تخصیص ظرفیت مطلوب منابع خورشیدی به منظور دستیابی به حداکثر سطح نفوذ و بهبود پروفایل ولتاژ در سیستم توزیع

مسئله تعیین ظرفیت و موقعیت بهینه منابع تولید پراکنده یکی از موضوعات بااهمیت در طراحی و بهره‌برداری از سیستم‌های قدرت می‌باشد. برای پوشش دادن به این موضوع، در این مقاله یک مدل جدید چندهدفه برای تخصیص بهینه منابع خورشیدی در سیستم‌های توزیع شعاعی مبتنی بر توابع اهدافی مانند بهبود پروفیل ولتاژ، کاهش تلفات و حداکثرسازی سطح نفوذ پیشنهاد شده است. مقادیر بهینه به عبارتی، ظرفیت منابع خورشیدی جهت برآورده نمودن پروفایل ولتاژ بهینه و تلفات کمینه تحت سطوح نفوذ بالای این منابع به دست آمده است. نظر به اینکه، این توابع در تضاد یکدیگر بوده، برای حل همزمان آنها یک الگوریتم توسعه یافته چند هدفه گرگ خاکستری پیشنهاد شده است. نسبت به سایر روش‌های حل مسائل چندهدفه، روش بهینه‌سازی چندهدفه گرگ خاکستری پیشنهادی قابلیت بسیار بالایی در حل مسائل چندهدفه و یافتن جبهه‌های پارتو دارد و از قرار گرفتن در بهینگی‌های محلی جلوگیری می‌نماید. علاوه بر این به منظور ارتقای قابلیت‌های روش گرگ خاکستری از روش سلسله مراتبی اجتماعی تصحیح شده برای کاهش زمان حل و بهبود ماتریس تخصیص استفاده شده است. در نهایت، روش پیشنهادی و مدل مورد نظر بر روی یک سیستم استاندارد در شرایط کاری مختلف مورد ارزیابی قرار گرفته است. نتایج به دست آمده نشان داده که روش پیشنهادی در مقایسه با سایر الگوریتم های چند هدفه توانسته پروفیل ولتاژ را در حد قابل قبولی نگه داشته و تلفات را به صورت قابل ملاحظه ای کاهش دهد. برای سطوح نفوذ کم تا متوسط، تلفات تمایل به کاهش یافتن تا رسیدن به مینیمم مقدار را داشته و برای سطوح نفوذ بالاتر از 100 درصد، تلفات افزایش می‌یابد. همچنین در سطح نفوذ 300 درصد کارائی سیستم از منظر پروفایل ولتاژ با استفاده از تخصیص بهینه حدود 12 درصد بهبود یافته است که این نشانگر کارائی بسیار مناسب روش پیشنهادی حتی در سطوح نفوذ بالا می باشد. علاوه بر این اثبات گردید در مقایسه با سایر روش‌های بهینه‌سازی چندهدفه روش پیشنهادی دارای عملکرد مناسبی از منظر پارامتر فاصله نسل معکوس بوده است.

optimal capacity allocation of solar resources in order to maximize penetration level and improve voltage profile of distribution system

the problem of determining the optimal capacity and location of distributed generation resources is one of the important topics in the design and operation of power systems. to address this issue, this paper proposes a multi-objective developed model for optimal allocation of solar resources in radial distribution systems based on objective functions such as improving voltage profile, reducing losses, and maximizing penetration level. the optimal values, in other words, the capacity of solar resources to meet the optimal voltage profile and minimize losses under high penetration levels of these resources, have been obtained. since these objectives are conflicting, a multi-objective developed algorithm called gray wolf optimizer has been proposed to solve them simultaneously. compared to other multi-objective problem-solving methods, the proposed gray wolf optimizer demonstrates a high capability in solving multi-objective problems and finding pareto fronts, while avoiding local optima. additionally, in order to enhance the capabilities of the gray wolf optimizer, a social hierarchy-based modified method has been employed to reduce solution time and improve the allocation matrix. finally, the proposed method and the intended model have been evaluated on a standard system under various operating conditions. the obtained results show that the proposed method has been able to maintain an acceptable voltage profile and significantly reduce losses compared to other multi-objective algorithms. for low to medium penetration levels, losses tend to decrease until reaching a minimum value, and for penetration levels above 100%, losses increase. furthermore, at a penetration level of 300%, the efficiency of the system has improved by about 12% in terms of voltage profile using the optimal allocation, indicating the excellent efficiency of the proposed method even at high penetration levels. additionally, it has been demonstrated that in comparison to other multi-objective optimization methods, the proposed method has performed well in terms of the inverted generational distance parameter.