شبیه سازی جایابی منابع تولید پراکنده با الگوریتم مورچگان برای شبکه 33 باسه

ant

جایابی منابع تولید پراکنده با الگوریتم کلونی مورچگان

منابع تولید پراکنده می توانند تا حد زیادی باعث کاهش تلفات کل شبکه و بهبود پروفیل ولتاژ شبکه گردند. حال جایابی DG ها از اهمیت زیادی برخوردار است. اگر جایابی درست و حسابی نباشد نه تنها بهبودی حاصل نمی شود ، بلکه مشکلات عمده ای نیز برای شبکه ایجاد خواهد شد. الگوریتم های بهینه سازی مختلفی برای جایابی بهینه منابع تولید پراکنده مورد استفاده قرار می گیرند. یکی از الگوریتم های قوی در زمینه بهینه سازی مربوط به الگوریتم مورچگان می باشد. در این محصول جایابی منابع تولید پراکنده توسط الگوریتم مورچگان بر روی شبکه 33 باسه که در شکل زیر مشاهده می کنید انجام شده است:

جایابی منابع تولید پراکنده
جایابی منابع تولید پراکنده

 

جایابی بهینه منابع تولید پراکنده با الگوریتم  کلونی مورچگان در متلب

اگر به صورت ساده بخواهیم مکان یابی منابع تولید پراکنده را مورد بررسی قرار دهیم. شاید لازم باشد بیش از میلیاردها حالت را برای یافتن مکان و اندازه بهینه مورد بررسی قرار دهیم. بخاطر محدودیت زمانی نیاز است تا از الگوریتم های بهینه سازی برای یافتن پاسخ استفاده نماییم. لذا از الگوریتم های بهینه سازی در مسائل مکان یابی استفاده می شود. الگوریتم مورچگان از نحوی یافتن غذای مورچه ها الهام گرفته شده است. بسیار مشاهده نموده اید که مورچه ها تشکیل یک صف برای یافتن طعمه ی خود ایجاد نموده اند. مطمئن باشید این مسیر کوتاه ترین مسیری است که مورچه ها برای یافتن غذا به دست آورده اند. مورچه ها از مسیرهای مختلف برای یافتن غذا استفاده می کنند و در مسیر خود فرومون ریزی می کنند. از طرفی مقداری از فرومون ها دچار تبخیر می گردد و مورچه ها مسیر خود را براساس فرومون انتخاب می کنند. در نهایت مورچه ای که کوتاه ترین مسیر را پیدا کرده است در مسیرش به دلیل کم تر بودن زمان رفت و برگشتش بیشترین فرومون باقی مانده است. بعد از مدتی می بینیم همه ی مورچه ها از این مسیر استفاده می کنند. دقیقا مثل همین اتفاق برای جایابی DG نیز اتفاق می افتد. مکان یابی منابع تولید پراکنده برای شبکه ی 33 باسه بدین صورت است که همه ی شین ها به عنوان طعمه قرار داده شده اند ولی مقادیر این شین ها و نوع طعمه فرق می کند. الگوریتم مورچگان بهترین مکان ها را که باعث کاهش تلفات شبکه می شوند و مقدار ظرفیت آن ها را در مکان یابی DG پیدا کرده و بعنوان جواب بهینه انتخاب می کنند.

در نهایت بعد از جایابی منابع تولید پراکنده همانطور که انتظار می رفت پروفیل ولتاژ دچار بهبود گردد ، نمودار پروفیل ولتاژ بهبود یافته به دست می آید. این نمودار نشان دهنده ی قبل و بعد از جایابی DG است که رنگ سبز نشان دهنده ی پروفیل ولتاژ بعد از مکان یابی منابع تولید پراکنده می باشد که با بهبودی همراه است.

جایابی DG با مورچگان
جایابی DG با مورچگان

از طرف دیگر در اکثر مقالات از نمودار همگرایی مربوط به الگوریتم های بهینه سازی نیز استفاده می شود. این نمودار نشان هنده ی کاهش میزان تابع هدف (تلفات شبکه در این محصول) در هر بار تکرار می باشد. در واقع نشان می دهد که در هر بار تکرار این مقدار با کاهش همراه بوده و بعد از چند بار تکرار ثابت مانده است.

جایابی DG با مورچگان
جایابی DG با مورچگان

در حالت کلی این محصول حاوی فایل های متلب مربوط به بدنه ی اصلی الگوریتم مورچگان ، و تابع هدف شامل پخش بار پسرو پیشرو شبکه 33 باس و … بوده و نحوه ی اجرا و ران کردن ، همچنین تغییرات بر روی اعضا و تعداد تکرار در فایل ویدیویی موجود در آن نشان داده شده است.

محصولات مشابه

پخش بار شبکه های شعاعی به روش پسرو – پیشرو ، آموزش + کدنویسی

شبیه سازی جایابی بهینه منابع تولید پراکنده با الگوریتم ژنتیک برای شبکه 33 باسه + کد

شبیه سازی جایابی خازن و منابع تولید پراکنده با الگوریتم ژنتیک

شبیه سازی جایابی DG با الگوریتم PSO برای شبکه 33 باسه

 

محتوی بسته : m فایل های مربوط به الگوریتم مورچگان برای جایابی dg به صورت همزمان در متلب

تومان ۲۵,۰۰۰ تومان ۲۰,۰۰۰

دیدگاهها

ارسال دیدگاه

ایمیل شما نمایش داده نخواهد شد.