論文の概要: Optimal DG allocation and sizing in power system networks using
swarm-based algorithms
- arxiv url: http://arxiv.org/abs/2002.08089v1
- Date: Wed, 19 Feb 2020 09:58:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:03:07.073713
- Title: Optimal DG allocation and sizing in power system networks using
swarm-based algorithms
- Title（参考訳）: swarm-basedアルゴリズムを用いた電力系統ネットワークにおける最適dg配置とサイズ
- Authors: Kayode Adetunji, Ivan Hofsajer, Ling Cheng
- Abstract要約: 分散型発電(DG)ユニットは、現在の電力系統網のアーキテクチャにおいて非常に重要な発電プラントである。
本稿では,DGユニットの配置とサイズを最適化するために,Swarm-based meta-heuristic algorithm, Particle Swarm Optimization (PSO) と whale optimization algorithm (WOA) の2つのアルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 0.2578242050187029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distributed generation (DG) units are power generating plants that are very
important to the architecture of present power system networks. The benefit of
the addition of these DG units is to increase the power supply to a network.
However, the installation of these DG units can cause an adverse effect if not
properly allocated and/or sized. Therefore, there is a need to optimally
allocate and size them to avoid cases such as voltage instability and expensive
investment costs. In this paper, two swarm-based meta-heuristic algorithms,
particle swarm optimization (PSO) and whale optimization algorithm (WOA) were
developed to solve optimal placement and sizing of DG units in the quest for
transmission network planning. A supportive technique, loss sensitivity factors
(LSF) was used to identify potential buses for optimal location of DG units.
The feasibility of the algorithms was confirmed on two IEEE bus test systems
(14- and 30-bus). Comparison results showed that both algorithms produce good
solutions and they outperform each other in different metrics. The WOA real
power loss reduction considering techno-economic factors in the IEEE 14-bus and
30-bus test system are 6.14 MW and 10.77 MW, compared to the PSOs' 6.47 MW and
11.73 MW respectively. The PSO has a more reduced total DG unit size in both
bus systems with 133.45 MW and 82.44 MW compared to WOAs' 152.21 MW and 82.44
MW respectively. The paper unveils the strengths and weaknesses of the PSO and
the WOA in the application of optimal sizing of DG units in transmission
networks.
- Abstract（参考訳）: 分散型発電(DG)ユニットは、現在の電力系統網のアーキテクチャにおいて非常に重要な発電プラントである。
これらのDGユニットを追加する利点は、ネットワークへの電力供給を増やすことである。
しかし、これらのDGユニットの設置は、適切に割り当てられていない場合やサイズが大きければ悪影響を及ぼす可能性がある。
したがって、電圧不安定や高価な投資コストといったケースを避けるために、最適なアロケートとサイズが必要となる。
本稿では,2つのSwarm-based meta-heuristic algorithm, Particle Swarm Optimization (PSO) と whale Optimization algorithm (WOA) を開発し,送信ネットワーク計画におけるDGユニットの配置とサイズを最適化した。
補助的手法として損失感度因子 (LSF) を用いて, DGユニットの最適位置を推定した。
2つのIEEEバステストシステム(14バスと30バス)でアルゴリズムの有効性を確認した。
比較の結果、両アルゴリズムは良い解を生成し、異なるメトリクスで互いに優れていた。
IEEE 14-bus と 30-bus のテストシステムにおけるテクノ・エコノミックな要素を考慮した WOA の実損失削減は PSO の 6.47 MW と 11.73 MW に対して 6.14 MW と 10.77 MW である。
PSOは、WOAsの152.21 MWと82.44 MWと比較して、両バスとも総DGサイズが133.45 MWと82.44 MWである。
本稿では,伝送ネットワークにおけるDG単位の最適サイズの適用におけるPSOとWOAの長所と短所を明らかにする。
関連論文リスト
- UAV Virtual Antenna Array Deployment for Uplink Interference Mitigation in Data Collection Networks [71.23793087286703]
無人航空機(UAV)は、航空無線ネットワークと通信を確立するためのプラットフォームとして注目されている。
本稿では,複数UAVネットワークシステムにおける協調ビームフォーミング(CB)法に基づく新しいアップリンク干渉緩和手法を提案する。
論文 参考訳（メタデータ） (2024-12-09T12:56:50Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Collaborative Optimization of Multi-microgrids System with Shared Energy
Storage Based on Multi-agent Stochastic Game and Reinforcement Learning [8.511196076836592]
提案されたMMGシステムフレームワークは、メイングリッドのエネルギー変動を24時間で1746.5kW削減し、テストで16.21%のコスト削減を実現する。
提案アルゴリズムの高速収束速度と優れた最適化性能により,提案アルゴリズムの優位性を検証した。
論文 参考訳（メタデータ） (2023-06-19T07:55:41Z) - Data-Driven Approach to form Energy Resilient Smart Microgrids with
Identification of Vulnerable Nodes in Active Electrical Distribution Network [0.0]
電気配電網におけるノード識別の弱いDERを最適に割り当てる手法を提案する。
分布系をグラフ理論とグラフニューラルネットワーク(GNN)アーキテクチャを用いて最適マイクログリッドに分割した。
脆弱なノード上のDERの配置により、ネットワークの信頼性とレジリエンスが向上した。
論文 参考訳（メタデータ） (2022-08-24T17:39:36Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Learning based E2E Energy Efficient in Joint Radio and NFV Resource
Allocation for 5G and Beyond Networks [21.60295771932728]
無線部に電力とスペクトル資源を割り当てる最適化問題を定式化する。
コア部では、すべてのユーザの効率を確保するために、関数の連鎖、配置、スケジューリングを行う。
次に、最大エントロピーフレームワークに基づくソフトアクター・クリティカル・ディープラーニング(SAC-DRL)アルゴリズムを用いて、上記のMDPを解く。
論文 参考訳（メタデータ） (2021-07-13T11:19:48Z) - Large Scale Global Optimization Algorithms for IoT Networks: A
Comparative Study [29.884417706421218]
本研究では,無線センサネットワーク(WNS)の高次元での最適化について,分散検出の電力配分に着目して検討する。
大規模グローバル最適化(LGSO)問題に対処するために設計された4つのアルゴリズムを適用し比較する。
我々は,300次元,600次元,800次元の場合には,アルゴリズムの性能をいくつかの異なるケースで評価した。
論文 参考訳（メタデータ） (2021-02-22T18:59:22Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - Distributed Multi-agent Meta Learning for Trajectory Design in Wireless
Drone Networks [151.27147513363502]
本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。
値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
論文 参考訳（メタデータ） (2020-12-06T01:30:12Z) - Weight-dependent Gates for Network Pruning [24.795174721078528]
本論では, 刈り取り決定は畳み込み重みに依存するべきであり, フィルタ重みから情報を学習し, フィルタのプーンや保持を自動的に行うための二分ゲートを得るための新しい重み依存ゲート (W-Gates) を提案する。
我々は,提案手法の有効性をResNet34,ResNet50,MobileNet V2で実証した。
論文 参考訳（メタデータ） (2020-07-04T10:29:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。