بهینه سازی قرارگیری ایستگاه‌های شارژ با الگوریتم ملخ GOA

در این قسمت بهینه سازی قرارگیری ایستگاه‌های شارژ با الگوریتم ملخ GOA قرار گرفته شده است. ترجمه مقاله Grasshopper optimization algorithm based two stage fuzzy multi objective approach for optimum sizing and placement of distributed generations, shunt capacitors and electric vehicle charging stations در 32 صفحه در قالب Word آماده شده است. این مقاله یک روش بهینه سازی با نام الگوریتم GOA را معرفی می کند. الگوریتم Grasshopper یا به زبان خودمانی الگوریتم ملخ به اختصار GOA یک الگوریتم بهینه سازی است.

این پژوهش توسط Srinivasa Rao Gampa در سال 2020 در مقاله ای با عنوان Grasshopper optimization algorithm based two stage fuzzy در ژورنال Journal of Energy Storage پایگاه علمی Elsevier ارائه شده است. در ادامه چکیده و مقدمه ای از این مقاله آورده شده است. برای دانلود مقاله اصلی روی لینک زیر کلیک کنید.

چکیده انگلیسی

In this paper a two stage Grasshopper Optimization Algorithm (GOA) based Fuzzy multiobjective approach is proposed for optimum sizing and placement of Distributed Generations (DGs), Shunt Capacitors (SCs) and Electric Vehicle (EV) charging stations for distribution systems. In the first stage Fuzzy GOA approach is used for optimum sizing and allocation of DGs and SCs for improving the substation power factor, real power loss reduction and voltage profile improvement of the distribution system.

In the second stage distribution system integrated with DGs and SCs is considered and fuzzy GOA approach is used for identifying optimum locations for EV charging stations and number of vehicles at the charging stations. EV battery charging load models are developed from the Lithium ion battery charging characteristic curves for load flow analysis.

Simulation results are shown to show the advantages of fast converging properties of GOA over GA and PSO techniques. Simulation results are demonstrated on 51 bus and 69 bus distribution networks to show the advantages of proposed methodology compared to conventional objective based simultaneous optimization approach. The effect of EV load growth and the effect of uncertainties in DGs and distribution system load are shown on the distribution system performance.

ترجمه فارسی

در این مقاله یک الگوریتم بهینه سازی ملخ (GOA) دو مرحله ­ای مبتنی بر رویکرد چند هدفی فازی برای اندازه گیری بهینه و قرار دادن ژنراتورهای توزیع شده (DGs)، خازن های شانت (SC) و ایستگاه ­های شارژ خودروهای الکتریکی (EV) برای سیستم های توزیع شده پیشنهاد شده است. در مرحله اول، رویکرد فازی GOA برای اندازه گیری بهینه و قرار دادن ژنراتورهای توزیع (DGs) و خازن ­های شارژ(SCs) برای بهبود ضریب توان پست [1] های شارژ، کاهش اتلاف برق و بهبود ولتاژ سیستم توزیع شده، بکار می رود.

در مرحله دوم سیستم توزیع شده یکپارچه با DG و SC در نظر گرفته شده است و از روش GOA فازی برای شناسایی مکان های بهینه برای ایستگاه های شارژ EV و تعداد وسایل نقلیه در ایستگاه های شارژ استفاده شده است. مدل های شارژ باتری EV از منحنی های مشخصه شارژ باتری یون لیتیوم برای آنالیز جریان بارالکتریکی تولید شده اند.

نتایج شبیه سازی مزیت همگرایی سریع GOA را نسبت به GA و PSO نشان می دهد همین‌طور نتایج شبیه سازی در سیستم 51 گذرگاهی [2] و 69 گذرگاهی نشان داده شده است تا مزایای روش پیشنهادی را در مقایسه با رویکردهای بهینه سازی معمول نشان دهد و همچنین تأثیر رشد بار [3] EV و تأثیر عدم قطعیت در DG ها و بار سیستم توزیع شده بر روی عملکرد سیستم توزیع نیز نشان داده شده است.

مقدمه

وسایل نقلیه الکتریکی (EV) برای غلبه بر مشکلات زیست محیطی مرتبط با گازهای گلخانه ­ای و مقابله با خالی شدن منابع سوخت های فسیلی، به سرعت در حال جایگزینی با اتومبیل­ های دارای سوخت بنزین هستند. افزایش تعداد خودروهای الکتریکی EV به طور بالقوه تقاضای بار اوج [1] و خطوط تغذیه [2] را به طور قابل توجهی افزایش می­ دهد و موجب کاهش پروفیل [3]­ های ولتاژ سیستم توزیع شده می‌­شود.

قرار دادن DG­ها در مکان های نامناسب منجر به تلفات بیشتر انرژی و کاهش مقدار پروفیل ولتاژ می ­شود. این یک روش معمول برای مهندسان تاسیسات است که برای نصب خازنهای شانت (SCs) جهت بهبود پروفیل ولتاژ سیستم توزیع شده انجام می شود. به منظور کاهش آسیب پذیری ناشی از وجود EV ها و DG ها، لازم است روش هایی برای اندازه گیری بهینه و جایگذاری EV ها، DG ها و SC ها در سیستم های توزیع شده ایجاد شود.

