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
۱ چکیده
۲ مقدمه
۳ فصل اول- کلیات
فصل دوم- معرفی آنترل توان راآتیو و مروری بر روشهای حل مسأله بهینه سازی توان راآتیو
٢- ١- مقدمه ٨
٢- ٢- دلایل آنترل توان راآتیو ٨
٢- ٣- اهداف آنترل توان راآتیو در جبران سازی بار ١٠
٢- ٣- ١- ثابت نگهداشتن ولتاژ در یک سطح معین ١٠
٢- ٣- ٢- اصلاح ضریب توان ١٢
٢- ٣- ٣- متعادل آردن بار ١٣
٢- ۴ مروری بر روش های حل مسأله بهینه سازی ١۴
٢- ۴- ١ الگوریتم های مبتنی بر روش عددی ١۵
٢- ۴- ٢ الگوریتم های مبتنی بر هوش مصنوعی ١۵
٢- ۵ نتیجه گیری ١۶
فصل سوم- تئوری مجموعه های فازی ١٧ ٣- ١ مقدمه ١٨
٣- ٢ نظریه مجموعه های فازی در مقابل مجموعه های کلاسیک١٨
٣- ٣ تابع عضویت ٢٠
٣- ٣- ١ تابع عضویت مثلثی ٢٠
٣- ٣- ٢ تابع عضویت ذوزنقهای ٢١
٣- ٣- ٣ تابع عضویت گوسی ٢١
٣- ٣- ۴ تابع عضویت زنگولهای شکل ٢٢
٣- ۴ معرفی مفاهیم اساسی مرتبط با مجموعههای فازی ٢٢
٣- ۴- ١تکیهگاه ٢٣
٣- ۴- ٢ منفرد فازی ٢٣
٣- ۴- ٣ مجموعه فازی تهی ٢٣
٣- ۴- ۴ مرکز ٢٣
٣- ۴- ۵ نقطه تقاطع ٢٣
٣- ۴- ۶ ارتفاع ٢٣
٣- ۴- ٧ برش آلفا ٢۴
٣- ۵ عملیات بر روی مجموعه فازی ٢۴
٣- ۵- ١ معادل بودن دو مجموعه فازی ٢۴
٣- ۵- ٢ زیر مجموعه بودن ٢۴
٣- ۵- ٣ مکمل مجموعه فازی ٢۴
٣- ۵- ۴ اجتماع دو مجموعه فازی ٢۵
٣- ۵- ۵ اشتراک دو مجموعه فازی ٢۵
٣- ۵- ۶ ضرب دو مجموعه فازی ٢۶
٣- ۶ موتور استنتاج فازی ٢۶

٣- ۶- ١ استنتاج مبتنی بر ترآیب قواعد ٢٧

٣- ۶- ٢ استنتاج مبتنی بر قواعد جداگانه ٢٧

٣- ٧ طراحی سیستم فازی به آمک جدول جستجو ٢٧

٣- ٨ نتیجه گیری ٢٨
فصل چهارم- مبانی شبکه های عصبی مصنوعی ٢٩
۴- ١- مقدمه ٣٠
۴- ٢- مبانی بیولوژیکی شبکه های عصبی مصنوعی ٣٠
۴- ٣- اجزای تشکیلدهنده شبکه عصبی مصنوعی ٣١
۴- ٣- ١- نرون ها ( عناصر محاسباتی) ٣١
۴- ٣- ٢- لایه ها ٣٢
۴- ٣- ٣- مدل پایه یک نرون مصنوعی ٣٢
۴- ۴- مفاهیم شبکه های عصبی مصنوعی ٣۴
۴- ۴- ١- ساختار شبکه های عصبی مصنوعی ٣۵
۴- ۴- ١- ١ – شبکه های عصبی مصنوعی پیشخور ٣۶
۴- ۴- ١- ٢- شبکه های عصبی مصنوعی پسخور ٣٧
۴- ۴- ٢- توابع محرک (تبدیل) ٣٨
۴- ۴- ٣- شبکه های عصبی مصنوعی به عنوان سیستم های دینامیکی آموزش پذیر ۴١
۴- ۴- ٣- ١- گونه های مختلف آموزش در شبکههای عصبی مصنوعی ۴١

