پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

پیشبینی نرخ بازار برق، مبنی بر تکنیک های نزدیک ترین هکسایه ها ارزیابی شده

چکیده ــ این مقاله، یک روش ساده برای پیشبینی قیمت های روز-بعد بازار را، مبنی بر تکنیک نزدیک ترین هکسایه ها وزن دار، ارایه می دهد. نخست، چگونگی بدست آوردن پارامترهای مربوطه ای که مدل مورد نظر را تعیین می کنند، تشریح شده است. این پارامترها، مربوط به طول پنجره سری های زمانی و نیز مربوط به تعداد همسایه هایی که برای پیشبینی انتخاب شده اند، می باشند. سپس، نتایج مربوط به بازار برق اسپانیا در طی سال 2002، ارایه شده و مورد بحث قرار گرفته است. در پایان، عملکرد روش پیشنهاد شده با روش های جدید، مقایسه می شود.

اصطلاحات شاخص ــ قیمت های بازار برق، پیشبینی، سری های زمانی، نزدیک ترین هکسایه ها وزن دار.

پروژه کارشناسی ارشد برق
فایل محتوای:
1) اصل مقاله لاتین 8 صفحه IEEE
2) متن ورد ترجمه شده بصورت تخصصی 21 صفحه

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

انتخاب زیر مجموعه برای برآورد پارامتر بهبود یافته در شناسایی خط از یک ژنراتور سنکرون+ نسخه انگلیسی

Subset Selection for Improved Parameter Estimation in On Line Identification of a synchronous Generator

در این مقاله اثبات می‌کنیم که برای مدل ژنراتور سنکرون به کار رفته در آزمایش‌های شناسائی مرجع [16]، و برای اندازه‌گیری‌های با کیفیت مشابه (ترکیب با مدل مرجع [16]، چون داده‌های اصلی در اختیار ما قرار نداشتند)، استراتژی ارائه شده منجر به فرایند تخمین کاهش مرتبه و تخمین‌ دیگر پارامترهای مرتبطی می‌شود که نسبت به حالتی که همه پارامترها با هم تخمین زده ‌شوند، رفتار بهتری از خود نشان می‌دهد. بخش II مقاله به طور خلاصه مساله حداقل مربعات غیرخطی را مرور کرده و روی نقش ژاکوبینِ (یا گرادیان یا ماتریس مشتق اول) بردار خطا نسبت به بردار پارامتری در یافتن تخمین حداقل مربعات روش گوس- سایدل تاکید دارد؛ همچنین Hessian (یا ماتریس مشتق دوم) معیار خطا نسبت به بردار پارامتری تعریف می‌شود. سپس همین بخش، ایده اصلی فرایند انتخاب زیرمجموعه‌ای را که به ژاکوبین یا Hessian اعمال می‌شود را بیان کرده و در نهایت الگوریتم را به صورت جزئیاتی تشریح می‌کند. بخش III سیستم تست را توصیف کرده و نحوه استخراج مقادیر آزمایش‌های شناسائی را توضیح می‌دهد، سپس نتایج آزمایش‌های تخمین مختلفِ انجام شده روی سیستم را ارائه می‌کند. برخی نتیجه‌گیری‌ها نیز در بخش IV بیان شده است.

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

کنترل هموار نوسانات تولید برق فوتوولتائیک (PV) و توان بادی، مبنی بر باتری‌خانه ذخیره کننده انرژی (BESS) + نسخه انگلیسی

Battery Energy Storage Station (BESS)-Based Smoothing Control of Photovoltaic (PV) and Wind Power Generation Fluctuations

چکیده _ از باتری خانه ذخیره کننده انرژی (BESS) برای مقاصد فعلی هموار کردن (منظور از بین بردن نوسانات) نوسانات تولید انرژی بادی و خورشیدی استفاده می شود. این سیستم‌های قدرت هیبرید مبنی بر BESS، به یک استراتژی کنترل مناسبی که بتواند به‌صورت موثری سطوح توان خروجی و حالت شارژ (SOC) باتری را تنظیم کند، نیازمندند. این مقاله، نتایج بررسی شبیه سازی سیستم قدرت هیبرید بادی/ فوتوولتائیک (PV)/BESS را که به منظور بهبود عملیات هموار کردن شکل موج توان تولیدی خروجی، و موثر بودن کنترل SOC باتری انجام شده است، ارائه می دهد. یک روش کنترل هموار برای کاهش نوسانات توان خروجی هیبریدی بادی/PV و نیز تنظیم SOC باتری تحت شرایطی خاص، در اینجا ارائه شده است. یک روش جدید تخصیص توان لحظه ای مبنی بر BESS نیز پیشنهاد شده است. فواید این روش‌ها نیز با استفاده از نرم افزار MATLAB/SIMULINK بررسی شده است.

    اصطلاحات مربوط__ کنترل هموار سازگار، باتری خانه ذخیره انرژی (BESS)، تولید توان خورشیدی، حالت شارژ(SOC) ، تولید توان بادی.

