In power transformer, Partial Discharge is a cause of insulation failure, and thus, procedures for the area of PD sources are required. In this paper, an endeavor has been made to present frequency response analysis (FRA) for the discovery of PD by identifying the parameters of the winding by the particule swarm optimization (PSO), and giving its impedance according to the frequency. Comparison between the frequency responses of healthy winding and the affected one the is made to detect the failure associate to the partial discharge.
PL
W transformatorach energetycznych wyładowania niezupełne są przyczyną uszkodzeń izolacji, dlatego konieczne jest opracowanie procedur wykrywania źródeł wyładowań niezupełnych. W niniejszym artykule podjęto próbę przedstawienia analizy odpowiedzi częstotliwościowej (FRA) w celu wykrycia PD poprzez identyfikację parametrów uzwojenia za pomocą optymalizacji rojem cząstek (PSO) i określenie jego impedancji w zależności od częstotliwości. Porównanie odpowiedzi częstotliwościowych uzwojenia zdrowego i uszkodzonego pozwala na wykrycie uszkodzenia związanego z wyładowaniem częściowym.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
W artykule opisano eksperymenty z doborem wzmocnień obserwatora zmiennych stanu silnika indukcyjnego przy wykorzystaniu metody optymalizacyjnej opartej na roju cząstek (PSO). W badaniach skupiono się na porównaniu różnych wersji algorytmu PSO, poddając optymalizacji funkcję celu o zawsze takich samych parametrach. Przeanalizowano trzy różne metody uczenia, GB (Global Best), LB (Local Best) oraz FIPS (Fully Informed Particle Swarm). Dwie ostatnie metody działają w oparciu o zadaną topologię roju, do wyboru spośród kraty pierścieniowej, kraty Von Neumanna oraz FDR (Fitness Distance Ratio). Przeanalizowano zagadnienia zbieżności i stabilności algorytmu, zależne od parametrów takich jak współczynnik uczenia.
EN
The paper describes experiments with the gain selection of an induction motor state observer, using particle swarm optimization (PSO) method. The research focused on comparing different versions of the PSO algorithm, optimizing the fitness function elaborated during preceding research. Three different learning methods were analyzed, GB (Global Best), LB (Local Best) and FIPS (Fully Informed Particle Swarm). The last two methods operate on the basis of a given swarm topology, to be selected from a ring lattice, Von Neumann lattice and FDR (Fitness Distance Ratio). The problems of convergence and stability of the algorithm, depending on parameters such as a cognition factor, were analyzed. The results for 1000 runs of PSO with 20 different sets of parameters were presented and compared.
Określenie optymalnego rozmieszczenia odwiertów eksploatacyjnych na złożu węglowodorów jest kluczowe dla jego efektywnej eksploatacji. Tak sformułowane zagadnienie stanowi złożony problem optymalizacyjny, którego rozwiązanie w postaci lokalizacji odwiertów zależy między innymi od sposobu zdefiniowania funkcji celu. W literaturze najczęściej występują dwie postacie funkcji celu: zysk bieżący netto (NPV) oraz sumaryczne wydobycie ropy naftowej. Rzadziej spotykana jest funkcja celu bazująca na równomierności sczerpania złoża. Artykuł jest poświęcony próbie zastosowania funkcji celu opartej na czasie wydobycia ropy ze stałą wydajnością (tzw. plateau). Optymalizację prowadzono dla sumarycznego wydobycia ropy oraz zysku bieżącego netto w czasie trwania fazy plateau. W tym celu zbudowano hybrydowy algorytm optymalizacyjny bazujący na optymalizacji rojem cząstek. Zastosowanie algorytmu hybrydowego łączącego trzy mechanizmy wynikało z jednej strony z konieczności poprawienia skuteczności podstawowej metody optymalizacyjnej, z drugiej zaś miało na celu ograniczenie tzw. przedwczesnej zbieżności. Cele te zostały zrealizowane poprzez wykorzystanie mapy potencjału produktywności oraz wprowadzenie mechanizmu mutacji. Optymalizację prowadzono dla dwóch różnych sposobów sterowania odwiertami: sterowania grupowego ze stałą wydajnością oraz sterowania indywidualnego. Zbudowany algorytm potwierdził efektywność, uzyskując wzrost wartości funkcji celu w stosunku do wartości pierwotnej od 40% do 300%. We wszystkich analizowanych przypadkach algorytm rozmieścił odwierty produkcyjne poprawnie, co do zasady. Odwierty zostały rozmieszczone w strefie ropnej w bezpiecznej odległości zarówno od kontaktu woda–ropa, jak i ropa–gaz, przy czym stwierdzono pewne różnice w zależności od przyjętej funkcji celu. Przeprowadzone symulacje potwierdziły możliwość zastosowania czasu trwania plateau jako funkcji celu dla optymalizacji położenia odwiertów produkcyjnych.
