خلاصه
در این مقاله برنامۀ توسعۀ تولید و انتقال (TEF , GEP) با در نظرر گرفتن حد بارگذاری سیستم قدرت مطالعه شده است. از روش شبکه های عصبی مصنوعی (ANN) برای ارزیابی حد بارگذاری سیستم قدرت به دلیل ویژگی های حساسیتش استفاده شده است. بازسازی سیستم قدرت و جداسازی سازمان های تصمیم گیرندۀ توسعۀ تولید و انتقال، هماهنگی میان شرکت های تولید و انتقال را حیاتی تر ساخته است. از دیگر سو، پایداری ولتاژ، یکی از مشخصه های سطح امنیتی سیستم قدرت می باشد. در این مقاله، نخست الگوی بار یک سیستم قدرت 6-شینه توسعه یافته، و سپس با استفاده از مشخصه های حساسیت ANN بهترین شین برای افزایش بار، تعیین می شود. آنگاه، ارتباط متقابل استراتژیکی میان شرکت انتقال (trasco) و شرکت تولید (GenCo) برای TEP و GEP در یک بازار برق رقابتی با استفاده از تیوری گیم (GT) ارایه می شود. الگوریتم ارایه شده از سه مرحلۀ بهینه سازی برای تعیین تعادل نش بطوری که سودمندترین روش برای هردو سوی گیم در یک گیم برنامه ریزی توسعه، یافتنی باشد تشکیل می شود.
کلمات کلیدی: برنامه توسعه تولید، برنامه توسعه انتقال، نظریه گیم، حد بارگذاری و شبکه عصبی مصنوعی
مقدمه
بازسازی و بازتنظیم سیستم قدرت، چالش های تازه ای را به برنامه ریزی سیستم قدرت اعمال می کند. در یک بازار توان انحصاری، تصمیم گیرنده تنها یک بنیادیست که می تواند در مورد برنامۀ توسعۀ تولید (GEP) و برنامۀ توسعۀ انتقال (TEP) ، تصمیم بگرید. بدلیل ایجاد شدن رقابت در بازار برق، بهتر است که تصمیم گیرنده های TEP و GEP جدا شوند؛ بطوری که شرکت انتقال (TrasCo) برای TEP و شرکت تولید (GenCo) برای GEP تصمیم گیری کند. در چنین محیطی، هماهنگی میان این دو نهاد حیاطی تر می شود؛ زیرا هر توسعۀ ظرفیت می تواند به دیگری اثر گذاشته و در نتیجه سود هر شرکت می تواند به طور وابسته، تحت تاثیر قرار گیرد.
خلاصه
اکنون که ما بعضی از کاربردهای اصلی GA (اسمیلی کلی) پیوسته و دودوئی را مشاهده کرده ایم و بعضی از نکات مثبت اجرای آن ها را مورد بحث قرار دادیم، جالب است تا نگاهی به این مورد بیاندازیم که چه کارهایی را می توان با GA و واحدهای اطلاعاتی انجام داد. نمونه های این فصل از موضوعاتی که قبلا در فصل 5 به بحث گذاشته شد استفاده کرده و مواردی را به نمونه هایی که در فصل 4 نشان داده شده اضافه می کند. آن ها بخش های گسترده ای را تحت پوشش قرار داده و شامل نمونه های فنی و غیرفنی می باشند. اولین مثال حل مسئله فروشنده دوره گرد می باشد که GA می بایست الگوریتمی را در شهری که توسط این فروشنده مورد بازدید قرار می گیرد، ایجاد کند. دومین نمونه به بازبینی مکان یابی واحد های اضطراری از فصل 4 پرداخته اما این بار از “رمز گری” استفاده می کند. مورد بعدی به دنبال علائمی می باشد که یک پیام مخفی را رمزگشایی می کند. مثال بعدی در ارتباط با طرح مهندسی بوده که شامل برنامه ریزی حرکت ربات و طرح حرکات ابتدایی می باشد. ما کار خود را با چندین مثال از علوم و ریاضیات به پایان می رسانیم که به اثبات روش هایی می پردازد که در تحقیقات مورد استفاده قرار می گیرد: که شامل داده های بکارگرفته شده برای ایجاد مدل های معکوس، زوج هایی برای شبیه سازی به همراه GA برای تعیین اختصاص منابع برای ارزیابی آلودگی هوا، مواردی که به ترکیب GA با تکنیک هوش مصنوعی- شبکه های رشته ای- می باشد و مورد آخر راه حل هایی را برای معادله تفکیک غیرخطی درجه پنجم ایجاد می کند.
حل مسئله فروشنده دوره گرد
فصل 5 چندین روش را برای تغییرمسیر و جهش عملیات برای GA به منظور دنبال کردن مشکلات مربوط به جایگردی یا ترتیب دهی نشان می دهد. این زمانی می باشد که این مجموعه GA در ارتباط با فروشنده دوره گرد مد نظر قرار می گیرد، که مشکلات بهینه سازی ترافیک را که توسط روش های سنتی حل نمی گردد، نشان می دهد. هدف پیدا کردن کوتاه ترین مسیر برای فروشنده برای دیدار از شهر N می باشد.