فهرست اصطلاحات

WPGS : سیستم تولید WP

PVGS : سیستم تولید توان PV

V_bat: ولتاژ ترمینال سیستم ذخیره انرژی باتری (V)

I_bat : جریان سیستم ذخیره انرژی باتری

Vocv : ولتاژ مدار باز باتری (V)

R_bat^int : مقاومت داخلی سیستم ذخیره انرژی باتری

Rch : مقاومت داخلی شارژ

Rdis : مقاومت داخلی دشارژ

SOC : حالت شارژ (%)

SOCini : مقدار اولیه SOC (%)

η: بازده (راندمان) شارژ/دشارژ

_chη : بازده شارژ (%)

_disη : بازده دشارژ (%)

Q_bat : ظرفیت سیستم ذخیره انرژی باتری (KWh)

استراتژی کنترل هموار مبنی بر SOC :

u_i : وضعیت استارت-استاپ واحد i

SOCi : SOC واحد i (%)

SOD_i : حالت دشارژ واحد i (%)

L : تعداد کل PCS

M : تعداد کل تجاوز از ماکزیمم (بیشینه) محدودیت‌های حد توان مجاز

T : دوره تناوب تحقیق شده

n : تعداد نمونه‌ها

Δt : سیکل کنترل (ثانیه)

 : بیشینه توان تخلیه (دشارژ) واحد j (KW)

: بیشینه توان شارژ واحد j (KW)

δ_WPPV: مقدار حد سرعت نوسان توان تعیین شده (%/min)

Ai : ضریب توان اصلاح شده برای واحد i

SOCref : مقدار مرجع SOC (%)

 : بیشینه SOC مجاز واحد i (%)

: کمینه SOC مجاز واحد i (%)

f_LT : بلوک جدول سنجش یک-بعدی که در آن ورودی، SOCi باتری بوده و خروجی، Ai می باشد.

f_WPPV : تابعی برای محاسبه سرعت اصلی نوسان توان بادی و خورشیدی

 f_hybrid : تابعی برای محاسبه سرعت نوسان توان هیبریدی بادی/PV/ BESS

r^T_(WPPV): سرعت اصلی نوسان توان تولیدی بادی و PV، حین دوره تناوب تحقیق شده (%/min)

R^T_(hybrid): سرعت نوسان توان هیبریدی بادی/PV/BESS حین دوره تناوب تحقیق شده (%/min)

P^max_(WPPV)  : بیشینه مقدار توان (KW)

P^min_(WPPV)  : کمینه مقدار توان

P^rated_(WPPV)  : توان نامی کل تولید بادی و PV (KW)

u^WP_k : وضعیت استارت-استاپ WPGS k

u^PV_k: وضعیت استارت-استاپ PVGS k

P^rated_{WP_k}: توان نامی WPGS k (KW)

P^rated_{PV_k}: توان نامی PVGS k (KW)

Pⁱⁿⁱ_BESS: توان اولیه BESS (KW)

P_WPPV: توان کل تولید WP و PV (KW)

T_WPPV: ثابت زمانی برای کنترل هموار (ثانیه)

s : متغیر مختلط

r_WPPV(t) : سرعت اصلی نوسان توان کل تولید PV و WP در زمان t (%/min)

K^rise_WPPV: مقدار حد زمان سعود (برخاست)

K^drop_WPPV : مقدار حد سرعت افت (kW/sec)

P^DRL_WPPV: توان خروجی محدود کننده سرعت دینامیک (DRL) (KW)

PCS : سیستم‌های مبدل توان

P_i : توان هدف PCS i (KW)

P_BESS : توان هدف BESS (KW)

P^smooth_WPPV: توان هدف هموار (KW)

δ_WPPV : مقدار حد سرعت نوسان توان تعیین شده

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

پروژه الگوریتم بهینه سازی ازدحام ذرات مبتنی بر مالتی ایجنت ترکیبی برای توزیع اقتصادی برق + نسخه انگلیسی

A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch

چکیده - این مقاله یک تکنیک بهینه سازی ازدحام ذرات مبتنی بر مالتی ایجنت ترکیبی (HMAPSO) را معرفی می‌کند که برای توزیع اقتصادی برق به کار گرفته شده است. روش قدیمی بهینه سازی ازدحام ذرات(PSO) دارای معایبی چون تنظیم متغیرها، تصادفی بودن و یکتایی پاسخ است. الگوریتم جدید تکنیک‌های جستجوی قطعی، سیستم مالتی ایجنت (MAS)، الگوریتم بهینه سازی ازدحام ذرات (PSO) و فرایند تصمیم گیری زنبوری را با هم ترکیب می‌کند. لذا به کمک جستجوی قطعی، بهینه سازی ازدحام ذرات مالتی ایجنت و زنبوری، HMAPSO قادر است بهینه سازی را تحقق دهد. مساله توزیع اقتصادی برق یک مساله بهینه سازی محدودشده غیرخطی است. تکنیک‌های بهینه سازی کلاسیک مثل روش‌های جستجوی مستقیم و گرادیان قادر نیستند پاسخ بهینه کلی را بدست دهند. سایر الگوریتم‌های تکاملی تنها یک پاسخ تا حدودی خوب را فراهم می‌کنند. برای نشان دادن توانمندی الگوریتم ارائه شده، این الگوریتم به مواردی با 13 و 40 ژنراتور اعمال می‌شود. نتایج نشان می‌دهد که ابن الگوریتم در یافتن پاسخ کلی نسبت به همتاهای خود بسیار صحیح و قوی‌تر است.

لغات کلیدی: توزیع اقتصادی برق، PSO، اثر نقطه دریچه، سیستم مالتی ایجنت.

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

پرداخت و دانلود