多个DGs减少总功率损失在径向分布系统中使用混合WOA-SSA算法

文摘

分布式发电机(DGs)目前广泛用于减少分销网络的功率损耗和电压偏差。DGs的最佳位置和尺寸达到最好的结果。本研究提出了一种新颖的杂交新metaheuristic优化在过去的两年,也就是说,樽海鞘(SSA)和鲸鱼群算法优化算法(WOA) multi-DG单元的最优位置和尺寸径向分布系统最小化总实权损失(千瓦),解决电压偏差。该混合算法上实现IEEE 13 -和123节点径向分布测试系统。OpenDSS引擎用于解决功率流找到电力系统参数,功率损耗和电压等资料通过MATLAB编程接口。结果描述的有效性提出混合WOA-SSA算法与IEEE标准的情况下(没有DG),重复载荷流方法,WOA和SSA算法独立应用。分析结果通过该算法更有效减少总有功功率损失,提高电压概要文件为各种分销网络和multi-DG单位。

1。介绍

分布式发电(DG)是一个小型发电单元,它是重要的在改善电力行业由于其体积小、效率高、运行成本低、安全、可再生能源的利用资源。人口的增长和科学的进步增加了对电力的需要。因此,必须增加所产生的电能来满足需求,具有重要的经济影响的国家。增加负载导致损失的增加可怜的电压调节。电容器在分销系统中扮演着一个关键角色,减少功率损耗。电容器通常插入在径向分布系统提供无功功率赔款。目前,DGs被广泛应用,因为它们使用可再生资源和交付活动和反应能力。DG单元的最优位置的分配制度是重要的,需要正确的规划;否则,功率损耗和电压不稳定会发生将会增加。因此,DG单元的分析和计划在配电系统中非常重要的研究领域。

在当前的工作中,提出了一种新颖的混合方法,加入两个新metaheuristic算法,即鲸鱼优化算法(WOA)和樽海鞘群算法(SSA)。混合优化算法称为WOA-SSA旨在最小化总rpl(千瓦),解决电压偏差通过安装multi-DG单位同时在两个不同的径向分布系统。三相不平衡的IEEE 13 -和123节点系统被用于这项工作进行测试。IEEE 13-bus系统包括6例:一个,两个,三个,四个,五个,和six-DG单位。IEEE 123 -公交系统包括8例:一,三,四,五,六,七,八,和nine-DG单位。rpl从该算法获得的比较与那些来自IEEE标准的情况下(没有DG)和来自WOA和SSA算法独立应用。MATLAB和配电系统仿真工具,自由OpenDSS [1,2),用于模拟。

剩下的纸是组织如下:部分2介绍了相关的工作。部分3提出问题的数学公式。部分4提出了优化算法。部分5介绍了交变载荷流(RLF)方法。部分6讨论了实验和仿真结果。部分7阐述了结论。

