مبتدی (مناسب برای درک مفهوم کلی مطلب) 

از شکل 2 مشاهده می شود، اقدامات اصلی برای مقابله با خطرات خدمات مالی زنجیره تامین عبارتند از: سختگیری استانداردهای دسترسی سازمانی، ایجاد یک پلت فرم عملیات فشرده، ایجاد یک سیستم اعتباری مشترک، استفاده از بسته بندی اعتبار، استفاده منطقی از قوانین و مقررات، اعمال منطقی قوانین و مقررات، و تقویت تحقیقات اطلاعات بازار. سخت‌گیری استانداردهای دسترسی سازمانی به این معنی است که بانک‌ها به‌عنوان ارائه‌دهنده خدمات مالی زنجیره تأمین، باید ارزیابی‌های دسترسی را برای شرکت‌های زنجیره تأمین انجام دهند. برای ارائه خدمات تامین مالی لازم است شرکت هایی با وضعیت عملکرد پایدار و پیشینه تجاری واقعی انتخاب شوند. ایجاد بستر عملیات فشرده به این معنی است که بانک می تواند با ایجاد بستر تبادل اطلاعات با بنگاه، استراتژی مدیریت اعتبار قبلی را تغییر داده و بستر عملیات فشرده را توسعه دهد تا نظارت موثر بر جریان سرمایه و جریان نقدی شرکت را محقق سازد. شرکت، پروژه. استقرار سیستم اعتباری مشترک به این معنی است که وضعیت اعتباری کل شرکت های زنجیره تامین باید در نظر گرفته شود نه فقط اعتبار بنگاه های بزرگ. اتخاذ روش بسته‌بندی اعتباری به همراه کردن دارایی‌های اعتباری شرکت تامین مالی با پروژه‌های تامین مالی و معرفی یک موسسه شخص ثالث برای تنوع بخشیدن به ریسک اعتباری شرکت اشاره دارد. کاربرد منطقی قوانین و مقررات به این معناست که بانک ها باید مفاد قانونی محل مؤسسه تأمین مالی را به دقت مطالعه کنند و کاربرد محصولات تأمین مالی را مطالعه کنند. باید یک اداره امور حقوقی ایجاد شود تا با تقویت همکاری با موسسات حقوقی به مسائل مختلف حقوقی رسیدگی کند تا امنیت مالی بانک ها حفظ شود. تقویت تحقیقات اطلاعات بازار به این معنی است که بانک ها باید منابع انسانی و منابع فنی زیادی را برای بررسی و تحلیل اطلاعات بازار سرمایه گذاری کنند و از نتایج نظرسنجی برای تدوین سیاست های اعتباری معقول استفاده کنند.

(3) معماری مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین
ایجاد مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین برای پیش‌بینی و کاهش ریسک‌های تامین مالی زنجیره تامین اهمیت زیادی دارد (وانگ و همکاران، 2022). با تجزیه و تحلیل عوامل خطر و اقدامات پاسخ ریسک خدمات مالی زنجیره تامین، الگوریتم‌های هوش مصنوعی و برخی از دستگاه‌های شبکه برای ایجاد یک مدل هشدار اولیه خطر، همانطور که در شکل 3 نشان داده شده است، استفاده می‌شوند.
از شکل 3 می توان دید، مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین مبتنی بر الگوریتم هوش مصنوعی به سه ماژول تقسیم می شود: جمع آوری داده های ریسک، محاسبه هشدار اولیه ریسک، و خلاصه رویداد ریسک. جمع آوری داده های ریسک شامل مدیران، سیستم های نظارت و سیستم های جمع آوری داده های خارجی است. مدیران نه تنها باید از سیستم نظارت برای نظارت بر ریسک های خدمات مالی زنجیره تامین شرکت های خود استفاده کنند، بلکه باید از سیستم جمع آوری داده ها برای جمع آوری و تجزیه و تحلیل ریسک های خدمات مالی زنجیره تامین خارجی استفاده کنند. محاسبه هشدار زودهنگام خطر بر اساس الگوریتم‌های هوش مصنوعی و فناوری رایانه است و شاخص ریسک مربوطه بر اساس استانداردهای ریسک تعیین شده محاسبه می‌شود. پس از بیرون آمدن نتایج محاسبات، اطلاعات هشدار طبق رویه‌های مربوطه صادر می‌شود تا بنگاه‌های زنجیره تامین یا بانک‌ها بتوانند به سرعت اقداماتی را برای مقابله با خطرات خدمات مالی زنجیره تامین انجام دهند. پس از حل این رویداد ریسک تامین مالی، پرسنل ارشد شرکت‌های زنجیره تامین یا بانک‌ها جلسه‌ای برگزار می‌کنند تا مشکلات موجود در پیش‌کنترل ریسک خدمات مالی زنجیره تامین را خلاصه کنند. اثربخشی اقدامات پاسخ نیز ارزیابی می شود و سوالات و نظرات در یک پایگاه داده ثبت می شود.

3. کاربرد الگوریتم هوش مصنوعی در ارزیابی ریسک خدمات مالی زنجیره تامین
(1) شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات غیرخطی و تطبیقی متشکل از تعداد زیادی واحد پردازش به هم پیوسته است که دارای چهار ویژگی غیرخطی، عدم محدودیت، بسیار کیفی و غیر تحدب است (سانکار و همکاران، 2022).

4. هدف آزمایشی و طراحی مدل هشدار اولیه خطر
(1) هدف آزمایشی
با استفاده از شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم ازدحام ذرات برای انجام تحقیقات تجربی در مورد ریسک خدمات مالی زنجیره تامین، ثابت می‌شود که مدل هشدار اولیه ریسک ساخته شده در این مقاله می‌تواند ریسک خدمات مالی زنجیره تامین را که صنعت انرژی با آن مواجه است کاهش دهد. تجارت بین المللی، در نتیجه توسعه صنعت انرژی را ارتقا می دهد.

(2) طراحی آزمایشی
4 بانک انتخاب و به دو گروه تقسیم شدند. گروه اول از مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی برای هشدار و کنترل خطرات خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه R نام داشت که شامل بانک S و بانک T می شد. گروه دوم از روش های سنتی هشدار زودهنگام ریسک برای پیش اخطار و کنترل ریسک های خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه U نام داشت که شامل بانک V و بانک W بود. یک مطالعه تجربی 6 ماهه بر روی 4 بانک انجام شد و مطالعه تجربی از پنج بعد ارزیابی صحت اعتبار شرکت، بروز ریسک عملیاتی انجام شد. ، دقت جمع آوری اطلاعات، میزان تغییرات در ریسک های قانونی و نظارتی و دقت پیش بینی ریسک های محیطی خارجی. پس از پایان آزمایش، نتایج تجربی مشاهده و تجزیه و تحلیل می شود.

5. نتایج تجربی مدل هشدار اولیه خطر
(1) ارزیابی دقت اعتبار شرکت
آزمون ارزیابی اعتبار شرکتی 6 ماهه برای بانک‌های گروه R و بانک‌های گروه U انجام شد. بانک‌های گروه R از مدل هشدار زودهنگام ریسک مبتنی بر الگوریتم هوش مصنوعی برای ارزیابی و آزمایش استفاده کردند، در حالی که بانک‌های گروه U از روش‌های سنتی هشدار اولیه ریسک برای ارزیابی و آزمایش استفاده کردند. همانطور که در شکل 4 نشان داده شده است، آمار داده ها یک بار در ماه برای به دست آوردن دقت ارزیابی اعتبار بانک از شرکت انجام شد.
شکل 4a دقت ارزیابی بانک از اعتبار شرکتی و شکل 4b میانگین دقت ارزیابی بانک از اعتبار شرکتی را نشان می دهد. در مجموع، دقت ارزیابی بانک S و بانک T بالاتر از بانک V و بانک W بود. دقت ارزیابی بانک S در ماه اول 73.66 درصد، بانک T 72.7 درصد، بانک V و بانک W بود. به ترتیب 65.7 درصد و 64.8 درصد. در ماه اول، دقت ارزیابی بانک‌های گروه R 7.93 درصد بیشتر از بانک‌های گروه U بود. مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی از همان ابتدا در بهبود دقت ارزیابی بانک نقش داشت. از نتایج آزمون نهایی، دقت ارزیابی بانک اس و بانک تی به ترتیب 26/85 و 39/85 درصد و دقت ارزیابی بانک V و بانک W به ترتیب 63/79 و 59/81 درصد بود. دقت ارزیابی گروه R بالاتر از گروه U بود. در ماه چهارم، بانک V و بانک W هر دو کاهش اندکی در دقت ارزیابی داشتند، در حالی که بانک S و بانک T روند نزولی نشان ندادند، که نشان می‌دهد. که مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی از نظر دقت ارزیابی نسبتاً پایدار است. میانگین دقت ارزیابی گروه R 79.81% و در گروه U 74.29% بود. میانگین دقت ارزیابی گروه R 7.43 درصد بیشتر از گروه U بود که نشان داد مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی می تواند نقش مهمی در بهبود دقت ارزیابی داشته باشد.

(2) بروز ریسک عملیاتی بانک
یک مطالعه 6 ماهه در مورد بروز ریسک عملیاتی بانک برای مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U انجام شد. نتایج تجربی در جدول 1 نشان داده شده است.
از جدول 1 می توان مشاهده کرد که بروز ریسک عملیاتی بانک در چهار پیوند عملیاتی طراحی طرح خدمات، تایید تامین مالی، وام دهی و مدیریت پس از اعتبار منعکس شده است. در طراحی طرح خدمات، بانک T با 21.63 درصد کمترین میزان بروز ریسک عملیاتی و بانک W با 24.47 درصد بیشترین میزان بروز ریسک عملیاتی را داشتند. در فرآیند تایید تامین مالی، بانک T با 21.24% کمترین میزان وقوع ریسک عملیاتی را داشت و بانک S دارای نرخ بروز ریسک عملیاتی بود که 0.41% کمتر از بانک V بود. در فرآیند وام دهی، نرخ ریسک عملیاتی بانک T 20.23 درصد بود که 2.24 درصد کمتر از بانک W بود. از نظر مدیریت پس از اعتبار، بانک V با 24.56 درصد بیشترین میزان بروز ریسک عملیاتی را داشت که 2.4 درصد بیشتر از بانک T بود. نرخ بروز ریسک عملیاتی کلی بانک S و بانک T به ترتیب 22.71% و 21.32% بود. نرخ بروز ریسک عملیاتی کل بانک V و بانک W به ترتیب 23.37٪ و 23.76٪ بود. بروز ریسک عملیاتی در گروه R 6.58 درصد کمتر از گروه U بود. مدل‌های هشدار اولیه ریسک مبتنی بر الگوریتم‌های هوش مصنوعی نقش مهمی در کاهش بروز ریسک‌های عملیاتی بانک داشتند.
(3) دقت جمع آوری اطلاعات
بررسی 6 ماهه صحت جمع آوری اطلاعات توسط بانک ها انجام شد. با مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U، تأثیر مدل هشدار زودهنگام ریسک و روش سنتی هشدار زودهنگام ریسک بر دقت جمع‌آوری اطلاعات مورد بررسی قرار گرفت. محتوای خاص در شکل 5 نشان داده شده است.

الگوریتم ژنتیک برای خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی در شبکه های سنسور بی سیم

Genetic Algorithm for Energy-Efficient Clustering and Routing in Wireless Sensor Networks

چکیده
1- مقدمه
2- کار مرتبط
2-1 WSNها با CHهای موقت
2-2 WSNها با CHهای دائمی
3- مدل شبکه و اصطلاحات
3-1 توپولوژی شبکه
3-2 مدل انرژی
3-3 اصطلاح شناسی
4- مقدمات
4-1 مرور اجمالی بر GA
4-2 فرمولاسیون مسئله
5- الگوریتم پیشنهاد شده
5-1 نمایندگی کروموزوم
5-2 راه اندازی (مقداردهی) جمعیت
5-4 تقاطع و جهش
6- نتایج تجربی
6-1 تنظیمات پارامتری
6-2 مقایسه وزن λ
6-3 ساختار خوشه بندی و مسیریابی
6-4 تعادل بار
6-5 چرخه عمر شبکه
6-6 مصرف انرژی
6-7 نتایج تجربی در OMNeT ++
7- نتایج

چکیده
شبکه های حسگر بی سیم به طور گسترده ای در زمینه های مختلف از جمله نظامی، مراقبت های بهداشتی و کاربردهای ساخت و تولید به کار گرفته شده اند. با این حال، گره های حسگر از نظر تامین انرژی، توانمندی ذخیره سازی و توان محاسباتی خود محدود هستند. بنابراین، به منظور بهبود بهره وری (مقرون به صرفگی) انرژی و طویل شدن چرخه عمر شبکه، یک رویکرد خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی مبتنی بر الگوریتم ژنتیک به نام GECR ارائه می دهیم. ما راه حل بهینه به دست آمده در دور شبکه قبلی را به جمعیت اولیه برای دور کنونی اضافه می کنیم و به این ترتیب کارایی جستجو را بهبود می بخشیم. علاوه بر این، طرح خوشه بندی و مسیریابی در یک کروموزوم تک به منظور محاسبه کل مصرف انرژی ترکیب می شود. ما تابع تناسب را مستقيماً بر اساس مصرف انرژي کلی می سازیم و بدین ترتیب بهره وري انرژي را بهبود مي بخشیم. علاوه بر این، تعادل بار در هنگام ساخت تابع تناسب در نظر گرفته می شود. بنابراین، مصرف انرژی در میان گره ها می تواند متعادل شود. نتایج تجربی نشان داد که GECR بهتر از سایر پنج روش عمل نمود. GECR بهترین تعادل بار را با کمترین واریانس ها در بارها در سرهای خوشه تحت سناریوهای مختلف حاصل نمود. علاوه بر این، GECR, بیشترین بهره وری (مقرون به صرفگی) انرژی را با کمترین انرژی متوسط مصرف شده توسط سرهای خوشه و کمترین انرژی مصرف شده توسط تمام گره ها در برداشت.
1- مقدمه
شبکه های حسگر بی سیم (WSNs), فناوری سنسور، فناوری محاسبات جاسازی شده، فناوری پردازش اطلاعات توزیع شده و فناوری ارتباطات را ادغام می کنند. WSN ها در زمینه های مختلف، از جمله نظامی، دفاع ملی، نظارت بر محیط زیست، مدیریت ترافیک، مراقبت های بهداشتی، تولید و برنامه های پیشگیری از بلایا، به طور گسترده ای مورد استفاده قرار گرفته اند [1]. در یک WSN، گره های حسگر به طور همکارانه, اطلاعات فیزیکی و زیست محیطی را از منطقه تحت پوشش شبکه جمع آوری و پردازش می کنند و اطلاعات را به ناظران ارسال می کنند [2]. یک ناحیه نظارت اغلب نیاز به استقرار تعداد زیادی از گره های حسگر دارد، اما گره های حسگر از لحاظ ظرفیت های محاسباتی، ذخیره سازی و توانایی های ارتباطی خود در کاهش هزینه ها محدود هستند. به عنوان مثال،Micaz [3] که توسط CrossBow توسعه داده شده است، یک نوع نماینده از گره حسگر است که با میکروپروسسور (ریزپردازنده) Atmegal28L، تراشه CC2420، 128 کیلوبایت فلش و 4 کیلوبایت RAM مجهز شده است. گره حسگر با قدرت باتری محدودی تامین می شود و فراهم نمودن ثانویه انرژی برای گره ها دشوار است. بنابراین، پس از مردن بیشتر از یک درصد معینی از گره ها، خرابی شبکه رخ می دهد. بنابراین، کاهش مصرف انرژی گره های حسگر و افزایش چرخه عمر شبکه، چالشی کلیدی برای WSN ها است.
مطالعات قبلی نشان داده اند که مصرف انرژی مورد نیاز برای انتقال 1 بیت, بسیار بیشتر از مصرف انرژی مورد نیاز برای پردازش داده 1 بیتی است [4]. بنابراین، کاهش اندازه داده های ارسال شده یا دریافت شده برای گره های حسگر و بهینه سازی مسیریابی انتقال داده ها بین گره ها می تواند به طور موثر انرژی مصرف شده توسط شبکه را کاهش دهد. الگوریتم خوشه بندی [5], شبکه را به چند خوشه مستقل تقسیم می کند، جایی که هر خوشه شامل یک گره سر خوشه ای (CH) و گره های عضو چند خوشه ای(CM) می باشد. گره CH, مسئول دریافت داده ها از گره های CM است. با استفاده از الگوریتم های جمع آوری داده موثر، CH می تواند داده های بیش از حد یا نادرست را حذف کند، بنابراین مقدار زیادی از داده های جمع آوری شده به مقدار کمی از اطلاعات معنی دار ادغام می شوند. بنابراین، الگوریتم های خوشه بندی کارآمد می توانند ترافیک داده را کاهش داده و توپولوژی را بهینه سازی کنند، و در نتیجه بهره وری انرژی WSN ها را بهبود بخشند.

Abstract

Wireless sensor networks have been employed widely in various fields, including military, health care, and manufacturing applications. However, the sensor nodes are limited in terms of their energy supply, storage capability, and computational power. Thus, in order to improve the energy efficiency and prolong the network life cycle, we present a genetic algorithm-based energy-efficient clustering and routing approach GECR. We add the optimal solution obtained in the previous network round to the initial population for the current round, thereby improving the search efficiency. In addition, the clustering and routing scheme are combined into a single chromosome to calculate the total energy consumption. We construct the fitness function directly based on the total energy consumption thereby improving the energy efficiency. Moreover, load balancing is considered when constructing the fitness function. Thus, the energy consumption among the nodes can be balanced. The experimental results demonstrated that the GECR performed better than other five methods. The GECR achieved the best load balancing with the lowest variances in the loads on the cluster heads under different scenarios. In addition, the GECR was the most energy-efficient with the lowest average energy consumed by the cluster heads and the lowest energy consumed by all the nodes.

1- Introduction

Wireless sensor networks (WSNs) integrate sensor technology, embedded computing technology, distributed information processing technology, and communication technology. WSNs have been employed widely in various fields, including military, national defence, environmental monitoring, traffic management, health care, manufacturing, and disaster prevention applications [1]. In a WSN, the sensor nodes collaboratively collect and process environmental and physical information from the area covered by the network and send the information to observers [2]. A monitoring area often requires the deployment of a large number of sensor nodes, but the sensor nodes are limited in terms of their computational, storage, and communication capacities in order to reduce costs. For instance, Micaz [3] developed by CrossBow is a representative type of sensor node, which is equipped with an Atmegal28L microprocessor, CC2420 chip, 128 KB Flash, and 4 KB RAM. The sensor node is supplied with limited battery power and it is difficult to provide secondary energy to the nodes. Thus, network failure occurs after more than a certain percentage of the nodes die. Therefore, reducing the energy consumption of sensor nodes and prolonging the network life-cycle is the key challenge for WSNs.

Previous studies have shown that the energy consumption required for transferring 1-bit is much more than that for processing 1-bit data [4]. Thus, reducing the transmitted or received data sizes for sensor nodes and optimizing data transmission routing between the nodes can effectively reduce the energy consumed by the network. Clustering algorithms [5] divide the network into multiple independent clusters, where each cluster comprises a cluster head (CH) node and multiple cluster member (CM) nodes. The CH node is responsible for receiving data from the CM nodes. By using effective data aggregation algorithms, the CH can remove redundant or incorrect data so the large amounts of collected data are merged into a small amount of meaningful information. Therefore, efficient clustering algorithms can reduce the data traffic and optimize the topology, thereby improving the energy efficiency of WSNs.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

