Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Sadržaj:
1. Uvod..........................................................................................................................................2
2. Naponski profili u distributivnoj mreži................................................................................3
2.1 Karakteristike distributivne mreže (konfiguracija, parametri, naponski nivoi).................3
2.1.1 Konfiguracija distributivnih mreža...............................................................................4
2.2 Regulacija napona u distributivnoj mreži..........................................................................8
2.2.1 Hijerarhijska struktura upravljanja naponima i reaktivnim snagama...........................9
2.2.2 Naponsko-reaktivni regulacioni resursi......................................................................10
2.3 Baterija kondenzatora (fiksna i promjenljiva).................................................................12
2.4 Uređaji za dinamičku korekciju faktora snage................................................................13
3. Metode za višeparametarsku optimizaciju.........................................................................15
3.1 Savremene metode...........................................................................................................15
3.1.1 Egzaktne metode.........................................................................................................16
3.1.2 Heurističke metode.....................................................................................................19
3.1.3 Napredni proračuni.....................................................................................................20
3.2 Genetski algoritam...........................................................................................................21
4. Program u Matlab-u za određivanje optimalnog rasporeda baterija kondenzatora u
distributivnoj mreži.....................................................................................................................25
4.1 Opis algoritma.................................................................................................................25
4.1.1 Fitnes funkcija.............................................................................................................26
4.2 Primjer analiza (realna 10 kV mreža)..............................................................................26
5. Zaključak...............................................................................................................................35
6. Literatura:.............................................................................................................................36

1
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

1. Uvod

Elektroenergetski sistem (EES) je složeni, dinamički sistem velike dimenzionalnosti, čija

je prevashodna funkcija da sigurno, pouzdano i ekonomično snadbijeva potrošače dovoljnim
količinama kvalitetne električne energije. Elektrodistributivni sistem je jedan od djelova EES-a i
predstavlja skup međusobno povezanih elektroenergetskih objekata: malih elektrana, razvodnih
postrojenja, transformatorskih stanica i elektroenergetskih vodova, izgrađenih na teritoriji na
kojoj su locirani potrošači i u njenoj bližoj okolini sa ciljem obezbjeđenja potrebne količine
kvalitetne električne energije za svakog potrošača konzuma. Kvalitet električne energije definišu
kontinuitet napajanja, sadržan kroz komponente sigurnog i pouzdanog napajanja, i kvalitet
frekvencije (učestanosti) i napona napajanja.
Obaveza Elektroenergetskog sistema je da svojim potrošačima obezbijedi napajanje uz
eventualne promjene napona unutar dozvoljenih granica. U distributivnim mrežama ova
odstupanja su određena pogonskom sigurnošću potrošača. Ta odstupanja najčešće iznose +/-10%
za niskonaponsku mrežu i +/-5% za srednjenaponsku mrežu. Naponske prilike u samoj mreži
zavise od njene konfiguracije. Razvojem EES-a nastalo je nekoliko tipova konfiguracija
distributivnih mreža. One se razlikuju po naponskim prilikama, gubicima i vijeku trajanja
vodova. Kod prstenaste i konfiguracije sa povezanim vodovima postižu se povoljne naponske
prilike i manji prenosni gubici pa je samim tim regulaciju napona lakše realizovati. Kod radijalne
i konfiguracije sa rezervnim kablom padovi napona duž vodova su veći usljed potpunog
iskorišćenja voda što za posljedicu ima loše naponske prilike i veću potrebu za regulacijom.
Regulacija napona se realizuje kroz primarnu, sekundarnu i tercijarnu regulaciju. Primarna
regulacija se realizuje uz pomoć sinhronih generatora i kompenzatora, regulacionih
transformatora i statičkih kompenzacionih sistema. Sekundarna regulacija se sprovodi po manjim
cjelinama na koje se EES može podijeliti, tako da ona ima regionalni karakter, dok tercijarna
regulacija predstavlja globalnu sistemsku regulaciju napona. Regulacioni resursi koji se koriste za
regulaciju napona se dijele na resurse za proizvodnju/apsorpciju i preraspodjelu reaktivne
energije. U ovom radu najviše pažnje će biti posvećeno otočnim kondenzatorskim baterijama
koje se zbog svoje ekonomičnosti najčešće koriste za lokalno popravljanje napona u
distributivnim mrežama. Osim toga u ovom radu realizovan je razvoj simulacionog modela u
Matlabu za realnu 10 kV mrežu, koji je spregnut sa GA kao optimizacionom tehnikom za
rješavanje složenih višeparametarskih optimizacionih problema.
Ovaj rad će biti realizovan kroz šest poglavlja. Nakon Uvoda drugo poglavlje će biti
posvećeno karakteristikama distributivnih mreža, hijerarhijskoj strukturi regulacije napona,
bateriji kondenzatora i uređajima za dinamičku korekciju faktora snage. Od metoda za
višeparametarsku optimizaciju izvdvajaju se Heurističke i Egzaktne metode koje će biti
objašnjenje u trećem poglavlju. U njemu će se uopšteno govoriti i o Genetskom algoritmu,
metodi koja se zasniva na ideji evolucije u prirodi. Primjena Matlab-a i Genetskog algoritma pri
određivanju optimalnog rasporeda baterija kondenzatora u distributivnoj mreži biće prikazani u
četvrtom poglavlju. Za optimizaciju naponskih prilika će se koristiti realna distributivna mreža
Elektrodistributivnog sistema Crne Gore.

2
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

2. Naponski profili u distributivnoj mreži

2.1 Karakteristike distributivne mreže (konfiguracija, parametri, naponski

nivoi)

Elektroenergetske mreže, kraće električne mreže čine elektroenergetski vodovi (nadzemni

i kablovski) i pripadna elektroenergetska postrojenja (transformatorska razvodna postrojenja i
rasklopna postrojenja - rasklopišta) povezani u okviru određenog naponskog nivoa ili pripadne
funkcije unutar EES. Električne mreže služe za prenos električne energije od elektrana do
konzumnih područja i krajnjih potrošača.
Podjela mreža se može izvršiti prema različitim kriterijumima, odnosno karakteristikama:
- prema naponskom nivou kome pripadaju,
- prema funkciji u jedinstvenom procesu proizvodnje, prenosa, distribucije i potrošnje
električne energije,
- prema topološkoj izvedbi, odnosno konfiguraciji,
- prema konstruktivnoj izvedbi osnovnih elemenata i dr.
-
1. Prema naponskom nivou razlikujemo:
- mreže veoma visokog napona (mreže VVN: 400, 750, 1150 kV,...),
- mreže visokog napona (mreže VN: 110, 220 kV,...),
- mreže srednjeg napona (mreže SN: 10, 20 kV, 35 kV) i
- mreže niskog napona (mreže NN: 0.4 kV).

2. Prema funkciji u jedinstvenom procesu proizvodnje, prenosa, distribucije i potrošnje

električne energije razlikujemo:
- prenosne mreže,
- napojne mreže,
- distributivne mreže i
- potrošačke mreže.
Napojne mreže su mreže najviših naponskih nivoa u okviru EDS-a. Njihova funkcija je
prenos, odnosno raspodjela električne energije od krajnjih tačaka prenosa (GTS 400/110 kV) do
pojedinih djelova konzuma, odnosno jezgara potrošnje unutar konzuma, gdje se lociraju tzv.
napojne TS (NTS, npr. NTS 110/10 kV) kao krajnje tačke napojnih mreža.
Napojne mreže se realizuju u klasi visokih napona. Karakteristični naponski nivo ovih
mreža u našim uslovima je 110 kV. U EDS-u velikih gradova (metropola) napojne mreže se
realizuju i u klasi veoma visokih napona. Karakteristične snage prenosa napojnih mreža su od
više desetina MW do više stotina MW. Karakteristične dužine vodova su od više km i više
desetina km.
Distributivne mreže su mreže EDS čija je funkcija da unutar potrošačkih područja razvode
i distribuiraju električnu energiju do samih potrošača, odnosno njihovih uređaja za registrovanje
potrošnje. To su mreže srednjeg napona (SN mreže, npr. mreže 10, 20 i 35 kV) i mreže niskog
napona (NN mreže, odnosno mreže 0.4 kV). Na nivou srednjeg napona u EDS mogu postojati

3
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

mreže jednog srednjeg napona, npr. 20 kV ili 10 kV i to su EDS direktne transformacije. Ukoliko
u okviru EDS na nivou srednjeg napona postoje mreže dva srednja napona, npr. mreže napona 10
kV i mreže napona 35 kV, onda su to EDS sa međutransformacijom. Distributivne mreže SN
distribuiraju snage reda više MW do više desetina MW. Napojne tačke distributivnih SN mreža
su N TS 110/10 kV i u našoj praksi naznačene snage prenosa su 20, 40, 63 MVA. Krajnje tačke
distributivnih mreža SN su distributivne. D TS 10/0.4 kV TR i naznačene snage prenosa su 160,
250, 400, 630, 1000, 1600 kVA.
U našoj praksi snage TR u međutransformaciji 35/10 kV iznose 4, 8, 12.5, 16 MVA.
Distributivne mreže NN su mreže napona 0.4 kV, koje polaze od distributivnih D TS 10/0.4 kV i
preko NN vodova distribuiraju električnu energiju do samih potrošača, odnosno do razvodnih
ormara (RO) sa uređajima za registrovanje potrošnje električne energije. Distributivne mreže
niskog napona prenose snagu od više desetina do više stotina kW.
3. Prema konstruktivnoj izvedbi osnovnih elemenata (elektroenergetski vodovi) mreže
se dijele na:

- vazdušne mreže i
- kablovske mreže.

