پیش بینی وضعیت پایداری ولتاژ کوتاه مدت مبتنی بر یک شبکه عصبی بازگشتی دوسویه با استفاده از داده های اندازه گیری فازوری در سیستم های قدرت
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 126
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-15-1_001
تاریخ نمایه سازی: 19 فروردین 1403
چکیده مقاله:
توسعه کاربرد روش های یادگیری ماشین و هوش مصنوعی و گسترش به کارگیری واحدهای اندازه گیری فازور (PMU) قابلیت تحلیل برخط سیستم قدرت با استفاده از داده های اندازه گیری را فراهم کرده است. در این مقاله یک روش یادگیری عمیق مبتنی بر شبکه عصبی بازگشتی دروازه ای دوسویه با لایه های کانولوشن برای پیش بینی برخط پایداری ولتاژ کوتاه مدت (STVS) به کمک داده های PMU ارائه شده است. با هدف بررسی رفتار دینامیکی سیستم قدرت در STVS، پایگاه داده شامل سری زمانی دامنه ولتاژ و زاویه فاز است. با استفاده از تابع لیاپانوف و انحراف دامنه ولتاژ یک شاخص دینامیکی برای دسته بندی داده های اندازه گیری در سه کلاس پایدار، هشدار و ناپایدار تعریف شده است. قابلیت شبکه بازگشتی دوسویه در تحلیل هم زمان داده های گذشته و آینده و قابلیت لایه کانولوشن در استخراج ویژگی های زمانی داده ها منجر به افزایش دقت ارزیابی برخط پایداری ولتاژ کوتاه مدت شده است. شبیه سازی ها روی شبکه های چندماشینه ۳۹ و ۱۱۸ شین IEEE نشان می دهد روش پیشنهادی می تواند پایداری ولتاژ کوتاه مدت را براساس داده های اندازه گیری قبل و بعد از خطا با دقت خوب و در زمان کوتاهی پیش بینی کند؛ به طوری که زمان بیشتری برای اقدامات اصلاحی در شبکه وجود داشته باشد. نتایج گواه است که الگوریتم پیشنهادی در مقابل تغییر ساختار شبکه قدرت و نیز تغییر نقاط بهره برداری مقاوم است؛ بنابراین، اجرای این مدل در شبکه های واقعی امکان پذیر خواهد بود.
کلیدواژه ها:
نویسندگان
امیرحسین باباعلی
دانشجوی دکتری، دانشکده مهندسی برق، دانشگاه شهید بهشتی، تهران، ایران
محمدتقی عاملی
استاد، دانشکده مهندسی برق، دانشگاه شهید بهشتی، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :