مبتدی (مناسب برای درک مفهوم کلی مطلب) 

نشانه‌گذاری: علامت R، Z+0 و Z+ به ترتیب برای مجموعه اعداد حقیقی، اعداد صحیح نامنفی و اعداد صحیح مثبت است. ماتریس و نگاشت‌های خطی توسط حروف بزرگ نشان داده شده است، مانند A و ترانهاده ماتریس A با ماتریس AT نشان داده شده است. معکوس Moore-Penrose ماتریس A توسط یک A† نشان داده شده است. نماد v=vect{v1,…, vr} نشان‌دهنده یک بردار v به‌دست آمده توسط الحاق بردار v1,…, vr، است. نماد M=diag{M1,…, Ms} نشان‌دهنده یک ماتریس قطری M است، که اعضای روی قطر اصلی ماتریس M1,…, Ms هستند. نمادهای In و Om*n یک ماتریس واحد n بعدی و ماتریس صفر m*n بعدی را نشان می‌دهد (اندیس‌ها زمانی‌که ابعاد را می‌توان از متن استنباط کرد حذف می‌شوند).

2. نمای کلی درکنترل پیش‌بینی مدل توزیع‌شده‌ با تحمل‌پذیری خطا
کنترل پیش‌بینی مدل توزیع‌شده‌ با تحمل‌پذیری خطا برای سیستم‌های بزرگ مقیاس که در این مقاله بیان شده است شامل عناصر زیر است: کنترل پیش‌بینی مدل توزیع‌شده، تشخیص خطا (FDD)، کنترل پیکربندی مجدد براساس الگوریتم بهینه‌سازی عملکرد. ساختار کلی FTDMPC در شکل 1 نشان داده شده است. سیستم بزرگ مقیاس می‌تواند به فرآیندهای مختلف با توجه به توپولوژی فرآیند تقسیم شود، که پایه و اساس هر دو روش FDD و DMPC را فراهم می‌کند. براساس کاهش اهداف کلی کنترل به اهداف هر زیرسیستم، DMPC با توجه تبادل اطلاعات بین فرآیندهای فردی طراحی شده است. در زمان یکسانی، روش سلسله مراتبی FDD براساس موارد استفاده روش‌ها، سیستم‌ها، پویایی آن و به خصوص خطاها و ویژگی‌های آن، که در کار قبلی ما پیشنهاد شده است [12] انتخاب می‌شود.
زمانی که خطا شناسایی و تشخیص داده می‌شود، برخی از پیکربندی‌های ممکن کنترلر را می‌توان برای رسیدن به اهداف کنترل در حضور خطا طراحی کرد. به‌عنوان مثال، در مورد یک خطای فعال‌کننده (مانند مسدودکردن فعال‌کننده )، فعال‌کننده معیوب معمولا توسط فعال‌کننده‌ها جایگزین می‌شود و یا برخی از محدودیت‌های فعال‌کننده، به‌عنوان مثال، با توجه به تخریب ظرفیت فعال‌کننده معیوب اصلاح می‌شود. از این رو، چندین تنظیمات کنترل پیکربندی مجدد را می‌توان برای ارزیابی بیشتر تولید کرد.
در صورتی که شرایط عامل‌ فعلی برای دستگاه معیوب غیرممکن باشد، یک وضعیت عامل جدید با توجه به اهداف کنترل با اطلاعات خطای ارائه شده توسط عنصر FDD تعریف می‌شود. شرایط عامل جدید می‌تواند از مجموعه‌ای از حالات ثابت سیستم تحت پویایی معیوب انتخاب شود. به‌عنوان محدودیت‌های اضافی، شرایط هدف در واحدهای پایین دستی باید تا حداقل ممکن توزیع‌شده باشد [10]. که به طور خاص، یکی از الزامات حفظ مجموعه‌ای از محدودیت‌های فعال فعلی مربوط به سیستم‌های غیرمعیوب در شرایط عملیاتی اسمی بودند. یک گروه از نقاط کاندید را می‌توان بااستفاده معیارهای انتخاب مختلف، مانند کاهش فاصله از حالت روند فعلی، به حداقل رساندن اثر در واحدهای پایین دستی، به حداکثر رساندن بازده اقتصادی واحد فرآیند معیوب، به حداقل رساندن میزان تولید تخریب، و غیره یافت.
با هر فعال‌کننده‌ی ممکن و پیکربندی مجدد نقطه تعیین، MPC تبدیل به یک مسئله بهینه‌سازی محدود می‌شود. الگوریتم بهینه‌سازی عملکرد با هدف انتخاب یکی از اقدامات اصلاحی با ارزیابی عملکرد هر کنترلر توسعه یافته است. با این شرط که محدودیت‌های فعال در زیرسیستم‌های غیرمعیوب همانگونه که در شرایط اسمی بودند باقی می‌ماند، بهینه‌سازی جهانی MPC می‌تواند به دو زیر مسئله تو در تو تقسیم شود. به عنوان نتیجه، بار محاسباتی on-line کاهش می‌یابد و انتخاب نتیجه‌بخش کنترلر با عملکرد بهتر می‌تواند قبل از این که حالت سیستم دور از شرایط عامل اسمی باشد به‌دست آید. به‌طور خاص، معیار انتخاب کنترلر در میان کاندیدهای مختلف اجرا را می‌توان براساس برخی شاخص‌ها، از جمله جدایی‌ناپذیری از خطای بین متغیرهای پیش‌بینی شده‌ی فرآیند و نقاط تعیین آنها خود پیاده‌سازی کرد.

3. مسئله کنترل پیش‌بینی مدل توزیع‌شده برای سیستم‌های بزرگ مقیاس بی‌عیب
هدف از این بخش معرفی مسئله کنترل پیش‌بینی مدل توزیع‌شده برای سیستم‌های بزرگ مقیاس بی‌عیب است. مسئله کنترل بهینه برای مقادیر زمان گسسته، مربوط به محدودیت ورودی و خروجی سیستم‌های دینامیکی و مسئله بهینه‌سازی با محدودیت‌های جبری مانند تکنیک‌های استفاده شده در کارهای گذشته است (نگاه کنید به، عنوان مثال، [21،36]).

از این رو، به‌طور خلاصه، مسئله بهینه‌سازی بر روی زمان پیش‌بینی شامل یافتن u^* است به طوری که تابع هزینه J را که، توسط (16)، تحت محدودیت (26) تعریف شده است به حداقل برساند. راه‌حل این مسئله می‌تواند با بهره‌برداری از نتایج کلاسیک مانند شرایط Karush-kuhn-Tucker و با استفاده از الگوریتم های محاسباتی مرتبط بیان شود(به مثال، [3] نگاه کنید). با این حال، از آنجا که بهینه‌‎سازی مدل کنترل پیش‌بینی انجام می‌شود، نشان می‌دهد که مسئله بیان شده در هر لحظه با شرایط اولیه جدید حل شده است و سیستم‌های بیان شده در اینجا سیستم‌های بزرگ مقیاس هستند، که ممکن است موجب دستکاری ماتریس با ابعاد بزرگ شوند، الگوریتم‌های ad-hoc برای مدل کنترل پیش‌بینی توزیع‌شده، مانند، کار ارائه شده در [28] توسعه یافته‌اند. به‌طور خاص، الگوریتم Scheu و Marquardt جز< اولین ها است که در بخش 5، در ترکیب با پیاده‌سازی ایده ارائه شده در بخش بعدی و در نتیجه دستیابی به کاهش چشمگیر بار محاسباتی به کار گرفته شده است.