هنگامی که جنگل تصادفی ساخته شده است، نمونه (x) با گذر نمونه به هر درخت تصمیم گیری در جنگل تصادفی (شکل 2) طبقه بندی می شود. هر یک از درخت های تصمیم گیری نمونه را با پیروی از یک شاخه خاص درخت بسته به نتیجه هر گره طبقه بندی می کند. خروجی جنگل تصادفی سپس با انتخاب اکثر خروجی ها از هر درخت تصمیم می گیرد. یعنی خروجی هر درخت یک رأی در نظر گرفته می شود، با اکثریت رای گیری، نتیجه خروجی جنگل تصادفی را تعیین می کند.
جنگل های تصادفی راهی برای انجام انتخاب ویژگی با استفاده از اهمیت هر ویژگی مشتق شده در هنگام ساخت درخت تصمیم گیری را فراهم می کنند [24]. هر گره غير برگ در درخت تصميم، يک گره تصميم گيري است که يک خصوصيت را تست مي کند و براساس تصميم، داده ها را تجزيه مي کند. به طور متوسط کاهش ناخالصی برای هر ویژگی بر روی تمام درختان در جنگل های تصادفی نتیجه می شود، این اهمیت را برای هر ویژگی به ارمغان می آورد. ما از اهمیت ویژگی ها برای کاهش تعداد ویژگی های از 13 ویژگی به دو ویژگی استفاده کردیم، همان طور که در ادامه توضیح داده شده است.
جنگل های تصادفی برای نظارت بر خطا و تشخیص موتورهای القایی و چرخ دنده استفاده شده اند، اما نه برای LS-PMSMs. نوی و همکاران داده های 21 سنسور برای شناسایی لرزش، جریان، ولتاژ و سیگنال شار از یک موتور القایی [7،8] جمع آوری کردند. آنها ویژگی های از حوزه های زمان و فرکانس را استخراج کرده و عملکرد دستگاه های بردار پشتیبانی، تجزیه تحلیل های خطی، نزدیکترین همسایگان، جنگل های تصادفی و تئوری تشدید تطبیقی – شبکه های عصبی Kohonen را مقایسه می کنند. در [9،10]، جنگل های تصادفی ، با تعداد درختان و تعداد ویژگی های انتخاب شده در هر گره تقسیم بهینه سازی شده توسط الگوریتم ژنتیکی برای شناسایی خطا استفاده می شود. Karabadji و همکاران. کتابخانه یادگیری ماشین Weka را برای مقایسه جنگل های تصادفی با انواع مختلف درخت های تصمیم گیری بر روی سیگنال های ارتعاش یک فن صنعتی که متصل به یک موتور الکتریکی است مقایسه می کند [12،13]. آنها همچنین از یک الگوریتم ژنتیکی برای بهینه سازی نوع درخت برای استفاده و انتخاب مجموعه های آموزشی و اعتبار استفاده می کنند. در [17] Pandya و همکاران. سیگنال های صوتی برای شناسایی خطای المان نورد استفاده می شود. آنها ویژگی ها را با استفاده از تقسیم حالت تجربی، استخراج کرده و با نزدیکترین همسایگان اصلاح شده، که از جنگل های تصادفی بهتر عمل می کنند. Seera et al یک مدل هیبرید ترکیبی از یک شبکه عصبی فازی مین مکس (FMM) و یک جنگل تصادفی را پیشنهاد کرد [11]. آنها مدل ترکیبی خود را با FMM، یک درخت تصمیم گیری CART و گروه ترکیبی FMM-CART مقایسه کردند. Cerrada و همکاران الگوریتم ژنتیکی برای انتخاب بهترین زیر مجموعه از ویژگی ها از 359 ویژگی برای به حداکثر رساندن دقت تشخیص استفاده می شود [14] از جنگ های تصادفی برای تشخیص خطای چند طبقه استفاده می شود.
کار ما برای اولین بار است که از شروع جریان گذار برای تشخیص خطا استفاده می کند. این در مقایسه با کار قبلی است که از جریان ثابت برای تجزیه و تحلیل خطا استفاده می کند [7-11]. علاوه بر این، تمام برنامه های کاربردی جنگل های تصادفی برای شناسایی خطا به موتور القایی محدود شده اند و به LS-PMSM ها اعمال نشده اند. نوع موتور الکتریکی تأثیر قابل توجهی بر تشخیص خطای موتور به علت تفاوت ساختار دارد [18]. بنابراین، نظارت بر خطا از موتور القایی به دلیل تفاوت در این دو نوع موتور نمی تواند به LS-PMSMs تعمیم داده شود.

3. موتورهای سنکرون مغناطیس دائم آغاز خط
یک مانع مهم برای PMSM های معمولی این است که آنها برای ورود به یک اینورتر نیاز دارند، که برای بسیاری از کاربردها سرعت یکسان نیست. موتور مگنت دائمی مجهز به قفس سنجاب LS-PMSM یک موتور با کارایی بالا با قابلیت شروع اولیه را فراهم می کند، اما بدون نیاز به سیستم درایو [3،27]. LS-PMSM ها اکنون می توانند به میزان کارایی فوق العاده برسند [28]. ساختار LSPMSM شامل (1) استاتور یک یا سه فاز مشابه موتور القایی و (2) روتور ترکیبی حاوی میله های هادی و آهنرباهای دائمی است. در میله سنجاب قفس در یک ماشین الکتریکی هنگامی که موتور از توقف راه اندازی می شود، گشتاور شروع می شود. مشابه موتورهای ناهمزمان، میله های سنجاب قفس در LSPMSM، عملکرد راه اندازی را در طول حرکت موتور افزایش می دهد و باعث می شود که روتور به حرکت مستقیمی در خط بپردازد. هنگامی که بار بر روی موتور نامتعادل است و یا سرعت چرخش نوسان می کند، میله های سنجاقک کوچک می شوند و میدان های ضد چرخش شکاف هوا را کاهش می دهند، که در غیر این صورت باعث خسارت قابل ملاحظه خواهد شد.
شکل 3 یک مقطع یک قطب LS-PMSM چهار قطب سه فاز را نشان می دهد. خطای روتور باعث ایجاد گشتاور شروع می شود به عنوان یک نتیجه از جریان القایی در میله ها ایجاد یک میدان الکترومغناطیسی می شود، که با میدان چرخانده تعامل می کند و سپس موتور را به سمت همزمان شدن می کشد. علیرغم جریان القا شده، تلفات مس در میله ها ناچیز است زیرا عملیات همزمان انجام می شود.

میله روتور شکسته یک خطای عمده در موتورهای قفس سنجاب است. حضور هر گونه آسیب در میله روتور موجب خطای ثانویه در موتور می شود و منجر به ناتوانی در عملکرد موتور می شود. هنگامی که یک میله روتور شکسته می شود، وضعیت میله های همسایه نیز با توجه به افزایش استرس در طول زمان بدتر می شود. علاوه بر این، هر گونه نقص در خطا بر توزیع شار موثر است. بنابراین، کار ما تمرکز بر شناسایی خطای میله روتور شکسته است.
کار ما بیشتر مربوط به کار [29، 30] است. در [30]، Merjou و همکاران. در حال حاضر، تشخیص خطا در میله روتور شکسته در LS-PMSMs است، اما نتایج آنها از مدل سازی با نرم افزار شبیه سازی با استفاده از FEM در شرایط سالم و تحت خطا بدست می آید. Merjou و همکاران سیگنال های جریان گذرا را برای تجزیه و تحلیل خود استفاده کرد، اما این سیگنال های جریان گذرا بخشی از شبیه سازی است و از یک دستگاه واقعی LSPMSM به دست نمی آید. تجزیه و تحلیل آنها محدود به تجزیه و تحلیل طیف فعلی در حوزه زمان با استخراج ویژگی های آماری است. در [31] تبدیل هیلبرت برای استخراج پاکت سیگنال فعلی مورد استفاده قرار گرفت. از پاکت نامه، ویژگی های دامنه زمانی استخراج شد، از جمله شاخص متوسط، RMS، ناهموار، کورتوزیس، و غیره. ما در کار توسط Merjou و همکاران با انجام شناسایی خطای میله روتور بر روی دستگاه LS-PMSM، در حالیکه در [30،31] یک شبیه سازی نرم افزاری برای تجزیه و تحلیل خطا استفاده می شود بهبود ایجاد می کنیم. ما همچنین گام اضافی شامل یک الگوریتم یادگیری ماشین آموزش داده شده با ویژگی های یک موتور سالم و موتور با یک میله روتور شکسته است. هیچ روش یادگیری ماشین در [30،31] ارائه نشده است.
تشخیص خطا قبلی باقی مانده در LS-PMSMs شامل خطا های بیرونی و مغاطیس زدایی می شود. در [18]، کرامی و همکاران تجزیه و تحلیل خطای بیرونی در طول عملکرد حالت پایدار یک موتور LS-PMSM را انجام دادند. این تجزیه و تحلیل با استفاده از شبیه سازی نرم افزار LS-PMSM سه فاز انجام می شود. کار آنها همچنین از تجزیه و تحلیل در دامنه فرکانس با استفاده از تجزیه و تحلیل تراکم طیفی قدرت (PSD) استفاده می کند. در [27]، تخلیه غیر قابل برگشت یک LS-PMSM با استفاده از تحلیل گذرا و روش دو بعدی عددی عنصری تجزیه و تحلیل شد. تجزیه و تحلیل و نتایج بر اساس یک مدل و نه LS-PMSM فیزیکی است. در [21]، روش دو عاملی گام به گام دو بعدی برای تجزیه و تحلیل عملکرد گذرا یک مدل شبیه سازی LS-PMSM استفاده می شود. در [32]، لو و همکاران رفتار LS-PMSM را در شرایط افزایش مغناطیس همراه با علل منجر به مغاطیس زدایی مورد بررسی قرار داد. در حالی که یک دستگاه LSPMSM برای جمع آوری پارامترها و درک عملکرد دستگاه استفاده می شود، تجزیه و تحلیل واقعی بر روی یک مدل ریاضی دستگاه انجام می شود. لو و همکاران همچنین یکی از اولین کسانی بود که یادآوری ماشین را، به ویژه یک شبکه عصبی، برای مغناطیس زدایی در LS-PMSM معرفی کرد [32]. در [33-35]، تخلیه در LSPMSM ها نیز با استفاده از یک مدل شبیه سازی مورد تجزیه و تحلیل قرار می گیرد.
در مقایسه با کار قبلی، از یک دستگاه LS-PMSM برای جمع آوری داده های جاری برای تجزیه و تحلیل خطا استفاده کردیم، در حالیکه کار قبلی تنها از شبیه سازی نرم افزار LS-PMSM استفاده می کند. ما همچنین برای تشخیص خطا از سیگنال جریان گذرا استفاده کردیم، به غیر از استفاده از جریان پایدار. در نهایت، تجزیه و تحلیل خطا در گذشته، تقارن را بررسی کرده است، در حالی که ما بر خطا های روتور تمرکز می کنیم.

4. الگوریتم تشخیص خطا
شکل 4 نمودار جریان تشخیص خطا در این تحقیق را ارائه می دهد. اول، میز کار آزمایشی با LS-PMSM با دو شرایط مختلف تنظیم شد: (1) سالم و (2) خطادار- میله روتور شکسته شده. سیگنال جریان استاتور در هنگام راه اندازی موتور با استفاده از سنسور جریان Hall-Effect جمع آوری شد. بعد، سیگنال های فعلی به دست آمده توسط پردازش داده ها به 40 دوره اول سیگنال فعلی پیش پردازش شدند. داده ها نیز با اطمینان از اینکه نقطه شروع و توقف داده ها به صفر می رسد، پاک می شود. در مرحله بعد، 13 ویژگی زمانی دامنه از سیگنال فعلی استخراج شد (در زیر بحث می شود). در نهایت، ویژگی ها برای آموزش و آزمایش جنگل های تصادفی مورد استفاده قرار گرفتند.

