---

اتصالات نوری، به عنوان جایگزینی مناسب برای اتصالات الکتریکی در بوردها و تراشه های کامپیوتری، توسط فوتونیک سیلیکونی مجتمع مبتنی بر تکنولوژی CMOS قابل تحقق هستند. موجبر شیاری عایقی، به عنوان یکی از جدیدترین ساختارهای موجبر نوری، می تواند زیرساخت قطعات پسیو و اکتیو این مدارهای مجتمع را تشکیل دهد. قطعات پسیو دارای رفتار خطی هستند. از اثرات غیرخطی در موجبرهای فوتونیک سیلیکونی نیز می توان به منظور تحقق قطعات اکتیو تمام-نوری مثل لیزر، تقویت کننده و مدولاتور استفاده کرد. از طرفی، Si-nc:SiO2 به عنوان ماده ای جدید، دارای خاصیت غیرخطی قوی تری نسبت به Si است. نتایج تحلیل های تمام-موج موجبر شیاری در رژیم های خطی و غیرخطی نشان می دهند که ناحیه شیار این موجبر می تواند ضمن جای دادن Si-nc:SiO2، شدت نور بالایی نیز داشته باشد. بنابراین، این موجبر از طریق دو عامل رفتارهای غیرخطی را تشدید می نماید.

---

در این مقاله اینورتر منبع جریان چند سطحی جدیدی معرفی می­شود که با توجه به مزایایی که دارد می­تواند به عنوان یک جایگزین مناسب برای اینورترهای مرسوم در سطوح جریان متوسط استفاده شود. ساختار پیشنهادی از ماژول های اساسی تشکیل شده است که با موازی شدن این ماژول ها تعداد سطوح جریان خروجی افزایش پیدا می­­کند و شکل موج جریان تحویلی به بار و یا شبکه بهبود پیدا می­کند.  برای نشان دادن مزیت های اینورتر پیشنهادی، مقایسه ای از نظر تعداد کلید، تعداد منبع، سطح جریان قابل تحمل و تلفات مبدل بین ساختار پیشنهادی و چند ساختار ارائه شده در مراجع مختلف انجام گرفته است. نتایج شبیه سازی در دو بخش متصل به بار و متصل به شبکه، عملکرد مطلوب اینورتر پیشنهادی در تغذیه بار و تحویل توان اکتیو به شبکه با کیفیت مطلوب را تایید می­کند. همچنین یک نمونه آزمایشگاهی از اینورتر پیشنهادی در حالت متصل به بار تکفاز آماده و ارائه شده است که کیفیت عملی اینورتر پیشنهادی در تغذیه بار را نشان می­دهد.

---

 در این مقاله روشی برای مدل‌سازی بلادرنگ و متعامل بافت نرم در رزولوشن بالا بررسی می‌شود که در آن مدل درشت بافت نرم با غنی‌سازی مبتنی بر داده به مدل ظریف تبدیل می‌شود. برای این منظور در مرحله پیش‌پردازش نمونه‌های متناظر درشت و ظریف برای ساخت پایگاه داده‌های آموزشی ایجاد می‌شوند. با استفاده از یک رگرسور، مدل درشت مرحله آزمایش با مدل‌های درشت مرحله آموزش مقایسه شده و وزن‌هایی به هر نمونه آموزشی تخصیص می‌یابد و با این وزن‌ها بافت ظریف مرحله آزمایش با ترکیب خطی مدل‌های ظریف آموزشی تخمین زده می‌شود. با فرض تغییرشکل‌های محلی ناشی از اعمال نیرو به بافت، روشی برای استخراج بردار ویژگی پیشنهاد می‌شود که تغییرات مکانی گره محل تماس و گره‌های اطراف آن را روی مش مدنظر قرار داده و از تغییرات گره‌های دورتر صرف‌نظر می‌کند. این مساله باعث کاهش بعد بردار ویژگی و در نتیجه کاهش پیچیدگی محاسبات می‌شود. برای تعیین میزان شباهت و محاسبه وزن‌های ترکیب خطی، از رگرسور غیرخطی با هسته گوسی استفاده می‌شود و برای کاهش اعوجاج ناشی از وزن‌های منفی، الگوریتم حداقل مربعات غیرمنفی در رگرسور اعمال می‌شود. روش پیشنهادی روی دو مدل بافت نرم پیاده‌سازی شده و از نظر دقت بازسازی، پیچیدگی محاسباتی و زمان شبیه‌سازی مورد بررسی قرار گرفته است.

