دانلود ترجمه مقاله الگوریتم بهینه سازی ازدحام ذرات برای مسئله تخصیص خازن در شبکه های توزیع
عنوان فارسی |
الگوریتم بهینه سازی ازدحام ذرات برای مسئله تخصیص خازن در شبکه های توزیع متصل به ژنراتورهای توربین بادی |
عنوان انگلیسی |
Particle swarm optimization algorithm for capacitor allocation problem in distribution systems with wind turbine generators |
کلمات کلیدی : |
  سیستم توزیع؛ الگوریتم ژنتیک؛ مکانیابی خازن شبه بهینه؛ بهینهسازی ازدحام ذرات؛ انرژی باد؛ تنظیم مشخصه ولتاژ |
درسهای مرتبط | سیستم های توزیع انرژی؛ جایابی بهینه؛ الگوریتم های بهینه سازی |
تعداد صفحات مقاله انگلیسی : 10 | نشریه : ELSEVIER |
سال انتشار : 2017 | تعداد رفرنس مقاله : 63 |
فرمت مقاله انگلیسی : PDF | نوع مقاله : ISI |
پاورپوینت :
ندارد سفارش پاورپوینت این مقاله |
وضعیت ترجمه مقاله : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید |
1. مقدمه 2. بررسی مقالات 3. سیستم تحت مطالعه و فرمول بندی مسئله 4. راه حل مبتنی بر بهینه سازی ازدحام ذرات 5. نتایج شبیه سازی 6. اعتبارسنجی روش بهینه سازی ازدحام ذرات 7. نتیجه گیری
مقدمه: شبکه های توزیع به ویژه شبکه های شعاعی غیرفعال با جریان توان تک سویه دارای نسبت R/X و افت ولتاژ بالایی هستند که ممکن است خسارت های توانی نامطلوبی را به همراه بیاورد. شبکه های توزیع حدود 13% کل تولید توان را به خود اختصاص می دهند [1-3]. از دیدگاه مطلوبیت و کاربردپذیری؛ کارایی سیستم مستقیما تحت تاثیر افت های توان واقعی قرار می گیرد. هرچند؛ برای حفظ ولتاژ در حدهای قابل قبول و رهاسازی ظرفیت انتقال نیرو به ویژه برای هدف های قابلیت اعتماد و پایداری سیستم به جریان توان راکتیو نیاز داریم [4]. برای نشان دادن مینیمم افت توان محاسبه شده در شبکه های توزیع؛ عواملی مانند تعیین موقعیت خازن؛ آرایش مجدد خط تغذیه و تخصیص مولد توزیعی باید در نظر گرفته شوند. استفاده از خازن ها در سیستم های قدرت بیشتر برای مواردی مانند مدیریت مشخصه ولتاژ؛ تصحیح ضریب توان؛ کنترل جریان توان؛ بهبود پایداری سیستم و جبران توان رآکتیو انجام می شود. به واسطه نصب خازنها؛ بخشی از جریان های رآکتیو حذف میشود؛ درنتیجه کاهش قابل ملاحظه ای در جریان تغذیه شده به وجود می آید [2]. حداقل سازی افت توان رآکتیو و بهبود مشخصه ولتاژ با موفقیت از طریق منابع مولد توزیعی و بانکهای خازنی موجود در شبکه های توزیع انجام میشود. برای کاهش افت های سیستم و افزایش عملکرد آن؛ مناسب ترین موقعیت نصب و ظرفیت اجزاء مربوطه باید شناسایی گردند. این فرایند شناسایی موجب حفظ همزمان مصرف/ تولید توان و درنهایت حداقل سازی افت توان خواهد شد [5]. با سرمایه گذاری بر روی بانکهای خازنی و حداقل سازی افت توان میتوان از بروز یک بحران اقتصادی جلوگیری کرد [6]. بنابراین؛ با وجود دست و پنجه نرم کردن با چالشهای مختلف؛ برای کنترل ولتاژ و حداقل سازی افت توان میتوان از فرایند تعیین موقعیت خازن شبه بهینه استفاده کرد [6]. برای دستیابی به چنین هدفی؛ باید واحدهای خازنی مناسب را با توجه به موقعیت و اندازه آنها انتخاب نمود. درنتیجه؛ میتوان شاهد مزیت هایی مانند کاهش افت توان؛ تنظیم مشخصه ولتاژ و کنترل جریان توان بود. روشهای بهینه سازی متعددی برای پیدا کردن بهترین موقعیت خازن و تعیین اندازه آن در شبکه های توزیع وجود دارد. این روش ها به چهار دسته تقسیم می شوند: 1- روش های تحلیلی 2- رویکردهای برنامه نویسی عددی 3- روش کاوشی 4- روش های مبتنی بر هوش مصنوعی [7,8]. برای دستیابی به بهترین راه حل به ویژه در مسائل پیچیده میتوان روشهای تصادفی پیشرفته را جایگزین رویکردهای بهینه سازی تحلیلی وقتگیر کرد. بنابراین؛ روشهای بهینه سازی مختلف مانند برنامه نویسی پویا؛ برنامه نویسی تکاملی؛ جستجوی ممنوعه؛ الگوریتم ژنتیکی؛ الگوریتم تبرید شبیه سازی شده؛ روش بهینه سازی ازدحام ذرات؛ شبکه کولونی مورچگان؛ رویکردهای بهینه سازی فازی؛ روش بهینه سازی مبتنی بر جفتگیری زنبور عسل و الگوریتم جهش ترکیبی قورباغه مورد بررسی قرار گرفتند [3,9,10]. علیرغم آنکه روشهای کاوشی به عنوان یک راه حل بهینه جهانی در نظر گرفته نمی شوند ولی روش های شبه بهینه منطقی را میتوان با استفاده از زمان محاسبه مجاز به کار برد [10]. برای دستیابی به نتایج بهینه سازی مطلوب؛ رویکردهای هیبریدی نیز در نظر گرفته شدند [10-17].
