Chaotic Arithmetic Optimization Algorithm for Optimal Sizing of Security Constrained Unit Commitment Problem in Integrated Power System
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
The operation of unit commitment in power systems is a challenging task, involving intricate nonlinearities and constrained optimization. The decision-making process of committing and de-committing units poses a binary problem that necessitates optimization techniques. This research introduces a novel hybrid chaotic arithmetic optimization algorithm (hCAOA) to tackle the security constraints unit commitment (SCUC) problem. The chaotic arithmetic optimization algorithm falls under the umbrella of metaheuristic optimization approaches, drawing inspiration from arithmetic operations like division, multiplication, addition, and subtraction. To address the SCUCP, the arithmetic operators are used for the optimal sizing of unit commitment problems integrated with RES and PEVs for small, medium, and large systems. Subsequently, the CAOA is applied to a test system comprising ten, to twenty thermal units with wind and PEVs case. To evaluate the efficacy of the CAOA, the algorithm's performance is tested on systems ranging from 10 to 40 units. A comprehensive set of numerical experiments is conducted to assess the effectiveness of the CAOA, and the simulation results are subjected to statistical analysis. The findings from the simulations are presented, discussed, and compared against various classical and heuristic approaches. These comparisons demonstrate the superior performance of the CAOA in solving the SCUCP problem, emphasizing its potential as an efficient optimization approach.
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 | 0,001 |
| 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