MARC

 008260126s2024        us                              c    eng  d
■001000017360640
■00520260202105559
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265401908
■035    ▼a(MiAaPQ)AAI32315950
■035    ▼a(MiAaPQ)GeorgiaTech76895
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658.404
■1001  ▼aAquino,  Alejandro  D.  Owen.
■24510▼aOffline  Simplification  and  Reduction  Strategies  for  Online  Solution  of  Power  System  Optimization  Problems
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a131  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Molzahn,  Daniel.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThe  objective  of  the  research  presented  in  this  dissertation  is  to  push  forward  the  boundaries  of  the  types  of  power  systems  optimization  problems  that  can  be  solved,  especially  when  fast  solutions  are  required  for  online  decision  making.There  is  no  shortage  of  complex  optimization  problems  in  the  area  of  Power  Systems.  The  inherent  physics  of  power  flow  through  an  electric  power  system,  as  well  as  the  need  to  model  networks  that  encompass  anything  from  a  local  three-phase  distribution  feeder  to  a  country's  entire  transmission  system  make  some  of  these  optimization  problems  very  computationally  challenging.  Furthermore,  the  answers  to  some  of  these  problems  may  also  need  to  be  computed  quickly  during  real-time  operation  or  under  other  time  constraints,  thereby  adding  additional  difficulties  to  already  complicated  problems.  These  are  the  challenges  that  motivate  the  work  presented  in  this  document.  This  dissertation  proposes,  investigates,  and  validates  offline  computing  strategies  to  reduce  the  size  and  complexity  of  power  system  optimization  problems  used  online.  The  objective  of  the  proposed  strategies  is  to  leverage  the  increased  computational  power  usually  available  when  solution  time  is  not  critical,  to  come  up  with  tailor-made  reduced,  simplified,  or  surrogate  models  that  can  produce  fast,  yet  accurate  results.  These  techniques  are  proposed  and  then  applied  to  different  challenging  problems  that  serve  as  case  studies  and  validation.To  that  end,  this  dissertation  presents  a  non-convex  constraint  screening  methodology,  a  single-level  reformulation  strategy  for  bilevel  optimization  problems  using  surrogate  neural  networks,  and  an  application  of  a  linearizing  approach  to  represent  large  three-phase  unbalanced  distribution  networks.  Furthermore,  the  techniques  presented  here  are  used  to  solve  modern  day  complex  problems,  showcasing  possible  applications  including  the  ACOPF  problem,  the  N  −  k  Interdiction  problem,  and  an  Emergency  Electric  Vehicle  Charging  problem.
■590    ▼aSchool  code:  0078.
■650  4▼aSchedules
■650  4▼aViolations
■650  4▼aMotivation
■650  4▼aElectricity
■650  4▼aElectricity  distribution
■650  4▼aBuses
■650  4▼aEvacuations  &  rescues
■650  4▼aElectric  vehicles
■650  4▼aNeural  networks
■650  4▼aElectrical  engineering
■650  4▼aPublic  administration
■650  4▼aTransportation
■690    ▼a0800
■690    ▼a0544
■690    ▼a0617
■690    ▼a0709
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360640▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서