2。相关工作

已研制出许多metaheuristic方法将DG单元最优的网络。El-Fergany [3)提出了一种回溯搜索优化算法(BSA)分配DGs沿径向分布网络(rdn)。采用目标函数的权重因子降低网络的实际损失,提高电压概要改善操作性能。提出的方法应用于33 - 94总线rdn检查其生存能力。阮和Truong4]提出了重构方法基于布谷鸟搜索算法(CSA)有功功率损失最小化和最大化电压大小。CSA的方法是一种新的metaheuristic算法启发群从专性寄生的杜鹃物种在其他鸟类的巢产卵的其他物种解决优化问题。的有效性提出了CSA测试在三个不同的分销网络系统:33 - 69,和119 -节点系统。Kansal et al。5)提出了DGs的最佳位置和电力电容器补偿通过维护分布与集中代的概念。DGs的最佳位置和大小和电容器是由配电损失最小化。分析方法用于解决优化布置问题。该方法测试33 - 69总线测试系统。马哈茂德·et al。6)提出了一种有效的分析方法为最优分配DGs电气配电系统功率损耗降到最低。该分析方法可用于获得最佳组合不同类型DG的配电系统损失最小化。DG分配的分析方法是使用两个IEEE测试系统,执行即33-bus系统和69 -公交系统。Prabha和Jayabarathi7)提出了一种多目标优化技术确定的位置和大小multi-DG单位分销网络与不同的负荷模型。失去敏感性因子(LSF)决定了DGs的最佳位置。入侵杂草优化(硫磺岛)是一个基于metaheuristic算法受杂草的行为。这个算法被用来找到最优DGs的大小。该方法检测不同的负荷模型在IEEE 33 - 69总线径向分布系统。普拉卡什和Lakshminarayana8)提出了一种粒子群优化(PSO)算法来确定最优位置和DGs的大小。完整的分析是进行IEEE 33 - 69总线径向分布系统。每个系统被认为是两种不同的情况下,和比较结果证明了该方法的有效性的位置和大小的DG和功率损失的最小化。Srinivasan和Visalakshi9]给出了一个应用程序自治集团的粒子群优化(AGPSO)来解决功率损耗最小化的RDN使用优化配置和上浆DG单元和电容,没有网络重新配置提高效率的RDN 7例(除了基本情况)。该技术是测试标准IEEE 69总线的RDN。Ceylan et al。10)提出了一个优化模型基于新近开发的启发式搜索方法,也就是说,灰狼优化(拥有),协调各种分配控制器。各种案例研究IEEE 33 - 69总线测试系统修改包括抽头切换变压器、电容器、光伏太阳能电池板。汉和艾伯特(11)提出了一个混合GA-PSO算法最小化损失和维护可接受的电压概要文件同时在径向分布系统。目标函数是最佳规模和DGs在适当的公共汽车系统中减少实际功率损耗(rpl)和运营成本,提高电压稳定性。应用该算法,并演示了在IEEE 33 - 69总线分配系统。Jegadeesan和Venkatasubbu12]提出的杂交遗传算法和人工蜂群算法(ABC)寻找多个DGs和电容器的最佳位置和大小在径向分布系统。的主要目标是降低成本系统的优化布置多个DGs和减少rpl电容器。该混合算法测试IEEE 33 - 69总线径向分布系统。Javidtash et al。13)提出了一个新颖的组合nondominated排序遗传算法和模糊方法四个目标函数最小化,即成本,排放,功率损耗和电压偏差,典型34-bus测试微型智能电网"。Grisales-Norena et al。14)提出了一个基于人口的增量学习(PBIL)算法来确定最优的位置DGs和PSO大小来定义这些设备。主要目标是减少计算时间和有功功率损失,提高节点电压概要文件。提出的算法测试IEEE 33 - 69总线径向分布系统。哈立德et al。15)提出了一个算法来研究最优潮流(OPF)的电力系统与可再生DG集成。混合DG风能和太阳能光伏(PV)系统应用可再生DG的IEEE 30-bus的RDN。的主要目标是减少输电损耗。Swief et al。16]提出了布谷鸟搜索优化(方案)技术优化确定的位置和大小的光伏(PV)和风力涡轮机(WT) DGs。主要的目标是最大化系统的可靠性。建议的方法是在IEEE 69总线测试系统进行测试。El-Fergany [17)提出了一种回溯搜索算法(BSA)研究不同的负荷模型对确定的影响大小和DGs的最佳位置。主要目标是提高网络电压概要和减少rdn的功率损耗。该算法测试136 -总线和69 -总线上径向分布网络有四个加载模型。El-Fergany [18)提出了一种回溯搜索算法多目标方法和模糊专家规则multitype DGs在径向分布系统的优化配置。主要目的是最小化网络功率损耗,提高总线的电压概要,巩固静态电压稳定指标。该方法测试94 -和33-node径向分布系统与不同的场景。表1提出了一种分类的回顾了DG单元模型的最优位置。

3所示。数学问题公式化

3.1。目标函数

DG单元的最优位置和尺寸问题在径向分布系统旨在改善等特定的目标函数最小化rpl,提高电压概要文件。本文的目标函数可以写成: 在哪里 是DGs的最佳位置和大小的目的,分支机构的数量,公交车的数量,有功功率损失分支吗(千瓦)的电压大小巴士(p.u)。

