هوش محاسباتی در مهندسی برق (سیستم های هوشمند در مهندسی برق)
سال:1398 | دوره:10 | شماره:2 |تعداد مقالات:6

در این مقاله، مدل احتمالاتی دومرحله ای مقید به ریسک برای برنامه ریزی همزمان انرژی و ذخیرة یک ریزشبکة هوشمندِ مستقل با در نظر گرفتن مشارکت مشترکین در برنامه های یی بار ارائه شده است. هدف برنامة پیشنهادی، بیشینه کردن سود مورد انتظار بهره بردار در شرایط مختلف ریسک پذیری است؛ به طوری که مشترکین نیز کمترین هزینه را برای تأمین انرژی خود پرداخت کنند. براساس این مدل، مشترکین با استفاده از قابلیت بارهای خود، ضمن شرکت در برنامة بار مبتنی بر قیمت گذاری زمان استفاده، بخشی از ظرفیت ذخیرة ریزشبکه را نیز برای مواجه با عدم قطعیت های آن تأمین می کنند. عدم قطعیت های مسئله ناشی از خطای پیش بینی تولیدات تجدیدپذیر، قیمت انرژی و تقاضا است که با روش های مبتنی بر سناریو مدل سازی شده اند. در مدل پیشنهادی برای تعدیل اثرات ناشی از سناریوهای نامطلوب، از شاخص مقدار شرطی در ریسک (CVaR) برای ارزیابی ارزش ریسک پذیری بهره بردار به منظور برآورد میزان سودهای نامطلوب استفاده شده است. همچنین، در این مطالعه تأثیر ریسک پذیری بهره بردار ریزشبکه روی میزان مشارکت بارهای در تخصیص ذخیرة چرخان بررسی شده است که در مسئلة بهره برداری مهم و کاربردی است. همچنین، برای ارزیابی دقیق تر محدودیت های فرکانس و ولتاژ ریزشبکه، از پخش بار بهینة AC (AC-OPF)) در فرایند حل مسئله استفاده شده است تا پاسخ های واقعی تری از عملکرد ریزشبکه به دست آید. درنهایت، برنامة پیشنهادی در یک ریزشبکة نمونه، اجرا و نتایج در حالت های مختلف تحلیل شده است.

سامانه ی کنترل پرواز، قسمتی از موشک است که دستورات بخش هدایت کننده را گرفته و وظیفه ی آن، دنبال کردن این دستورها در موشک است. سامانه ی فیزیکی موشک دارای ضرایب آئرودینامیکی غیرخطی و وابسته به سایر متغیرهای فیزیکی است؛ بنابراین شناسایی دقیق آنها دشوار است و این مسئله باعث ایجاد تفاوت در مدل ریاضی و سیستم واقعی و کاهش عملکرد کنترلگرهای خطی طراحی شده می شود. در این پژوهش، از روش دینامیک وارون به منظور شناسایی نامعینی ها و مدلسازی سیستم موشک پدافندی استفاده می شود. سپس، از مدل به دست آمده برای کنترل و بهینه سازی پرواز جسم پرنده با معادلات غیرخطی دارای شش درجه آزادی، بهره برداری می شود؛ بنابراین طراحی براساس مدل غیرخطی و به صورت کنترلگر غیرخطی فازی تطبیقی با قابلیت تطبیق بالا و مقاوم نسبت به تغییرات پارامترهای موشک در حین پرواز، انجام خواهد شد. این امر به همراه استفاده از روش دینامیک وارون برای مدلسازی نوآوری این پژوهش محسوب می شود.

هدف اصلی این پژوهش، کنترل تطبیقی-عصبی سیستم های غیرخطی تأخیردار در حضور خرابی عملگر با استفاده از روش کنترل سطح دینامیکی (DSC) است. سیستم های بررسی شده، سیستم هایی به فرم فیدبک اکید و در حضور اغتشاش های نامعین خارجی اند. در این سیستم ها از شبکه های عصبی توابع پایه ای شعاعی (RBF) برای تقریب توابع نامعین استفاده می شود که قوانین تطبیق پارامترها براساس طراحی لیاپانوف به دست می آیند. اغتشاش های نامعین، توابع غیرخطی نامشخصی اند که اطلاعات جزئی از کران آنها در دسترس است؛ بنابراین، از جملة مقاوم پیوسته برای حداقل کردن اثر آنها استفاده شده است. همچنین به دلیل وجود تأخیرهای زمانی نامشخص در معادلات سیستم، در روند طراحی کنترل کننده و اثبات پایداری از تابعی های لیاپانوف-کراسوفسکی استفاده شده است. کنترل کننده نیز به گونه ای طراحی شده است که در صورت بروز خرابی عملگر، از نوع کاهش عملکرد، سیستم همچنان به عملکرد مطلوب خود ادامه دهد. برای کنترل کننده ی طراحی شده در این پژوهش، پایداری سیستم و همگرایی خطای ردیابی به یک مقدار کوچک دلخواه اثبات شده است.

