1.منحنی PV برای حالت سیستم IEEE 14 busرسم شده است.

تنظیمات انجام شده برای سیستم به این طریق می باشد:

تنظیمات اصلی: Discard Dynamic Comp, Use Distributed Slack Bust Check PV Reactive Limits.

تنظیمات مربوط به CPF: کنترل Qg limit، پارامتر بارگذاری اولیه =1، کنترل اندازه گام=0.1، بدون سیگنال Slack Bus.

1. a. نمودار P-V برای سه حالت مرجع، بدون خط 2-3 و بدون خط 2-4 در شکل های زیر امده است.
2. حالت مرجع

شکل 1. نمودار PV برای سیستم مبنا و باس 14

شکل2. اجرای برنامه با محدودیت توقف در نقطه HB

با استفاده از Line  Breaker خط 2-3 را باز می گذاریم تا از سیستم جدا شود. نتایج منحنی PV را برای سیستم به دست می اوریم.

2.بدون خط 2-3

شکل 3. نمودار PV برای سیستم بدون خط 2-3

3. خط 2-3 را بسته و خط 2-4 را باز می کنیم. محاسبات را برای این حالت محاسبه می نماییم.

شکل 5. نمودار PV برای سیستم مذکور بدون خط 2-4 و باس 14

نمودار PV با اعمال محدودیت توقف در نقطه HB برای سیستم بدون خط 2-4

1. b. مقادیر مشخصه eigenvalue
2. مدل مرجع

شکل 7. مقادیر ویژه برای حالت مرجع

شکل 8. مقادیر ویژه برای سیستم بدون خط 2-3

شکل 9. بخشی از مقادیر ویژه برای سیستم بدون خط 2-4

2. سیستم را در حالتی که خط 2-4 خارج شده در دامنه زمانی (time domain) اجرا می کنیم. نتایج حاصل در ادامه اورده شده است.
3. a. نمودار PV به ازای زمان برای باس 14

شکل 10. نمودار PV به ازای زمان برای سیستم بدون خط 2-4 و برای باس 14

سرعت ژنراتور ها را به ازای زمان رسم کرده و تغییرات ان را مشاهده می کنیم.

شکل 11. نمودار تغییر سرعت ژنراتور ها به ازای زمان اجرا

مقادیر ویژه را به دست اورده و پایداری را بررسی می کنیم.

شکل 12. نمودار مقادیر ویژه برای سیستم بدون خط 2-4

مشاهده می شود که مقادیر ویژه مثبت (با علامت های قرمز مشخص شده) وجود دارد که حاکی از عدم پایداری است.

پردازش تصویر به روش DCT یک بعدی

کنترل ماشین آلات و تجهیزات صنعتی یکی از وظایف مهم در فرایندهای تولیدی است. به کارگیری کنترل خودکار و اتوماسیون روزبه روز گسترده‌تر شده و رویکردهای جدید با بهره‌گیری از تکنولوژی‌های نو امکان رقابت در تولید را فراهم می‌سازد. لازمه افزایش کیفیت و کمیت یک محصول، استفاده از ماشین آلات پیشرفته و اتوماتیک می‌باشد. ماشین آلاتی که بیشتر مراحل کاری آنها به طور خودکار صورت گرفته و اتکای آن به عوامل انسانی کمتر باشد. امروزه استفاده از تکنولوژی ماشین بینایی و تکنیک‌های پردازش تصویر کاربرد گسترده‌ای در صنعت پیدا کرده‌است و کاربرد آن بویژه در کنترل کیفیت محصولات تولیدی، هدایت روبات و مکانیزم‌های خود هدایت شونده روز به روز گسترده‌تر می‌شود.