3.2。约束

DG单元的最优位置和尺寸问题在径向分布系统有以下限制:(我)总线电压的大小是第一个约束。它必须保持在给定的范围内每个总线如下: 在哪里的电压大小巴士(p.u)。(2)DGs的容量限制测试系统获得的 在哪里是真正的发电量DG的巴士 。 和代表DGs的最小和最大实权能力,分别(3)DGs的最优位置必须大于1和小于或等于公共汽车的数量在测试系统。第一个总线是一个堆栈总线: 在哪里代表DG在公交车的位置和代表了总线的最大位置

4所示。混合WOA-SSA算法

4.1。WOA

WOA是一种新的metaheuristic算法提炼Mirjalili和刘易斯在2016年;该算法的基本灵感是座头鲸的社会行为和bubble-net狩猎策略19]。鲸鱼是世界上最大的哺乳动物。鲸鱼可以30米长,重达180吨。七个主要种类的鲸鱼存在,即小须鲸,杀手,Sei,驼背,长须鲸,右,和蓝色。鲸鱼通常类似于捕食者。鲸鱼生活在团体或孤独。然而,他们通常出现在组。座头鲸有一种特别的狩猎方法称为bubble-net喂养方法(20.]。座头鲸选择捕食小型鱼类或学校附近的磷虾表面。他们创建特殊的泡沫在一个圆或“9”型路径打猎。座头鲸可以找到他们的受害者,在他们的周围。WOA算法认为,当前最好的候选解决方案是我们的目标猎物或接近最优。最好的搜索代理确认后,其他搜索代理将尝试更新他们的位置最好的搜索代理。图1代表了WOA算法的流程图。该算法测试与6结构设计问题和29岁的数学优化问题;事实证明比传统的方法更成功和现代metaheuristic算法(19]。此外,它是由许多不同的优化领域的研究人员使用。Mostafa et al。21)提出了一个方法基于WOA肝脏在核磁共振图像分割。赛义德et al。22)提出了一种新的优化算法称为混沌鲸鱼优化算法(CWOA)特征选择基于混沌理论和WOA。哈桑和Hassanien23)提出了一个新颖的自动化方法提取视网膜眼底图像基于WOA的脉管系统。在这个算法的更多信息,请参阅参考资料(19]。

4.2。SSA

SSA是一种新的metaheuristic算法提炼2017年由Mirjalili et al。该算法的基本灵感樽海鞘的群集行为在海洋旅行时和觅食24]。在广阔的海洋,樽海鞘通常创建一个樽海鞘连锁群。樽海鞘的身体形状类似于一个透明的桶,和樽海鞘属于Salpidae家族。樽海鞘组织类似的水母。水母的运动也相似,也就是说,注入水的身体向前推和转变。群集行为的主要原因还不清楚,但一些研究人员认为,大量的做是为了获得最好的使用快速谐波变化和觅食。一些生物研究这种生物存在,因为生活环境很难访问,和樽海鞘难以保存在实验室环境中(24]。图2代表一个SSA算法的流程图。测试该算法解决一些具有挑战性和昂贵的工程设计计算问题(例如,船用螺旋桨设计和机翼设计);事实证明比传统的方法更成功和现代metaheuristic算法(24]。此外,它是由许多不同的优化领域的研究人员使用。El-Fergany [25]提出一种方法来定义质子交换膜燃料电池模型的未知参数的最佳值基于SSO。赛义德et al。26)提出了一种新的优化算法称为混沌樽海鞘群算法(综援)全局优化和基于混沌理论和SSA的特征选择。易卜拉欣et al。27)提出了一种分割模式鱼图像分割和识别的基础上,简单的线性迭代聚类(SLIC)方法对初始分割制定SSA的参数优化。在这个算法的更多信息,请参阅参考资料(24]。

