بهینه سازی کنترل توان راکتیو – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:210
قالب بندی:word قابل ویرایش

نحوه خرید

بهینه سازی کنترل توان راکتیو – برق

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

فهرست مطالب
1 چكيده
2 مقدمه
3 فصل اول- کليات
فصل دوم- معرفي آنترل توان راآتيو و مروري بر روشهاي حل مسأله بهينه سازي توان راآتيو
٢- ١- مقدمه ٨
٢- ٢- دلايل آنترل توان راآتيو ٨
٢- ٣- اهداف آنترل توان راآتيو در جبران سازي بار ١٠
٢- ٣- ١- ثابت نگهداشتن ولتاژ در يك سطح معين ١٠
٢- ٣- ٢- اصلاح ضريب توان ١٢
٢- ٣- ٣- متعادل آردن بار ١٣
٢- ٤ مروري بر روش هاي حل مسأله بهينه سازي ١٤
٢- ٤- ١ الگوريتم هاي مبتني بر روش عددي ١٥
٢- ٤- ٢ الگوريتم هاي مبتني بر هوش مصنوعي ١٥
٢- ٥ نتيجه گيري ١٦
فصل سوم- تئوري مجموعه هاي فازي ١٧ ٣- ١ مقدمه ١٨
٣- ٢ نظريه مجموعه هاي فازي در مقابل مجموعه هاي کلاسيک١٨
٣- ٣ تابع عضويت ٢٠
٣- ٣- ١ تابع عضويت مثلثي ٢٠
٣- ٣- ٢ تابع عضويت ذوزنقهاي ٢١
٣- ٣- ٣ تابع عضويت گوسي ٢١
٣- ٣- ٤ تابع عضويت زنگولهاي شکل ٢٢
٣- ٤ معرفي مفاهيم اساسي مرتبط با مجموعههاي فازي ٢٢
٣- ٤- ١تکيهگاه ٢٣
٣- ٤- ٢ منفرد فازي ٢٣
٣- ٤- ٣ مجموعه فازي تهي ٢٣
٣- ٤- ٤ مرکز ٢٣
٣- ٤- ٥ نقطه تقاطع ٢٣
٣- ٤- ٦ ارتفاع ٢٣
٣- ٤- ٧ برش آلفا ٢٤
٣- ٥ عمليات بر روي مجموعه فازي ٢٤
٣- ٥- ١ معادل بودن دو مجموعه فازي ٢٤
٣- ٥- ٢ زير مجموعه بودن ٢٤
٣- ٥- ٣ مکمل مجموعه فازي ٢٤
٣- ٥- ٤ اجتماع دو مجموعه فازي ٢٥
٣- ٥- ٥ اشتراک دو مجموعه فازي ٢٥
٣- ٥- ٦ ضرب دو مجموعه فازي ٢٦
٣- ٦ موتور استنتاج فازي ٢٦

٣- ٦- ١ استنتاج مبتني بر ترآيب قواعد ٢٧

٣- ٦- ٢ استنتاج مبتني بر قواعد جداگانه ٢٧

٣- ٧ طراحي سيستم فازي به آمك جدول جستجو ٢٧

٣- ٨ نتيجه گيري ٢٨
فصل چهارم- مباني شبكه هاي عصبي مصنوعي ٢٩
٤- ١- مقدمه ٣٠
٤- ٢- مباني بيولوژيكي شبكه هاي عصبي مصنوعي ٣٠
٤- ٣- اجزاي تشكيلدهنده شبكه عصبي مصنوعي ٣١
٤- ٣- ١- نرون ها ( عناصر محاسباتي) ٣١
٤- ٣- ٢- لايه ها ٣٢
٤- ٣- ٣- مدل پايه يك نرون مصنوعي ٣٢
٤- ٤- مفاهيم شبكه هاي عصبي مصنوعي ٣٤
٤- ٤- ١- ساختار شبكه هاي عصبي مصنوعي ٣٥
٤- ٤- ١- ١ – شبكه هاي عصبي مصنوعي پيشخور ٣٦
٤- ٤- ١- ٢- شبكه هاي عصبي مصنوعي پسخور ٣٧
٤- ٤- ٢- توابع محرك (تبديل) ٣٨
٤- ٤- ٣- شبكه هاي عصبي مصنوعي به عنوان سيستم هاي ديناميكي آموزش پذير ٤١
٤- ٤- ٣- ١- گونه هاي مختلف آموزش در شبكههاي عصبي مصنوعي ٤١