4. مسئله کنترل پیش‌بینی مدل توزیع‌شده برای سیستم‌های بزرگ مقیاس معیوب، با فعال‌کننده و پیکربندی مجدد نقطه تعیین
هدف از این بخش این است که نشان دهد چگونه رویکرد مسئله کنترل پیش‌بینی ارائه شده در بخش 3 زمانی که یک خطای عملگر در یکی از سیستم‌های به‌هم پیوسته شرح داده شده توسط (1) شناسایی شود اصلاح می‌شود. در واقع، تشخیص خطا که با اصطلاح فرآیند پیکربندی مجدد شناخته شده است: به این معنی است که، فعال‌کننده معیوب توسط فعال‌کننده backup در سیستم معیوب جایگزین ‌می‌شود، نقطه تعیین کنترل خروجی مشخص می‌شود و یک مدل جدید کنترل پیش‌بینی با حل بهینه‌سازی‌های مختلف مسئله به‌وجود می‌آید. علاوه بر این، به دلیل راه‌حل مسائل بهینه‌سازی کامل، مانند اجرای مناسب اصلاح روابط در مسئله اصلی ارائه شده در بخش 3، ممکن است مفهوم فشار زیاد محاسباتی را دربرداشته باشد، که برای پیکربندی مجدد در حضور یک خطا ماسب نیست، برخی از انگیزه‌های فرض شده برای به دست آوردن یک نسخه ساده از مسائل بهینه‌سازی معرفی شده است که، مناسب حل مسائل زمان واقعی است.
به‌طور خاص، همانطور که در [29] نشان داده شده است، در فرایندهای صنعتی، بهینه‌سازی به طور کلی به محدودیت‌ها مربوط است و در حالت بهینه، بسیاری از این‌ها معمولا “فعال” هستند. در این شرایط، اگر خطا بلافاصله پس از وقوع شناسایی شود، توسط خطا در محدودیت سیستم‌های غیرمعیوب اغتشاش ایجاد می‌شود. به عبارت دیگر، محدودیت فعال در این سیستم‌ها به همان شکلی که در شرایط عملیاتی اسمی بود باقی می‌ماند. بنا به این ملاحظات ورودی ناشناخته u^* در بخش 3 به‌عنوان جابجایی با توجه به مقادیر مطلوب در شرایط اسمی معرفی شده است (این مسئله می‌تواند با تعریف مناسب منشا فضای ورودی ساخته شود) و ما مسئله اصلی را به دو زیر مسئله تقسیم خواهیم کرد.
به طور خلاصه، اولین زیرمسئله شامل به حداقل رساندن تابع هزینه با توجه به ورودی سیستم بی‌عیب است، فرض کنید که محدودیت‌های فعال در سیستم‌های بی‌عیب به عنوان ورودی به سیستم معیوب شناخته شده باشند. دومین زیر مسئله شامل به حداقل رساندن تابع هزینه با توجه به ورودی سیستم معیوب است. هر کدام از این زیرمسئله‌ها به وضوح تحولات زیر را بیان می‌کنند.
اجازه دهید فرض کنیم که شناسایی خطا در سیستم ∑_i رخ داده است. تحمل‌پذیری خطای توسعه یافته در این کار، پیکر‌بندی مجدد ورودی‌های کنترل و تعریف دوباره نقطه تعیین خروجی در سیستم معیوب را فراهم می‌کند. همانند پیکربندی مجدد ورودی‌های کنترل، فرض بر این است که ورودی کنترل u_i شامل مجموعه‌ای از ورودی‌های کنترل است که در سیستم بی‌عیب و مجموعه‌ای از ورودی‌های کنترل backup که اضافی هستند دستکاری شده است (از این رو، استفاده نمی‌شوند). با این حال، زمانی که خطا فعال‌کننده رخ می‌دهد، برخی از ورودی‌های دستکاری شده دیگر دردسترس نیستند بنابراین، آنها توسط برخی از ورودی‌های کنترل backup جایگزین می‌شوند. در شرح سیستمهای متصل سالم ارائه شده در بخش 3، فشار ورودی‌ها می‌تواند با یک تعریف مناسب از معادله محدودیت مدل‌سازی شود، که در آن، ماتریس Gبه‌صورتی تعریف شده است که ورودی backup مجبور به برابری با صفر تا بی‌عیبی سیستم به هم پیوسته است. بالعکس، پیکربندی مجدد ورودی‌های کنترل را می‌توان با تعریف مجدد معادله محدودیت مدل‌سازی کرد (یعنی، صفر، بدون از دست دادن کلیت)، درحالی‌که محدودیت‌های قبلی در ورودی backup حذف شده است. به منظور اجتناب از درهم ریختگی نماد‌ها، فرض بر این است که محدودیت معادله (26) با توجه به ملاحظات فوق تعریف شده است. تعیین مجدد خروجی setpoints، هر زمان که setpoints اصلی نمی‌تواند دردسترس قرار گیرد، با توجه به وقوع خطا لازم است. تعیین مجدد setpoints خروجی موجب تغییر پارامترهای وزن φ و ρ از تابع هزینه (16) می‌شود. به همین ترتیب، فرض بر این است که تابع هزینه (16) با توجه به این استدلال دوباره تعریف شده است. از این رو، باقی این بخش رویکرد راه‌حل مسئله بهینه‌سازی را که برای پردازش بر خط مناسب است فرمول‌بندی می‌کند.
ابتدا، ورودی‌های کنترل جمع‌آوری شده توسط بردار u^(*’)، که توسط (8) تعریف شده است، به‌طوریکه ورودی‌ها از ∑_i باشند دوباره مرتب می‌شوند، سیستم معیوب، در آخرین موقعیت k_c p_i‌ قرار می‌گیرد، که اجازه می‌دهد تا بخش‌ها در تابع هزینه و معادلات محدودیت معرفی شود، همان‌گونه که در شکل زیر نشان داده شده است.

