توزيع بهينه توان راكتيو با استفاده از الگوريتم آموزش و يادگيري در حضور عدم قطعيت ناشي از توربين‌هاي بادي

Optimal reactive power dispatch using teaching learning based optimization algorithm in the presence of wind turbine uncertainty

توزيع بهينه توان راكتيو با كاهش تلفات در شبكه نقشي اساسي را در بهره‌برداري اقتصادي از شبكه بر عهده دارد. در اين مقاله الگوريتم آموزش و يادگيري براي توزيع بهينه توان راكتيو و كنترل ولتاژ در حضور توربين‌هاي بادي ارائه مي‌شود. اين الگوريتم از انواع الگوريتم‌هاي تكاملي مبتني بر جمعيت بوده كه توانايي بالايي در حل مسائل غيرخطي دارد. اين مسأله در قالب يك مسأله غيرخطي عدد صحيح آميخته مدل‌سازي مي‌شود و در آن هم‌ متغيرهاي پيوسته و هم متغيرهاي گسسته مدل مي‌شوند. جواب بهينه مسأله شامل مجموعه ولتاژ ژنراتورها، گام تپ چنجر ترانسفورماتورها و وضعيت جبران‌سازهاي راكتيو جهت كمينه‌سازي ميزان تلفات در شبكه است. در روش پيشنهادي، با حضور عدم قطعيت سرعت باد، با بهره‌گيري از اطلاعات واقعي سرعت باد، از پخش بار به روش تخمين دو نقطه‌اي جهت مدل‌سازي عدم قطعيت استفاده مي‌شود. روش پيشنهادي در سيستم استاندارد 57 باس IEEE پياده‌سازي شده است. جهت اثبات كارايي الگوريتم آموزش و يادگيري نيز اين الگوريتم با دو الگوريتم تجمع ذرات و تكامل تفاضلي مقايسه شده است. نتايج نشان از كارايي روش پيشنهادي در كاهش تلفات و همچنين ارضاي قيود مسأله است.

Optimal reactive power dispatch plays an important role in economic operation of network by reducing the loss. In this paper, the teaching learning based optimization algorithm is used to optimal reactive power dispatch and voltage control. This algorithm is an evolutionary and population based algorithm which has a great capability to solve the nonlinear problems. This problem is formulated as a mixed integer nonlinear problem including both continues and discrete variables. Optimal solution of problem contains set of generators voltage, tap changers and compensative reactive components. In the proposed approach, using real wind speed data and considering the wind uncertainty, the two points estimate power flow is used to model the uncertainties. The proposed method has been implemented on 57-bus IEEE test case. A comparing has been done between the teaching learning based optimization algorithm and particle swarm optimization and differential evolution algorithms in order to verify the efficiency of the proposed algorithm. The results demonstrate the efficiency of the proposed method in reducing losses and handling the constraints.