چکیده:
این مقاله یک ژنراتور sag ولتاژ ترانسفورمری (VSG) مناسب برای اندازه گیری قابلیت سوسپتانس تجهیزات الکتریکی به sag ولتاژ را بیان می کند. در VSG (منظور تولید کننده ی sag ولتاژ که بر مبنای ترانسفورماتور کار می کند) ساخته شده،از یک اتو ترانس و 2 رله حالت ماندگار (SSR) برای ارایه ولتاژ نامی و ولتاژ sag به بار استفاده شده است. وضعیت سوییچینگ دو رله حالت ماندگار (SSR) توسط سیگنال مدت زمان ولتاژ نامی و ولتاژ sag تولید شده توسط مدارات الکترونیکی کنترل می شود. نتایج عملکرد VSG نشان می دهد که این ژنراتور sag کنترل موثری از دامنه ی sag،مدت زمان sag،نقاط آغاز و پایان sag بر روی شکل موج ولتاژ خروجی انجام می دهد. همچنین اگر نیاز باشد می تواند به عنوان تولید کننده ی swell ولتاژ و تولید کننده ی وقفه ولتاژ عمل کند. با تهیه ترانسفورماتور فشار قوی از سمت اولیه،VSG می تواند sag،swell،و وقفه ولتاژ فشار قوی را نیز ارایه دهد.
ساخت VSG ارایه شده در آزمایشگاه و بطور دستی آسان تر است،و هزینه های ساخت آن بسیار پایین تر از تهیه ی محصولات VSG آن از بازار فعلی است.
در این عصر محاسبات پیشرفته که الگوریتم های پیشرفته وتکنیک های پرهزینه برای تعیین پارامترهای ماشین سنکرون استفاده می شوند، این مقاله روشی تازه، اقتصادی و بااین وجود، بنیادین را برای تخمین پارامترهای محورهای d و q مدار میدان و مدار میراگر یک ماشین سنکرون با سییم پیچ میدان با توان کم/متوسط را ارایه می دهد. روش جدید پیشنهاد شده، از روابط بنیادین ولتاژ،جریان، و نشتی شار یک ماشین سنکرون با سیم پیچ میدان سه فاز، در یک توالی مرجع a-b-c بهره می گیرد. نخست، روش پیشنهاد شده با جزییات آن توسط معادلات تحلیلی توضیح داده شده، و سپس برای تعیین پارامترهای نامبرده ی یک ماشین سنکرون کوچک آزمایشگاهی بکار گرفته شده است. پارامترهای دیگر مدار معادل، با استفاده از آزمایشهای قرار دادی تعیین شده اند. اعتبار بیشتر این روش، با بکازگیری آن در دو ماشین بزرگتر با پلاک های متفاوت، انجام شده است. به علاوه، پارامترهای نامبرده ی ماشین های بزرگتر نیز با استفاده از تست های استاندارد IEEE بطور تجربی تعیین شده اند. سرانجام، یک مقایسه بین نتایج بدست آمده از روش رایج و روش ارایه شده ی ما انجام شده و روش ما ه خاطر تطابق نزدیک آن با نتایج روش اصلی، معتبر شناخته شده است.