۴- ۴- ۴- آموزش شبکه عصبی مصنوعی ۴٣
۴- ۴- ۵- آنترل آموزش ۴۴
۴- ۵- تعمیم یافتگی در مقابل حفظ ۴۴
۴- ۶- تعیین بهترین اندازه برای شبکه ۴۴
۴- ٧- پرسپترون ۴۵
۴- ٨- قانون پس انتشار خطا ۴۶
۴- ٨- ١- الگوریتم پس انتشار خطا ۴۶
۴- ٨- ٢- محدودیت الگوریتم پس انتشار خطا ۴٩
۴- ٩ نتیجه گیری ۵١ فصل پنجم- الگوریتم ژنتیک ۵٢۵- ١ مقدمه ۵٣
۵- ٢ واژگان و ساختار آلی الگوریتم ژنتیک ۵۴
۵- ٢- ١ واژگان الگوریتم ژنتیک ۵۴
۵- ٢- ٢ ساختار آلی الگوریتم ژنتیک ۵۵
۵- ٣- مفاهیم آلیدی الگوریتم ژنتیک ۵۶
۵- ٣- ١- آدینگ ۵۶
۵- ٣- ٢- ایجاد جمعیت اولیه ۵٩
۵- ٣- ٣- اعمال ژنتیک ۵٩
۵-٣-٣-١- عملگر تقاطعی ۵٩
۵- ٣- ٣- ٢- عملگر جهشی ۶١
۵- ٣- ٣- ٣- عمل تحول ۶٢
۵- ٣- ٣- ٣- ١- فضای نمونه گیری ۶٢
۵- ٣- ٣- ٣- تابع برازش ۶۶
۵- ٣- ٣- ۴- برخورد با محدودیت ها ۶۶
۵- ۴ نتیجه گیری ۶٩
فصل ششم – الگوریتم اجتماع پرندگان ٧٠ ۶- ١ مقدمه ٧١
۶- ٢ تاریخچه ٧٢
۶- ٣ اساس الگوریتم اجتماع پرندگان ٧٣
۶- ٣- ١ الگوریتم اجتماع پرندگان در حالت پیوسته ٧۵
۶- ٣- ٢ الگوریتم اجتماع پرندگان در حالت گسسته ٧۶
۶- ۴ پارامترهای pso ٧٨
۶- ۴- ١ وزن اینرسی ٧٨
۶- ۴- ٢ ضرایب شتاب ٧٩
۶- ۴- ٣ حداآثر سرعت ٧٩
۶- ۴- ۴ بعد مساله ٨٠
۶- ۴- ۵ تعداد ذرات ٨٠
۶- ۵ انواع توپولوژی واصل همسایگی ٨١
۶- ۵- ١ توپولوژی ستاره ٨٢
۶- ۵- ٢توپولوژی حلقه ٨٣
۶- ۵- ٣ توپولوژی چرخی ٨۴
۶- ۶ الگوریتم های PSO ٨۵
۶-۶-١الگوریتم بهترین فرد ٨۵
۶-۶-٢الگوریتم بهترین جهانی ٨۶
۶-۶-٣ الگوریتم بهترین محلی ٨٧
۶- ٧ همگرایی ٨٧
۶- ٨ مزیت های PS O ٨٧
٨٧ PSO عیب٩ -۶
۶- ١٠پیاده سازی الگوریتم پرندگان در حالت پیوسته ٨٨
۶- ١١ پیاده سازی الگوریتم پرندگان در حالت گسسته ٩١
۶- ١٢ نتیجه گیری ٩۴
فصل هفتم- الگوریتم محاسبه مقادیر متغیرهای آنترلی در بهینه سازی آنترل توان راآتیو ٩۵

٧- ١ مقدمه ٩۶

٧- ٢فرمول بندی مساله، اهداف و قیود ٩۶

٧- ٣ مدل منحنی بار ٩٩

٧- ۴ حل مساله بهینه سازی توان راآتیو با فرضپیوسته در نظر گرفتن متغیرهای آنترلی

٧- ۴- ١ روش اول ١٠٠

٧- ۴- ٢ روش دوم ١٠۴

٧- ۴- ٣ روش سوم ١٠۵

٧- ۵ حل مساله بهینه سازی توان راآتیو با فرضپیوسته و گسسته در نظر گرفتن متغیرهای آنترلی

