نظارت بر پایداری ولتاژ سیستم قدرت با استفاده از شبکه‌های عصبی مصنوعی با مجموعه کاهش‌یافته ورودی‌ها

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

نظارت بر پایداری ولتاژ سیستم قدرت با استفاده از شبکه‌های عصبی مصنوعی با مجموعه کاهش‌یافته ورودی‌ها

عنوان لاتین

Power system voltage stability monitoring using artificial neural networks with a reduced set of inputs

این مقاله رویکرد مبتنی بر شبکه عصبی مصنوعی (ANN) برای نظارت آن‌لاین حاشیه پایداری ولتاژ (VSM) در سیستم قدرت الکتریکی می‌پردازد. VSM با تخمین فاصله از حالت عملیات جریان برای نقطه محدود پایداری ولتاژ بیشینه برطبق پارامتر بارگذاری سیستم محاسبه می‌شود. بااستفاده از فرآیند روند متعامدسازی Gram-Schmidt در طول تکنیک حساسیت مبتنی‌بر ANN، روش انتخاب خصیصه کارآمد برای یافتن کمترین متغییر ورودی موردنیاز برای تقریب VSM با دقت‌کافی و سرعت اجرای بالا پیشنهادشده‌است. بسیاری از الگوریتم‌ها درحال‌حاضر در نوشته‌ها برای ارزیابی پایداری ولتاژ (VSA) با استفاده از شبکه‌های عصبی پیشنهاد شده‌اند، بااین حال، عیب‌اصلی کارهای قبلی این است که در زمان تغییر در تپولوژی سیستم‌ قدرت نیاز به آموزش شبکه‌عصبی وجود دارد. بنابراین، امکان‌ سنجی بکاربردن ANN تک برای تخمین VSM برای چندین پیکربندی سیستم در این مقاله بررسی‌ شده است. تاثیرات روش پیشنهادشده در مدل‌های پویای سیستم قدرت جدید استرالیا جنوب شرقی (SE) و 39-باس انگلستان پیشنهاد شده‌ است. نتایج بدست‌آمده نشان‌می‌دهند که الگوی پیشنهادشده، مدل ANN جمع‌ و جور و کارآمدی را فراهم‌می‌کنند که به‌طور موفقیت‌آمیز و بادقتی VSM را بررسی‌می‌کند و پیکربندی سیستم‌ متفاوت و نیز شرایط عملیاتی متفاوت را تخمین‌می‌زند، و استفاده از کمترین امکانات ورودی نیز امکان‌پذیر است

This paper presents an artificial neural network (ANN)-based approach for online monitoring of a voltage stability margin (VSM) in electric power systems. The VSM is calculated by estimating the distance from the current operation state to the maximum voltage stability limit point according to the system loading parameter. Using the Gram–Schmidt orthogonalization process along with an ANN-based sensitivity technique, an efficient feature selection method is proposed to find the fewest input variables required to approximate the VSM with sufficient accuracy and high execution speed. Many algorithms have already been proposed in the literature for voltage stability assessment (VSA) using neural networks; however, the main drawback of the previously published works is that they need to train a new neural network when a change in the power system topology (configuration) occurs. Therefore, the possibility of employing a single ANN for estimating the VSM for several system configurations is investigated in this paper. The effectiveness of the proposed method is tested on the dynamic models of the New England 39-bus and the southern/eastern (SE) Australian power systems. The results obtained indicate that the proposed scheme provides a compact and efficient ANN model that can successfully and accurately estimate the VSM considering different system configurations as well as operating conditions, employing the fewest possible input features