EN
Determining the optimal placement of production wells in a hydrocarbon reservoir is crucial for the effective exploitation. The problem formulated in this way is a complex optimization problem, the solution of which in the form of the location of the wells depends, inter alia, on the method of defining the objective function. Two forms of the objective function are most often found in the literature. These are the net pay value (NPV) and total oil production. The objective function based on the uniformity of the reservoir depletion is less common. The article is devoted to an attempt to apply the objective function based on the duration of oil production with a constant production rate (the so-called production plateau). The optimization was carried out for the total oil production and for the net pay value for the plateau period. The need to use a hybrid algorithm combining three mechanisms resulted, on the one hand, from the need to improve the effectiveness of the basic optimization method, and on the other hand, to reduce the so-called “premature convergence”. For this purpose, a hybrid optimization algorithm based on particle swarm optimization was built. These goals were achieved through the use of a productivity potential map and a mutation mechanism. Optimization was carried out for two different well control methods: group control with constant production rate and individual well control. The developed algorithm confirmed the effectiveness, obtaining an increase in the value of the objective function in relation to the original value from 40% to 300%. As a rule, the algorithm placed the production wells correctly in all analyzed cases. The well were located in the oil zone at a safe distance from both water-oil and oil-gas contacts, with some differences depending on the target function adopted. The simulations carried out confirmed the possibility of using the plateau duration as a function of the objective for optimizing the location of production wells.
Jednym z podstawowych elementów planu zagospodarowania złoża węglowodorów jest określenie liczby i położenia odwiertów eksploatacyjnych (produkcyjnych i zatłaczających). Należy jednak zauważyć, że zdecydowana większość prac poświęcona temu zagadnieniu opisuje proces optymalizacji położenia, a nie liczby odwiertów, przyjmując, że jest ona zadana arbitralnie. Wynika to z faktu, że znane i stosowane metody optymalizacyjne operują na stałej liczbie parametrów optymalizacyjnych, w związku z czym liczba odwiertów wydobywczych nie może zmieniać się w trakcie procesu optymalizacji. W artykule przedstawiono modyfikację podstawowej metody optymalizacyjnej uwzględniającą zmianę liczby odwiertów w czasie optymalizacji, przy czym optymalizacja położenia i liczby odwiertów przebiega równocześnie. Podstawową metodą optymalizacyjną w skonstruowanym algorytmie jest optymalizacja rojem cząstek (ang. PSO) – jedna z najbardziej efektywnych metod optymalizacji bezgradientowej, należąca do grupy metod stochastycznych. Została ona zmodyfikowana dla potrzeb przyjętego problemu optymalizacyjnego poprzez zmianę postaci funkcji celu oraz wprowadzenie zmiennej progowej, co pozwoliło na operowanie zmienną liczbą odwiertów. W celu poprawienia zbieżności algorytm uzupełniono o mechanizm mutacji oparty na mapie potencjału produktywności. Testy zbieżności metody przeprowadzone na przykładzie złoża testowego PUNQ-S3 wskazały na zadowalającą efektywność zaproponowanego rozwiązania. Algorytm potrzebował 150 iteracji i 750 wywołań funkcji celu, aby 2,5-krotnie zwiększyć początkową wartość NPV przy równoczesnej 3,5-krotnej redukcji liczby odwiertów produkcyjnych. Z kolei zastosowanie algorytmu do optymalizacji liczby i rozmieszczenia odwiertów zatłaczających przy zadanej liczbie konfiguracji odwiertów wydobywczych pozwoliło na zwiększenie zysku netto o 1/3 przy ponad 2-krotnej redukcji liczby odwiertów
EN
One of the basic elements of the hydrocarbon reservoir development plan is to determine the number and location of production and injection wells. However, it should be noted that most of the research works dedicated to this issue describe the process of placement optimization but not the number of exploitation wells assuming that it was an arbitrary set. This is partly due to the fact that known and used optimization methods operate on a fixed number of optimization parameters, therefore the number of production wells can not change during the optimization process. The paper presents modification of the basic optimization method taking into account the change in the number of wells during optimization. The optimization of the placement and number of wells run simultaneously. The basic optimization method in the constructed algorithm is particle swarm optimization (PSO) – one of the most effective