4.1 پیکربندی راه اندازی
شکل 5 نقشه های آزمایشی مورد استفاده برای بررسی خطای میله روتور را نشان می دهد. این سیستم شامل یک منبع تغذیه سه فاز، یک LS-PMSM، سنسور گشتاور و سرعت، کوپلینگ مکانیکی، یک ترمز پودر مغناطیسی به عنوان بار، یک منبع DC، حسگر جریان هال، یک اسیلوسکوپ و یک کامپیوتر .

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1888

Handling Big Data Using a Data-Aware HDFS and Evolutionary Clustering Technique

37 صفحه با فونت 14 B Nazanin

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1911

شکل 1 مفاهیم و ماژول ها را در یک چارچوب پیشنهادی نشان می دهد و توضیح آن به شرح زیر است: (1) پس از جمع آوری داده ها یا جمع آوری مجموعه داده های قدیمی، این ماژول داده ها را به نمودارهای شبکه مورد نظر تبدیل می کند؛ (2) با یافتن الگوها در نمودار، ماژول داده ها را به بلوک های مناسب توزیع می کند؛ (3) بلوک ها در داخل ماشین سمت راست توزیع می شوند؛ و (4) HDFS بهینه سازی شده به عنوان یک منبع داده پرس وجوها را اجرا می کند و یک سیستم عامل را برای اعمال الگوریتم های گراف به صورت کارآمد به منظور کاهش منابع مورد استفاده ارائه می کند.
برای خلاصه کردن چارچوب پیشنهادی، HDFS قادر است داده های مدرن را با ایجاد ساختار اطلاع رسانی داده ها، شناسایی، توزیع و مدیریت داده ها در سیستم فایل مقیاس پذیر را بهبود ببخشد. بدین ترتیب، چارچوب نتایج در بهینه سازی و در منابع کارآمد سیستم اکو هادوپ و دیگر ابزارها از HDFS به عنوان یک منبع ذخیره سازی توزیع شده استفاده می شود.
در تحقیقات اخیر راه حل های متقاعد کننده ای در تحلیل بعدی و معماری لامبدا ارائه شده است. سانگ و همکارانش [13] تحقیقات اخیر را در نوع داه ها، مدل های ذخیره سازی، روش های تجزیه و تحلیل کاربرد شبکه کلان داده ها مورد بررسی قرار دادند. آنها همچنین چالش ها و توسعه کلان داده ها را برای پیش بینی روند فعلی و آینده خلاصه کرده اند. سانگ و همکارانش [13] نحوه جریان داده ها در زمان واقعی را با افزایش سرویس های جریان آنلاین نشان دادند، و همچنین نحوه بررسی یک سیستم را که براساس SQL که جریان DB نام دارد به منظور تجزیه و تحلیل اطلاعات پایدار نشان دادند.
بررسی های [15]، [16]، [17] و [18] بر تحلیل زمان واقعی تمرکز دارند، و شامل تلاش های معماری لامبدا هستند، و نویسندگان [18] در آن معماری سیستم های کلان داده های بحرانی را معرفی می کنند. آنها نحوه زیرساخت های موجود در کلان داده ها را که زمانبر هستند نشان دادند و فقط بر روی برنامه های کاربردی تمرکز کردند. باسانتا و همکارانش [18] این مسئله را از دیدگاه جامعه سیستم های زمان واقعی مورد بررسی قرار دادند. آنها معماری تحلیلگر زمانبندی (TC) را به عنوان یک گروه TC در پردازش دستی و جریان پردازش آنلاین TC را در نظر گرفتند. باسانتا و همکارانش [18] به طور کلی تبدیل پشته کلان داده ها را در پشته کلان داده TC به همراه اعمال نیازمندی ها و چالش های برنامه های پشته TC ارائه دادند.
T-Hoarder [19] چارچوبی است که توییت ها را همراه با داده های مربوط به زمان فضا را به دست می آورد؛ همچنین خلاصه ای از اطلاعات و تحلیل مربوط به فعالیت توییتر را به صورت یک رویداد در صفحه وب ارائه می کند. تجزیه و تحلیل بررسی ها و معماری لامبدا همراه با آپاچی کُدو [20] و مجموعه ای از بررسی ها را که عملکرد سریع تری در پردازش OLAP و عملکرد قوی در زمان بارز حجم کاری را دارد نشان می دهد. با این حال، این یک نتیجه است، تا جایگاه برخورد داده های هوشمند، و تکنولوژی ها بتوانند حجم کاری پردازش داده ها را کاهش دهند، و اولین نسخه آزمایشی اینتل را در سفیر 2017 ارائه دادند [22]. اینتل نوع جدید حافظه پایدار را با یک فضای خاص نسبت به DRAM و تاخیر کمتری را نسبت به SSD ارائه می دهد.
2 محدوده کاری
حجم کاری فعلی که در سیستم در حال اجرا می باشد (در آن ناکارآمدی وجود دارد) منجر به فضای بیشتر نیازمندی در مراکز داده و برخی از پیامدهای محیطی و باعث افزایش انتشار کربن در مصرف انرژی می شود [1]. این می تواند به دلیل مصرف انرژی اضافی و عملکرد پایین منابع سخت افزاری که شرکت ها را تحت تاثیر قرار می دهد باشد. ما به یک مقیاس کارآمد نیاز داریم.
نظریه گراف یک اصول را به خوبی مورد بررسی قرار می دهد. دکتر روی مارستن در وبلاگش [23] خاطرنشان کرد که نظریه گراف یکی از روش های کلیدی در فهم و درک استفاده از کلان داده ها است. دکتر مارستن رو ی گوگل در طی فرآیند مدرن سازی گراف با استفاده از لینک های بین اسناد و زمینه های وب معنایی، تمرکز دقیقی داشت. در نتیجه، “گوگل یک موتور جستجوی وب را تولید کرد و از رقبای ثابت خود پیشی گرفت” [23]. بسیاری از داده ها را می توان به نمودار تبدیل کرد. برعکس، بسیاری از مسائل را می توان به مسائل گراف تبدیل کرد. با استفاده از نظریه ها و الگوریتم های گراف، بسیاری از این مسائل را می توان به طور موثر حل کرد.
ما کار SHARD روهلوف و همکارانش را در نظر گرفتیم [5] و آن را همانطور که در بخش معماری نشان داده شده است به عنوان داده های امروزی به منظور تبدیل انواع داده به نمودار چهارگانه ارائه کردیم. همانطور که در بخش های پایگاه داده گرافیکی بحث کردیم روش هایی برای مقیاس داده های گراف با استفاده از سیستم-های اکو توزیع شده مانند هادوپ وجود دارد. علاوه بر این، موفقیت بزرگ هوانگ و همکارانش زمانی اتفاق می-افتد [1] که بورس تحصیلی روهلوف و همکارانش مورد پذیرش قرار گرفته باشد [5] و داده های RDF برای غلبه بر محدودیت های مربوط به تکنیک روهلوف و همکارانش بهینه سازی می شوند.
قبلا تلاش هایی برای بهینه سازی گراف ها صورت گرفته است؛ به عنوان مثال SHARD [5]، عمل درهم-سازی داده ها را انجام می دهد. با این حال، عمل درهم سازی منجر به جابه جایی محدودیت ها در گراف های RDF و حرکت داده های شبکه ای نیز می شود. مثال دیگری از هوانگ و همکارانش بدین صورت است [1] اشیاء متصل به یک موضوع پردازش می شوند تا یک بلوک مشابه برای یک یا دو تقاطع بین موضوع و جسم ایجاد شود (یک یا دو لبه فاصله بین موضوع و اشیاء). با این حال، محدودیت های فضا به علت افزایش اندازه داده ها وجود دارد. همچنین، محدودیت استفاده از چنین الگوریتمی که به یک گراف متصل است نیز وجود دارد. سایر کارهایی مانند سمپالا [24]، یا Hive، PigSPARQL [25] & [26]، MapMerge [27] و MAPSIN [28] تا حدی مقیاس پذیری را برطرف می کنند. با این وجود، چنین کاری از ذخیره سازی های مختلف که سه برابر هستند و از مزایای Hive، MR و Impala استفاده می کند و با استفاده از چارچوب ما می توانیم پارتیشن بندی را بهینه سازی کنیم.
2.1 پایگاه داده های گراف
داده های جاری و برنامه های مدرن به محدودیت های ذخیره و پردازش با استفاده از پایگاه داده های سنتی، بویژه مدل ارتباطی منجر می شوند. دقت پایگاه داده های گراف افزایش پیدا کرده است، و این موضوع تقریبا در اوایل دهه 90 [29] مجددا مورد بررسی قرار گرفت. اهمیت پایگاه های اطلاعاتی معمولا براساس روابط بین داده ها است، و به طور مساوی یا حتی بیشتر از اطلاعات موجودیت ها می باشند [30]. پروژه ها در زمینه های مختلف به پایگاه های زیر دقت ویژه ای دارند (مانند زیست شناسی [31]، وب معنایی [32]، وب کاوی [33] و شیمی [34]).
سیلبرشاتس و همکارانش [35] به طور کلی یک مدل داده (مدل پایگاه داده) را که مجموعه ای از ابزارهای مفهومی است را برای مدل سازی روابط بین شناسه ها مورد استفاده قرار دادند. سه مولفه مدل پایگاه داده عبارتند از [35]: (1) مجموعه ای از انواع ساختار داده ای، (2) مجموعه ای از قوانین یکپارچه و (3) رابط قوانین و عملگرها.

تخصیص بهینه چند منظوره محدود کننده های جریان خطا در سیستم توان

Multi objective optimal allocation of fault current limiters in power system

Abstract

Transmission systems, connection of distributed generation to the grid are increased due to increase in power demands. This fact causes the increase in short circuit level of power networks. The occurrence of fault in such networks leads to large short circuit currents throughout the system, which may exceed the rating of existing circuit breakers and can damage system equipment. There are some approaches to reduce this fault current such as power network reinforcement and utilization of fault current limiter (FCLs) in power systems. Power system reinforcement is too difficult if not impractical. Therefore, the utilization of FCLs can provide an effective way to suppress fault currents. The effectiveness of FCL depends on the number of FCLs and their installation location. In this paper, a novel approach is presented to determine the optimal number and location of FCLs to improve the power network reliability and fault current reduction based on different conflicting objective functions. IEEE 39 BUS system and IEEE 57 BUS system are considered to evaluate the effectiveness and feasibility of the proposed method. The objective functions considered for the optimal allocation are reliability of power system, economic impact and short circuit current reduction. Unlike what has been previously done in literature, in this paper Pareto based optimization algorithms, namely non-dominated sorting algorithm, multiobjective particle swarm optimization and multiobjective evolutionary algorithm based on decomposition, are utilized to deal with this problem. The use of these methods made it possible to obtain the Pareto optimal front in which these objective functions are optimized simultaneously.

