Demand response Emission Multiobjective programming Reserve Smart grid Wind power

نقش پاسخ دیماند در برنامه ریزی زمانی تولید بادی-حرارتی یک و چند هدفه: برنامه­ریزی تصادفی - Demand response Emission Multiobjective programming Reserve Smart grid Wind power

---

Energy 64 (2014) 8
The role of demand response in single and multi-objective wind-thermal generation scheduling: A stochastic programming

a b s t r a c t
This paper focuses on using DR (Demand Response) as a means to provide reserve in order to cover uncertainty in wind power forecasting in SG (Smart Grid) environment. The proposed stochastic model schedules energy and reserves provided by both of generating units and responsive loads in power systems with high penetration of wind power. This model is formulated as a two-stage stochastic programming, where first-stage is associated with electricity market, its rules and constraints and the second-stage is related to actual operation of the power system and its physical limitations in each scenario. The discrete retail customer responses to incentive-based DR programs are aggregated by DRPs (Demand Response Providers) and are submitted as a load change price and amount offer package to ISO (Independent System Operator). Also, price-based DR program behavior and random nature of wind power are modeled by price elasticity concept of the demand and normal probability distribution function, respectively. In the proposed model, DRPs can participate in energy market as well as reserve market and submit their offers to the wholesale electricity market. This approach is implemented on a modified IEEE 30-bus test system over a daily time horizon. The simulation results are analyzed in six different case studies. The cost, emission and multiobjective functions are optimized in both without and with DR cases. The multiobjective generation scheduling model is solved using augmented epsilon constraint method and the best solution can be chosen by Entropy and TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) methods. The results indicate demand side participation in energy and reserve scheduling reduces the total operation costs and emissions.

Keywords:
Demand response
Emission
Multiobjective programming
Reserve
Smart grid
Wind power

نقش پاسخ دیماند در برنامه ریزی زمانی تولید بادی-حرارتی یک و چند هدفه: برنامه­ریزی تصادفی

چکیده
این مقاله بر استفاده از DR (پاسخ دیماند) به عنوان ابزاری برای ارائه­ی رزرو تمرکز دارد تا عدم قطعیت در پیش­بینی توان بادی در محیط SG (شبکه­ی هوشمند) را پوشش دهد. مدل تصادفی پیشنهادی به زمان­بندی انرژی و رزروهای ارائه شده هم توسط واحدهای تولیدی و هم بارهای واکنشی در سیستم­های قدرت با نفوذ بالای توان بادی می­پردازد. این مدل بصورت برنامه­ریزی تصادفی دو مرحله­ای فرمول­بندی می­شود که در آن مرحله­ی اول به بازار برق، قوانین و قیود آن مرتبط بوده و مرحله­ی دوم به عملیات واقعی سیستم قدرت و محدودیت­های فیزیکی در هر سناریو مربوط می­شود. پاسخ­های گسسته­ی مشتری خرده­ به برنامه­های DR مبتنی بر تشویق توسط DPRها (ارائه­دهندگان پاسخ دیماند) جمع می­شود و بصورت قیمتمتغیر بار و بسته­ی پیشنهادی به ISO (اپراتور سیستم مستقل) ارسال می­شود. همچنین، رفتار برنامه­ی DR مبتنی بر قیمت و ماهیت تصادفی توان بادی به ترتیب توسط مفهوم الاستیسیته­ قیمت دیماند و تابع توزیع احتمال نرمال مدل­سازی می­شوند. در مدل پیشنهادی، DPRها می­توانند در بازار برق و همچنین بازار رزرو شرکت کرده و پیشنهادات خود را به بازار برق عمده­فروشی ارسال کنند. این رویکرد بر روی سیستم آزمایش 30 باسه­ی IEEE تغییر یافته در افق زمانی روزانه پیاده­سازی شد. نتایج شبیه­سازی در شش مورد مطالعاتی مختلف آنالیز شده است. هزینه، انتشار و توابع چندهدفه­ در هر دو مورد بدون و با DR بهینه­سازی می­شوند. مدل زمان­بندی تولید چندهدفه با استفاده از روش محدود اپسیلون افزایشی حل می­شود و بهترین پاسخ را می­توان با روش­های آنتروپی و تاپسیس (روش ترجیح مرتبه توسط شباهت به پاسخ ایده­آل) انتخاب کرد. نتایج حاکی از مشارکت سمت دیماند در انرژی بوده و زمان­بندی رزرو هزینه­های عملیاتی و انتشار کل را کاهش می­دهد.

