وبلاگ

 
 

 

 

1-1- اهمیت مسئله

 

 

 
اولین و اصلی­ترین قدم در بهره­برداری، برنامه­ریزی و طراحی سیستم­های قدرت داشتن اطلاعات کافی از شرایط شبکه قدرت، شامل توان­های عبوری از خطوط و ولتاژ باس­ها در حالت دائمی است. داشتن چنین اطلاعاتی نیازمند انجام پخش بار در شبکه قدرت است. ضرورت انجام مطالعات پخش بار از دیر باز مورد توجه محققین بوده است، به طوری که همه ساله روش­ها و الگوهای جدیدی جهت بهبود روش­های موجود پخش بار ارائه می­گردد. روش­های مختلف پخش بار به صورت گسترده­ای برای مطالعات برنامه­ریزی و بهره­برداری در شبکه قدرت استفاده می­شود.
ابزار پخش بار با پاسخ به ورودی­های توان تزریقی ژنراتور، بار و توپولوژی شبکه، متغیرهای حالت شبکه و توان­های عبوری از خطوط را در خروجی محاسبه می­کند. در پخش بار قطعی[1] سیستم قدرت، مقادیر توان­­های تولیدی ژنراتورها و مصارف بارهای سیستم و همچنین توپولوژی شبکه به صورت کاملا مشخص در نظر گرفته می­شوند. بنابراین این روش نمی­تواند عدم قطعیت موجود در بار سیستم، نرخ خروج ژنراتورها از مدار و همچنین تغییرات توپولوژی شبکه را مدل نماید. در حالی که متغیرهای حالت سیستم به دلیل احتمالی بودن بارها، خطای پیش­بینی بار و تخمین غیر دقیق پارامترهای سیستم، دارای طبیعت متغیر است. روش پخش بار احتمالی[2]، راه حل موثری جهت ورودی­های غیر قطعی با دانستن مشخصات آماری آن­ها می­باشد.
با تحول در سیستم­های قدرت به دلیل نفوذ منابع انرژی پراکنده و عدم کنترل بر روی محرک­های طبیعی در برخی از این منابع، همانند توربین­های بادی و سیستم­های فوتوولتائیک[3]، یک پخش بار معمولی، متغیرهای حالت سیستم را در یک بازه زمانی محدود معین می­کند. با گسترش تولیدات پراکنده در شبکه قدرت، کاربرد سری زمانی تولید و مصرف در آنالیز پخش بار می­تواند مفید باشد، زیرا داده­های تولید و مصرف در یک دوره زمانی به دست می­آیند و می­توانند به صورت یک سری زمانی نوشته شوند ]1[.
در یک سیستم قدرت بارها تغییر می­کنند و توزیع آماری و ارتباط بین آن­ها باید مدل شود. بر خلاف آنالیز پخش بار احتمالی که داده­های ورودی آن­ها از توزیع­های آماری حاصل می­شود، در این جا از سری زمانی تولید و مصرف به طور مستقیم استفاده می­گردد. در این تحقیق سعی بر معرفی پخش بار سری زمانی و همچنین استفاده از مدلسازی سری زمانی برای برخی پارامترهای با ماهیت گسسته همچون تپ ترانس، وضعیت بانک های خازنی و توان خروجی واحدهای تولید پراکنده [4]CHP در سیستم قدرت می باشد.
 
 

 

 

1-2- پخش بار احتمالی

 

 

 
برای در نظر گرفتن موارد عدم قطعیت در سیستم­های قدرت، همان­طور که پیشتر نیز گفته شد روش­های مختلفی بر مبنای ریاضیات آماری برای آنالیز این پدیده­های تصادفی پیشنهاد شده که به سه صورت کلی زیر است:

 

 

 

• روش­های احتمالی[5]

 

 

• روش فازی[6]

 

 

• آنالیز بازه­ای[7]

 

 

روش­های احتمالی در این میان دارای مبانی ریاضیاتی است و در جنبه­های دیگر سیستم قدرت نیز استفاده می­شود.
پخش بار احتمالی ابتدا در سال 1974 توسط آلن[8] و برکوسکا[9] پیشنهاد شد و سپس در بهره­برداری از سیستم­های قدرت و برای برنامه­ریزی­های کوتاه مدت و بلند مدت از آن استفاده شد ]2[.
در پخش بار احتمالی و در حالت کلی، ورودی­های مسئله به صورت تابع توزیع چگالی[10] یا تابع توزیع تجمعی[11] متغیرهای تصادفی است

 و در خروجی نیز متغیرهای حالت سیستم و توان­های عبوری از خطوط به صورت PDF یا CDF خواهند بود، بنابراین عدم قطعیت در این حالت می­تواند در نظر گرفته شود.

