مدلسازی و پیش بینی شاخص های قابلیت اطمینان SAIFI و SAIDI در شبکه های توزیع برق با استفاده از الگوریتم های یادگیری نظارتی

قابلیت اطمینان شبکه های توزیع برق یکی از شاخص های کلیدی در ارزیابی عملکرد و پایداری سیستم های قدرت به شمار می رود. شاخص های SAIFI میانگین تعداد قطعی هر مشترک در سال و SAIDI میانگین مدت زمان قطعی هر مشترک در سال از مهم ترین معیارهای سنجش قابلیت اطمینان هستند که به طور مستقیم بیانگر کیفیت خدمات رسانی شبکه توزیع محسوب می شوند. در این پژوهش، با هدف بهبود دقت پیش بینی و تحلیل رفتار این شاخص ها، از الگوریتم های یادگیری نظارتی در حوزه هوش مصنوعی استفاده شده است. داده های مربوط به عملکرد شبکه توزیع شامل پارامترهای فنی، اقلیمی و بهره برداری جمع آوری و پس از پیش پردازش، به عنوان ورودی مدل ها مورد استفاده قرار گرفته اند. الگوریتم های مختلفی نظیر رگرسیون خطی، جنگل تصادفی، درخت تصمیم و شبکه های عصبی مصنوعی برای مدلسازی و پیش بینی شاخص های SAIFI و SAIDI به کار گرفته شده و نتایج آن ها از نظر معیارهای آماری مانند RMSE، MAE و ضریب تعیین R۲مقایسه گردیده است. نتایج نشان می دهد که مدل های مبتنی بر شبکه عصبی و جنگل تصادفی از دقت بالاتری در پیش بینی شاخص های قابلیت اطمینان برخوردارند و می توانند به عنوان ابزارهای موثر در تصمیم گیری، برنامه ریزی تعمیر و نگهداری، و افزایش پایداری شبکه های توزیع مورد استفاده قرار گیرند. در نهایت، نتایج این مطالعه بر اهمیت بهره گیری از الگوریتم های یادگیری ماشین در بهبود مدیریت و ارتقاء قابلیت اطمینان شبکه های توزیع برق تاکید دارد.

کلیدواژه ها:

قابلیت اطمینان ، شبکه توزیع ، شاخص های قابلیت اطمینان