فایل ورد کامل مقاله استفاده از الگوریتم ترکیبی GA-PSO در بهینه‌سازی توان راکتیو؛ رویکردی نوین در مهندسی برق

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مقاله استفاده از الگوریتم ترکیبی GA-PSO در بهینه‌سازی توان راکتیو؛ رویکردی نوین در مهندسی برق دارای ۱۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مقاله استفاده از الگوریتم ترکیبی GA-PSO در بهینه‌سازی توان راکتیو؛ رویکردی نوین در مهندسی برق  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مقاله استفاده از الگوریتم ترکیبی GA-PSO در بهینه‌سازی توان راکتیو؛ رویکردی نوین در مهندسی برق،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل مقاله استفاده از الگوریتم ترکیبی GA-PSO در بهینه‌سازی توان راکتیو؛ رویکردی نوین در مهندسی برق :

چکیده: الگوریتم ژنتیک یک روش پژوهشی احتمالی خود سازگار یافته می باشد، که مبتنی بر اصول انتخاب طبیعی و روش های طبیعی ژنتیک می باشد و می تواند قانون توسعه نظریه تکامل زیستی در جهان طبیعت را شبیه سازی کند و می تواند در مسائل بهینه سازی غیر خطی پیچیده در ترکیبی از متغیر های پیوسته و متغیرهای ناپیوسته، استفاده شود. الگوریتم PSO نیز بر اساس حرکت پرندگان برای یافتن بهترین غذا می باشد. این مقاله از یک الگوریتم ترکیبی در بهینه سازی توان راکتیو استفاده می کند. روش تغییر مقیاس خطی، در تابع تناسب و روش پشتیبانی در انتخاب بکار می رود. سرعت پیوند و سرعت جهش همراه با شاخص تغییرات در عملیات بکار می روند و تغییر اضافی در عملیات جبری، بکار می رود. ویژگی الگوریتم ترکیبی پیشنهادی عدم قرار گرفتن در نتقاط بهینه محلی و یافتن بهترین جواب می باشد.

واژه های کلیدی: الگوریتم ژنتیک- -PSO بهینه سازی -توان راکتیو- تلفات

-۱ مقدمه

بهینه سازی توان واکنشی یک مسئله بسیار محدود شده و بهینه سازی ترکیبی غیر خطی می باشد. زیرا الگوریتم بهینه سازی توان راکتیو قدیمی، گستردگی الزامات خاصی در راه حل اولیه دارد و متغیر های ناپیوسته نمی تواند به آن بپردازد، الگوریتم ژنتیک و بسیاری از الگوریتم های جدید غالباً بدست انسان جهت بهینه سازی توان واکنشی بکار گرفته می شوند.[۱]

الگوریتم ژنتیک، اولین بار در مقاله پرفسور جی. اچ.

هولند از دانشگاه میشیگان در ایالات متحده آمریکا در سال ۱۹۷۵ منتشر شد. وی در مقاله اش » انطباق ساختار های مصنوعی و طبیعی « را نشان می دهد و این یک الگوریتم بهینه سازی کلی احتمالی تطبیقی می باشد که به نحو فزاینده ای گسترش و توسعه می یابند. در مقایسه با روش های قدیمی بهینه سازی، الگوریتم ژنتیک فوایدی

دارد. این فواید شامل دامنه بکارگیری وسیع، قابلیت زیاد بهینه سازی و استحکام زیاد و غیره می شود. حل کردن مسائل بهینه سازی غیر خطی پیچیده مانند بهینه سازی توان راکتیو، درخور توجه می باشد .[۲] الگوریتم ژنتیک قدیمی، نواقصی دارد از جمله همگرایی آرام، شروع آهسته و غیره. بنابراین برای مقابله با این مشکلات اصطلاحاتی اساسی در روش رمز گذاری الگوریتم ژنتیک، تابع تناسب، عامل موتاسیون( جهش ) عملیات ژنتیک، احتمالی پیوند و جهش و بخش های دیگری از این مقاله، انجام میشود. این مقاله، یک الگوریتم ترکیب شده ای را بکار می برد که برای حل مسائل بهینه سازی با بهینه سازی توان راکتیو، مناسب می باشد و یک صفحه گسترده برای سیستم های IEEE6 و IEEE30 بوجود می آورد. نتایج نشان می دهد که این روش نسبت به روش

های قبلی پیشنهاد شده (الگوریتم ژنتیک و الگوریتم ژنتیک اصلاح شده) کارایی بالاتری دارد.