1 Introduction

Nowadays, with the increasing demand for electric energy, power systems have become greater and more complex, as a result fault current increases. By increasing the fault current, in some cases allowable level of equipment on the network particularly circuit breakers (CBs) may exceed the allowable level and even can damage equipments. Therefore, it is necessary to use CBs with higher breaking current. This, in turn imposes heavy costs on the system. If after identifying the fault, its current can clearly be limited by a method, a technically and economically significant saving is achieved. This is possible by fault current limiters (FCLs). FCLs are elements that are placed in series with the network equipment to reduce the level of short circuit current during a fault. This equipment normally reveals little resistance against the flow of the current; however, if short-circuit happens and in the initial moments after fault, their resistance suddenly increases which prevents more short circuit current [1,2]. Limiters do not cause voltage sag and power loss in the steady state conditions of the system [3]. In [4], authors examined transient stability due to use of FCLs in network with studying the rotor oscillation of generator after the occurrence of fault with large amplitude, e.g. short circuit. In [5], an application of a superconducting fault current limiter (SFCL) to enhance the power system transient stability is presented. In Ref. [6], power system security and stability enhancement is examined and particle swarm optimization (PSO) algorithm is used to optimize the system. In [7], two characteristics of FCL utilization, fault current limiting and voltage sag suppression in distribution network are examined. The effect of FCLs in distribution network in the presence of wind turbine generators is also investigated [8].The main focus of this paper is on fault current limitation effect of FCLs. In addition to the short circuit current limitation, studies have shown that the use of FCLs in power network allows the incensement in the transient stability of generators and consequently the global stability of the network [9,10]. Previous studies on FCL optimal allocation mainly focus on one objective function either fault reduction as in [11–13] or stability as in [9,13]. Hierarchical genetic algorithm (GA) combined with a micro GA was used to find the optimum locations of FCLs [14,15]. In [12], authors used a search space reduction technique and GA to find the optimum number and locations of FCLs. In Ref. [16], a twostage placement approach is proposed, where Stage I benefits from the hierarchical fuzzy logic decision method and a variant of generic algorithm so-called Hashing-integrated. In order to sort feasible solutions, the hierarchical fuzzy logic decision method is used. The Hashing-integrated genetic algorithm determines an optimal FCL placement in the reduced search space. PSO is then employed in Stage II for optimizing the FCL parameters. The main focus of [17] is on the total operating time, which is the sum of the operating times of primary relays for each fault and minimax regret criterion is proposed for power system protection considering the uncertainty of the (distributed generation) DGs to determine SFCL placement. However, multiobjective approach and adaptive penalty factor are not considered in this research. In Ref. [18], an iterative mixed integer nonlinear optimization method is proposed to optimally locate and size FCLs in a power system. Another approach has examined the influence of fault type on the optimal allocation of SFCL in electrical power grid [10]. Eigenvalue analysis is also used to optimize resistive SFCL for multi-machine power system [19]. Multiobjective optimization algorithm is applied to solve different problems of power system such as reactive power and voltage control [20], power flow [21], and optimal power flow with FACTS devices [22]. In Ref. [23], sensitivity calculation of capacity constraints method is used to find out the optimal placement and value of the determined number of SFCLs. In Ref. [24], the effect of the presence of FCLs for maintaining over current relay coordination in power network with distributed generation is discussed. In this paper, in order to optimally allocate the FCLs in a power system, three objectives functions are considered. The objective functions considered in FCL placement problem are: (a) improving reliability; (b) economical usage of FCLs and (c) minimizing the short circuit current. The benchmark problems considered are IEEE 39 Bus and IEEE 57 Bus. Unlike what can be seen in literature which combine different objective functions in a single objective function, in this study, the three objective functions are solved using Pareto based algorithms. The uses of such algorithms make it possible to simultaneously determine the number, location and the impedance values of FCLs. Moreover, existing methods in literature do not optimize the location and the value of FCLs; but rather choose some locations for the FCLs and then optimize their values. However, the proposed approach optimizes the location and the values of FCLs, simultaneously. The Pareto based optimization algorithms are multiobjective evolutionary algorithm based on decomposition (MOEA/D), multiobjective particle swarm optimization algorithm (MOPSO) and non dominated sorting genetic algorithm-II (NSGA-II). Since Swarm intelligence and evolutionary methods are two main classes of optimization methods used in multiobjective optimization approaches, MOPSO which is based on swarm intelligence and NSGA-II and MOEA/D which are evolutionary based methods are selected. Moreover, another contribution of the proposed approach in this study is the use of an adaptive penalty factor. The penalty factor used is relative to the violation of maximum short circuit allowed in the system. Furthermore, since the power system can tolerate some levels of short circuit current, another constraint is defined for the lower bound of the short circuit current which causes less FCLs to be used and reduces the costs considerably. In addition, another penalty term is considered for the violation of allowable interval of impedances. It is shown that the three multiobjective optimization algorithms are capable of obtaining an appropriate Pareto optimal front. The rest of the paper is organized as follows: in Section 2, fault current calculation and the effect of adding a FCL on impedance matrix is described. In Section 3, the networks studied in this paper are introduced. In Section 4, the main problem considered in this paper, is formulated. In Section 5, multiobjectives optimization algorithms which are used in this paper are presented. Section 6 covers the simulation results. The concluding remarks are given in Section 7.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2.2 مدیریت سمت تقاضا
تقریبا تمام برنامه هایDSMاز خدمات عمومی انگیزه می گیرند. DSM مبتنی بر بهره گیری، برنامه ریزی، پیاده سازی و نظارت بر فعالیت هایی است که مشتریان را تشویق می کند تا سطح و الگوی استفاده از برق خود را تطبیق دهند به طوری که مشخصات بار توسط شرکت ابزار تغییر مییابد، بنابراین می تواند توان را به طور مطلوب تولید کند. 6 مدل شکل بار که هدف برنامه DSMاست در شكل 1 نشان داده شده است كه عبارتند از: برش پيك، پر شدن دره و بارگذاري به عنوان سطح پايه و سطح پيشرفته مانند حفاظت استراتژيك، رشد بار استراتژيك و شکل بار انعطاف پذير [16] .
اعمال یکیا چند برنامه DSM مانند زمان استفاده (TOU) می تواند به عنوان یک برنامه برای دستیابی به هدف تغییر بار از طریق ارائه قیمت بالا در دوره های اوج و قیمت پایین در دوره های غیر اوج استفاده شود [16]. این تغییر در بارها شامل تغییرات در مدل DED به عنوان بخشی از تقاضا است که با توجه به سطح مشارکت و تعداد وسایل قابل شارژ، تغییر می کند و مشخص می شود. تقاضای جدید تقاضای مرجع خواهد شد و به تقاضای رو به بالا افزوده و تقاضای رو به پایین را از آن تقلیل می دهد همانطور که در معادله نشان داده شده است. (8).
بنابراین، از طریق تقاضای جدید مورد نیاز که خروجی روش ما است، تعرفه نرخ TOU باید با دقت طراحی شود تا مشتریان را تشویق به پیروی از همان مشخصات نماید. پس از اضافه کردن محدودیت هایDSM به مشکل DED، تقاضای قدیمی داده شده در معادله. (2) به صورت داده شده در معادله(12). تغییر خواهد کرد.
. موارد مطالعه شده
مطالعات موردی به طور گسترده ای در یک سیستم شامل 6 ژنراتور حرارتی و یک مزرعه باد انجام می شود. جزئیات ژنراتور برای سیستم تست شش واحد در جدول 1 آمده است [17]. شکل 2 داده هایت وان مزرعه باد را در یک روز به عنوان 10٪ازکلتولید (1 p.u.) نشان می دهد. در مطالعه موردی، دو سطح نفوذ 10٪و 20٪موردمطالعهقرارگرفتهاست. برایDSM، سه سطح مختلف مشارکت در نظر گرفته شده شامل 5٪، 10٪و 15٪سطحمشارکتاست. سطحمشارکتاطلاعاتمربوطبهدرصدموردانتظارشرکتکنندگاندربرنامهDSM را فراهم می کند، بنابراین 15٪بهاین معنی است که 15٪کلباردربرنامهDSM شرکت می کنند.
شکل 3 اطلاعات مربوط به کل بار در زمستان و تابستان را نشان می دهد. این کل بار شامل بارهای مسکونی، تجاری و صنعتی می شود. این مقاله فرض می کند که فقط بارهای مسکونی در برنامه DSM شرکت کنند. درصد بارهای مسکونی مانند مصر در محدوده 50 درصد کل بار است، [18]. بار مسکونی شامل بارهای جداگانه مانند ماشین لباسشویی،ماشین ظرفشویی،یخچال و فریزر، فریزر، بخاری آب، پمپ آب، اجاق گاز، نورپردازی و سایر لوازم خانگی است. بارهای تهویه مطبوع در تابستان اضافه خواهد شد.
برنامه DSM تنها از بارهای متحرک از بخش مسکونی مانند ماشین های شستشو، ماشین های ظرفشویی، آبگرمکن ها و تهویه مطبوع استفاده می کند تا تغییرات لازم را در کل بار بر اساس سطح مشارکت انجام دهد.

