تخمین بهینه هارمونیک سیستم قدرت با استفاده از روش ترکیبی BFO-sgff

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 912

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AIHE09_001

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

امروزه الگوریتم های بهینه سازی تصادفی برای تخمین بهینه اطلاعات مورد نیاز یک سیگنال آغشته به نویز به کار گرفته می شود.در این مقاله از روش ترکیبی تکنیک محاسبات نرم و الگوریتم های بازگشتی جهت تخمین هارمونیک سیستم قدرت استفاده شده است ،به همین منظور روش ترکیبی الگوریتم Stochastic Gradient Forgetting Factor) SGFF) برای تخمین دامنه و فاز سیگنال قدرت استفاده شده است.ضریب فراموشی به کار گرفته شده در روش پیشنهادی به علت متغیربا زمان بودن سیگنال مرجع می باشدکه سبب کاهش حجم محاسبات می شود و همچنین به منظور افزایش سرعت ردیابی و دقت الگوریتم،ضریب فراموشی مکررا آپدیت می شود. در روش پیشنهادی تخمین اولیه (با داده های اندک) پارامترهای مجهول توسط الگوریتم Bacterial Foraging Optimization)BFO) انجام می گیرد و خروجی بهینه سازی شده توسط الگوریتم BFO به عنان ورودی برای الگوریتم SGFF که بصورت آنلاین می باشد،در نظر گرفته می شود.همچنین در روش پیشنهادی دامنه وفاز به صورت همزمان تخمین زده می شود.نتایجشبیه سازی نشان می دهد که روش پیشنهادی دارای سرعت همگرایی سریع تر به مقدار واقعی بوده و همچنین عملکرد بهتری در سیستم آغشته به نویز نسبت به روش RLSFF دارد که کارایی این روش را نشان می دهد.

نویسندگان

احمد محمدزاده

شرکت برق منطقه ای مازندران و گلستان

سیدجلیل ساداتی

شرکت برق منطقه ای مازندران و گلستان

حمید قمی

استاد یار، برق کنترل، دانشگاه صنعتی نوشیروانی بابل

محمد طاهری نسب

شرکت برق منطقه ای مازندران و گلستان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Husam M.Beides, G. T .Heydt "Dynamic State Estimation of Power ...
  • Delivery, vol.6, no.4, pp. 1663-1 670, October 1991 ...
  • Jan Mandel _ BriefTutorial on the Ensemble Kalman Filter" Center ...
  • Mathematics report, University of Colorado at Denver and Health Sciences ...
  • P. K. Dash, A. K. Pradhan , G. Panda, R. ...
  • Conference on Power Engineering Society, Singapore, vo1.3, pp.1575-1580, 23-27 January, ...
  • Least Squares Energy Minimization Principle" The 30th Annual Conference of ...
  • E. A. Abu Al-Feilat, I. El Amin, and M. Bettayeb, ...
  • Y.Z. Liu, S. Chen 0A Wavelet Based Model for On ...
  • Summer Meet., vol. 2, pp. 1237-1242, Jul. 2001 ...
  • . Yang J, Xi H, Guo W (2007) Robust modified ...
  • . Xue SY, Yang SX (2009) Power system frequency e ...
  • . Terzija Vladimir V, Stanojevic V (2007) Two stage improved ...
  • L. L. Lai, W. L. Chan, C. T. Tse, A. ...
  • Delivery, vol.14, no.1, pp.52-59, 1999. ...
  • Lai, T. _ (1982).Least squares estimates in stochastic regression models ...
  • Ding, F., Xie, X. M., & Fang, C. Z. (1996). ...
  • Ding, F., Xiao, D. Y., & Ding, T. (2003). Multi- ...
  • Ding, F., & Chen, T., (2007). Multi -innovation stochastic gradient ...
  • intelligent control and automation (WCICA2006), June 21-23, 2006, Dalian, China ...
  • F. Ding, H. Chen, and M. Li, _ Mult i-innovation ...
  • squares identification methods based on the auxiliary Filter Methodology" IEEE ...
  • K.M. Passino, Biomimicry of bacterial Foraging for distributed optimization and ...
  • Pravat Kumar Ray, Bidyadhar Subudhi. BFO optimized RLS algorithm for ...
  • Estimation, " IEEE Trans. Power Delivery, Vol. 18, No. 2, ...
  • . Park D.J.etal."Fat tracking R algorithm using novel variable forgetting ...
  • . Junfeng Wang. A Variable Forgetting Factor RLS Adaptive Filtering ...
  • نمایش کامل مراجع