Vazdušne mreže se realizuju nadzemnim elektroenergetskim vodovima. Cijene

kablovskog prenosa na najvišim naponima znatno su više (do deset puta) od onih nadzemnim
putem pa se zato napojne mreže EDS najčešće realizuju kao vazdušne. U cilju boljeg korišćenja
koridora u urbanim sredinama, u svijetu se prvenstveno grade višesistemski vodovi sa većim
brojem provodnika u snopu i različitih naponskih nivoa.
Kablovske mreže se realizuju kablovskim vodovima koji se postavljaju ispod zemlje.
Napojne mreže se izvode kao kablovske u slučaju prostornih ograničenja, urbanističkih zahtjeva,
negativnog uticaja nadzemnih vodova na okolinu, povećanih zahtjeva za pouzdanošću napajanja.
Najčešće se realizuju u obliku tzv. "dubokog uvoda", gdje se snažnim dvostrukim kablovskim
vodovima visokog napona ide do malih gradskih centara, odnosno centara potrošnje.
Distributivne mreže gradskih EDS i industrijske distributivne mreže su u osnovi kablovske.
Distributivne mreže koje napajaju udaljenija prigradska i seoska područja se realizuju kao
vazdušne. [5]

2.1.1 Konfiguracija distributivnih mreža

Prema konfiguraciji distributivne mreže se dijele na:

1. Radijalnu konfiguraciju
2. Prstenastu konfiguraciju
3. Konfiguraciju sa rezervnim kablom
4. Konfiguraciju sa povezanim vodovima - dvostrano napajanje
5. Konfiguraciju sa razvodnim postrojenjem
6. Konfiguraciju sa dvostrukim vodovima
7. Petljastu konfiguraciju

4
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

1) Radijalna konfiguracija

Svi srednjenaponski vodovi izlaze radijalno iz TS i nisu međusobno povezani, što znači da
ne mogu jedan drugom poslužiti kao rezerva. Ako dođe do prekida napajanja jednog voda u
slučaju kvara na istom, sve niskonaponske mreže napajane preko tog voda ostaju bez napajanja.
Osim toga, mana radijalne konfiguracije su loše naponske prilike na krajevima dugih vodova tj
repovima sistema.

Slika 2.1. Radijalna konfiguracija

2) Prstenasta konfiguracija

Kod prstenaste konfiguracije izvodi su spojeni rasklopnom stanicom (rasklopno mjesto),

pri čemu vodovi predstavljaju rezervu jedan drugom. U normalnom pogonu, rasklopno mjesto je
otvoreno, tako da mreža ustvari predstavlja radijalnu mrežu. Ako dođe do kvara (ili isključenja
radi održavanja) na nekoj dionici jednog od izvoda, ta dionica se isklapa sa obije strane, a
rasklopno mjesto se zatvara, tako da se dio potrošača s jednog voda (oni iza mjesta kvara) napaja
preko drugog voda.
Osnovni nedostatak prstenaste konfiguracije je relativno slabo iskorišćenje u normalnom
radu. Nepovoljan efekat je taj što pri pojavi kvara imamo beznaponsko stanje dok se ne utvrdi na
kojoj dionici je kvar i dok se ta dionica ne isključi.
Povoljnosti ove konfiguracije su mali gubici, povoljne naponske prilike, produžen vijek
trajanja kablova zbog manjeg opterećenja (reda 60% nominalnog) tokom eksploatacionog
perioda kao i postojanje rezerve u slučaju rasta opterećenja.

Slika 2.2. Prstenasta konfiguracija

5
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

3) Konfiguracija sa rezervnim kablom

Konfiguracija sa rezervnim kablom (Slika 2.3.) praktično proizilazi iz prstenaste

konfiguracije. Ona je zapravo nastala iz konfiguracija otvorenih prstenova. Naime, kada, zbog
porasta opterećenja, dođe do punog opterećenja poluprstenova, rješenje sa rezervnim kablovima
se nameće kao pogodno, kao sistem boljeg iskorišćenja kod kojeg se na mjesto otvorenih
prstenova direktno dovodi rezervni kabl. Obično se realizuje sa odnosom 4:1 (4 radna i 1 rezervni
kabl) što, pod pretpostavkom opterećivanja radnih kablova do pune pojedinačne termičke
granice, znači prosječno iskorišćenje: i=4/5=0.8>0.6. Rezervni kabl je po pravilu identičan sa
radnim kablovima i u normalnom pogonu neopterećen, ali pod naponom da bi se mogao
registrovati eventualni kvar na njemu.

Slika 2.3. Konfiguracija sa rezervnim kablom

Očigledno je da, investiciono, ova konfiguracija ima određene prednosti nad prstenastom
konfiguracijom:
- veće iskorišćenje,
- manji broj izvoda,
- kraći produžni dio mreže SN.
Negativna svojstva u odnosu na prstenastu konfiguraciju su:
- veći gubici i pad napona zbog potpunog opterećenja kablova usljed čega imamo i
kraći vijek trajanja kablova u odnosu na prethodni sistem,
- nije obezbijeđena rezerva za slučaj porasta opterećenja,
- priključak rezervnog kabla zahtijeva vezu"glava na glavu", kao i produžetak
rezervnog kabla da bi došao do krajnjih TSSN/NN svih radnih kablova.

4) Konfiguracija sa povezanim vodovima - dvostrano napajanje

Konfiguracija sa povezanim vodovima ili konfiguracija sa dvostranim napajanjem se

karakteriše povezivanjem SN vodova koji polaze iz različitih napojnih TS VN/SN. Sistem sa
povezanim vodovima ima sličnosti sa prstenastim sistemom, ako se razdvajanje vrši u TS SN/NN

6
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

lociranim negdje na "električnoj sredini" povezanih vodova. Pri takvom rješenju imamo relativno
nizak faktor iskorišćenja: i=0.6(nepovoljnost), ali i niz povoljnosti:

- povoljne naponske prilike,

- niži gubici,
- produženi vijek trajanja kablova,
- fleksibilnost pri porastu opterećenja.

Slika 2.4. Konfiguracija sa povezanim vodovima- dvostrano napajanje

5) Konfiguracija sa razvodnim postrojenjem

Konfiguracija sa razvodnim postrojenjem se karakteriše postojanjem RP koje se locira u

samom centru potrošnje, a napaja se preko jakih SN vodova (napojni vodovi - fideri). Napojni
vod koji ide do RP se najčešće realizuje kao dvostruki kablovski vod na zajedničkom prekidaču
(Slika 2.5.). Smisao ove konfiguracije je da se smanji tzv. produženi dio SN mreže, pa je ovaj
sistem utoliko ekonomičniji što su udaljeniji rejoni koji se napajaju.

Slika 2.5. Konfiguracija sa razvodnim postrojenjem

Konfiguracija sa RP je povoljna u slučaju konzuma sa centrima potrošnje udaljenim od

napojnih TS VN/SN jer se tu značajno smanjuje dužina SN mreže. Na taj način se poboljšavaju
naponske prilike i smanjuju gubici. No, bez obzira na te prednosti, ova konfiguracija se nije

7
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

pokazala ekonomičnom za savremene gradove, pa se od nje odustaje i u zemljama u kojima se do

nedavno intenzivno primjenjivala.

6) Konfiguracija sa dvostrukim vodovima

Konfiguracija sa dvostrukim vodovima (dvostruko napajanje) je u svom izvornom

izdanju sistem sa dvostrukim glavnim kablovima i dvostrukim kablovima-ograncima. Na
dvostruke glavne kablove se preko spojnica priključuju dvostruki kablovski-ogranci manjeg
presjeka, a na njih TS SN/NN. U slučaju kvara na jednom, bilo glavnom kablu ili ogranku TS,
SN/NN se prebacuju na ispravni kabl. Ova konfiguracija obezbjeđuje praktično neprekidno
napajanje u slučaju potpune automatizovanosti, koja je ovdje jednostavnija-ekonomičnija u
poređenju sa prethodnim konfiguracijama gdje imamo dvostrano napajanje (eliminišu se prekidi
napajanja kod jednostrukih kvarova). [5]

Slika 2.6. Konfiguracija sa dvostrukim vodovima

2.2 Regulacija napona u distributivnoj mreži

Opšte je poznato da je napon lokalni pokazatelj, vezan za čvorove prenosnih i

distributivnih mreža. U svakom EES-u postoji više naponskih nivoa povezanih transformatorima,
a u mrežama istog naponskog nivoa različite vrijednosti napona u čvorovima. Zbog ovoga se
problem globalne regulacije napona sastoji od nekoliko regionalnih i lokalnih potproblema.
U svakoj mreži pojavljuju se padovi napona kao posljedica tokova aktivnih i reaktivnih
snaga kroz impedanse. Dominantan uticaj na padove napona imaju reaktanse i tokovi reaktivnih
snaga, pa otuda postoji jaka veza između regulacije napona i reaktivnih snaga.
Održavanje napona putem održavanja bilansa prozvedenih i utrošenih reaktivnih snaga
ostvaruje se uz izvjesna tolerantna odstupanja i promjene oko nominalnih vrijednosti. U
distributivnim mrežama ova odstupanja su određena pogonskom sigurnošću potrošača. Ta
odstupanja najčešće iznose +/-10% za niskonaponsku mrežu i +/-5% za srednjenaponsku mrežu.
Međutim, u slučaju prenosnih mreža osnovni cilj je da se očuva stabilnost sistema i da se
izbjegnu veliki prenosi reaktivnih snaga što bi uticalo na poboljšanje ekonomičnosti i sigurnosti

8
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

sistema. U suštini regulacija napona u EES-u se ostvaruje djelovanjem na bilans i tokove

reaktivnih snaga pa se u tu svrhu koristi nekoliko različitih resursa i regulacionih uređaja. Oni se
mogu podijeliti u dvije grupe:
1. Sredstva za proizvodnju/apsorpciju reaktivnih snaga (sinhroni generatori,
kompenzatori i motori, otočni kondenzatori i linearni zasićeni reaktori, statički
kompenzacioni sistemi)
2. Sredstva za preraspodjelu tokova reaktivnih snaga u mreži (regulacioni
transformatori, redni kondenzatori i reaktori)
Regulacioni resursi sa svojim primarnim regulatorima predstavljaju osnovne elemente za
upravljanje naponima i reaktivnim snagama. Akcija regulacionih resursa zavisi od njihovih
regulatora shodno podešenim referentnim ulazima. Ovi regulatori su najčešće proporcionalnog
dejstva, što znači da ne mogu striktno održavati regulisane veličine, već je potrebno da se
primijeni superponirano dejstvo na promjene referentnih vrijednosti na ulazima primarnih
regulatora regulacionih resursa. Samim tim regulacija napona se dijeli na primarnu, sekundarnu i
tercijarnu. [7]

2.2.1 Hijerarhijska struktura upravljanja naponima i reaktivnim snagama

Primarna regulacija
Primarna regulacija se realizuje preko regulatora pobude sinhronih mašina, regulatora
položaja otcjepa transformatora i regulatora napona/reaktivnih snaga statičkih kompenzacionih
sistema. Najvažniji resursi za regulaciju napona/reaktivnih snaga su sinhrone mašine i regulacioni
transformatori, dok se statički kompenzacioni sistemi koriste za kompenzaciju brzih promjena
napona i reaktivnih snaga velikih industrijskih potrošača. Podešavanje referentnih ulaza na
regulatorima se izvodi ručno ili automatski ukoliko učestvuju u automatskoj sekundarnoj
regulaciji.

