هوش محاسباتی در مهندسی برق (سیستم های هوشمند در مهندسی برق)
سال:1393 | دوره:5 | شماره:4 |تعداد مقالات:9

بهره برداری از منابع تولید پراکنده و تجدید پذیر اگرچه پتانسیل بالایی دارند، اما ممکن است به علت طبیعت متغیرشان مشکل آفرین باشند. علاوه بر این، نوسان های باد و یا تغییرات شدید آب و هوایی می تواند به نوسان های موقتی در ولتاژ منجر شود. تحقیقات نشان می دهد که ذخیره سازی انرژی می تواند این طبیعت تصادفی را جبران کند و در بازه زمانی کوتاه بدون نیاز به قطع بار و یا به مدار آوردن منابع انرژی جدید موثر باشد. همچنین، بهره گیری از ذخیره سازهای انرژی برای یکنواخت کردن پروفیل توان و تنظیم ولتاژ در نقاط اتصال، امکان استفاده بهتر از توان تولیدی را فراهم می آورد و می تواند راه حل اقتصادی تلقی شود. در این راستا، در این مقاله یک سیستم مدیریت انرژی هوشمند به منظور بهینه کردن بهره برداری از سیستم الکتریکی نمونه و برنامه ریزی تولید و ذخیره انرژی طراحی شده است. روش پیشنهاد شده قادر است بسته به اهداف کاری مختلف و درجه اهمیت متناظرشان با استفاده از روش بهینه سازی پارتو نقاط کار بهینه را تعیین نماید. در این روش، ساعات استفاده و میزان استفاده از منابع مختلف انرژی به گونه ای که کمترین هزینه و پایین ترین آلودگی زیست- محیطی را به دست دهد، تعیین شده است. در نهایت، به منظور اعتبار سنجی الگوریتم پیشنهادی، روش با استفاده از نرم افزارهای MATLAB و GAMS بر روی یک سیستم پیشرانه الکتریکی نمونه پیاده و نتایج بحث و بررسی شده است.

در این مقاله یک استراتژی جدید مدیریت تراکم ارایه شده است. در عموم روش های ارایه شده برای مدیریت تراکم، تمام پیشامدها، یا به صورت قطعی و یا احتمالی، قبل از وقوع بازار در برنامه ریزی واحدهای تولیدی در نظر گرفته می شود که باعث افزایش هزینه رفع تراکم می شود. در الگوریتم ارایه شده در این مقاله، مدیریت تراکم به دو بخش مدیریت تراکم اولیه و ثانویه تقسیم می شود. پیشامدها نیز به دو دسته تقسیم می شوند. دسته اول پیشامدهایی هستند که حتما باید قبل از وقوع، با راهکارهای پیشگیرانه آثار آن ها را به حداقل رساند و دسته دوم شامل پیشامدهایی است که آثار نامطلوب رخداد آن ها در شبکه را می توان با ابزار و روش های کنترلی از بین برد. پیشامدهای دسته اول به همراه حالت پایه شبکه، در مدیریت تراکم اولیه لحاظ می شوند. مدیریت تراکم ثانویه از نزدیک ترین زمان به اجرای بازار آغاز می شود و تا پایان هر ساعت از اجرای بازار ادامه می یابد. به این ترتیب مدیریت تراکم ثانویه قادر است با کم ترین عدم قطعیت، هم آثار تغییرات بار و تولید را لحاظ کند و هم آثار پیشامدهایی را که در زمان اجرای واقعی بازار رخ می دهد در نظر بگیرد. با این روش، هزینه در نظر گرفتن قید امنیت برای مدیریت تراکم به حداقل می رسد.