-۲ مدل ریاضی بهینه سازی توان راکتیو

در بهینه سازی توان راکتیو، ما معمولاً ولتاژ پایانی مولد Ug ، ظرفیت جبران توان واکنشی ظرفیتی (خازنی) Qc و

تغییر شکل دهنده نسبت تطبیقی Tt به عنوان متغیر های کنترل، انتخاب می کنیم. ما خروجی (بازده) توان واکنشی مولد Qg و دامنه ولتاژ گره Ud به عنوان متغیر حالت انتخاب می کنیم.

محدوده متغیر های کنترل به صورت زیر نشان داده میشود:
(۱) U gi min U gi U gi max
(۲) Qci min Qci Qci max
(۳) Tti min Tti Tti max

Ugimax و Ugimin، حدود بالا و پائین ولتاژ پایانی مولد میباشد.

Qcimax و Qcimin ، حدود بالا و پائین ظرفیت جبران توان واکنشی خازنی می باشد.

Ttimax و Ttimin ، حدود بالا و پائین موقعیت نسبت تغییر شکل دهنده تطبیقی می باشد.

محدوده معادلات متغیر های حالت به شکل زیر داده میشود:
(۴) Qgi min Qgi Qgi max
(۵) Udimin Udi Udimax
Qgimax و Qgimin ، حدود بالا و پائین خروجی (بازده)
توان واکنشی مولد می باشد.

Udimax و Udimin ، حدود بالا و پائین دامنه ولتاژ گره بار می باشد.[۳]

-۳ تابع هدف

مولد بیشتر از محدودیت ها باشد، ما تابع جریمه دینامیک معرفی می کنیم تا آن را حل کنیم.
تابع هدف به صورت زیر نمایش داده می شود:
F min(PL V ( Vi )2 (6)
Vi max Vi min
)۲ ) QGi Q(
(۷) QGi max QGi min

PL U i U j (Gij cosij Bij sin ij )
N
ji i1
(۸) Qgi Qgi min (QgiminQgi)
Qgi min Qgi Qgi max 0 Qgi
Qgi Qgi max
(QgiminQgi)
(۹) Qdi Qdim in (QdiminQdi)
Qdim in Qdi Qdim ax 0 Udi
Qdi Qdim ax
(QdiminQdi)
سمت راست اولین معادله، فرمول بالاترین میزان تلفات می باشد، دومین فرمول، تلفات برای مولد توان راکتیو بیشتر از محدودیتها می باشد و سومین فرمول، تلفات برای دامنه ولتاژ گره بار بیشتر از محدودیتها می باشد.

I قطب های گره PQ سیستم می باشد. v تنظیم ضریب تلفات برای ولتاژ گره بار بیشتر از محدودیتها، می باشد .
II مجموعه ای از گره های مولد سیستم می باشد. Q

ضریب تلفات برای مولد راکتیو که بیشتر از محدودیتها است، می باشد.

مقدار پویا (دینامیک) v و Q براساس قانون شاخص بدست می آید. ما به طور جداگانه حد بالای v و Q

را به عنوان vmax و Qmax و حد پائین vmin و Qmin را برای v و Qتعیین می کنیم. مقادیر پویا v و Q با t تغییر می کنند که در زیر نمایش داده می
شود :[۴]
(۱۰) t V
V max V V

V max V V max
t
(۱۱) Q max Q Q Q

Q max Q Q max

در این مقاله، مینیمم بیشترین خطای سیستم به عنوان تابع هدف بکار می رود. اگر ولتاژ گره و بازده توان واکنشی

-۴ الگوریتم ژنتیک۱