کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
398414 1438722 2016 12 صفحه PDF 29 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
Power distribution network reconfiguration for power loss minimization using novel dynamic fuzzy c-means (dFCM) clustering based ANN approach
ترجمه فارسی عنوان
بازآرایی شبکۀ توزیع توان برای حداقل‌سازی تلفات توان با استفاده از روش نوین شبکۀ عصبی مصنوعی (ANN) مبتنی بر خوشه‌بندی میانگین-c فازی پویا (dFCM)
کلمات کلیدی
بازآرایی شبکۀ توزیع، حداقل‌سازی تلفات توان، میانگین-c فازی پویا (dFCM)، روش خوشه‌بندی، شبکۀ عصبی مصنوعی (ANN).
فهرست مطالب مقاله
چکیده

کلیدواژه‌ها

مقدمه

خوشه‌بندی فازی و الگوریتم میانگین- c فازی

الگوریتم میانگین-c فازی پویا و اعتبارسنجی خوشه

الگوریتم میانگین- c فازی پویا

شکل 1. نمودار گردشی الگوریتم FCM پویا (dFCDM). 

ارزیابی اعتبار خوشه

شاخص اعتبار

بازآرایی شبکۀ توزیع و شبکۀ عصبی مصنوعی و چارچوب پیشنهادی

شکل 2. شبکۀ عصبی مصنوعی پرسپترون سه لایۀ پیشنهادی با استفاده از روش خوشه‌بندی dFCM. 

شکل 3. چارچوب پیشنهادی شامل یک شبکۀ عصبی مصنوعی تغذیه به جلوی سه لایه که با استفاده از روش خوشه‌بندی dFCM پیشنهادی کاهش سایز یافته است. 

نتایج شبیه‌سازی

شبکۀ توزیع 33 شینۀ IEEE

شکل 4. شبکۀ توزیع 33 شینۀ IEEE. 

جدول 1. آرایش‌های بهینۀ شبکۀ توزیع 33 شینۀ IEEE مربوط به الگوهای مختلف بار.

شکل 5. شبکۀ عصبی مصنوعی ارائه‌شده برای تحلیل شبکۀ توزیع 33 شینۀ IEEE. 

شکل 6. 33 شینه (نقاط قرمز) و مراکز خوشه‌ها (نقاط سبز). 

شکل 7. شاخص محاسبه شدۀ ژی-بنی برای شبکۀ توزیع 33 شینۀ IEEE. 

شکل 8. چارچوب پیشنهادی برای تحلیل شبکۀ توزیع 33 شینۀ IEEE. 

جدول 2. نتایج شبیه‌سازی نمونه‌های تست برای شبکۀ توزیع 33 شینۀ IEEE. 

شبکۀ توزیع 69 شینۀ IEEE

شکل 9. شبکۀ توزیع 69 شینۀ IEEE. 

شکل 10. شبکۀ عصبی مصنوعی پیشنهادی برای تحلیل شبکۀ توزیع 69 شینۀ IEEE. 

شکل 11. 69 شینه (نقاط قرمز) و مراکز خوشه‌ها (نقاط سبز). 

شکل 12. شاخص محاسبه شدۀ ژی-بنی برای شبکۀ توزیع 69 شینۀ IEEE. 

شکل 13. چارچوب پیشنهادی برای تحلیل شبکۀ توزیع 69 شینۀ IEEE. 

نتیجه‌گیری
ترجمه چکیده
در این مطالعه، یک شبکۀ عصبی مصنوعی (ANN) سه لایه ارائه می‌شود تا شبکه‌های توزیع توان بازآرایی شده و آرایش بهینه به دست آید که در آن تلفات توان اکتیو (حقیقی) حداقل است. سپس، با تبدیل فضای ورودی توسط کرنل ‌ها (هسته‌ها) و با کمک یک الگوریتم خوشه‌بندی میانگین-c فازی پویا (dFCM) اصلاح‌شده، شبکۀ عصبی مصنوعی ارائه‌شده از لحاظ اندازه کاهش می‌یابد تا یک چارچوب جدید حاصل شود. چارچوب پیشنهادی و شبکۀ عصبی مصنوعی هر دو روی دو شبکۀ توزیع توان 33 شینه و 69 شینۀ IEEE پیاده‌سازی می‌شوند. شبکۀ عصبی مصنوعی و چارچوب پیشنهادی هر دو توسط مجموعۀ آموزش که شامل فقط 64 نمونۀ آموزشی است، تحت آموزش قرار می‌گیرند. نتایج شبیه‌سازی با نتایج حاصل از اجرای یک روش سنتی که عبارت از الگوریتم سوئیچینگ باشد مقایسه می‌شوند. نتایج مقایسه به وضوح مؤید این مطلب است که استفاده از چارچوب پیشنهادی برای بازآرایی شبکه‌های توزیع دارای برخی مزایا است مثل زمان پردازش خیلی کوتاه که بسیار کمتر از موارد دیگر است، یک ساختار بسیار ساده شامل تنها تعداد حداقلی از نورون‌ها و دقت بالاتر در مقایسه با روش‌های دیگر. این ویژگی‌ها نشان می‌دهند که چارچوب پیشنهادی را می‌توان به طور مؤثر برای بازآرایی زمان واقعی شبکه‌های توزیع توان به کار برد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی


• A novel frame work is proposed to reconfigure power distribution networks.
• The frame work is obtained using a proposed ANN and dFCM clustering algorithm.
• Very short process time that is far shorter than the classic method.
• Very simple structure including only a minimal number of neurons.

In this study, a three-layer artificial neural network (ANN) is proposed to reconfigure power distribution networks to obtain the optimal configuration in which the active power loss is minimal. Then, the proposed ANN is reduced in size by transforming the input space with kernels using a proposed modified dynamic fuzzy c-means (dFCM) clustering algorithm to obtain a novel framework. The proposed framework and ANN both are implemented on the two IEEE 33-bus and IEEE 69-bus power distribution networks. The ANN and framework both are trained using the training set consisting of only 64 training samples. The simulated results are compared to the results obtained by performing a selected traditional method which is the switching algorithm. The comparative results explicitly verify that using the proposed framework for distribution networks reconfiguration has some benefits such as a very short process time that is far shorter than the others, a very simple structure including only a minimal number of neurons and higher accuracy compared to the others. These features show that the proposed framework can be effectively used for real-time reconfiguration of power distribution networks.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Electrical Power & Energy Systems - Volume 78, June 2016, Pages 96–107
نویسندگان
,