4. نتایج و بحث
تعدادی از سناریوها مانند تغییر سطح مشارکت مصرف کنندگان و سطح نفوذ باد برای پروفیل های مختلف بارگیری در فصل زمستان و تابستان با استفاده از DSMاعمال می شود تا برخی از مسائل مربوط به نفوذ بالا انرژی های باد به طور خاص رمپ که در زمان کاهش بارو افزایش باد و یا بالعکس رخ می دهد و یا عدم انطباق بین قدرت باد بالا و پیک بار را حل کند.
سناریوهای مختلفی مورد توجه بوده است. جداول 2-5 خروجی راه حل هایDED را در موارد مختلف ارائه می دهد. نرم افزار GAMS با استفاده از BARON به عنوان الگوریتم حل کننده و ژنتیکی با عملکرد ترکیبی (fmincon) برای حل مشکل DED مورد استفاده قرار می گیرد. نتایج نشان میدهد که استفاده از GA با fmincon نتایج تقریبا معمولی مانند GAMS را ارائه می دهد اما براینتیجه بهینه نیاز به تکرار دارد و همچنین زمان بیشتری را نسبت به استفاده از GAMS اتخاذ می کند. به عنوان مثال، در صورت بارگیری تابستان با DSM و سطح مشارکت 15٪،زمانانجامGAMS 5 ثانیه است، در حالی که GA با عملکرد ترکیبی 15 دقیقه برای هر تکرار طول می کشد و در بعضی موارد بیش از یک تکرار برای رسیدن به مقدار بهینه لازم است (پردازنده هسته i5 و RAM 4 مگابایت است).
همانطور که در جدول 2 (نتایج 10٪نفوذباددریک روز در زمستان) به وضوح نشان داده شده است، بدون استفاده از DSM، راه حل مشکل DED مقداری ثابت برای هزینه عملیات می دهد که برابر 32171.013 $ صرف نظر از سطح مشارکت است، زیرا وجود دارد هیچ برنامه DSM وجود ندارد. با این حال، هنگام استفاده از برنامه DSM برای تغییر برخی از بارهای قابل تغییر، هزینه بر اساس سطح مشارکت متفاوت است، بنابراین وقتی سطح مشارکت افزایش مییابد هزینه عملیات کاهش مییابد. در مورد زمانی که باد موجب افزایش رمپ بالا یا پایین می شود که بیش از حد نرخ رمپ ژنراتورهای حرارتی می شود، انرژی باد استفاده شده کمتر از حالت بدون رمپ است که به وضوح در شکل نشان داده شده است. شکل های 4 و 5، بنابراین کل هزینه عملیات در صورت وجود رمپ بالا می رود. استفاده از DSM انعطاف پذیری بیشتری را طریق افزایش درصد بهره برداری از انرژی باد به سیستم اضافه خواهد کرد، که به وضوح در شکل 4 نشان داده شده است، با توجه به این که کل هزینه عملیات قطعا کاهش خواهد یافت و کمترین هزینه عملیاتی برای 15٪سطح مشارکت است.
جدول 3 (نتایج حاصل از نفوذ 10٪نفوذباددریک روز در تابستان) به وضوح نشان میدهد که بار پیک بالا با مقدار بالای انرژی باد مطابقت ندارد. واضح است که بدون استفاده از DSM و یا تخلیه بار، مشکل حل نخواهد شد، زیراتوان بالای باد در زمان غیر از پبک میباشد. به این ترتیب، دو راه حل برای حل این مشکل وجود دارد: از بین رفتن بار یاDSM. اما استفاده از تخلیه بار بر کیفیت خدمات و سطح رضایت مشتری تأثیر می گذارد. با این حال با استفاده از DSM این مسئله بسته به سطح مشارکت حل خواهد شد. همانطور که در جدول 3 نشان داده شده است سلول به نام ” بار با DSM ‘، سیستم نیاز به بیش از 10٪سطحمشارکتبرای حل اختلاف بین بار حداکثر و اوج توان باد دارد. همچنین از شکل 6 روشن است که با افزایش سطح مشارکت درصد بهره برداری از انرژی باد افزایش مییابد.
جداول 4 و 5 نتایج استفاده از سطح نفوذ 20 درصد انرژی باد را نشان می دهد. واضح است که هزینه عملیات کمتر از سطح نفوذ 10٪است. نشان داده شده است که سیستم هنوز با مشکل عدم هماهنگی بین حداکثر بار و حداکثر توان باد مواجه است. با این حال روشن است که مسئله رمپینگ در هنگام استفاده از سطح بالای نفوذ باد موثر خواهد بود. به عنوان مثال، درصد بهره برداری از انرژی باد کمتر از مواردی است که در انرژی باد تغییری وجود ندارد، همانطور که در شکل نشان داده شده است. 4 و 5. شکل. 6 و 7 به وضوح نشان می دهد که با افزایش سطح نفوذ انرژی باد، درصد استفاده از انرژی باد کاهش مییابد اما با استفاده از DSM درصد استفاده از انرژی باد افزایش مییابد.
به طور کلی، تمام نتایج جدول اطمینان می دهد که درصد بهره برداری از انرژی باد در مشکل DED به شدت تحت تاثیر استفاده از برنامه DSM قرار دارد و در بعضی موارد راه حل هایی بدون استفاده از DSM وجود ندارد، زیرا اختلاف بزرگی بین بار باد و بار پیک در مورد تابستان با سطح نفوذ 10٪باد وجود دارد. افزون براین، اگر در بعضی موارد دیگریک رمپ بیش از مقادیر قابل قبول ژنراتور حرارتی باشد، انرژی باد محدود شده افزایش یابد؛ با این حال با استفاده از DSM با سطح نفوذ بالا می توان مسائل مربوط به عدم انطباق انرژی و یا مسائل رمپ را کنترل کرد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. فن‌های طبقه‌بندی داده‌ها
طبقه‌بندی فرآیند اختصاص یک برچسب طبقه به شی‌ء (اشیاء) طبقه‌بندی نشده بر اساس مجموعه‌ای از ویژگی‌های تعریف‌شده است. یک طبقه‌بندی کننده ابتدا باید آن دانش را با یادگیری ارائه دسته‌ها با استفاده از یک مجموعه داده‌شده از نمونه‌های طبقه‌بندی‌شده پیشین دریافت کند. یک طبقه‌بندی کننده می‌تواند به‌عنوان یک پیش‌بینی کننده برای اشیاء طبقه‌بندی نشده یا یک توصیفگر برای اشیاء طبقه‌بندی‌شده عمل کند. رویکردهای بسیاری مانند درختان تصمیم‌گیری، رویکردهای مبتنی بر قانون، طبقه‌بندی‌های بیزی، شبکه‌های عصبی، طبقه‌بندی کننده‌های ژنتیک، ماشین‌های بردار پشتیبانی و بسیاری دیگر وجود دارد. یک طبقه‌بندی کننده با دقت پیش‌بینی آن، سرعت، استحکام، مقیاس‌پذیری، تفسیرپذیری، سادگی و شاخص‌های کیفیت وابسته به دامنه ارزیابی می‌شود.

2.1. طبقه‌بندی کننده Bayes Naïve
این مطلب تئوری Bayes را با فرضیه‌های استقلال قوی به‌عنوان یک طبقه‌بندی کننده ساده احتمالی اعمال می‌کند. فرض بر این است که وجود یا فقدان یک ویژگی مستقل از وجود یا فقدان ویژگی‌های دیگر است – ویژگی‌ها نامرتبط هستند که اجرای آن‌ها ساده، بهینه و درست است. اگر برخی اطلاعات و داده‌های آموزشی داشته باشیم، می‌توان از طبقه‌بندی کننده NB استفاده کرد و ما باید احتمالات را از داده‌های محدود برآورد کنیم. مزیت اصلی آن این است که زمان زیادی برای آموزش نیاز ندارد.

2.2. درختان تصمیم‌گیری
درختان تصمیم‌گیری نمایش ساختاری یک مجموعه داده را تشکیل می‌دهند. یک گره یک تصمیم را از تعدادی از گزینه‌ها می‌سازد و هر گره نهایی یک طبقه‌بندی خاص را نشان می‌دهد. DT ها (درختان تصمیم‌گیری) ابزارهایی بسیار قدرتمند هستند زیرا آن‌ها سریع هستند و عملکرد معقولی دارند. DT های مورداستفاده در این تحقیق BFTree، NBTree، J48 و RFT هستند. (Best-First Tree) BFTree گره‌های خود را در بهترین حالت اول، برخلاف DT های استاندارد گسترش می‌دهد که در حالت عمق اول گسترش می‌یابد. بهترین گرهی که همیشه برای اولین بار گسترش‌یافته است، گرهی است که منجر به حداکثر کاهش ناخالصی می‌شود. (Naive Bayes Tree) NBTree از یک تابع نقشه‌برداری برای فهرست داده‌های با ابعاد بزرگ استفاده می‌کند و باید یک تابع محاسباتی سبک و کم باشد؛ بنابراین، این مقادیر می‌تواند مرتب‌شده و بعداً در ساختار یک‌بعدی نهایی استفاده شود. J48 (نشان‌دهنده وکا C4.5 DT) گره‌های خود را در حالت عمق اول گسترش می‌دهد. این یک الگوریتم یادگیری تحت نظارت است که نقشه‌برداری را از مقادیر ویژگی به طبقات می‌آموزد و سپس این نقشه‌برداری به نمونه‌های ناشناخته جدید اعمال می‌شود. (Forests Forest Random) RFT شامل ایجاد مجموعه‌ای از درختان طبقه‌بندی است که بر اساس مجموعه‌های تصادفی داده‌ها محاسبه می‌شوند. این کار با استفاده از پیش‌بینی کننده‌های انتخاب‌شده به‌صورت تصادفی برای هر تقسیم در هر درخت انجام می‌شود.

2.3. فرایندهای چندلایه
اگر نمونه‌های ارائه‌شده را نتوان به‌صورت خطی جدا کرد، فرایندهای چندلایه (MLP) مورداستفاده قرار می‌گیرند. MLP ها شبکه‌های عصبی ارسالی هستند که شامل تعداد زیادی از عصب‌های متصل شده هستند که به واحدهای ورودی، واحدهای خروجی و واحدهای مخفی در بین آن‌ها تقسیم می‌شوند. وزن‌های اختصاص داده‌شده برای ارتباطات با استفاده از الگوریتم بازگشت عقب (BP) برآورد می‌شود. مقادیر وزن، عملکرد شبکه عصبی را تعریف می‌کنند.

3. سیستم تشخیص و طبقه‌بندی دولایه
سیستم چندلایه‌ای که قبلاً پیشنهادشده بود از دولایه تشکیل‌شده است که پیش از یک مرحله پیش‌پردازش می‌آیند. لایه اول – لایه تشخیص – روش انتخاب منفی را با استفاده از الگوریتم ژنتیک برای تشخیص نفوذ انحراف استفاده می‌کند، جایی که ردیاب‌ها برای شناسایی فعالیت‌های طبیعی آموزش می‌بینند تا هرگونه تفاوت (بیش از یک آستانه مشخص) را به‌عنوان یک ناهنجاری تشخیص دهند. لایه دوم – لایه طبقه‌بندی – از یک طبقه‌بندی کننده برای برچسب‌گذاری ترافیک با طبقه مناسب برای دسته‌های حمله و به حداقل رساندن هشدارهای نادرست استفاده می‌کند. هم ترافیک عادی و هم غیرعادی به طبقه‌بندی کننده داده می‌شود. روند در شکل 1 نشان داده‌شده است.

3.1. مرحله پیش‌ پردازش داده
پیش‌پردازش داده‌ها شامل جایگزینی داده‌های نمادین مانند پروتکل و خدمات با مقادیر مجزا/ کامل و تقسیم‌بندی مقادیر به همگن و در حوزه‌ای محدود است. الگوریتم Binning Width برابر استفاده شد و مقادیر اصلی با اعداد باین مربوط به دامنه آن‌ها جایگزین شدند. اطلاعات بیشتر در مقاله قبلی موجود است.

