منابع مقالات معتبر بین المللی
پروژه - فرمت وردمنابع مقالات معتبر بین المللی
پروژه - فرمت وردمطالعه انواع پارامترهای ماشین سنکرون برای اشباع: یک روش عددی…
چکیده
این مقاله انواع پارامترهای اساسی مدارهای مشابه دو محوری ماشین سنکرون را به منظور اشباع مغناطیسی شرح می دهد. حالت های مغناطیسی مختلف ماشین با استفاده از راه حل های مگنت استاتیک عنصر محدود حاصل می شود. بدین طریق الگوهای نفوذپذیر اجزای قابل اشباع ماشین، ذخیره و در برنامه عنصر محدود خاصی استفاده می شود که پاسخ فرکانسی ثابت (SSFR) ماشین را ایجاد می کند. سپس از الگوریتم ژنتیک هیبرید با توانایی یافت اکسترمم های کلی استفاده می شود تا به پارامترهای دو ساختار مداری مشابه در محور d برسد. این فرایند برای هر حالت مغناطیسی تکرار می شود تا اینکه انواع پارامترها مشخص شود. برای تایید حالت های مغناطیسی ماشین، ویژگی مدار باز با ویژگی محاسبه شده از مدل عنصر محدود مقایسه می شود. برای تایید، پارامترهای مدار مشابه محور d شناسایی می شود و در شبیه سازی یک ماشین سنکرون دارای اتصال کوتاه اتخاذ می شوند ونتایج ان با نتایج بدست امده از برنامه گذرای عنصر محدود مقایسه می شود.
کلیدواژه: پاسخ فرکانس ثابت، مدل سازی اجزای محدود، الگوریتم ژنتیک هیبرید، ماشین های سنکرون
مقدمه
پیش بینی صحیح عملکرد ماشین سنکرون گامی مهم در طراحی، تحلیل و عملکرد الکتریک سیستم های قدرت است [1]. چندین روش برای ساختن روش عملی پیچیده ماشین سنکرون بکار برده شده:
الف- مدارهای مشابه دو محور [2]
ب- مدارهای مشابه مغناطیسی [3]
ج- مدل سازی عنصر محدود [4]
اجرای روش مشابه دو محوری اسان است و نیازمند منابع کامپیوتری کمی می باشد اما بدست اوردن پارامترهای ان حتی برای کوچکترین (سنتی) مدار مشابه دو محوری [5] مشکل است. مدارهای مشابه مغناطیسی، عملکرد دائمی و گذرای ژنراتورهای سنکرون را شبیه سازی می کنند [6]. این مدارها دقیق تر از روش سنتی دومحوری هستند زیرا ماهیت توزیع شده میدان مغناطیسی درون ماشین را با دقت بیشتری توصیف می کنند. بااین وجود، دانش قبلی از مسیرهای شار برای تعیین مقاومت های مغناطیسی مدل لازم است. مدل سازی عنصر محدود [7] بعنوان یکی از قوی ترین ابزارهای شبیه سازی ژنراتور سنکرون می باشد، اما نیاز به کامپیوتر های بالاست.
مطالب مرتبط
طراحی بهینه شبکه برق برای یک مزرعه بادی بزرگ دریایی بر اساس رویکرد الگوریتم ژنتیک…
چکیده-توسعهروزافزونمزارعبادیدرمقیاسبزرگدریاییدرسراسرجهانباعثظهوربسیاریازچالشهایفنیواقتصادیجدیدشده است. هزینه سرمایه شبکه برقی که از مزارع بادی بزرگ دریایی پشتیبانی می کند، بخش قابل توجهی از هزینه کل مزارع بادی را تشکیل می دهد. لذا، یافتن طراحی بهینه شبکه برق یک وظیفه خیلی مهم است که در این مقاله به آن پرداخته می شود. در این مقاله یک مدل هزینه توسعه یافته است که هزینه های دقیق تر و واقعی تر ترانسفورماتورها، پست ها و کابل ها را در بر می گیرد. همین موضوع باعث شده است مدل جدید ارائه شده نسبت به روش های موجود مبسوط تر و بهتر باشد. همچنین از یک الگوریتمی استفاده شده است که مبتنی است بر الگوریتم ژنتیک بهبودیافته و شامل الگوریتم خاصی است که حین طراحی آرایه های شعاعی، سطح مقطع های گوناگون کابل ها را هم در نظر می گیرد. رویکرد ارائه شده توسط یک مزرع بادی بزرگ دریایی آزموده شده است؛ نتایج آزمون نشان می دهد که الگوریتم معرفی شده طراحی های بهینه معتبری از شبکه برق را فراهم می کند.