4.3。WOA-SSA解决DG单元的最优位置和大小

SSA和WOA没有用于优化领域的力量。WOA-SSA杂交的两个算法,WOA和SSA,同时算法工作。0和1之间的一个随机数表示阈值确定要执行的算法。如果该值小于0.5,然后WOA执行;否则,SSA执行。该算法对提高配电系统需要一些更新来处理特定的问题和实现OpenDSS。图3提出了一种混合WOA-SSA算法的流程图。这种混合优化算法实现如下:(1)初始化一组常数,如人口规模(樽海鞘或鲸)的数量,数量的变量(维度),重复的最大数量 ,上界 ,和下界 。设置电压大小限制,可能DG位置和DG大小限制(2)随机产生的位置和大小DG单元根据人口规模,数量的变量和上界和下界。位置表示离散的数字,和大小代表连续数字。最初的数量如下: 在哪里是初始随机人口,樽海鞘的位置或鲸鱼的th人口和th变量,是人口规模,表示变量的数量(3)执行OpenDSS通过使用指定的负载概要文件运行负载流,执行功率流计算总有功功率(千瓦)和总线电压损失大小(p.u)候选人使用解决方案,并计算相应的健身价值的每个搜索代理测试系统使用方程(1)如下: 在哪里是健身的矢量值,是th人口健身价值,代表搜索代理号码(4)保存最好的搜索代理作为目标猎物或食物来源变量 ; =更好的搜索代理(5)选择一个随机数字 随着阈值(Thv);如果该值大于0.5,然后去10(6)更新WOA系数 , , , ,和如下: 在哪里线性减少从2 - 0在迭代的过程中,是当前迭代,是最大的迭代

向量和计算如下: 在哪里线性减少从2 0的迭代,和是一个随机向量 (7)计算之间的距离根据系数th鲸鱼和猎物和如下: 在哪里之间的距离吗鲸鱼和猎物,是系数向量,是一个随机的鲸鱼,鲸鱼的位置吗 , 是目标猎物,是当前迭代,一个随机数在吗 (8)更新每个鲸鱼的位置取决于系数和如下所示,然后去12: 在哪里是一个随机的鲸鱼,之间的距离吗鲸鱼和猎物,当前迭代,一个随机数在吗 , 是常数定义对数螺线的形状 ,和是一个随机数 (9)更新SSA系数如下: 在哪里当前迭代和代表的最大迭代数吗(10)更新每个樽海鞘的位置使用方程(12)的领袖和方程(13对从动件): 在哪里代表领袖的位置th维度;食物源的位置;和之间的随机数 ;和和分别代表了上下界限(11)修改解决方案候选人的值以外的搜索代理到上下界限(12)重复步骤3-11直到满足停止条件(13)打印的最优结果,如总有功功率损失(千瓦),DG的位置和大小,最小和最大震级的总线电压(p.u)。

5。重复加载流(RLF)方法

DG单元大大影响配电系统。具体来说,添加任何规模的DG在任何位置将增加或减少总功率损失的分销网络。RLF方法用于计算的最佳位置和大小DGs获得最低总功率损耗的分销网络。尽管这个算法产生精确的结果,它需要大量的负载流量计算;因此,该方法效率低下,“详尽。“总功率损失分配制度是减少当DG大小增加到一定程度,然后亏损开始出现,如图4。DGs的大小和位置的最小总功率损失的分配制度是最优的。

如图4,PDG2代表DG的最优规模。使用这种方法,最优位置和大小的DGs 13-bus测试系统是675和1913.217千瓦,分别,那些是67和1978.595 kW 123 -总线测试系统。图5显示功率损耗的趋势与DG 13-bus测试系统的大小的变化,在巴士675号。提出了该算法的步骤如下:

步骤1。设置最大DG大小(千瓦,PDGmax = 5000),最大可能DG位置(Lmax),目前的总功率损失(TPl =大量),当前位置(Cl = 2),当前DG大小(文章= 0)和电压大小限制。

步骤2。执行OpenDSS计算总有功功率(千瓦)和总线电压损失大小(p.u)通过使用指定的加载配置文件。

步骤3。如果电压大小没有限制,然后去一步6。

步骤4。如果总有功功率 ,然后去一步6。

第5步。 有功功率损失。

步骤6。如果文章> PDGmax,然后去一步8。

步骤7。文章文章还= + 0.001。

步骤8。如果Cl > Lmax,然后去一步10。

第9步。如果Cl = Cl + 1,然后去一步2。

第10步。打印最优DG大小(文章)和位置(Cl)和总功率损失。

6。实验和仿真结果

提出了优化模型的位置和大小(千瓦)multi-DG单位一直在实现IEEE 13 - 123总线测试系统。的节点地图所示电路是数字6和7(28,29日]。fixed-power (FP)负载模拟中使用不同的测试系统。表2和3在IEEE 13日表示FP负载值-和123节点测试系统,分别为(28,29日]。人口将30个不同的测试系统的仿真,和迭代的数量是1000年和100年在模拟IEEE 13 -和123节点测试系统,分别。最好的结果对所有模拟在这项研究在10迭代实现。所有DG单元在这项研究中有一个统一的功率因数。因此,只有有功功率(千瓦)注入不同模拟在IEEE测试系统无功功率(千乏)。