٧- ۵- ١ روش اول ١٠۶

٧- ۵- ٣ روش سوم ١٠٨

٧- ۵- ۴ روش چهارم ١٠٨

١٠٨ PSO بهینه سازی با استفاده از روش ۶-٧

٧- ٧ استفاده از مدل فازی بار در مسأله ١١٠

٧- ٧- ١ تعریف مجموعه فازی برای منحنی بار در بازههای زمانی ١١٠
٧- ٧- ٢ الگوریتم حل ١١٣

٧- ٨ استفاده از شبکه عصبی در حذف نامعینی بار ١١۴

٧- ٩ نتیجه گیری ١١۵

فصل هشتم- نتایج شبیه سازی شده ١١۶

٨- ١ مقدمه ١١٧

٨- ٢ معرفی سیستم تست٣٠ باسه ١١٧

٨- ٣ ارائه نتایج شبیه سازی ١٢٠

٨- ٣- ١ بهینه سازی با پیوسته در نظر گرفتنمقادیر متغیرهای آنترلی ١٢٠

٨- ٣- ١- ١ روش اول ١٢١

٨- ٣- ١- ٢ روش دوم ١٢٣

٨- ٣- ١- ٣ روش سوم ١٢۵

٨- ٣- ٢ بهینه سازی با در نظر گرفتن مقادیر متغیرهای آنترلی به صورت گسسته و پیوسته 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- ۴ روش چهارم ١٣۴

٨- ٣- ٣بهینه سازی با استفاده از روش PSO ١٣۶

٨- ٣- ۴ استفاده از مدل فازی بار در مسأله ١٣٧

٨- ٣- ۴ استفاده از شبکه عصبی در حذف نامعینی بار ١۴٠

٨- ۴ نتیجه گیری ١۴٣

نتیجه گیری کلی ١۴۴

منابع و ماخذ ١۴۶
۱۴۶ فهرست منابع فارسی
۱۴۷ فهرست منابع لاتین
چکیده انگلیسی ١۵٢

چکیده:
پخش توان راآتیو در سیستمهای قدرت به علت وجود جواب های متعدد به عنوان یکی از مسایل آلیدی بهینه سازی مطرح می شود. با تعریف هدف مسأله بهینه سازی به صورت یک مسأله چند منظوره از روش های مبتنی بر هوش مصنوعی جهت حل این مسأله استفاده می شود. استفاده از بار فازی به عنوان بار واقعی سیستم یکی از این راه آارها می باشد. نتایج بدست آمده از بررسی این روش ها برروی سیستم ٣٠ باسه IEEE صحت روش ها را نشان می دهد. پس از مشخص شدن متغیرهای آنترلی، اهداف مسأله و منحنی بار، توسط الگوریتم ژنتیک، ترآیبی از متغیرهای آنترلی بدست می آید آه اهداف مسأله را تحقق بخشند. مدل بار به صورت فازی در نظر گرفته می شود تا نامعینی های ناشی از تغییرات بار در طول دوره های زمانی تا حدودی برطرف شود. در نهایت سیستمی فازی طراحی می شود آه مقادیر متغیرهای آنترلی پیوسته را بر اساس مقدار بار قرار گرفته بر روی سیستم محاسبه آند.

مقدمه
یکی از مهمترین اهداف سیستم های قدرت انتقال توان از تولید آننده به مصرف آننده می باشد. این انتقال توان اآتیو از تولید آننده به مصرف آننده نیاز به بستری مناسب خواهد داشت آه این بستر را پخش صحیح توان راآتیو به وجود می آورد. به همین خاطر پخش توان راآتیو در سیستمهای قدرت به عنوان یکی از مسایل آلیدی، مورد بحث و بررسی قرار می گیرد. حل این گونه مسایل به علت وجود جواب های متعدد به عنوان یک مسأله بهینه سازی مطرح می شود. مسأله بهینه سازی آنترل توان راآتیو با توجه به اهمیت اهداف بهینه سازی، به عنوان یکی از مسایل با اهمیت در مهندسی برق و طراحی سیستم های انتقال تبدیل شده است. تعیین مقدار و زمانبندی مقادیر بانک های توان راآتیو و ولتاژ ژنراتور در سیستم های قدرت به منظور نیل به حداقل توان/ انرژی تلفاتی و بهبود پروفیل ولتاژ از اهداف بهینه سازی توان راآتیو می باشد. به منظور حل مسأله بهینه سازی روش های متنوعی به آار گرفته شده است آه روش های مبتنی بر هوش مصنوعی و روش های مبتنی بر روش های عددی از آن جمله است. روش های مبتنی بر هوش مصنوعی ، به علت ساده تر بودن الگوریتم پیاده سازی، آاربرد بالایی در حل این گونه مسائل دارا می باشند.
با تعریف هدف مسأله بهینه سازی به صورت یک مسأله چند منظوره ، از روش های مبتنی بر هوش مصنوعی جهت حل این مسأله استفاده می شود. تئوری فازی، الگوریتم ژنتیک و شبکه های عصبی مصنوعی به منظور حل مسأله بهینه سازی به آارگرفته می شوند. پس از معرفی مختصر این روش ها در فصول اولیه، روش هایی جهت حل مسأله بهینه سازی توان راآتیو ارائه می شود. استفاده از بار فازی به عنوان بار واقعی سیستم یکی از این راه آارها می باشد. نتایج بدست آمده از بررسی این روش ها برروی سیستم ٣٠ باسه IEEE صحت روش ها را نشان می دهد.