مسئله 2. یافتن u_f^*،به‌طوری که J، که توسط (44) داده شده است،تحت محدودیت (48) به حداقل رسیده باشد.
گر چه راه‌حل این مسئله بهینه‌سازی می‌تواند بااستفاده از به کار بردن شرایط Karush-kuhn-Tucker و الگوریتم‌های مرتبط دست آید، همانند مسئله ارائه شده در بخش 3، متغیر ناشناخته u_f^* متشکل از یک زیربردار ناشناخته u_ ^* از مسئله اصلی است. بنابراین، کاهش قابل توجه پیچیدگی محاسباتی با استفاده از روش ارائه شده به دست آمده است.
به منظور تاکید بهتر بر تاثیر کاهش بار محاسباتی به دست آمده توسط روش پیشنهادی، مسئله بهینه‌سازی در نظر گرفته شده برای گزینه‌های مختلف از فعال‌کننده و نقطه تنظیم پیکر‌بندی مجدد حل شده است، به‌طوری‎‌که مجموعه‌ای از کاندیداهای پیکربندی مجدد کنترل‌کننده‎‌ها به دست آمده است. علاوه بر این، همانگونه که در MPC مورد نیاز است، این الگوریتم در هر مرحله از پیش‌بینی تکرار شده است.
همانند انتخاب پیکربندی مجدد با بهترین اجرا برای کنترلر، این مسئله می‎تواند با صراحت با مقادیر بهینه از شاخص‌های عملکرد، مانند خطای مطلق (IAE)، به دست آمده برای هر یک از کاندیداهای پیکربندی مجدد کنترلرها انجام گیرد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

از نظر اندازه، یک منطقه محلی شامل المان‌های سیستمی است که تنها چند باس در نزدیکی POI ها در این سیستم واقع شده است (کوتاه‌ترین مسیرها را برای خطوط انتقال در نظر بگیرید و دو ترانسفورماتور را فرض کنید اما هیچ ترانسی برای شاخه‌های امپدانس صفر که بیانگر مدارشکن ها هستند فرض نکنید). بیشتر WPP های مورد مطالعه در این تحقیق در مقایسه با [4] از نظر فاصله، دارای فاصله الکتریکی زیادی از همدیگر هستند. تجهیزات توان رأکتیو در منطقه محلی، شامل تجهیزات شنت سوئیچ شده، به صورت «as-is» مدل شده‌اند. علی‌رغم این که تنظیمات آن‌ها می‌تواند روی حالت‌های گذرا اثر داشته باشد، تحلیل این اثرات در محدوده این تحقیق نمی‌گنجد.

WPP .B های نزدیک
برای بیشتر WPP های مورد نظر، نسبت توان اکتیو (ظرفیت) Pr در محدوده ده‌ها مگاوات است (اما Pr<150 MW). تمامی مقادیر نسبت اتصال کوتاه بالاتر از 5 است. هر WPP-j (j = 1, 2, 3) دربرگیرنده WTG های یکسان است. ترانسفورماتورهای کلکتور اصلی دارای ولتاژ نامی برابر 34.5/115 kV و یا 34.5/230 می‌باشند. هیچ یک از WPP ها دارای منبع توان رأکتیو در سطح خود واحد نیستند (نظیر STATCOM).
در شکل 1 هر WPP به صورت یک WTG ی معادل نشان داده شده است. با این وجود، در بیشتر شبیه‌سازی‌ها، یک WPP با تعدادی از WTG های معادل که متناسب با دسته‌های کلکتور حقیقی هستند نشان داده می‌شوند (همانند آنچه که در پایگاه‌های داده NYISO مدل شده است).
C. تجهیزات WTG و مدل‌سازی آن‌ها
در مطالعات برنامه‌ریزی NYISO، بیش از دوازده تجهیز WTG ی مختلف (از WECC ی انواع 1 تا 4) تحت مطالعه قرار گرفته‌اند. لیست سازنده‌ها به قرار زیر است اما محدود به همین شرکت‌ها نیست، Clipper, Gamesa, GE Energy, Nordex, REpower, Siemens, Suzlon و Vestas. مطالعات عددی در این مطالعه وابسته به تعداد این تجهیزات می‌باشد.
علی‌رغم این که بیشتر WTG های مورد نظر بر اساس مدل‌های خاص شرکت‌ها بیان شده‌اند (که توسط سازنده‌های تجهیزات ارائه شده است)، اما برای سایر WTG ها، مدل‌های موجود در کتابخانه PSS/E Wind به کار رفته است. به جز دو استثنا، هیچ سیستم کنترل سطح واحدی ارائه نشده است که دلیل اصلی و آن نیز عدم وجود ابزارهای شبیه‌سازی است.

D. علامت‌گذاری سطوح بار WPP
به منظور ساده‌سازی، سطوح بار بررسی شده برای WPP-j به صورت Pj = Prj/nj تعریف شده‌اند که در و آن j = 1, nj = 2 و یا nj = 4. به عبارت دیگر، تنها خروجی‌های توان اکتیو مشخص شده توسط پارامتر λj = Pj/Prj = 1/nj در نظر گرفته شده است. نسبت Prj مربوط به WPP-j به صورت یک نسبت توان اکتیو مربوط به WTG های منفرد تعریف شده است که در تعداد WTG ها ضرب شده است.
شکل 2 سطوح بار λj = 1, λj = ½ , λj = ¼ را با استفاده از یک منحنی نمونه از WTG P(vW). نشان می‌دهد. در این جا، P بیانگر توان اکتیو خروجی از یک WTG ی خاص تحت شرایط حالت دائم سرعت باد vW است. v’’, v’’ و v’’’ نیز به ترتیب مقادیر سرعت کات این، سرعت نامی و سرعت کات اوت هستند.

خروجی جزوی با nj = 2 و یا nj = 4 را می‌توان حداقل به دو روش به دست آورد: با توزیع تمامی WTG های یک WPP در سطح 1/nj و یا با حفظ آنلاین 1/nj WTG ی توزیع شده در شرایط خروجی کامل. به منظور انجام این مطالعه، تنها موقعیت اول در نظر گرفته شده است.
بر اساس عملکرد تحت شرایط خروجی کامل ((nj = 1): در حالت کلی، اگر سرعت باد vW بین مقادیر خروجی نامی v’’ و سرعت کات اوت v‘’’ باشد، در این صورت اختلاف مختصری بین پاسخ دینامیکی WP بسته به سرعت دقیق باد وجود خواهد داشت. اما انتظار می‌رود که مدل‌های پایداری WTG ی اعمال شده نتوانند این پدیده را به وجود آورند.
از نقطه‌نظر پخش توان PSS/E، قابلیت توان رأکتیو یک WTG ی معادل توزیع شده در سطح λi به‌گونه‌ای تنظیم می‌شود که ضریب قدرت در ترمینال‌های WTG بین +0.95 و -0.95 باشد (به‌جز برای تجهیزاتی که در مود ضریب قدرت ثابت عمل می‌کنند).

E. معیار ارزیابی
در ارزیابی نتایج شبیه‌سازی رویدادهای احتمالی، مشخصه‌های زیر در پاسخ دینامیکی WPP در نظر گرفته شده‌اند: مودهای نوسانی اصلی (میرا سازی و فرکانس این مودها)، ماکزیمم تغییرات متغیرها، زمانی که طول می‌کشد که حالت گذرا رفع شود، و قابلیت رسیدن به حالت دائمی پیش از رویداد احتمالی. از نظر قابلیت FRT ی WPP، رویدادهای تریپ شدن در مرکز توجه قرار دارند.