methods of non-gradient optimization, belonging to the group of stochastic methods. It was modified for the needs of the adopted optimization problem by changing the form of the objective function and introducing the threshold variable which allowed to change the number of wells. In order to improve the convergence, the algorithm is supported by a mutation mechanism based on the productivity potential map. The convergence tests carried out based on the example of the PUNQ-S3 benchmark field showed the satisfactory effectiveness of the proposed solution. The algorithm took 150 iterations and 750 objective function calls to increase the starting NPV value by 2.5 times while reducing the number of production wells by 3.5 times. On the other hand, the use of the algorithm to optimize the number and placement of injection wells for a given number of production wells configuration allowed to increase the NPV value profit by 1/3 with a reduction of more than 2 times in the number of wells.
5
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Standard time is a key indicator to measure the production efficiency of the sewing department, and it plays a vital role in the production forecast for the apparel industry. In this article, the grey correlation analysis was adopted to identify seven sources as the main influencing factors for determination of the standard time in the sewing process, which are sewing length, stitch density, bending stiffness, fabric weight, production quantity, drape coefficient, and length of service. A novel forecasting model based on support-vector machine (SVM) with particle swarm optimization (PSO) is then proposed to predict the standard time of the sewing process. On the ground of real data from a clothing company, the proposed forecasting model is verified by evaluating the performance with the squared correlation coefficient (R2) and mean square error (MSE). Using the PSO-SVM method, the R2 and MSE are found to be 0.917 and 0.0211, respectively. In conclusion, the high accuracy of the PSO-SVM method presented in this experiment states that the proposed model is a reliable forecasting tool for determination of standard time and can achieve good predicted results in the sewing process.
The aim of the presented study is to investigate the application of an optimization algorithm based on swarm intelligence to the configuration of a fuzzy flip-flop neural network. Research on solving this problem consists of the following stages. The first one is to analyze the impact of the basic internal parameters of the neural network and the particle swarm optimization (PSO) algorithm. Subsequently, some modifications to the PSO algorithm are investigated. Approximations of trigonometric functions are then adopted as the main task to be performed by the neural network. As a result of the numerical verification of the problem, a set of rules are developed that can be helpful in constructing a fuzzy flip-flop type neural network. The obtained results of the computations significantly simplify the structure of the neural network in relation to similar conditions known from the literature.
Optimization of a sustainable supply chain network design (SSCND) is a complex decision-making process which can be done by the optimal determination of a set of decisions and constraints such as the selection of suppliers, transportation-related facilities and distribution centres. Different optimization techniques have been applied to handle various SSCND problems. Meta- heuristic algorithms are developed from these techniques that are commonly used to solving supply chain related problems. Among them, Genetic algorithms (GA) and particle swarm optimization (PSO) are implemented as optimization solvers to obtain supply network design decisions. This paper aims to compare the performance of these two evolutionary algorithms in optimizing such problems by minimizing the total cost that the system faces to potential disruption risks. The mechanism and implementation of these two evolutionary algorithms is presented in this paper. Also, using an optimization considers ordering, purchasing, inventory, transportation, and carbon tax cost, a numerical real-life case study is presented to demonstrate the validity of the effectiveness of these algorithms. A comparative study for the algorithms performance has been carried out based on the quality of the obtained solution and the results indicate that the GA performs better than PSO in finding lower-cost solution to the addressed SSCND problem. Despite a lot of research literature being done regarding these two algorithms in solving problems of SCND, few studies have compared the optimization performance between GA and PSO, especially the design of sustainable systems under risk disruptions.