یکی از مباحث مهم در زمینه مدیریت تولید و بهره برداری سیستم های قدرت، پخش بار اقتصادی دینامیکی است. هدف از حل مساله مورد نظر، برنامه ریزی توان تولیدی ژنراتورهای فعال در سرتاسر یک افق زمانی مشخص است؛ به طوری که در هر بازه زمانی مشخص، بار مورد تقاضا تامین و قیود بهره برداری رعایت شوند. در سال های اخیر، مزارع بادی به دلیل هزینه پایین تولید توان (نسبت به دیگر منابع انرژی تجدیدپذیر) و همچنین، آلایندگی کمتر مورد توجه قرار گرفته است و گسترش زیادی داشته است. در این مقاله، مساله پخش بار اقتصادی دینامیکی سیستم قدرت شامل: واحدهای حرارتی و مزارع بادی و با در نظر گرفتن هزینه آلودگی بررسی شده است. به منظور حل مساله بهینه سازی مورد نظر از یک روش ابتکاری کارآمد با نام الگوریتم بهینه سازی ازدحام ذرات هم تکاملی اصلاح شده استفاده شده است. همچنین، به منظور بهبود عملکرد الگوریتم مورد نظر، اصلاحاتی از جمله استفاده از یک ضریب اینرسی که به طور خطی در طول شبیه سازی کاهش می یابد بر روی آن اعمال شده است. در نهایت، کارآیی و برتری روش پیشنهادی روی سه سیستم نمونه IEEE (دو سیستم بدون مشارکت مزارع بادی و یک سیستم شامل دو مزرعه بادی) نشان داده شده است.

امروزه مسائل بهره برداری بهینه از نیروگاه های تجدید پذیر و پیشنهاد تولید بهینه این نیروگاه ها جزو مسائل روز بازار برق است. با توجه به این مساله، در این مقاله، روش جدیدی در بهره برداری هماهنگ از نیروگاه های بادی، فتوولتائیک و تلمبه- ذخیره ای در بازار ارایه می شود. هدف اصلی این برنامه ریزی، افزایش سود مجموعه نیروگاه هاست. در این پژوهش، از شبکه عصبی مصنوعی برای پیش بینی تولید نیروگاه بادی استفاده شده است. افزون بر این، وجود عدم قطعیت قیمت انرژی و ذخیره چرخان در بازار برق و عدم قطعیت تولید واحدهای بادی و فتوولتائیک به تبدیل این مساله به یک مساله بهینه سازی تصادفی منجر می شود. در این پژوهش، عدم قطعیت شاخص ها توسط روش درخت سناریو مدل سازی شده است. با استفاده از روش درخت سناریو مساله بهینه سازی به یک مساله بهینه سازی تصادفی تبدیل می شود. در این مقاله، روش پیشنهادی بر روی نیروگاه های بادی، فتوولتائیک و تلمبه- ذخیره ای سیستم ارتقا یافته 118 باس IEEE مدل سازی و با استفاده از نرم افزار GAMS حل شد ه است. بررسی مقادیر امید ریاضی سود سیستم تایید کننده افزایش سود مجموعه نیروگاهی در شرایط عملکرد هماهنگ نسبت به شرایط بهره برداری مستقل است.

در این مقاله، بهینه سازی مکان استقرار خنک کننده ها در ستون قرص های برقگیر با هدف کاهش سریع دما ناشی از تلفات الکتریکی اضافه ولتاژهای موجود در شبکه و افزایش پایداری حرارتی برقگیر بررسی شده است. شبیه سازی با استفاده از لینک نرم افزار اجزای محدود COMSOL در حالت گذرا و همچنین، نرم افزار MATLAB بر روی برقگیر مورد مطالعه انجام شده است. بر این اساس در هر مرحله از شبیه سازی ابتدا تحلیل الکتروحرارتی در بازه زمانی خاص مطابق با استاندارد IEC60099-4 بر روی جمعیت انتخاب شده انجام و نتایج مورد نیاز به الگوریتم بهینه سازی انتقال داده می شود. به منظور بهینه سازی مکان خنک کننده ها از الگوریتم ژنتیک استفاده شده است. نتایج به دست آمده نشان دهنده تاثیر بسیار زیاد مکان خنک کننده در تغییرات دمایی برقگیر دارد. در نهایت، مدل بهینه شده در نرم افزار اجزای محدود به طور مستقل شبیه سازی و نتایج حاصل از آن با نمونه انتخابی مقایسه خواهد شد.