3. سازمان‌دهی شبیه‌سازی‌ها
برای هر مورد مطالعه‌ای، مطالعات عددی شامل شبیه‌سازی‌هایی با حداقل دو مکان خطا و زمان رفع خطای Tc بیش از 30 سیکل فرکانس اصلی (60 Hz) می‌شود.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

3. مجموعه قوانین شبکه‌های بین‌المللی
قوانین شبکه، [8-10] معمولا شامل فصل‌هایی در مورد پشتیبانی استاتیکی شبکه، پشتیبانی دینامیکی شبکه و حفاظت شبکه می‌باشد. پشتیبانی استاتیکی شبکه در مورد کنترل توان اکتیو و راکتیو در مجموعه مقادیر مشخص بوسیله اپراتور شبکه یا توابع کنترلی می‌باشد .

A. مقررات بین‌المللی FRT
در پشتیبانی دینامیکی شبکه، بسیاری از قوانین بین‌المللی شبکه بین ژنراتورهای سنکرون (نوع 1) و دیگر ژنراتورها (نوع 2) به عنوان مثال اینورترهای بادی و PV تمایز قائل شده‌اند. بیشتر قوانین شبکه ژنراتورهای نوع 2 رفتاری را برای جریان‌های اکتیو و راکتیو با مقادیر مشخص در طول خطا توصیف می‌کنند.

ولتاژ خطا – توان عبوری از خط انتقال در امپدانس‌های مختلف خطا، رنگ‌های مختلف خطها حالات مختلف بهره‌برداری PV را نشان می‌دهند. در تغذیه خازنی (سبزرنگ) ولتاژ بطور موثری پشتیبانی شده است و تاثیر آن بر بارها/مصرف کنندگان مجاور حداق شده است.
پس از خطا، زمان‌های پاسخ توصیف می‌کنند که چقدر سریع واحد تولید باید به نقطه کار خود قبل از خطا برگردد. اغلب این شرایط با جزئیات کامل نیستند و به جای استفاده از ظرفیت منابع الکترونیک قدرت به سمت کاهش تاثیر آن‌ها رفتار می‌کنند. برای مثال، شرایط برای خطای سه فاز (متقارن) داده شده‌اند نه باری خطاهای غیرمتقارن متداول.
عموما در بیان، شرایط FRT بر خلاف حفاظت شبکه هستند. ابتدا به گونه‌ای عمل می‌شود که واحدهای تولید متصل به شبکه بمانند، درحالی که حفاظت شبکه به دنبال هدفی برعکس یعنی قطع آن‌ها از شبکه می‌باشد. این دو تابع متضاد با یکدیگر عموما با ثابت‌های زمانی مجزا از یکدیگر هستند.
نیازمندی‌ها برای شبکه‌های با الکترونیک قدرت غالب، مانند محدودیت تغییرات توان، مد جابجا کننده فاز در بار، کنترل اولیه، تعادل سه فاز (کنترل توالی منفی)، میرایی نوسانات هارمونیکی، قابلیت راه‌اندازی مجدد، حالت بهره‌برداری جزیره‌ای، سنکرون‌سازی پس از جزیره‌ای شدن و تداخلات ارتباطی هنوز باید توسعه یابند.

4. محاسبه امپدانس نقطه اتصال به شکه
امپدانس شبکه، برای هر عنصر الکتریکی متصل به شبکه نشان داده می‌شود (ژنراتورها، بارها، ترانسفورماتورها، کابل‌ها و…). همه آن‌ها باهم یک امپدانس مختلط را شکل می‌دهند که عموما دارای نقطه رزونانس است. در اکثر حالات، تنها امپدانس شبکه در فرکانس 50 Hz مشخص است. در این قسمت یک روش تحلیلی ارائه می‌شود تا وابستگی‌های اساسی نقاط رزونانس به نقاط اتصال شبکه و خصوصیات اینورترها شناسایی شود. در مرحله برنامه‌ریزی واحدهای بادی و خورشیدی، اکثرا امپدانس شبکه بصورت انحصاری برای محاسبه حداکثر توان قابل نصب مورد استفده قرار می‌گیرد. تاثیر امپدانس شبکه بر میرایی هارمونیک‌ها، فعل و انفعالات اینورترهای شبکه و در نتیجه بر نقاط رزونانس اغلب ناچیز در نظر گرفته می‌شوند.
A. محاسبه رزونانس فیلتر LCL شبکه
بمنظور صحبت در مورد رزونانس‌های نقطه اتصال شبکه در یک واحد PV شکل 3 استفاده می‌‌شود. بخش‌های الکترونیک قدرت اینورترها با نمادهای در شکل 3 نشان داده شده‌اند. ولتاژهای خروجی از IGBT به شکل مستطیل بوسیله فیلتر LC اینورترهای داخلی فیلتر می‌شوند . استفاده تنها از یک فیلتر LC داخلی در عمل برای گسترش فیلتر با اندوکتانس نشتی ترانسفورماتور تغذیه به یک فیلتر LCL ، بسیار رایج است.
در مرحله اول، امپدانس شبکه، تنها با امپدانس مشخص می‌شود. تاثیر خازنی کابل‌ها و خطهای هوایی بعدا بوسیله خازن مدل خواهد شد. برای ساده‌سازی محاسبات تمام عناصر مقاومتی صرفنظر می‌شوند.
در آزمایش‌ها، مشابه اندازه‌گیری‌های تئوری، مشخص شد که الگوریتم‌های کنترل اینورترها همیشه در محدوده تغییر نقطه رزونانس پایدار نیستند. نتیجه پایداری نامناسب بین مقادیر بزگتر از هارمونیک‌ها تغییر می‌کند یا با قطع چندین اینورتر این نتیجه ضعیف‌تر می‌شود. در خطی که تلفات تغذیه، خرابی اینورترها یا خروج‌های ناخواسته عناصر سیستم با خطاهای شبکه رخ می‌دهند، بمنظور تضمین یک بهره‌برداری پایدار از واحدهای PV تعداد واحدهای موازی و محدوده امپدانس شبکه باید در طول ایجاد فیلتر شبکه و طراحی کنرل‌کننده جریان اینورترها در نظر گرفته شوند. بعلاوه، روش‌های میرایی اکتیو می‌تواند استفاده شوند.

