مدل جانشین مبتنی بر شبکه عصبی عمیق برای برآورد سریع تلفات در شبکه های توزیع قابل بازپیکربندی

با گسترش منابع انرژی پراکنده (DER) در شبکه های توزیع فعال (ADN)، نیاز به ابزارهای کارآمد برای تحلیل برخط به ویژه برآورد تلفات شبکه به منظور بهینه سازی و کنترل افزایش یافته است. هرچند حل مدل های جانشین داده محور پخش بار AC دقت بالایی دارد اما برای ارزیابی های پرتکرار پرهزینه و زمان بر است. در این پژوهش، یک شبکه ی عصبی عمیق مدل جانشین ساده شده مبتنی بر شبکه عصبی عمیق (DNN) برای سیستم تست ۳۳ باس IEEE شبکه های توزیع فعال منابع انرژی پراکنده ارائه می شود که صرفا بر پیش بینی مجموع تلفات شبکه متمرکز است. این مدل با داده هایی آموزش دیده که تحلیل برخط از بارهای تصادفی، تزریق های DER، راهبری سامانه های ذخیره ساز انرژی و بازپیکربندی وضعیت سوئیچ ها تولید شده اند. نتایج نشان می دهد مدل پیشنهادی با خطای درصدی مطلق میانگین (MAPE) کمتر از ۱.۵ و زمان استنتاج کمتر از ۰.۵ میلی ثانیه بیش از ۱۰۰ برابر سریع تر از روش های مرسوم عمل می کند. در فرآیند تولید داده با اعمال کنترل قابلیت پذیری توپولوژیکی، اتصال پذیری و شعاعی بودن، از معناداری فیزیکی پیش بینی ها اطمینان حاصل شده است. ارزیابی ها کارایی مدل را برای کاربردهای برخط در شبکه های با توپولوژی متغیر و نفوذ بالای منابع تجدیدپذیر را تایید می کند.

کلیدواژه ها:

شبکه های توزیع فعال ، منابع انرژی پراکنده ، شبکه عصبی عمیق ، تحلیل برخط ، مدل جانشین داده محور