Sekundarna regulacija
Sekundarna regulacija se sprovodi po manjim cjelinama na koje se EES može podijeliti,
tako da ona ima regionalni karakter. Ona predstavlja superponirano dejstvo na promjene
referentnih vrijednosti na ulazima primarnih regulatora. Njen osnovni zadatak je koordinacija
napona i reaktivnih snaga unutar pojedinih regulacionih zona, što povoljno utiče na naponsko-
reaktivnu stabilnost i sigurnost. Izvodi se ili ručno ili automatski. Automatska regulacija se
primjenjuje samo u Francuskoj i Italiji.

Tercijarna regulacija
Tercijarna regulacija predstavlja globalnu sistemsku regulaciju napona. Ona je u suštini
„off line“ proces, bez zatvorene povratne sprege. Glavni zadatak ove regulacije jeste da se odrede
željene vrijednosti podešavanja zonskih sekundarnih regulatora koje se u periodu pripreme
pogona dobijaju proračunom optimalnih tokova snaga za cio sistem EES. Na nivou tercijarne
regulacije se odlučuje o planu angažovanja agregata i programu rada statičkih uređaja za
proizvodnju/apsorpciju reaktivnih snaga. [7]

9
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

2.2.2 Naponsko-reaktivni regulacioni resursi

1) Sinhrone mašine
Najvažniji regulacioni resursi su sinhroni generatori i kompenzatori. Oni pripadaju
kategoriji resursa za proizvodnju i apsorpciju reaktivne snage. Sinhroni generator je osnovni
izvor reaktivne snage, dok se turbogenerator izdvaja kao važan izvor jer je najčešće lociran u
centrima potrošnje i svojom proizvodnjom podmiruje najveći dio reaktivnih potreba potrošača.
Mogućnost njihove proizvodnje određena je pogonskim P-Q dijagramom prikazanim na Slici 2.7.

Slika 2.7. P-Q dijagram

Granice dijagrama definišu oblast rada generatora i određene su aktivnim opterećenjem,

dozvoljenim zagrijavanjem namotaja statora i rotora i zagrijavanjem gvožđa statora.
Sinhroni kompenzator je ustvari motor koji radi u režimu praznog hoda tj. sa nultom
aktivnom snagom. Pri povećanju struje, E>U, što znači da kompenzator daje sistemu reaktivnu
snagu (nadpobuđen). U suprotnom radi u podpobuđenom režimu, gdje radi u motornom režimu i
uzima reaktivnu snagu. Ovaj način regulacije je pogodan pošto se promjena reaktivne snage
ostvaruje kontinualnom regulacijom pobudne struje za razliku od skokovitih promjena kada se
koriste kondenzatori. Takođe sinhroni kompenzator ima pozitivan regulacioni efekat, što znači da
za snižene napone injektira, a da za povećane napone apsorbuje reaktivnu snagu. Snaga u
podpuđenom režimu je manja nego u nadpobuđenom jer se smatra da ćemo u sistemu češće imati
probleme sa smanjenim naponima nego sa povećanim naponima. [6]

10
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Slika 2.8. Ekvivalntna šema i fazorski dijagram sinhronog kompenzatora

2) Regulacioni transformatori

Poslije sinhronih mašina Regulacioni transformatori su najvažnije regulaciono sredstvo za

regulaciju napona i reaktivnih snaga EES-a. Sastoji se od regulacionih otcjepa koji služe za
regulaciju napona tako što mijenjaju prenosni odnos transformatora. Njegov regulator napona se
sastoji od regulacionog prekidača, motora regulacionog prekidača, mjernih transformatora i
uređaja za zaštitu i blokiranje. Postoji više tipova regulacionih transformatora od kojih se u
distributivnim mrežama najčešće koristi generatorski-blok transformator za povećanje napona
kojim se povezuju elektrane sa mrežom.

Slika 2.9. Regulacioni otcjepi na sekundaru

3) Statički kompenzacioni sistemi

Statički kompenzacioni sistemi predstavljaju kombinaciju otočnih kondenzatora i reaktora.

Mogu raditi u induktivnom i u kapacitivnom opsegu reaktivnih snaga. Najčešće se realizuju kao
kombinacija kondenzatora sa fiksnim kapacitetom (FC) sa tiristorski regulisanim reaktorom
(TCR) ili sa reaktorom sa samozasićenjem (SSR). Najviše se koriste na mjestima sa velikim
industrijskim pogonima i u prenosnim sistemima vrlo visokih naizmjeničnih ili jednosmjernih
napona.

11
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

4) Redni kondenzatori

Redni kondenzatori se koriste za kompenzovanje reaktanse prenosnih i distributivnih

vodova. U prenosnim mrežama koriste se radi povećanja rezervi stabilnosti prenosa, a u
distributivnim za sniženje padova napona na opterećenim vodovima. Redna kompenzacija se
koristi u pogonima sa naglim oscilacijama opterećenja (uključenje motora sa velikim startnim
strujama, elektrolučne peći itd.).

Slika 2.10. Redna kompenzacija

2.3 Baterija kondenzatora (fiksna i promjenljiva)

Fazorski dijagram formiran za šemu sa Slike 2.10. pokazuje da se pod uticajem baterije
reaktivna snaga kondenzatora u vodu smanjuje pri neizmijenjenoj snazi potrošača. Time se
smanjuje pad napona i gubici snage u vodu što je i osnovni cilj kompenzacije. Baterija
kondenzatora je specifična u odnosu na sinhroni kompenzator zato što njena reaktivna snaga
zavisi od napona u tački priključka u mreži. Nju karakteriše negativan regulacioni efekat zato što
pad napona direktno izaziva pad reaktivne snage baterije. Uloga kondenzatorske baterije je da
smanji ugao snage, tj. da popravi faktor snage.

Slika 2.11. Ekvivalentna šema i fazorski dijagram baterije kondenzatora

12
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Kod pasivnih (fiksnih) baterija kapacitet se mijenja diskretno (uključeno/isključeno), ne

postoji regulacija pa nisu pogodni za kompenzaciju brzih promjena napona i reaktivnih snaga.

Slika 2.12. Priključenje fiksne baterije kondenzatora na mrežu SN

Kondenzator se sastoji od nekoliko paralelnih ploča, a kapacitet promjenljivih

kondenzatora se najčešće mijenja zakretanjem ploča. Na taj način se mijenja efektivna površina
(površina preklapanja), te samim tim i kapacitet. Mijenjanjem kapaciteta mijenja se i reaktansa
baterije, a samim tim i reaktivna snaga. Za pad napona potrebno je smanjiti reaktansu da bi se
reaktivna snaga povećala. Ovo se takođe može postići uključenjem dopunskih kondenzatora ili
prespajanjem trofazne baterije iz zvijezde u trougao čime se napon svake faze poveća √3 puta.

Slika 2.13. Baterija kondenzatora povezana u zvijezdu (lijevo) i trougao (desno)

Ova regulacija je diskontinualna i u tom pogledu znatno nepovoljnija od sinhronog

kompenzatora. Međutim, ova regulacija je znatno jeftinija jer se radi o statičkom elementu koji za
priključak ne zahtijeva transformator. Imajući sve ovo u vidu ova kompenzacija je našla široku
primjenu u distributivnim i industrijskim mrežama srednjeg i niskog napona. [9]

2.4 Uređaji za dinamičku korekciju faktora snage

Postoje razni tipovi uređaja za korekciju faktora snage i mogu se podijeliti na pasivne,
aktivne i dinamičke.
Pasivni tip predstavlja filtere koji se sastoje od kondenzatora i prigušnica. Koriste se da
pretvore ne-linearne potrošače u linearne. Međutim, oni su manje efektni u popravci faktora
snage.

13
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Aktivni tip se sastoji od elemenata energetske elektronike i rade na principu promjene

talasnog oblika struje potrošača s ciljem da se popravi faktor snage. Aktivna korekcija faktora
snage može biti jednostepena ili višestepena. Ako je korekcija višestepna, koristi se boost
konvertor koji održava napon na njegovom izlazu konstantnim, dok je struja u fazi sa linijskim
naponom. Aktivnom korekcijom se lako može dostići faktor snage 0.99, dok se pasivnom
korekcijom može postići faktor snage od 0.7-0.75.
Dinamička korekcija faktora snage (DKFS), često nazvana i korekcija faktora snage u
realnom vremenu, se često koristi u mrežama sa velikim i brzim promjenama opterećenja koje
izazivaju promjene napona (npr. mjesta sa velikim pogonima). U ovim slučajevima
konvencionalni sistemi za korekciju faktora snage nisu dovoljno brzi da prate promjenu
opterećenja. DKFS koristi poluprovodničke prekidače i tiristore za brzo uključivanje i
isključivanje kondenzatora i prigušnica u cilju korekcije faktora snage. Poluprovodnički prekidači
nježno uključuju kondenzatore na mrežu tako da ne dođe do perturbacija i bez naprezanja
kontaktora i raznih drugih elemenata. DKFS se najčešće koristi:
- u automobilskoj industriji (zavarivanje, prese)
- kod velikih motora
- kod vjetrogeneratora
- kod liftova i dizalica
- na naftnim bušotinama
Brza regulacija faktora snage predstavlja i konstantno smanjenje reaktivne energije što
ujedno predstavlja manje gubitke. Prednost DKFS se takođe ogleda u popravljanju kvaliteta
energije, produženju vijeka trajanja sistema, povećanju sigurnosti sistema i očuvanju naponske
stabilnosti. [8]

