Βέλτιστη διαστασιολόγηση μονάδων διεσπαρμένης παραγωγής με χρήση γενετικού αλγορίθμου και βέλτιστης ροής φορτίου

Abstract

Σκοπός της διπλωματικής εργασίας είναι ο υπολογισμός της βέλτιστης θέσης και του βέλτιστου μεγέθους μονάδων διεσπαρμένης παραγωγής με την χρήση του γενετικού αλγορίθμου σε συνδιασμό με την βέλτιστη ροή φορτίου. Πρόκειται για μία υβριδική μέθοδο, η οποία ξεπερνάει τους περιορισμούς να είναι προκαθορισμένη η ονομαστική ισχύς ή οι ζυγοί τοποθέτησης των μονάδων διεσπαρμένης παραγωγης και το μόνο που θεωρείται σαν προαπαιτούμενο είναι να είναι προκαθορισμένος ο αριθμός των μονάδων διεσπαρμένης παραγωγής που θα εγκατασταθούν. Στην παρούσα εργασία υλοποιήθηκε αλγόριθμος σε περιβάλλον MATLAB για τον υπολογισμό της βέλτιστης θέσης και βέλτιστου μεγέθους μονάδων διεσπαρμένης παραγωγής, χρησιμοποιώντας και κάποια στοιχεία από το λογισμικό πακέτο MATPOWER, το οποίο είναι λογισμικό σε MATLAB και υπολογίζει ροές φορτίου και βέλτιστες ροές φορτίου. Ακόμα αναπτύχθηκε γραφικό περιβάλλον (GUI) για την καλύτερη και πιο εύχρηστη εφαρμογή του προγράμματος. Με βάση τον αλγόριθμο του γενετικού αλγορίθμου, δημιουργείται ένας αρχικός πλυθησμός από χρωμοσώματα, κάθε γονίδιο των οποίων αντιπροσωπεύει ένα ζυγό τοποθέτησης της μονάδας διεσπαρμένης παραγωγής. Για κάθε ένα από αυτά τα χρωμοσώματα εκτελέιται μια βέλτιστη ροή φορτίου με την βοήθεια του λογισμικού MATPOWER και έτσι υπολογίζεται η τιμή της αντικειμενικής συνάρτησης του καθενός. Στη συνέχεια ο πληθυσμός ταξινομείται με βάση την τιμή της αντικειμενικής συνάρτησης και κρατιούνται μόνο τα καλύτερα χρωμοσώματα, ενώ τα υπόλοιπα διαγράφονται. Στη συνέχεια, έπειτα από διασταύρωση του πληθυσμού και και μετάλλαξη του, προκύπτει μια νέα γενιά με πιο βελτιωμένα χρωμοσώματα. Η επαναληπτική αυτή δαιδικασία συνεχίζεται έως ότου οι γενιές φτάσουν ένα μέγιστο αριθμό, ή όταν η τιμή της αντικειμενικής συνάρτησης του καλύτερου αποτύχει να βελτιωθεί περαιτέρω από μία καθορισμένη τιμή για ένα καθορισμένο αριθμό γενεών. Έτσι με αυτόν τον τρόπο προκύπτει η βέλτιστη λύση, δηλαδή οι βέλτιστοι ζυγοί τοποθέτησης των μονάδων διεσπαρμένης παραγωγής, καθώς και η αντίστοιχη ονομαστική τους ισχύς. Ο αλγόριθμος που υλοποιήθηκε εφαρμόστηκε σε ένα δίκτυο 4 ζυγών, ένα δίκτυο 15 ζυγών, ένα δίκτυο 31 ζυγών και ένα δίκτυο 69 ζυγών για διάφορες περιπτώσεις και τα αποτελέσματα που προέκυψαν σε κάθε περίπτωση παρουσιάζονται σε αυτή την εργασία και εξάγονται τα αντίστοιχα συμπεράσματα.

The scope of this thesis is the evaluation of the optimal site and the optimal capacity of distributed generation, by utilizing the genetic algorithm with the optimal power flow. It is a hybrid method that overcomes the limitations of pre-specified capacity or location of distributed generation units and the only that is required is a pre-specified number of distributed generation units to be connected. In the present diploma thesis, an algorithm in MATLAB environment was implemented for calculating the optimal location and capacity of the distributed generation, by using some features of the MATPOWER suite, which is a software in MATLAB and it calculates power flows and optimal power flows. Furthermore, it was developed a graphical user interface (GUI) in order to make the program user-friendly. Based on the genetic algorithm, it is created an initial population of chromosomes, each gene of them represents a bus as the location of distributed generation unit. For each one of these chromosomes, it is executed an optimal power flow with the help of MATPOWER and in this way it is calculated the value of the objective function for each of them. After that the population is sorted from the best chromosome to the worst one in terms of their objective function value and survive only the best ones, whilst the worst ones are discarded. Then, it is created a new generation by using genetic operators, such as crossover and mutation and the new generation consists of improved chromosomes. This iteration process continues until a maximum number of generation is reached or iterations of the best chromosome fails to improve beyond a specified amount over a specified number of generations. Thus the optimal solution is reached, i.e. the optimal site and capacity of the distributed generation units. The implemented algorithm was tested on a 4 bus network, a 15 bus network, a 31 bus network and a 69 bus network for several cases and the results are presented and the respective conclusions are analyzed.