مطالعات متعددی در مورد استقرار و اندازه واحدهای DG و SC بصورت تئوری گزارش شده است. رویکردهای مبتنی بر تحلیل و اکتشاف [1،2] برای به حداقل رساندن تلفات توان واقعی برای تخصیص ترکیبی DG ها و SC ها در سیستم‌های توزیع شده پیشنهاد شده‌اند. تکنیک های محاسبات تکاملی، الگوریتم ژنتیک (GA)  [3،4]، بهینه سازی ازدحام ذرات (PSO) [5،6]، الگوریتم رقابتی امپریالیستی [7]، بهینه سازی ازدحام ذرات چند هدفه (MOPSO)  [8]، تکاملی دیفرانسیل بین تقاطعی(IMDE)  [9] ، بهینه سازی مبتنی بر جغرافیای زیستی (BBO) [10]، PSO بهبودیافته [11]، الگوریتم خفاش بهم ریخته [12]، بهینه سازی مورچه شیری [13] و الگوریتم جستجوی هارمونی بهبود یافته [14] برای تخصیص و اندازه گیری مطلوب DG ها و خازن های شانت برای بهبود عملکرد فنی و سود اقتصادی سیستم توزیع شده پیشنهاد شده است. راستگو و همکاران [14] الگوریتم جستجوی هماهنگی بهبود یافته و کومار و همکاران [15] برای به حداقل رساندن تلفات اقتصادی و بهبود پروفیل ولتاژ، یک الگوریتم تکاملی دیفرانسیل بی نظم چند هدفه را پیشنهاد داده اند.

باریک و داس [16] نیز یک روش بهینه سازی پی در پی برای به حداقل رساندن اتلاف انرژی سالانه و بهبود پروفیل ولتاژ ارائه دادند. کانسال و همکاران [17] روش بهینه سازی مبتنی بر PSO برای اندازه گیری بهینه DG ها و SC ها با در نظر گرفتن به حداقل رساندن اتلاف برق و بهبود عوامل اقتصادی پیشنهاد داده اند. نویسندگان از روش مبتنی بر GA در [18] برای اندازه گیری بهینه DG ها و خازن های شانت استفاده کردند و در [19] نویسندگان علاوه بر عوامل اقتصادی فنی، عوامل محیطی را نیز در نظر گرفتند. اسماعیل و همکاران [20] برای حداقل رساندن هزینه سرمایه گذاری و تلفات برق، GOA را برای استفاده مجدد شبکه بهینه از شبکه های توزیع شده پیشنهاد کرده است.

نفوذ ­ EVها در مقیاس زیاد می­تواند تأثیر مخرب و بی­ثباتی بر روی شبکه برق داشته باشد و بسیاری از نویسندگان تحقیق خود را بر روی بررسی تأثیرات شبکه توزیع شده متمرکز کرده اند. گومز و موركوس [21] ابزاری ساده برای یافتن تأثیر شارژرهای باتری بر روی ترانسفورماتورهای سیستم توزیع شده، كابل­ ها،  مدار شکن­ ها و سوئیچ ­ها ایجاد كرده ­اند. هادلی [22] نیاز منابع سوخت فسیلی را به دلیل استفاده بالقوه از PHEV ها در سیستم­ های توزیع شده مطالعه کرده است. شارما و باتاچاریا [23] یک چهار چوب هوشمند توزیع شده را برای تجزیه و تحلیل نواقص ناشی از شارژ بی رویه PEV پیشنهاد کردند. مو و همکاران [24] با استفاده از تجزیه و تحلیل مبدا – مقصد و انجام تحقیقات حمل و نقل هوشمند برای یافتن تأثیر EV ها در شبکه­ های توزیع شهری، یک مدل موقتی فضایی را توسعه دادند.

تنگ و همکاران [25] مزایا و تأثیر وسایل نقلیه الکتریکی را برای غلبه بر چالش های کنترل فرکانس اولیه به دلیل منابع انرژی تجدید پذیر تجزیه و تحلیل کردند. النوزاهی و سلاما [26] چهارچوب احتمالی را برای تخمین تأثیرات شارژ کنترل نشده PHEV در سیستم های توزیع شده مسکونی پیشنهاد دادند. دوبی و سانتوسو] 27 [تاثیر شارژ EV را بر روی سیستم های توزیع شده مسکونی بررسی کردند و نشان دادند که تأثیر مدارهای ثانویه بر روی پروفیل ولتاژ بیشتر از سیم های اولیه است. پاپادوپولوس و همکاران [28] تأثیر شارژ خودروهای الکتریکی با توجه به عدم قطعیت مربوط به مقدار برق سیستم های توزیع شده مسکونی انگلیس را تجزیه و تحلیل کردند. ریچاردسون و دیگران [29] تکنیک مبتنی بر برنامه ریزی خطی را برای تعیین میزان شارژ مطلوب برای هر خودرو پیشنهاد داده­اند تا مقدار برق فراهم شده برای EVها در حداکثر مقدار آن باشد.

درباره محصول

ترجمه مقاله Grasshopper optimization algorithm based two stage fuzzy multiobjective approach for optimum sizing and placement of distributed generations, shunt capacitors and electric vehicle charging stations به فارسی (GOA: یک الگوریتم بهینه سازی قرارگیری ایستگاه‌های شارژ) عنوان محصولی است که در قالب ورد به تعداد 32 صفحه بصورت دقیق و روان توسط متخصصان ترجمه رشته کامپیوتر انجام شده است. این ترجمه از طرف کارشناسان پی استور بررسی شده و محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید به محض خرید لینک دانلود در دسترس خواهد بود.

مباحث مرتبط با الگوریتم های هوش جمعی

مباحث پیشنهادی برای شما