8
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Coronary artery disease (CAD) can cause serious conditions such as severe heart attack, heart failure, and angina in patients with cardiovascular problems. These conditions may be prevented by knowing the important symptoms and diagnosing the disease in the early stage. For diagnosing CAD, clinicians often use angiography, however, it is an invasive procedure that incurs high costs and causes severe side effects. Therefore, the other alternatives such as data mining and machine learning techniques have been applied extensively. Accordingly, the paper proposes a recent development of a highly accurate machine learning model emotional neural networks (EmNNs) which is hybridized with conventional particle swarm optimization (PSO) technique for the diagnosis of CAD. To enhance the performance of the proposed model, the paper employs four different feature selection methods, namely Fisher, Relief-F, Minimum Redundancy Maximum Relevance, and Weight by SVM, on Z-Alizadeh sani dataset. The EmNNs, with addition to the conventional weights and biases, uses emotional parameters to enhance the learning ability of the network. Further, the efficiency of the proposed model is compared with the PSO based adaptive neuro-fuzzy inference system (PSO-ANFIS). The proposed model is found better than the PSO-ANFIS model. The obtained highest average values of accuracy, precision, sensitivity, specificity, and F1-score over all the 10-fold cross-validation are 88.34%, 92.37%, 91.85%, 78.98%, and 92.12% respectively which is competitive to the known approaches in the literature. The F1-score obtained by the proposed model over Z-Alizadeh sani dataset is second best among the existing works.
Determination of the optimal number and placement of production wells is crucial for the effective depletion of the hydrocarbon reservoir. Due to the strongly non-linearity of the problem and the occurrence of multiple local minimums in the response function the non-gradient optimization methods in combination with reservoir simulations are most commonly used for its solution. However, it should be noted that most of the research works dedicated to this issue describe the process of placement optimization but not the number of drilling wells assuming that it was arbitrary set. This is partly due to the fact that known and used optimization methods operate on a fixed number of optimization parameters, therefore the number of production wells can not change during the optimization process. The paper is dedicated to the attempt to build an algorithm that allows simultaneous optimization of the number and position of production wells with respect to the discounted profit in a given period of operation. The basic optimization method in the presented algorithm is the Particle Swarm Optimization (PSO) – one of the most effective non-gradient optimization methods that belongs to the group of methods applying the swarm’s intelligence. Taking into account the number of drilling wells in the optimization process means that the algorithm operates on a variable number of parameters. The objective algorithm starts optimization from an arbitrarily set number of producers, reducing it gradually. Efficiency tests conducted on the sample reservoir PUNQ-S3 indicated a satisfactory convergence of the proposed method. The computing program created implements the mechanisms of convergence enhancement by improving the boundary conditions for the optimization method. The minimum separation distance control between production wells was also introduced at the initial stage of optimization process. Although the algorithm is characterized by satisfactory convergence it would be advisable to improve it by using a hybrid method to increase its effectiveness in the local optimization phase and to introduce minimum well spacing during the entire optimization process.
