دانلود مقاله یک روش فرا ابتکاری بر پایه بهینه سازی برای تخمین پارامتر یک مدل کوره قوس الکتریکی

چکیده
     یافتن بارهای غیرخطی متغیر با زمان در سراسر سیستم های توزیع معمول است، مانند کوره های قوس الکتریکی (EAFs) که به صورت گسترده در بخش صنعتی فولادسازی مورد استفاده واقع می شوند. بر اساس فرآیند ذوب و تصفیه فلزات، کوره های قوس الکتریکی (EAF) بلوک های بزرگی از توان را مصرف می کنند (توان اکتیو و راکتیو) که منجر به اختلالات چشمگیری در کیفیت توان از جمله نوسانات هارمونیک و ولتاژ در شبکه های توزیع می شوند. مدل های پارامتریک کوره های قوس الکتریکی (EAF)  مختلف با هدف پیش بینی شکل موج ولتاژ و جریان و سپس ارزیابی عملکرد دستگاه های جبران سازی توان راکتیو مطرح شده اند. این مقاله یک روش شناسی جدید را جهت تخمین بهینه پارامترهای یک مدل کوره قوس الکتریکی مطرح می کند که می تواند زمان اجرا و میزان خطای کمتری را در مقایسه با برخی از روش های روز دنیا به دست آورد. روش شناسی با استفاده از داده های واقعی و شبیه سازی شده و از طریق سه الگوریتم بهینه سازی فراابتکاری از جمله الگوریتم بهینه سازی ازدحام ذرات (PSO)، الگوریتم جستجوی گرداب (VSA) و الگوریتم جستجوی کلاغ (CSA) مورد ارزیابی قرار می گیرد. بر اساس نتایج، روش شناسی مطرح شده بر پایه ی رویکردهای بهینه سازی فراابتکاری به طور موثر عمل نموده و امکان تخمین پارامترهای مدل کوره قوس الکتریکی را از طریق یک مرحله بهینه‌سازی واحد، ثبت رفتار تصادفی غیر سینوسی، غیر خطی و متغیر با زمان را فراهم می کند که نمونه ‌های کوره قوس الکتریکی واقعی را نشان می‌دهد. خطاهای نسبی اعوجاج هارمونیک کل بین سیگنال های جریان و ولتاژ قوس تخمینی و برآورد شده به ترتیب حدود 1.23 درصد و 0.62 درصد به دست آمده اند.

1.    مقدمه
     کوره های قوس الکتریکی (EAF)  یکی از بزرگترین بارها برای سیستم توان الکتریکی می باشند که از آنها برای تولید آلومینیوم، مس، فولاد با کیفیت بالا و سایر فلزات استفاده می شود [1]. با این وجود، آنها تهدید بزرگی برای کیفیت توان (PQ) به شمار می روند. به این دلیل که عملکرد آنها باعث ایجاد هارمونیک ها و میان هارمونیک ها، سوسوی ولتاژ و عدم توازن در ولتاژها و جریانها در نقطه ی اتصال مشترک می شود [2]. مشخصه ولتاژ-جریان غیر خطی قوس الکتریکی، نظم در شکل فلزی که قرار است ذوب شود و محرک ثابت قوس الکتریکی در طول فرآیند ذوب منجر به شاخص های PQ پایین می شود [3]. تاسیسات الکتریکی و تجهیزات صنعتی که مجهز به کوره های قوس الکتریکی (EAF) هستند، تلاش های قابل توجهی جهت اجرای راهکارهای فنی و اقتصادی به منظور کاهش مشکلات PQ مرتبط با عملکرد کوره های قوس الکتریکی (EAF) انجام می دهند [4]. این راه حل ها شامل به کارگیری مدل های ریاضی EAF می باشد که می تواند در برنامه های شبیه سازی مدار الکتریکی جهت ارزیابی اثرات نامطلوب ایجاد شده توسط EAF در کارخانه های موجود یا در تاسیسات جدید با در نظر گرفتن داده های تاسیسات مشابه مورد استفاده قرار گیرد. به همین سان از مدل های قوس الکتریکی همچنین برای ارزیابی عملکرد دستگاه های جبران ساز  مختلف از جمله SVC، جبران ساز سنکرون استاتیکی (STATCOM)، فیلترهای توان اکتیو (APF) و سیستم های ذخیره انرژی در حال مطالعه (ESS) استفاده می شود [5].
     مدل قوس الکتریکی یک ابزار محاسباتی با ارزش جهت دستیابی به پاسخ الکتریکی یک EAF می باشد. در این مقاله مدل های ریاضی مختلفی جهت ثبت واکنش های فیزیکی مرتبط با پویایی مدل قوس الکتریکی ارائه شده اند. به عنوان مثال، یک مدل خطی مبتنی بر عناصر مدار الکتریکی خطی و یک منبع جریان در [3،5] ارائه شده است. مولفان در [6،7] یک مقاومت غیر خطی با متغیر زمانی را برای مدل سازی قوس الکتریکی در نظر گرفته اند. مدل های قوس الکتریکی بر اساس معادلات پارامتری در [8-11] ارائه شده اند. مدل های مبتنی بر سیستم های آشوبی [12-15] برای ایجاد تغییرات در واکنش زمانی EAF استفاده می شود. مدل های دیگر یک سیگنال تصادفی را جهت ثبت تغییرات طول قوس در نظر می گیرند [8,16]. مدل های یادگیری داده محور در [2،17-23] ارائه شده اند.

