دانلود مقاله بازآرایی شبکه هوشمند با الگوریتم ژنتیک و NSGA-II
چکیده ای متن فارسی:
افزایش اتصال ژنراتورهای پراکنده (DGها) و توان تزریقی آنها یکی از مشخصات شبکه های هوشمند است. باز آرایی شبکه توزیع یکی از روشهای بسیار مناسب است که با استفاده از آن تعداد بیشتری DG در داخل شبکه برق قرار داده میشود که در این مقاله با استفاده از یک شبکه آزمایش دارای 16 گره نشان داده شده است. بازآرایی شبکه توزیع شامل تغییر ساختار (توپولوژی) شبکه و در نتیجه بهینه سازی چند هدف است. علاوه بر قرار دادن DGها، بازآرایی شبکه نیز در دستیابی به کمترین تلفات توان، کمترین انحراف ولتاژ و غیره کمک میکند. در این مقاله، مساله بازآرایی شبکه به صورت یک مسئله بهینه سازی فرمول بندی شده است. برای حل این مساله بهینه سازی، الگوریتم ژنتیک ساده (GA) و شاخه ای از آن یعنی NSGA-II استفاده میشوند. برای یک سیستم آزمایش ساده مانند سیستم 16 گرهی مورد بحث در این مقاله، GA ساده به اندازه ی کافی موثر است تا نقطه بهینه ی کلی (جهانی) را برای یک بهینه سازی هدف واحد پیدا کند. این مقاله، همچنین زمانیکه چندین هدف در نظر گرفته میشود مزیت NSGA-II را در مقایسه با GA ساده نشان میدهد......
2012 3rd IEEE PES Innovative Smart Grid Technologies Europe (ISGT Europe), Berlin
Smart Grid Reconfiguration Using Simple Genetic Algorithm and NSGA-II
Abstract--Increased penetration of distributed generators (DGs) is one of the characteristics of smart grids. Distribution grid reconfiguration is one of the methods of accommodating more DG into the electric grid, which is illustrated with the help of a 16 node test network in this paper. The reconfiguration of the distribution grid involves changing the grid topology thereby optimizing a few objectives. In addition to the inclusion of DGs, grid reconfiguration also helps in achieving minimal power loss, minimal voltage deviation etc. In this paper the grid reconfiguration problem is formulated as an optimization problem. Simple genetic algorithm (GA) and its variant NSGA-II are used for solving the optimization problem. For a simple test system like the 16 node system discussed in this paper, simple GA is efficient enough to find the global optimum for a single objective optimization. The paper also illustrates the advantage of NSGA-II compared to simple GA when multiple objectives are considered.
Index Terms— Distribution grid, Genetic algorithm, Grid reconfiguration, NSGA-II, Optimization, Smart grid
