دسته: برق
حجم فایل: 425 کیلوبایت
تعداد صفحه: 12
جایابی بهینه SVC و TCSC برای بهبود پایداری ولتاژ و کاهش تلفات سیستم قدرت با استفاده از ترکیب الگوریتم ژنتیک باینری و بهینهسازی ازدحام ذرات+ نسخه انگلیسی 2012
Optimal Allocation of SVC and TCSC for Improving Voltage Stability and Reducing Power System Losses
using Hybrid Binary Genetic Algorithm and Particle Swarm Optimization
چکیده- برخی کاربردهای ادوات FACTS نشان دهنده آن است که آنها ابزارهایی مناسب و موثر برای کنترل پارامترهای فنی سیستمهای قدرت هستند. با این حال، تعیین محل بهینۀ اندازه و نوع این تجهیزات مساله دشواری است. علاوه بر این، بکارگیری یک تابع هدف مناسب برای جایابی بهینه ادوات FACTS یک نقش مهم در بهبود اقتصادی یک باز برق ایفا میکند. در این مقاله، یک روش مناسب برای جایابی چندین نوع تجهیز FACTS ارائه میشود تا پایداری ولتاژ افزایش یافته و تلفات با در نظر گرفتن هزینههای نصب تجهیزات و هزینههای عمومی عملکرد سیستم قدرت، کاهش یابد. لذا در این مقاله برای جایابی همزمان و تعیین اندازه دو نوع تجهیز سری و موازی (TCSC، SVC) در یک ساختار چندمنظوره از ترکیب الگوریتم ژنتیک باینری و بهینهسازی ازدحام ذرات استفاده میشود؛ و نیز برای دستیابی به یک پاسخ بهینه برای تابع سازگاری از فرایند تحلیل سلسلهمراتبی بهره گرفته میشود. پس از آن، روش پیشنهادی روی یک سیستم 30 باس اصلاح شده IEEE پیادهسازی میشود. با مقایسه نتایج بدست آمده از الگوریتم پیشنهادی با الگوریتمهای PSO (بهینهسازی ازدحام ذرات) و GA (الگوریتم ژنتیک) ، کارائی بالای الگوریتم ارائه شده تصدیق خواهد شد.
عبارات کلیدی: ادوات FACTS، ترکیب الگوریتم ژنتیک باینری و بهینهسازی ازدحام ذرات، پایداری ولتاژ، تلفات سیستم، جایابی بهینه، هزینههای نصب و اجرا.
مقدمه
تجهیزات FACTS با ساختارهای یکتای خود میتوانند این شانس را برای کاربر بوجود آورند که توانهای فعلی خطوط را کنترل کرده و بدین ترتیب محدودیتهای مربوط به پایداری خطوط انتقال و امنیت سیستم را بهبود دهند. استفاده از ادوات FACTS، در مقایسه با روشهای مرسومی چون حذف بار و برنامهریزی مجدد تولید، به نظر میرسد اقتصادیتر و به صرفه باشد چون این تجهیزات به جز هزینه نصب هزینه دیگری را در حین عملکرد متحمل نمیشوند. ادوات FACTS میتوانند به طور همزمان توانهای اکیتو و راکتیو را کنترل کنند؛ علاوه بر این، قادرند دامنه ولتاژ را نیز کنترل کنند. این تجهیزات میتوانند شارژ توان را روی خطوطی که با ایجاد یک سطح ولتاژ بهینه دچار اضافه بار شدهاند کاهش دهد. از طرف دیگر، تجهیزات FACTS میتوانند محدوده سیگنال کوچک و پایداری گذرا را بهبود دهند و نیز تلفات سیستم قدرت را کاهش دهند. لذا، با در نظرگیری هزینههای نصب ادوات FACTS برای جایابی این تجهیزات، نتایج بدست آمده واقعیتر جلوه میکنند. تاثیر ادوات FACTS روی امنیت سیستم قدرت در مراجع در نظر گرفته شده است. یکی از کاربردهای بارز ادوات FACTS غلبه بر ناپایداری ولتاژ در سیستم قدرت است. در واقع، پایداری ولتاژ توانمندی یک سیستم در حفظ دامنه مجاز ولتاژ باسها در همه شرایط موجود است. توانایی انتقال توان راکتیو از باس تولید تا محل مصرف در حالت دائم سیستم قدرت یکی از مسائل مهم در پایداری ولتاژ است. معمولا، یک سیستم قدرت در شرایطی چون وقوع یک حادثه در سیستم، افزایش بار، و یا تغییر شرایط سیستم ناپایدار میشود چون کاهش ولتاژ به صورت پیوسته و غیرقابل کنترل میشود.
