ارزیابی پایداری بلند مدت ولتاژ در شبکه های انتقال و توزیع به هم پیوسته مبتنی بر شبکه عصبی خود بازگشتی LSTM

در این مقاله روشی مبتنی بر شبکه های عصبی حافظه طولانی کوتاه مدت (LSTM) برای پیش بینی ناپایداری بلند مدت ولتاژ در شبکه های انتقال و توزیع به هم پیوسته پیشنهاد شده است. شبکه عصبی با استفاده از اطلاعات برخط واحدهای اندازه گیری فازور، وضعیت پایداری ولتاژ شبکه را رصد می کند و در صورت پیشامدی در شبکه، با استفاده از اطلاعات قبل از رخداد و پس از آن، به ارزیابی وضعیت پایداری ولتاژ می پردازد. در واقع شبکه عصبی به عنوان ابزاری کمکی، اپراتور شبکه را از خطرات احتمالی پیشروی ناشی از ناپایداری ولتاژ پس از پیشامد رخداد در شبکه به سرعت آگاه می سازد. داده های لازم برای آموزش شبکه عصبی در حالت غیربرخط از نتایج پیشامد رخدادهای شبیه سازی شده فراهم شده است. برای تولید سناریوهای مختلف، با درنظرگرفتن رشد بار در مناطق مستعد به ناپایداری ولتاژ، پیشامد رخدادهای (N-۱) و (N-۱-۱) شبیه سازی و ارزیابی شده اند. برای ارزیابی عملکرد شبکه عصبی پیشنهادی، از شبکه توسعه یافته نوردیک استفاده شده است. در فرآیند آموزش شبکه عصبی، با استفاده از شیفت زمانی مناسب رخداد تمام پیشامدها به ثانیه دهم انتقال یافته تا شبکه عصبی، تنها تفاوت الگوهای رفتاری را آموزش ببیند. شبکه عصبی LSTM از خانواده شبکه های عصبی عمیق بازگشتی است که قادر است وابستگی های طولانی مدت احتمالی را دریافت و حفظ کند. به این ترتیب هر گونه تغییرات در ورودی ها، در فواصل زمانی مختلف دنبال می‫شود. شباهت خط سیر ویژگی های ورودی در ناپایداری بلند مدت ولتاژ به سری های زمانی، امکان استفاده از توانایی شبکه عصبی عمیق بازگشتی برای حل مسئله مطرح شده را فراهم کرده است. دقت پیش بینی شبکه عصبی در ثانیه هفدهم (۷ ثانیه پس از پیشامد رخداد) ۰۵/۹۹ درصد است. همچنین تاثیر کاهش ورودی های شبکه عصبی با خوشهبندی داده های ورودی مورد بررسی قرار گرفته است.

کلیدواژه ها:

Voltage stability ، interconnected transmission and distribution network ، neural network. ، پایداری ولتاژ ، شبکه انتقال و توزیع به هم پیوسته ، شبکه عصبی