MétaCan
Menu
Retour à la cohorte
Enregistrement W3035845532 · doi:10.18280/jesa.530217

Comparison of Results of Economic Load Dispatch Using Various Meta-Heuristic Techniques

2020· article· fr· W3035845532 sur OpenAlex

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJournal Européen des Systèmes Automatisés · 2020
Typearticle
Languefr
DomaineEngineering
ThématiqueElectric Power System Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMeta heuristicEconomic dispatchHeuristicComputer scienceMathematical optimizationOperations researchArtificial intelligenceEngineeringMathematicsAlgorithmElectric power system

Résumé

récupéré en direct d'OpenAlex

The power sector of India is in a huge catastrophe in satisfying the energy requirement of the public due to incessant exhaustion of fossil fuels. The nonstop exhaustion of fossil fuels, rising power needs and increasing production cost of power requires economic operation at the generation side and economic utilization at the consumer side. Economic dispatch is the process of determining the optimal power output from 'n' number of generators to meet the demand at low cost subject to certain constraints. Economic dispatch ensures the optimal generation of power at low cost from thermal power plants. The mathematical formulation of economic dispatch problems is usually done by the piecewise quadratic fitness function. This article compares the results generated from various techniques such as Lambda Iteration (LI) method, Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Quantum Particle Swarm Optimization (QPSO) and Shuffled Frog Leaping Approach (SFLA). LI method is a traditional method of solving economic load dispatch which works on the concept of equal incremental cost (). GA works on Darwin's theory of evolution, where the population of individual solutions is modified repeatedly to obtain the optimal solution in the population. PSO is derived from the concept of swarm intelligence, where the best solution is found using the values of personal best and global best in the population. QPSO is basically derived from the PSO. SLFA is obtained from the concept of food-frogs used to find an accurate solution to our power system problem. In this paper, the best fuel cost and execution time was found from QPSO, SFLA compared with LI, GA and PSO methods. These approaches are applied for three and thirteen generator system and the convergence characteristics, heftiness was explored through comparisons from different approaches discussed earlier. The results are hopeful and it suggests that shuffled frog leaping algorithm is very effectual in terms of both the minimized fuel cost obtained and the execution time.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,797
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,045
Tête enseignante GPT0,294
Écart entre enseignants0,249 · 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