مسئله پخش بار احتمالی می­تواند به یکی از سه روش کلی زیر حل شود:

 

 

 

• روش­های عددی[12] که بارزترین مثال آن روش مونت کارلو[13] است.

 

 

• روش­های تحلیلی[14] که به عنوان مثال از تکنیک کانولوشن[15] استفاده می­شود.

 

 

• روش­های تقریبی[16] که از آن جمله می­توان به تخمین نقطه­­ای[17] اشاره کرد.

 

 

البته در برخی موارد از ترکیب روش­های فوق نیز استفاده شده است.
در ادامه به موازات تکنیک PLF تکنیک مشابه پخش بار اتفاقی[18] نیز برای حل مسئله پخش بار مورد استفاده قرار گرفت ]3[. این روش بر پایه فرض نرمال بودن متغیرهای سیستم و توان­های عبوری از خطوط استوار بود که موجب ساده­تر شدن محاسبات می­گردید، اما در ادامه پاسخ­های این روش توسط محققان مورد استناد قرار نگرفت. الگوریتم SLF با در نظر گرفتن عدم قطعیت لحظه­ای تولید و مصرف، عدم قطعیت را به صورت کوتاه مدت مدل می­کند و بیشتر برای اهداف بهره­برداری مناسب است.
 
 
   1-2-1-­ روش­های عددی
 
در روش­های عددی مانند مونت کارلو، در هر مرحله با جایگزینی مقادیر عددی برای متغیرها و پارامترهای سیستم و انجام پخش بار قطعی برای هر تکرار، خروجی نیز به صورت مقادیر عددی خواهد بود.
دو ویژگی مهم در شبیه­سازی مونت کارلو تولید اعداد تصادفی و نمونه­برداری از آن­ها می­باشد. نرم­­افزارهایی مانند متلب[19] الگوریتم­هایی را برای تولید اعداد تصادفی ایجاد کرده­اند. اما تکنیک نمونه­برداری تصادفی پیچیدگی­های بیشتری دارد و روش­های متنوعی چون نمونه برداری ساده و Stratified Sampling استفاده می­شود ]4[.
چون در روش مونت کارلو ترکیب­های مختلفی از ورودی­ها در هر تکرار انتخاب می­شوند و از معادلات غیر خطی در حل مسئله استفاده می­شود، بنابراین از نتایج حاصل از روش مونت کارلو معمولا برای بررسی درستی سایر روش­ها که ساده­سازی­هایی را در معادلات در نظر می­گیرند، استفاده می­شود. مهمترین مشکلات روش مونت کارلو زمان­بر بودن و نیاز به انجام تعداد شبیه­سازی­های زیاد است.
[1] Deterministic Load Flow (DLF)
[2] Probabilistic Load Flow (PLF)
[3] Photovoltaic Distributed Generation (PV)
[4] Combined Heat and Power Distributed Generation
[5] Probabilistic Approach
[6] Fuzzy Sets
[7] Interval Analysis
[8] Allan
[9] Borkowska
[10] Probability Density Function (PDF)
[11] Cumulative Distribution Function (CDF)
[12] Numerical Approach
[13] Mont Carlo (MC)
[14] Analytical Approach
[15] Convolution
[16] Approximation Method
[17] Point Estimate
[18] Stochastic Load Flow (SLF)
[19] Matlab
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***

 

 

متن کامل را می توانید دانلود نمائید

 

 

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

 

 

ولی در فایل دانلودی متن کامل پایان نامه

 

 

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

 

 

موجود است