عدم اطلاع کافی بعضی مهندسان در بعضی کشورها از تکنولوژی ماشین بینایی و عدم آشنایی با توجیه اقتصادی به کارگیری آن موجب شده‌است که در استفاده از این تکنولوژی تردید و در بعضی مواقع واکنش منفی وجود داشته باشد. علی‌رغم این موضوع، ماشین بینایی روز به روز کاربرد بیشتری پیدا کرده و روند رشد آن چشمگیر بوده‌است. عملیات پردازش تصویر در حقیقت مقایسهٔ دو مجموعه عدد است که اگر تفاوت این دو مجموعه از یک محدوده خاص فراتر رود، از پذیرفتن محصول امتناع شده و در غیر این‌صورت محصول پذیرفته می‌شود. در زیر پروژه‌هایی که در زمینهٔ پردازش تصاویر پیاده‌سازی شده است، توضیح داده می‌شود. این پروژه‌ها با استفاده از پردازش تصویر، شمارش و اندازه‌گیری اشیا، دسته‌بندی اشیا، تشخیص عیوب مثل تشخیص ترک، و بسیاری عملیات دیگر را انجام می‌دهند:

• اندازه‌گیری و کالیبراسیون
• جداسازی پینهای معیوب
• بازرسی لیبل و خواندن بارکد
• بازرسی عیوب چوب
• بازرسی قرص
• بازرسی و دسته‌بندی زعفران
• درجه‌بندی و دسته‌بندی کاشی
• بازرسی میوه
• بازرسی شماره چک

توضیح اساس و پایه روشDCTیک بعدی:

برنامه روشDCTیک بعدی:

در این برنامه فرض شده عکس به 8*8 بخش

تقسیم گردد

برخی از کدها :

N=8

x=(0:N-1)’;

C=cos((2*x+1)*x’*pi/(2*N))*sqrt(2/N);

C(:,1)=C(:,1)/sqrt(2)

colormap(‘gray’);

for i=1:N

for j=1:N

aa=C(:,i);

bb=C(:,j)’;

X=aa*bb;

subplot(N,N,N*(i-1)+j); imagesc(X); axis off;

end

end

خرید پروژه فیلتر dsp

هدف طراحی یک فیلتر فرکانس‌گزین گسسته در زمان با مشخصات داده‌شده است. برای این منظور مراحل زیر را انجام دهید:

1. با استفاده از روال طراحی و نیز روابط مربوطه، فیلتر با مشخصات مورد نظر را طراحی کنید. این مرحله شامل موارد زیر است:

• فیلتر IIR
• پارامترهای فیلتر پیوسته در زمان نمونه؛ شامل درجه فیلتر (N)، فرکانس قطع () و پارامتر تموج () را تعیین کنید.
• تابع تبدیل فیلتر پیوسته در زمان نمونه را به دست آورید. این کار شامل یافتن قطب‌های تابع تبدیل است.
• تابع تبدیل فیلتر گسسته در زمان را به دست آورید. این مرحله شامل تجزیه تابع تبدیل فیلتر پیوسته در زمان نمونه به کسرهای جزئی و سپس یافتن تابع تبدیل فیلتر گسسته در زمان مطلوب مطابق روال معرفی‌شده است.

توجه: تمام موارد فوق باید با استفاده از روال طراحی و روابط معرفی‌شده در درس و به صورت تحلیلی انجام شوند. برای اطمینان از درستی طراحی، پارامترهای مربوطه را با استفاده از دستورهای آماده موجود در MATLAB هم به دست آورید.

• فیلتر FIR
• پارامترهای طول (M) و شکل () پنجره Kaiser مناسب را تعیین کنید. این کار باید با استفاده از روال طراحی و روابط معرفی‌شده در درس و به صورت تحلیلی انجام شود. برای اطمینان از درستی طراحی، پارامترهای مربوطه را با استفاده از دستورهای آماده موجود در MATLAB هم به دست آورید.
• به منظور مقایسه، پارامتر طول پنجره Hamming مناسب را هم به دست بیاورید.