واژگان کلیدی
پاسخ دیماند، انتشار، برنامه­ریزی چند هدفه، رزرو، شبکه­ی هوشمند، توان بادی.

قیمت فقط45,000 تومانپرداخت و دانلود

مشخصات فروشنده

نام و نام خانوادگی : جعفر علایی

شماره تماس : [phone]

ایمیل :[e-mail]

سایت :sidonline.ir

مشخصات فایل

فرمت : doc

تعداد صفحات : 15

قیمت : 45,000 تومان

حجم فایل : 2091 کیلوبایت

برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...

پرداخت و دانلودگزارش خرابی و شکایت از فایل

ANT COLONY OPTIMIZATION DISTRIBUTION FEEDER RECONFIGURATION DISTRIBUTED GENERATORS

روش مبتنی بر بهینه سازی سیستم مورچگان برای بازآرایی فیدر توزیع با در نظر گرفتن تولیدات پراکنده - ANT COLONY OPTIMIZATION DISTRIBUTION FEEDER RECONFIGURATION DISTRIBUTED GENERATORS

---

C I R E D 19th International Conference on Electricity Distribution Vienna, 21-24 May 2007

AN APPROACH BASED ON ANT COLONY OPTIMIZATION FOR DISTRIBUTION FEEDER RECONFIGURATION CONSIDERING DISTRIBUTED GENERATORS
ABSTRACT
This paper presents an approach for distribution feeder reconfiguration considering Distributed Generators (DGs). Due to private ownership of DGs, a cost based compensation method is used to encourage DGs in active and reactive power generation. The objective function is summation of electrical energy generated by DGs and substation buses (main bus) in the next day. An Ant Colony Optimization (ACO) algorithm is used to solve the distribution feeder reconfiguration problem. The approach is tested on a real distribution feeder




C I R E D 19th International Conference on Electricity Distribution Vienna, 21-24 May 2007

قیمت فقط6,000 تومانپرداخت و دانلود

مشخصات فروشنده

نام و نام خانوادگی : جعفر علایی

شماره تماس : [phone]

ایمیل :[e-mail]

سایت :sidonline.ir

مشخصات فایل

فرمت : doc

تعداد صفحات : 4

قیمت : 6,000 تومان

حجم فایل : 73 کیلوبایت

برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...

پرداخت و دانلودگزارش خرابی و شکایت از فایل

کلمات کلیدی شبکه توزیع، الگوریتم ژنتیک، بازآرایی شبکه، NSGAII، بهینه­سازی، شبکه هوشمند

بازآرایی شبکه­ی هوشمند با الگوریتم ژنتیک و NSGA-II - کلمات کلیدی شبکه توزیع، الگوریتم ژنتیک، بازآرایی شبکه، NSGAII، بهینه­سازی، شبکه هوشمند

---

2012 3rd IEEE PES Innovative Smart Grid Technologies Europe (ISGT Europe), Berlin
Smart Grid Reconfiguration Using Simple Genetic Algorithm and NSGA-II
Abstract--Increased penetration of distributed generators (DGs) is one of the characteristics of smart grids. Distribution grid reconfiguration is one of the methods of accommodating more DG into the electric grid, which is illustrated with the help of a 16 node test network in this paper. The reconfiguration of the distribution grid involves changing the grid topology thereby optimizing a few objectives. In addition to the inclusion of DGs, grid reconfiguration also helps in achieving minimal power loss, minimal voltage deviation etc. In this paper the grid reconfiguration problem is formulated as an optimization problem. Simple genetic algorithm (GA) and its variant NSGA-II are used for solving the optimization problem. For a simple test system like the 16 node system discussed in this paper, simple GA is efficient enough to find the global optimum for a single objective optimization. The paper also illustrates the advantage of NSGA-II compared to simple GA when multiple objectives are considered.
Index Terms— Distribution grid, Genetic algorithm, Grid reconfiguration, NSGA-II, Optimization, Smart grid

