جایابی بهینه TCSC و SVC برای طراحی توان راکتیو با استفاده از الگوریتم بهینه سازی وال

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

جایابی بهینه TCSC و SVC برای طراحی توان راکتیو با استفاده از الگوریتم بهینه سازی وال

عنوان لاتین

Optimal placement of TCSC and SVC for reactive power planning using Whale optimization algorithm

در این مقاله الگوریتم بهینه سازی وال (WOA)، تکامل دیفرانسیلی (DE)، بهینه سازی گرگ خاکستری (GWO)، تکامل دیفرانسیلی شبه مخالف (QOGWO)، الگوریتم بهینه سازی گرگ خاکستری شبه مخالف (QODE) برای حل طراحی توان راکتیو با دستگاه های FACTS مانند جبران کننده سری کنترل شده تریستوری (TCSC) و جبران کننده استاتیک Var (SVC)، به کار رفته اند. WOA یک الگوریتم فرا ابتکاری الهام گرفته از طبیعت تازه توسعه یافته میباشد که بر اساس رفتار شکار وال های گوژپشت است. DE یک تکنیک بهینه سازی پارامترهای حقیقی تصادفی شامل پارامترهای ژنتیکی یعنی جهش و تقاطع است؛ و GWO یک الگوریتم فرا ابتکاری الهام گرفته از طبیعت است که بر اساس رفتار شکار گرگ خاکستری میباشد. سیستک تست استاندارد IEEE 30 و IEEE 57 باسه برای آزمایشات اتخاذ شده است. محل TCSC با روش تجزیه و تحلیل جریان برق تعیین شده است و محل SVC با روش نشانه نزدیکی به نقطه فروپاشی ولتاژ (VCPI) تعیین شده است. علاوه بر این، الگوریتمهای WOA، GWO، DE، QODE و QOGWO برای یافتن تنظیم بهینه تمام متغیرهای کنترل از قبیل TCSC، نوع سری و SVC، نوع شنت دستگاه FACTS ، در سیستم تست استفاده شده اند که اتلاف توان اکتیو و هزینه عملیاتی سیستم را کمینه میسازد در حالی که منحنی ولتاژ را در حد مجاز حفظ میکند. برتري روش WOA پيشنهادي با مقايسه نتايج به دست آمده با تمام تکنيک هاي مورد بحث در اين مسئله، نشان داده شده است. آزمون ANOVA نیز برای نشان دادن تحلیل آماری بین تکنیک های مختلف انجام شده است. رویکرد پیشنهادی تعداد کمی از تکرارها را نشان می دهد که در حداقلهای محلی محدود نشده و ویژگی های همگرایی امیدوار کننده ای را ارائه می دهد.

In the present work, Whale optimization algorithm (WOA), Differential evolution (DE), Grey wolf optimization (GWO), Quasi-opposition based Differential Evolution (QODE) and Quasi-opposition based Grey wolf optimization (QOGWO) algorithm has been applied for the solution of reactive power planning with FACTS devices i.e., Thyristor controlled series compensator (TCSC) and Static Var compensator (SVC). WOA is a recently developed nature-inspired meta-heuristic algorithm based on hunting behaviour of Humpback Whales; DE is a stochastic real-parameter optimization technique comprising of genetic parameters namely - mutation & cross-over; and GWO is a nature-inspired meta-heuristic algorithm based on hunting behaviour of Grey wolf. Standard IEEE 30 and IEEE 57 bus test system has been adopted for the testing purposes. Location of TCSC has been determined by the power flow analysis method and location of SVC has been determined by the voltage collapse proximity indication (VCPI) method. Further, WOA, GWO, DE, QODE and QOGWO algorithms have been applied to find the optimal setting of all control variables including TCSC, the series type and SVC, the shunt kind of FACTS device in the test system which minimizes active power loss and system operating cost while maintaining voltage profile within permissible limit. The superiority of the proposed WOA technique has been illustrated by comparing the results obtained with all other techniques discussed in the present problem. ANOVA test has also been conducted to show the statistical analysis between different techniques. The proposed approach shows lesser number of iterations which does not gets trapped in the local minima and offers promising convergence characteristics.