6.1。IEEE 13-Bus测试系统

这个小测试系统是高度加载,包括13个公交车,12行,和大部分的功能在真实网络中使用,如并联电容器银行,电压调节器,开销,不平衡负载,和地下线路。模拟恒定负载的IEEE 13-bus测试系统提出了表2。所有关于这个案例研究的信息,如线数据,总线数据,加载配置文件一直在解释(28]。总有功功率负荷(千瓦)和无功功率负荷(千乏)这个测试系统的3466千瓦和2102年千乏,分别。WOA-SSA的优化结果进行比较与标准IEEE案件没有DG安装,RLF方法,WOA和SSA算法独立申请单个DG单元,如表所示4。

下表中的数值结果反映了该算法之间的相似性和RLF方法,但WOA-SSA更快。表5表明该算法的效率与multi-DG单位情况优于标准的IEEE和WOA SSA算法独立应用。

表5的结果表明,该算法比其他算法。最好的情况是当four-DG单位使用。数据8,9,10分别表示比较的有功功率损失(千瓦)线,电压概要文件,以及收敛IEEE 13-bus测试系统提出WOA-SSA添加four-DG单位之后,SSA, WOA算法。WOA-SSA的比较、SSA和WOA运行时间对IEEE 6例13-bus测试系统如图11。

6.2。IEEE 123总线测试系统

这个测试系统的长度(公里)是12,包括123辆公交车,126行,和最常见的组件发现在实际网络中,这样的并联电容器银行和电压调节器。系统包含几个关闭和打开开关,使研究人员能够测试在这个测试系统重构策略。模拟恒定负载的IEEE 123总线测试系统提出了表3。所有关于这个案例研究的信息,如线数据,加载配置文件,和公交数据做了解释。29日]。总有功功率负荷(千瓦)和无功功率负荷(千乏)这个测试系统的3490千瓦和1920年千乏,分别。WOA-SSA的优化结果进行比较与标准IEEE案件没有DG安装,RLF方法,WOA和SSA算法独立申请单个DG单元,如表所示6。

该算法的结果类似的结果RLF方法但更好的执行时间和比WOA和SSA算法。表7说明了该算法的效率与multi-DG单位比那些WOA没有DG和SSA算法和IEEE案例。

最好的结果见表7使用该算法得到。数据12,13,14分别说明比较的有功功率损失(千瓦)线,电压,和收敛IEEE 123总线测试系统提出WOA-SSA添加five-DG单位之后,SSA, WOA算法。图15显示了比较WOA-SSA SSA, WOA运行时间的8例IEEE 123总线测试系统。

7所示。结论

两种metaheuristic算法,即WOA和SSA联合开发一种新的混合算法WOA-SSA呼吁减少径向分布系统的功率损耗。该算法应用于最小化总rpl(千瓦),解决电压偏差通过安装multi-DG单位同时在三相不平衡的IEEE 13 - 123 -节点径向分布系统。该算法成功地找到最好的位置和大小DG单元相比WOA和SSA独立实现。这个算法也成功地找到确切的解决方案在一个较RLF DG方法。数值分析结果表明,总rpl(千瓦)接近一个另一个在不同的测试系统和用例。在IEEE 13-bus测试系统,最好的结果是使用four-DG单位时获得的。single-DG单元的目标时可以使用最小渗透,而six-DG单元可用于最大渗透。在IEEE 123总线测试系统,得到了最好的结果当one-DG单位利用。这种情况下可以使用当目标最小渗透,而eight-DG单位可以采用最大渗透。得到最好的结果当five-DG用于多个DGs单元。 The practical results show how successful this algorithm is in finding the best location and size for the placement of various numbers of DG units, as well as better execution times compared with other algorithms. Economically, the total real power losses were decreased by 34.4% and 26.5% in the simulation on the IEEE 13- and 123-node test systems, respectively.