کلیدواژگان ها- سیستم توزیع برق، الگوریتم ژنتیک، مزرعه بادی دریایی، بهینه سازی.
پروژه کارشناسی ارشد برق
فایل محتوای:
۱) اصل مقاله لاتین ۹ صفحه IEEE ۲۰۱۲
۲) متن ورد ترجمه شده بصورت کاملا تخصصی ۲۰ صفحه
مطالب مرتبط
سیستم استنتاج فازی تطبیقی (ترجمه)…
چکیده
در این مقاله سیستم استنتاج فازی تطبیقی به نام SAFIS، بر مبنای شباهت های عملکردی بین شبکه توابع بر پایه شعاع و سیستم استنتاج فازی (FIS) ایجاد می گردد. در سیستم SAFIS (استنتاج فازی تطبیقی) ، مفاهیم مربوط به تاثیر قوانین فازی معرفی شده و با استفاده از این موارد، قوانین فازی بر مبنای داده های اولیه ای که تا به حال دریافت شده اند، حذف یا اضافه می گردند. اگر داده های اولیه مانع اضافه شدن قوانین فازی شوند، به این ترتیب تنها پارامترهای مربوط به قوانین مشخص (در مفهوم اقلیدسی) با استفاده از طرح فیلتر کالمن به روز می گردند. عملکرد SAFIS (استنتاج فازی تطبیقی) با چندین الگوریتم موجود در ارتباط با مسئله ارزیابی مقایسه ای شناسایی دو سیستم غیر خطی و مسئله پیش بینی سری زمانی زمان پرهرج و مرج، مقایسه می گردد. نتایچ نشان می دهد که SAFIS (استنتاج فازی تطبیقی) در مقایسه با الگوهای دیگر با توجه به تعداد قوانین کمتر، صحت مشابه یا بهتری را ایجاد می کند.
کلیدواژه: سیستم استنتاج فازی تطبیقی زنجیره ای (SAFIS) ؛ GAP-RBF؛ GGAP-RBF؛ تاثیر قوانین فازی؛ فبلتر توسعه یافته کالمن.
مقدمه
مشخص است که سیستم استنتاج فازی (FIS) تقریبا مشابه طرح های ورودی و خروجی با در نظر گرفتن بعضی از قوانین مورد استفاده قرار می گیرد. در طرح FIS، دو فعالیت اصلی وجود دارد که شامل تعیین ساختار و انطباق پارامترها می باشد. شناسایی ساختارها به تعیین ورودی ها و خروجی ها، متغیرهای پیش رو و قبلی با توجه به قوانین مورد نظر، تعداد قوانین، و موقعیت تابع عضویت می پردازد. فعالیت ثانویه انطباق پارامتر شامل تشخیص پارامترها می باشد زیرا ساختار سیستم فازی در مراحل پیشین مشخص شده اند. اخیرا، شباهت توابع بین َبکه های به هم پیوسته RBF، و FIS برای به اجرا در آوردن دو مرحله بالا مورد استفاده قرار گرفته است. این طرح از قابلیت های RBF برای تغییر قوانین و همچنین تنظیم پارامترها با توجه به اینکه سلول های پنهانی شبکه RBF در ارتباط با سیستم فازی می باشند، استفاده می کند.
مطالب مرتبط
ترجمه مقاله یک تکنیک پخش بار بهینه ی جریان-توان پیوندی (هیبرید)…
دسته: برق
حجم فایل: 6897 کیلوبایت
تعداد صفحه: 29
یک تکنیک پخش بار بهینه ی جریان-توان پیوندی (هیبرید) + نسخه انگلیسی
A Hybrid Current-Power Optimal Power Flow Technique
چکیده: در این مقاله یک مدل پخش بار بهینه (OPF) با جریان-توان پیوندی مبنی بر تزریق جریان معادل (ECI) ارایه شده، و نیز الگوریتم نقطه داخلی پیشبینی کننده-تصحیح کننده (PCIPA) ، به منظور بکارگیری OPF (پخش بار بهینه) برای حل مسایل برنامه نویسی غیر خطی (NLP) عنوان شده است. همچنین روش ارایه شده را می توان به دو زیر مساله، تجزیه کرد. نتایج محاسباتی باس های IEEE 9 تا 300 نشان دادند که الگوریتم ارایه شده می تواند با بهبود تعداد تکرارها، ذخیره سازی های حافظه، و زمان CPU، باعث بهبود عکلکرد شود.
