ترجمه الگوریتم ژنتیکی پویا برای طراحی قوی تثبیت کننده سیستم قدرت چند دستگاه

توضیحات

 عنوان فارسی: الگوریتم های ژنتیکی پویا برای طراحی قوی تثبیت کننده سیستم قدرت چند دستگاه

عنوان انگلیسی مقاله ترجمه شده:

Dynamic genetic algorithms for robust design of multimachine power system stabilizers

چکیده

الگوریتم ژنتیک (GA ها) محبوب ترین روش استفاده شده ی خانواده الگوریتم تکاملی است. اثر GA بسیار به انتخاب محدوده فضای جستجو بستگی دارد تا هر پارامتر بهینه شود. فضای جستجو که مجموعه ای از راه حل های بالقوه است ممکن است شامل حالت مطلوب بهینه محلی و / یا جهانی باشد. با اغلب بودن یک تجربه مبتنی بر مشکل، یک انتخاب بد فضاهای جستجو منجر به راه حل های ضعیف می شود. در این مقاله، یک روش بهینه سازی نجیب بر اساس GAها ارائه شده است. در بازه ی در حال حرکت در محدوده فضای جستجو در طول فرآیند بهینه سازی به سمت مناطق امید شامل باشد که ممکن است حاوی بهینه کلی باشد. این فضای جستجو پویا به GA اجازه می دهد تا به جمعیت خود با راه حل های جدید که در فضای جستجوی ثابت در دسترس نیست، تنوع ببخشد. در نتیجه، عملکرد بهینه سازی GA می تواند از نظر کیفیت راه حل و نرخ همگرایی بهبود یابد. روش پیشنهادی برای طراحی بهینه چند دستگاه تثبیت کننده سیستم قدرت اعمال می شود. یک سیستم قدرت 16-ماشین، 68-اتوبوس در نظر گرفته شده است. نتایج به دست آمده با نتایج دیگر به دست آمده توسط GA های معمولی ارزیابی و مقایسه می شوند. تجزیه و تحلیل و شبیه سازی سیستم غیر خطی مقادیر ویژه نشان دهنده ی اثربخشی رویکرد پیشنهادی در میرایی نوسانات الکترومکانیکی و افزایش ثبات سیستم پویا است.

مقدمه

گسترش سیستم های قدرت به هم پیوسته است به طور مستمر به دلیل رشد مداوم تقاضای برق افزایش می یابد. در همان زمان، سیستم های قدرت تقریبا بسیار نزدیک به محدودیت های پایداری گذرا و پویای خود اجرا می شوند. با انتقال سنگین قدرت، این سیستم ها حالت های منطقه ای بین نوسان فرکانس پایین نشان می دهند (0.1-0.8 هرتز). ثبات این حالت ها تبدیل به یک منبع دغدغه در سیستم های قدرت امروزی شده است. در برخی موارد، بی ثباتی نوسانی مرتبط ممکن است به خاموشی سیستم اصلی منجر شود.

به دلیل انعطاف پذیری آنها، اجرای آسان و هزینه ی کم، ثابت کننده های سیستم برق (PSS ها) پر استفاده ترین دستگاه های مرطوب نوسانات سیگنال کوچک (0.1-2 هرتز) باقی می مانند و سیستم قدرت پایداری دینامیکی را افزایش می دهند [2،3]. تنظیم پارامتر PSS معمولا بر اساس خطی سازی مدل سیستم قدرت در اطراف یک نقطه کار اسمی است. هدف این است که در این نقطه یک عملکرد مطلوب و همچنین در طول یک طیف گسترده ای از شرایط عملیاتی و پیکربندی سیستم ارائه شود.

دو دهه گذشته انفجاری از روش های بهینه سازی فوق ابتکاری را دیده است. بسیاری از این روش ها از طبیعت الهام گرفته و می تواند در دو دسته مهم طبقه بندی شوند که الگوریتم های تکاملی و هوش ازدحامی هستند. الگوریتم های متعددی مبتنی بر این روش به طور گسترده ای براین مشکل طراحی PSS چند دستگاه استفاده شده است.