Slika 2.13. Razlika izmedju reaktivne snage sa i bez korekcije

14
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

3. Metode za višeparametarsku optimizaciju

3.1 Savremene metode

Optimizacione metode igraju važnu ulogu u naučnim eksperimentima, inžinjerstvu i u

donošenju poslovnih odluka. Glavni cilj rješavanja problema optimizacije jeste da se pronađu
kombinacije parametara koje optimizuju datu veličinu uzimajući u obzir dozvoljeni opseg i
ograničenja parametara.
Promjenljiva koja treba da bude opzimizovana se naziva funkcija cilja. Parametri koji
mogu biti promijenjeni u toku optimizacije se nazivaju kontrolna promjenljiva. Limiti određenih
vrijednosti parametara se nazivaju ograničenja. Problem optimizacije se može posmatrati kao
redosljed koraka:
I. Izbor promjenljive
II. Definisanje ograničenja
III. Formulisanje funkcije cilja
IV. Podešavanje granica promjenljive
V. Izbor algoritma za rješenje problema
VI. Rješenje problema da bi se dobilo optimalno rješenje
Kontrolne promjenljive su parametri za koje se smatra da značajno utiču na izlazne
veličine. Izbor najboljeg skupa kontrolnih promjenljivih može biti izazovan jer je teško utvrditi
koje promjenljive utiču na promjene u simulaciji. Višeparametarska optimizacija je izazvala
ogromno interesovanje kod inžinjera u poslednje dvije decenije.
Postoji veliki broj optimizacionih algoritama dostupnih inžinjerima i mnogo metoda koje
odgovaraju isključivo određenim problemima. Zbog toga je veoma važno prepoznati
karakteristike da bi se izabrala odgovarajuća tehnika rješenja. Optimizacioni problemi se dijele
prema matematičkim karakteristikama funkcije cilja, ograničenja i kontrolnih promjenljivih.
Postoje dvije osnovne grupe metoda i one se dijele prema tipu rješenja:
- Analitička metoda - kad se uspostave uslovi za optimalno rješenje, rješenje se testira da
se vidi da li zadovoljava uslove ili se jednačine rješavaju analitički da bi se odredilo
optimalno rješenje.
- Numerička metoda - najprije se bira početno rješenje, nasumice ili na osnovu iskustva, a
funkcija cilja se procjenjuje. Nakon toga se prelazi na drugo rješenje i funkcija cilja se
ponovo procjenjuje. Ako je ono manje od vrijednosti početnog rješenja, zadržava se, a
sljedeći korak je proračun trećeg rješenja. Ovaj proces se ponavlja dok se ne pronađe
minimum.
Metode se takođe mogu podijeliti na konvencionalne i savremene. Više pažnje će biti
posvećeno savremenim metodama.
U posljednje dvije decenije zajedničkim naporima istraživači su izumili nove
optimizacione tehnike za rješavanje problema u stvarnom svijetu. Neke od tih novih metoda su
heurističke metode i egzaktne. Ove metode se često posmatraju kao potpuno različite kategorije.

15
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Egzaktne metode imaju formu grananja i druge oblike pretrage, dok heurističke metode
imaju drugačiji karakter zasnovan na lokalnoj pretrazi ili imitaciji prirodnog procesa. [1]

3.1.1 Egzaktne metode

U prethodnom poglavlju govorilo se o bitnim osobinama optimizacionog problema. U

ovom poglavlju biće više riječi o tome kako se rješavaju optimizacioni problemi i koje metode se
danas koriste. Kao što je već rečeno, cilj optimizacionih metoda jeste da nađu optimalno ili
rješenje blizu optimalnog uz što manje računarskog napora. Težina jednog optimizacionog
problema može se ogledati kroz vrijeme potrebno za proračun i zauzete memorije računara
prilikom primjene te metode. Metode nekada nisu pogodne za korišćenje zbog problema
konvergencije, dugog vremena izvršenja, složenosti algoritma. Napredni algoritmi su pogodniji
zbog njihove mogućnosti da iskoriste ogromne količine informacija. Dva elementa koji najviše
utiču na uspjeh optimizacione metode su količina i domen kontrolnih promjenljivih i funkcije
cilja. Identifikacija kontrolnih promjenljivih i funkcija cilja u problemu optimizacije često
zahtijeva poznavanje tehnika optimizacije i svijest o povezanosti ovih tehnika sa sistemom koji se
optimizuje.
Najprikladnija metoda će zavisiti od vrste problema koji treba riješiti. Neke metode su u
računskom pogledu skuplje i zahtjevnije od drugih, pa je samim tim vrijeme potrebno za
izvršenje optimizacije važan kriterijum. Vrijeme potrebno za pripremu tehnike može da varira i
zavisi od same tehnike, ali i od poznavanja kompeksnosti problema. Sve optimizacione tehnike
posjeduju unutrašnje parametre koji se moraju podesiti da bi se postigle dobre performanse.
Vrijeme potrebno za podešavanje (“tvikovanje“) ovih parametara je dio troškova pripreme.
Ove tehnike se zasnivaju na već uspostavljenim teorijama i rade savršeno u većini
slučajeva. Glavna razlika između heurističkih metoda i egzaktnih jesto što egzaktne garantuju
pronalaženje optimalnog rješenja. Međutim, postoje određena ograničenja za sve ove metode. Na
primjer, metoda najstrmiji silazak počinje potragu sa jedne tačke, a na kraju završava sa
optimalnim rješenjem.

Slika 3.1. Primjer metode najstrmiji silazak

16
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Ipak, ova metoda ne osigurava da ovo rješenje bude globalni optimum pa samim tim
povećava mogućnost da svaka od ovih metoda pronađe lokalno optimalno rješenje. Još jedan
nedostatak ovih metoda jeste što zahtijevaju sve informacije o funkciji cilja, njihovu zavisnost od
svih promjenjivih kao i prirodu funkcije. Sve ove karakteristike čine ove egzaktne metode
neprimjenljivim za mnoge probleme iz realnog života gdje ima nedovoljno informacija o
matematičkom modelu sistema, zavisnosti parametara, i slične informacije. Metode optimizacije
koje se ugrađuju u algoritme za optimalne tokove snaga dijele se na:
1. Linerno programiranje (LP)
2. Nelinearno programiranje (NLP)
3. Integer programiranje (IP)
4. Odvojeno programiranje (OP)
5. Programiranje mješovitih brojeva (PMB)
Linearno programiranje (LP) se prepoznaje kao pouzdana i robusna tehnika za rješavanje
velikog broja specijalizovanih optimizacionih problema koji karakterišu linearne zadatke i
linearna ograničenja. Komercijalni paketi za optimizaciju tokova snaga sadrže algoritme
linearnog programiranja za rješavanje, planiranje i upravljanje. Kao najčešće korišćene metode
kod Linearnog programiranja izdvajaju se simpleks metoda i metoda unutrašnje tačke.

Simpleks metoda

Ova metoda, koju je 1947.god. osmislio Džordž Dancig, testira susjedna tjemena
dopustivog skupa tako da seza svaku novu tačku funkcija cilja poboljša ili ostane nepromijenjena.
Dopustiv skup je predstavljen kao višedimenzioni mnogougao. Simpleks metoda je vrlo efikasna
u praksi i za određenedistribucije slučajnog ulaza konvergira u polinomijalnom vremenu.

Slika 3.2. Dopustivi skup Simpleks metode

Metode unutrašnje tačke

Metode unutrašnje tačke su metode koje rješavaju probleme linearnog i nelinearnog

programiranja. Ove metode konstruišu niz dopustivih tačaka koje konvergiraju ka
rješenju.Dopustiv skup je predstavljen kao višedimenzioni mnogougao, a tačke koje se testiraju
se nalaze unjegovoj unutrašnjosti za razliku od simpleks metode gdje se nalaze na tjemenima.
Metodeunutrašnje tačke imaju polinomijalnu vremensku složenost.
17
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Što se tiče nelinearnog programiranja koriste se druge tehnike kao npr.:

1. Posljedično kvadratno programiranje (PKP)
2. Poboljšani Lagranžev metod
3. Metod gradijenta
4. Metoda unutrašnje tačke
Posljedično kvadratno programiranje radi na principu rješavanja problema sa kvadratnom
funkcijom cilja i salinearnim ograničenjima. Ovaj pristup je generalizovana Njutnova metoda za
nesmetano minimiziranje. Kad se rješavaju problemi optimizacije PKP se koristi, ali rijetko, u
svojoj uprošćenoj verziji jer ne garantuje konvergiranje ka lokalnom rješenju optimizacionog
problema.

Slika 3.3. Posljedično programiranje

Metode zasnovane na gradijentu su kategorija optimizacionih tehnika koje koriste

gradijent funkcije cilja da pronađu optimalno rješenje. Svaka iteracija optimizacionog algoritma
podešava vrijednosti kontrolnih promjenljivih tako da simulacija pronalazi manju vrijednost
funkcije cilja. Svaka kontrolna promjenljiva se mijenja za iznos proporcionalan smanjenoj
vrijednosti funkcije cilja. Metode na bazi gradijenta su sklone da konvergiraju ka lokalnim
optimumima jer se oslanjaju isključivo na lokalne vrijednosti funkcije cilja u svojoj potrazi. Ove
metode su pogodne za više-dimenzione prostore pod uslovom da ovaj prostor nema lokalni
minimum.
Prednost tradicionalne upotrebe metoda na bazi gradijenta je ta što je proračun
jednostavan, a vrijeme podešavanja kratko. Nedostatak je taj što će globalni optimumi vjerovatno
ostati neotkriveni.

Slika 3.4. Razlika između lokalnog i globalnog optimuma

18
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Nelienarne probleme optimizacije sa više nelinearnih ograničenja je često teško riješiti,

jer, iako matematička teorija daje osnovne principe za rješavanje, konvergencija ka optimalnom
rješenju nije zagarantovana. Pored toga i direktna primjena poboljšanoog Lagranževog metoda
često rezultira ili sporom konvergencijom ili neuspjehom u pronalaženju optimalnog rješenja.
Treba naglasiti da postoji veliki broj faktora koji komplikuju primjenu klasičnih metoda na bazi
gradijenta kao što su prisustvo lokalnog minimuma, postojanje prostora sa nedefinisanim
funkcijama, kao i veliki broj promjenljivih.
Sve ove metode karakterišu tri glavna problema. Kao prvo, postoji mogućnost da one ne
daju optimalno rješenje i obično pretragu završavaju kod lokalnog optimuma. Drugo, sve ove
metode se zasnivaju na pretpostavci kontinuiteta i diferencijabilnosti funkcije cilja, što nije
dozovljeno u realnim sistemima. Konačno, sve ove metode ne mogu se primijeniti sa diskretnim
promjenljivim.
Klasične analitičke metode uključuju Lagranžov metod kod koga se neophodni uslovi
poznati Karush-Kuhn-Tucker (KKT) uslovi koriste da identifikuju moguća rješenja. Za probleme
sa velikim brojem promjenljivih ove klasične metode su nepraktične zbog kombinatoričke
prirode i rješenja se dobijaju numerički umjesto pomoću odgovarajućih numeričkih algoritama.
Najvažnija klasa ovih metoda je takozvana metoda na bazi gradijenta.
Metode nelinearnog programiranja su veoma precizne, ali njihovo vrijeme izvršenja je
veoma dugo i ne mogu se primijeniti za rad EES-a u realnom vremenu. Od uvođenja
sukcesivnog programiranja opšte je prihvaćeno da se algoritmi sukcesivnog linearnog
programiranja mogu koristiti efektno za rješavanje optimizacionog problema. U ovom
programiranju originalni problem se prevazilazi aproksimacijom koja se ostvaruje razvojem u
Tejlorov red i omogućava se kretanje u optimalnom pravcu dok rješenje ne konvergira.
Medjutim, sve ove metode se ne mogu koristiti za velike sisteme i zahtjevne probleme,
već se tada koriste heurističke metode. [2]

