این مقاله شدت تراکم طیفی تغییر مکان نقطه انتهایی یک بازوی مکانیکی رباتی به تحریک اتفاقی پایه را مورد مطالعه قرار می دهد. معادلات دینامیکی برای یک بازوی مکانیکی رباتی تحت اثر تحریک اتفاقی پایه در راستای قایم با استفاده از روش لاگرانژ استخراج می شود. سپس معادلات بر حسب تغییر مکانهای کوچک در یک حالت ثابت شکل قرار گیری بازوها، خطی می شوند. حساسیت شدت تراکم طیفی نقطه انتهایی بر حسب شکل قرار گیری بازوها و ضریب استهلاک کننده مورد بررسی قرار می گیرد. در انتها نتایج حاصل از شبیه سازی برای یک بازوی مکانیکی دو عضوی صفحه ای تحت اثر تحریک اتفاقی پایه در راستای قایم ارایه می گردد.  

در سال های اخیر جداسازی شبکه قدرت بعنوان آخرین ابزار جهت پیشگیری از ناپایداری سیستم مورد توجه قرار گرفته است. هدف از جداسازی کنترل شده، تشکیل جزایر پایدار در شبکه به منظور جلوگیری از خاموشی سراسری و سهولت بازیابی مجدد شبکه می باشد. در این راستا یک الگوریتم تصمیم گیری مناسب مورد نیاز است که در زمان کوتاه با دقت کافی نقاط جداسازی را تعیین نماید. در این مقاله ضمن توسعه الگوریتم خوشه بندی سلسله مراتبی طیفی، استفاده از آن در جداسازی شبکه پیشنهاد شده است. روش ارائه شده با استفاده از مقادیر توان عبوری خطوط و در نظر گرفتن لزوم همنوایی ژنراتورها در هر جزیره، بر مبنای حداقل تغییرات پخش بار نقاط جداسازی را مشخص می نماید. بعلاوه، این روش امکان اعمال محدودیت های جداسازی بر روی برخی خطوط را نیز فراهم می آورد. روش پیشنهادی از نظر محاسباتی بسیار سریع بوده و امکان تعیین تعداد جزایر نیز در آن میسر می باشد. این روش بر روی شبکه های استاندارد انتقال IEEE-39 و IEEE-118 پیاده سازی شده و عمکرد آن با سایر روش های موجود مورد مقایسه قرار گرفته است. نتایج حاصل از شبیه سازی، کارآیی بالای این روش در مقایسه با روش های موجود و قابلیت پیاده سازی بصورت بلادرنگ در شبکه های قدرت را نشان می دهد.

در سال های اخیر، رویکرد جدیدی تحت عنوان تحلیل مودال عملیاتی مبتنی بر انتقال پذیری مطرح شده است که یک راهکار موثر در زمینه شناسایی سیستم می باشد. این روش جدید قادر به شناسایی پارامترهای مودال سیستم های سازه ای مبتنی بر توابع انتقال پذیری می باشد که در آن، بر خلاف روش های مرسوم تحلیل مودال عملیاتی، هیچ فرض محدود کننده ای در مورد تحریکات ورودی وجود ندارد. در این مقاله، فرم موثری از انتقال پذیری تحت عنوان انتقال پذیری چگالی طیف توان، به منظور شناسایی مشخصات دینامیکی یک سیستم 5 درجه آزادی بکار گرفته شده است. این سیستم دینامیکی که با استفاده از سیمولینک متلب مدلسازی شده است، تحت تحریک زلزله های مختلف از قبیل السنترو، نورتریج و لوما پرییتا قرار گرفته و نویز سفید گاوسی نیز، با نسبت های مختلف سیگنال به نویز، به پاسخ های آن اضافه شده است. پارامترهای مودال (فرکانس های طبیعی و اشکال مودی) این مدل عددی مبتنی بر مقادیر و بردارهای تکین بدست آمده از تجزیه مقدار تکین ماتریس انتقال پذیری چگالی طیف توان محاسبه و استخراج شده اند. این ماتریس، بر خلاف ماتریس انتقال پذیری طیف فوریه، می تواند بر اساس خروجی های انتقالی بدست آمده از فقط یک شرط بارگذاری ایجاد شود، از این رو نیازی به استفاده از خروجی های چندین شرط بارگذاری نیست، به طوریکه صرفا با یک آزمایش دینامیکی می توان به شناسایی خصوصیات دینامیکی پرداخت. در این تحقیق، نتایج شناسایی مودال از طریق مقایسه با مقادیر بدست آمده از حل دقیق سیستم ارزیابی شده است. این مقایسه نشان می دهد که پارامترهای مودال مستخرج از پاسخ های سیستم با سطوح مختلف نویز، از تطابق خوبی با مقادیر دقیق برخوردار می باشند.

Distance-based clustering methods categorize samples by optimizing a global criterion, finding ellipsoid clusters with roughly equal sizes. In contrast, Density-based clustering techniques form clusters with arbitrary shapes and sizes by optimizing a local criterion. Most of these methods have several hyper-parameters, and their performance is highly dependent on the hyper-parameter setup. Recently, a Gaussian Density Distance (GDD) approach was proposed to optimize local criteria in terms of distance and Density properties of samples. GDD can find clusters with different shapes and sizes without any free parameters. However, it may fail to discover the appropriate clusters due to the interfering of clustered samples in estimating the Density and distance properties of remaining unclustered samples. Here, we introduce Adaptive GDD (AGDD), which eliminates the inappropriate effect of clustered samples by adaptively updating the parameters during clustering. It is stable and can identify clusters with various shapes, sizes, and densities without adding extra parameters. The distance metrics calculating the dissimilarity between samples can affect the clustering performance. The effect of different distance measurements is also analyzed on the method. The experimental results conducted on several well-known datasets show the effectiveness of the proposed AGDD method compared to the other well-known clustering methods.

In this paper, a novel risk-based, two-objective (technical and economical) optimal reactive Power dispatch method in a wind-integrated Power system is proposed which is more consistent with operational criteria.  The technical objective includes the minimization of the new voltage instability risk index. The economical objective includes cost minimization of reactive Power generation and active Power loss. The proposed voltage instability risk employs a hybrid possibilistic (Delphi-Fuzzy)-probabilistic approach that takes into consideration the operator’s experience, the wind speed and demand forecast uncertainties when quantifying the risk index. The decision variables are the reactive Power resources of the system. To solve the problem, the modified multi-objective particle swarm optimization algorithm with sine and cosine acceleration coefficients is utilized. The method is implemented on the modified IEEE 30-bus system. The proposed method is compared with those in the previously published literature, and the results confirm that the proposed risk index is better at estimating the voltage instability risk of the system, especially in cases with severe impact and low probability. In addition, according to the simulation results compared to typical security-based planning, the proposed risk-based planning may increase the security and economy of the system due to better utilization of system resources.