مقدمه
در این فصل ما بر روی تاثیر پارامترهای گوناگون و خصوصیات انتقال حرارت خارجی اجزاء توربین تمرکز می نماییم. پیشرفتها در طراحی محفظه احتراق منجر به دماهای ورودی توربین بالاتر شده اند که به نوبه خود بر روی بار حرارتی و مولفه های عبور گاز داغ تاثیر می گزارد. دانستن تاثیرات بار حرارتی افزایش یافته از اجزایی که گاز عبور می کند طراحی روشهای موثر سرد کردن برای محافظت از اجزاء امری مهم است. گازهای خروجی از محفظه احتراق به شدت متلاطم می باشد که سطوح و مقادیر تلاطم 20 تا 25% در پره مرحله اول می باشد.مولفه های مسیر گاز داغ اولیه،پره های هادی نازل ثابت و پره های توربین درحال دوران می باشد. شراعهای توربین، نوک های پره، سکوها و دیواره های انتهایی نیز نواحی بحرانی را در مسیر گاز داغ نشان می دهد. برسی های کار بردی و بنیادی در ارتباط با تمام مولفه های فوق به درک بهتر و پیش بینی بار حرارتی به صورت دقیق تر کمک کرده اند. اکثر بررسی های انتقال حرارت در ارتباط با مولفه های مسیر گاز داغ مدل هایی در مقیاس بزرگ هستند که در شرایط شبیه سازی شده بکار می روند تا درک بنیادی از پدیده ها را فراهم سازد. مولفه ها با استفاده از سطوح صاف و منحنی شبیه سازی شده اند که شامل مدل های لبه راهنما و کسکید های ایرفویل های مقیاس بندی شده می باشد. در این فصل، تمرکز بر روی نتایج آزمایشات انتقال حرارت بدست آمده توسط محققان گوناگون روی مولفه های مسیر گاز خواهد بود.
دسته: برق
حجم فایل: 778 کیلوبایت
تعداد صفحه: 17
روش الگوریتم جهش ترکیبی قورباغه برای حل مساله مشارکت واحد سودمحور با محدودسازی انتشار (آلایندهها) + نسخه انگلیسی 2013
SFLA approach to solve PBUC problem with emission limitation
چکیده
در این مقاله، برای حل مساله مشارکت واحد سودمحور در یک محیط تجدید ساختار یافته و محدودیت انتشار آلایندهها، الگوریتم جهش ترکیبی قورباغه ارائه میشود. مساله بهینهسازی تابع دو هدفه به صورت بیشینهسازی سود شرکتهای تولیدی و کمینهسازی آلایندههای جوی واحدهای حرارتی فرموله میشود، در عین حال که همه قیود باید ارضا شوند. این کار، برای اختصاص هزینههای ثابت و گذرا به ساعات زمانبندی، قید تقاضای نرمتری را در نظر میگیرد. برای شبیهسازی از برنامه متلب نسخه 10/7 و از یک سیستم نمونه 39 باس 10 واحد IEEE استفاده شده است. با توجه به نتایج بدست آمده، ملاحظه میشود که الگوریتم ارائه شده به بیشترین سود و کمترین سطح انتشار دست مییابد، و در عین حال در مقایسه با مشارکت واحدهای سنتی زمان محاسباتی بسیار کمتری هم دارد.
مشارکت واحد (UC) یک مساله بهینهسازی غیرخطی با اعداد صحیح ترکیبی است که در برنامهریزی عملکرد واحدهای تولیدی با کمترین هزینه اجرائی و در عین حال ارضای الزامات تقاضا و ذخیره، کاربرد دارد. در قدیم مساله مشارکت واحد باید بر اساس وضعیت روشن/ خاموش واحدهای تولیدی در هر ساعت از دوره برنامهریزی تعیین میشدند و به صورت بهینه بار و ذخیره را بین واحدهای مشارکتی توزیع میکردند. مشارکت واحد مهمترین مساله بهینهسازی در عملکرد سیستمهای قدرت است. پاسخ بهینه فرامحلی (جهانی) برای مساله مشارکت واحد را میتوان با شمارش کامل بدست آورد، که به علت نیازمندی به زمان محاسباتی زیاد برای سیستمهای قدرت بزرگ محدود شده است. برای حل مساله مشارکت واحد روشهای گوناگونی تاکنون ارائه شده است، مثل لیست اولویت (PL) ، برنامهنویسی پویا (DP) ، آزادسازی لاگرانژ (LR) ، الگوریتم ژنتیک (GA) و بهینهسازی گروه ذرات (PSO). روش لیست اولویت سریع است اما بسیار ابتکاری است و هزینههای عملکردی نسبتا بالائی برای برنامهریزی بدست میدهد. روش برنامهنویسی پویا نیز دارای قابلیت حل مسائل با اندازههای مختلف را دارد. اما اگر قیود در نظر گرفته شده باشند، ممکن است منجر به پیچیدگی ریاضی شده و زمان محاسبه افزایش یابد.
دسته: برق
حجم فایل: 440 کیلوبایت
تعداد صفحه: 13
v بررسی درمورد مدیریت انرژی و استراتژی های کنترل آن در میکروشبکه
چکیده:
در این مقاله میکروشبکه هایی که متشکل از پیل های (سلول های) خورشیدی، میکرو توربین، وسیله ذخیره و بار است بررسی شده اند. بر اساس تجزیه و تحلیل ساختار خاص میکروشبکه و حالت های عملی هر میکرو سورس (منبع کوچک) برنامه مدیریت انرژی ارائه و طراحی شده است، برنامه مدیریت انرژی و استراتژی های کنترل آن تحت شرایط حالت اتصال شبکه و حالت جزیره ای (islanding) بررسی شده است. چند مثال الگوریتمی از طریق شبیه سازی بررسی شده است و نتایج شبیه سازی صحت استراتژی های کنترل مدیریت انرژی را تأیید می کند. نتایج این تحقیق نشان می دهد ثبات و کارایی بالای کارکرد میکروشبکه بعلت کنترل هم آراسته (هماهنگ) مدیریت انرژی تضمین می شود.
(کلمات کلیدی میکروسورس، سیستم مدیریت انرژی، استراتژی های کنترل، حالت های عملکرد)