کلیدواژگان: تزریق جریان معادل، برنامه نویسی غیرخطی، پخش بار بهینه، الگوریتم نقطه داخلی پیشبینی کننده-تصحیح کننده
مطالب مرتبط
پروژه مهندسی برق: کنترل کننده پیشگویانه عصبی…
چکیده
مقاله حاضر کنترل بار فرکانس (LFC) را براى بهبود عملکرد دینامیک سیستم قدرت در محدوده وسیعى از شرایط اجرایى بررسى می کند. این مطالعه طراحى و کاربرد کنترل کننده پیش بینی شبکه عصبى (NN-MPC) را در سیستم هاى قدرت بار فرکانس دو ناحیه ای مطرح کرده است. کنترل کننده پیشگویانه مدل شبکه عصبى (NN-MPC) پیش بینى مطمئن شبکه عصبى را با عملکرد خوب کنترل پیشگویانه مدل با استفاده از levenberg غیرخطى-بهینه سازى marquardt ترکیب می کند. کنترل کننده از انحراف خطاى ناحیه توان محلى به عنوان سیگنال فیدبک استفاده کرده است. براى اثبات اثر کنترل کننده مطرح شده، سیستم قدرت دو ناحیه ای در محدوده وسیعى از شرایط اجرایى و تغییر پارامترهاى سیستم شبیه سازى شده است. علاوه بر این، عملکرد کنترل کننده مطرح شده با کنترل کننده منطقى فازى (LFC) از طریق مطالعات شبیه سازى مقایسه شده است. نتایج به دست آمده اثر و برترى روش مطرح شده را توضیح میدهند.
کلیدواژه: کنترل کننده پیشگویانه عصبی، کنترل پیشگویانه مدل، کنترل منطقى فازى، کنترل بار فرکانس دو ناحیه ای
مقدمه
سیستم هاى قدرت بزرگ معمولا از زیر سیستم های بهم پیوسته تشکیل شده اند.. ارتباط بین ناحیه های کنترل با استفاده از خطوط ارتباطی انجام شده است. هر بخش ژنراتور یا مولتى ژنراتور خود را داردو مسئول بار خود و تعاملات برنامه ریزى شده با بخش های مجاور است. زیرا سیستم قدرت معین بارگذاری هرگز ثابت نیست و براى اطمینان از کیفیت تأمین انرژى، کترل کننده فرکانس بار براى حفظ فرکانس سیستم در مقدار عددى مطلوب مورد نیاز است. دریافت شده است که تغییرات در انرژى واقعى عمدتا بر فرکانس سیستم اثر مى گذارند و انرژى مکانیک ى ورودى به ژنراتورها براى کنترل فرکانس انرژى الکتریکى ورودى استفاده شده است. در سیستم قدرت آزاد شده، هر ناحیه کنترل شامل انواع مختلف ناپایدارى ها و اختلالات مختلف در نتیجه افزایش پیچیدگى، مدل سازى سیستم، خطاها و تغییر ساختار سیستم قدرت است. سیستم قدرت خوب طراحى شده و اجرا شده باید از عهده ى تغییرات در بار و اختلالات سیستم بر آید و سطح بالا و قابل قبول کیفیت انرژى را در زمان حفظ ولتاژ و فرکانس در محدوده هاى قابل تحمل فراهم آورد [1-3]. در طول دهه هاى اخیر، استراتژى هاى مختلف کنترل براى LFC مطرح شده اند [10-1] این تحقیق در نتیجه ى این واقعیت است که LFC تابع مهم را در فعالیت سیستم قدرت مى سازد که هدف اصلى تنظیم انرژى خروجى هر ژنراتور در سطوح مطرح شده در زمان حفظ نوسانات فرکانس در محدوده هاى پیش تعریف شده است. طرح هاى انطباقى و محکم براى برقرارى ارتباط با تغییرات در سیستم تحت استراتژى هاى LFC توسعه یافته اند [4-7]. الگوریتم متفاوت در [8] براى بهبود عملکرد سیستم هاى قدرت چند ناحیه ای مطرح شده است. با در نظر گرفتن سیستم قدرت چند ناحیه ای بر اساس LFC به عنوان طرح کنترل نامتمرکز براى سیستم چند خروجى، چند ورودى، در [9] نشان داده شده است که گروهى از کنترل کننده هاى محلى با پارامترهاى نتظیم شده می توانند ثبات و عملکرد کلى سیستم را تضمین کنند.