الگوریتم های ژنتیک (GA ها)، محبوب ترین الگوریتم تکاملی، استفاده شده در کارهای تحقیقاتی بسیاری در مورد طراحی بهینه PSS ها است. نویسندگان، در [6-8]، روش های جدید بر اساس بهینه سازی GA ها برای پارامترهای PSS در سیستم های قدرت چند دستگاه توسعه داده اند. وانگ و همکاران [9] از یک رویکرد مبتنی بر GA استفاده کردند و چند حالت نوسان برای اجتناب از عملکرد میرایی بهینه در حالت های دیگر را در نظر گرفتند. از GA ها برای طراحی PSS های منطق فازی در [10] و PSS های منطق فازی-عصبی در [11] استفاده می شود. طراحی PSS مبتنی بر GA در یک سیستم قدرت چند دستگاه در [12] ارائه شده است؛ پارامترهای PSS از طریق آزمایش های شبیه سازی بر اساس مدل غیر خطی سیستم تنظیم می شوند. در [13]، مرتب سازی GA (NSGA-II) غیر تحت سلطه برای جستجو در تنظیم بهینه پارامترهای PSS استفاده شده است.

 بهینه سازی ازدحام ذرات (PSO)، یک روش بسیار محبوب از خانواده هوش ازدحامی، در [14-17] برای طراحی PSS های قوی پیشنهاد شده است. یک الگوریتم مبتنی بر PSO-منطق فازی PSS ها در [18] ارائه شده تا نوسانات چند سیستم قدرت و ماشین آلات را مرطوب کند. در [19]، نویسندگان سه الگوریتم PSO مبتنی بر PSS ها برای سیستم قدرت متشکل از سه سیستم قدرت به تنهایی توسعه یافته ارائه داده اند. حسین و همکاران [20] یک سیستم فازی PSS، مبتنی بر PSO تطبیقی معرفی کردند تا اختلال حالت بین منطقه نوسان در سیستم های قدرت را مرطوب کنند. در [21] یک تکنیک بهینه سازی ترکیبی برای تنظیم بهینه ی پارامترهای PSS در یک سیستم چند قدرت ماشین معرفی شده اند. این روش ترکیبی از PSO با اضافه کردن مدل جماعت منفعل مشتق شده است. یک الگوریتم 0142-0615/$ PSO تنظیم شده ی  (MPSO) در [22] برای قرار دادن مطلوب و پیکربندی PSSS در سیستم های قدرت ارائه شده است. MPSO با PSO با جماعت غیر فعال (برای کاهش احتمال یک تلاش ناموفق در تشخیص یا جستجو بی معنی) و دنباله پر هرج و مرج (به منظور بهبود قابلیت جستجو جهانی) یکپارچه شده است.

یک الگوریتم جستجوی غذای باکتریایی (BFA) بر اساس طرح بهینه عصبی-فازی در [23] برای طراحی PSS های تطبیقی هوشمند برای بهبود عملکرد ثبات پویا و گذرای سیستم های قدرت چند دستگاه توسعه یافته است. در [24]، یک الگوریتم اصلاح شده ی BFA، به نام الگوریتم هوشمند جستجوگری باکتریایی (SBFA)، برای تنظیم بهینه ی PSS ها ارائه شده است.

در [25]، یک الگوریتم کولونی زنبور عسل مصنوعی (ABC) برای ثبات بهتر سیستم قدرت به کار گرفته شده است، در حالی که یک روش نسل حکومت مبتنی بر الگوریتم ABC در [26] برای طراحی PSS فازی برای بهبود قدرت پایداری سیستم و کاهش تلاش طراحی پیشنهاد شده است.

یک الگوریتم تکامل دیفرانسیل  (DE) در [27] اعمال شده تا مشکل طراحی هماهنگی PSS بر اساس شبیه سازی در حوزه زمان غیر خطی را برطرف کند. یک الگوریتم ترکیبی DE جدید، به نام DE تدریجی ترکیبی خود تنظیم، در [28] برای جستجوی سریع و کارآمد یک مجموعه بهینه پارامترهای PSS توسعه یافته است. یک الگوریتم DE در [29] برای تنظیم PSS های چند بانده در بخشی از شبکه برق ولتاژ بالای مکزیک استفاده شده است.

متد نوین طراحی PSS با استفاده از روش بهینه سازی چندمنظوره به نام الگوریتم تکاملی قدرت پارتو (SPEA) در [30] معرفی شده است.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.