21018

۲۱۰۱۸

بهينه‌سازي انتخاب خودروهاي اتفاقات در سيستم‌هاي توزيع انرژي با اهداف زيست‌محيطي، اقتصادي و دستيابي به حداكثر قابليت اطمينان به روش ماركوف

كارشناسي ارشد

مهندسي سيستم‌هاي انرژي - انرژي و محيط‌زيست

۱۳۹۵

۱۳۹۸/۰۴/۲۹

دكتر رضا دشتي

دكتر روح الله احمدي

فناوري هاي نوين

در مطالعات خاموشي بررسي خودروهاي اتفاقات بسيار مهم است؛ زيرا با بهينه‌سازي آن‌ها مي‌توان هزينه‌ها را كاهش داد. اين پايان‌نامه به‌طوركلي به سه بخش تقسيم مي‌شود، در بخش اول بررسي اقتصادي خودروها توسط زنجيره ناپيوسته ماركوف انجام‌شده است. مدل‌سازي زنجيره ناپيوسته ماركوف براي شش خودرو نمونه انجام‌شده و درنهايت خودرو بهينه ازلحاظ اقتصادي مشخص گرديده است. در بخش دوم پيش‌بيني مصرف سوخت خودروها با افزايش وزن و حجم موتور آن‌ها توسط شبكه عصبي مصنوعي انجام مي‌شود. با ايجاد ساختار مناسب براي شبكه عصبي، افزايش هزينه‌اي كه شبكه توزيع نمونه در پايان‌نامه براي افزايش سوخت سالانه (در اثر افزايش وزن خودرو و افزايش حجم موتور خودرو) مي‌پردازد در مدت يك سال محاسبه مي‌شود. نتيجه بخش دوم به‌طوركلي اعتبار سنجي شده و نتيجه نزديكي با ساير تحقيقات تجربي حاصل كرده است. در بخش سوم بهينه‌سازي مكان‌يابي و تعيين تعداد خودروها توسط كمينه‌سازي يك تابع هزينه پيشنهادي در الگوريتم ژنتيك انجام‌شده است. با مكان‌يابي و بهينه‌سازي خودروها مي‌توان تا حد زيادي هزينه سالانه و نارضايتي مشتريان شبكه را كاهش داد و با توجه به اطلاعات شبكه موردنظر تعداد خودروهاي اتفاقات را پيش‌بيني كرد. نتايج مركزگرايي و پراكنده‌سازي خودروها با هم مقايسه شده است، با پراكنده‌سازي خودروها تا حد زيادي خسارت مشتركين و آلودگي زيست‌محيطي كاهش خواهد يافت.

1398/06/20

Optimizing the Choice of Outage Elimination Vehicles in Energy Distribution Systems with Environmental and Economic Objectives and Achieving Maximum Reliability using Markov Method

7/20/2019 12:00:00 AM

Studying outage elimination vehicles is of considerable significance in outage studies since, by optimizing these vehicles, it is possible to cut costs. This thesis can be divided into three general sections. The first section is concerned with the economic study of vehicles using the Markov discontinuous chain. Six sample vehicles have been modeled using the Markov discontinuous chain, and the economically optimal vehicles has been determined. In the second section, the fuel consumption of the vehicles has been predicted using an artificial neural network by considering an increase in the weight and engine displacement of the vehicles. By creating a suitable structure for the neural network, the increase in cost incurred by the sample distribution network in this thesis (as a result of the increase in the weight and engine displacement) has been computed for one year. The results of the second section have been validated overall, indicating good agreement with other experimental studies. The third section is involved with optimizing the location and determining the number of vehicles by minimizing a proposed cost function within a genetic algorithm. This location indicates that, by optimizing the vehicles, one can remarkably reduce annual costs and customer dissatisfaction and predict the number of outage elimination vehicles according to the specifications of the considered network. The results of concentrating and dispersing the vehicles have been compared, showing that customer loss and environmental pollution can be significantly decreased by dispersing the vehicles.