PL
Określenie optymalnej liczby i położenia odwiertów eksploatacyjnych jest kluczowe dla efektywnej eksploatacji złoża węglowodorowego. Ze względu na silnie nieliniowy charakter problemu oraz występowanie w funkcji odpowiedzi wielokrotnych minimów lokalnych do jego rozwiązania najczęściej wykorzystywane są bezgradientowe metody optymalizacyjne w połączeniu z symulacjami złożowymi. Należy jednak zauważyć, że większość prac poświęconych temu zagadnieniu opisuje proces optymalizacji położenia, a nie liczby odwiertów, przyjmując, że jest ona dana arbitralnie. Wynika to po części z faktu, że znane i stosowane metody optymalizacyjne operują na stałej liczbie parametrów optymalizacyjnych, w związku z czym liczba odwiertów wydobywczych nie może zmieniać się w trakcie procesu optymalizacji. Artykuł jest poświęcony próbie zbudowania algorytmu umożliwiającego równoczesną optymalizację liczby i położenia odwiertów wydobywczych ze względu na zdyskontowany zysk w zadanym okresie eksploatacji. Podstawową metodą optymalizacyjną w prezentowanym algorytmie jest optymalizacja rojem cząstek (ang. PSO) – jedna z najbardziej efektywnych metod optymalizacji bezgradientowej, należąca do grupy metod wykorzystujących inteligencję roju. Próby efektywności metody przeprowadzone na przykładzie złoża testowego PUNQ-S3 wskazały na zadowalającą zbieżność zaproponowanej metody, dla której na początkowym etapie zastosowano kontrolę minimalnej odległości pomiędzy odwiertami. Jakkolwiek algorytm charakteryzuje się zadowalającą zbieżnością, to jednak wskazane byłoby jego udoskonalenie poprzez wykorzystanie metody hybrydowej w celu zwiększenia jego efektywności w fazie optymalizacji lokalnej oraz wprowadzenie kontroli odległości minimalnej w trakcie całego procesu optymalizacji.
The useful life time of equipment is an important variable related to system prognosis, and its accurate estimation leads to several competitive advantage in industry. In this paper, Remaining Useful Lifetime (RUL) prediction is estimated by Particle Swarm optimized Support Vector Machines (PSO+SVM) considering two possible pre-processing techniques to improve input quality: Empirical Mode Decomposition (EMD) and Wavelet Transforms (WT). Here, EMD and WT coupled with SVM are used to predict RUL of bearing from the IEEE PHM Challenge 2012 big dataset. Specifically, two cases were analyzed: considering the complete vibration dataset and considering truncated vibration dataset. Finally, predictions provided from models applying both pre-processing techniques are compared against results obtained from PSO+SVM without any pre-processing approach. As conclusion, EMD+SVM presented more accurate predictions and outperformed the other models.
PL
Okres użytkowania sprzętu jest ważną zmienną związaną z prognozowaniem pracy systemu, a możliwość jego dokładnej oceny daje zakładom przemysłowym znaczną przewagę konkurencyjną. W tym artykule pozostały czas pracy (Remaining Useful Life, RUL) szacowano za pomocą maszyn wektorów nośnych zoptymalizowanych rojem cząstek (SVM+PSO) z uwzględnieniem dwóch technik przetwarzania wstępnego pozwalających na poprawę jakości danych wejściowych: empirycznej dekompozycji sygnału (Empirical Mode Decomposition, EMD) oraz transformat falkowych (Wavelet Transforms, WT). W niniejszej pracy, EMD i falki w połączeniu z SVM wykorzystano do prognozowania RUL łożyska ze zbioru danych IEEE PHM Challenge 2012 Big Dataset. W szczególności, przeanalizowano dwa przypadki: uwzględniający kompletny zestaw danych o drganiach oraz drugi, biorący pod uwagę okrojoną wersję tego zbioru. Prognozy otrzymane na podstawie modeli, w których zastosowano obie techniki przetwarzania wstępnego porównano z wynikami uzyskanymi za pomocą PSO + SVM bez wstępnego przetwarzania danych. Wyniki pokazały, że model EMD + SVM generował dokładniejsze prognozy i tym samym przewyższał pozostałe badane modele.
In this paper, we propose a method for making early predictions of remaining discharge time (RDT) that considers information about future battery discharge process. Instead of analyzing the entire degradation process of a battery, as in the existing literature, we obtain the information about future battery condition by decomposing the discharge model into three stages, according to level of voltage loss. Correlation between model parameters at the first and last stages of discharge process allows the values of model parameters in the future to be used to predict the value of parameters at early stages of discharge. The particle swarm optimization (PSO) and particle filter (PF) algorithms are employed to update parameters when new voltage data is available. A case study demonstrates that the proposed approach predicts RDT more accurately than the benchmark PF-based prediction method, regardless of the degradation period of the battery.