D. تاثیر متوسط ولتاژ کابل‌کشی بر رزونانس فیلتر LCL
خازن کابل، در شکل 3 نشان داده شده است، که یک نقطه رزونانس دوم به تابع انتقال اضافه می‌کند. بدلیل فاصله کم بین ایستگاه‌های اینورتر در واحد PV بخش‌های سری می‌توانند صرفنظر شوند و مدار معادل را می‌توان بصورت یک خازن موازی متصل ساده نمود. برای محاسبه مقدار کل طول کابل با سطح ولتاژ متوسط در نظر گرفته می‌شود.
هر دو تخمین به همراه شکل 6 نشان می‌دهند که برای کابل با مقدار بزرگتر، نقاط رزونانس مجددا به مقدار فرکانس‌های پایین‌تر تغییر می‌کنند. نقطه رزونانس می‌تواند در محدوده فرکانس کلیدزنی اینورتزهای مرزی باشد.
محاسبه میرایی تابع انتقال در نقاط رزونانس بدلیل اینکه بخش‌های مقاومتی نامعلوم هستند، دشوار می‌باشد. قبلا ذکر شد که جریان‌ها برای شارژ خازن کابل ولتاژ متوسط در حالت عدم وجود منابع بادی محدودیت‌ها برای هارمونیک‌ها را نقض می‌کند.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

3. مدل سیستم
A) معماری سیستم ابری تلفن‌همراه
محاسبات ابری تلفن‌همراه ترکیبی از تلفن‌همراه و محاسبات ابری است و یک محیط محاسبات ابری از طریق دستگاه‌های مختلف تلفن‌همراه ارائه می‌دهد. بااین‌حال، توجه به مشکلاتی از قبیل عدم تجانس میان دستگاه‌های تلفن‌همراه، پهنای باند شبکه پایین و اتصال بسیار متناوب، ادغام دستگاه‌های تلفن‌همراه به‌طور مستقیم با محیط‌های ابری تلفن‌همراه دشوار است. جهت وساطت بین دستگاه‌های تلفن‌همراه و شبکه‌های سیمی، از یک پروکسی استفاده شده است. نقش میان‌افزار ابر تلفن‌همراه به شرح زیر است: مکمل عملکرد ناکافی دستگاههای تلفنهمراه، اتصال دستگاههای تلفن‌همراه به یک پلت‌فرم ابر و مدیریت دستگاه‌های تلفن‌همراه. معماری ابر تلفن‌همراه در شکل 1 ارائه شده است. تابع هر مولفه به شرح زیر است.
میان‌افزار ابر تلفن‌همراه شامل زمانبندی کار، مدیریت تحمل خطا، مدیریت کار و مدیر مانیتورینگ است. مدیریت نظارت تصمیم می‌گیرد درفواصل زمانی اطلاعات جمع‌آوری شده توسط منابع تلفن‌همراه را نظارت کند. مدیر کار عملیات کار را در یک دستگاه تلفن‌همراه مدیریت می‌کند و زمانبند کار به منابع تلفن‌همراه با توجه به اطلاعات نظارت کار اختصاص می‌دهد. مدیریت تحمل خطا خطا را پیش‌بینی می‌کند و تکنیک‌هایی مانند بازرسی و تکرار عرضه می‌کند.

دستگاه تلفن‌همراه شامل ماژول اتصال، ارائه‌دهنده‌ی نظارت و ماژول اجرای کار است. ماژول اتصال انواع شبکه‌ها را برای ایجاد اتصال به ارائه‌دهنده میان‌افزار ابر مدیریت می‌کند. ماژول نظارت، اطلاعات حالت دستگاه‌های تلفن‌همراه را جمع آوری می‌کند و اطلاعات حالت منابع را به مدیریت نظارت می‌فرستد. ماژول اجرای کار، کارهای دریافت شده از مدیریت کار را اجرا می‌کند و نتیجه‌ی پردازش را به مدیریت کار می‌فرستد.

B) استفاده از الگوی دستگاه‌های تلفن‌همراه
در یک محیط تلفن‌همراه (LAN، شبکه 3G و غیره) اتصالات شبکه عمدتا دردسترس است، اما برخی مناطق وجود دارد که در آن اتصال به شبکه مانند مناطق زیرزمینی و کوهستانی غیرممکن است، تحقیقات قبلی [13] [ 14] استفاده از تلفن‌همراه در محیط WLAN را برای محیط‌های تلفن‌همراه تجزیه‌وتحلیل کرده‌اند، که به‌طورکلی در مدارس و یا شرکت است و نشان می‌دهد که یک الگوی استفاده از دستگاه‌های تلفن‌همراه در طول زمان وجود دارد. Song و Yu [15] نشان دادند که یک الگوی استفاده از دستگاه‌های تلفن‌همراه وجود دارد. داده‌ها از شبکه‌های بی‌سیم دانشگاه دارتموث به مدت 6 ماه بین دسامبر 2005 تا می 2006 جمع‌آوری شده است.
در این مقاله ما الگوهای از [15] استفاده کردیم، که اطلاعات نظارت از دستگاه‌های تلفن‌همراه از یک دانشگاه به دست آمده بود. شکل زیر الگوی استفاده شده توسط تیم تحقیقاتی ما را نشان می‌دهد.

4. مدل‌سازی نظارت زنجیره‌ی مارکوف
A) تعریف اطلاعات منابع
قدرت پردازنده، حافظه، پهنای باند شبکه و محل، نمونه‌هایی از تغییر پویای اطلاعات منابع دستگاه‌های تلفن‌همراه می‌باشد. اطلاعات جمع‌آوری شده از دستگاه‌های تلفن‌همراه برای محاسبه‌ی نرخ مصرف از هر منبع ابر تلفن‌همراه استفاده می‌شود. استفاده از CPU و استفاده از حافظه توسط فرمول زیر محاسبه می‌شود.

زیر نویس “util” نشان‌دهنده‌ی میزان استفاده از یک منبع است، “user” نشان‌دهنده‌ی میزان استفاده از یک کاربر، “sys” نشان‌دهنده‌ی میزان استفاده از یک سیستم، “cache” نشان‌دهنده‌ی میزان استفاده از حافظه کش، “tital” نشان‌دهنده‌ی حداکثر میزان استفاده در دسترس است.
پهنای باند شبکه به معنای پهنای باند باقی‌مانده‌ی محاسبه شده با کم کردن استفاده از ترافیک شبکه از حداکثر پهنای باند دردسترس است. که با توجه به استفاده از ترافیک شبکه در یک فاصله‌ی ثابت تغییر می‌کند. بنابراین، اطلاعات پهنای باند شبکه برای محاسبه‌ی میزان استفاده از پهنای باند شبکه (Nutil) مورد استفاده قرار می‌گیرد.

Nbw پهنای باند دردسترس در زمان t، C ظرفیت حداکثر پهنای باند دردسترس است، و یک ترافیک شبکه است.
اطلاعات محل از اطلاعات GPS و فاصله ارزش مکانی فعلی از ارزش AP (Access Point) محل محاسبه می‌شود. ارزش مخفف فاصله بین مرکز منطقه AP و مکان فعلی است.

Lper نرخ فاصله بین مرکز منطقه AP و مکان فعلی است، Llim پوشش ارتباطات از راه دور از AP، Lcan مرکز AP منطقه فعلی Lcur مکان فعلی از منابع است.