5.    نتیجه گیری
     در این مقاله به مقایسه ی عملکرد پنج مورد از رایج ترین الگوریتم های فراابتکاری مورد استفاده پرداخته می شود که برای تخمین پارامترهای یک مدل EAF به کار می روند. همانطور که در [5،28،25،7] آورده شده است، یک رویکرد تخمینی نیم سیکل سیگنال اندازه گیری شده مورد استفاده واقع شد که با ایده های منتشر شده در مطالعات قبلی مطابقت دارد. سه الگوریتم به عنوان جایگزین های جدید برای بهینه سازی تخمین پارامتر یک مدل کوره قوس الکتریکی در نظر گرفته شده اند: الگوریتم های PSO، VSA و CSA. نتایج آنها با دو رویکرد روز دنیا مقایسه شد: GA [28،7] و LSM [25]. پس از تعیین پارامترهای مدل قوس الکتریکی توسط پارامترهای تخمینی، این مدل برای بدست آوردن سیگنال های شبیه سازی شده ولتاژ و جریان اجرا شد. شاخص‌های خطا و زمان اجرا در راستای مقایسه عملکرد الگوریتم‌های مورد مطالعه به کار گرفته شدند. طبق نتایج، الگوریتم PSO بهترین عملکرد را برای تخمین پارامترهای یک مدل کوره قوس الکتریکی ارائه می‌کند، الگوریتم PSO قادر به تخمین پارامترهایی با کمترین زمان اجرا و میزان خطا می باشد. به همین ترتیب، سیگنال‌ های شبیه ‌سازی‌ شده نشان می‌دهند که ویژگی‌ های غیرخطی و متغیر با زمان آن‌ ها را می توان توسط سیگنال های شبیه سازی شده ایجاد شده توسط مدل ثبت نمود. سرانجام، روش شناسی مطرح شده امکان تخمین پارامترهای مدل کوره قوس الکتریکی با بهینه سازی یک تابع بهینه سازی واحد را فراهم می کند. بر خلاف روش های مطرح شده ی ارائه شده در [28] و [7]، که در آن فرآیند تخمین با کمینه سازی دو تابع هدف که منجر به افزایش زمان محاسباتی می گردد، صورت می گیرد. بر اساس روش شناسی مطرح شده در این مقاله، زمان محاسبات در فرآیند تخمین با شاخص های خطای کم کاهش می یابد. برای فعالیت های آتی، مولفان استفاده از روش مطرح شده جهت کالیبره کردن پارامترهای هر سیستم پارامتری توصیف شده توسط معادلات غیر خطی را توصیه می کنند. همچنین تاکید بر موارد زیر ضروری است: فراپارامترهای الگوریتم های فراابتکاری مانند ?1 ، ?2 ، ? ، ?? یا ??? باید با دقت انتخاب شود تا تخمین رضایت بخشی به دست آید. لذا توصیه می شود تا روش‌های بهینه‌سازی بدون پارامتر [40،41] برای تخمین پارامترهای سیستم مورد بررسی قرار گیرد.

Abstract

     Throughout distribution systems, it is usual to find non-linear time-varying loads, such as electric arc furnaces (EAFs), which are widely used in the steel-making industrial sector. Due to the process of melting and refining metals, the EAFs consume large blocks of power (active and reactive power) causing significant power quality disturbances, such as harmonics and voltage fluctuations on distribution networks. Different EAF parametric models have been proposed with the purpose to predict the voltage and current waveforms and then evaluate the performance of the reactive power compensation devices. This paper proposes a novel methodology for the optimal estimation of parameters of an electric arc furnace model, which can achieve lower execution times and error rates compared to some state-of-the-art methods. The methodology was evaluated using three meta-heuristic optimization algorithms such as the particle swarm optimization (PSO) algorithm, the vortex search algorithm (VSA) and the crow search algorithm (CSA); using real and simulated data. From the results, the proposed methodology based on meta-heuristic optimization approaches worked efficiently, allowed estimating the parameters of the electric arc furnace model using a single optimization step, capture the non-sinusoidal, non-linearity and time-varying random behavior that exhibit the real electric arc furnace samples and obtained relative errors of the total harmonic distortion between the measured and estimated voltage and arc current signals around 1.23% and 0.62%, respectively.