نتیجه گیری و پیشنهادات
پس از معرفی مسأله بهینه سازی توان راآتیو و ارائه روش های متعدد به منتظور حل این مسأله، می توان موارد زیر را پس از بررسی نتایج نتیجه آیری آرد:
با توجه به وجود می نیمم های محلی در مسایل بهینه سازی، استفاده از الگوریتم هایی آه بتوانند از قرار گرفتن در می نیمم محلی جلوگیری آنند در رسیدن به جـواب بهینـه آـارآیی بـالایی را دارا هسـتند. تولیـد آرومزوم جدید در فرایند الگوریتم ژنتیک با استفاده از روش جهش یکی از راه آارهایی است آه می توا ند مسأله قرار گرفتن در می نیمم محلی را تا حدودی حل آند. همچنین استفاده از روش هایی آه بتوانند از می نیمم های محلی خارج شوند نیز می تواند بسیار آاربرد دا شته با شد. ال گوریتم ج ستجوی تابو ی کی از ا ین الگوریتم هاست. این الگوریتم با دارا بودن حافظه در مدت زمان جستجو، می تواند از قرار گرفتن در می نیمم محلی خود داری آند.
استفاده از مقادیر گسسته متغیرهایی آه دارای طبیعت گسسته می باشند، جواب هایی را تشکیل می دهند آه از ن ظر عم لی قا بل ق بول تر ا ست. ا ستفاده از م قادیر گسسته بانک های خازنی و نسبت دور ترانس، علاوه بر عملی بودن جواب، به علت گسسته بودن فضای جواب، تعداد آل حالات را آاهش داده و زمان رسیدن به جواب بهینه در مقایسه با مقادیر پیوسته متغیرهای آنترلی را آاهش می دهد.
گسسته سازی مقادیر متغیرهای با طبیعت گسسته از داده های پیوسته، در برخی موارد با توجه به اختلاف میان مقدار پیوسته و گسسته، جواب بهینه را تولید ن می آند. استفاده از مقادیر گسسته متغیرها به جای گرد آردن متغیرها می تواند جواب های قابل قبول تری را تولید آند.
با توجه به تعریف بار به صورت فازی و وجود مقادیر
گسسته متغیرهای آنترلی در مسأله، با توجه به این
مورد آه مقادیر خازن می بایست در طول بازه های زمانی دارای حداقل سوئیچ باشد، تعریف بار به صورت فازی در بازه های زمانی علاوه بر ثابت گرفتن مقدار مقادیر خازن و نسبت دور ترانس در بازه های زمانی، می تواند با تغییرات مقدار ولتاژ ژنراتور، اثرات نامعینی بار در سیستم را آاهش دهد.
استفاده از شبکه عصبی برای تصمیم گیری در تعیین مقدار ولتاژ ژنراتور به منظور آاهش اثرات نامعینی بار، سرعت بالای محاسبات را به همراه خواهد داشت. به ا ین دل یل در حا لت برر سی سی ستم به صورت بهن گام استفاده از شبکه عصبی می تواند سرعت محا سبات را افزایش دهد.
به طور کلی ، اثربخشی نتایج به دست آمده انعطاف پذیری و انطباق بیشتر 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

آخرین مطالب

مطالب مرتبط