fa توزیع بهینه توان راکتیو با استفاده از الگوریتم آموزش و یادگیری در حضور عدم قطعیت ناشی از توربین‌های بادی برق و کامپیوتر پژوهشي Research <strong><span dir="RTL">توزیع بهینه توان راکتیو با کاهش تلفات در شبکه نقشی اساسی را در بهره‌برداری اقتصادی از شبکه بر عهده دارد. در این مقاله الگوریتم آموزش و یادگیری برای توزیع بهینه توان راکتیو و کنترل ولتاژ در حضور توربین‌های بادی ارائه می‌شود. این الگوریتم از انواع الگوریتم‌های تکاملی مبتنی بر جمعیت بوده که توانایی بالایی در حل مسائل غیرخطی دارد. این مسأله در قالب یک مسأله غیرخطی عدد صحیح آمیخته مدل‌سازی می‌شود و در آن هم‌ متغیرهای پیوسته و هم متغیرهای گسسته مدل می‌شوند. جواب بهینه مسأله شامل مجموعه ولتاژ ژنراتورها، گام تپ چنجرترانسفورماتورها و وضعیت جبران‌سازهای راکتیو جهت کمینه‌سازی میزان تلفات در شبکه است. در روش پیشنهادی، با حضور عدم قطعیت سرعت باد، با بهره‌گیری از اطلاعات واقعی سرعت باد، از پخش بار به روش تخمین دو نقطه‌ای جهت مدل‌سازی عدم قطعیت استفاده می‌شود. &nbsp;روش پیشنهادی در سیستم استاندارد 57 باس </span>IEEE <span dir="RTL">پیاده‌سازی شده است. جهت اثبات کارایی الگوریتم آموزش و یادگیری نیز این الگوریتم با دو الگوریتم تجمع ذرات و تکامل تفاضلی</span> مقایسه شده است. نتایج نشان از کارایی روش پیشنهادی در کاهش تلفات و همچنین ارضای قیود مسأله است.</strong> Optimal reactive power dispatch plays an important role in economic operation of network by reducing the loss. In this paper, the teaching learning based optimization algorithm is used to optimal reactive power dispatch and voltage control. This algorithm is an evolutionary and population based algorithm which has a great capability to solve the nonlinear problems. This problem is formulated as a mixed integer nonlinear problem including both continues and discrete variables. Optimal solution of problem contains set of generators voltage, tap changers and compensative reactive components. In the proposed approach, using real wind speed data and considering the wind uncertainty, the two points estimate power flow is used to model the uncertainties. The proposed method has been implemented on 57-bus IEEE test case. A comparing has been done between the teaching learning based optimization algorithm and particle swarm optimization and differential evolution algorithms in order to verify the efficiency of the proposed algorithm. The results demonstrate the efficiency of the proposed method in reducing losses and handling the constraints. الگوریتم آموزش و یادگیری, پخش بار احتمالی تخمین دو نقطه‌ای, توربین‌های بادی Teaching learning based optimization algorithm algorithm, two points estimate probabilistic power flow, wind turbine 93 101 http://ieijqp.ir/browse.php?a_code=A-10-464-2&slc_lang=fa&sid=1 Arsalan Najafi ارسلان نجفی arsalan.najafi@gmail.com 2372591673 10031947532846002581 Yes Islamic Azad University of Sepidan دانشگاه آزاد اسلامی واحد سپیدان Hamid Falaghi حمید فلقی falaghi@birjand.ac.ir 10031947532846002582 10031947532846002582 No University of Birjand دانشگاه بیرجند