2. پاسخ ضربه، پاسخ دامنه، پاسخ لوگاریتم دامنه و پاسخ تأخیر گروه فیلتر (یا فیلترهای) حاصل را رسم کنید.
3. آزمایش‌های زیر بر روی فیلتر طراحی‌شده انجام دهید:

• با اعمال یک ورودی سینوسی (تک‌فرکانس) در باندهای مختلف، عملکرد فیلتر را بررسی کنید. برای این منظور فرکانس سیگنال ورودی را یک بار در باند (یا باندهای) عبور فیلتر انتخاب کرده و بار دیگر در باند (یا باندهای) قطع فیلتر
• با اعمال یک سیگنال نویز سفید به ورودی عملکرد فیلتر را بررسی کنید. توجه کنید که نویز سفید، یک سیگنال تصادفی غیرهمبسته است، لذا چگالی طیفی آن در همه فرکانس‌ها یکسان است. بنابراین انتظار داریم که چگالی طیفی سیگنال خروجی فیلتر مطابق با پاسخ دامنه فیلتر باشد.

4. یک گزارش مختصر، جامع و مفید از پروژه تهیه کنید که علاوه بر شرح مراحل طراحی تحلیلی و روابط مربوطه، شامل نمودارهای پاسخ ضربه، پاسخ دامنه، پاسخ لوگاریتم دامنه و پاسخ تأخیر گروه فیلتر و نیز نتایج آزمایش‌های انجام‌شده باشد.

طراحی یک فیلتر پایین‌گذر IIR با مشخصات زیر:

با تقریب Butterworth با استفاده از روش Impulse Invariance

طراحی یک فیلتر میان‌گذر FIR با مشخصات زیر:

به روش پنجره کردن

فیلتری با مشخصات زیر :

می دانیم که در فیلتر باترورث: ، در نظر می گیریم :  پس خواهیم داشت:

چون در روش Impulse Invariance    است.

با جایگذاری دو فرکانس   در رابطه مربع اندازه و در نظر گرفتن این که اندازه در باند عبور باید از 0.85 بیش تر و در باند توفق از 0.2 کم تر باشد داریم:

و برای محاسبه ی  از یکی از شروط یاد شده ی باند عبور یا باند توقف استفاده می کنیم، اگر از شرط باند عبور استفاده کنیم رابطه زیر را خواهیم داشت :

با محاسبه مقادیر به صورت زیر به دست می آیند:

و در متلب داریم:

که :

لذا متلب به دست می دهد:

که با تحلیل دستی مطابقت دارند. حال بایستی محل قطب ها و گین را به دست آوریم:

 و با داشتن شعاع دایره باترورث قطب ها را به دست می آوریم:2Nبا در نظر گرفتن دایره واحد و تقسیم بندی آن به

,

در متلب :

و نتایج:

که با تحلیل دستی مطابقت دارند.

  به کسرهای جزئی داریم:H(s)با تجزیه

و نتایج:

که با تحلیل دستی مطابقت دارند.

می دانیم که در روش تغییر ناپذیری پاسخ ضربه داریم:

با داشتن این رابطه تابع انتقال گسسته به صورت زیر حاصل می شود:

که:

و در متلب:

نتایج:

که با تحلیل دستی مطابقت دارند.

دستورات لازم برای رسم پاسخ فرکانسی :

 توجه: تمام نمودارها در بازه  رسم شده اند.

آزمایش موج تک تن سینوسی :

اگر طیف ورودی در باند عبور باشد فیلتر آن را عبور می دهد:

اگر طیف ورودی در باند عبور باشد فیلتر آن را تضعیف می کند :

کد متلب پواسون و گرما با المان محدود

شرح برخی از کار و کد نوشته شده

برنامه نوشته شده در نرم افزار matlab  به نام  tamrin1.m   به صورت زیر است:

clc;

clear;

%solve u_xx + u_yy + g(x,y)u = f(x,y);

 f=-50,g=0;

توضیح مراحل مختلف حل با توجه به برنامه

1- وارد کردن مقادیر داده شده در تمرین جهت ساختن فرمول اصلی:

%solve u_xx + u_yy + g(x,y)u = f(x,y);

 f=-50,g=0;

% over the region D = [x0,xf,y0,yf] = {(x,y) |x0 <= x <= xf, y0 <= y <= yf}

D=[-2,2,0,8];

%dx=dy=0.4;

h=0.4;

2- مشخص نمودن تعداد نقاط شبکه بر روی محور x ها و y ها

3- حدس اولیه تابع پتانسیل و مشخص نمودن مقدار خطای محاسباتی

%inita guess of u(x,y)

U=ones(ny+1,nx+1);

%tolerance =0.0001;

tol=1e-4;

4- اعمال شرایط مرزی در تابع پتانسیل

5- استفاده ار رابطه ژاکوبین در نوشتن رابطه اپدیت پتانسیل با توجه به معادلات بدست آمده  از روش المان محدود FD

6- اعمال شرط توقف با استفاده از خطای اندازه گیری

7- رسم تابع پتانسیل:

8- خروجی به صورت زیر نشان داده می شود

برنامه نوشته شده در نرم افزار matlab  به نام  tamrin2.m

توضیح مراحل مختلف حل با توجه به برنامه

1- وارد کردن مقادیر داده شده در تمرین جهت ساختن فرمول اصلی

2- مشخص نمودن تعداد نقاط شبکه بر روی محور x ها و t ها

3-محاسبه مقادیرr  و W با توجه به روابط

4- اعمال شرایط مرزی در تابع معادله نفوذ

5-محاسبه مقادیر اولیه نقاط تقاطع شرایط مرزی

%define between node

U(1,1)=(100+0)/2;

U(11,1)=(100+0)/2;

6-گسسته سازی با توجه به روش  کرانک–نیکلسون و اپراتور تفاضلی مرکزی

کد متلب کنترل فازی مقاوم غیر خطی  PCA

A New Nonlinear Fuzzy Robust PCA Algorithm and Similarity Classifier in
Classification of Medical Data Sets

چکیده مقاله

Abstract1
In this article a classification method is proposed
where data is first preprocessed using new nonlinear
fuzzy robust principal component analysis (NFRPCA)
algorithm to get data into more feasible form. After
this preprocessing step the similarity classifier is then
used for the actual classification. The procedure was
tested for dermatology, hepatitis and liver-disorder
data. Results were quite promising and better classification accuracy was achieved than using classical
PCA and similarity classifier. This new nonlinear
fuzzy robust principal component analysis algorithm
seems to have the effect that it project the data sets
into a more feasible form and when used together with
the similarity classifier a classification accuracy of
72.27 % was achieved with liver-disorder data, 88.94
% with hepatitis, and 97.09 % accuracy was achieved
with dermatology data. Compared to results with
classical PCA and the similarity classifier, higher accuracies were achieved with the approach using
nonlinear fuzzy robust principal component analysis
and the similarity classifier

Principal component analysis (PCA) [2] is a well extablished technique for data analysis and preprocessing.
The general motivation for PCA is dimension reduction.
PCA decomposes high dimensional data into a low dimensional subspace component and a noise component.
Nowadays, dimensionality reduction techniques such as
PCA are often used before classification [3, 4, 5] Many
databases that come from the real world are coupled with
noise, a random error or variance of a measured variable
[6]. Thus, real world data analysis is almost always burdened with uncertainty of different kinds.
Keywords: Dimension reduction, Nonlinear Fuzzy
robust PCA, Medical data, Similarity classifier

فروش کد ترانس تکفاز با pv curve

با توجه به مثال ما برای مسله مورد نظر داریم که سه حالت pf=1,pf=0.97 lag, pf=0.97 lead در نظر گرفته شوند.