3.1.2 Heurističke metode

Nedavno su napredak računarske tehnike i povećana složenost optimizacije EES-a doveli
do potrebe i primjene specijalizovanih tehnika programiranja za problem velikih razmjera. Sve
ovo uključuje dinamičko programiranje. Ove metode se često ukrštaju sa mnogim drugim
tehnikama inteligentnih sistema, uključujući vještačke neuronske mreže, algoritme za tabu
pretraživanje i nejasnu logiku. Mnogi istraživači se slažu da postojanje incijalne populacije
rješenja povećava mogućnost konvergencije ka optimalnom rješenju i da je ažuriranje trenutne
informacije o strategiji za pretraživanje iz prethodne istorije prirodna tendencija. Prema tome,
istraživači su pokušavali da rekonstruišu ove standardne optimizacione metode c ciljem da se
postignu dva pomenuta zadatka.
Nekoliko heurističkih alata su se razvili u posljednjoj deceniji da bi olakšali rješavanje
optimizacionog problema, koji se ranije nije mogao riješiti. Oni uključuju napredno računanje, roj
čestica, koloniju mrava itd. Da bi se riješili veliki i izazovni problemi ove metode se kombinuju
sa elementima znanja, ali i sa tradicionalnim pristupima kao što jestatistička analiza. Razvijanje
rješenja sa ovim alatima nudi dvije prednosti:
1. Vrijeme razvoja je mnogo kraće nego kad se koriste tradicionalni pristupi
2. Sistemi su veoma robusni što znači da su relativno neosjetljivi na nedostajanje
podataka

19
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Heurističke metode se zasnivaju na ravnoteži između istraživanja i eksploatacije. Ova

ravnoteža dozvoljava otkriće lokalnog minimuma i ujedno olakšava nalaženje globalno
optimalnog rješenja. Međutim, veoma je teško podesiti ovu metodu da bi se postiglo poboljšanje
vitalnih performansi. Zbog mogućnosti eksploatacije, heurističke metode mogu dobiti i najbolje
moguće vrijednosti za kontrolne promjenljive. Osim toga koriste se kada je prostor pretrage
veliki i nelinearan zbog istraživačkih mogućnosti. [1]

3.1.3 Napredni proračuni

Glavni algoritmi za napredne proračune su Genetski algoritam (GA), Razvojno
programiranje (RP), Razvojne strategije (RS), i Genetsko programiranje (GP). Ovi algoritmi se
smatraju značajnim matematičkim alatima za rješavanje neprekidnih optimizacionih problema.
Razvojni algoritmi imaju sljedeće važne karakteristike:
- Genetska varijacija je uglavnom slučajna pojava i stohastički procesi igraju značajnu
ulogu u varijaciji
- Svojstveni paralelni mehanizmi za pretragu se koriste tokom razvoja
- Evolucija je promjena adaptivnosti i diverziteta, a ne samo promjena učestalosti gena
- Razvojni algoritmi rade na principu konkurentnosti-saradnje
Ovi algoritmi simuliraju princip evolucije (proces koji se sastoji od dva koraka, varijacija i
selekcija) i zadržavaju određeni broj mogućih rješenja (jedinki) kroz ponovljenu primjenu nekih
razvojnih operatora kao što su mutacija i ukrštanje.
Oni stvaraju jedinkesa konstantno poboljšanim osobinama s nadom da će konvergirati u
najsposobnije jedinke koje će predstavljati optimalno rješenje. Razvojni algoritmi mogu da
izbjegnu prijevremeno hvatanje lokalnog optimuma zbog stohastičkog mehanizma pretrage. GA i
RP su dva najčešće korišćena algoritma za napredni proračun.
Razvojni algoritmi su robusne i moćne tehnike za globalnu optimizaciju pri rješavanju
velikih i izazovnih problema koji imaju mnogo lokalnih optimuma. Vrijeme izvršenja je dugo i
slabi su u pogledu izvršenja konvergencije. S druge strane, lokalni algoritmi za pretraživanje
mogu konvergirati u nekoliku iteracija, ali im nedostaje globalna perspektiva. Kombinacija
lokalnog i globalnog postupka pretraživanja zadržava sve prednosti obije optimizacione metode i
pritom neutrališe njihove mane. Razvojni algoritmi su posebno pogodni pri rješavanju višeciljnih
optimizacionih problema zato što istovremeno koriste niz mogućih rješenja (takozvanu
populaciju). Ovo nam omogućava da pronađemo nekoliko članova Pareto optimalnog seta u
jednom koraku algoritma umjesto potrebe da se izvede niz odvojenih koraka kao što je u slučaju
tradicionalnih matematičkih tehnika programiranja. Uz to, razvojni algoritmi su manje podložni
obliku ili kontinuitetu skupa Pareto rješenja, dok se ova dva problema teško pravazilaze
tehnikama matematičkog programiranja.
Prednost razvojnih algoritama je ta što imaju minimalne zahtjeve u pogledu formulisanja
problema: ciljevi se mogu jednostavno dodati, ukloniti ili izmijeniti. Štaviše, kako oni
funkcionišu sa nizom mogućih rješenja razvojni algoritmi su pogodni da generišu skup Pareto
rješenja.
To za posljedicu ima povećano interesovanje u polju višeciljne optimizacije. Konačno u
raznovrsnim aplikacijama je pokazano da razvojni algoritmi mogu da riješe veoma složene
problem i stoga se mogu smatrati kao komplementaran pristup tradicionalnim metodama.
Razlike između Paradigmi naprednih proračuna i tradicionalnih pretraga su:

20
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

- Paradigme naprednih proračuna koriste skup tačaka u pretrazi

- Paradigme naprednih proračuna koriste direktne informacije o kvalitetu umjesto
izvedenih funkcija
- Paradigme naprednih proračuna koriste direktne informacije o kvalitetu umjesto drugih
relevantnih znanja
- Paradigme naprednih proračuna koriste zakone vjerovatnoće umjesto determinističkih
pravila

3.2 Genetski algoritam

3.2.1 Opšte karakteristike

Genetski algoritam je jedna od heurističkih metoda koja se koristi za rješavanje problema
pretraživanja prostora nasumičnim pristupom području. Genetski algoritam se zasniva na ideji
evolucije u prirodi. Evolucija jedinki neke vrste predstavlja prirodni proces prilagođavanja
pojedinaca uslovima okoline u kojoj žive. Jedinke se iz generacije u generaciju prilagođavaju
promjenljivoj okolini unapređivanjem svojih postojećih i sticanjem nekih novih osobina.
Pošto je većina osobina živih bića zapisana u genetskom materijalu (hromozomima), koji
se razmnožavanjem prenose na potomke tako će jedinke s dobrim osobinama te svoje osobine
uglavnom prenijeti na svoje potomke.
Na ovaj način se iz generacije u generaciju ispravnim izborom roditelja novim jedinkama
prenose dobre osobine koje im omogućavaju veće šanse za preživljavanje. Osim navedenog,
ponekad se kod razvoja nove jedinke može dogoditi slučajna promjena nekog dijela hromozoma
(gena) koja može biti izazvana i uticajima iz okoline. Ova pojava se naziva mutacija gena. Ona
omogućava da nova jedinka dobije neke osobine koje nisu imali njeni roditelji i koje nije mogla
dobiti ukrštanjem gena roditelja. Ako je ova nova osobina još bolja od korespondentne osobine,
takav potomak ima veće šanse za preživljavanje u borbi za opstanak.
Dakle, priroda putem procesa evolucije kombinovanjem gena traži jedinke s najboljim
osobinama za određenu okolinu, tj. traži najbolje rješenje za određene životne uslove. Analogno
ovom prirodnom procesu evolucije, genetski algoritam takođe traži najbolje rješenje zadatog
problema. Pri tome, kod genetskog algoritma analogiju djelovanja okoline na preživljavanje
preuzima sama funkcija cilja problema optimizacije.
Da bi se genetski algoritam mogao primijeniti na posmatrani problem optimizacije,
potrebno je definisati: jedinke, populaciju jedinki, uslove preživljavanja jedinki i njihova
testiranja, kao i genetske operatore. Jedinka predstavlja zapis informacija o vrijednostima
promjenljivih (argumenata) funkcije pretraživanja prostora stanja. Obično se ovaj zapis sastoji iz
niza oznaka gdje položaj i vrijednost oznaka koordiniraju prostor rješenja. Takav niz brojeva
opisuje hromozom jedinke kod genetskog algoritma. Taj hromozom sadrži bitne informacije o
svojstvima te jedinke. Više takvih različitih jedinki sa svojim hromozomima čine populaciju
jedinki.
Primjenom operacije selekcije, genetskih ukrštanja i mutacije iz neke populacije jedinki se
dobija nova populacija, tj. populacija u novoj generaciji. Tokom izvođenja genetskog algoritma
obavlja se evaluacija vrijednosti svih jedinki prema datoj funkciji cilja kao mogućeg rješenja

21
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

problema. Kada se dobije zadovoljavajuća evaluacija jedinki prema datoj funkciji cilja, ta jedinka
se izdvaja kao moguće rješenje problema optimizacije.
Dakle, genetskim algoritmom se obavlja usmjereno pretraživanje dijela prostora skupa
mogućih rješenja posmatranog problema. Sigurno je da se najbolje rješenje dobija potpunim
pretraživanjem skupa rješenja. Međutim, za veliki broj praktičnih problema takav način traženja
rješenja zahtijeva previše vremena zbog složenosti proračuna vrijednosti funkcije cilja i
prevelikog skupa mogućih rješenja.
Kod primjene genetskog algoritma na konkretan problem teži se skraćenju vremena
izvšenja algoritma i dobijanju što kvalitetnijih rješenja. Iako se, zbog svoje jednostavnosti i
malog broja neophodnih podataka, genetski algoritam čini prikladnim za primjenu u rješavanju
problema optimizacije, njime se često ne dobijaju zadovoljavajući rezultati. GA ima mogućnost
pronalaženja globalnog optimuma ili rješenja blizu optimuma, ali ponekad daje samo lokalni
optimum kao rješenje. Uspješnost GA zavisi od:
- Prilagođenosti algoritma i problema
- Postupka izvođenja genetskog algoritma (veličina populacije, broj iteracija)
- Načina selekcije jedinki za razmnožavanje
- Odgovarajućeg izbora genetskih operatora ukrštanja i mutacije