بازآرایی شبکه­ی هوشمند با الگوریتم ژنتیک و NSGA-II

چکیده
افزایش اتصال ژنراتورهای پراکنده (DGها) و توان تزریقی آن­ها یکی از مشخصات شبکه­های هوشمند است. بازآرایی شبکه­ی توزیع یکی از روش­های بسیار مناسب است که با استفاده از آن تعداد بیشتری DG در داخل شبکه­ی برق قرار داده می­شود که در این مقاله با استفاده از یک شبکه آزمایش دارای 16 گره نشان داده شده است. بازآرایی شبکه توزیع شامل تغییر ساختار (توپولوژی) شبکه و در نتیجه­ی بهینه­سازی چند هدف است. علاوه بر قرار دادن DGها، بازآرایی شبکه نیز در دستیابی به کمترین تلفات توان، کمترین انحراف ولتاژ و غیره کمک می­کند. در این مقاله، مساله بازآرایی شبکه به صورت یک مسئله­ی بهینه­سازی فرمول­بندی شده است. برای حل این مساله­ی بهینه­سازی، الگوریتم ژنتیک ساده (GA) و شاخه­ای از آن یعنی NSGA-II استفاده می­شوند. برای یک سیستم آزمایش ساده مانند سیستم 16 گرهی مورد بحث در این مقاله، GA ساده به اندازه­ی کافی موثر است تا نقطه بهینه­ی کلی (جهانی) را برای یک بهینه­سازی هدف واحد پیدا ­کند. این مقاله، همچنین زمانیکه چندین هدف در نظر گرفته می­شود مزیت NSGA-II را در مقایسه با GA ساده نشان می­دهد.
کلمات کلیدی: شبکه توزیع، الگوریتم ژنتیک، بازآرایی شبکه، NSGA-II، بهینه­سازی، شبکه هوشمند

قیمت فقط9,000 تومانپرداخت و دانلود

مشخصات فروشنده

نام و نام خانوادگی : جعفر علایی

شماره تماس : [phone]

ایمیل :[e-mail]

سایت :sidonline.ir

مشخصات فایل

فرمت : doc

تعداد صفحات : 8

قیمت : 9,000 تومان

حجم فایل : 987 کیلوبایت

برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...

پرداخت و دانلودگزارش خرابی و شکایت از فایل

DMS، شبکه ­ی هوشمند، انتشارها (آلودگی­ها)، بهین ه­سازی چند هدفه، پاسخ دیماند

برنامه ریزی عملیاتی چندهدفه ی تصادفی سیستم های توزیع هوشمند با در نظر گرفتن برنامه های پاسخ دیماند - DMS، شبکه ­ی هوشمند، انتشارها (آلودگی­ها)، بهین ه­سازی چند هدفه، پاسخ دیماند

---

Electric Power Systems Research 111 (2014) 156–168
Stochastic multi-objective operational planning of smart distribution systems considering demand response programs


The development of smart grids offers new opportunities to improve the efficiency of operation of Distributed Energy Resources (DERs) by implementing an intelligent Distribution Management System(DMS). The DMS consists of application systems that are used to support the DERs management under-taken by a Distribution System Operator (DSO). In this paper, a conceptual model for a Demand Response Management System (DRMS), conceived as an application system of a DMS, is presented. Moreover, an optimization tool, able to consider the available DERs (conventional or renewable Distributed Generations (DGs) and demand response) is proposed. The optimization tool uses a stochastic multi-objective method in order to schedule DERs and aims at minimizing the total operational costs and emissions while considering the intermittent nature of wind and solar power as well as demand forecast errors. In order to facilitate small and medium loads participation in demand response programs, a Demand Response Provider (DRP) aggregates offers for load reduction. The proposed scheduling approach for DERs is tested on a 69-bus distribution test system over a 24-h period

Keywords: DMS, Smart grid, Emissions, Multi-objective optimization, Demand response

برنامه­ریزی عملیاتی چندهدفه­ی تصادفی سیستم­های توزیع هوشمند با در نظر گرفتن برنامه­های پاسخ دیماند

چکیده
توسعه­ی شبکه­های هوشمند فرصت­های جدیدی را برای بهبود بازده عملیات منابع انرژی پراکنده (DERها) با پیاده­سازی سیستم مدیریت توزیع هوشمند (DMS) ارائه می­دهد. DMS متشکل است از چند سیستم کاربردی که برای پشتیبانی از مدیریت DERهای مورد استفاده توسط اپراتور سیستم قدرت (DSO) بکار برده می­شود. در این مقاله، یک مدل مفهومی برای سیستم مدیریت پاسخ دیماند (DRMS) که تحت عنوان سیستم کاربردی DMS شناخته شده است ارائه می­شود. همچنین، یک ابزار بهینه­سازی که قادر به در نظر گرفتن DERها (تولیدات پراکنده­ی (DGهای) متداول و تجدیدپذیر و پاسخ دیماند) است ارائه می­شود. ابزار بهینه­سازی از روش چندهدفه­ی تصادفی به منظور زمان­بندی DERها استفاده می­کند و هدف آن مینیمم­سازی کل هزینه­های بهره­برداری و انتشارهاست در حالیکه ماهیت متناوبی (قطعی) توان بادی و خورشیدی و همچنین خطاهای پیش­بینی دیماند را مد نظر قرار می­دهد. به منظور تسهیل مشارکت بارهای کوچک و بزرگ در برنامه­های پاسخ دیماند، یک ارائه­دهنده­ی پاسخ دیماند (DRP) پیشنهادات را برای کاهش بار گردآوری می­کند. رویکرد زمان­بندی پیشنهادی برای Derها بر روی سیستم تست توزیع 69 باسه در 24 ساعت آزمایش می­شود.

