در این مقاله، کنترل تولید خودکار چند-واحد چهار-ناحیه ای، در سیستم تجدید ساختار شده، بررسی می شود. انواع مختلفی از خدمات جانبی در سیستم قدرت، وجود دارد. یکی از این خدمات جانبی، تبعیت بار با کنترل فرکانس می باشد، که در دسته بندی گسترده کنترلِ تولید اتوماتیک، در سیستم قدرت تجدید ساختار شده، قرار می گیرد. هدف اصلی این مقاله، معرفی چند تکنیک تازه مبتنی بر محابسه تکاملی می باشد که به صورت مستقل برای بدست آوردن پارامترهای بهره بهینه برای عملکردهای گذرای بهینه تحت شرایط عملیاتی مختلف سیستم، بکار می روند. نتایج محاسباتی و عملکردهای گذرا، مقایسه می شوند تا در پایان، بهترین روش بهینه سازی برای این مساله، بدست آید. با انجام مقایسه ها، ثابت شده است که یک الگوریتم جدید مبتنی بر تجمع ذرات، بنام بهینه سازی تجمع و بی نظمی اصلاح شده (MCASO)، و الگوریتم ژنتیک با کد حقیقی (RGA)، بهترین آنها می باشند. PSO مرسوم و الگوریتم ژنتیک با کد باینری (دودویی)، دو تکنیک بعدی می باشند که عملکردهای زیربهینه را بدست می دهند. یک DISCO (شرکت توزیع) می تواند به صورت انفرادی و نیز چند-جانبه با یک GENCO (شرکت تولید کننده) برای توان معامله کند، و این معاملات، تحت نظر ISO صورت می پذیرند. در این مقاله، از مفهوم ماتریس مشارکت DISCO برای شبیه سازی معامله های دو-جانبه در نمودار چهار-ناحیه ای، استفاده شده است. مقادیر محاسبه شده مشارکت ژنراتور و مبادلات توان خط ارتباطی، مطابق با مقادیر حقیقی مربوطه که توسط MATLAB-SIMULINK بدست آمده است، می باشد. پاسخ های گذرای بهینه، با جایگزین کردن بهره های بهینه در دیاگرام چند-واحد چهار-ناحیه ای مبنی بر MATLAB-SIMULINK، بدست می آیند.
AGC، BGA، قراردادهای (معاملات) دوجانبه، MCASO، PSOCFA، سیستم قدرت تجدید ساختار شده، RGA، SFL.
عنوان انگلیسی مقاله: The Mean-Variance Optimization Model
عنوان فارسی مقاله: مدال بهینه سازی واریانس- میانگین.
دسته: آمار
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: ١۴
جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
چکیده ترجمه:
در بخش اول این فصل، مختصرا به توضیح اصول اقتصادی خواهیم پرداخت که مبنای انتخاب پورتفولیو (سبد سرمایه گذاری) واریانس- میانگین می باشد. مقدم ای مشابه آنچه که ما در اینجا ارائه کردیم در بسیاری از مرجع های استاندارد در مورد اقتصاد مالی ( نظرات هانگ و لیتزنبرگر [HL٨٨]، یا لروی و ورنر [LW٠١] را مشاهده کنید) یا در کتاب هایی از مارکویتچ [Mar۵٩, Mar٨٧] یافت می شود.
بخش ٢.٢ به معرفی مدل واریانس – میانگین برای انتخاب سبد سرمایه گذاری می پردازد. این بخش شامل دو معیار بهینه سازی ( واریانس و پیش بینی بازده) و تعداد قراردادی معادلات و نامعادلات خطی می باشد. سه روش مختلف از اینکه چگونه به محاسبه راه حل برای این مدل بپردازیم، ارائه شده است: روش محدودیت Ɛ، روش وزنی، و برنامه ریزی پارامتری تابع هدف درجه دوم. در بخش ٢.٣ به شرح اندازه گیری پراکندگی احتمالی علاوه بر واریانس می پردازیم که بهتر مفهوم ریسک را نشان بدست می دهد، و بخش ٢.۴ به شرح ماهیت مسائل پایه ای می پردازد که برای آزمون مابقی مقاله مورد استفاده قرار می دهیم. در بخش ٢.۵، که نتیجه گیری این فصل می باشد، به طبقه بندی آن ها و تحلیل تاثیرشان بر روی مشکلات فرایند بهینه سازی می پردازیم.