Slika 3.5. Prikaz GA

Na kraju treba istaći da je pristup genetskom algoritmu prilično jednostavan i sastoji se od

sljedećih koraka:
1. Nasumice se generiše inicijalna populacija rješenja,
2. Vrši se evaluacija ovih rješenja na osnovu njihovih osobina,
3. Ako vrijeme izvršenja i ograničenja nisu zadovoljeni onda,
4. Treba izabrati roditelje (najbolja moguća rješenja do ovog trenutka),
5. Treba prekombinovati roditelje,
6. Dodati mutacije mogućih nasumičnih rješenja,
7. Izvršiti evaluaciju novih rješenja na osnovu njihovih osobina,
8. Vratiti se na korak broj 3

22
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Dakle, GA za svaki problem treba da sadrži sljedećih pet komponenti:

- Genetsko predstavljanje potencijalnih rješenja problema
- Način da se kreira inicijalna populacija potencijalnih rješenja
- Funkciju evaluacije koja predstavlja okolinu i rangira rješenja prema njihovim osobinama
- Genetičke operatore da bi se promijenio sastav niza
- Vrijednosti različitih parametara koje GA koristi (veličina populacije, vjerovatnoća
primjene genetskih operatora itd.)
U nastavku su razmotreni ovi elementi genetskog algoritma za konkretan problem
optimizacije rasporeda kondenzatorskih baterija u cilju optimizacije naponskog profila u
distributivnoj mreži. [3]

3.2.2 Prikaz jedinke brojčanim kodom

Jedinka u genetskom algoritmu je osnovni element s kojim genetski algoritam radi. Način
prikazivanja jedinke ima veliki uticaj na efikasnost i brzinu izvršenja GA. Zbog toga je potrebno
obratiti posebnu pažnju na način prikazivanja jedinke u genetskom algoritmu. Jedinke se najčešće
prikazuju u obliku niza brojeva jer se tako olakšava dalja obrada na računaru. Takav niz brojeva u
genetskom algoritmu predstavlja hromozom jedinke koji u sebi sadrži sve informacije o
osobinama jedinke.
Postupak dodjeljivanja hromozoma nekom mogućem rješenju predstavlja zadatak
kodiranja jedinke, a postupak dobijanja informacija o osobinama jedinke iz hromozoma je
zadatak dekodiranja jedinke. Da bi se izbjegla pojava hromozoma sa kodnom oznakom
nepostojećeg elementa u binarnom kodu prilikom ukrštanja i mutacije se mogu dodati uslovi, ali
ovakvi uslovi usporavaju vrijeme izvršenja algoritma pa ih treba izbjegavati.

3.2.3 Selekcija
Selekcija u GA predstavlja postupak izbora jedinki roditelja između svih jedinki u
trenutnoj populaciji. Izborom pogodnog načina selekcije omogućava se izbor jedinki koje sadrže
dobar genetski materijal koji će se kasnije razmnožavanjem prenijeti potomcima. Osnova za
ocjenu kvaliteta neke jedinke u smislu rješavanja problema optimizacije je sama vrijednost
funkcije cilja. Upoređivanjem vrijednosti funkcije cilja više jedinki, one se rangiraju po
uspješnosti. Ako kod rješavanja problema optimizacije, optimum predstavlja globalni minimum
funkcije cilja (kao što je to kod posmatrane optimizacije raspoređivanja kondenzatorskih baterija
bez troškova kondenzatorskih baterija), onda kriterijum za međusobno upoređivanje kvaliteta
više jedinki glasi: jedinka za koju funkcija cilja ima manju vrijednost je bolja od jedinke za koju
funkcija cilja ima veću vrijednost. Selekcija koja se najčešće koristi naziva se selekcija najboljih.
To je podvrsta sortirajuće selekcije koja pripada skupu rangirajuće selekcije. Ova vrsta selekcije
je pogodna zbog toga što osigurava uspješno miješanje i prisustvo većine gena u populaciji.
Treba pomenuti i elitizam koji predstavlja mehanizam očuvanja najbolje jedinke kroz više
generacija (populacija).

23
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

3.2.4 Ukrštanje (crossover)

Operator ukrštanja u genetskom algoritmu je postupak ukrštanja genetskog materijala
jedinki i njime se određuje način miješanja gena jedinki roditelja. Dakle, ukrštanje je postupak
nastanka novih jedinki potomaka u procesu razmnožavanja jedinki roditelja. U genetskom
algoritmu postoji više definisanih operatora ukrštanja: ukrštanje s prekidom u jednoj tački,
ukrštanje s prekidom u više tačaka i uniformno ukrštanje.
Ukrštanjem nastaju nove jedinke koje nasljeđuju osobine svojih roditelja. Tako je
vjerovatno da će potomci dobrih roditelja biti isto tako dobri ili čak bolji od njih za datu funkciju
evaluacije. Ovo je ustvari temeljna ideja primjene genetskog algoritma u rješavanju problema
optimizacije. Važno je odrediti prikladan operator ukrštanja jer on utiče na efikasnost genetskog
algoritma, na brzinu izvršenja algoritma i kvalitet pronađenog rješenja.
U prirodi, u stvaranju hromozoma potomaka učestvuju oba roditelja, tj. jedan lanac u
hromozomu potomak dobija od jednog, a drugi od drugog roditelja. Dakle, za svaku osobinu
odgovorni gen dobija dva podatka. Jedan dio informacije o osobini nove jedinke donosi gen
jednog, a drugi dio donosi gen drugog roditelja.

3.2.5 Mutacija
Mutacija je genetski operator koji obavlja slučajnu izmjenu jednog ili više gena u
hromozomu jedinke. Osnovni operator mutacije djeluje na svaki gen svake nove jedinke i vrši
promjenu nekih gena u skladu sa odabranom vjerovatnoćom. Definisanje prikladne mutacije je od
velikog značaja za genetski algoritam. Operator mutacije omogućava pretraživanje prostora
rješenja koji nije obuhvaćen ukrštanjem i tako osigurava da se algoritam ne usredsredi na
područje lokalnog minimuma. Takođe, promjenom vrijednosti nekog gena operator mutacije
omogućava uvođenje novih gena u trenutnu populaciju.
Postoje operatori koji izvode mutaciju u dva koraka. Prvi korak je izbor jedinki koje će
mutirati, a drugi je izbor i mutacija gena unutar odabranih jedinki. Ova vrsta mutacije spada u tip
miješajuće mutacije.

3.2.6 Kriterijum za završetak algoritma

Kako je genetski algoritam iterativan proces, potrebno je u sklopu algoritma definisati
uslov za završetak algoritma. Najjednostavniji uslov za kraj algoritma je da se pronađe jedinka za
koju je vrijednost funkcije cilja manja ili jednaka određenoj graničnoj vrijednosti. Međutim, kako
se radi o problemu u kojem je ponašanje funkcije cilja nepoznato, a znaju se samo vrijednosti
funkcije cilja za pojedine kombinacije rasporeda kondenzatorskih baterija, definisanje neke
granične vrijednosti je nemoguće.
Drugi način zaustavljanja algoritma je definisanje trajanja vremena izvršenja ili
definisanja broja iteracija (generacija). Jasno je da kvalitet rješenja zavisi od broja iteracija, jer se
povećanjem broja iteracija povećava i prostor pretraživanja. S druge strane, veći broj iteracija
znači i povećanje vremena izvođenja algoritma. Stoga je cilj za određeni problem optimizacije
genetskim algoritmom naći odgovarajući broj iteracija koji daje dovoljno kvalitetno rješenje. [4]

24
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

4. Program u Matlab-u za određivanje optimalnog rasporeda

baterija kondenzatora u distributivnoj mreži

4.1 Opis algoritma

Ovaj problem optimizacije se rješava uz pomoć Matlab Simulink-a koji služi za proračun
tokova snaga i napona u čvorovima. Potrebno je prilagoditi sve operatore GA samom problemu
optimizacije. Na samom početku potrebno je u Simulink-u nacrtati model mreže za analizu i
unijeti realne parametre kao što su otpornost, kapacitivnost, induktivnost i dužina vodova kao i
napone kratkog spoja transformatora i sl.
Potrebno je ukazati kako će se jedinke prikazivati brojčanim kodom. Postoji više načina
prikazivanja jedinki, a za ovaj tipičan problem odabran je binarni zapis jedinki. To znači da će
svaka jedinka (u ovom slučaju baterija kondenzatora) biti predstavljena kombinacijom 0 i 1.
Neka pretpostavljena mreža korišćena za analizu ima n čvorova na 10 kV strani u koje je
potrebno dodati baterije kondenzatora, pa samim tim dužina vektora u GA mora biti n. Međutim,
kako će se za ovaj problem koriste četiri različite snage kondenzatorskih baterija (600, 450, 300,
150 kVar) potrebno je svaku bateriju predstaviti subvektorom dužine 4. Imajući ovo u vidu za
ovaj problem će se u genetskom algoritmu koristiti vektor dužine (nx4).

I II III IV V

[0 0 0 0| 0 0 0 1 | 0 0 1 1| 0 1 1 1| 1 1 1 1 |…………| 0 0 0 0] n x 4 Hromozom
Q1 Q2 Q3 Q4 Q5 …………….. Qn

Primjer prikaza jedinki (baterija kondenzatora)

U zavisnosti od broja jedinica unutar svakog subvektora zavisiće položaj, ali i snaga
baterije kondenzatora u samom čvoru. S obzirom da u subvektoru nema jedinica, to znači da će
Q1=0 tj. da u tom čvoru neće biti baterije kondenzatora. U subvektoru II ima jedna jedinica što
znači da će snaga baterije kondenzatora u čvoru II biti Q2=150 kVar. U subvektoru III imamo
dvije jedinice, što znači da će snaga baterije kondenzatora u čvoru III biti Q3=300 kVar. Za
ostale čvorove IV i V lako se uočiti da će snage biti 450 i 600 kVar respektivno. Kompleksnost
optimizacije se ogleda u tome što će se koristiti binarni zapis za vektor dužine n x 4. Ovo znači
da postoji 2(n x 4) mogućih kombinacija različitog rasporeda i različitih snaga baterija
kondenzatora.
Za realizaciju samog algoritma potrebno je kreirati M-file u Matlab-u koji će isčitati
pozicije i snage baterija kondenzatora iz vektora kojeg generiše genetski algoritam i promijeniti
oba parametra u mreži korišćenoj za analizu. Nakon toga potrebno je pokrenuti tokove snaga i
njih iskoristiti za određivanje naponskih prilika u mreži. Treba proračunati odstupanja svih
napona u čvorovima i odrediti broj čvorova u kojima napon prevazilazi definisani(dozvoljeni)
prag odstupanja.

