یک الگوی بهینه سازی شده بر پایه ANFIS برای تخمین آنلاین حد پایداری ولتاژ در شبکه های قدرت با استفاده از الگوریتم جدید SIOA و تکنیک کاهش ابعاد مبتنی بر حداقل مربعات جزئی

این مقاله به چالش تخمین آنلاین حد پایداری ولتاژ (VSM) در شبکه های قدرت می پردازد. با توجه به نوسانات سریع در بار و شرایط عملیاتی متغیر، تخمین سریع و دقیق حد پایداری ولتاژ برای جلوگیری از رویدادهای ناپایداری ضروری است. با گسترش سیستم های قدرت، ابعاد داده های ورودی به طور قابل توجهی افزایش می یابد که نیاز به انتخاب ویژگی های کارآمد و تکنیک های کاهش ابعاد را ضروری می سازد. برای مقابله با این چالش، یک رویکرد هوشمند و هیبریدی نوآورانه پیشنهاد می شود که سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) را که توسط الگوریتم بهینه سازی Solifugae (SIOA) آموزش داده شده است، با رگرسیون حداقل مربعات جزئی (PLS) برای کاهش ابعاد و انتخاب ویژگی های غالب ترکیب می کند. مجموعه ویژگی اولیه شامل ویژگی های بار سیستم است که از واحدهای اندازه گیری فازوری (PMU) به دست می آید و اطلاعات اساسی درباره توپولوژی شبکه، سطوح بار، الگوهای تولید و رفتار سیستم کنترل را در برمی گیرد. اثربخشی چارچوب ANFIS–SIOA+PLS پیشنهادی با استفاده از سیستم های آزمایشی IEEE ۳۹ باس اعتبارسنجی شده است. تحلیل مقایسه ای با مدل های موجود در مقالات، عملکرد برتر روش پیشنهادی را به ویژه در زمینه کاهش ویژگی ها و سرعت همگرایی نشان می دهد. قابل توجه است که رویکرد پیشنهادی، کاهش ریشه میانگین مربعات خطا (RMSE) را به میزان ۴۱.۵۳% برای سیستم تست ۳۹ باس نسبت به بهترین نتایج گزارش شده در ادبیات موجود به دست می آورد. این بهبود کارآمدی و پایداری روش پیشنهادی را تایید می کند.