٢.١ مبانی انتخاب سبد سرمایه گذاری (پورتفولیو)
در اقتصاد بازاری، تقریبا هر کسی به طور منظم می بایست به حل اختلاف مسائلی بپردازد که در مرکز انتخاب سبد سرمایه گذاری قرار دارد. چه کاری می توان با مقدار پول مورد نظر به منظور دسترسی به بیشترین میزان رفاه کلی انجام داد. شرح این مسئله بسیار مبهم است. به منظور مدیریت آن به طور کمّی، چندین فرضیه دیگر، ساده سازی، و استانداردسازی می بایست صورت گیرد.
در علم اقتصاد، ‘ رفاه’ اغلب به کمک تابع فایده u اندازه گیری می شود: Y R، که نشان دهنده بازده احتمالی Y برای رویدادی با ارقام حقیقی می باشد. ارزش تابع هدف بالاتر، نشان دهنده میزان بالاتری از رفاه می باشد.
اولین فرضیه ای که مطرح می کنیم- و نسبتا کلی مکی باشد- این است که سرمایه گذار تنها علاقمند به سود مالی می باشد. انگیزه های دیگر همانند، اولویت سرمایه گذاری هایی که از نظر اخلاقی بی عیب می باشند، مد نظر قرار نگرفته اند.
موارد ساده سازی شده مهم دیگر، فرضیه ای می باشد که فرایند سرمایه گذاری می تواند به عنوان مدل تک- دوره ای بیان شود.
در این مقاله، یک روش تخمین (پیش بینی) فازور دینامیک اصلاح شده برای رله های حفاظتی ارایه شده است، تا فازور دینامیکی مولفه اصلی فرکانس را با دامنه متغیر-با-زمان، محاسبه کند. فرض شده است که جریان خطا، ترکیبی از آفست میرا شونده dc، یک فرکانس مولفه اصلی میرا شونده، و هارمونیک های با دامنه های ثابت است. توابع نمایی آفست dc در حال محو و مولفه اصلی فرکانس، با سری های تیلور جایگزین شده اند. سپس، از روش LC (کوچکترین مربع یا مجذور) برای تخمین دامنه ها و ثابت های زمانی مولفه های میرا شونده، استفاده شده است. عملکرد این الگوریتم، با بکاربری از سیگنال هایی که بر مبنای معادلات ساده و سیگنال های خطای بدست آمده از مدل مزرعه بادی DFIG در MATLAB Simulink شبیه سازی شده اند، ارزیابی شدند. نتایج نشان می دهند که الگوریتم ارایه شده ما می تواند تخمینی دقیق از دامنه میراشونده و ثابت زمانی مولفه اصلی فرکانس، ارائه دهد.
این روزها، علایق زیادی برای اتصال منابع مختلف انرژی برق که با عنوان منابع انرژی توزیع شده (DER) معروف هستند به سیستم های قدرت، وجود دارد. مقدار زیادی از این علاقه به دلیل تقاضای انرژی پاک، قابلیت اطمینان بالا، و کیفیت توان بهبود یافته، می باشد. DERها چندین امکان برای تبدیل انرژی و تولید برق، ارایه می دهند. منابع انرژی و مبدل های گوناگون، برای تولید برق با استفاده از آرایه های PV (پیل خورشیدی)، توربین های بادی، مزرعه های بادی، میکروتوربین ها، موتورهای متناوب دیزولی و گاز طبیعی مرسوم، توربیین های با سوخت گاز، توربین های با بویلرهای گازی، و تکنولوژی های ذخیره انرژی بکار می روند [1].
