ارزیابی قابلیت اطمینان مرکب با استفاده از شبیه سازی مونت کارلو و طبقه بند بردار پشتیبانی کمترین مربعات
Composite Reliability Evaluation Using Monte Carlo Simulation and Least Squares Support Vector Classifier
Naran M. Pindoriya, Member, IEEE, Panida Jirutitijaroen, Member, IEEE, Dipti Srinivasan, Senior Member, IEEE, and Chanan Singh, Fellow, IEEE
سال انتشار مقاله: IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 26, NO. 4, NOVEMBER 2011
چکیده
این مقاله روشی سریع و کارآمد ارائه میدهد که برای ارزیابی قابلیت اطمینان سیستم قدرت مرکب، شبیهسازی مونت کارلو (MCS) و طبقهبند ماشین بردار پشتیبانی کمترین مربعات (LSSVM) را ترکیب میکند. LSSVM را به کار میبریم تا به دقت حالات سیستم عامل قدرت را در طول نمونهبرداری مونت کارلو در حالات موفقیت و یا شکست، پیش طبقهبندی کنیم. این حالات شکست پیش طبقهبندیشده سپس برای تحلیل کفایت با استفاده از جریان برق DC ارزیابی میشوند، تا شاخصهای قابلیت اطمینان را محاسبه کنند. در نتیجه، زمان محاسبات برای انجام تجزیه و تحلیل جریان قدرت برای حالات موفقیت سیستم حذف شدهاست. روش ترکیبی ارائه شده برای قابلیت اطمینان سیستم آزمون IEEE (IEEE-RTS-79) به کار میروند و نتایج شبیهسازی با استفاده از LSSVM با کرنلهای خطی و غیرخطی، با موارد غیرترتیبی MCS مقایسه میشوند. این نتایج امیدوارکننده اثر MCS-LSSVM پیشنهادی که مبتنی بر یک روش ترکیبی حاصل از هر دو دقت طبقهبندی و زمان محاسباتی است، را نشان میدهند که در ارزیابی قابلیت اطمینان سیستم قدرت مرکب کاربرد دارد.
کلمات کلیدی- ارزیابی قابلیت اطمینان سیستم قدرت مرکب، طبقه بند بردار پشتیبانی کمترین مربعات، شبیه سازی مونت کارلو
Abstract
This paper presents a fast and efficient method which combines the Monte Carlo simulation (MCS) and the least squares support vector machine (LSSVM) classifier, for reliability evaluation of composite power system. LSSVM is used to accurately pre-classify the power system operating states as either success or failure states during the Monte Carlo sampling. These pre-classified failure states are then evaluated for adequacy analysis using DC power flow to calculate reliability indices. As a result, the computing time to perform power flow analysis of the system success states is eliminated. The proposed hybrid method is applied to the IEEE Reliability Test System (IEEE-RTS-79) and simulation results obtained using LSSVM with linear and nonlinear kernels are compared with that of nonsequential MCS. These promising results demonstrate the efficacy of the proposed MCS-LSSVM based hybrid method in terms of both classification accuracy and computational time in evaluating the composite power system reliability.
Index Terms—Composite power system reliability evaluation, least squares support vector classifier, Monte Carlo simulation.
نمونه داکیومنت را می توانید در تصویر زیر مشاهده نمایید:
آنچه تحویل داده می شود:
- فایل ورد Microsoft Word .docx ترجمه به فارسی + فایل PDF
- فایل PDF مقاله اصلی به زبان انگلیسی
تعداد صفحات فایل ورد مقاله ترجمه شده (فارسی): 17 صفحه
تعداد صفحات مقاله اصلی زبان انگلیسی: 8 صفحه
مناسب برای دانشجویان کارشناسی و ارشد کامپیوتر (مهندسی نرم افزار و معماری کامپیوتر، هوش مصنوعی) و دانشجویان IT بالاخص دانشجویان نرم افزار و هوش مصنوعی
می توان به عنوان پروژه دروس کارشناسی ارشد یا کارشناسی این پروژه را تحویل داد، دروسی مانند سیستم خبره، داده کاوی، مهندسی نرم افزار پیشرفته، مباحث پیشرفته در مهندسی نرم افزار، یادگیری ماشین،Machine Learning ، Data Mining، شبکه های عصبی، Neural Networks، مهندسی پزشکی، بیوانفورماتیک، انفورماتیک پزشکی، قابلیت اطمینان، Fault Tolerant
پس از خرید از درگاه امن بانکی، لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده می شود.
تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه و یا انجام پروژه های برنامه نویسی و حل تمرینات با آدرس ایمیل:
ebarkat.shop@yahoo.com
یا شناسه تلگرام (آی دی تلگرام ما): @ebarkat
توجه: اگر کارت بانکی شما رمز دوم ندارد و یا در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.
از پایین همین صفحه (بخش پرداخت و دانلود) می توانید این پروژه را خریداری و دانلود نمایید.
دانلود ترجمه فارسی مقاله IEEE ارزیابی قابلیت اطمینان مرکب با استفاده از شبیه سازی مونت کارلو و طبقه بند بردار پشتیبانی کمترین مربعات