缩写

DGs:	分布式发电机
SSA:	樽海鞘群算法
WOA:	鲸鱼的优化算法
千瓦:	千瓦
RPL:	真正的功率损耗
rdn:	径向分布的网络
客服人员:	布谷鸟搜索算法
算法:	粒子群优化
遗传算法:	遗传算法
OpenDSS:	免费的配电系统仿真工具
:	数量的分支
:	许多公共汽车
:	有功功率的损失th分支
:	的电压大小th总线
:	真正的DG的发电能力th总线
和 :	最小和最大实权DGs的能力
DG李:	DG的位置th总线
:	最大的公共汽车的位置
t:	当前迭代
一个:	线性减少从2 0的迭代
:	最大迭代
D:	鲸鱼和猎物之间的距离
:	食物源的位置th维度
和 :	降低和上界th维度
p.u。	每单位
RLF:	重复加载流方法
外交政策:	固定的权力
千乏:	公斤伏安活性
BSA:	回溯搜索优化算法
LSF:	损失的敏感性因素
硫磺岛:	入侵杂草优化
AGPSO:	自治团体粒子群优化
拥有:	灰太狼优化
美国广播公司(ABC):	人工蜂群算法。

数据可用性

加载配置文件数据用于支持本研究的结果中包括这篇文章。其他数据,如线数据和总线数据一直在解释引用(20.,21]。

的利益冲突

作者宣称没有利益冲突。

引用

1. https://sourceforge.net/p/electricdss/wiki/Home/。
2. r·杜根“开放分布仿真系统研讨会:智能分布模拟,使用开放DSS”2010年会展EPRI PQ智能分布美国CA,页14日至17日,魁北克,2010。视图:谷歌学术搜索
3. a . El-Fergany”优化配置的多类型分布式发电机使用回溯搜索优化算法,”国际期刊的电力和能源系统卷,64年,第1205 - 1197页,2015年。视图:出版商的网站|谷歌学术搜索
4. t·t·阮和a . v . Truong分销网络重新配置功率损耗最小化和电压概要文件使用布谷鸟搜索算法改进,”国际期刊的电力和能源系统卷,68年,第242 - 233页,2015年。视图:出版商的网站|谷歌学术搜索
5. s . Kansal诉库马尔,b . Tyagi”集成DG和电容器在配电系统中,“国际期刊的分布式能源和智能电网11卷,第127 - 109页,2015年。视图:谷歌学术搜索
6. k·马哈茂德:Yorino, a·艾哈迈德”功率损耗最小化在分销系统使用多个分布式代,”电气和电子工程IEEJ事务,10卷,不。5,521 - 526年,2015页。视图:出版商的网站|谷歌学术搜索
7. d . r . Prabha和t . Jayabarathi多个分布式发电单元的最优位置和大小的分销网络入侵杂草优化算法,”Ain Shams工程杂志,7卷,不。2、683 - 694年,2016页。视图:出版商的网站|谷歌学术搜索
8. d·普拉卡什和c . Lakshminarayana多个DG配售分配系统使用PSO算法,减少功率损耗”Procedia技术25卷,第792 - 785页,2016年。视图:出版商的网站|谷歌学术搜索
9. Srinivasan和s . Visalakshi”应用的功率损耗最小化AGPSO径向分布网络通过DG单元,电容器和NR,”能源Procedia卷,117年,第200 - 190页,2017年。视图:出版商的网站|谷歌学术搜索
10. o . Ceylan g·刘,k . Tomsovic”协调分销网络控制抽头转换开关变压器、电容器和光伏逆变器,”电气工程,卷100,不。2、1133 - 1146年,2018页。视图:出版商的网站|谷歌学术搜索
11. v . j . Mohan t·a·d·艾伯特,“分布式发电优化分级和坐在使用遗传算法粒子群优化指导,”计算机科学和技术的进步,10卷,不。5,709 - 720年,2017页。视图:谷歌学术搜索
12. m . Jegadeesan和美国Venkatasubbu成本最低化,同时放置multi-DGs和电容器的使用混合优化分配系统,”国际先进的计算机和电子工程杂志》上,卷2,不。6,8 - 14,2017页。视图:谷歌学术搜索
13. n . Javidtash m . Jabbari t Niknam, m . Nafar”小说的混合物non-dominated排序遗传算法和模糊方法在微型电网多目标位置的分布式代,”《智能与模糊系统,33卷,不。4、2577 - 2584年,2017页。视图:出版商的网站|谷歌学术搜索
