دانلود ترجمه مقاله الگوریتم های بهینه سازی برای افزایش سرعت رله های اضافه جریان

1. مقدمه 2. مطالعات گزینش‌پذیری و سرعت 3. مروری بر فلسفه حفاظت 4. الگوریتم‌های بهینه‌سازی هماهنگی رله اضافه جریان 5. تحلیل گزینش‌پذیری و سرعت 6. مدل‌های هوش مصنوعی برای بهینه‌سازی رله اضافه جریان 7. توصیه‌هایی برای مطالعات آتی 8. نتیجه‌گیری

چکیده – رشد نمایی و پیچیدگی در سیستم‌های توزیع متنوع، چالش‌های هماهنگی حفاظتی را به وجود آورده است. در ابتدا، طرح‌های هماهنگی حفاظتی با استفاده از روش‌های مرسوم به دست می‌آمدند؛ با این حال، استفاده از این روش‌ها مبتنی بر اصول آزمون و خطا و پرزحمت است. در نتیجه، مطالعات کنونی استفاده از بهینه‌سازی ازدحام ذرات، مدل‌های هوش مصنوعی و الگوریتم‌های ژنتیک را برای بهینه‌سازی گزینش‌پذیری و سرعت عملکرد رله‌های اضافه جریان به کار گرفته‌اند. بهینه‌سازی ازدحام ذرات، هوش مصنوعی و الگوریتم‌های ژنتیک، تکنیک‌های بهینه‌سازی هستند که گاهی اوقات به دلیل انتخاب نامناسب پارامترهای کنترلی و فقدان مقادیر بهینه، زودرس همگرا می‌شوند که منجر به افزایش زمان محاسباتی می‌شود. بنابراین، این مقاله یک بررسی جامع از تحولات اخیر در زمینه تحلیل حساسیت پارامتری، انتخاب مدل‌های هوش مصنوعی بر اساس در دسترس بودن داده‌ها و احتمال حل مسائل هماهنگی رله‌های اضافه جریان ارائه می‌دهد. مقالات بررسی‌شده نشان می‌دهد که عملکرد بهینه‌سازی ازدحام ذرات به شدت تحت تأثیر وزن اینرسی و اندازه ازدحام قرار دارد، در حالی که تعداد تکرارها تأثیر ناچیزی دارد. یافته‌ها همچنین نشان می‌دهند که نرخ تقاطع، احتمال جهش و اندازه جمعیت بر رفتار الگوریتم‌های ژنتیک تأثیر می‌گذارند. مدل‌های هوش مصنوعی فاقد مطالعه حساسیت برای تنظیم پارامتری هستند، به این معنی که تعداد لایه‌های پنهان، توابع عضویت، اپسیلون در ماشین بردار پشتیبان و تعداد قوانین فازی بر عملکرد مدل‌ها تأثیر می‌گذارند.

An exponential growth and complexity in diverse distribution systems have contributed to protection coordination challenges. Initially, protection coordination schemes were achieved by means of conventional techniques; however, the utilisation of such methods is based on trial-and-error principles and laborious. Consequently, current studies have adopted the utilisation of particle swarm optimization, artificial intelligence models, and genetic algorithms to optimise overcurrent relay selectivity and operational speed. Particle swarm optimization, artificial intelligence, and genetic algorithms are optimization techniques that at times converges prematurely due to poor selection of control parameters and lack of optimal values, which results in increased computational time. Therefore, this paper presents a comprehensive review of recent developments in terms of parametric sensitivity analysis, selection of artificial intelligence models based on data availability, and the likelihood of solving overcurrent relay coordination problems. The reviewed literature shows that particle swarm optimization performance is greatly influenced by inertia weight and swarm size, while the number of iterations has insignificant effect. The findings also indicate that crossover rate, mutation probability, and population size affect genetic algorithms behaviour. Artificial intelligence models lack sensitivity study for parametric tuning, that is, number of hidden layers, membership functions, epsilon in support vector machine, and number of fuzzy rules affects the models’ performance.