---

توان بالای عبوری از خطوط انتقال و هزینه‌های هنگفت ناشی از بروز خطاها در این خطوط باعث توجه ویژه محققین به مسائل مربوط به حفاظت در این حوزه شده است. ضعف‌های موجود در روش‌های حفاظت سنتی و وابستگی شدید آن‌ها به شرایط بهره‌برداری سیستم اهمیت موضوع تشخیص پیش از موعد خطا و پیش‌بینی آن با روش‌های جدید را دوچندان می‌کند. تشخیص به موقع و صدور هشدارهای مربوط به احتمال وقوع خطا با تحلیل داده‌ها و اطلاعات بدست آمده از سیستم و بررسی روابط بین پارامترهای مختلف قابل انجام است. در این مقاله از روش‌های مبتنی بر یادگیری ماشین که با دقت مناسب و مستقل از ناحیه عملکردی سیستم توان پیش‌بینی وقوع خطا را دارند استفاده گردیده است. برای بررسی عملکرد مدل‌ها تعداد زیادی داده‌ در شرایط بهره‌برداری متنوع تولید شده و به عنوان ورودی به الگوریتم‌های تحت بررسی داده شده است. همچنین تاثیر شرایط آب و هوایی مختلف به عنوان یکی از عوامل مهم در وقوع خطاها در خطوط انتقال در این مطالعه لحاظ شده است. به منظور افزایش جامعیت، بررسی صحت و مقایسه‌پذیری نتایج از سه روش KNN، SVM و درخت تصمیم در دو حالت (داده‌های نامتعادل و متعادل‌سازی شده در دسته‌بندی‌های موجود) استفاده شده و نتایج آن ارائه گردیده است. شبیه سازی‌ها و مدل‌سازی‌های ارائه شده در این مقاله با استفاده از نرم‌افزارPython  انجام گردیده‌اند.
 

---

امروزه ارائه‌دهندگان سرویس انرژی الکتریکی ناگزیر هستند در کنار شاخص‎های اقتصادی، شاخص‌های اجتماعی و دیدگاه مصرف‌کنندگان را نیز مدنظر قرار دهند. در این مقاله با مطالعه تابع رضایت مصرف‌کنندگان به‌عنوان شاخص اجتماعی، مدل بار نوینی مبتنی بر دیدگاه غیرخطی مصرف‌کنندگان توسعه داده‌شده است. ضریب رفتار فردی پارامتر اصلی تابع رضایت و درنتیجه مدل بار پیشنهادی می‌باشد که برای محاسبه این نیاز به فعالیت‌های میدانی و آماری است. به‌عنوان راه‌کار جایگزین، در این مقاله از کشش تقاضا که یک پارامتر شناخته شده در صنعت برق است برای محاسبه ضریب رفتار استفاده شده است. همچنین برنامه‌ی پاسخگویی تشویق-محور نوینی مبتنی بر مدل بار پیشنهادی توسعه داده می‌شود. در برنامه پاسخگویی طراحی شده، نرخ تشویقی برای مشارکت مصرف‌کنندگان به‌صورت بهینه بر اساس دیدگاه‌ فردی آن‌ها مشخص شود. نتایج عددی می‌دهند که برای مطالعه تابع مصرف انرژی الکتریکی نیاز است تا علاوه بر افزایش قیمت برق، نرخ تورم و افزایش درآمد مصرف‌کنندگان نیز موردبررسی قرار گیرند. همچنین نشان داده شد که برای شبکه مورد مطالعه، اجرای برنامه‌ی پاسخگویی بار بر روی مصرف‌کنندگان خانگی کمترین هزینه را دارد. حال‌آنکه برای دست‌یابی به بیشترین رفاه، مناسب‌تر است این برنامه‌ها بر روی مصارف عمومی انجام شود.

---

خودروهای الکتریکی در چند دهه اخیر به دلیل عملکرد و کارایی آن‌ها، محبوبیت قابل توجهی کسب کرده‌اند. این خودروها در حال حاضر به طور گسترده به عنوان راهکاری برای چالش‌های محیط زیست جهانی و گازهای دی اکسید کربن شناخته می‌شوند. باتری‌های لیتیوم-یون به دلیل مزایای مختلفی که دارند، بیشترین استفاده را در خودروهای الکتریکی دارند. تخمین وضعیت شارژ باتری در باتری­های لیتیوم یون نه تنها برای مدیریت بهینه انرژی بلکه برای اطمینان از عملکرد امن و جلوگیری از شارژ و دشارژ و در نتیجه کاهش عمر باتری از اهمیت بالایی برخوردار است. با این وجود، این پارامتر به طور مستقیم از پایانه­های باتری قابل اندازه­گیری نیست. بنابراین نیاز به تخمین آن وجود دارد. تاکنون روشهای مختلفی برای تخمین وضعیت شارژ باتری معرفی شده­اند. معروفترین روش برای تخمین وضعیت شارژ باتری  فیلتر کالمن توسعه یافته است. فیلتر کالمن توسعه یافته بر اساس مدل باتری، وضعیت شارز باتری را تخمین می­زند. با این وجود ، در فیلتر کالمن توسعه یافته، محاسبه ماتریس ژاکوبین می­تواند باعث ناپایداری فیلتر و تخمین نادرست مدل­های غیرخطی باتری شود. برای حل این مشکلات، در این مقاله از فیلتر ذره­ای حاشیه­ای هوشمند مبتنی بر اپراتورهای الگوریتم ژنتیک و M-H برای تخمین وضعیت شارژ باتری­های لیتیوم یون استفاده شده است. در روش پیشنهادی، برخلاف فیلتر ذره‌ای، نمونه­برداری بر روی توزیع حاشیه‌ای انجام می‌شود و ابعاد نمونه­برداری با گذشت زمان افزایش نمی‌یابد. بعلاوه، با استفاده از اپراتورهای الگوریتم ژنتیک و الگوریتم M-H تنوع میان ذرات و سازگاری افزایش می­یابد. برای ارزیابی عملکرد روش پیشنهادی برای تخمین وضعیت شارژ باتری، با تخمین وضعیت شارژ باتری با قیلتر ذره­ای توسعه یافته و فیلتر ذره­ای بی رد مقایسه شده است. نتایج نشان دهنده عملکرد موثر روش پیشنهادی در مقایسه با سایر روش­ها است. روش پیشنهادی برای بدست آوردن دقت تخمین یکسان با فیلتر ذره­ای به ذرات به مراتب کمتری نیاز دارد و حجم محاسبات آن پایین است. جذر میانگین مربعات خطا در روش پیشنهادی با ذرات مختلف نزدیک 0.007 است در حالی که در سایر روش­ها با کاهش ذرات جذر میانگین مربعات خطا در افزایش می­یابد

---

در این مقاله روشی کارآمد جهت حداقل کردن تلفات انرژی ارائه‌شده است. روش ارائه‌شده از شرایط بارگذاری متناوب طی بازه زمانی آینده به‌جای یک وضعیت لحظه‌ای شبکه استفاده می‌کند. این روش شرایط بهینه را در طی بازه زمانی داده‌شده با توجه به مقدار کنونی شرایط به دست می‌آورد. بازه زمانی داده‌شده به تعداد زیادی زیربازه کوچک‌تر تقسیم می‌شود. با افزایش تعداد زیربازه‌ها یا پروفیل‌های بار ابعاد مسئله افزایش می‌یابد که باید برای آن یک مقدار بهینه به‌دست آورده شود. در این روش متغیرها به گروه متغیرهای کنترلی پیوسته و گسسته تقسیم می‌شوند. درحالی‌که در هر زیربازه فقط متغیرهای کنترلی پیوسته اجازه تغییر دارند، متغیرهای پیوسته و گسسته در ابتدای هر بازه زمانی تنظیم می‌شوند. این مسئله با به‌کاربردن روش تجزیه خم عمومی GBD حل می‌شود. با استفاده از این روش شرایط بار برای هر زیربازه در زیر مسئله NLP حل می‌شود. سپس، نتایج زیرمسئله NLP در زیرمسئله اصلی به کار برده می‌شوند. همان‌طور که‌ در نتایج شبیه‌سازی نیز نشان داده‌شده است، روش ارائه‌شده نه‌تنها پروفیل ولتاژ را بهبود می‌بخشد، بلکه انرژی کل تلف‌شده در بازه زمانی موردنظر را نیز کاهش می‌دهد.