14. l . f . Grisales-Norena d·g·蒙托亚和c a . Ramos-Paja”最优分布式发电机的大小和位置根据PBIL算法技术,”能量,11卷,不。4、2018。视图:出版商的网站|谷歌学术搜索
15. 美国哈立德、a . m . Eltamaly和a . Beroual”最优功率流使用粒子群优化可再生混合分布式发电,”能量,10卷,不。7,1013年,页2017。视图:出版商的网站|谷歌学术搜索
16. r . Swief t Abdel-Salam, n . el-Amary“光伏和风力涡轮机集成应用布谷鸟搜索概率可靠的最优位置,”能量,11卷,不。1,p。139年,2018。视图:出版商的网站|谷歌学术搜索
17. a . El-Fergany”研究各种负荷模型对DG的影响位置和大小使用回溯搜索算法,”应用软计算,30卷,第811 - 803页,2015年。视图:出版商的网站|谷歌学术搜索
18. a . El-Fergany“多目标分配多类型分布式发电机的分销网络使用回溯搜索算法和模糊专家规则,”电力组件和系统,44卷,不。3、252 - 267年,2016页。视图:出版商的网站|谷歌学术搜索
19. Mirjalili和a .刘易斯“鲸鱼优化算法”,工程软件的进步卷。95年,51 - 67,2016页。视图:出版商的网站|谷歌学术搜索
20. w·a·沃特金斯和w·e·Schevill空中观察摄食行为的四种须鲸:Eubalaena glacialis,一道北欧化工,最远,一道physalus”,哺乳动物学杂志》,60卷,不。1,第163 - 155页,1979。视图:出版商的网站|谷歌学术搜索
21. a . Mostafa a . e . Hassanien m . Houseni和h . Hefny“肝脏分割在MRI图像鲸鱼优化算法的基础上,“多媒体工具和应用程序,卷76,不。23日,第24954 - 24931页,2017年。视图:出版商的网站|谷歌学术搜索
22. g·赛义德,达维希A, A . e . Hassanien”一个新的鲸鱼混沌优化算法进行特征选择,”杂志的分类,35卷,不。2、300 - 344年,2018页。视图:出版商的网站|谷歌学术搜索
23. g·哈桑和a . e . Hassanien视网膜眼底血管多层次分割使用鲸鱼优化算法,”信号,图像和视频处理,12卷,不。2、263 - 270年,2018页。视图:出版商的网站|谷歌学术搜索
24. s . Mirjalili a . h . Gandomi s . z . Mirjalili s Saremi h·法里斯和s . m . Mirjalili“樽海鞘群算法:仿生优化器对于工程设计问题,“工程软件的进步卷,114年,第191 - 163页,2017年。视图:出版商的网站|谷歌学术搜索
25. 答:a . El-Fergany”提取PEM燃料电池的最优参数使用樽海鞘群优化器,”可再生能源卷,119年,第648 - 641页,2018年。视图:出版商的网站|谷歌学术搜索
26. g . i赛义德、g . Khoriba和m . h . Haggag”小说混乱樽海鞘群算法全局优化和特征选择,”应用智能48卷,第3481 - 3462页,2018年。视图:出版商的网站|谷歌学术搜索
27. a·易卜拉欣a·艾哈迈德·s·侯赛因,a . e . Hassanien“鱼使用樽海鞘群算法图像分割,”国际会议上先进的机器学习技术和应用程序卷,723先进的智能系统和计算页,42-51施普林格,2018年。视图:出版商的网站|谷歌学术搜索
28. w·h·Kersting“径向分布测试喂食器,”2001年IEEE电力工程学会冬季会议。会议论文集(猫。No.01CH37194)哥伦布,页908 - 912年,哦,美国,美国,2001年。视图:出版商的网站|谷歌学术搜索
29. “径向分布测试喂。”https://ewh.ieee.org/soc/pes/dsacom/testfeeders/testfeeders.pdf。视图:谷歌学术搜索

版权

版权©2019哈立德穆罕默德Saffer Alzaidi等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。