٤- ٤- ٤- آموزش شبكه عصبي مصنوعي ٤٣
٤- ٤- ٥- آنترل آموزش ٤٤
٤- ٥- تعميم يافتگي در مقابل حفظ ٤٤
٤- ٦- تعيين بهترين اندازه براي شبكه ٤٤
٤- ٧- پرسپترون ٤٥
٤- ٨- قانون پس انتشار خطا ٤٦
٤- ٨- ١- الگوريتم پس انتشار خطا ٤٦
٤- ٨- ٢- محدوديت الگوريتم پس انتشار خطا ٤٩
٤- ٩ نتيجه گيري ٥١ فصل پنجم- الگوريتم ژنتيك ٥٢٥- ١ مقدمه ٥٣
٥- ٢ واژگان و ساختار آلي الگوريتم ژنتيك ٥٤
٥- ٢- ١ واژگان الگوريتم ژنتيك ٥٤
٥- ٢- ٢ ساختار آلي الگوريتم ژنتيك ٥٥
٥- ٣- مفاهيم آليدي الگوريتم ژنتيك ٥٦
٥- ٣- ١- آدينگ ٥٦
٥- ٣- ٢- ايجاد جمعيت اوليه ٥٩
٥- ٣- ٣- اعمال ژنتيك ٥٩
٥-٣-٣-١- عملگر تقاطعي ٥٩
٥- ٣- ٣- ٢- عملگر جهشي ٦١
٥- ٣- ٣- ٣- عمل تحول ٦٢
٥- ٣- ٣- ٣- ١- فضاي نمونه گيري ٦٢
٥- ٣- ٣- ٣- تابع برازش ٦٦
٥- ٣- ٣- ٤- برخورد با محدوديت ها ٦٦
٥- ٤ نتيجه گيري ٦٩
فصل ششم – الگوريتم اجتماع پرندگان ٧٠ ٦- ١ مقدمه ٧١
٦- ٢ تاريخچه ٧٢
٦- ٣ اساس الگوريتم اجتماع پرندگان ٧٣
٦- ٣- ١ الگوريتم اجتماع پرندگان در حالت پيوسته ٧٥
٦- ٣- ٢ الگوريتم اجتماع پرندگان در حالت گسسته ٧٦
٦- ٤ پارامترهاي pso ٧٨
٦- ٤- ١ وزن اينرسی ٧٨
٦- ٤- ٢ ضرايب شتاب ٧٩
٦- ٤- ٣ حداآثر سرعت ٧٩
٦- ٤- ٤ بعد مساله ٨٠
٦- ٤- ٥ تعداد ذرات ٨٠
٦- ٥ انواع توپولوژي واصل همسايگي ٨١
٦- ٥- ١ توپولوژي ستاره ٨٢
٦- ٥- ٢توپولوژي حلقه ٨٣
٦- ٥- ٣ توپولوژي چرخي ٨٤
٦- ٦ الگوريتم هاي PSO ٨٥
٦-٦-١الگوريتم بهترين فرد ٨٥
٦-٦-٢الگوريتم بهترين جهاني ٨٦
٦-٦-٣ الگوريتم بهترين محلي ٨٧
٦- ٧ همگرايي ٨٧
٦- ٨ مزيت هاي PS O ٨٧
٨٧ PSO عيب٩ -٦
٦- ١٠پياده سازي الگوريتم پرندگان در حالت پيوسته ٨٨
٦- ١١ پياده سازي الگوريتم پرندگان در حالت گسسته ٩١
٦- ١٢ نتيجه گيري ٩٤
فصل هفتم- الگوريتم محاسبه مقادير متغيرهاي آنترلي در بهينه سازي آنترل توان راآتيو ٩٥

٧- ١ مقدمه ٩٦

٧- ٢فرمول بندي مساله، اهداف و قيود ٩٦

٧- ٣ مدل منحني بار ٩٩

٧- ٤ حل مساله بهينه سازي توان راآتيو با فرضپيوسته در نظر گرفتن متغيرهاي آنترلي

٧- ٤- ١ روش اول ١٠٠

٧- ٤- ٢ روش دوم ١٠٤

٧- ٤- ٣ روش سوم ١٠٥

٧- ٥ حل مساله بهينه سازي توان راآتيو با فرضپيوسته و گسسته در نظر گرفتن متغيرهاي آنترلي