B) مدل‌های زنجیره‌ای مارکوف برای پیش‌بینی خطاها
اطلاعات حالت مانیتور شده را می‌توان به 3 دسته از احتمال خطا تقسیم‌بندی کرد. هر حالت به‌صورت زیر تعریف می‌شود: یک عمل دردسترس و حالت بدون خطا (حالت پایدار)، یک عملیات دردسترس و حالت خطای ممکن (حالت ناپایدار) و یک حالت عملیات دردسترس با توجه به خطا و یا قطع ارتباط شبکه (حالت غیرفعال). سه مقدار حالت براساس نرخ استفاده از پردازنده (Cuti) تعیین می‌شود، این طبقه‌بندی از راهنمای استفاده از پردازنده IBM نتیجه می‌شود [16].

مدل زنجیره‌ای مارکوف (MCM) معمولا به‌عنوان یک ماتریس که در شکل 5 نشان داده شده تعریف می‌شود. در ماتریس P در شکل 5، دولت SSTI به‌معنی حالت پایدار در زمانI است. بنابراین، امکان هر حالت در زمان I به‌صورت PSstI، PUstI و PDstI نوشته می‌شود.

C) تخمین احتمال انتقال
اگر داده‌های ظبط شده‌ی قبلی کافی نباشد دوحالت برای تخمین احتمال انتفال وجود دارد. یکی تخصیص مقدار ذهنی و دیگری به‌دست آوردن احتمال انتقال بااستفاده از داده‌های آماری است. در این مقاله اطلاعات حالت قبلی از روز یکسانی از هفته‌ی قبلی به‌دست می‌آید. ما از تابع با بیشترین احتمال برای به‌دست آوردن احتمال انتقال از داده‌های جمع‌آوری شده استفاده می‌کنیم.

Vi احتمال انتقال ( P_(S_st IS_st J)) است که هرحالت در زمان I به هر حالت در زمان J منتقل می‌شود. Xi و yi اعدادی هستند که هر اتنقالی اتفاق می‌افتد. برای مثال xi تعداد انتقال‌ها از Sst به Dst است. K تعداد حالات گذشته را که به ارزش وضعیت فعلی بستگی دارد نشان می‌دهد. ارزش تخمینی که به‌طورموثر منعکس‌کننده‌ی الگوهای گذشته N است را می‌توان با مقدار احتمال انتقال از بزرگترین ارزش P به دست آورد.

D) بهبود وقوع
دقت شکست می‌تواند با احتمال حالت هر بازه نظارت پیش‌بینی شود. به‌منظور بهبود دقت پیش‌بینی، ارزش محتمل‌ترین و مسیر وضعیت مطلوب استخراج شده و انتقال حالت با استفاده از الگوریتم ویتربی [17] محاسبه می‌شود. احتمال تمام مسیرها در حالت پیش بینی (PS) می‌توان با ضرب جلو (FI) و ضرب عقب مانده (BT) محاسبه شود. ضرب جلو به‌صورت زیر محاسبه می‌شود.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

اس پاندی [2] یک روش برنامه ریزی اکتشافی برای بهینه سازی هزینه های نقشه برداری منابع وظیفه بر اساس راه حل از روش بهینه سازی ازدحام عملی ارائه داد، PSO تاثیر الگوریتم هوشمند توسط رفتار اجتماعی حیوانات مانند یک گله از پرندگان در حال پیدا کردن یک منبع مواد غذایی و یا یک دسته ماهی درحال دفاع از خود در برابر شکارچی است. یک ذره در PSO شبیه به یک پرنده و یا یک ماهی است که در یک فضای جنبش تحقیق هر ذره از یک سرعت حرکت هر یک از ذرات تشکیل شده است که و با سرعتی هماهنگ است که دارای بزرگی و جهت است. هر موقعیت ذرات در هر نمونه از زمان تحت تاثیر بهترین موقعیت و بهترین جایگاه ذرات در یک فضای مسئله است. عملکرد یک ذره با یک مقدار تناسب اندازه گیری می شود که مختص مسئله است. ارزش تناسب در این الگوریتم استفاده می شود که بهترین موقعیت برای ذرات است. PSO یک روش اکتشافی برنامه ریزی برای نرم افزار برنامه ریزی پویا است.
وینسنت سی امیکاروا [3] یک روش اکتشافی برنامه ریزی با هدف تخصیص برای ماشین های مجازی بر اساس مدت سطح SLA و شرایط آن ارائه داد. این امر بر استقرار منابع فیزیکی بر اساس قابلیت دسترسی منابع تمرکز دارد، به طوری که نقض SLAرا با استفاده از این روش کاهش می دهد. یک متعادل کننده بار یکپارچه برای بهره برداری از منابع بالا و کارآمد در محیط محاسباتی ابری فراهم می کند. الگوریتم استراتژی تعادل بار محلی فراهم می کند و پدیده تخصیص منابع جهانی برای بهره برداری از منابع بهتر در محیط ابری است.
چاندراشخار اس. پاوار [4] نشان دهنده یک الگوریتم برای اولویت مبتنی بر استراتژی تخصیص منابع پویا در محیط ابری است، برنامه ریزی اصلاح شده اکتشافی برای اجرای بالاترین اولویت را فراهم می کند که به عنوان AR (رزرو پیشرفته) برای ممانعت از بهترین کار تلاش پیشدستانه است. این الگوریتم اجرای مناسب در محیط چند ابری را ارائه می کند. می توان در مجموعه ای متفاوت از مشاغل بیش از اجرای ابر های متعدد آن را اجرا کرد. درخواست های مختلف را می توان در حالت AR برای اهدافSLA اجرا کرد.
ژن شیائو [5] طراحی و پیاده سازی یک سیستم مدیریت منابع خودکار را ارائه می دهد که می تواند برای جلوگیری از بار بیش از حد در سیستم باشد، در حالی که با به حداقل رساندن تعداد سرور های استفاده شده، مفهوم اندازه گیری چولگی کارکرد تبدیل سرور و کارکرد اصلاحی محدودیت منابع چند بعدی را معرفی می کند. یک الگوریتم پیش بینی بار که می تواند آینده کاربردهای منابع برنامه بدون جزئیات داخلی را حدس بزند، طراحی کنید.
دوریان مینارولی و برند فریزلبن تخصیص منابع VM در محاسبه ابری از طریق کنترل فازی چند عامل با متمرکز بر منبع پویایی تخصیص VM محلی بر روی هر دستگاه فیزیکی یک ارائه دهنده ابری و در نظر گرفتن حافظه و CPU به عنوان منبع ارائه دادند که می تواند مدیریت شود. کنترل فازی برای کوچک کردن یک تابع مطلوبیت جهانی به عنوان n یک محاسبه سریع اکتشافی بر اساس قوانین فازی اجرا شد. ملاحظات مسئله این است که چگونه منابع از یک ارائه دهنده ابری باید VM را به صورت پویا دوباره تخصیص دهد که تغییرات بارکاری برای نگه داشتن عملکرد با توجه به SLA است.

3. استراتژی برنامه ریزی و مسائل طراحی
در این بخش ما نموداری بر اساس محیط ابری و برنامه ریزی اکتشافی پیشنهاد می دهیم. الگوریتم پیشنهادی ما به طور کلی در منابع SLA بر اساس تأمین و برنامه ریزی تطبیقی آنلاین برای قابلیت پیشدستی پیشرفته به منظور اجرای وظیفه است. دو گام اساسی برای استفاده موثر از منابع ابری مورد نیاز است که به اهداف SLA می رسد.