3.2. مرحله انتخاب ویژگی
همان‌طور که در مقاله قبلی ما [4] بیان‌شده است، روش انتخابی فرکانس متوالی (SFFS) استفاده و 26 ویژگی انتخاب شد که مربوط به برای یافتن الگوریتم انتخاب ویژگی با بهترین نتایج بود. ویژگی‌های انتخاب‌شده توسط SFFS بهترین نتایج دقیق را به دست آورد.
3.3. لایه I: تولید ردیاب‌ها و تشخیص ناهنجاری
این لایه GADG (الگوریتم ژنتیک برای تولید ردیاب‌ها) است – همچنین در [4] – برای تولید ردیاب‌ها برای فرآیند تشخیص نفوذ انحرافی استفاده‌شده است. در این فرآیند، آشکارسازهای ناهنجاری با استفاده از GA و کاربرد مفهوم NSA تولید می‌شوند – تولید آشکارسازهایی که با نمایش اتصالات عادی آشنا هستند، قادر به تشخیص بین عادی و غیرطبیعی هستند. ردیاب‌های یا قوانین تولیدشده اساساً مقادیر ویژگی‌های انتخاب‌شده هستند که به‌طور صحیح اتصالات طبیعی را نشان می‌دهند؛ بنابراین، ابتدا جمعیت مورداستفاده برای تولید این آشکارسازها با انتخاب تصادفی از اتصالات معمول در مجموعه داده پرشده است. دو اندازه‌گیری مسافت به‌طور جداگانه اعمال‌شده است –هندسه اقلیدسی و مین کاوسکی- و گروه آشکارساز تولیدشده توسط هر اندازه‌گیری مسافت آزمایش و مقایسه می‌شود.

در پایان فرآیند تولید آشکارسازها، آشکارسازهای بالغ به سیستم برای شروع فرآیند جداسازی خود از غیر خود آزاد می‌شوند. آشکارسازها از مقادیر برای ویژگی‌های انتخاب‌شده برای نمایش عناصر خودی تشکیل‌شده است. آشکارسازهای تولیدشده از مرحله قبل از طریق داده‌های آزمایش برای شروع فرآیند تشخیص ناهنجاری اجرا می‌شوند. نتایج به‌دست‌آمده از [4] در لایه بعدی – لایه طبقه‌بندی – برای طبقه‌بندی ناهنجاری‌های تشخیص داده‌شده وارد می‌شود، همان‌طور که در زیر با جزئیات توضیح داده‌شده است.

3.4. لایه دوم: استفاده از دسته‌بندی کننده‌ها برای دسته‌بندی حملات
پس از مرحله تشخیص ناهنجاری، اتصالات به‌عنوان عادی یا غیرطبیعی برچسب‌گذاری شده‌اند، اما نوع حمله مشخص نشده است. طبقه‌بندی کننده باید برای برچسب‌گذاری حملات با دسته خاص خود استفاده شود. بسیاری از طبقه‌بندی کننده‌ها مورد آزمایش و مقایسه قرار گرفتند. این طبقه‌بندی کننده‌ها عبارت‌اند از Bayes Naive، Decisions Trees – NBTree، BFTree، J48، RFT و شبکه‌های عصبی چندلایه Perceptron. در لایه طبقه‌بندی، هم ترافیک عادی و هم غیرعادی به‌صورت جداگانه طبقه‌بندی می‌شوند. برای ترافیک غیرعادی، ناهنجاری‌ها باید به‌عنوان یکی از دسته‌های حمله موجود در مجموعه داده، یا به‌عنوان عادی اگر آن مثبت کاذب باشد، برچسب‌گذاری شوند. برای ترافیک عادی، از طریق طبقه‌بندی انجام می‌شود، به‌طوری‌که اگر یک ناهنجاری به‌عنوان یک منفی نادرست شناسایی شود، به‌عنوان یک حمله به‌درستی با برچسب دسته درست برچسب‌گذاری می‌شود. مدل پیشنهادی به‌عنوان یک سیستم چند عامل در [8] اجرا شد.

4. آزمایش‌ها
این آزمایش با استفاده از مجموعه داده‌های ارزیابی IDS [21] NSL-KDD انجام شد. در تحقیقات پیشین، مجموعه داده KDD Cup 99 [15] بیشترین داده‌های معیار کاربردی برای ارزیابی عملکرد دستگاه‌های تشخیص نفوذ مبتنی بر شبکه بود. مشخص شد که مشکلاتی وجود دارد که الگوریتم یادگیری را منحرف می‌کند و نتایج به دلیل کپی کردن سوابق خود در هر دو مجموعه داده‌های آموزشی و آزمایشی نادرست است. مجموعه داده KDD Cup نیز برای ارزیابی بسیار وسیع است، بنابراین معمولاً بخش‌های کوچکی از داده‌ها برای ارزیابی مورداستفاده قرار می‌گیرند که منجر به نتایج نادرست نیز می‌شود؛ بنابراین، گروه محققین پرونده‌های اضافی را حذف کرده و مجموعه داده‌ها را به‌صورت متناسب برای به کسب تعادل انتخاب کردند و این امر به مجموعه داده NSL-KDD منجر شد. این تحقیق توسط بسیاری از محققین مورداستفاده قرارگرفته است، زیرا تعداد رکوردها برای داده‌های آموزشی و آزمون بسیار کمتر است، بنابراین کل مجموعه‌ها می‌توانند در آزمایش‌ها مورداستفاده قرار گیرند. چهار نوع عمومی حملات در مجموعه داده وجود دارد: رد خدمات (DoS)، کاوشگر، کاربر به ریشه (U2R) و دور به نزدیک (R2L). جدول 1 توزیع سوابق عادی و حملات در مجموعه داده NSL-KDD را نشان می‌دهد.
بعضی از مراحل برای آماده‌سازی فرآیند نیاز به تعدیل تنظیمات خود در عامل اصلی برای کسب بهترین نتایج در عوامل آشکارساز دارد. این مقادیر بهترین نتایج را با ویژگی‌های انتخاب‌شده توسط SFFS در آزمایش قبلی نشان داده‌شده در [5] ارائه داد. در آزمایش، 26 ویژگی توسط SFFS انتخاب شد. برای طبقه‌بندی کننده‌ها، داده‌های Train_20% برای آموزش استفاده شد، زیرا طبقه‌بندی کننده‌ها نشان داد که نتایج بسیار خوبی بدون نیاز به استفاده از تمام سوابق اطلاعات آموزشی به دست می‌دهد، همان‌طور که در [6،7] ثابت‌شده است. طبقه‌بندی کننده‌های اعمال‌شده در این آزمایش‌ها از طریق ابزارهای Weka استفاده شد [24].

یکپارچه سازی وسایل نقلیه برقی در شبکه هوشمند: مروری بر تکنولوژی های وسیله نقلیه به شبکه و تکنیک های بهینه سازی

Integration of electric vehicles in smart grid: A review on vehicle to grid technologies and optimization techniques

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F2147

با این حال، سرویس های V2G یک جهته با توجه به توانایی جهت ارائه سرویس های فرعی در شبکه انرژی محدود می باشند. شرایطی همچون اصلاح بیشینه بار، پشتیبانی از توان راکتیو، تنظیم ولتاژ و تنظیم فرکانس به عنوان خدمات اصلی محسوب می شوند که تنها به وسیله V2G دو جهته به دست می آیند.

3-2 V2G دو جهته

 V2G دو جهته در ارتباط با جریان انرژی دو جهته بین EV و شبکه انرژی جهت دستیابی به مزیت های متعدد است. یک شارژر باتری EV دو جهته معمولی شامل مبدل AC/DC و مبدل DC/DC مطابق شکل 2 است. مبدل AC/DC جهت جبران انرژی AC از شبکه انرژی به شبکه DC در طی فرآیند شارژدهی EV و تبدیل DC به انرژی AC پیش از تزریق به شبکه انرژی در حالت تخلیه استفاده می شود. به عبارت دیگر، مبدل DC/DC مسئول کنترل جریان انرژی دو جهته با استفاده از تکنیک کنترل جریان است. مبدل DC/DC به عنوان یک مبدل باک یا تقویت کننده در طی فرآیند شارژ دهی یا تخلیه عمل می کند.

V2G دو جهته موجب ایجاد انعطاف پذیری و امکانات بیشتر جهت بهبود عملیات سیستم انرژی می شود. مزیت های اصلی شامل پشتیبانی از توان فعال (اکتیو)، پشتیبانی از سیستم راکتیو، تنظیم عامل انرژی و پشتیبانی از یکپارچه سازی منابع انرژی تجدید پذیر است. پشتیبانی از توان فعال با استفاده از V2G دو جهته می تواند به اصلاح بیشینه بار و تعدیل بار دست یابد. این خدمات با شارژ دهی EV در طی ساعات خارج از اوج و تزریق انرژی EV اضافی به شبکه انرژی در طی ساعات اوج حاصل می شوند. به جز پشتیبانی از انرژی فعال، V2G دو جهته از قابلیت لازم جهت تامین انرژی راکتیو برای تنظیم ولتاژ شبکه برخوردار است. این سرویس را میت وان با اندازه مناسب خازن اتصال DC شارژر و سوییچ کنترل مناسب اجرا کرد. همچنین تنظیم عامل انرژی به عنوان یکی از خدمات مهم ارائه شده توسط تکنولوژی V2G دو جهته محسوب می شود که می تواند موجب کاهش تلفات انرژی در شبکه انرژی شود. علاوه براین، V2G دو جهته نیز موجب کمک به یکپارچه سازی منابع انرژی تجدید پذیر در شبکه انرژی می شود. تولید انرژی از منابع انرژی تجدید پذیر مانند توربین بادی و سیستم فتوولتیک خورشیدی چندان قابل پیش بینی و مناسب نمی باشند، زیرا این منابع انرژی تجدید پذیر به شدت وابسته به شرایط آب و هوایی خواهند بود. V2G دو جهته از جابجایی EV به عنوان تامین کننده و ذخیره کننده انرژی جهت حل مسئله تناوب منابع انرژی تجدید پذیر استفاده می کند.

در حال حاضر، اجرای V2G دو جهت با چالش های زیادی مواجه است. یکی از موانع، مسئله استهلاک باتری ناشی از سیکل های شارژ دهی و تخلیه متعدد مورد نیاز با اجرای V2G دو جهته است. پیچیدگی شارژر باتری دو جهته نیازمند سخت افزار اضافی بوده و منجر به ارائه سرمایه های اضافی می شود. علاوه براین، مسئله مانع اجتماعی به عنوان یک چالش مهم دیگر برای اجرای V2G دو جهته محسوب می شود. به دلایل امنیتی، مالکان EV به طور معمول در پی بهره گیری حداکثری از شارژ ماشین برای حرکت و سفر غیر قابل انتظار می باشند. این موضوع موجب ممانعت از آنها جهت مشارکت فعال در سریس های V2G دو جهته می شود.