Introduction: Distribution systems, typically passive radial networks with unidirectional power flow, have a high R/X ratio and significant voltage drop that may cause significant undesirable power losses. Distribution systems capture about 13% of the overall power generation [1–3]. From the utility point of view, the system efficiency is directly influenced by real power losses. However, the reactive power flow should be accounted for in order to maintain voltage within acceptable limits and to release the transmission capacity especially for system reliability and stability purposes [4]. In order to reveal the estimated minimized power loss in distribution networks, capacitor placement, feeder reconfiguration, and Distributed Generation (DG) allocation have been used [1]. Capacitors provision in power systems are mainly for voltage profile management, power factor correction, power flow control, system stability improvement and reactive power compensation. Due to capacitor installations, a part of the reactive currents will be cancelled that results in a considerable decrease in the overall supplied current [2]. Reactive power loss minimization and voltage profile improvement are successfully accomplished through either/both DG sources or/and capacitors banks in distribution systems. In order to reduce the system losses and enhance its performance, the most convenient installation location and the related capacity of these components should be identified. This considerable identification will keep the power generation/consumption coincidence which leads to minimum power losses [5]. An economical momentum can be harnessed through power losses minimization delivered by capacitor banks investment [6]. Therefore, perceptible challenges dealt with near-optimal capacitor placement for both voltage control and loss minimization have been proposed [6]. For attaining this goal, selecting the most appropriate number of capacitor units, their locations and sizing have to be determined. Therefore, power loss reduction, voltage profile regulation, and power flow control could be realized. Many optimization techniques have been developed to find the best capacitor placement and sizing in distribution systems. These techniques can be classified into four categories: analytical methods, numerical programming approaches, heuristic methods and Artificial Intelligent (AI) based techniques [7,8]. To successfully reach the most convenient solution, advanced stochastic techniques can replace the time-consuming analytical optimization approaches particularly for complex problems. Therefore different optimization techniques such as dynamic programming, evolutionary programming, tabu search, genetic algorithm, simulated annealing, particle swarm optimization (PSO), ant colony system, fuzzy based optimization approaches, honey bee mating optimization and shuffled frog leaping algorithm have been investigated [3,9,10]. Despite of the fact that heuristic methods do not assure a global optimal solution, reasonable near-optimal ones with an admissible computation time have been demonstrated [10]. For more favorable optimization results, hybrid approaches can be considered [10–17].
بخشی از ترجمه مقاله (صفحه 10 فایل ورد ترجمه)
محتوی بسته دانلودی:
PDF مقاله انگلیسی ورد (WORD) ترجمه مقاله به صورت کاملا مرتب (ترجمه شکل ها و جداول به صورت کاملا مرتب)
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.