Non-Dominated Sorted Genetic Algorithm (NSGA-II)