برنامه pv_curve.m جهت رسم نمودار ولتاژ بر حسب بار نوشته شده است :

clc

clear

% pf = 0.97 lagging

beta=0.25

pdn=[0 0.1 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.60 .65 0.7 0.75 0.78 ];

v2n=sqrt((1-beta.*pdn – sqrt(1-pdn.*(pdn+2*beta)))/2);

pdp=[ 0.78 0.75 0.7 .65 0.6 0.55 0.5 0.45 0.4 0.35 0.3 0.25 0.2 0.1 0];

v2p=sqrt((1-beta.*pdp + sqrt(1-pdp.*(pdp+2*beta)))/2);

pd1=[pdn pdp];

v21=[v2n v2p];

% pf = 1.0

beta=0

pdn=[0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.99];

v2n=sqrt((1-beta.*pdn – sqrt(1-pdn.*(pdn+2*beta)))/2);

pdp=[0.99 0.9 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0];

v2p=sqrt((1-beta.*pdp + sqrt(1-pdp.*(pdp+2*beta)))/2);

pd2=[pdn pdp];

v22=[v2n v2p];

% pf = .97 l………………………………………………………………………………………….];

plot(pd1,v21,pd2,v22,pd3,v23)

legend(‘pf = 0.97 lagging’,‘pf = 1.0’,‘pf = .97 leading’)

xlabel(‘P(pu)’)

ylabel(‘V(pu)’)

توضیحات:

مقادیر توان ها بر حسب پریونیت (نسبت به توان نامی) مقدار دهی شده اند.

1-قسمت مربوط به مقدار دهی برای ضریب توان 0.97 پس فاز و محاسبه مقدار ولتاژ ته خط

% pf = 0.97 lagging

beta=0.25

pdn=[0 0.1 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.60 .65 0.7 0.75 0.78 ];

v2n=sqrt((1-beta.*pdn – sqrt(1-pdn.*(pdn+2*beta)))/2);

pdp=[ 0.78 0.75 0.7 .65 0.6 0.55 0.5 0.45 0.4 0.35 0.3 0.25 0.2 0.1 0];

v2p=sqrt((1-beta.*pdp + sqrt(1-pdp.*(pdp+2*beta)))/2);

pd1=[pdn pdp];

v21=[v2n v2p];

2-قسمت مربوط به مقدار دهی برای ضریب توان 1 و محاسبه مقدار ولتاژ ته خط

% pf = 1.0

beta=0

pdn=[0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.99];

v2n=sqrt((1-beta.*pdn – sqrt(1-pdn.*(pdn+2*beta)))/2);

pdp=[0.99 0.9 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0];

v2p=sqrt((1-beta.*pdp + sqrt(1-pdp.*(pdp+2*beta)))/2);

pd2=[pdn pdp];

v22=[v2n v2p];

3-قسمت مربوط به مقدار دهی برای ضریب توان 0.97 پیش فاز و محاسبه مقدار ولتاژ ته خط

% pf = .97 leading

beta=-0.25

pdn=[0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3];

v2n=sqrt((1-beta.*pdn – sqrt(1-pdn.*(pdn+2*beta)))/2);

pdp=[1.3 1.2 1.1 1.0 0.9 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0];

v2p=sqrt((1-beta.*pdp + sqrt(1-pdp.*(pdp+2*beta)))/2);

pd3=[pdn pdp];

v23=[v2n v2p];

فروش مقاله شبیه سازی شده پردازش موازی ژنتیک و فازی

دانلود رایگان مقاله Expert Systems with Applications

گزارش کار

داده کاوی برای القای قوانین متناظر با داده های تراکنشی مورد توجه قرار گرفته است. در این بررسی از الگوریتم داده کاوی فازی برای به دست اوردن قوانین متناسب و توابع اعضا استفاده شده است. یک بستر بر اساس GA برای یافتن نمونه بهینه مساله ایجاد شد. تطابق و انتخاب بهترین دسته کرومزوم بر اساس تعداد ایتم های بزرگ ایجاد شده از قسمت داده کاوی فازی و با تعیین اثر تناسب صورت می گیرد.

