دانلود شبیه سازی مقاله راهکار مساله پخش توان راکتیو بهینه با الگوریتم مسیریاب

پروژه متلب الگوریتم مسیریاب

مسئله پخش بهینه توان راکتیو (ORPD) به عنوان زیر مسئله شارش توان بهینه، در زمینه ایجاد قابلیت اطمینان و عملکرد اقتصادی از تأثیرات قابل ملاحظه ای برخوردار است. در این پروژه، برای حل مسئله ORPD، یک نسخه اصلاح شده از الگوریتم مسیر یاب (PFA) که از حرکت دسته جمعی به رهبری یک عضو الهام گرفته شده، ارائه شده است. هدف از مقاله حاضر، به حداقل رساندن تلفات توان از طریق تنظیم متغیرهای کنترل است. همچنین در این مقاله، تحلیل های عددی بر روی سیستم های قدرت 57 شینه و 118 شینه صورت می گیرد. علاوه بر این، از برخی روش های شناخته شده برای نشان دادن کارایی و اثربخشی الگوریتم مسیر یاب اصلاح شده (mPFA) و انجام برخی از مقایسات استفاده می شود. همچنین برای ارزیابی سازگاری و رتبه بندی روش پیشنهادی از مجموعه ای از آزمون های آماری نیز استفاده می شود. نتایج بدست آمده حاکی از آن است که طی تجزیه و تحلیل های آماری، mPFA به نتایج و رتبه رقابتی قابل ملاحظه ای دست یافته است. شبیه سازی های صورت گرفته نشان می دهد که روش پیشنهادی برای حل مسئله ORPD، یک الگوریتم برتر محسوب می شود.

در این مقاله، برای حل مسئله ORPD، یک نسخه اصلاح شده از الگوریتم مسیر یاب (mPFA) پیاده سازی شده است. همچنین، برای به حداقل رساندن تلفات توان، تحلیل ‌های عددی بر روی سیستم‌ های آزمایشی 57 شینه و 118 شینه IEEE صورت گرفت. علاوه بر این، mPFA در مقایسه با سایر رویکرد های شناخته شده، به نتایج نسبتاً رقابتی دست یافت. نتایج بدست آمده حاکی از آن است که PFA در مقایسه با PFA اصلی، مؤثرتر و قوی ‌تر است. همچنین یافته های بدست آمده نشان داد که در سیستم 57 شینه، mPFA هدف مربوط به کاهش تلفات توان را 8.03% بیشتر از PFA اصلی بهبود بخشید. همچنین برای سیستم 118 شین، بهبود mPFA نسبت به نسخه اصلی حدود 3.35% بوده است. با توجه به نتایج مقایسه با روش‌های موجود، توانایی و برتری mPFA تائید شد، زیرا با دستیابی به راه‌حل‌ های بهینه با کیفیت بهتر، نسبت به بسیاری از روش‌ها از عملکرد بهتری برخوردار بوده است. در سیستم 57 شینه و سیستم 118 شینه، mPFA به ترتیب از 2.37٪ به 12.85٪ و از 0.01٪ به 13.17٪، سطح بهبود را در به حداقل رساندن تلفات توان به دست آورد. همچنین، روش پیشنهادی نسبت به بسیاری از الگوریتم ‌های دیگر در زمان کمتری به پایان فرآیند دست یافت. از اینرو، نتایج بدست آمده حاکی از آن است که روش پیشنهادی با پرداختن مؤثر به محدودیت ‌های برابری و نابرابری، متغیرهای کنترل را در مقادیر قابل قبول به دست آورده است. همچنین، آزمون ‌های آماری نشان داد که نتایج به‌دست‌آمده توسط PFA ها نامتناقض است. بر اساس آزمون کولموگروف، برای تاکید بر سازگاری، mPFA با نتیجه برابر 0.935 در رتبه دوم قرار گرفت که نشان داد mPFA نسبت به بسیاری از روش ‌های دیگر از سازگاری بیشتری برخوردار است. همچنین نتایج نشان داد که mPFA نسبت به سایر روش ها با میانگین رتبه 1.77 در آزمون فریدمن عملکرد بهتری را به دست آورد. در نهایت، با توجه به آزمون ویلکوکسن، اگرچه mPFA از نظر آماری مشابه e-JAYA بوده است، اما نسبت به سایر روش‌ها، با مقدار p  0.000 از تفاوت معناداری برخوردار بوده است. همچنین، آنها PFA بهترین انحراف معیار را به دست آوردند که بدان معناست که نسبت به سایر روش ها از سازگاری بیشتری برخوردار است. همچنین، mPFA می تواند برای سایر مسائل سیستم قدرت نظیر پخش بار توان اقتصادی، پیکربندی مجدد سیستم و مسائل طراحی بهینه مورد استفاده قرار گیرد. علاوه بر این، برای بهبود عملکرد روش پیشنهادی، می توان از روش های دیگر برای هیبریداسیون، با استفاده از ویژگی های برتر آنها استفاده نمود. در پروژه های آتی، mPFA برای یافتن وزن های بهینه شبکه های عصبی مصنوعی برای کنترل یک سیستم مدیریت باتری برای واحدهای فتوولتائیک مستقل مورد استفاده قرار می گیرد.

این مقاله مربوط به سال 2020 بوده و شبیه سازی آن در محیط نرم افزار متلب (MATLAB) انجام شده است و در ادامه نیز تصویر مربوط به خروجی شبیه سازی قرار داده شده است: