خوشه‌بندی بار‌های حرارتی به منظور مشارکت در برنامه‌‌های پاسخ‌گویی بار

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: خوشه‌بندی بار‌های حرارتی به منظور مشارکت در برنامه‌‌های پاسخ‌گویی بار

ارائه دهنده: Provider: مرتضی متین نژاد - مهندسی برق

اساتید راهنما: Supervisors: دکتر محمد حسن مرادی-دکتر علیرضضا حاتمی

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر صالح رازینی-دکتر محسن حسن بابای نوزادیان

زمان و تاریخ ارائه: Time and date of presentation: ساعت 13 - 1403/6/28

مکان ارائه: Place of presentation: سالن آمفی تئاتر

چکیده: Abstract: سیستم¬های تامین انرژی امروزی، در تقابل با کیفیت توان و تامین رضایت مشترکین می¬باشند. کاهش نرخ قطع بار و یا کاهش نرخ انرژی فروخته نشده شبکه، وابستگی مستقیم به تفکیک بارهای شبکه و سرعت عمل به موقع مرکز کنترل شبکه دارد. تامین پایدار انرژی مورد تقاضای شبکه از جمله سیاست¬های کلان و بلند مدت سیستم¬های قدرت و توزیع انرژی الکتریکی و منوط به هزینه¬های گزاف ساخت نیروگاه¬ها و طراحی سیستم¬های ذخیره چرخان دارد. از این رو اغلب رشد جهشی مصرف انرژی مشترکین، از سیاست¬های پایدار احداث واحدهای تولید انرژی پیشی گرفته و به این ترتیب متصدیان شبکه برای تامین تقاضای بار متوسط به برنامه¬های مدیریت تقاضای بار می¬شوند. در این مطالعه با توجه به اهمیت موضوع خوشه¬بندی بارهای حرارتی با کمک الگوریتم هوش مصنوعی ژنتیک به منظور مشارکت در برنامه¬ریزی پاسخ¬گویی بار هدف قرار گرفته است. به این ترتیب که برای حل مسئله سه گام برنامه¬ریزی شد. در گام اول خوشه¬بندی کل بارهای شبکه آزمون 17 باسه با توزیع بار یکنواخت، با کمک الگوریتم هوش مصنوعی ژنتیک صورت پذیرفت. در گام دوم براساس تطابق امپدانس خوشه¬ها، کوچک¬ترین خوشه و با بیشترین نرخ بار حرارتی تفکیک شد. در گام سوم و نهایی در خوشه¬های با بیشتر از یک باسبار LMP برای تعیین حق تقدم قطع باسبار محاسبه شد. در نهایت در 8 سناریوی تعریف شده در این مطالعه، مشاهده شد که اولاً هر چه ضریب مشارکت کروموزوم¬ها در تولید نسل جدید بیشتر باشد، تاثیری بر بهبود عملکرد خوشه-بندی بارها نداشته و در مقابل سرعت حل مسئله به شدت افزایش می¬یابد. همچنین با بزرگ شدن شبکه-ها برق می¬بایست تعداد کروموزوم¬های آغاز عملکرد الگوریتم ژنتیک کم¬تر از 50 و در مراحل بعدی مشارکت کروموزوم¬ها در تولید نسل جدید کمتر از 0.85 در نظر گرفته شود. ثانیاً مشاهده گردید تعداد تکرارهای الگوریتم ژنتیک برای حل این مسئله نباید زیاد باشد. چرا که تاثیری بر بهبود همگرائی الگوریتم ندارد. در سناریوی  تعداد تکرار الگوریتم ژنتیک 50 تکرار برای تقسیم بندی شبکه به  خوشه در نظر گرفته شد که زمان حل مسئله حدوداً 61.52 ثانیه ثبت شد. در حالی که در سناریوی 4 با وجود اینکه دستور داده شده بود که الگوریتم خوشه¬بندی، شبکه را به 4 خوشه تقسیم کند، تعداد تکرارهای الگوریتم ژنتیک 5 تکرار درنظر گرفته شد که حل مسئله حدوداً پس از 3.54ثانیه صورت پذیرفت. این نتیجه به ما کمک می¬کند که شبکه¬های گسترده¬تر و با باسبارهای بیشتر را نیز با سرعت قابل قبولی حل کنیم. ثالثاً مشاهده گردید بافت مسئله به شکلی است که برای رسیدن به پاسخ مطلوب جهش ژنتیک عددی کوچک در حد 0.001 باید باشد و با انتخاب جهش ژنتیک به مقدار 0.3 ژن¬ها، کاملاً الگوریتم واگرا می¬شود. رابعاً در نهایت مشاهده شد که در سناریوهای 6،5 و 8 الگوریتم ژنتیک خوشه¬هایی با تنها یک باسبار را به ما، برای قطع در اوج مصرف انرژی معرفی می¬کند. این نتیجه باعث می¬شود که به شرکت¬های برق پیشنهاد شود برای قطع بارهای حرارتی و ارزان¬قیمت در اوج مصرف شبکه، بهترین عملکرد تعبیه کلیدهای کنترل از راه دور بر باسبارهای خاص شبکه توزیع و قطع منحصراً چند باسبار در نقاط مختلف شبکه به جای قطع یک فیدر و یا خوشه با چند باسبار است.

فایل: ّFile: دانلود فایل