اجرای موفق آمیز V2G نیازمند پیشرفت های تکنولوژیکی بیشتر است. در حال حاضر، V2G یک جهته در بسیاری از کشور ها جهت کاهش مسئله محدودیت اجتماعی به منظور نفوذ EV در بازار مورد استفاده قرار می گیرد. V2G دو جهته دارای قابلیت و ظرفیت لازم در آینده هنگام آماده سازی در بازار و تکنولوژی می باشد. جدول 1 نشان دهنده مقایسه بین V2G یک جهته و V2G دو جهته به شکل های مختلف مانند زیر ساخت نرم افزاری، سطوح انرژی، هزینه ها، خدمات موجود، مزیت ها و موانع است. 

• مزیت ها و چالش های V2G

4-1 خدمات و مزیت های V2G

تکنولوژی V2G می تواند خدمات زیادی را جهت دستیابی به مزیت های مختلف ارائه کند. اجرای V2G می تواند موجب تنظیم فرکانس، فیلترینگ هارمونیک و حتی بازیابی شکست در سیستم انرژی در طی دوره خاموشی شود. مزیت های V2G تنها شامل مزیت برای تاسیسات انرژی نیست، بلکه شامل مالکان EV است. تکنولوژی V2G می تواند موجب ارائه پشتیبانی انرژی بی وقفه برای ذخره انرژی ذخیره و خانگی برای منابع انرژی تجدید پذیر خانگی شود.

مزیت های اصلی V2G نیز به صورت دقیق مورد بحث قرار خواهند گرفت که شامل سرویس های جانبی، پشتیبانی از انرژی فعال، جبران توان راکتیو و حمایت از منابع انرژی تجدید پذیر می باشند.

4-1-1 خدمات جانبی

 V2G یک جهته موجب ایجاد خدمات جانبی شار بار در شبکه انرژی با کنترل نرخ های شارژ دهی EV ها بر اساس درخواست اپراتور های شبکه انرژی می گردد. جمع کننده طیف وسیعی از EV ها را به منظور دستیابی به خدمات جانبی کنترل و مدیریت می کند. می توان خدمات جانبی را به دو دسته تقسیم کرد که شامل تنظیم شبکه انرژی و ذخیره چرخشی است. تنظیم شبکه انرژی موجب ارائه تنظیم فرکانس جهت مطابقت تولید و تقاضای بار می گردد. اپراتور های شبکه معمولا کنترل واقعی مستقیم بر این تنظیم جهت واکنش به تقاضای شبکه با افزایش یا کاهش تولید دارند. با این حال، می توان به توازن انرژی با استفاده از تکنولوژی V2G یک جهته جهت تنظیم تقاضای بار EV تحت دو حالت عملیاتی که حالت تنظیم رو به بالا و تنظیم رو به پایین می باشند، دست یافت.

شکل 3 نشان دهنده مفهوم خدمات جانبی با استفاده از V2G یک سویه مطابق با [44] است. دو حالت بار در [44] در نظر گرفته شده اند که شامل بارهای ثابت و بارهای دینامیکی است. EV های متصل به شبکه به عنوان بارهای دینامیکی در تکنولوژی V2G یک جهته در نظر گرفته می شوند که طی آن نرخ های شارژ دهی EV ها جهت برآورده کردن نقطه اجرایی مورد نظر به بالا و پایین تنظیم می شوند.

شکل 3(a) نشان دهنده حالت اصلی جهت بیان مفهوم خدمات جانبی است. با افزایش بارهای ثابت، مود تنظیم رو به پایین با کاهش نرخ شارژ دهی EV ها جهت ماندن در POP مشابه مطابق شکل 3(b) اجرا می شود. از سوی دیگر، شکل 3(c) نشان می دهد که نرخ های شارژ دهی EV ها جهت انجام حالت تنظیم رو به بالا با توجه به کاهش بار ثابت افزایش می یابند

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

محاسبه مجدد فاصله بین گروه جدید Xl+1 و دیگر گروه ها بر طبق معادله 4-2، در ابتدا گروه دسته بندی ماتریکس D1 را بدست آورده و نزدیک ترین گروه ها در گروه جدید را ترکیب کرده و تحت عنوان Xl+2. با تکرار محاسبات بالا تا حصول تعداد معقولی از گروه ها ( ) مورد قبول بوده که نمونه های ذخیره کننده در نهایت در گروه های دسته بندی می شوند که تحت عنوان مدل DMUs یا DEA عملیات می شوند.
(2) عملیات کردن وابستگی تاثیر پذیری سرمایه گذاری برای هر گروه از ذخیره کننده ها.
برای یک گروه از داده ها بر روی هر گروه از ذخیره کننده ها با استفاده از مدل (1-1) اجازه می دهیم داده سرمایه گذاری (متغیر ورودی) برای Gij i برابر با 1، 2 ، برای j برابر 1، 2 تا ، داده خروجی (متغیر خروجی) برای تولید qij مقدار r برابر با 1 باشد، فاکتور قضاوت تاثیر گذاری سرمایه گذاری محاسبه شده برای هر یک از گروه های داده بر طبق مدل DEA در مسیر مشابه انجام گردیده و در هر حال مکان های سرمایه گذاری در تنظیمات تاثیر اندازه گیری می شوند.

3.2. مدل سرمایه گذاری و خروجی توسعه میدان نفتی
3.2.1. مدل سرمایه گذاری اکتشاف و رشد ثابت شده ی ذخیره ها
رشد مجموع ذخیره های ثابت شده ی شرکت های نفتی معمولا تجربیاتی از فرایند پایین- بالا – آهسته است که برای حصول مدل های تخمین متعدد با استفاده از روش اکتشاف توسط محققان بسیاری صورت پذیرفته است. وانگ یوتا او و همکارانش بر روی نقش تغییر ذخیره های ثابت شده و مزایای اکتشاف در میدان نفتی زینجیانگ آنالیز انجام داده که رشد سرمایه گذاری اکتشاف یک مدل ریاضی برای تخمین زدن تولید یا بازیابی ذخیره شامل مدل لوجیستیک، مدل هربرت و مدل گومپرترز می باشد.
این مدل ها ارتباط قطعی برای تخمین زدن رشد ذخیره های شرکت نفتی می باشندو در هر صورت همانطور که مدل ها آشکار می سازند، نقش رشد ذخیره های ثابت شده تجمع یافته با زمان تنها یک پدیده صوری است. فی نفسه نتایج اکتشاف بر پایه حجم کاری اکتشاف در یک دوره به خصوص بوده است در حالیکه تکمیل و اجرای حجم کاری اکتشاف بر طبق فرض اثبات شده ی سرمایه گذاری اکتشاف قطعی می باشد. بنابراین منطقی تر است که یک مدل ارتباطی بین ذخیره های ثابت شده و حجم کاری اکتشاف فراهم گردد که معمولا این ارتباط از نوع منحنی نمایی اکسپوننشیالی می باشد. البته که مدل ارتباطی مذکور می تواند همچنین توضیحی بین ذخیره های ثابت شده N و سرمایه گذاری اکتشاف بر طبق معادله 8-2 باشد.

این مدل نشان دهنده این است که نقش رشد ذخیره های ثابت شده برای واحدهای جغرافیایی با شرایط جغرافیایی ساده و ذخیره کننده هایاز نوع با اهمیت کمتر تخمین زده می شوند که این ذخیره کننده های نفتی با ابعاد بزرگتر بوده و در در دوره های زمانی سرمایه گذاری اولیه کشف شده اند و نیز ذخیره های ثابت شده رشد سریعتری در دوره های ابتدایی اکتشاف دارند؛ با این وجود همانطور که ذخیره کننده های اصلی و لایه های اصلی با موفقیت کشف شده اند، سختی اکشتاف به تدریج افزایش یافته و ذخیره ها به کندی در دوره های میانی و انتهایی خود رشد می کنند. معادله 8-2 ارتباط بین ذخیره های ثابت شده ی تجمع یافته و سرمایه گذاری اکتشاف را نشان می دهد که ضرایب می توانند با فیت کردن تاریخچه داده های ذخیره های ثابت شده ی تجمع یافته و سرمایه گذاری اکتشاف تجمع یافته در دوره های گوناگون اکتشاف با استفاده از روش حداقل مربعات پردازش گردند.

3.2.2. مدل ارتباطی میان خروجی و سرمایه گذاری
خروجی میدان نفتی بستگی به بلوک های توسعه یافته و سرمایه گذاری اکتشاف بعد از تولید می باشد. بنابراین مدل ارتباطی میان خروجی و سرمایه گذاری اکتشاف بر طبق معادلات ذیل توضیح داده می شود.

3.2.3. مدل هزینه تولید
بر طبق سیستم شمارش چینی سرمایه گذاری توسعه شرکت نفتی به دو قسمت تقسیم می گردد: یک بخش سرمایه گذاری ساخت تولیدات جدید که بنام سرمایه گذاری ساخت مهندسی توسعه میدان نفتی می باشد که شامل سرمایه گذاری حفاری و سرمایه گذاری ساخت مهندسی سطح می باشد و بخش دیگر ظرفیت تولید نگهداری سرمایه گذاری که به بنام هزینه عملیاتی میدان نفتی می باشد.
مطالعات متعددی بر روی هزینه تولید منابع با قابلیت تجدید پذیری مجدد انجام گرفته و هزینه تولید گام می رود که درباره موارد مطلوب، محتوی آب، قیمت نفت و … یا تابعی از خروجی تجمع یافته و ذخیره های قابل بازیابی نگهداری شده باشند. از طریق مطالعات بر روی مدل های رگرسیونی مختلف دریافت شد که یک فرم لگاریتمی برای مدل هزینه تولید نفت وجود دارد که بهترین درجه فیت شدن را دارا می باد.

4. مدل بهینه سرمایه گذاری بر روی اکتشاف و توسعه پتروشیمی
4.1. متغیرهای تصمیم ساز
هدف اصلی برای بهینه سازی سرمایه گذاری اکتشاف و توسعه، یافتن ارتباط نسبی میان سرمایه گذاری اکتشاف و سرمایه گذاری توسعه در یک دوره طولانی مدت زمانی می باشد؛ بنابراین یک شرکت نفتی می تواند بیشترین سود را کسب نماید. دو متغیر تصمیم ساز و می باشند که به معنای سرمایه گذاری اکتشاف در سال Tام و به معنای سرمایه گذاری توسعه در سال tام می باشد.

4.2. تابع واقعی
برای شرکت نفتی با m حوضچه تحمل کننده، تابع حقیقی n سال توسعه یافتگی برای این m حوضچه تحمل کننده بیشترین مقدار حال حاضر خالص است که می تواند توسط معادله زیر توضیح داده شود (معادله 1-3).