بستر مطرح شده یک جمعیت از مجموعه توابع اعضا دراد، و به طور خودکار از الگوریتم ژنتیک برای به دست اوردن نتایج استفاده می کند. ابتدا هر مجموعه از توابع اعضا را در یک رشته به طول ثابت می برد. سپس رشته مناسب را برای جهش انتخاب می کند تا نتاج های خوب را برای تابع اعضا به دست بیاورد. تابع اعضای نتاج تحت تکامل قرار گرفته و این روند تا زمانی که بهترین تابع اعضا حاصل شود ادامه می یابد.

تابع اعضای اعمالی به قوانین فازی به صورت توابع مثلثی در نظر گرفته می شود (شکل 1.). برای به دست اوردن انطباق و انتخاب مناسب از پارامتر های نرخ همپوشانی و نرخ پوشش استفاده می شود. نرخ همپوشانی به این صورت تعریف می شود:

که عبارت از طول همپوشانی بخش بر حداقل نیم دامنه فاصله از مرکز تابع مثلثی می باشد. همچنین میزان پوشش نیز از رابطه زیر به دست می اید:

حداکثر مقدار I_j در تراکنش می باشد.

2. اپراتور ژنتیک

اپراتور های ژنتیک در موفقیت الگوریتم ژنتیک نقش به سزایی دارد. اپراتور های مختلف برای کاربرد های مختلف بیان شده است.

2.1 یک مثال

فرض کنید بعد از چند نسل یک کروموزوم دید ایجاد شده باشد (شکل 2.).

شکل 2. کارکرد جهش.

الگوریتم داده کاوی

با توجه به داده کاوی بر اساس الگوریتم فازی و ژنتیک ورودی و خروجی های سیستم به صورت زیر مشخص می شود.

ورودی: داده های تراکنش n، مجموعه ایتم های m، استانه حمایتی و استانه اطمینان .

خروجی: مجموعه قوانین فازی و توابع اعضای متناظر با ان.

گام 1. به طور تصادفی افراد جمعیت P تولید می شود.

گام 2. هر مجموعه توسط یک تابع اعضا بازیابی می شود.

گام 3. مقدار انطباق برای هر کروموزوم مطابق زیر گام های زیر محاسبه می شود:

گام 3.1. مقدار انتقال با توجه به فرمول زیر به دست می اید:

گام 3.2. برای هر رژیم مقدار عدد اصلی تراکنش را به دست می اوریم:

گام 3.3. با توجه به مقدار استانه حمایتی بزرگی count را بررسی می کنیم.

گام 3.4 مقدار انطباق را برای کروموزوم تعیین می کنیم.

گام 4. Crossover را در جمعیت پیاده می کنیم.

گام 5. جهش را در جمعیت پیاده می کنیم.

گام 6. برای نسل بعد با ملاک انتخاب افراد را انتخاب می کنیم.

گام 7. در صورتی که معیار تراکنش ارضا نشود به گام 3 برو، در غیر این صورت به گام بعد برو.

گام 8. تابع اعضا را با بیشترین مقدار انطباق به عنوان خروجی به دست می اید.

به عنوان یک مثال چهار ایتم milk, bread, cookies و beverage را در نظر بگیرید. جدول 1. مقادیر count را برای رژیم های مختلف فازی نشان می دهد.

جدول 1. Count برای مناطق مختلف فازی.

در گام بعدی با توجه به روابط مذکور میزان انطباق را محاسبه می کنیم. نتایج در جدول 2. برای انطباق کروموزوم در جمعیت ورودی نشان داده شده است.

جدول 2. بخشی از مقادیر انطباق را برای کروموزوم در جمعیت ورودی

پس از اجرای الگوریتم نتایج به دست امده برای توابع اعضای فازی به شرح زیر است:

شکل 3. نمودار عضویت به دست امده برای Bread.

میزان نتایج حاصل از الگوریتم ژنتیک نیز در نمودار شکل 7. نشان داده شده است.

