بهینه‌سازی شبکه‌های توزیع هوشمند با استفاده از ادوات facts توسط الگوریتم ترکیبی جدید ga-pso

در این مقاله مدلی برای بهینه‌سازی شبکه توزیع با در نظر گرفتن نفوذ بالای منابع فتوولتائیک (pv) و ایستگاه شارژ وسایل نقلیه الکتریکی (evcss) بر اساس ترانسفورماتورهای تغییر تپ (oltc) و تنظیم‌کننده ولتاژ پله (svr)، خازن شنت (sc) و راکتور شنت (shr) ارائه می‌کند. هدف در نظر گرفته شده جلوگیری از اضافه ولتاژ ناشی از تزریق توان توسط منابع pv و افت ولتاژ ناشی از شارژ ev در شبکه‌های توزیع می‌باشد. مدل پیشنهادی با استفاده از یک الگوریتم ترکیبی جدید بنام pso-ga حل می‌شود. مطالعات مربوطه نشان می‌دهد که با افزایش تعداد تکرارهای pso، تنوع جمعیت ذرات به راحتی از بین می‌رود و در یک بهینه محلی قرار می‌گیرد. ایده ترکیب ga بر اساس pso معرفی شده در این مطالعه، عملیات متقاطع و جهش ga روی جمعیت pso انجام می‌شود که برای بهبود توانایی بهینه سراسری ذرات مفید و باعث می‌شود الگوریتم از نقطه بهینه محلی خارج شود. دو شبکه آزمایشی استاندارد ieee مختلف تحت سناریوهای بار متفاوت برای تجزیه و تحلیل مدل پیشنهادی مورد آزمایش قرار گرفته است که کارایی مدل پیشنهادی را آشکار می‌کند.

optimization of smart distribution networks using facts devices by the novel ga-pso hybrid algorithm

this paper presents a model for distribution network optimization considering a high penetration of photovoltaic (pv) sources and electric vehicle charging stations (evcss) based on on-load tap changing transformers (oltc) and step voltage regulator (svr), shunt capacitor (sc), and shunt reactor (shr). the purpose is to prevent overvoltage due to power injection by pv sources and voltage drop due to ev charging in distribution networks. the proposed model is solved using a new hybrid algorithm called pso-ga. relevant studies show that with the increasing number of pso replications, particle population variability is easily eliminated and placed in local optimization. the idea of ​​combining ga is based on the pso introduced in this study. crossover and mutations of ga are performed on the pso population, which is useful for improving the overall optimal ability of particles and causing the algorithm to deviate from the local optimal point. two different ieee standard test networks are tested under different load scenarios to analyze the proposed model. the results reveal the performance of the proposed model.