بهبود برآورد و عملکرد در پخش بار بهینه با استفاده از شبکۀ عصبی بیزین

طراحی و توسعۀ آیندۀ سیستم با توجه به رشد بار ولزوم اضافه کردن ژنراتورها، ترانسفورماتورها و خطوط جدید در سیستم قدرت، بدون مطالعۀ پخش بار امکان‌پذیر نیست. ضرورت مطالعات پخش بار بهینه نیز علاوه بر موارد ذکرشده برای پخش بار جهت رسیدن به توابع هدف است که در این مقاله، هزینۀ سوخت ژنراتورها، تلفات توان اکتیو شبکه و شاخص بارپذیری شبکه مورد استفاده قرار گرفته است. بنابراین با استفاده از شبکۀ عصبی مصنوعی و مقایسۀ دو الگوریتم پس‌انتشار خطا از این نوع شبکه و تعریف مدل، به بررسی و تحلیل پخش بار بهینه پرداخته شده است. با استفاده از نمایه‌های ارزیابی مدل و آزمون مرگانگرنجرنیوبلد (mgn) عملکرد این دو الگوریتم مورد تحلیل و مقایسه قرار گرفته‌اند. از روش آماری بوت استرپینگ نیز برای رسیدن به بهترین عملکرد برای بهبود برآورد پخش بار بهینه استفاده شده است. به‌منظور کاهش گام‌ها با خطای کمتر از 1% برای بهبود برآورد پخش بار بهینه با بهینه‌سازی توابع تک‌هدفۀ مذکور، شبکه‌های عصبی بیزین و پرسپترون در شبکۀ استاندارد 30 شین ieee مورد بررسی قرار گرفته‌اند. نتایج، نقش موثر شبکۀ عصبی بیزین بوت استرپ‌شده را از لحاظ عملکرد در نرم‌افزار متلب نشان می‌دهد.

Improving the Estimation and Operation of Optimal Power Flow(OPF) Using Bayesian Neural Network

The future development and design of the power system is impossible without the study of Power Flow(PF), exigency of the system outcome load growth, necessity add generators, transformers, and power lines. The urgency for Optimal Power Flow (OPF) studies, in addition to the items listed for the PF are necessary to achieve the objective functions. In this paper, the cost of generator fuel, active power losses network, and the system rsquo;s loadability index have been used; therefore, through an artificial neural network, the comparison of two propagation algorithms of this type of network, and the definition of the model, OPF analysis has been and define carried out. The performance of these two algorithms is analyzed and compared using the model assessment index and MGN tests the statistical method of Bootstrap has been used to achieve the best performance in order to improve OPF estimates. The Bayesian and Perceptron neural networks have been studied in IEEE 30 bus test system to reduce the steps with less than 1%, and to improve the OPF estimation with singleobjective optimization functions .The results show the effective role of bootstrapped Bayesian neural network in terms of performance by using MATLAB software.