با افزایش روزافزون مصرف برق و متعاقب آن افزايش توليد، شبکههای انتقال نیز میبایست همگام با آنها توسعه یابند. اين در حالي است که همزمان با تجدید ساختار در سیستم قدرت، علاوه بر تشدید تأثیر عدم قطعیتهای فعلی، چالشها و عدم قطعيتهاي جديد دیگری نیز به شبکه اضافه شده است چکیده کامل
با افزایش روزافزون مصرف برق و متعاقب آن افزايش توليد، شبکههای انتقال نیز میبایست همگام با آنها توسعه یابند. اين در حالي است که همزمان با تجدید ساختار در سیستم قدرت، علاوه بر تشدید تأثیر عدم قطعیتهای فعلی، چالشها و عدم قطعيتهاي جديد دیگری نیز به شبکه اضافه شده است. بالابودن ریسک سرمایهگذاری در پروژههای کلان صنعت برق و همچنین عدم قطعیتهای موجود در عرصه رقابت سبب شده تا سرمايهگذاري در پروژههاي توسعه شبکههای انتقال فاقد انگيزههاي لازم برای بخش خصوصی باشد. در این مقاله مدل نسبتاً جامعی برای برنامهریزی توسعه شبکه انتقال با هدف رقابتیماندن بازار و دسترسی آسان مصرفکنندگان به انرژی ارزان و قابل اعتماد و همچنین تشویق سرمایهگذاران بخش خصوصی ارائه شده است. با توجه به این که مسأله مورد نظر در قالب یک مسأله بهینهسازی چندهدفه است، برای حل آن از الگوریتم بهینهسازی تکامل تفاضلی چندهدفه استفاده شده است. به منظور تسریع در فرایند بهینهسازی و جلوگیری از گیرافتادن الگوریتم در بهینههای محلی، راهکارهای ابتکاری جدیدی نیز به الگوریتم اضافه شدهاند. نتيجه اعمال این الگوریتم بر مسأله بهینهسازی مورد نظر، منجر به مجموعهاي از طرحهای بهینهای خواهد شد که نشاندهنده ناحيه مصالحه بين توابع هدف است. برای انتخاب طرح نهایی از بین چندین طرح بهینه موجود، از روش تصميمگيري فازي max-min استفاده شده است. برای ارزیابی عملکرد الگوریتم پیشنهادی، شبیهسازیهای متعددی بر روی شبکه 24شينه IEEE انجام میشوند. نتایج شبیهسازیها نشان میدهند مدل ارائهشده میتواند در حضور عدم قطعیتهای مختلف، علاوه بر کمینهکردن هزینههای سرمایهگذاری و کاهش پرشدگی خطوط، خطوط با سطح ریسک مورد قبول و سودآور را شناسایی و برای سرمايهگذاری به بخش خصوصی پیشنهاد نماید.
پرونده مقاله
خودروهاي برقی قابل اتصال به شبکه در كنار مسئله كاهش آلودگي، داراي قابليتهايي براي كمكرساني به سيستمهاي قدرت ميباشند. يکي از مهمترين اين قابليتها پاسخگويي به نياز شبکه جهت توليد توانهاي اکتيو و راکتيو است. در اين مقاله با توجه به قيود شبکه، ملاحظات فني و قيمتهاي چکیده کامل
خودروهاي برقی قابل اتصال به شبکه در كنار مسئله كاهش آلودگي، داراي قابليتهايي براي كمكرساني به سيستمهاي قدرت ميباشند. يکي از مهمترين اين قابليتها پاسخگويي به نياز شبکه جهت توليد توانهاي اکتيو و راکتيو است. در اين مقاله با توجه به قيود شبکه، ملاحظات فني و قيمتهاي پيشنهادي بازار، يک چارچوب نظري جهت اختصاص ظرفيت اين خودروها ارائه شده است. بدين منظور تابع هدفي با رويکرد حداقلسازي هزينههاي پرداختي توسط بهرهبردار مستقل شبکه توزيع يا DSO به توليدکنندگان هر يک از توانهاي اکتيو و راکتيو پيشنهاد شده است. با توجه به اين که مسأله مورد نظر در قالب يک مسأله بهينهسازي است، براي حل آن نيز از الگوريتم بهينهسازي اجتماع ذرات استفاده شده است. همچنين به منظور تسريع در فرايند بهينهسازي و جلوگيري از گيرافتادن الگوريتم در بهينههاي محلي، راهکارهاي ابتکاري جديدي به الگوريتم اضافه شده است. در اين قالب پيشنهادي، خودروها براي توليد توانهاي اکتيو و راکتيو با ژنراتور رقابت ميکنند. کارایي روش پيشنهادي بر روي يک فيدر شبکه ولتاژ پايين با 134 مشترک و با حضور منابع توليد توانهاي اکتيو و راکتيو مورد ارزيابي قرار گرفته و ميزان توليد و هزينههاي پرداختي براي هر يک از توليدکنندگان تعيين شده است
پرونده مقاله
دادههاي ریزآرایه نقش مؤثری در طبقهبندی و تشخیص انواع بافتهای سرطانی ایفا میکنند. با این حال در پژوهشهای مرتبط با سرطان، تعداد نسبتاً کم نمونهها در مقایسه با تعداد بسیار زیاد ژنها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقهبندها، افزایش هزینههای محاسباتی و پیچ چکیده کامل
دادههاي ریزآرایه نقش مؤثری در طبقهبندی و تشخیص انواع بافتهای سرطانی ایفا میکنند. با این حال در پژوهشهای مرتبط با سرطان، تعداد نسبتاً کم نمونهها در مقایسه با تعداد بسیار زیاد ژنها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقهبندها، افزایش هزینههای محاسباتی و پیچیدگی در طبقهبندی سلولهای سرطانی خواهد شد. یک راهکار مناسب جهت افزایش کارایی طبقهبندها، حذف ژنهای نامربوط و انتخاب نمونههای مناسب برای آموزش طبقهبندها است. در این مقاله یک مدل ترکیبی بر پایه الگوریتم بهینهسازی جستجوی فاخته چندهدفه و خوشهبندی فازی برای طبقهبندی دادههای ریزآرایه پیشنهاد شده است. در اين مطالعه از نسخه دودویی الگوريتم جستجوی فاخته چندهدفه به منظور انتخاب ويژگيهاي مرتبط با بیماری و از نسخه پیوسته آن برای انتخاب تعداد نمونههای مناسب برای آموزش طبقهبندها استفاده شده است. به منظور تسریع در فرایند بهینهسازی و جلوگیری از گیرافتادن الگوریتم در بهینههای محلی، راهکارهای ابتکاری جدیدی نیز به الگوریتم اضافه شدهاند. برای بررسی عملکرد مدل پیشنهادی، شبیهسازیهای متعددی بر روی شش مجموعه داده سرطانی انجام گرفته و نتایج آن با دیگر مقالات مقایسه شده است. نتایج به دست آمده نشان میدهند در بسیاری از موارد مدل پیشنهادی قادر است در مقایسه با سایر روشها، با انتخاب مجموعه کوچکتری از ژنهای متمایز، منجر به افزایش کارایی طبقهبندها شود.
پرونده مقاله