این مقاله مدلسازی بازوی ربات سبک وزن BioRob را با تحریک کشسان سری به منظور شبیه سازی و طراحی کنترل کننده ارائه می دهد. ما کوپل حرکتی ایجاد شده بوسیله تحریک ایجاد شده بوسیله کابل را توصیف می نماییم و همچنین دینامیک بازوی ربات را که دربرگیرنده فعال کننده کشسان و مدل دنده و موتور است بررسی می نماییم. ما نشان خواهیم داد که چگونه مدل دینامیک معکوس استخراج شده از این معادلات می توانند به عنوان یک مبنا برای کنترل کننده ردیاب موقعیت مورد استفاده قرار گیرد. این مدل قادر خواهد بودکه به میزان کافی نوسانات ایجاد شده بوسیله کشسانی غیرخطی نسبتا بالای مفاصل را میرا نماید. ما نتایج بدست آمده ازشبیه سازی ها را ارائه خواهیم داد و به صورت مختصر پیاده سازی را برای کاربردهای واقعی شرح می دهیم.
کشسانی (ارتجاع) در تحریک بازوی های ربات برای مدت های طولانی به عنوان یک عامل نامطلوب شناخته می شد. هنگامی که در تحریک مفاصل کشسانی وارد می گردد، پهنای باند نیرو و گشتاور کاهش می یابد و پیچیدگی کنترل کننده برای میرا نمودن نوسانات و کنترل ردیابی افزایش می یابد. اگرچه مطالعات در مورد تحریک کننده های کشسان [١٣] نشان داده است که تطبیق پذیری مکانیکی در تحریک مفصل می تواند کنترل نیرو را در شرایطی مقید ساده سازی نماید و ایمنی را به دلیل فیلترینگ پایین گذر پیکهای گشتاور و نیروی بین مفاصل بدون کوپل و جعبه دنده افزایش می دهد و یهره وری یک کار خاص را با توجه به امکان ذخیره-سازی انرژی مکانیکی در کشسانی افزایش می دهد. برای مثال بهره وری پرتاب در [١٨] مورد بررسی قرار گرفت. در [١٩] یک راه کار تحریک با دو موتور برای افزایش پهنای باند گشتاور مفصل، بدون به مخاطره انداختن ایمنی مورد مطالعه قرار گرفت. یک دسته بندی نیز برای اصول تحریک ارتجاعی مفصل در [١٧] داده شده است.
در این مقاله ما این موضوع را در نظر می گیریم که آیا یک حیوان و یا یک ایجنت (یک’ shadower’) قادر است تا به صورت فعال حرکات خود را مستتر کند در عین حال که حیوان و یا ایجنت دیگری را تعقیب می کند. نشان داده می شود که تحت یک شرایط خاص، تعقیب کننده چنانچه در یک مسیر به گونه ای حرکت کند که نور تولیدشده توسط یک شی ساکن از منظر شی تحت تعقیب را تقلید کند، می تواند حرکت خود را مخفی کند. برای تعیین مسیرهایی که shadower را قادر سازد تا حین تعقیب shadowee، یا حین حرکت به سمت یک هدف ساکن یا متحرک، بتواند حرکت خود را مستتر کند، الگوریتم هایی توسعه یافته و تست شدند. استراتژی های ارائه شده بدون توجه به اینکه shadower در یک پس زمینه ساختاریافته و یا همگن در نظر گرفته شود، کار می کنند. بررسی موضوع استتار فعال جنبشی در مفاهیمی چون رفتار ‘تعقیب کنندگی’ در زنبورها، دستگیری طعمه توسط شکارچیان و مانورهای نظامی قابل توجه و مورد علاقه است.
وقتی یک حیوان و یا یک روبات حرکت می کند، تصاویر اشیاء پیرامون روی شبکیه چشم (یا روی سطح تصویربرداری دوربین روبات) حرکت می کنند، حتی اگر این اشیا از لحاظ فیزیکی به صورت ساکن باشند. با این حال، برخی حیوانات من جمله حشرات وقتی درحال حرکت باشند قادر به تشخیص اشیاء ساکن و متحرک هستند. معمولا، جریان نور تابیده شده از یک شی متحرک با نور حاصل از اشیاء ساکن متفاوت است. به طور واضح، سیستم های بصری بیشتر حیوانات قادر به تشخیص این تفاوت هستند، اما این موضوع جای سوال دارد: چگونه یک حیوان (یا ایجنت) می تواند بدون دور کردن خود با حرکت خویش، دیگری را تعقیب یا ‘shadow’ کند؟