چکیده:
ویژگی چند-بعدی بودن منابع انرژی نو (تجدید پذیر) (RES)، نیازمند جمع آوری تعدادی اطلاعات مربوط، به منظور تامین نیازهای سیاست EU (اتحادیه اروپا) می باشد. بغیر از اطلاعات فنی (تکنولوژیکی) و فنی-فیزیکی، همچنین اطلاعات اجتمعی-اقتصادی (مانند استخدام، گردش مالی) و هزینه های R&D نیز، حایز اهمیت می باشند. نظارت بر اطلاعات RES (منابع انرژی های تجدیدپذیر) بالا با در نظر گرفتن اهداف موجود برای RES، نیز مهم می باشد. علاوه بر این، حتی با وجودی که تلاش های زیادی برای جمع آوری این اطلاعات انجام شده است، مقدار زیادی اطلاعات ریز و یافته های نتیجه گیری شده، هم اکنون موجود می باشند که نیازمند یکپارچگی و بررسی می باشند. در نتیجه، بررسی اطلاعات RES و ظرفیت تکمیل، در چارچوب سیاست انرژی اتحادیه اروپا (EU)، مورد نیاز می باشد. علاوه بر این، اطلاعات RES توافق شده و معتبر، برای سیاستمداران انرژی و سهامداران آن _که به مسایل اجتماعی-اقتصادی و مسایل پایداری پاسخ می دهند_ سودمند می باشد. در این متن، هدف اصلی مقاله، ارایه ی یک روش مرجع برای بررسی اعتبار اطلاعات RES در EU می باشد. توسعه ی این روش، اساسا مبنی بر مرور روش های موجود بوده، و با توصیه هایی برای بهبود جمع آوری اطلاعات RES و تفسیرهای آماری _با در نظر گرفتن تحلیل های مربوطه از مهندسان آمار، کارشناسان فن آوری انرژی، و کارشناسان مسایل اجتماعی-اقتصادی_ پایان می یابد.
پیشبینی قیمت کوتاه مدت مبتنی بر موجک-ELM ترکیبی، برای بازار برق
چکیده:
پیشبینی دقیق قدمت برق، چالشی بزرگ برای شرکت کنندگان و مدیران بازار می باشد، زیرا قیمت الکتریسیته دارای نوسانات بسیاری است. پیشبینی قیمت نیز، مهم ترین هدف مدیریتی برای مشارکت کنندگان در بازار است، چرا که مبانی بیشینه کردن سود را، تشکیل می دهد. این مطالعه، عملکرد یک تکنیک شبکه عصبی جدید را بنام ناشین یادگیری سریع (ELM)، در مساله پیشبینی قیمت، بررسی می کند. با در نظر داشتن خط مربوط به بازهای برق که دارای نوسانات بسیاری در قیمت هستند، تکیه به یک تکنیک، خیلی هم سودمند نمی باشد. بنابراین، ELM با تکنیک موجک همراه شده است و یک مدل پیوندی (مرکب) را به نام WELM (ELM مبتنی بر موجک) را تشکیل داده است تا دقت پیشبینی و نیز قابلیت اطمینان آن را، بهبود بخشد. در این روش، ویژگی های بی همتای هر ابزار، تکریب شده اند تا الگوهای مختلفی را در اطلاعات، بدست آورند. قدرت این تکنیک، با استفاده از روش مجموع شده، بهبود بیشتری می یابد. عملکردهای مدل های ارایه شده، با استفاده از اطلاعات موجود در بازارهای برق انتاریو، PJM، نیویورک و ایتالیا، ارزیابی شده اند. نتایج آزمایشی نشان می دهند که روش پیشنهادی، یکی از مناسب ترین تکنیک های پیشبینی قیمت می باشد.
کلیدواژه ها: شبکه عصبی مصنوعی (ANN)، تجدید ساختار، روش مجموع، ماشین یادگیری سریع (ELM)، پیشبینی قیمت، تبدیل موجک
چکیده__ این مقاله یک تقویت کننده ی شبه-تفاضلی کلاس-AB برمبنای اینورتر CMOS برای کاربردهای HF، با استفاده از مدار ساده rail-to-rail CMFB را ارایه می دهد. مدار ارایه شده، دارای دو اینورتر CMOS و فیدبک حالت-مشترک مکمل (CMFB) _که خود متشکل از آشکارساز حالت-مشترک حالت جریان و تقویت کننده های ترنز-امپدانسی (transimpedance)، بوده_ می باشد. این مدار با استفاده از فناوری CMOS 0.18 نانومتری تحت ولتاژ منبع 1 ولت، طراحی شده است، و نتایج شبیه سازی نشان می دهند که نوسان خروجی rail to rail با استفاده از گین حالت-مشترک پایین (-15 dB)، بدست می آید. نوسان خروجی مدار 0.7 v می باشد. تلفات توان مدار 0.96 میکرووات می باشد.
.: Weblog Themes By Pichak :.