تولید ذرات اولیه مطابق با لیست حق تقدم(ماتریسH*N )
توزیع اقتصادی بار با روش

ارزیابی جمعیت و محاسبه میزان شایستگی
شایستگی ذره بهتر از شایستگیP-best است؟
به روز کردن
شایستگی ذره بهتر از شایستگیG-best است؟
به روز کردن
تغییر سرعت ذره
تغییر موقعیت ذره
آیا آخرین تکرار است؟
شکل۳‑۵: فلوچارت کاهش سناریو

الگوریتم اجتماع ذرات(^[۵۵]PSO)

یک تکنیک بهینه­سازی مبتنی بر قوانین احتمال است که توسط دکتر راسل ابرهارت^[۵۶] و دکتر جیمز کندی^[۵۷] در سال ۱۹۹۵ ارائه شد و از رفتار اجتماعی پرندگان یا ماهی‌ها در پیدا کردن غذا، الهام گرفته شده است [۲۳] . فرض بر این است که یک گروه از پرندگان به صورت تصادفی در یک منطقه به دنبال غذا می‌گردند در حالی که تنها در یک قسمت از ناحیه جستجو، غذا وجود دارد. پرندگان از مکان غذا اطلاعی ندارند و تنها میزان فاصله خود تا آن محل را می‌دانند. استراتژی بکار رفته این است که پرندگان به دنبال پرنده ای حرکت می‌کنند که نزدیک‌ترین فاصله را تا غذا دارد [۲۳]. در PSO هر جواب مسئله، یک پرنده در فضای جستجو است که ذره نام گرفته است. هر ذره دارای یک مقدار شایستگی است که توسط تابع شایستگی مسئله بدست می‌آید. پرنده ای که به غذا نزدیک‌تر است، شایستگی بیشتری دارد. این الگوریتم ماهیت پیوسته دارد و در کارهای متعدد کارایی خود را ثابت کرده است. امروزه این الگوریتم در بسیاری از کاربردها استفاده می‌شود.

استراتژی حل مسئله با الگوریتم PSO

PSO با یک گروه از جواب‌های تصادفی (ذره‌ها) شروع به کار می­ کند، سپس برای یافتن جواب بهینه در فضای مسئله با به روز کردن نسل‌ها به جستجو می‌پردازد. هر ذره به صورت چند بعدی (بسته به طبیعت مسئله ) یا دو مقدار و که به ترتیب معرف وضعیت مکانی و سرعت مربوط به بعد jام از iامین ذره هستند تعریف می‌شود. در هر مرحله از حرکت جمعیت، هر ذره با دو مقدار بهترین به روز می‌شود[۲۳]. اولین مقدار، بهترین جواب از لحاظ شایستگی است که تاکنون برای هر ذره به طور جداگانه بدست آمده است. مقدار شایستگی برای هر ذره به طور جداگانه بدست آمده است ( مقدار شایستگی باید ذخیره شود ) این مقدار P-best نامیده می‌شود.

مقدار بهترین دیگری که توسط PSO بدست می‌آید، بهترین مقداری است که تاکنون توسط تمام ذره‌ها در میان جمعیت بدست آمده است این مقدار بهترین کلی است و G_best نام دارد.

جمعیت اوّلیه

پس از دریافت ورودی‌های مورد نیاز، نخستین اقدام برای حل مسئله، تشکیل جمعیت اولیه است. جمعیت اولیه (X) شامل n ذره می‌باشد که هر ذره نیز متشکل از یک ماتریس است. k تعداد کل متغیرهایی است که در تابع بهینه­سازی مؤثر می‌باشند. در این پروژه مقدار k برابر ۱۱ می­باشد، که ۱۰تا مربوط به روشن و خاموش بودن واحدها با سوخت فسیلی و یکی مربوط به شارژ و دشارژ تجمیع خودروهای الکتریکی است. سپس کلیه قیود سیستم برای آن جمعیت بررسی می‌شود. در صورتی که قید یا قیودی نقض شده باشد درایه (و یا درایه­های) مورد بررسی به مقدار قابل قبول تصحیح می‌گردند. در این پروژه یک جمعیت اولیه ممکن بر اساس لیست حق تقدم تشکیل شده و اگر قیدی در آن رعایت نشده باشد این قید اصلاح می­ شود.
(۳-۲۳)
که در آن
(۳-۲۴)

سرعت اولیه

گام بعدی برای حل مسئله، تشکیل سرعت اولیه است. برای این کار دو جمعیت اولیه تشکیل می‌گردد. ماتریس سرعت اولیه از تفریق دو جمعیت اولیه به دست می‌آید.
(۳-۲۵)

