إرسال الطاقة الكهربائية التفاعلية في نظام النقل وتقليل الفاقد

أهمية إرسال الطاقة الكهربائية التفاعلية في نظام النقل وتقليل الفاقد

يتطلب توليد الطاقة عن بُعد نقلاً مثالياً من رؤوس التوليد الكهربائي إلى مراكز التحميل، حيث إن النقل غير السليم للطاقة التفاعلية إلى مراكز التحميل له تأثير سلبي وضار على استقرار نظام الطاقة، في نظام الطاقة الحديث أصبح التحكم في القدرة التفاعلية قضية حاسمة، لأن أي سوء إدارة للقدرة التفاعلية من شأنه أن يعرض سلامة النظام للخطر.

وعلاوة على ذلك، بعد إضافة مصادر الطاقة الموزعة، بحيث أصبحت القدرة التفاعلية لنظام الطاقة مسألة غير مؤكدة، كما أن الهدف من (ORPD) هو تحسين جودة نظام الطاقة والضبط الأمثل للقيم الممكنة لمتغيرات القرار (الفولتية الموزعة وأشرطة المحولات ومعوضات الطاقة التفاعلية)، مما يقلل الخسائر الكهربائية في نظام الطاقة بشكل أكبر.

حيث أن (ORPD) هي مشكلة غير خطية وغير محدبة تتكون من متغيرات مستمرة ومنفصلة، كما إن جهد ناقل المولد عبارة عن أشرطة متغيرة مستمرة وشرائط المحولات الكهربائية ومعوضات الطاقة التفاعلية (مكثف) متغيرة منفصلة، وسابقاً تم حل (ORPD) بواسطة الخوارزميات الكلاسيكية، بحيث تتضمن هذه الخوارزميات الكلاسيكية البرمجة الخطية والبرمجة غير الخطية والبرمجة التربيعية والبرمجة التربيعية المتسلسلة وطرق النقطة الداخلية.

ولسوء الحظ؛ فإن هذه الخوارزميات لها عيوب عديدة مثل الحساسية للبحث الأولي وطبيعة عدم التحدب، وفي السنوات الأخيرة، وكبديل للخوارزميات الكلاسيكية؛ فإنه تم استخدام العديد من التقنيات الوصفية لحل المشكلات الهندسية المعقدة، وعلى الرغم من أن هذه التقنيات (metatheuristic)، قد وفرت حل (ORPD) إلى حد معين؛ إلا أنه لا يزال هناك مجال كافٍ للتحسين في المنهجية.

وفي الدراسات، اقترح العديد من الباحثين تقنيات التلوي الاستكشافية لتحل محل الخوارزميات الكلاسيكية لحل مشكلة التحسين العالمية، بحيث يمكن تصنيف خوارزميات الكشف عن مجريات الأمور على أنها خوارزميات تطورية وخوارزميات ذكاء السرب وخوارزميات قائمة على الظواهر الفيزيائية وخوارزميات التحسين القائمة على الذكاء البشري كما هو موضح في الشكل التالي (1).

خوارزمية الجيب وجيب التمام الخاصة بإرسال الطاقة التفاعلية

تم اقتراح (SCA) بواسطة (Mirjalili)، وذلك على أنها تقنية ذكاء سرب يتم فيها تحديد عدد وكلاء البحث والحد الأعلى والأدنى وحجم الخطوة في البداية، ومن ثم بدلاً من الدخول في مرحلة استكشاف عالية؛ فإنها تبحث عن أفضل حل بين مساحة البحث المحددة لدينا، بحيث تعتبر تقنيات القاعدة الفردية مشكلة التحسين كصندوق أسود، أي أن النموذج الرياضي لنماذج التحسين هذه غير مطلوب.

كما وتختلف نماذج التحسين هذه فقط في المدخلات وتراقب المخرجات لتعظيمها أو تصغيرها، واعتماداً على أفضل ناتج تم الحصول عليه حتى الآن ( استجابة)، ومن ثم فهي قابلة للتطبيق بسهولة على المشاكل الصعبة الحقيقية، وعلاوة على ذلك تقوم (SCA) بالتبديل بين الاستكشاف والاستغلال بسلاسة باستخدام النطاق التكيفي، لذلك هناك ميل للحصول على أفضل أفضل مقارنة بالتقنيات الأخرى التي تقع أحياناً في الوقوع في المستوى المحلي الأمثل.

كما أنه يمكن زيادة مساحة البحث في (SCA)، وذلك كما هو موضح في الشكل التالي (2)، بحيث يتم حفظ أفضل الحلول لكل تكرار ويتم تجاهل الحلول الأخرى المتبقية، وفي التكرار التالي يتم استخدام أفضل حل للتكرار السابق كمرجع أو حل أولي.

لذلك إذا كانت هناك حاجة لزيادة نطاق الاستكشاف لخوارزمية لدينا؛ فإنه يمكن تغيير متغيرات التحكم الكهربائي المستخدمة في (SCA)، بحيث ستتم مناقشة هذه المتغيرات العشوائية لاحقاً في النمذجة الرياضية لـ (SCA) المقترح ويتم استغلال مساحة البحث باستخدام المعلمات المتبقية في (SCA)، كما تظهر تفاصيل (SCA) في النطاق المحدد، أي [−2 ، 2] في الشكل السابق.