A. تخصیص منابع و استقرار نرم افزار
سه نوع لایه وجود دارد که ترکیبی برای استفاده در تأمین منابع برای سرویس درخواست کاربر است. به طور کلی به عنوان مدل های سرویس در محاسبات ابری شناخته شده است. IaaS، SaaS و PaaS.

در “شکل 1” چگونگی ارتباط با مشتری ابری با ارائه دهنده ابری برای استفاده از خدمات مختلف را نشان می دهد. شرایط SLA و شرایط باید برای اولین بار تامین شود. سه نوع لایه در نمودار آورده شده وجود دارد: لایه خدمات، لایه کنترل و لایه های منابع فیزیکی. لایه کنترل منابع تخصیصی و مجازی سازی، لایه منابع شامل منابع فیزیکی درون یک ابر، لایه خدمات شامل سه نوع از خدمات IaaS، PaaS و SaaS را کنترل می کند.
SaaS (نرم افزاری به عنوان یک سرویس) برنامه های کاربردی و نرم افزار مورد در خواست کاربر را تحویل می دهد که توسط شخص ثالث اداره می شود. در هر مرحله شامل برنامه های کاربردی، مجازی سازی، زمان اجرا، QOS، سرور و مدیریت ذخیره سازی توسط فروشنده است.
PaaS (پلت فرمی به عنوان یک سرویس) پلت فرمی را به برای توسعه نرم افزار، با استفاده از سرویسهای Paas پلت فرم با توجه به درخواست کاربر برای هدف توسعه ارائه شده تحویل می دهد.
IaaS (زیرساخت به عنوان سرویس( منابع محاسباتی در مورد در خواست کاربر ارائه می کند؛ مانند فیزیکی یا VM ها، ذخیره سازی مبتنی بر فایل، متعادل کننده بار و فایروال.
تامین ابر و مدل استقرار نرم افزار [3] در شکل [2] نشان داده شده است. از سه نوع مدل خدمات ترکیب شده اند. در هر لایه، شامل مسئولیت هایی برای تأمین منابع برای رسیدن به اهداف SLA است. همانطور که در شکل [2] مشتری درخواست های خود را به پورتال خدمات می دهد (مرحله 1). پورتال خدمات درخواستی آنها را برای پردازش و بخش مدیریت برای بررسی اعتبار سنجیمی گذراند (مرحله 2). اگر درخواست اعتباری داشته باشد، پس آن را باید برای زمانبندی به جلو فرستاد و متعادل کننده بار را تأمین برای منابع مناسب فرستاد(مرحله 3). متعادل کننده بار موتور تأمین لایه PaaS برای انتخاب VMمناسب است و تأمین خدمات در حال اجرا مجازی ماشین آلات را متعادل می کنند (مرحله 4). لایه مجازی سازی برای مدیریت ماشین مجازی و تعامل با منابع فیزیکی با استفاده از لایه laas موتور تامین استفاده می شود )مرحله 6 ).
ماتریکس منابع سطح پایین و منابع فیزیکی در لایه IaaS با چارچوب LoM2HiS نظارت می شوند (مرحله 6). اگر نقض SLA رخ دهد، اقدامات واکنشی توسط تکنیک های پایگاه داده دانش در FoSII (مرحله 7) ارائه می شوند. وضعیت خدمات درخواستی و اطلاعات SLA با پورتال خدمات مجدداً ارتباط بر قرار می کنند (مرحله 8(.
تأمین ذخیره را می توان در تک لایه به تنهایی انجام داد. اما روش و الگوریتم ما برای ارائه استراتژی برنامه ریزی منابع یکپارچه هدفمند شده است. بنابراین ما سه لایه را در نظر می گیریم. لایه LaaS مسئول مدیریت منابع فیزیکی است. لایه PaaS مسئولیت گسترش و مدیریت VM است که با منابع فیزیکی با توجه به توافق SLA با مشتریان نقشه کشی می شود.