٧- ٥- ١ روش اول ١٠٦

٧- ٥- ٣ روش سوم ١٠٨

٧- ٥- ٤ روش چهارم ١٠٨

١٠٨ PSO بهينه سازی با استفاده از روش ٦-٧

٧- ٧ استفاده از مدل فازي بار در مسأله ١١٠

٧- ٧- ١ تعريف مجموعه فازي براي منحني بار در بازههاي زماني ١١٠
٧- ٧- ٢ الگوريتم حل ١١٣

٧- ٨ استفاده از شبكه عصبي در حذف نامعيني بار ١١٤

٧- ٩ نتيجه گيري ١١٥

فصل هشتم- نتايج شبيه سازي شده ١١٦

٨- ١ مقدمه ١١٧

٨- ٢ معرفي سيستم تست٣٠ باسه ١١٧

٨- ٣ ارائه نتايج شبيه سازي ١٢٠

٨- ٣- ١ بهينه سازي با پيوسته در نظر گرفتنمقادير متغيرهاي آنترلي ١٢٠

٨- ٣- ١- ١ روش اول ١٢١

٨- ٣- ١- ٢ روش دوم ١٢٣

٨- ٣- ١- ٣ روش سوم ١٢٥

٨- ٣- ٢ بهينه سازي با در نظر گرفتن مقادير متغيرهاي آنترلي به صورت گسسته و پيوسته ١٢٨
٨- ٣- ٢- ٢ روش اول ١٢٨

٨- ٣- ٢- ٢ روش دوم ١٣٠

٨- ٣- ٢- ٣ روش سوم ١٣٢

٨- ٣- ٢- ٤ روش چهارم ١٣٤

٨- ٣- ٣بهينه سازی با استفاده از روش PSO ١٣٦

٨- ٣- ٤ استفاده از مدل فازي بار در مسأله ١٣٧

٨- ٣- ٤ استفاده از شبكه عصبي در حذف نامعيني بار ١٤٠

٨- ٤ نتيجه گيري ١٤٣

نتيجه گيري کلی ١٤٤

منابع و ماخذ ١٤٦
146 فهرست منابع فارسي
147 فهرست منابع لاتين
چكيده انگليسي ١٥٢

چکيده:
پخش توان راآتيو در سيستمهاي قدرت به علت وجود جواب هاي متعدد به عنوان يكي از مسايل آليدي بهينه سازي مطرح مي شود. با تعريف هدف مسأله بهينه سازي به صورت يك مسأله چند منظوره از روش هاي مبتني بر هوش مصنوعي جهت حل اين مسأله استفاده مي شود. استفاده از بار فازي به عنوان بار واقعي سيستم يكي از اين راه آارها مي باشد. نتايج بدست آمده از بررسي اين روش ها برروي سيستم ٣٠ باسه IEEE صحت روش ها را نشان مي دهد. پس از مشخص شدن متغيرهاي آنترلي، اهداف مسأله و منحني بار، توسط الگوريتم ژنتيك، ترآيبي از متغيرهاي آنترلي بدست مي آيد آه اهداف مسأله را تحقق بخشند. مدل بار به صورت فازي در نظر گرفته مي شود تا نامعيني هاي ناشي از تغييرات بار در طول دوره هاي زماني تا حدودي برطرف شود. در نهايت سيستمي فازي طراحي مي شود آه مقادير متغيرهاي آنترلي پيوسته را بر اساس مقدار بار قرار گرفته بر روي سيستم محاسبه آند.