خلاصه
این مقاله به شرح کاربرد الگوریتم ژنتیکی هیبریدی در ارتباط با نمونه های دنیای واقعی در مورد زمانبندی دوره اموزش دانشگاهی می پردازد. ما زمانبندی آزمایشی را در محیط کاملا محدود مد نظر قرار می دهیم، که در ارتباط با آنف تعریف رسمی داده می شود. تکنیک های ارائه راه حل متناسب با این مسئله به همراه عملگرهای ژنتیکی مربوطه و الگوریتم جستجوی محلی تعریف می گردند. رویکرد مطرح شده در این مقاله به طور موفقیت آمیزی برای زمانبندی در نهادهای پژوهشی مورد استفاده قرار گرفته و دارای قابلیت ایجاد زمانبندی برای نمونه های مسائل پیچیده تر می باشد.
مقدمه
مسئله زمانبندی دانشگاهی و انواع آن به عنوان بخشی از دسته بندی زمانبندی و مسئله زمانبندی می باشد. هدف جدول زمانبندی، تعیین ضوابطی برای تعداد محدودی از منابع بوده در حالی که تمام محدودیت ها نیز در نظر گرفته می شود. دو شکل مسئله زمانبندی دانشگاهی در تحقیقات امروزی مد نظر قرار می گیرد: زمانبندی امتحان و مسئله زمانبندی دوره آموزش می باشد، به ترتیبی که تفاوت بین این انواع معمولا بستگی به دانشگاه مربوطه دارد. این مسئله به صورت تخصصی تر مبتنی بر فعالیت های بعد از ثبت نام و یا تکلیف محور می باشد. در مسائل بعد ثبت نام، زمانبندی می بایست به گونه ای ایجاد گردد که تمام دانشجویان بتوانند در تمام برنامه هایی که ثبت نام کرده اند شرکت کنند، در حالی که در مسئله برنامه تحصیلی محدودیت ها بر طبق به دوره تحصیلات دانشگاه و نه بر مبنای داده های نام نویسی می باشد.
به دلیل پیچیدگی ذاتی مسئله و تغییر پذیری، بیشتر مشکلات حقیقی مرتبط به زمانبندی دانشگاهی بر مبنای NP می باشد. این موارد مستلزم الگوریتم های ذهنی می باشد که تضمینی را برای راه حل های مطلوب ایجاد نمی کنند، اما در بسیاری از موارد قابلیت ایجاد راه حلی را دارند که که برای اهداف عملی مناسب می باشند. قبلا نیز نشان داده شده است که تکنیک های مبتنی بر موارد فرا ذهنی (همانند الگوریتم های تکاملی؛جستجوی ممنوع و غیره) مشخصا متناسب با حل این نوع از مشکلات بوده، و این مقاله نمونه ای از آن رویکرد می باشد.
این مقاله تمرکزش را بر روی مسئله زمانبندی آزمایشی (LETP) قرار می دهد، که ما آن را به عنوان نوعی از مسئله زمانبندی دوره آموزشی دانشگاهی (UCTP) تعریف می کنیم. انگیزه برای این مقاله حاصل از نیاز برای ایجاد زمانبندی خودکار در نهادهای پژوهشی می باشد. این جداول زمانی دیگر با استفاده از روش های سنتی به دلیل بالا رفتن پیچیدگی های مربوط به اصلاح دوره آموزشی ایجاد نمی گردد.
عوامل موثر
۱- واریته
۲- شرایط اقلیمی
۳- خاک
۴- نوع ومقدار وزمان مصرف کود
۵- تناوب زراعی
۶- زمان کاشت
۷- حمله آفات وبیماریها وسایر عوامل زنده روی گندم
۸- وجود علف های هرز
۹- زمان برداشت
خلاصه
اشتریشیا کُلی (E. coli) در درون سلول های کوچک خود حاوی تمام اطلاعات ژنتیکی مورد نیاز برای فرایند، متابولیسم، رشد و بازتولید می باشد. آن می تواند به سنتز تمام ملکول های مورد نیاز ارگانیکی خود از گلوکز گرفته تا یون های غیرآلی بپردازد.
بسیاری از ژن ها در اشتریشیا کُلی (E. coli) با حداکثر توان خود فعالیت می کنند یعنی اینکه آن ها همیشه فعال می باشند و ژن های دیگر زمانی فعال می شوند که مورد نیاز سلول ها باشند به این ترتیب ظاهر آن ها می بایست کنترل شده باشد.
دو نمونه:
– اگر آمینو اسید تریپتوفان (Trp) به مواد مورد کشت اضافه شود باکتری ها فورا تولید 5 آنزیمی که قبلا برای ترکیب Trp و عناصر میانجی در طی تنفس گلوکز به کار می رفتند متوقف می کند. در چنین مواردی حضور فعالیت های انزیمی منجر به کاهش ساخت آنزیم ها می گردند.
– بلعکس، اضافه کردن لایه جدید به مواد کشت شده موجب تحریک شکل گیری آنزیم جدید برای متابولیزه کردن آن لایه ها خواهد شد. اگر ما مجموعه ای از باکتری های کشت شده را که از گلوکز تغذیه می کنند برداریم و تعدادی از سلول ها را به لاکتوز اضافه کنیم، مجموعه ای از توالی اتفاق می افتد.
در ابتدا سلول ها ساکن می شوند. آن ها موجب متابولیزه شدن لاکتوز نمی گردند و فعالیت های متابولیکی دیگر کاهش یافته و تقسیم سلولی متوقف می گردد.
به هر حال به زودی کشت باکتری با مصرف سریع لاکتوز شروع می شود. در این صورت چه اتفاقاتی می افتد ؟ در فاصله زمانی که وقفه ایجاد می شود، سلول ها شروع به تولید 3 آنزیم می کنند که قبلا آن ها را تولید نمی کردند.
دسته: فنی و مهندسی
حجم فایل: 202 کیلوبایت
تعداد صفحه: 27
الگوریتم ژنتیک یک روش بهینه سازی عددی است که براساس اصول داروین و با الهام از انتخاب طبیعی و ژنتیک طبیعی کار می کند. رقابت میان موجودات زنده برای تصاحب منابع مشترک محدود، باعث می شود که کارآمدترین افراد در این رقابت پیروز شده و در انتقال ژن ها به نسل بعدی، نقش مؤثرتری داشته باشند. نتیجه این امر، برازندگی بیشتر افراد هر نسل و نیز سازگاری بیشتر افراد در نسل های بعدی با شرایط حاکم بر محیط اطراف خواهد بود. الگوریتم ژنتیک یکی از مجموعه روش های تکاملی است. این روش مناسبترین رشته ها را از میان بقیه رشته ها که بصورت تصادفی ایجاد ایجاد شده اند انتخاب می کند. در واقع منظور از بهترین رشته، رشته هایی هستند که بهینه ترین مقدار تابع ارزش را دارا هستند.
هدف از این پروژه طراحی المانهای یک تقویت کننده برای رسیدن به یک بهره مشخص با استفاده از الگوریتم ژنتیک می باشد. در واقع با استفاده از این پروژه کافی است که مشخص کنید به چه بهره ای نیاز دارید، در این صورت برنامه به یافتن المانهای مدار می پردازد. محیط پروژه، نرم افزار Matlab می باشد.
این مجموع شامل موارد زیر است:
1- فایل پروژه که قابلیت اجرا با نرم افزار MATLAB را دارد. (500 خط برنامه نوشته شده)
2- گزارش کامل پروژه به همراه توضیح تمامی خطوط برنامه نوشته شده
3- یک مقاله آماده برای ارائه در کنفرانس و یا ژورنال. لازم به ذکر است که این مقاله در هیچ کنفرانس و یا ژورنالی ارائه نشده است.