| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 398414 | 1438722 | 2016 | 12 صفحه PDF | دانلود رایگان |
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
• 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.
Journal: International Journal of Electrical Power & Energy Systems - Volume 78, June 2016, Pages 96–107