تشخیص برخط ناپایداری ولتاژ در شبکه های قدرت با استفاده از روش های یادگیری ماشین

پایداری ولتاژ یکی از مهم ترین مولفه های امنیت و قابلیت اطمینان شبکه های قدرت محسوب می شود و تشخیص سریع ناپایداری ولتاژ، نقش تعیین کننده ای در جلوگیری از گسترش اختلالات و وقوع فروپاشی ولتاژ دارد. روش های سنتی ارزیابی پایداری، اگرچه از پشتوانه تحلیلی مناسبی برخوردارند، به دلیل نیاز به محاسبات پیچیده و زمان بر، در شرایط بهره برداری برخط و شبکه های قدرت با ساختار متغیر با محدودیت هایی مواجه هستند. پژوهش حاضر با هدف بررسی و تبیین قابلیت روش های یادگیری ماشین در تشخیص برخط ناپایداری ولتاژ در شبکه های قدرت انجام شده است. در این رویکرد، داده های حاصل از اندازه گیری های لحظه ای شبکه، به ویژه داده های اندازه گیری فازوری، به عنوان ورودی مدل های یادگیری ماشین مورد استفاده قرار می گیرند و پس از پیش پردازش، استخراج و انتخاب ویژگی های موثر، وضعیت پایداری شبکه در طبقات مختلف شناسایی می شود. در این چارچوب، الگوریتم هایی نظیر شبکه های عصبی، درخت تصمیم، روش های یادگیری عمیق و مدل های طبقه بندی می توانند روابط غیرخطی میان متغیرهای شبکه و وضعیت پایداری ولتاژ را شناسایی کنند. نتایج بررسی نشان می دهد که استفاده از روش های یادگیری ماشین می تواند زمان تشخیص وضعیت بحرانی را کاهش داده و امکان ارائه هشدار پیشگیرانه را برای بهره برداران فراهم سازد. همچنین، کیفیت داده های آموزشی، انتخاب ویژگی های مناسب، مقاومت مدل در برابر نویز و داده های ناقص و قابلیت تعمیم به شرایط بهره برداری جدید از عوامل اساسی موفقیت سامانه های تشخیص برخط هستند. بر این اساس، ترکیب تحلیل های فیزیکی شبکه با روش های داده محور می تواند زمینه توسعه سامانه های هوشمند، سریع و قابل اتکای پایش پایداری ولتاژ را فراهم کرده و نقش موثری در افزایش امنیت و تاب آوری شبکه های قدرت ایفا کند.

کلیدواژه ها:

ناپایداری ولتاژ ، یادگیری ماشین ، تشخیص برخط ، شبکه های قدرت