25
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

U zavisnosti od konfiguracije mreže mogu se koristiti različite vrijednosti za prag

odstupanja, ali najčešće se koristi +/-2% do +/-5%. Ukoliko su u optimizacioni problem uključeni
ukupni troškovi kao parametar (višeparametarska optimizacija), onda će cilj optimizacije biti da
se postignu što najbolje moguće naponske prilike uz što manje troškove. Ova dva parametra se
mogu povezati jednom funkcijom cilja (fitnes funkcijom).

4.1.1 Fitnes funkcija

Funkcija cilja se može formirati na više načina, a u ovom radu če biti predstavljen jedan
od njih.
Fitnes funkcija: F=C1+C2 (1)

Kao što se vidi iz prikazanog fitnes funkcija se sastoji od dva parametra. Prvi parametar
C1 predstavlja ukupne troškove potrebne za kompenzaciju. Ako se vektor cijena baterija
kondenzatora označi sa Vc, njegova dimenzija će biti (n x 1), pri čemu je n broj čvorova u koje su
uključene baterije kondenzatora. U ovom specijalističkom radu za analizu će se koristiti
kondenzatorske baterije snage 150, 300, 450, 600 kVar, dok će njihove cijene će biti 100,180,250
i 350€ respektivno. Dakle parametar C1 se računa kao suma vektora cijena baterija kondenzatora.

C1=∑Vc (2)

Da bi jednom fitnes funkcijom povezali naponske prilike u mreži sa ukupnom cijenom

kompenzacije potreban nam je i parametar C2. On će zavisiti od napona u mreži pa je samim tim
potrebno nakon generisanja vektora baterija kondenzatora pokrenuti tokove snage i proračunati
napone u čvorovima. Želja nam je da odredimo broj čvorova (Br_čvorova) u kojima naponi nisu
unutar dozovljenih granica odstupanja. Taj broj pomnožen sa težinskim koeficijentom(Tk)
predstavlja parametar C2. [12]
(1) C2=Br_Čvorova x Tk (3)
Iz formula (1), (2) i (3) slijedi da je fitnes funkcija:

F=∑Vc+ Br_Čvorova x Tk

4.2 Primjer analiza (crnogorska 10 kV mreža)

U nastavku će se pokazati kako se vrši optimizacija na realnoj 10 kV crnogorskoj mreži.

Napajanje se vrši preko N TS 110/10 kV i dva napojna voda. Kao i veliki broj mreža u
Elektrodistributivnom sistemu Crne Gore i ova je radijalne konfiguracije i koriste se za napajanje
industrijskog područja sa velikim brojem motora velike snage. Na sljedećoj slici biće prikazana
jednopolna šema mreže.

26
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Slika 4.1. Jednopolna šema mreže za analizu

Potrošači su modelovani kao čisto aktivni potrošači sa faktorom snage 1, dok su motori
modelovani kao potrošači konstantne snage sa faktorom snage 0.85. Kao što se vidi na Slici 4.1.
svi izvodi u mreži su radijalni, tj.nema mogućnosti dvostranog napajanja što za posledicu ima
slabije naponske prilike. Imamo priključene motore velike snage na krajevima dugih izvoda
(repovima sistema) pa se u tim djelovima sistema očekuju najveći padovi napona.
U ovakvoj distributivnoj mreži kompenzacija je neophodna jer bi na repovima sistema često
reagovala podnaponska zaštita i ostavljale fabriku koja koristi ove motore bez napajanja. S
obzirom da se radi o mreži sa 17 čvorova i da se preko njih napaja više od trideset motora i
nekoliko potrošača, ova mreža je veoma pogodna za izvršenje optimizacije.
Šemu sa Slike 4.1. treba nacrtati tropolno u Matlab Simulink-u, a njen prikaz dat je na
Slici 4.2. Nakon toga potrebno je unijeti sljedeće parametre:
- otpornost, induktivnost, kapacitivnost i dužine vodova,
- napone primara i sekundara, otpornost i induktivnost kao i snagu
transformatora,
- aktivne i reaktivne snage potrošača,
- snagu N TS 110/10 kV,
- nazivnu frekvenciju.

27
Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Slika 4.2. Tropolna šema iz Matlab Simulink-a

28
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Unošenjem svih parametara stiču se uslovi za proračun tokova snaga i napona u

čvorovima prije optimizacije. Naponi su dati na Slici 4.3.

Naponi prije optimizacije

0.96
0.95 0.95
0.94 0.94 0.94 0.94 0.94
0.94
0.93 0.93 0.93
0.92
0.92
0.91
0.9 0.9 0.9
0.9

0.88
0.88
0.87

0.86

0.84

0.82
Vb1 Vb2 Vb3 Vb4 Vb5 Vb6 Vb7 Vb8 Vb9 Vb10 Vb11 Vb12 Vb13 Vb14 Vb15 Vb16 Vb17

Slika 4.3. Naponi čvorova prije optimizacije

Opšte je poznato da za SN mrežu naponi ne smiju biti manji od 0.95 r.j., a za ovu
konfiguraciju, kao što se i očekivalo, svi naponi izuzev VB1 i VB2 su van dozovljenog opsega.
S obzirom da mreža ima 17 čvorova, to znači da će se koristiti 17 baterija kondenzatora.
Kako se za definisanje snage svake baterije koristi subvektor dužine 4, to znači da će dužina
vektora generisanog od strane Genetskog algoritma biti (17x4=68). Samim tim kompleksnost
problema se ogleda u tome što je dimenzija problema reda 268. Za svaku kombinaciju potrebno je
proračunati tokove snage i naći optimalnu fitnes funkciju koja će sa što manjim ukupnim
troškovima ujedno dati i najmanja odstupanja napona.
Za potrebe ove optimizacije aktiviraju se istovremeno tri zasebne cjeline Matlaba-a:
- Workspace u koji se ispisuju vektor koji generiše GA i vrijednost fitnes
funkcije,
- Simunlink u kojem se aktuelizuju vrijednosti snaga baterija kondenzatora i
računaju tokovi snaga,
- Genetski algoritam koji je odabran kao optimizaciona metoda.
Istovremeno aktiviranje ovih cjelina ima za posljedicu dugo vrijeme izvršenja. Najčešće se
broj generacija (iteracija) GA-a podesi na 100. Sa većim brojem generacija postiže se veća
preciznost i za ovako izazovnu i kompleksnu optimizaciju potrebno je imati napredan računar.
Broj iteracija takođe zavisi od konvergencije i prirode samog problema. Zbog mogućnosti da GA
ne uspije da pronađe globalno optimalno rješenje, već konvergira ka lokalnom optimumu,
simulacija je pokrenuta nekoliko puta. Za ovaj optimizacioni problem potrebno je oko 60
iteracija, a vrijeme izvršenja je oko 30h.

29
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Kao što je prikazano na Slici 4.3. naponske prilike u mreži su veoma loše naročito u
čvorovima sa oznakom Vb11 do Vb17. Imajući ovo u vidu za očekivati je da se u te čvorove
postave baterije kondenzatora najvećih snaga. Kad se rješavaju slični problemi dozvoljeni prag
odstupanja napona se obično definiše na +/-2%. Međutim, dovođenje napona na vrijednot 0.98
uz pomoć samo kondenzatorskih baterija nije moguće, jer se radi o realnoj mreži sa motorima
velikih snaga, dugim radijalnim izovdima gdje su naponi ispod 0.9 r.j. (Vb17=0.87 r.j.).
Primarni cilj je da svi naponi budu unutar praga +/-5% s obzirom na činjenicu da je to
dozvoljeni prag odstupanja za SN mrežu. Za ovo odstpanje optimizacija je zavrsena u 52
iteracije, i dobijen je sljedeći optimalan raspored baterija kondenzatora prikazan na Slici 4.4.

Raspored baterija kondenzatora za odstupanje 5%

450 450 450 450 450 450 450 450 450

300 300 300

kVar

150 150 150 150

0
Qb1 Qb2 Qb3 Qb4 Qb5 Qb6 Qb7 Qb8 Qb9 Qb10 Qb11 Qb12 Qb13 Qb14 Qb15 Qb16 Qb17

Sli
ka 4.4. Optimalni raspored baterija kondenzatora za odstupanje 5%

Ukupna snaga kompenzacije je 5500 kVar i pri ovom rasporedu baterija kondenzatora
dobijaju se naponi u čvoroviđđma koji su prikazani na Slici 4.5.

Naponi čvorova pri za odstupanje 5%

1.06
0.97 0.97 0.97 0.97
1.04

1.02

1 0.96 0.96 0.96 0.96 0.96 0.96 0.96 0.96

0.98

0.96
0.95 0.95 0.95 0.95 0.95
0.94

0.92

0.9
Vb1 Vb2 Vb3 Vb4 Vb5 Vb6 Vb7 Vb8 Vb9 Vb10 Vb11 Vb12 Vb13 Vb14 Vb15 Vb16 Vb17
Sl
ika 4.5. Naponi nakon optimizacije za odstupanje 5%

30
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Da bi se lakše uočila razlika između napona čvorova prije i nakon optimizacije, oni
prikazani su na istoj slici (Slika 4.6.). Ukupni troškovi ove kompenzacije su 3310 NJ (novčanih
jedinica) ali napon svakog čvora se povećao što za posljedicu ima, ne samo poboljšanu naponsku
stabilnost sistema, već i manje prenosne gubitke.
0.98

0.96

0.94

0.92

0.9

0.88

0.86

0.84

0.82 Naponi za odstupanje 5 % Naponi prije optimizacije

Vb1 Vb2 Vb3 Vb4 Vb5 Vb6 Vb7 Vb8 Vb9 Vb10 Vb11 Vb12 Vb13 Vb14 Vb15 Vb16 Vb17
Slik
a 4.6. Naponi prije i nakon optimizacije za odstupanje 5%

Pošto je primarni cilj zadovoljen (naponi svih čvorova su unutar +/-5% odstupanja od
nominalne vrijednosti), sljedeći korak je sužavanje praga odstupanja što je više moguće pa je
nakon toga optimizacija je pokrenuta za odstupanje napona 4%. Kao što se moglo pretpostaviti,
ukupna snaga kompenzacije je za 750 kVar veća nego u prvom slučaju i iznosi 6300 kVar. Kako
je ukupna snaga kompenzacije veća, veći su i ukupni investicioni troškovi ali su postignute još
bolje naponske prilike nego u prethodnom slučaju.