PL
W pracy zaproponowano metodę wczesnego przewidywania czasu pozostałego do rozładowania baterii (RDT), która uwzględnia informacje na temat przyszłego procesu jej rozładowywania. Zamiast analizować cały proces degradacji baterii, jak to ma miejsce w literaturze przedmiotu, wykorzystano informacje o przyszłym stanie baterii uzyskane na drodze podziału modelu procesu rozładowania na trzy etapy, według poziomu utraty napięcia. Korelacje między parametrami modelu uzyskanymi na pierwszym i ostatnim etapie procesu rozładowania baterii umożliwiają wykorzystanie przyszłych wartości parametrów do przewidywania wartości parametrów we wczesnych etapach rozładowania. Do aktualizacji parametrów zgodnie z napływającymi nowymi danymi napięciowymi wykorzystano algorytm optymalizacji rojem cząstek (PSO) i algorytm filtra cząsteczkowego (PF). Studium przypadku pokazuje, że proponowane podejście pozwala bardziej precyzyjnie prognozować RDT niż metoda prognozowania oparta na PF, niezależnie od okresu degradacji baterii.
12
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The paper presents the method of optimal design of the building envelope. The influence of four types of windows, their size, building orientation, insulation of external walls, ceiling to unheated attic and ground floor on the life cycle costs in a singlefamily building in Polish climate conditions is analyzed. The optimization procedure is developed by means of the coupling between MATLAB and EnergyPlus. The results using three metaheuristic methods: genetic algorithms, particle swarm optimization, and algorithm based on teaching and learning are compared. The analyses have shown the possibility of reducing the life cycle costs through the optimal selection of the building structure. The high initial investment (above the required standard) pays off in the long run when using a building.
13
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
This paper presents an evolutionary optimization of the linear-quadratic (LQ) current controller for a three-phase grid-tie voltage source converter with an L-type input filter. The current control system is equipped with multi-oscillatory terms, which enable the converter to obtain nearly sinusoidal shape and balanced input currents under unbalanced and distorted grid voltage conditions. The augmentation of the state vector to include additional states which describe dynamics of disturbances increases the number of weights to be selected for a cost function in the LQR procedure design. Therefore, it is proposed that optimal weighting factors are sought using particle-swarm-based method. Finally, the simulational tuning based on the linear model and the numerical verification based on a non-linear model of the system with a pulse width modulator are addressed.
PL
Artykuł prezentuje optymalizację ewolucyjną liniowo-kwadratowego regulatora prądu dla trójfazowego przekształtnika sieciowego z filtrem wejściowym typu L. Układ regulacji prądu jest wypozażony w człony oscylacyjne co pozwala na kształtowanie niemal sinusoidalnych i symetrycznych prądów wejściowych w warunkach występowania wyższych harmonicznych i asymetrii napięć sieci. Rozszerzenie wektora stanu o dodatkowe stany opisujące dynamikę zakłóceń zwiększa liczbę wag, które należy dobrać dla funkcji celu ujętej w procedurze projektowania LQR. Dlatego zaproponowano dobór optymalnych wsółczynników wagowych przy użyciu optymalizacji metodą roju cząstek. Finalnie zostały omówione strojenie symulacyjne na modelu liniowym oraz weryfikacja numeryczna na modelu nieliniowym z modulatorem szerokości impulsów.
The paper presents the use of the Particle Swarm Optimization (PSO) algorithm to find the shortest trajectory connecting two defined points while avoiding obstacles. The influence of the inertia weight and the number of population adopted in the first iteration of the PSO algorithm was examined for the length of the sought trajectory. Simulation results showed that the proposed method achieved significant improvement compared to the linearly decreasing method technique that is widely used in literature.
W artykule przedstawiono zastosowanie algorytmu rojowego PSO do optymalizacji nastaw grupy przesuwników fazowych w systemie elektroenergetycznym. Jako kryterium optymalizacji zastosowano minimalizację strat mocy czynnej w sieci testowej IEEE 118. Przeanalizowano wpływ maksymalnej dozwolonej prędkości cząstek na efektywność algorytmu optymalizacji. Wyniki badań pokazują ważność tego parametru.