با ورود منابع تجدیدپذیر به سیستم قدرت، نفوذ عدم قطعیت ها در حل مسائل مختلف حوزه ی بهره برداری سیستم قدرت افزایش یافته است. یکی از مهم ترین مسائل، پخش توان بهینه است که با حضور عدم قطعیت ها، قابلیت مدلسازی با روش های قطعی را نداشته و لازم است با به کارگیری روش های احتمالاتیِ مدلسازی تحلیل شود. در این مقاله از روش های عددی شامل روش شبیه سازی مونت کارلو و تحلیلی مانند روش های تخمین نقطه ای، نقطه ی داخلی و تبدیل بی بو برای حل مسئله ی پخش توان بهینه ی احتمالاتی با هدف حداقل سازی هزینه ی بهره برداری و لحاظ کردن همبستگی میان عدم قطعیت های موجود در مسئله در شبکه ی استاندارد 118شینه IEEE استفاده شده است. نتایج روش های شبکه ی نمونه نشان می دهند در روش های تخمین نقطه ای، به دلیل محدودبودن نقاط شروع مسئله، حصول جواب بهینه نسبت به روش های دیگر در زمان محاسباتی کمتری انجام می شود. همچنین، دامنه ی تغییرات پروفیل ولتاژ تولیدی واحدهای تولیدی نیز در روش نقطه ی داخلی، ثبات بیشتری دارد و ازنظر سرعت همگرایی، روش نقطه ی داخلی بسیار سریع تر از روش شبیه سازی مونت کارلو است.

نظر به اینکه سیگنال قیمت در بازار برق، نوسانات زیاد و عدم قطعیت فراوانی دارد، بر پیش بینی کوتاه مدت تأثیر زیادی می گذارد. با توجه به اینکه روش های مبتنی بر سری زمانی نمی توانند مدل های غیرخطی این چنینی را به صورت مناسب با دقت بالا تخمین بزنند، به ارائه ی مدل کارا نیاز است؛ به همین دلیل در این مقاله روش ترکیبی جدید چندمرحله ای برای پیش بینی روزانه ی قیمت برق پیشنهاد شده است. به منظور دستیابی به این الگو، ابتدا پیش بینی به سه لایه ی اصلی، پیش پردازش کننده، آموزش و تنظیم کننده تقسیم شده است. در لایه ی اول از تبدیل کرولت برای کاهش نویزهای احتمالی در سیگنال قیمت استفاده شده است. سپس با استفاده از مدل توسعه یافته ی انتخاب داده بر مبنای افزایش همبستگی و کاهش تکرار، داده های غیرمفید را حذف و حجم محاسبات را به صورت چشمگیری کاهش داده است. سپس داده های منظم شده وارد لایه ی یادگیری شده که به منظور دست یابی و استخراج بهترین الگو از داده های ورودی، ماشین یادگیری شدید توسعه یافته پیشنهاد شده است. با توجه به اینکه تنظیم پارامترهای کنترلی ماشین یادگیری پیشنهادی می تواند به حداکثر قابلیت آن در استخراج الگو غیرخطی از سیگنال قیمت منجر شود، در لایه ی آخر روش توسعه یافته ی جدیدی مبتنی بر کلونی جستجوی ویروس بر مبنای تئوری ضرایب متغیر زمانی پیشنهاد شده است. الگوریتم پیشنهادی، روش بهینه سازی جدید براساس عملکرد ویروس ها برای نابودی سلول های میزبان و نفوذ بهترین آن ها به داخل یک سلول برای تکثیر است. روش پیشنهادی بر بازارهای برق واقعی موجود، اعمال و نتایج به دست آمده براساس میزان خطای پیش بینی و معیارهای مبتنی بر خطا مقایسه شده اند. نتایج نشان می دهند روش پیشنهادی، کارایی مناسب و پذیرفتنی دارد.

در این مقاله به منظور مکان یابی خطا در شبکة انتقال از تبدیل موجک گسسته برای استخراج ویژگی های خطا، برای آموزش شبکة عصبی مصنوعی استفاده شده است. درواقع اساس کار، مبتنی برآنالیز جریان به دست آمده از اطلاعات ثبت شده بعد از خطا در ابتدا و انتهای خط بوده و با رله دریافت شده و برای کاهش داده ها از فرایند تبدیل جریان سه فاز به جریان توالی صفر استفاده شده است. در ادامه، به کمک تبدیل موجک، با تجزیة دو سطحی جریان توالی صفر، مؤلفه های افقی این جریان استخراج می شود. درنهایت، با محاسبة انرژی ذخیره شده در این مؤلفه ها و نیز استخراج مقیاس های ماکزیمم این مؤلفه ها ویژگی های مشخصی از خطا نمایان می شوند که به منظور آموزش شبکة عصبی مناسب خواهند بود. نتایج شبیه سازی نشان می دهند این ویژگی ها به شدت به مقاومت خطا، نوع خطا، زاویة وقوع خطا و مکان خطا وابسته اند؛ بنابراین، داده های آموزشی باید به گونه ای انتخاب شوند که این تغییرات را به خوبی نمایان کنند تا شبکة عصبی در تشخیص خود دچار مشکل نشود. روش پیشنهادی روی شبکة تست پیاده سازی شد که نتایج آن نشان دهندة عملکرد مناسب روش پیشنهادی با دقت کلی 6/98% و حداکثر خطای تخمین 1666/0% بوده است.