كما يصف الشكل التالي (3) تأثير تغيير نطاق وظائف الجيب وجيب التمام التي تؤدي كيفية تغيير هذا النطاق إلى نقل منطقة الحل في موقعها التالي داخل مساحة البحث أو خارجها.

كما تُستخدم الخصائص التكيفية لوظائف الجيب وجيب التمام في (SCA) للحصول على أفضل النتائج للمشكلة المطلوبة، وفيما يلي المعادلات المستخدمة في مرحلتي الاستكشاف والاستغلال في هيئة الأوراق المالية والسلع:

حيث (Xti) هو عامل البحث الحالي في البعد (ith) عند التكرار (tth) ،أما (Pti) هي نقاط الوجهة في البعد (∥)، بحيث تمثل القيمة المطلقة والمتغيرات (r1 ، r2 ، r3 ، r4) أرقام عشوائية، بحيث يتم الجمع بين المعادلتين للتبديل بين دالة الجيب وجيب التمام كما هو موضح أدناه:

حيث:

حيث أن (t = رقم التكرار)، (T = عدد التكرارات)، (r2 = 2 ∗ pi ∗ رقم عشوائي)، (r3 = 2 ∗) رقم عشوائي، كما أن (r1 ، r2 ، r3 ،r4) مسؤولة عن سلوك منحنى التقارب، كذلك (r1) مسؤول عن اتجاه (حركة) وكلاء البحث المعروفين بمرحلة الاستكشاف، بحيث يحدد (r2) أفضل حل ممكن (استغلال) حول أفضل حل متاح، و(r3) هو مرجح تعسفياً للتأكيد على منطقة الحل وتقليلها، أما (r4) هي المسؤولة عن التناوب المتساوي بين وظائف الجيب وجيب التمام.

تطبيق SCA على مشكلة ORPD

يتم تنفيذ (SCA) لإيجاد الحل الأمثل لإرسال الطاقة التفاعلية، بحيث يتم أخذ القيم المثلى لمتغيرات التحكم في الاعتبار لتقليل خسائر الإرسال، وذلك كما هو الحال في مخطط التدفق الموضح في الشكل السابق وخطوات حل مشكلة (ORPD) موضحة أدناه:

• تحديد العدد ووكلاء البحث والعدد من التكرارات.

• تهيئة وكلاء البحث (متغيرات التحكم) ضمن النطاق المسموح به، مثل الفولتية الموزعة وشرائط المحولات ومعوضات (KVAR).

• يتم تعيين متغيرات التحكم في بيانات تدفق الحمل الكهربائي.

• يتم استخدام (MATPOWER) لإجراء تحليل تدفق الحمل على أنظمة (IEEE)، كما ويتم حساب فقد الطاقة.

• حفظ الحل الأفضل وتجاهل الحلول المتبقية.

• يتم تطبيق الخوارزمية المقترحة لتحديث أفضل وكلاء البحث.

• التحقق مما إذا كان متغير التحكم ينتهك القيد أو عاقبه أو الانتقال.

• يتم تقييم وظيفة فقد الطاقة باستخدام المعادلات السابقة.

• استمرار العملية حتى تفي معايير التوقف.

وأخيراً تقترح هذه الدراسة نظام (SCA) ذكي قائم على السرب لحل مشكلة (ORPD)، وفي هذا العمل تم تصميم (ORPD) لتقليل الخسائر في نظام الطاقة مع مراعاة كل من القيود المستقلة، بحيث تستخدم (SCA) السلوك المرن لوظائف الجيب وجيب التمام التي تنتقل بسلاسة من مرحلة الاستكشاف إلى مرحلة الاستغلال.

كما يتم استخدام ثلاثة أنظمة طاقة قياسية (أي نظام 14 و 30 و 57 ناقلاً)، وذلك للتحقق من أداء وكفاءة الخوارزمية المقترحة، وللتحقق من تفوق الخوارزمية المقترحة على التقنيات الحالية؛ فإنه تتم مقارنة النتائج التي تم الحصول عليها مع النتائج المنشورة بالفعل في العمل البحثي ذي الصلة، بالإضافة إلى ذلك يتم إجراء التحليل الإحصائي على النتائج التي تم الحصول عليها عن طريق خوارزمية (SCA) المقترحة وكذلك (DE) و (PSO) و (WOA).

كما أظهرت النتائج أن (SCA) قد حققت أدنى موقع عالمي مع تكرار أقل ووقت أقل مقارنة بالخوارزميات المطبقة الأخرى، وبذلك أثبت التحليل تفوق ونجاح الخوارزمية المقترحة في حل مشكلة (ORPD)، وبالإضافة إلى ذلك، عند مقارنة (SCA) بالتقنيات التلوية الأخرى التي تم نشرها بالفعل في الدراسات؛ فإنها تحقق نتائج أفضل.