EN
In response to the growing problem of unscheduled flows, a larger and larger number of transmission system operators in Europe equip their systems with phase shifting transformers (PSTs). PSTs are special transformers which installed in a transmission line enable regulation of the voltage phase angle and thereby change of the active power flow in the line. However, the use of several PSTs installed geographically close to each other must be coordinated in order to efficiently use those devices and avoid their adverse interactions. The coordination of a group of such devices leads to a multidimensional optimization problem. In this paper, the coordination problem was solved by optimization of settings of all analyzed PSTs, based on the swarm algorithm. This approach was examined and tested on an IEEE 118-bus test system. The minimization of active power losses in this system was used as the optimization criterion. The impact of maximum allowed velocity of particles on the effectiveness of the optimization algorithm was analyzed. The result shows that the improved effectiveness of the proposed approach can be obtained by careful selection of this parameter.
16
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Użycie kilku przesuwników fazowych w połączonym systemie elektroenergetycznym musi być skoordynowane w celu efektywnego wykorzystania istniejącej infrastruktury sieciowej, ale również do uniknięcia niepożądanych interakcji tych urządzeń i zapewnienia bezpieczeństwa pracy sieci. W artykule przedstawiono metodę wyznaczania optymalnych (skoordynowanych) nastaw przesuwników fazowych, opartą na algorytmie optymalizacji rojem cząstek (PSO). Jako kryterium optymalizacji zastosowano minimalizację strat mocy czynnej. Pokazano wyniki obliczeń dla sieci testowej zawierającej 118 węzłów.
EN
The use of several phase shifters in an interconnected power system must be coordinated in order to efficiently use the existing grid infrastructure as well as to avoid adverse interactions of theses devises and guarantee the secure operation of the system. This paper presents a method for determining the optimal (coordinated) settings of phase shifters based on the particle swarm optimization (PSO) algorithm. The goal of optimization was to minimize the active power losses. Simulation results for an IEEE 118-bus test system are given.
17
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The use of several phase shifting transformers (PSTs) in an interconnected power system must be coordinated in order to take full advantage of these devices and to avoid adverse interactions. This paper presents an optimization method of PST settings based on the particle swarm optimization (PSO) algorithm. The minimization of an unscheduled flow through a given system was used as the optimization criterion. Simulation results for an IEEE 118-bus test system are given.
PL
Zastosowanie kilku przesuwników fazowych w połączonym systemie elektroenergetycznym musi być skoordynowane w celu pełnego wykorzystania tych urządzeń i uniknięcia ich niekorzystnych interakcji. W artykule przedstawiono metodę optymalizacji nastaw przesuwników fazowych, opartą na algorytmie roju cząstek (PSO). Jako kryterium optymalizacji zastosowano minimalizację przepływu nieplanowego przez dany system. Pokazano wyniki obliczeń dla sieci testowej zawierającej 118 węzłów.
18
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
With growing power demand and heightened concern about the use of fossil fuels in conventional power plants, the integration of distributed energy resources into power networks is gaining attention due to their ability to cater for localized energy needs, putting the concept of the Smart grid center stage. Network protection systems, faced with a gradual increase in complexity, will have to develop responses to the changes brought about by ever greater penetration by distributed generation and sophisticated network topologies. The main goal of this paper is to provide optimal relay coordination of an adaptive protection scheme. Designed software based on a Modified Particle Swarm Optimization (MPSO) algorithm is implemented to solve the relay coordination problem. In this study, the 14 IEEE bus system is tested across a range of power system scenarios to validate the suggested technique. The results obtained show that optimal relay settings are achieved by the proposed algorithm regardless of the prevailing network topology.
In response to the growing problem of unscheduled flows, more and more transmission system operators in Europe provide their systems with phase shifting transformers (PST). However, the operations of several PSTs deployed close to each other must be coordinated for them to be effective and to avoid their harmful interactions. Coordination of a group of such devices leads to a problem of multidimensional optimisation. This paper presents a method of optimal PST setting based on the particle swarm optimisation (PSO) algorithm. As an optimisation criterion the minimization of unscheduled flow through the given system has been applied. The impact of the number of particles in the swarm and their maximum permissible velocity on the optimisation algorithm’s efficiency was analysed. Results are presented for a 118-node test grid.
