الگوریتم جستجوی گرانشی جمعی جدید برای جایگزینی بهینه دستگاه FACT

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 29

تعداد کلمات : 4500

مجله : Electrical Power and Energy Systems

انتشار : 2017

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

فونت ترجمه : ب نازنین 12

تاریخ انتشار
30 مارس 2020
دسته بندی
تعداد بازدیدها
1187 بازدید
24,500 تومان

عنوان فارسی مقاله:الگوریتم جستجوی گرانشی جمعی جدید برای جایگزینی بهینه دستگاه FACT برای به حداقل رساندن اتلاف سیستم در محیط توان برقی  اشفته

چکیده

موقعیت بهینه سازی شده قرار دادن دستگاه FACT در منطقه صنعتی یک کار چالش برانگیز است. اگر دستگاه FACT کاملا نصب شود، تلفات توان راکتیو را می توان در یک حد کنترل نمود و می تواند جریان توان واقعی در شبکه توان را بهبود بخشد. بسیاری از الگوریتم ها در سال های اخیر با استفاده از هوش ازدحامی، الگوریتم ژنتیک، الگوریتم جستجوزنبور عسل  و دسته ماهی توسعه یافته اند. الگوریتم جستجوی گرانشی بر اساس قانون گرانش  نیوتون بین اجرام برای پیدا کردن حداقل مقداردقت استفاده می شود. درمخالف مبنی بر GSA (OGSA) به جای توجه به هردو جرم فعال و منفعل، جرم منفعل به تنهایی معادل جزء نیروی توان راکتیو در نظر گرفته می شود. نیروی فعال در نظر گرفته نمی شود. نیروی حاصل به دست آمده دقت کمتری دارد. اما در الگوریتم جستجوی گرانشی تجمعی (CGSA) تعاملات جرم فعال و منفعل با هم در نظر گرفته میشود به طوری که نیروی حاصل به دست آمده بین جرم ها به طور موثر حساب می شود. دو اینرسی جرم های مختلف، یعنی جرم فعال و جرم منفعل در CGSA استفاده و نتایج دقیق بدست می اید. در این الگوریتم، عوامل جستجو مجموعه ای از اجرام هستند که  بر اساس گرانش نیوتنی و قوانین حرکت  در تعامل با یکدیگرهستند. در این تحقیق،  سیستم شبکه های جنوبی ۷۲ باسه  و زمان واقعی منطقه صنعتی ۱۶ باسه به روش متعارف مورد آزمایش قرارگرفت، مدل با استفاده از نرم افزار MATLAB / Simulink و با استفاده از CGSA ارائه شده است. محل بهینه سازی شده برای اتصال دستگاه FACT تعیین و با روش مرسوم و مدل سازی مقایسه شد(الگوریتم جستجوی گرانشی جمعی جدید).

کلیه مقالات مرتبط را میتوانید در بخش ترجمه مقالات زیست شناسی ملاحظه کنید.

 

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

 Title: A new Cumulative Gravitational Search algorithm for optimal placement of FACT device to minimize system loss in the deregulated electrical power environment

Abstract

The optimized position of placing FACT device in an industrial zone is a challenging task. If the FACT device is perfectly placed, the reactive power losses can be controlled within a limit and can improve the real power flow in the power system network. Many algorithms have been developed in the recent years using Swarm intelligence, Genetic algorithm, Honey Bee search and fish schooling algorithms. ravitational search algorithm based on Newtonian law of gravity between masses is used to find the minimum value accurately. In Opposition based GSA (OGSA) instead of considering both active and passive masses, the passive mass alone is considered which is equivalent to reactive power force component. The active force is not considered. The resultant force obtained is less accurate. But in Cumulative Gravitational Search Algorithm (CGSA) active and passive mass interactions are together considered so the resultant force obtained between the masses will be effectively taken into account. Two different mass inertia, namely active mass and passive mass are applied in CGSA, and exact results can be found. In this algorithm, the search agents are a collection of masses which interacts with each other based on Newtonian gravity and laws of motion. In this research, 72 bus southern grid system and a 16 bus real time industrial zone are tested by conventional method, modeled using MATLAB/Simulink and by using the proposed CGSA. The optimized place to connect the FACT device is found and compared with conventional and modeling method.