Naponi nakon optimizacije za odstupanje 4%

1.06

1.04

1.02

1
0.98 0.98
0.98 0.97 0.97 0.97 0.97 0.97 0.97
0.96 0.96 0.96 0.96 0.96 0.96 0.96
0.96 0.95 0.95
0.94

0.92

0.9
Vb1 Vb2 Vb3 Vb4 Vb5 Vb6 Vb7 Vb8 Vb9 Vb10 Vb11 Vb12 Vb13 Vb14 Vb15 Vb16 Vb17

Slika 4.7. Naponi nakon optimizacije za odstupanje 4%

31
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Kao što se vidi na Slici 4.7. naponi čvorova Vb16 i Vb17 su ispod iznose 0,95 što je izvan
dozovljenog praga odstupanja 4%. Prije optimizacije naponi ovih čvorova su iznosili 0,87 pa
samim tim nije moguće postići vrijednsot napona od 0,96 korišćenjem samo baterija
kondenzatora. Naponske prilike u ovim čvorovima su loše ne samo zbog velikih reaktivnih snaga
potrošača već i zbog same pozicije čvora. Ova dva čvora se nalaze na kraju dugih vodova, na
samom repu sistema gdje na pad napona utiču R i X parametri vodova. Povećanje injektiranja
reaktivne snage u ova dva čvora neće uticati na povećanje napona. Raspored baterija
kondenzatora za optimizaciju pri ovom odstupanju je prikazan na Slici 4.8.

Raspored baterija kondenzatora za odstupanje 4%

450 450 450 450 450 450 450 450 450 450 450

300 300 300 300

kVar

150

0
Qb1 Qb2 Qb3 Qb4 Qb5 Qb6 Qb7 Qb8 Qb9 Qb10 Qb11 Qb12 Qb13 Qb14 Qb15 Qb16 Qb17
Slika 4.8. Raspored baterija kondenzatora za odstupanje 4%

Iako u prethodnom slučaju dva čvora nisu zadovoljila kriterijum odstupanja, potrebno je
izvršiti optimizaciju za odstupanje 3% i provjeriti koliko će čvorova zadovoljiti ovaj kriterijum.
Za ovo odstupanje optimizacija je završena u 57 iteracija, a kao optimalno rješenje dobijen je
sljedeći raspored baterija kondenzatora prikazan na Slici 4.9.

Raspored baterija kondenzatora za odstupanje 3%

600 600

450 450 450 450 450 450 450 450 450 450
kVar

300 300 300 300 300

Qb1 Qb2 Qb3 Qb4 Qb5 Qb6 Qb7 Qb8 Qb9 Qb10 Qb11 Qb12 Qb13 Qb14 Qb15 Qb16 Qb17

Slika 4.9. Raspored baterija kondenzatora za odstupanje 4%

32
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Kao što je očekivano, uži prag odstupanja napona iziskuje i veću ukupnu snagu
kompenzacije pa je za odstupanje 3% potrebna veća snaga nego u prethodna dva slučaja i iznosi
7200 kVar. U ovom slučaju imamo 5 čvorova koji ne zadovoljavaju prag oodstupanja 3%.
Međutim, treba naglasiti da su se naponske prilike znatno popravile u tim čvorovima (Vb13 sa
0,9 na 0,96, a Vb17 sa 0,87 na 0,95. Naponi nakon optimizacije za odstupanje 3% prikazani su na
Slici 4.10.

Naponi nakon optimizacije za odstupanje 3%

1.04

1.02

1
0.98 0.98 0.98
0.98 0.97 0.97 0.97 0.97 0.97 0.97 0.97 0.97
0.96 0.96 0.96
0.96 0.95 0.95 0.95
0.94

0.92

0.9
Vb1 Vb2 Vb3 Vb4 Vb5 Vb6 Vb7 Vb8 Vb9 Vb10 Vb11 Vb12 Vb13 Vb14 Vb15 Vb16 Vb17

Slika 4.10. Naponi nakon optimizacije za odstupanje 3%

Da bi se lakše uočila razlika između snaga baterija kondenzatora sve tri optimizacije,
njihov raspored je prikazan na Slici 4.11.

Raspored baterija kondenzatora za sva 3 odstupanja

Za odstupanje 3% Za odstupanje 4% Za odstupanje 5%
600
600

500 450 450 450 450 450

400
300 300 300 300
300

200

100

0
Qb1 Qb2 Qb3 Qb4 Qb5 Qb6 Qb7 Qb8 Qb9 Qb10 Qb11 Qb12 Qb13 Qb14 Qb15 Qb16 Qb17

Slika 4.11. Raspored baterija kondenzatora za sva 3 odstupanja

Lako je primijetiti razliku između snaga baterija kondenzatora u prvih devet čvorova, dok
su u posljednjim čvorovima snage približno iste jer dalje povećanje snage baterije kondenzatora u
tim čvorovima ne utiče na povećanje napona.
33
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

Na kraju ako se za baterije kondenzatora snaga 150,300,450 i 600 kVar-a usvoje cijene
100,180,250,350 € respektivno, onda ukupni troškovi iznose 4100 NJ za odstupanje 3%, 3410 NJ
za odstupanje 4% i 3110 NJ za odstupanje 5%. Ukupni troškovi kompenzacije za sva tri
odstupanja prikazani su na Slici 4.12.

Ukupni troškovi kompenzacije

4100
4500
4000 3410
3110
Novčane jedinice

3500
3000
2500
2000
1500
1000
500
0
Troškovi za 3% Troškovi za 4% Troškovi za 5%

Slika 4.12. Ukupni troškovi kompenzacije

34
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

5. Zaključak

Optimizacija naponskog profila je kompleksan i izazovan problem. Složenost ove

optimizacije ogleda se u tome što sama optimizacija zavisi od velikog broja parametara
(višeparametarska optimizacija) i što globalni optimum mora da zadovolji kako tehnički tako i
ekonomski kriterijum (višeciljna optimizacija). Suština tehno-ekonomske optimizacije je u
pronalaženju rješenja između najboljih naponskih prilika koje prate veliki investicioni troškovi i
loših naponskih prilika koje ne zahtijevaju finansijska ulaganja.
U Crnogorskom Elektrodistributivnom sistemu pretežno se koristi radijanla konfiguracija
koju karakterišu loše naponske prilike, naročito na krajevima dugih vodova (repovima sistema).
U gradskim sredinama gdje je razvijena industrija koriste se i druge konfiguracije koje
obezbjeđuju bolje naponske prilike. U Podgorici npr. postoji nekoliko industrijskih pogona koji
vuku velike količine reaktivne snage pa je i pored primjene prstenaste konfiguracije, koju
karakterišu povoljnije naponske prilike, potrebna kompenzacija. S druge strane, u ruralnim
sredinama se koristi samo radijalna konfiguracija sa veoma dugim vodovima pa se i kod njih
javlja potreba za nekim oblikom kompenzacije reaktivne snage. Sve ove činjenice ukazuju na
primjenljivost optimizacije pomoću Genetskog algoritma u Crnogorskom Elektrodistributivnom
sistemu, što ovu temu čini aktuelnom i veoma izazovnom.
Imajući sve ovo u vidu, realna crnogorska 10 kV mreža je idealna za demonstriranje
optimizacije naponskog profila strateškim raspoređivanjem kondenzatorskih baterija. U ovom
radu primjenom Genetskog algoritma, koji se zasniva na principu evolucije, je izvršena
optimizacija 10 kV mreže pri različitim dozvoljenim odstupanjima napona koja iznose +/-3%, +/-
4%, +/-5%. Optimizacija je izvršena tri puta da bi se utvrdilo za koje od ova tri odstupanja su
ukupni investicioni troškovi najmanji. Koje odstupanje od ova 3 će se koristiti zavisi od
karakteristika potrošača (potreba potrošača da mu se održava konstantan napon) i od EDS-a.
Kvalitet električne energije je određen odstupanjem od 5% što zahtijeva investicione troškove od
3110 NJ S obzirom da je neznatna razlika između investicionih troškova pri odstupanju 3% i 4%,
kompenzacija za odstupanje od 4% se može izabrati kao najbolje tehno-ekonomsko rješenje.
Vrijeme izvršenja optimizacije je dugo zbog istovremenog korišćenja Matlab Workspace-
a, Matlab Simunlink-a i Genetskog algortma. Dalji istraživački rad bi mogao biti usmjeren ka
programiranju Genetskog algoritma u cilju skraćivanja vremena izvršenja optimizacije i
pronalaženju rješenja za povećanje napona u čvorovima u kojima to nije moguće samo
primjenom ove metode.

35
 Optimizacija naponskog profila distributivne mreže pomoću strateškog raspoređivanja otočnih kondenzatorskih baterija

6. Literatura:

[1] Soliman Abdel-Hady Soliman and Abdel-Aal Hassan Mantawy, ,,Modern Optimization
Techniques with Applications in Electric Power Systems”, Springer 2012.
[2] J.N. Hooker, ,,Toward Unification of Exact and Heuristic Optimization Methods”,
Carnegie Mellon University, December 2012
[3] Alexander Schatten, ,,Genetics Algorithms Tutorial”
[4] M. Barukčić, Ž. Hederić, F. Jović, ,,Adaption of genetic algorithm for more efficient
minimization of active power losses in power network” , Technical Gazette 15(2008)3
[5] Prof. dr. Jadranka Radović, ,,Elektrodistributivni sistemi”, 2014/2015.
[6] Prof. dr Ilija Vujošević, ,,Analiza Elektroenergetskih sistema I”, Elektrotehnički fakultet
Podgorica, april 2006.
[7] Prof. dr Ilija Vujošević, ,,Upravljanje Elektroenergetskim sistemima-Predavanja 2010.”\
[8] Doc.dr.sc. Ranko Goić, Damir Jakus, Ivan Penović, ,,Distribucija električne
energije(interna skripta)”, Fakultet Elektrotehnike, Strojarstva I Brodogradnje Split, 2008
[9] http://www.elsis.hr/pdf/kondenzatorske_baterije/katalog1.pdf
[10] https://www.fer.unizg.hr/_download/repository/Uredjaji_za_kompenzaciju_jalove_snage.
pdf
[11] http://www.erg.hr/slike/Katalog-ERG-2010.pdf
[12] http://www.mathworks.com/

36