مقدمه
يكي از مهمترين اهداف سيستم هاي قدرت انتقال توان از توليد آننده به مصرف آننده مي باشد. اين انتقال توان اآتيو از توليد آننده به مصرف آننده نياز به بستري مناسب خواهد داشت آه اين بستر را پخش صحيح توان راآتيو به وجود مي آورد. به همين خاطر پخش توان راآتيو در سيستمهاي قدرت به عنوان يكي از مسايل آليدي، مورد بحث و بررسي قرار مي گيرد. حل اين گونه مسايل به علت وجود جواب هاي متعدد به عنوان يك مسأله بهينه سازي مطرح مي شود. مسأله بهينه سازي آنترل توان راآتيو با توجه به اهميت اهداف بهينه سازي، به عنوان يكي از مسايل با اهميت در مهندسي برق و طراحي سيستم هاي انتقال تبديل شده است. تعيين مقدار و زمانبندي مقادير بانك هاي توان راآتيو و ولتاژ ژنراتور در سيستم هاي قدرت به منظور نيل به حداقل توان/ انرژي تلفاتي و بهبود پروفيل ولتاژ از اهداف بهينه سازي توان راآتيو مي باشد. به منظور حل مسأله بهينه سازي روش هاي متنوعي به آار گرفته شده است آه روش هاي مبتني بر هوش مصنوعي و روش هاي مبتني بر روش هاي عددي از آن جمله است. روش هاي مبتني بر هوش مصنوعي ، به علت ساده تر بودن الگوريتم پياده سازي، آاربرد بالايي در حل اين گونه مسائل دارا مي باشند.
با تعريف هدف مسأله بهينه سازي به صورت يك مسأله چند منظوره ، از روش هاي مبتني بر هوش مصنوعي جهت حل اين مسأله استفاده مي شود. تئوري فازي، الگوريتم ژنتيك و شبكه هاي عصبي مصنوعي به منظور حل مسأله بهينه سازي به آارگرفته مي شوند. پس از معرفي مختصر اين روش ها در فصول اوليه، روش هايي جهت حل مسأله بهينه سازي توان راآتيو ارائه مي شود. استفاده از بار فازي به عنوان بار واقعي سيستم يكي از اين راه آارها مي باشد. نتايج بدست آمده از بررسي اين روش ها برروي سيستم ٣٠ باسه IEEE صحت روش ها را نشان مي دهد.

نتيجه گيري و پيشنهادات
پس از معرفي مسأله بهينه سازي توان راآتيو و ارائه روش هاي متعدد به منتظور حل اين مسأله، مي توان موارد زير را پس از بررسي نتايج نتيجه آيري آرد:
با توجه به وجود مي نيمم هاي محلي در مسايل بهينه سازي، استفاده از الگوريتم هايي آه بتوانند از قرار گرفتن در مي نيمم محلي جلوگيري آنند در رسيدن به جـواب بهينـه آـارآيي بـالايي را دارا هسـتند. توليـد آرومزوم جديد در فرايند الگوريتم ژنتيك با استفاده از روش جهش يكي از راه آارهايي است آه مي توا ند مسأله قرار گرفتن در مي نيمم محلي را تا حدودي حل آند. همچنين استفاده از روش هايي آه بتوانند از مي نيمم هاي محلي خارج شوند نيز مي تواند بسيار آاربرد دا شته با شد. ال گوريتم ج ستجوي تابو ي كي از ا ين الگوريتم هاست. اين الگوريتم با دارا بودن حافظه در مدت زمان جستجو، مي تواند از قرار گرفتن در مي نيمم محلي خود داري آند.
استفاده از مقادير گسسته متغيرهايي آه داراي طبيعت گسسته مي باشند، جواب هايي را تشكيل مي دهند آه از ن ظر عم لي قا بل ق بول تر ا ست. ا ستفاده از م قادير گسسته بانك هاي خازني و نسبت دور ترانس، علاوه بر عملي بودن جواب، به علت گسسته بودن فضاي جواب، تعداد آل حالات را آاهش داده و زمان رسيدن به جواب بهينه در مقايسه با مقادير پيوسته متغيرهاي آنترلي را آاهش مي دهد.
گسسته سازي مقادير متغيرهاي با طبيعت گسسته از داده هاي پيوسته، در برخي موارد با توجه به اختلاف ميان مقدار پيوسته و گسسته، جواب بهينه را توليد ن مي آند. استفاده از مقادير گسسته متغيرها به جاي گرد آردن متغيرها مي تواند جواب هاي قابل قبول تري را توليد آند.
با توجه به تعريف بار به صورت فازي و وجود مقادير
گسسته متغيرهاي آنترلي در مسأله، با توجه به اين
مورد آه مقادير خازن مي بايست در طول بازه هاي زماني داراي حداقل سوئيچ باشد، تعريف بار به صورت فازي در بازه هاي زماني علاوه بر ثابت گرفتن مقدار مقادير خازن و نسبت دور ترانس در بازه هاي زماني، مي تواند با تغييرات مقدار ولتاژ ژنراتور، اثرات نامعيني بار در سيستم را آاهش دهد.
استفاده از شبكه عصبي براي تصميم گيري در تعيين مقدار ولتاژ ژنراتور به منظور آاهش اثرات نامعيني بار، سرعت بالاي محاسبات را به همراه خواهد داشت. به ا ين دل يل در حا لت برر سي سي ستم به صورت بهن گام استفاده از شبكه عصبي مي تواند سرعت محا سبات را افزايش دهد.
به طور کلی ، اثربخشی نتايج به دست آمده انعطاف پذيری و انطباق بيشتر در PSO را نشان می دهد .

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت