مبحث تلفات انرژی از مهمترین مقوله هایی است که صنعت برق با آن مواجه است و توجه به کاهش آن ضرورتی اجتنا ب ناپذیر می‮باشد. درکشورهای صنعتی از همان ابتدای شکل گیری این صنعت یعنی سال 1900 میلادی مبحث تلفات مورد توجه قرار گرفته است. یکی از مباحث مهم در بهره برداری شبکه های توزیع، کنترل توان راکتیو شبکه می‮باشد که به صورت یک زیر مسئله از بحث پخش توان بهینه (opf) مورد توجه قرار می گیرد. روش های مختلفی برای جبران توان راکتیو در شبکه های قدرت وجود دارد که برحسب نوع شبکه و شرایط بهره برداری آن یکی از این روشها مورد استفاده قرار می گیرد. جبران‮سازی با نصب خازن های موازی یکی از روش های معمول در شبکه های توزیع شعاعی می باشد که به طور فراگیر کاربرد دارد. طراحی اندازه و محل بهینه برای خازن های شبکه مسئله جایابی بهینه خازن‮ها (ocpp) نامیده می شود. بانک های خازنی نصب شده در شبکه‮های توزیع علاوه بر تنظیم سطوح ولتاژ در حد مجاز، باعث افزایش ضریب توان، کاهش تلفات و افزایش ظرفیت شبکه برای باردهی خواهد شد. در این تحقیق سعی شده است که با استفاده از روش های بهینه سازی هوشمند به حل مسئله جایابی خازن بپردازیم. مسئله تعیین محل و اندازه بهینه خازن در سیستم قدرت را می توان به صورت یک مسئله بهینه سازی مقید در نظر گرفت که تابع هدف آن کاهش تلفات شبکه خواهد بود و همزمان با آن باید قیود بهره برداری نیز ارضا گردند. به جهت پیچیدگی و غیرتحلیلی بودن تابع هدف، روش های تحلیلی یا مبتنی بر گرادیان تابع هدف در حل این مسئله قابل استفاده نیستند. اخیراً روش های هوشمند نتایج مطلوبی را در حل این‮گونه مسایل از خود نشان داده اند و از این‮رو ما استفاده از چند روش هوشمند نوین را در دستور کار قرار داده ایم. در این پایان نامه همچنین ایده هایی برای بهبود این روش‮ها ارائه می شود که میزان بهبود عملکرد هریک از آنها را قبل از اعمال بر روی مسئله ocpp، با استفاده از توابع تست استاندارد مورد ارزیابی قرار می‮دهیم. نتایج شبیه سازی نشان می دهد که الگوریتم ها و روش های پیشنهادی بر روی مسئله جایابی‮خازن نتایج رضایت‮بخشی در بهبود عملکرد شبکه توزیع داشته و نیز سود اقتصادی قابل توجهی از محل کاهش تلفات شبکه در پی خواهد داشت، به طوریکه اعمال روش‮های هوشمند در حل مسئله جایابی‮خازن، صرفه‮جویی اقتصادی برابر حداقل 6/5 درصد هزینه نهایی در سیستم 9 باسه و حداکثر 14/63 درصد هزینه نهایی در سیستم 15 باسه را در پی دارد. مقایسه نتایج به دست آمده از بهترین الگوریتم های پیشنهادی در این پایان نامه و نتایج روش های پیشنهادی در سایر مقالات نشان می دهد که الگوریتم های پیشنهادی و به خصوص الگوریتم های sfl و pso، عملکردی بهتر از روش های پیشنهادی در سایر مقالات دارند و هزینه نهایی بدست آمده را حداقل برابر 0/67 درصد و حداکثر برابر 3/16 درصد نسبت به مراجع مختلف کاهش داده‮اند.

در این پایان نامه با استفاده از داده های مربوط به بورس اوراق بهادار تهران، ارزش، طلا، نفت و دو ارز معتبر، روشهای هوش مصنوعی (بطور مشخص شبکه های عصبی استاتیک و دینامیک)، دسته ای از مدلهای آماری و تحلیل مولفه های بنیادی تغییرات روزانه شاخص بورس اوراق بهادار تهران بررسی می شود. نتایج بدست آمده نشان می دهند که با استفاده از این مدل ها حداکثر میزان پیش بینی درست جهت تغییرات روزانه شاخص بورس 67/3% است که خود مبین قابلیت پیش بینی پایین شاخص می باشد این روشهای پیش بینی، پایین بودن قابلیت پیش بینی شاخص بورس را که پارامتر hurst با مقدار 0.7029 به آن اشاره دارد تایید می کنند. در بخشی دیگر از این پایان نامه روشهای استفاده شده برای پیش بینی تغییرات شاخص بورس اوراق بهادار به همراه دسته ای از استراتژی های معامله به منظور پیش بینی ارزش روزانه سهام شرکت ایران خودرو و کسب سود بیشتر مورد استفاده قرار گرفته اند. با توجه به آنکه پارامتر hurst برای سری زمانی ارزش سهام ایران خودرو برابر 0/8411 محاسبه شده است. 82/11 درصد پیش بینی درست جهت تغییرات ارزش سهام ایران خودرو و کسب سود سالانه 30/16 درصد کارایی بالایی مدل و استراتژی های معامله معرفی شده را نشان می دهد.

چکیده ندارد.

چکیده ندارد.