استخراج سری های زمانی ولتاژ شین ها برای پیش بینی پایداری گذرا مبتنی بر رویکرد یادگیری ماشین

امروزه با افزایش مصرف انرژی الکتریکی، شبکه های برق به طور فزایندهای در مرز پایداری خود عمل می کنند. در چنین شرایطی از بهره برداری شبکه، پایش مداوم سیستم قدرت برای بررسی قابلیت اطمینان به امری مهم برای مدیران شبکه تبدیل شده است. ارزیابی وضعیت پایداری گذرا به عنوان یکی از زیرشاخه های امنیت سیستم قدرت می تواند در افزایش قابلیت اطمینان شبکه نقش بسزایی را ایفا کند. برای این منظور در گام اول، اندازه ی ولتاژ شین ها به عنوان ویژگی موثر در پیش بینی وضعیت پایداری گذرا معرفی می شود. در گام دوم، با توجه به اهمیت شبیه سازی دقیق فضای گذرا، شبیه سازی اغتشاشات بر روی سیستم قدرت تحت مطالعه با لحاظ پارامترهای مختلف مورد بررسی قرار می گیرد. در این مرحله، پایگاه داده ی جامعی از سری های زمانی گذرا ولتاژ شین ها برای آموزش مدل یادگیری تشکیل می گردد. در آخر، طبقه بند ماشین بردار پشتیبان برای طبقه بندی داده های سری زمانی سیستم قدرت با لحاظ فضای ویژگی سری زمانی گذرا، بکارگرفته می شود. نتایج آزمایش با سنجش معیارهای ارزیابی مختلف، ظرفیت بالای چارچوب پیشنهادی را برای ارزیابی وضعیت پایداری گذرا مبتنی بر سری های زمانی ولتاژ شین ها بر روی شبکه ی تست IEEE-۲۴ تایید می کند

کلیدواژه ها:

ارزیابی پایداری گذرا ، سری های زمانی ولتاژ شین ها ، طبقه بند ماشین بردار پشتیبان