در شکل 3 برنامه ریزی منابع محلی و جهانی بین ابرها متعدد نشان داده شده است، همانطور که در برنامه ریزی ابر دیدیم، n عدد از کاربران وجود دارند که می تواند هر گونه درخواست زمان برای تامین کننده ابری ارائه دهند، اگر تمام منابع ابر فعلی در یک زمان مشغول باشند و درخواست جدید با اولویت بالا برسد، پس ارائه دهنده ابر باید درخواست را در لیست انتظار قرار دهد، بنابراین در اینجا یک راه حل ارائه شده در این الگوریتم برای برنامه ریزی و توزیع درخواست کاربر بطور موثر در سراسر ابرها و پیشدستی منابع از اولویت کم به اولویت بالا وجود دارد. الگوریتم ارائه شده همچنین قادر به بررسی تحمل خطا در سیستم ابری است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. معماری DTMS و اجزا آن
شکل 2 معماری سیستم را با استفاده از نمودار اشیا (زبان مدل‌سازی UML) نشان می‌دهد.
تصویر نشان می‌دهد که چگونه اجزا از یکدیگر به صورت محلی و یا از راه دور استفاده می‌کنند. یک سایت شامل اجزائ زیر است: Transaction، Model، Persistence، Topology، Replication و Database. جزء Client متعلق به سایت نیست. مشتری می‌تواند متصل به یک سایت دلخواه باشد. لطفا توجه داشته باشید که ارتباطات از راه دور بین اجزای از نوع یکسان برقرار است (به عنوان مثال. Replication محلی و Replication از راه دور). همانطور که در سمت راست نشان داده می‌شود، اجزاء Model و Transaction متعلق به جنبه‌ی توزیع هستند، جزء Persistence به جنبه تداوم و Topology و Replication به جنبه تکرار از معماری برمی‌گردد.
مدل. مولفه Model شامل مدل VCS است. این مدل
• پیچیده است، به عنوان مثال شامل بسیاری از کلاس‌ها، حالات کوچک شی و چند حالت شی در هر کلاس است.
• نیاز به اعتبارسنجی پیچیده دارد، به عنوان مثال بسیاری از محدودیت‌های الگوریتم که شامل بسیاری از حالات شی است.
• نیاز به عملیات پیچیده خواندن مربوط به بسیاری از اشیا، به‌عنوان مثال جمع‌آوری اطلاعات برای پیکربندی VCS.
هر مدل شی دارای یک سیستم گسترده ID منحصر به فرد است. هر کلاس دارای یک کارخانه در ارتباط است، که می‌تواند با نام کلاس (مانند سرویس نامگذاری) تخصیص یابد. کارخانه اشیاء را ایجاد و حذف می‌کند. کارخانه محدودیت اشیا را تایید می‌کند.
اشیاء و کارخانه‌ها در اجزاء Transaction ثبت‌نام می‌کنند. اشیاء حالت سریال شی خود را در Persistence ذخیره می‌کنند. توپولوژی جستجوهای کارخانه برای سایت واکنش‌گرا فعلی و مقداردهی اولیه بر این اساس بااستفاده از مدل راه دور و یا تداوم محلی است. کارخانه‌ها منابع شی سازگار (IORها، اشاره بهCORBA) ارائه می‌دهند که اشاره به شی محلی و یا از راه دور مرتبط با ID یا پرس‌وجو دیگر دارد. کارخانه‌ها IORها را در اشیاء از راه دور و با برقراری ارتباط از راه دور با کارخانه به دست می‌آورند. مشتریان می‌توانند IORها را برای هر شیء در کارخانه به دست آوردند.
رفتار تراکنشی و پشتکار برای همه مدل‌های اشیاء الزامی است. بنابراین، تمام مدل‌های اشیاء متدهای validate()، commit()، rollback() و store() را پیاده‌سازی می‌کنند.
مشتری. جزء سرویس‌گیرنده فراخوانی در اشیاء را به‌صورت مدل محلی و یا از راه دور انجام می‌دهد، که در آن موقعیت فیزیکی مدل شئ برای مشتری شفاف است. تعداد دلخواهی از اجزای مشتری می‌توانند به صورت همزمان در مدل کار کنند. جزء مشتری و اتمام تراکنش‌ها در Transaction شروع می‌شود.
توپولوژی. جزء Topology یک لیست از همه سایت‌ها و در دسترس بودن آنها و اطلاعاتی در مورد سایت حاضر برای یک شی خاص است. که توسط Model و Transaction مورد نیاز است. بنابراین، Topology به دیگر اجزاء می‌گوید که در کدام سایت‌ها باید دنبال یک شی باشد.
تراکنش. جزء Transaction، مسئول تراکنش همزمان سریال است. commit()، rollback() و validate() را بر روی اشیاء در Model متعادل می‌کند، همچنین تراکنش را در persistence و مختصات تراکنش توزیع‌شده را از راه دور کنترل می‌کند (فاز 2 commit[3]).
در حال حاضر، کوچکترین واحد دانه دانه‌شدگی کل یک سایت است. از آنجا که انتظار نمی رود نوشتن تراکنش‌ها طول بکشد اعتبارسنجی شامل بسیاری از حالات شی از کلاس‌های مختلف است، که کافی است. ما بین تراکنش نوشتن و خواندن تمایز قایل می‌شویم.
ماندگاری. اجزاء Persistence حالات شی را با استفاده از جزء Replication بازیابی می‌کند. علاوه‌براین، روشی برای دسترسی به حالات شی در راه تراکنش‌ها، که از Transactionاستفاده می‌کنند فراهم می‌کند. Persistence بین حالات شی که به خانه در سایت‌های محلی اختصاص داده می‌شود و حالات شی که به خانه در یک سایت از راه دور اطلاق می‌شود تفاوتی قائل نیست، اما همیشه به ادامه و بازیابی اجزاء Persistence محلی اصرار دارد. کارخانه‌ها همیشه Persistence محلی خود را برای بازیابی حالات شی همچنان ادامه می‌دهند. یک شی همچنان به ارائه شناسه خود ادامه می‌دهد.
پایگاه داده. جزء پایگاه‌داده اساسا برای ذخیره‎‌سازی ثابت کپسوله شده است و توابع اولیه‌ای برای ادامه و بازیابی داده‌ها فراهم می‌کند. همچنین ممکن است پایگاه داده محلی را در محفظه‌ای برای دسترسی بالا نگه دارد.
تکرار. جزء Replication در قلب معماری قرار دارد و الگوریتم تکرار را پیاده‌سازی می‌کند. که پروتکل تکرار را براساس Replication سایت‌های دیگر برای انتشار حالات شی، جهت ساخت حالات شی و محاسبه آمادگی شی انجام می‌دهد. و از جزء Database برای ادامه اطلاعات به صورت محلی استفاده می‌کند و روشی برای دسترسی به حالت شی ذخیره شده فراهم می‌کند.

3. مطالب فراگرفته شده
ما مهم‌ترین مطالب را با تمرکز بر روی جنبه‌های مفهومی به جای جزئیات پیاده‌سازی و یا یافته‌ها در مورد محصولات COTS و ابزار ارائه می‌دهیم.
معناشناسی روش‌ها در مقابل خواندن/نوشتن: مقدار قابل توجهی نظریه در مورد موضوع روش بهره‌برداری معناشناسی به‌منظور افزایش در دسترس بودن برخی از روش‌ها وجود دارد (به‌عنوان مثال [8]، که در آن “روابط تقاطع” جریان اطلاعات را میان توابع فراخوانی می‌کند). در عمل، ما قادر به استفاده از هر روش طبقه‌بندی نسبت به روش خواندن و روش نوشتن، به ویژه با توجه به موارد استفاده مشترک نیستیم. به غیر از افزایش قابل توجه پیچیدگی اجرا (یک روش تکرار در نظر بگیرید، که در مورد روش معناشناسی هر نوع شی و محاسبه در دسترس بودن اشیاء می‌داند) سیستمی غیر قابل درک از نقطه نظر کاربران ارائه می‌دهد.
نگاشت هویت شی به مرجع شی: به‌دست آوردن مرجع شی (به‌عنوان مثال محل یک شی) با توجه به شناسه شیء (به‌عنوان مثال نام شی) همیشه از نگرانی برخوردار است اگر اشیاء خارج از فرآیند یا حتی از راه دور باشند (در مقایسه با سرویس نامگذاری CORBA [1] و یا نامگذاری جاوا و رابط راهنما [2]). بنابراین چنین سرویس نامگذاری نیاز به تداوم اساسی دارد، اگر اشیاء در مکان‌های مختلف با توجه به سناریوی تخریب خاص زندگی کنند این موضوع پیچیده می‌شود. از یک طرف، اطلاعات سرویس نامگذاری در مورد ارجاع اشیاء حفظ می‌شود (که در آن یک مرجع محل اسیا را تعیین می‌کند)، از سوی دیگر، جزء تکرار تصمیم می‌گیرد که اگر تخریب رخ دهد اشیاء نمونه کجا قرار گیرند. بدین ترتیب، نگاشت شناسه به مرجع بسیار وابسته به مکانیسم‌های زیر بنایی برای ارائه تحمل‌پذیری خطا است. علاوه‌براین، سرویس نامگذاری با خرابی امن باید در هر سایت و در هر زمان دردسترس باشد، چراکه سرویس نامگذاری باید خودش تحمل‌پذیری خطای بالایی داشته باشد.
در این مطالعه، یک شناسه شی با استفاده از دو مرحله ارائه می‌کنیم. در ابتدا، جزء توپولوژی برای سرویس نامگذاری حاضر پرس‌وجو می‌کند (کارخانه‌ها در DTMs)، که می‌تواند بسته به سناریوی تخریب به صورت از راه دور یا محلی باشد. در مرحله دوم، در نهایت شناسه شی حل و فصل می‌شود.