دانلود مقاله ترجمه شده قراردهی اپتیمال و سنجش تولید پراکنده با الگوریتم ژنتیک مرتب سازی – مجله IEEE

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” قراردهی اپتیمال و سنجش تولید پراکنده با الگوریتم ژنتیک مرتب سازی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
۱- مقدمه
۲- فرمول بندی مسئله
A . توابع هدف
B. محدودیت ها
C. مرور فرمولبندی
D. عملیات قیود برابری و نابرابری
۳- الگوریتم NSGA-II بهبود یافته
۴- آزمایش ها و نتایج
۵- نتیجه گیری

• بخشی از ترجمه:

۵- نتیجه گیری
برای خلاصه کردن مدلسازی، بهبود الگوریتم بهینه سازی و مطالعه مقایسه برای برنامه ریزی بهینه واحدهای DG چندگانه، نتایج زیر می توانند استنتاج شوند:
۱) سه هدف برای مینیم اتلاف خطوط، مینیمم انحراف ولتاژ و ماکسیمم حاشیه پایداری ولتاژ می تواند به درستی برنامه ریزی بهینه واحدهای چندگانه DG را فرمولبندی کند.
۲) با بهبود روال جهش و تقاطع، تقویت تنظیم غیرغالب و استراتژی های برش، و تعیین تنظیم راه حل Pareto با استفاده از روش فازی، INSGA-II پیشنهادی می تواند به بهترین راه حل سازش برای اهداف دست یابد. سیستم های ۳۳ باس IEEE و ۲۹۲ باس واقعی و ۵۸۸ باس بعنوان موارد تست انتخاب شده اند، مقایسه های INSGA-II با الگوریتم های بهینه سازی چندهدفی سنتی مانند NSGA-II و DEMO و SPEA2 نشان می دهد که روش پیشنهادی می تواند به دقت و تفاوت بهتری دست یابد.
در عمل انتخاب بهترین محل ممکن است بعلت محدودیت های حقیقی همیشه امکان پذیر نباشد. اما بهینه سازی و تحلیل در اینجا پیشنهاد می دهد در نظر گرفتن چند هدف به تصمیم گیری برای محل و اندازه واحدهای DG به سازنده کمک می کند.

• بخشی از مقاله انگلیسی:

V. CONCLUSION

To summarize the modeling, optimization algorithm improvement, and comparison study for optimal planning of multiple DG units, the following conclusions can be derived as: 1) three objectives to consider minimum line loss, minimum voltage deviation, and maximal voltage stability margin can correctly formulate optimal planning of multiple DG units; 2) by improving the mutation and crossover procedure, strengthening the nondominated sorting and truncation strategies, and determining the Pareto solution set using the fuzzy membership function method, the proposed INSGA-II can obtain the best compromise solution for all objectives. Taking IEEE 33-, actual 292-, and 588-bus systems as test cases, the comparisons of the proposed INSGA-II with the traditional multiobjective optimization algorithms, such as NSGA-II, DEMO and SPEA2, indicate that the proposed method can achieve better precision and diversity. In practice, the choice of the best site may not always be feasible due to many reality constraints. But the optimization and analysis here suggest that considering multiobjectives helps to decide placement and sizing of DG units for the decision-maker.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله