برنامه‌ریزی احتمالاتی توام شبکه‌های توزیع اولیه و ثانویه با استفاده از روش ابتکاری-ترکیبی با الگوریتم ژنتیک

برنامه ریزی سیستم توزیع یک مسئله پیچیده، غیرخطی و دارای متغیرهای گسسته است. اگرچه به دلیل پیچیدگی مسئله بیشتر محققین به بهینه سازی شبکه های اولیه و ثانویه به طور مجزا پرداخته اند، اما حل مجزای آن ها دقت پاسخ به دست آمده را کاهش می دهد و لازم است برنامه ریزی توام آن ها موردتوجه بیشتر قرار گیرد. برای حل مسئله برنامه ریزی سیستم توزیع، روش های مختلفی ارائه شده است که یکی از پرکاربردترین آن ها، روش های مبتنی بر الگوریتم ژنتیک است. با توجه به عدم قطعیت موجود در پارامترهای شبکه توزیع، روش الگوریتم ژنتیک، متداول برای برنامه ریزی احتمالاتی شبکه های بزرگ، بسیار زمان بر و بعضاً غیر کارآمد است. در این مقاله، با الهام از یک شیوه سنتی در جایابی ترانسفورماتورهای توزیع و ترکیب آن با الگوریتم ژنتیک، یک روش ابتکاری ارائه شده است که با محدود کردن فضای پاسخ مسئله، در یافتن پاسخ بهینه برنامه ریزی احتمالاتی، بسیار کارآمد است. برای مدل سازی عدم قطعیت های موجود در شبکه، یک مجموعه سناریو بر اساس توزیع احتمالی پارامترها تعریف می گردد. مدل پیشنهادی بر روی دو سیستم نمونه با ابعاد متفاوت پیاده سازی شده و کارایی روش پیشنهادی، موردبررسی قرار می گیرد.

Probabilistic Integrated Planning of Primary and Secondary Distribution Networks based on a Hybrid Heuristic and GA Approach

The integrated planning of distribution system reveals a complex and nonlinear problem with discontinous variables. Even though, many researchers due to these technical and modeling complexities tend to optimize the primary and secondary distribution networks individually, their individual treatment decreases the accuracy of the results. Accordingly, the integrated planning of these networks is put forward to guarantee reliable and accurate results. Different approaches are put forth for the distribution of network planning studies. Genetic algorithm stands as one of the widely deployed approaches. Due to the existing uncertainties in probabilistic planning of large distribution networks, the conventional genetic algorithm is aligned with high computational burden and, thus, with probable loss of efficiency. To annihilate these issues, the ongoing study contributes to an improved approach ending in the reduction of computational efforts and accurate result. Inspired by a traditional approach for the placement of distribution transformers and its mixture with the genetic algorithm, a heuristic method is devised which reduces the search space sensibly. Accordingly, the optimal solutions are more swiftly attained in probabilistic planning of distribution networks. To represent the existing uncertainties, we have defined a set of scenarios based on parameters of probability distribution functions. The aggregated effects of these scenarios are introduced as the expected values of the investigated variables. Efficiency of the proposed approach is explored on two test systems within which obtained results are discussed in depth.