Optimal Placement of TCSC for Congestion Management and Power Loss Reduction Using Multi-Objective Genetic Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electricity demand has been growing due to the increase in the world population and higher energy usage per capita as compared to the past. As a result, various methods have been proposed to increase the efficiency of power systems in terms of mitigating congestion and minimizing power losses. Power grids operating limitations result in congestion that specifies the final capacity of the system, which decreases the conventional power capabilities between coverage areas. Flexible AC Transmission Systems (FACTS) can help to decrease flows in heavily loaded lines and lead to lines loadability improvements and cost reduction. In this paper, total power loss reduction and line congestion improvement are assessed by determining the optimal locations and compensation rates of Thyristor-Controlled Series Compensator (TCSC) devices using the Multi-Objective Genetic Algorithm (MOGA). The results of applying the proposed method on the IEEE 30-bus test system confirmed the efficiency of the proposed procedure. In addition, to check the performance, applicability, and effectiveness of the proposed method, different heuristic algorithms, such as the multi-objective Particle Swarm Optimization (PSO) algorithm, Differential Evolution (DE) algorithm, and Mixed-Integer Non-Linear Program (MINLP) technique, are used for comparison. The obtained results show the accuracy and fast convergence of the proposed method over the other heuristic techniques.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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