عنوان پایان‌نامه
جایابی بهینه واحدهای تولید پراکنده در شبکه توزیع بر اساس شاخص های قابل اطمینان
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: E 2134;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55120
- تاریخ دفاع
- ۳۰ شهریور ۱۳۹۱
- دانشجو
- رامین انصاری
- چکیده
- امروزه با توجه به بازار رقابتی موجود در صنعت برق و تجدید ساختار در شبکه های قدرت، تامین انرژی الکتریکی با کیفیت و با قابلیت اطمینان بالا برای مشترکین از اهمیت بالایی برخوردار است. بهبود قابلیت اطمینان امری است که مستقیمأ با هزینه های سرمایه گذاری و گسترش شبکه مرتبط می باشد. در حال حاضرافزایش ظرفیت تولید در بسیاری موارد توسط واحد های کوچکی صورت می گیرد که بر خلاف واحد های تولیدی بزرگ به شبکه توزیع متصل بوده و نزدیک مصرف کنندگان قرار دارند. به این دسته از مولد ها واحد های تولید پراکنده می گویند . به منظور ارزیابی قابلیت اطمینان سیستم، شاخص های کمی گوناگونی در سطوح مختلف شبکه قدرت به کار می روند. در این پایان نامه به کار بردن شاخص های کفایت توان که در سطوح اول و دوم شبکه به کار می روند برای ارزیابی قابلیت اطمینان شبکه توزیع پیشنهاد شده است. به منظور بر آورد صحیح از وضعیت قابلیت اطمینان سیستم، مدلسازی صحیح DG بایستی مورد توجه قرار گیرد چرا که عدم توجه به این مورد هنگام عملکرد جزیره ای منجر به نتایج متفاوت و بعضاُ نادرست می گردد که می تواند هزینه های اضافی را به بهره بردار شبکه تحمیل می کند. با در نظر گرفتن مدل چند حالته برای واحدها و مدلسازی صحیح سایر اجزای شبکه به محاسبه شاخص های قابلیت اطمینان پرداخته شده است. تاثیر جایگذاری واحد ها در شبکه بر روی پروفیل ولتاژ و تلفات و شاخص های قابلیت اطمینان نیز مورد مطالعه قرار می گیرد. در سناریو های مختلف، توابع هدف گوناگونی متشکل از پروفیل ولتاژ، تلفات و شاخص های قابلیت اطمینان تعریف می گردد و در هر حالت جایابی واحدها با هدف کمینه سازی تابع هدف صورت می پذیرد. به منظور یافتن حالت بهینه در هر سناریو از الگوریتم های هوشمند ژنتیک و کولونی مصنوعی زنبور عسل استفاده شده و نتایج با یکدیگر مقایسه شده اند. در نهایت به منظور انجام بررسی اقتصادی، تمامی پارامتر ها به عبارات اقتصادی تبدیل شده و تابع هدف متشکل از هزینه های مختلف در طی دوره ی بهره برداری تشکیل می گردد. در این حالت نیز الگوریتم کولونی مصنوعی زنبور عسل برای جایابی بهینه واحدها به منظور کمینه سازی تابع هدف به کار می رود.
- Abstract
- Nowadays, due to presence of competitive markets in electrical energy and restructuring of power systems, providing electrical energy with high quality and reliability for customers has great importance. Improving reliability is directly related to investments and expansion costs of power system. Increasing the capacity of generation of power system in many cases is usually done by addition of small units which are attached to distribution system in contrary to conventional power units. These power units which are in closest possible position to load points are called “Distributed Generation”. Independent operation from transmission system and usage of renewable power sources as prime movers besides many other benefits has made usage of these units more popular. In order to evaluate reliability of power systems, different quantized indices are used in separate levels of power system. In this thesis it is proposed to evaluate reliability of distribution system with power adequacy indices which are usually used in generation and transmission levels of power system. Obtaining a reasonable evaluation of reliability of power systems is highly dependent on modeling of DGs. Due to direct relation between reliability and economical facts, mistakes in modeling of DG can cause misleading results in islanded operational states that can impose extra costs on operator of power system. Effect of placement of DGs on power loss, reliability and voltage profile of power system is analyzed. In different scenarios, cost functions composed of reliability, power loss and voltage profile are introduced and in each case, optimum placement of power units that results in minimum cost function are found. Intelligent optimization tools are used to find optimum solutions for defined problem in each scenario. Artificial bee colony and genetic algorithm are used and results obtained from them are compared. Finally in order to perform an economical analysis, all different parameters are modeled as expense terms and a cost function is introduced during operational period. In this case too, artificial bee colony algorithm is used to find optimum allocation of DGs that results in least expenses.