1. Introduction

     The EAFs are one of the largest loads for the electrical power system, they are used for producing aluminium, copper, high-quality steel, among other metals [1]. However, they are considered important threats to the power quality (PQ), because their operation generates harmonics and interharmonics, voltage flickers, and unbalances in the voltages and currents at the point of common coupling [2]. The non-linear voltage-current characteristic of the electric arc, the irrand regularities in the shape of the metal to be melted, and the constant triggering of the electric arc during the melting process, cause low PQ indexes [3]. Electric utilities and industrial facilities that have an EAF, make significant efforts to implement technical and economical solutions to mitigate the PQ problems associated with the EAF operation [4]. Solutions include the use of mathematical models of the EAF which can be used in electrical circuit simulation programs, for evaluating the adverse effects generated by the EAF in existing plants, or in new facilities considering data from similar installations. Likewise, the electric arc models are also used to assess the performance of different compensating devices such as SVC, synchronous static var compensator (STATCOM), active power filters (APF), and –still under study– energy storage systems (ESS) [5].

     The electric arc model is a valuable computation tool to obtain the electric response of an EAF. Different mathematical models have been proposed in the literature to capture the physical responses associated with the dynamics of the electric arc model. For example, a linear model based on linear electrical circuit elements and a current source has been proposed in [3,5]. The authors in [6,7] considered a time-variant nonlinear resistance to model the electric arc. Electric arc models based on parametric equations are presented in [8–11]. Models based on chaotic systems are used [12–15] to generate the chaotic variations in the time response of the EAF. Other models consider a stochastic signal to capture the arc length variations [8,16]. Data-driven learning models are presented in [2,17–23].

5. Conclusions

     This paper presents the performance comparison of the five most commonly used meta-heuristic optimization algorithms, used to estimate the parameters of an EAF model. A half cycle estimation approach of the measured signal was used, which is consistent with the ideas presented in previously published studies as [5,28,25,7]. Three algorithms were considered as new alternatives to optimize the parameter estimation of an electric arc furnace model: PSO, VSA and CSA algorithms. Their results were compared with two state-of-art approaches: GA [28,7], and LSM [25]. After adjusting the parameters of the electric arc model with the estimated parameters, the model was run to obtain the simulated signals of voltage and current. Error indices and running time were considered in order to compare the performance of the studied algorithms. According to the results, the PSO algorithm presented the best performance to estimate the parameters of an electric arc furnace model, the PSO algorithm is capable to estimate the parameters with the lowest running time and error rates. Likewise, the simulated signals shown that their nonlinear and time-varying characteristics can be captured by the simulated signals generated by the model. Finally, the proposed methodology allowed to estimate the parameters of the electric arc furnace model by optimizing a single optimization function, in contrast to the proposed methods presented in [28] and [7], in which the estimation process is performed by minimizing two objectives functions, which leads to an increase in computational time. With the proposed methodology of this paper, the computation time in the estimation process is reduced, with low error indexes. As future work, the authors recommend the use of the proposed method to calibrate the parameters of any parametric system described by nonlinear equations. Also, it is necessary to emphasize the following: hyper-parameters of the meta-heuristic algorithms such as ?1, ?2, ?, ?? or ??? must be carefully selected to obtain a satisfactory estimate. Therefore, it is recommended to investigate parameter-free optimization methodologies [40,41] to estimate the parameters of the system.

(جهت بزرگ نمایی روی عکس کلیک نمایید)

چکیده
1.    مقدمه
2.    سیستم منبع تغذیه ی قدرت الکتریکی و مدل قوس الکتریکی
3.    تخمین پارامترهای مدل
3.1.    بهینه سازی ازدحام ذرات
3.2.    الگوریتم جستجوی گرداب
3.2.1.    پیشنهاد راه حل های منتخب جدید
3.2.2.    جایگزینی راه حل کنونی
3.3.    الگوریتم جستجوی کلاغ
3.4.    الگوریتم ژنتیک
3.5.    الگوریتم تکامل افتراقی
3.6. روش حداقل مربعات
4.    بحث و نتیجه گیری
4.1.    داده های واقعی به کار برده شده جهت تخمین پارامترهای مدل
4.2.    مقایسه عملکرد الگوریتم ها
4.3.    ولتاژ واقعی و شبیه سازی شده و شکل موج کنونی با بهترین پارامترهای تخمینی
5.    نتیجه گیری
اعتبار سنجی مشارکت نویسندگان
اعلامیه منافع رقیب
دسترسی داده ها
تشکر و قدردانی
ضمیمه A. پارامترهای نصب کوره قوس الکتریکی نشان داده شده در شکل 1
منابع

Abstract
1. Introduction
2. Electrical power supply system and model of the electric arc
3. Model parameters estimation
3.1. Particle swarm optimization
3.2. Vortex search algorithm
3.2.1. Proposing new candidate solutions
3.2.2. Replacement of the current solution
3.3. Crow search algorithm
3.4. Genetic algorithm
3.5. Differential evolution algorithm
3.6. Least squares method
4. Results and discussion
4.1. Real data used to estimate the parameters of the model
4.2. Performance comparison of the algorithms
4.3. Real and simulated voltage and current waveform with the best estimated parameters
5. Conclusions
CRediT authorship contribution statement
Declaration of Competing Interest
Acknowledgement
Appendix A. Parameters of electric arc furnace installation shown in Fig. 1
Data availability
References

این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 23 اسلاید و 5 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد.

در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 9 صفحه (2600 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.

علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.

بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 55 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.