PL
W odpowiedzi na rosnący problem przepływów nieplanowych coraz większa liczba operatorów systemów przesyłowych w Europie wyposaża swoje systemy w przesuwniki fazowe (PST). Jednakże użycie kilku PST zainstalowanych geograficznie lub elektrycznie blisko siebie musi być skoordynowane w celu skutecznego wykorzystania tych urządzeń i uniknięcia ich niekorzystnych interakcji. Koordynacja grupy takich urządzeń prowadzi do problemu optymalizacji wielowymiarowej. W artykule przedstawiono metodę optymalizacji nastaw PST opartą na algorytmie roju cząstek (PSO). Jako kryterium optymalizacji zastosowano minimalizację przepływu nieplanowego przez dany system. Przeanalizowano wpływ liczby cząstek roju oraz ich maksymalnej dozwolonej prędkości na efektywność algorytmu optymalizacji. Przedstawiono wyniki dla sieci testowej zawierającej 118 węzłów.
The paper presents a hybrid optimization algorithm as a practical method to solve the inverse problem of simulation model calibration process. The method is applied to determine basic reservoir parameters in shale formations as a result of the process carried out for their models. Due to some specific features of the problem including its non-linearity and the large size of the solution space, an algorithm that can be employed in the process of model automatic calibration has to run fast and be effective in finding acceptable solution using limited number of simulations. The selection of an appropriate global optimization method is crucial in the situation of many expected local minima of the problem. One of the stochastic sampling method used and presented in the paper is the method of Particle Swamp Optimization (PSO). Such a method is characterized by a simple concept, fast convergence, and intelligent balance between searching and testing of the solution space. Besides the PSO method three other elements are combined to result in the effective solution of the problem. They include: search with stable Levy distribution of iteration step size, Latin hypercube sampling and response surface. The combination of the elements employs both deterministic and stochastic approaches that make the proposed solution both robust and effective. The algorithm was positively tested for convergence and performance using special functions that are commonly applied for such purposes.
PL
W pracy przedstawiono hybrydowy algorytm optymalizacyjny, stanowiący metodę praktycznego rozwiązania kalibracyjnego problemu odwrotnego. Ze względu na rodzaj problemu, jego nieliniowość oraz rozmiar przestrzeni rozwiązań, algorytm stosowany w procesie automatycznej kalibracji modelu symulacyjnego musi szybko operować w wielowymiarowej przestrzeni rozwiązań oraz skutecznie poszukiwać dobrych rozwiązań, przy ograniczonej liczbie symulacji. Wybór odpowiedniej metody optymalizacji ma szczególne znaczenie w sytuacji, gdy poszukujemy oszacowania wielu parametrów, przy obecności wielokrotnych minimów lokalnych. Właśnie umiejętność radzenia sobie z obecnością minimów lokalnych była jedną z głównych przyczyn rozwoju metod optymalizacji, opartych na próbkowaniu stochastycznym. Jedną z odmian próbkowania stochastycznego są metody oparte na tzw. inteligencji roju, do których należy przedstawiona w artykule metoda optymalizacji rojem cząstek. Metody te ze względu na prostotę idei, zbieżność oraz zachowanie równowagi pomiędzy eksploracją i eksploatacją przestrzeni rozwiązań są powszechnie stosowane. Zaproponowany algorytm stanowi element komputerowo wspomaganej kalibracji modelu symulacyjnego formacji łupkowej, celem określenia jej istotnych parametrów. W prezentowanej metodzie zaimplementowano kombinację nowoczesnych technik, tj. optymalizacja rojem cząstek, przeszukiwanie przestrzeni rozwiązań z wykorzystaniem stabilnego rozkładu Levy’ego, próbkowanie hipersześcianu łacińskiego oraz funkcja powierzchni odpowiedzi. W celu rozwiązania postawionego problemu, algorytm łączy w sobie techniki deterministyczne i stochastyczne, co pozwala na wyeliminowanie wad każdej z metod. Ponadto przedstawiono wyniki testów zbieżności zbudowanego algorytmu, potwierdzając przy tym jego efektywność przy przeszukiwaniu przestrzeni rozwiązań.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.