ارزیابی شایستگی

پس از تشکیل جمعیت اولیه و سرعت اولیه باید میزان شایستگی هر ذره مورد ارزیابی قرار گیرد. میزان شایستگی هر ذره در هر جمعیت بر اساس یک تابع ارزیابی مورد بررسی قرار می‌گیرد. در این پایان نامه رابطه (۳-۱۲) و (۳-۱۳) همان تابع ارزیابی مذکور می‌باشد. بر این اساس ماتریستی تعریف شده است که شامل n مقدار شایستگی برایn ذره در هر جمعیت می‌باشد.
پس از محاسبه شایستگی هر ذره نوبت به تعیین مقادیر G_best , P_ best می‌رسد.
(۳-۲۶)
(۳-۲۷)

بروز رسانی سرعت و موقعیت

بعد از یافتن دو مقدار P_best و G_best هر ذره سرعت و مکان جدید خود را طبق روابط زیر به روز می‌کند:
(۳-۲۸)
(۳-۲۹)
در شکل زیر نحوه بروزرسانی سرعت و موقعیت نشان داده شده است. در ضمن در روابط بالا w وزن اینرسی، و عوامل یادگیری ( یا ضرایب شتاب ) و randیک عدد تصادفی در بازه (۰ ۱) است. برای جلوگیری از واگرائی الگوریتم، مقدار نهایی سرعت هر ذره محدود می‌شود.

شکل۳‑۶: به روز شدن سرعت و موقعیت یک ذره
معمولاً برابر با و عددی بین ۱٫۵ تا ۲ می‌باشد. همگرایی شدیداً به مقدار w وابسته است و بهتر است به صورت دینامیک تعریف شود (در بازه ۰٫۸تا ۰٫۲) ، بدین ترتیب که به صورت خطی در طی روند تکامل جمعیت، کاهش یابد. در ابتدا w باید بزرگ باشد تا امکان یافتن جواب‌های خوب در همان مراحل اولیه فراهم شود و در مراحل پایانی کوچک بودن w همگرایی بهتری را سبب می‌شود. می‌توان این کاهش را به صورت یکی از روابط زیر تعریف کرد[۳۰].

(۳-۳۰)
(۳-۳۱)

جمع­بندی

در این فصل به معرفی مسئله برنامه­ ریزی و کنترل تولیدات پراکنده در ریزشبکه هوشمند پرداخته شد. در ابتدای فصل ابتدا مسئله برنامه­ ریزی مشارکت واحدها پرداخته و قیود مسئله بیان شد. سپس به بیان عدم قطعیت پرداخته و نحوه مدلسازی آن برای عوامل تصادفی بیان می­ شود و نهایتا از الگوریتم اجتماع ذرات به عنوان یک الگوریتم با دقت و سرعت بالا برای حل مساله برنامه‌ریزی و کنترل تولیدات پراکنده استفاده شده است.

فصل چهارم
شبیه‌سازی و بررسی نتایج

مقدمه

در این پایان نامه سعی می­ شود ضمن پرداختن به اصل طراحی روش­های برنامه­ ریزی و مدیریت هوشمند انرژی با معرفی یک ریز شبکه نمونه که شامل طیف وسیعی از منابع تولید پراکنده است، ارائه روش­های هوشمند مدیریتی، کنترلی تولید و ذخیره انرژی بررسی گردد. در ریز شبکه نمونه منابع تولیدی مختلفی اعم از تجدیدپذیر و مرسوم نظیر توربین­های بادی، سلول­های خورشیدی، دیزل ژنراتور و میکروتوربین استفاده شده است که امکان تبادل انرژی با یکدیگر را نیز دارا می­باشند و مجموعه ­ای از بارها را تغذیه می­نمایند. برای عملکرد بهتر شبکه ادوات ذخیره کننده انرژی نظیر باتری­ها نیز استفاده شده ­اند. در واقع مجموعه وظایف فوق همان کنترل تولیدات پراکنده در ریزشبکه هوشمند می‌باشد.
به منظور انجام شبیه سازی و بدست آوردن نتایج یک ریزشبکه استاندارد درنظر می‌گیریم. همان طور که در ریز شبکه‌ی مفروض از تکنولوژی‌های میکروتوربین، دیزل ژنراتور، فتوولتاییک، توربین بادی، باتری‌های ثابت و متحرک(خودروهای هیبریدی) تشکیل شده است.