این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی و مدیریت انرژی، جلد ۹، شماره ۳، صفحات ۰-۰
عنوان فارسی بهبود برآورد و عملکرد در پخش بار بهینه با استفاده از شبکه عصبی بیزین
چکیده فارسی مقاله طراحی و توسعه آینده سیستم با توجه به رشد بار ولزوم اضافه کردن ژنراتورها، ترانسفورماتورها و خطوط جدید در سیستم قدرت بدون مطالعه پخش بار امکان پذیر نمی باشد. ضرورت مطالعات پخش بار بهینه نیز علاوه بر موارد ذکر شده برای پخش بار، به جهت رسیدن به توابع هدف است که در این مقاله هزینه سوخت ژنراتورها، تلفات توان اکتیو شبکه و شاخص بارپذیری شبکه مورد استفاده قرار گرفته است. بنابراین با استفاده از شبکه عصبی مصنوعی و مقایسه دو الگوریتم پس انتشار خطا از این نوع شبکه و تعریف مدل، به بررسی و تحلیل پخش بار بهینه پرداخته شده است. با استفاده از نمایه های ارزیابی مدل و آزمون مرگان-گرنجر-نیوبلد(MGN) عملکرد این دو الگوریتم مورد تحلیل و مقایسه قرار گرفته اند. از روش آماری بوت استرپینگ نیز جهت رسیدن به بهترین عملکرد برای بهبود برآورد پخش بار بهینه استفاده شده است. به منظور کاهش گام ها با خطای کم تر از 1% جهت بهبود برآورد پخش بار بهینه با بهینه سازی توابع تک هدفه مذکور، شبکه های عصبی بیزین و پرسپترون در شبکه استاندارد 30 شین IEEE مورد بررسی قرار گرفته اند. نتایج، نقش مؤثر شبکه عصبی بیزین بوت استرپ شده را از لحاظ عملکرد در نرم افزار متلب نشان می دهد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Improve Estimation and Operation of Optimal Power Flow(OPF) Using Bayesian Neural Network
چکیده انگلیسی مقاله The future of development and design is impossible without study of Power Flow(PF), exigency the system outcomes load growth, necessity add generators, transformers and power lines in  power system. The urgency for Optimal Power Flow (OPF) studies, in addition to the items listed for the PF and in order to achieve the objective functions. In this paper has been used cost of generator fuel, active power losses network and system loadability index, so artificial neural network used to compare two propagation algorithms of this type of network and define the model OPF analysis is carried out. The performances of the two algorithms are analyzed and compared using the model assessment index and MGN tests. Statistical method of Bootstrap has been used on achieve the best performance to improve OPF estimates. In order to reduce steps with less than 1%, for evaluate and improve the OPF estimation with single-objective optimization functions of the Bayesian and Perceptron neural networks have been studied in IEEE 30 bus test system. The results show the effective role of bootstrapped Bayesian neural network in terms of performance, using MATLAB software.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی صبری | Mahdi Sabri
Islamic Azad University of Tabriz
دانشگاه آزاد اسلامی واحد تبریز

روشنک رضائی پور | Roshanak Rezaeipour
Islamic Azad University of Tabriz
دانشگاه آزاد اسلامی واحد تبریز

نشانی اینترنتی http://energy.kashanu.ac.ir/browse.php?a_code=A-10-1080-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مهندسی برق
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات