MétaCan
Menu
Retour à la cohorte
Enregistrement W2153268897 · doi:10.1109/tpwrs.2007.907375

Hybrid Particle Swarm Optimization Approach for Solving the Discrete OPF Problem Considering the Valve Loading Effects

2007· article· en· W2153268897 sur OpenAlexaff
M. R. AlRashidi, M.E. El-Hawary

Notice bibliographique

RevueIEEE Transactions on Power Systems · 2007
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Power System Optimization
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésMathematical optimizationParticle swarm optimizationSequential quadratic programmingRobustness (evolution)Electric power systemQuadratic programmingComputer scienceOptimization problemMathematicsPower (physics)

Résumé

récupéré en direct d'OpenAlex

This paper presents a hybrid particle swarm optimization algorithm (HPSO) as a modern optimization tool to solve the discrete optimal power flow (OPF) problem that has both discrete and continuous optimization variables. The problem is classified as constrained mixed integer nonlinear programming with multimodal characteristics. The objective functions considered are the system real power losses, fuel cost, and the gaseous emissions of the generating units. Two different types of fuel cost functions are considered in this study, namely the conventional quadratic function and the augmented quadratic function to introduce more accurate modeling that incorporates the valve loading effects. The latter model presents nondifferentiable and nonconvex regions that challenge most gradient-based optimization algorithms. The proposed algorithm makes use of the PSO, known for its global searching capabilities, to allocate the optimal control settings while Newton-Raphson algorithm minimizes the mismatch of the power flow equations. A hybrid inequality constraint handling mechanism that preserves only feasible solutions without the need to augment the original objective function is incorporated in the proposed approach. To demonstrate its robustness, the proposed algorithm was tested on the IEEE 30-bus system with six generating units. Several cases were investigated to test and validate the consistency of detecting optimal or near optimal solution for each objective. Results are compared to solutions obtained of MATPOWER software outcomes that employs sequential quadratic programming algorithm to solve the OPF. The impact of the proposed inequality constraint handling method in improving the HPSO performance is illustrated. Furthermore, a study of HPSO parameters tuning with regard to the OPF problem is presented and analyzed.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,009
Tête enseignante GPT0,212
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations237
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Power SystemsMême sujetElectric Power System OptimizationTravaux en français237 207