کلمات کلیدی:
DMS، شبکه­ی هوشمند، انتشارها (آلودگی­ها)، بهینه­سازی چند هدفه، پاسخ دیماند.
.

قیمت فقط35,000 تومانپرداخت و دانلود

مشخصات فروشنده

نام و نام خانوادگی : جعفر علایی

شماره تماس : [phone]

ایمیل :[e-mail]

سایت :sidonline.ir

مشخصات فایل

فرمت : doc

تعداد صفحات : 13

قیمت : 35,000 تومان

حجم فایل : 2932 کیلوبایت

برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...

پرداخت و دانلودگزارش خرابی و شکایت از فایل

کلمات کلیدی میانگینk تحلیل مولفه­ی اصلی مقداردهی اولیه­ی مرکز خوشه خوشه­بندی

جستجو با PCA-هدایت­شده برای K-means - کلمات کلیدی میانگینk تحلیل مولفه­ی اصلی مقداردهی اولیه­ی مرکز خوشه خوشه­بندی

---

Pattern Recognition Letters 54 (2015) 50–55

PCA-guided search for K-means

K-means is undoubtedly the most widely used partitional clustering algorithm. Unfortunately, due to the non-convexity of the model for mulations, expectation maximization (EM) type algorithms converge to different local optima with different initializations. Recent discoveries have identified that the global solution of K means cluster centroids lies in the principal component analysis (PCA) subspace. Based on this insight, we propose PCA-guided effective search for K-means. Because the PCA subspace is much smaller than the original space, searching in the PCA subspace is both more effective and efficient. Extensive experiments on four real world datasets and systematic comparison with previous algorithms demonstrate that our proposed method outperforms the restasit makes the K-means more effective.

Keywords:K-means Principal component analysis Cluster centroid initialization Clustering


جستجو با PCA-هدایت­شده برای K-means

چکیده
بی‎تردید K-means پرکاربردترین الگوریتم خوشه‎بندی جزئی است. متاسفانه به دلیل نامحدب بودن[1] فرمول‎بندی مدل، الگوریتم‎های نوع بیشینه‎سازی امید ریاضی[2] (EM) با مقادیر اولیه‏ی مختلف به بهینه‎های محلی متفاوتی هم‎گرا می‎شوند. در کشفیات جدید مشخص شده است که پاسخ [بهینه‎ی] کلی برای مراکز خوشه‎های K-means در زیرفضای تحلیل مولفه‎های اصلی (PCA) قرار دارد. ما با این دید، روش جستجوی موثری را با هدایت PCA برای K-means پیشنهاد می‎کنیم. از آن‎جا که زیرفضای PCA بسیار کوچک‎تر از فضای اصلی است، جستجو در این زیرفضا هم موثر[3] و هم کارآمد[4] است. آزمایش‎های گسترده که بر روی چهار مجموعه داده‎ی واقعی انجام شده است و مقایسه نظام‎مند با الگوریتم‎های قبلی نشان می‎دهد که روش پیشنهادی ما عملکرد بهتری نسبت به سایرین دارد و K-means را موثرتر می‎سازد.

کلمات کلیدی:

میانگین-k
تحلیل مولفه­ی اصلی
مقداردهی اولیه­ی مرکز خوشه
خوشه­بندی

قیمت فقط35,000 تومانپرداخت و دانلود

مشخصات فروشنده

نام و نام خانوادگی : جعفر علایی

شماره تماس : [phone]

ایمیل :[e-mail]

سایت :sidonline.ir

مشخصات فایل

فرمت : docx

تعداد صفحات : 5

قیمت : 35,000 تومان

حجم فایل : 1357 کیلوبایت

برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...

پرداخت و دانلودگزارش خرابی و شکایت از فایل