با افزایش قیمت سوخت های فسیلی و نگرانی های زیست محیطی، استفاده از انرژی های تجدید پذیر مانند باد و خورشید افزایش یافته است. همچنین، استفاده از خودروهای الکتریکی (EV) و خودروهای هیبریدی قابل اتصال به شبکه (PHEV) که با عنوان V2G شناخته می شوند توسعه یافته است. با توجه به فراگیر شدن استفاده از این خودروها در آینده ای نزدیک، پارکینگ خودروهای الکتریکی (EVP) به عنوان منابع تولید تولید پراکنده (DG) و ذخیره ساز انرژی الکتریکی مورد توجه قرار می گیرند. مکان قرار گرفتن این پارکینگ ها برای شرکت های توزیع برق از نقطه نظر کاهش تلفات و برای شهرداری ها از نقطه نظر وسعت منطقه شهری که قرار است پارکینگ در آن احداث شود دارای اهمیت است. در این مقاله، به موضوع مکان یابی پارکینگ خودروهای الکتریکی با درنظر گرفتن اطلاعات GIS و وسعت مناطق شهری، با هدف تسریع در مکان یابی پارکینگ ها توسط الگوریتم های تکاملی مختلف به منظور کاهش مکان های کاندید، بررسی و مقایسه کارایی این الگوریتم ها و همچنین، رضایت مندی شرکت توزیع برق و شهرداری ها پرداخته شده است.

امروزه دنیای موسیقی و هوش مصنوعی به واسطه پژوهش های انجام شده در هر دو حوزه به هم نزدیک تر شده اند. ساخت موسیقی با استفاده از راه کارهای موجود در هوش مصنوعی، زمینه پژوهشی جدیدی را ایجاد کرده است. ساخت خودکار موسیقی علاوه بر اینکه ما را در شناخت بهتر چگونگی تفکر موسیقیایی انسان یاری خواهد کرد، کمک شایان توجهی به آهنگ سازان و موسیقی دانان در بهبود تئوری های موسیقی با استفاده از قدرت محاسباتی کامپیوترها می کند و آهنگ سازان را نیز از آهنگ سازی های «نت به نت» رها خواهد ساخت. در این پژوهش، به ساخت موسیقی به شکل خودکار پرداخته می شود. ابتدا، با استفاده از زنجیره مارکوف و سیستم های لیندن مایر، یک سیستم آهنگ سازی خودکار پیاده سازی می شود که به دلیل ماهیت روش های مورد استفاده، به شکل بدون تنوع به تولید موسیقی می پردازد. ولی بر اساس الگوریتم ژنتیک با استفاده از جهش یکنواخت و توجه به برازندگی قطعه براساس آکوردها، نتایج سریع به سمت قطعات بهتر می روند. خلاقیت در ساخت موسیقی فراتر از مرزهای کنونی هوش مصنوعی است و برای دست یابی به نتایج بهتر، کار بسیاری در این زمینه هنوز پیش رو است.

در این مقاله روشی هوشمند با استفاده از شبکه عصبی و تبدیل موجک برای تشخیص جزیره ای شدن برای واحدهای تولید پراکنده مبتنی بر اینورتر ارائه شده است. روش ارائه شده مبتنی بر تغییر مرجع توان راکتیو در واسط کنترل اینورتر به منظور ایجاد یک گذرای اجباری کوچک در فرکانس و مشتق آن است. در شرایطی که واحد تولید پراکنده در جزیره قرار گرفته باشد، تغییر در مرجع توان راکتیو باعث تغییر در فرکانس سیستم و مشتق آن و ایجاد گذرایی در آنها خواهد شد. ایده اصلی این مقاله، استفاده از گذرای ایجاد شده در فرکانس و مشتق آن در شرایط جزیره ای شدن است. در این روش شبکه عصبی احتمالاتی (PNN) به وسیله شاخص استخراج شده از اطلاعات مشتق فرکانس، به وسیله تبدیل موجک گسسته (DWT) در شرایط جزیره و غیر جزیره تحت آموزش قرار می گیرد. شبیه سازی ها با استفاده از نرم افزار PSCAD/EMTDC و تحلیل ها در نرم افزار MATLAB انجام شده است. نتایج شبیه سازی ها نشان می دهد که روش پیشنهادی در شرایط مختلف عملکرد مناسبی از خود نشان می دهد.