بهينه‌سازي تعداد، محل و اندازه منابع توليد پراكنده و جبران ساز سنكرون استاتيكي با روش الگوريتم ژنتيك

Optimize the Number, Locating, and Sizing of D-STATCOM and DGs Using GA Algorithm

استفاده از ادوات فكتس و منابع توليد پراكنده به‌عنوان يك تكنولوژي در سيستم‌هاي قدرت و توزيع هر روز افزايش مي‌يابد. اين تجهيزات بر روي پارامترهاي متعددي همچون پروفيل ولتاژ، تلفات خط، جريان اتصال كوتاه، پايداري و قابليت اطمينان سيستم تأثيرگذار مي‌باشند و بنابراين تعيين محل بهينه نصب، تعداد و اندازه آن‌ها يكي از مسائل مهمي مي‌باشد كه مورد توجه مي‌باشد زيرا نصب اين ادوات و منابع در محل‌هاي غير بهينه سبب افزايش تلفات سيستم و تأثير منفي بر پروفيل ولتاژ و ساير پارامترهاي سيستم مي‌شود. در اين مقاله به بهينه‌سازي هم‌زمان تعداد، محل و اندازه منابع توليدات پراكنده و جبران ساز سنكرون استاتيكي پرداخته شده و به‌منظور حل مسئله بهينه‌سازي از الگوريتم ژنتيك (GA) استفاده شده است. به همين منظور تابع چند هدفه شامل هزينه‌هاي بهره‌برداري و توليد منابع توليدات پراكنده و جبران ساز سنكرون استاتيكي و قابليت بارپذيري سيستم ارائه شده است و نتايج حاصل از شبيه‌سازي براي دو شبكه نمونه 33 و 69 باس استاندارد IEEE مورد تحليل و بررسي قرار گرفت. نتايج به دست آمده نشان مي‌دهد كه با افزايش بارپذيري سيستم، هزينه افزايش مي‌يابد زيرا تعداد تجهيزات مربوط به منابع توليد پراكنده و جبران ساز سنكرون استاتيكي بيشتر مي‌شود. همچنين بهينه‌سازي و جايابي هم‌زمان اين تجهيزات، سبب كاهش هزينه‌ها و افزايش بارپذيري سيستم توزيع مي‌شود.

Recently the use of AC transmission system (FACTS) devices and distributed generation resources as technology in power and distribution systems is increasing. This equipment affects various parameters such as voltage profile, line losses, short circuit current, stability, and reliability of the system, and therefore determining the optimal installation location, their number and size are one of the important issues that are considered because the installation of these devices and Resources in non-optimal locations increase system losses and negatively affect voltage profiles and other system parameters. In this paper, the simultaneous optimization of the number, location, and size of distributed generation resources and static synchronous compensation is used and in order to solve the optimization problem, a genetic algorithm (GA) is used. For this purpose, a multi-objective function including operating costs and generation of distributed generation resources and static synchronous compensation and system load capacity are presented and the simulation results were analyzed for two 33 and 69 IEEE standard networks. The results show that with increasing system load, the cost increases because the number of equipment related to distributed generation sources and static synchronous compensator increases. Also, the simultaneous optimization and placement of this equipment reduces costs and increases the load capacity of the distribution system.