fa تقسیم بهینه توان اکتیو و راکتیو بین چند منبع تولید پراکنده در یک شبکه مستقل با شبکه عصبی مصنوعی تخصصي Special پژوهشي Research paper در این مقاله به تقسیم بهینه توان اکتیو و راکتیو بین منابع تولید پراکنده تغذیه کننده یک شبکه مستقل با استفاده از شبکه عصبی مصنوعی پرداخته شده است. منابع تولید پراکنده تغذیه کننده شبکه مستقل توسط اینورتر به شبکه متصل شده و یک سیستم مدیریت هوشمند و on-line با استفاده از شبکه های عصبی مصنوعی، مقادیر بهینه میزان تولید واحدها را ارائه می دهد. کنترل کننده محلی موجود در کنار هر سیستم تحقق میزان توان تولیدی ارائه شده به آن را تضمین می کند. شبکه عصبی با داده هایی که از حل مسئله پخش بار بهینه با استفاده از الگوریتم ژنتیک بدست آمده بگونه ای آموزش داده شده که میزان توانهای تولیدی واحدها را به منظور کمینه سازی تلفات سیستم و با درنظر گرفتن قیود ولتاژ شین ها و مقادیر نامی واحدها تعیین نماید. نتایج شبیه سازی بر روی یک سیستم توزیع نمونه نشان می دهد که روش ارائه شده قادر به برآورده نمودن نیازهای سیستم و مقادیر نامی واحدهای تولید پراکنده در حالتهای مختلف کارکرد بوده و کنترل کننده ارائه شده سیستم را بصورت on-line در حالت بهینه مدیریت و پیوستگی تغذیه بارها را تضمین می نماید. This paper is concerned with the generation control in small stand-alone MicroGrids consisting of inverter interfaced Distributed Generation (DG) units. An intelligent and on-line Microgrid Management System (MGMS) using Artificial Neural Network (ANN) controller is used in this study and it determines the amount of power produced from generation units in a stand-alone MicroGrid. The ANN trained with a data generated from a Genetic Algorithm (GA) solved optimal power flow problem, which defines generation unit’s power in order to have a minimum power loss in the system, considering normal buses voltage and rating of generation units. Simulation results in a typical distribution system consisting two DG units show that the proposed method can meet the requirements of the system and DG units rating in stand-alone operations. In this way the system is managed in an on-line, optimal, and reliable situation that guarantee the continuity of power to loads in stand-alone mode of a MicroGrid. تولید پراکنده (DG), MicroGrid, کنترل, تخمین حالت, الگوریتم ژنتیک, شبکه عصبی مصنوعی, بهینه سازی MicroGrid, State Estimation, Genetic Algorithm, Artificial Neural Network, Load Sharing, Distributed Generation 38 49 http://joc.kntu.ac.ir/browse.php?a_code=A-10-1-33&slc_lang=fa&sid=1 Ali asghar Ghadimi علی اصغر قدیمی a-ghadimi@araku.ac.ir 1003194753284600197 1003194753284600197 Yes دانشگاه اراک hasan Rastegar حسن رستگار rastegar@aut.ac.ir 1003194753284600198 1003194753284600198 No دانشگاه صنعتی امیرکبیر Farzad Razavi فرزاد رضوی razavi.farzad@taut.ac.ir 1003194753284600199 1003194753284600199 No دانشگاه تفرش