مقاله جایابی اندازه گیری بهینه برای تخمین حالت هارمونیکی در سیستم های قدرت با استفاده از الگوریتم ژنتیک

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله جایابی اندازه گیری بهینه برای تخمین حالت هارمونیکی در سیستم های قدرت با استفاده از الگوریتم ژنتیک دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله جایابی اندازه گیری بهینه برای تخمین حالت هارمونیکی در سیستم های قدرت با استفاده از الگوریتم ژنتیک  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله جایابی اندازه گیری بهینه برای تخمین حالت هارمونیکی در سیستم های قدرت با استفاده از الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله جایابی اندازه گیری بهینه برای تخمین حالت هارمونیکی در سیستم های قدرت با استفاده از الگوریتم ژنتیک :

تعداد صفحات:۱۰

چکیده:

اصلی ترین دلیل توجه به کیفیت برق، کاهش ضررهای اقتصادیاست. برق با کیفیت نامناسب اثرات سوء اقتصادی مستقیمی بر مشترکین، تولید کنندگان تجهیزات الکتریکی و شرکت های توزیع دارد. بیشترین مشکلات موجود در مسئله کیفیت برق سیستم های قدرت ناشی از هارمونیک ها است. هب منظور مانیتورینگ هارمونیکی شبکه و تشخیص منابع هارمونیک باید پس از انجام اندازه گیری های هارمونیکی، یک تخمین حالت هارمونیکی انجام گیرد. کیفیت تخمین های حالت هارمونیکی تابعی از تعداد و مکان اندازه گیری های هارمونیکی است. از طرفی تعداد ایستگاه های اندازه یگری و میترهای هارمونیک در شبکه قدرت، به دلیل مسائل اقتصادی محدود است. بنابراین باید یک جایابی بهینه میترهای های هارمونیکی در شبکه قدرت به منظور کاهش هزینه تخمین حالت هارمونیکی انجام پذیرد. در این مقاله، روشی برای جایابی بهینه میترهای هارمونیکی در سیستم های قدرت ارائه شده است. در این روش با استفاده از فیلتر کالمن و تکنیک کاهش مرتبه سیستم جهت کاهش حجم محاسبات و افزایش دقت تخمین و سرعت روند بهینه سازی استفاده شده است. تابع هدف در این جایابی، مجموع هزینه های تجهیزات مورد نیاز برای اندازه گیری، ارسال اطلاعات و خطای تخمین در نظر گرفته شده و از الگوریتم ژنتیک برای یافتن مقدار کمینه این تابع هدف استفاده شده است. در پایان کارآیی این روش روی یک شبکه نمونه ارزیابی شده است.