شکل 7. میزان میانگین مقادیر انطباقی به دست امده از الگوریتم ژنتیک.

توضیحات تکمیلی

نحوه اجرای برنامه

برای اینکه برنامه اجرا شود ابتدا فایل ها را در پوشه مناسبی از حالت فشرده خارج کرده و سپس فایل FGA.m را اجرا نمایید. فایل های کمکی که برای اجرای این فایل لازم است عبارت است از فایل MyCrossOver_Fcn که تابع crossover را مشخص می نماید. فایل SelectParents_Fcn که برای ایجاد نسل جدید استفاده شده و قسمت Mution در قسمت مربوطه نوشته شده است.

در قسمت ابتداییی کد نوشته شده در فایل FGA.m الگوریتم فازی فراخوانی می شود. الگوریتم برای مثال موجود در مقاله می باشد و هر گونه تغییر در ورودی های فازی باید تغییرات متناسب را در قسمت های مختلف از جمله فایل اصلی و فایل مربوط به crossover داشته باشد. نحوه محاسبه و اعمال crossover و انطباق (fitting) در قسمت قبل توضیح داده شد.

خرید کد کاربردی ترسیم مکان هندسی ریشه ها

برنامه قسمت اول:

a=[1 3 5 9 10]

b=1;

for i=1:5

   sys=tf([1 b],[ 1 a(i) 0 0])

figure(i)

rlocus(sys)

end

توضیحات: با جابه جایی قطب ها به سمت چپ محور جقیقی,مکان هندسی هم به سمت چپ مایل تر شده و سیستم پایدارتر می شود

شکل خروجی   برای  a=1

شکل خروجی   برای  a=3

شکل خروجی   برای  a=5

شکل خروجی   برای  a=9

شکل خروجی   برای  a=10

برنامه قسمت دوم

clear all;

clc;

close all;

b=[1 3 5 10]

a=10;

for i=1:4

sys=tf([1 b(i)],[ 1 a 0 0])

figure(i)

rlocus(sys)

end

توضیحات: با جابه جایی صفر ها به سمت چپ محور جقیقی,مکان هندسی هم به سمت راست مایل تر شده و سیستم نا پایدارتر می شود

ادامه مطلب...

سیمولینک قابلیت اطمینان سیستم قدرت

دانلود سریع صورت مسئله

با کمک نرم افزار متلب برنامهای بنویسید که برای یک سیستم قدرت اطلاعات واحدهای تولیدی شامل ظرفیت و نرخ خروج اضطراری و همچنین چگونگی تغییرات بار (مطابق الگوی تعریف شده در فصل دوم کتاب، نسبت بار ساعتی به حداکثر بار روزانه، نسبت اوج بار هر روز در هفته به اوج بار هفته، … و حداکثر بار سیستم) را از روی یک پرونده بخواند و برای این سیستم شاخص احتمال خاموشی و انرژی تامین نشده ”!&
  را محاسبه نماید.

در مباحث قابلیت اطمینان سیستمهای قدرت الکتریکی شاخص P1 را احتمال عدم تأمین بار شبکه توسط ظرفیت مؤثر تولید (نیروگاههای موجود در سیستم ) بیان میکنند.

مسلماً تأثیر کاهش بار به مراتب بهتر از وارد مدار نمودن یک واحد تولیدی واقعی با F)R مخالف صفر است.
اگر امکان جایگزینی یک نیروگاه بزرگ با احتمال خرابی مشخص در سال (F)R) با چندین واحد تولیدی کوچک که مجموع ظرفیت تولیدی آنها برابر ظرفیت همان نیروگاه بوده و احتمال خرابی آنها نیز برابر احتمال خرابی آن نیروگاه باشد وجود داشته باشد

مطالعات نشان داد که تجزیه این نیروگاه به واحدهای کوچک اثرات قابل توجهی در بهبود شاخصهای قابلیت اطمینان سیستم خواهد داشت.

ادامه مطلب...

شماتیک مدار: