فایل ترجمه شده نظارت بر پایداری ولتاژ سیستم قدرت با استفاده از شبکه‌های عصبی مصنوعی

جزئیات و دریافت

عنوان انگلیسی مقاله:

Power system voltage stability monitoring using artificial neural networks with a reduced set of inputs

عنوان فارسی مقاله:

نظارت بر پایداری ولتاژ سیستم قدرت با استفاده از شبکه‌های عصبی مصنوعی با مجموعه کاهش‌یافته ورودی‌ها

سال: 2014 عنوان سايت منتشركننده مقاله: Elsevier  

عنوان مجله: Electrical Power and Energy Systems

وضعيت ترجمه : بسيار عالي (جداول نيز ترجمه شده اند)

تعداد صفحات انگليسي: 11 صفحه         تعداد صفحات فارسي: 23 صفحه

مقاله انگليسي: كليك كنيد

Abstract:

This paper presents an artificial neural network (ANN)-based approach for online monitoring of a voltage stability margin (VSM) in electric power systems. The VSM is calculated by estimating the distance from the current operation state to the maximum voltage stability limit point according to the system loading parameter. Using the Gram–Schmidt orthogonalization process along with an ANN-based sensitivity technique, an efficient feature selection method is proposed to find the fewest input variables required to approximate the VSM with sufficient accuracy and high execution speed. Many algorithms have already been proposed in the literature for voltage stability assessment (VSA) using neural networks; however, the main drawback of the previously published works is that they need to train a new neural network when a change in the power system topology (configuration) occurs. Therefore, the possibility of employing a single ANN for estimating the VSM for several system configurations is investigated in this paper. The effectiveness of the proposed method is tested on the dynamic models of the New England 39-bus and the southern/eastern (SE) Australian power systems. The results obtained indicate that the proposed scheme provides a compact and efficient ANN model that can successfully and accurately estimate the VSM considering different system configurations as well as operating conditions, employing the fewest possible input features

چکیده:
این مقاله رویکرد مبتنی بر شبکه عصبی مصنوعی (ANN) برای نظارت آن‌لاین حاشیه پایداری ولتاژ (VSM) در سیستم قدرت الکتریکی می‌پردازد. VSM  با تخمین فاصله از حالت عملیات جریان برای نقطه محدود پایداری ولتاژ بیشینه برطبق پارامتر بارگذاری سیستم محاسبه می‌شود. بااستفاده از فرآیند روند متعامدسازی Gram-Schmidt در طول تکنیک حساسیت مبتنی‌بر ANN، روش انتخاب خصیصه کارآمد برای یافتن کمترین متغییر ورودی موردنیاز برای تقریب VSM  با دقت‌کافی و سرعت اجرای بالا پیشنهادشده‌است. بسیاری از الگوریتم‌ها درحال‌حاضر در نوشته‌ها برای ارزیابی پایداری ولتاژ(VSA) با استفاده از شبکه‌های عصبی پیشنهاد شده‌اند، بااین حال، عیب‌اصلی کارهای قبلی این است که در زمان تغییر در تپولوژی سیستم‌قدرت نیاز به آموزش شبکه‌عصبی وجود دارد. بنابراین،  امکان‌سنجی بکاربردن  ANNتک برای تخمین VSM  برای چندین پیکربندی سیستم  در این مقاله بررسی‌شده است. تاثیرات روش پیشنهادشده در مدل‌های پویای سیستم قدرت جدید استرالیا جنوب شرقی (SE) و 39-باس انگلستان پیشنهادشده‌است.  نتایج بدست‌آمده نشان‌می‌دهند که الگوی پیشنهادشده، مدل ANN جمع‌وجور و کارآمدی را فراهم‌می‌کنند که به‌طور موفقیت‌آمیز و بادقتی  VSM  را بررسی‌می‌کند و  پیکربندی سیستم‌ متفاوت  و نیز شرایط عملیاتی متفاوت را تخمین‌می‌زند،  و استفاده از کمترین امکانات ورودی نیز امکان‌پذیر است.

باتوجه به اینکه قطع اصلی برق به‌دلیل اختلال در ولتاژ است[1]، مسئله پایداری ولتاژ تبدیل به یکی از مهم‌ترین چالش‌ها در طرح‌ریزی و عملیات سیستم‌های قدرت جدید شده‌است. ناپایداری ولتاژ که معمولآ با کاهش اولیه و پیشرو در مقادیر ولتاژ تا کاهش سریع شارپ رخ‌می‌دهد مشخص‌می‌شود، بااین حال، در یکسری موارد، مقدار ولتاژ قبلی برای تغییر شارپ در محدوده مجاز نهفته است و عملیات ممکن‌است هیچ علامت‌هشداردهنده‌ای تا زمانی که تغییرات عمده در حالت سیستم رخ‌دهد مشاهده‌نکنند[2]. بنابراین، در طی چند سال گذشته، تلاش‌های گسترده‌ای به توسعه مقیاس‌های عملی فاصله از حالت عملیاتی جریان نسبت‌به نقطه اختلال ولتاژ اختصاص‌داده‌شده است، این مسئله شاید یک هشداردهنده برای وضعیت بحرانی ارائه‌کند.

با داشتن تعداد زیادی ورودی  نه تنها اندازه ANN افزایش‌می‌یابد، بلکه هزینه و نیز زمان  مورد نیاز برای جمع‌اوری داده‌های آینده افزایش‌می‌یابند.  در این مقاله، روش‌های سریع  و کارآ برای کاهش تعداد متغییرهای ورودی  بیان‌شده است. در اینجا، روش متعامدسازی Gram-Schmidt اولین مورد بکاررفته برای کاهش تعداد متغییرهای ورودی است، و سپس شبکه‌های عصبی مبتنی‌بر تکنیک پیشنهادشده در [12] برای یافتن  تعداد کمینه خصیصه‌های مورد نیاز  برای یک تخمین خوب از حاشیه پایداری ولتاژ (VSM)  استفاده می‌شود. VSM به عنوان فاصله از حالت عملی جریان تا بیشینه نقطه محدود پایداری ولتاژ ( نقطه اختلال ولتاژ) برطبق پارامترهای بارگذاری سیستم تعریف می‌شود.

1. حاشیه پایداری ولتاژ

در بررسی نتایچ ناپایداری ولتاژ بارها به منظور جذب توان بیشتر توسط سیستم انتقال و تولید تلاش‌شده‌است [24]. فرض کنید که سیستم توان ساده به صورت پایدار در سطح بارگذاری اصلی کار می‌کند. شکل 1 تغییرات مقدار ولتاژ باز ویژه باس در سیستم را در برابر پارامتر بارگذاری λ نشان‌می‌دهد، این پارامتر سیستم مستقل که به آرامی تغییرمی‌کند را، مانند بار واکنشی و فعال و/یا پخش بار تولید فعال را نشان‌می‌دهد. برای بارگذاری سیستم زیر حداکثر، دو راه حل وجود دارد، یکی با ولتاژ بالا (پایدار)، و دیگری با ولتاژ پایین (ناپایدار).  همانطور که بارگذاری سیستم افزایش می‌یابد  شرایط اصلی، راه‌حل‌های نزدیک به یکدیگر و در نهایت یکی شده در نقطه بحرانی را دنبال کنید. این نقطه بینی یا دوشاخه‌شدگی زینی (SNB) با حداکثر توان انتقال متناظر است [25]. افزایش بارگذاری سیستم در ورای این نقاط می‌تواند به یک سیستم کامل  برای اختلال ولتاژ تبدیل شود.

در این مقاله، حاشیه پایداری ولتاژ (VSM) به عنوان فاصله از حالت عملی جریان تا نقطه اختلال ولتاژ منطبق با پارامتر بارگذاری سیستم  تعریف می‌شود، بنابراین، همانطور که در شکل 1 شرح داده شده است، برای محاسبه این حاشیه، نقطه SNB باید موقعیت‌یابی شود.

1. طراحی شبکه عصبی مصنوعی

یک شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که یکی از خصیصه‌های اصلی آن این است که دارای عملکرد اصلی شبیه به شبکه عصبی بیولوژیکی است[30]. در این مطالعه،  تپولوژی شبکه پیش‌خور چندلایه بکار می‌رود. این شبکه، که به پرسپترون چند لایه (MLP) هم گفته می‌شود، یکی از مشهورترین شبکه‌های عصبی است که امروزه استفاده می‌شود. یک شبکه عصبی MLP شامل یک لایه ورودی و یک لایه خروجی و یا لایه‌های پنهان بیشتری است. تعداد نورن‌ها در لایه‌های ورودی و خروجی به ترتیب، برابر تعداد ورودی و خروجی هستند، درصورتی که روش آزمون و خطا معمولآ برای تعیین تعداد نورون‌ها در لایه‌های پنهان بکارمی‌رود. هر نورون در لایه‌های پنهان به یکدیگر متصل هستند. هر نورون به نورون‌های دیگر از طریق لینک‌های ارتباطی متصل می‌شود، که هر یک از این لینک‌ها دارای یک وزن وابسته هستند.  وزن نشان‌دهنده اطلاعات استفاده شده برای حل مسئله  است  و باید با الگوریتم یادگیری (آموزشی) [30] تعیین شود.

1. انتخاب متغییرهای ورودی

آماده‌سازی انتخاب متغییرهای ورودی  یک فاکتور بحرانی برای موفقیت شبکه‌های عصبی است.  همه اختلالات ولتاژ در سیستم بارگذاری‌شده سنگین اتفاق‌می‌افتد. علاوه‌براین، پژوهش‌های نشان‌داده‌اند که پایداری‌ولتاژ به‌طور قدرتمندی تحت تاثیر بار سیستم است [33,34].  از طرفی دیگر؛ تولیدکننده همزمان منبع اصلی توان واکنشی است و تا حد زیادی، مسئول حفظ  مشخصات ولتاژ خوب در سراسر سیستم قدرت است[24]، بنابراین،  در ادامه مجموعه مناسبی از متغییرهای ورودی برای  پیش‌بینی VSM  بررسی می‌کنیم:

• مقدار ولتاژ و توان واکنشی تولید شده باس PV.
• توان فعال و واکنشی همه بارهای سیستمی.
• توان واکنشی تولید شده در همه ژنراتورهای سیستم.
• توان فعال تولیدشده باس کمکی.
  1. تولید الگوی آموزشی

در هردو سیستم استفاده شده در این مقاله، برای تولید الگوی آموزشی یا الگوی تست MLP ANN، توان فعال و واکنشی  همه بارهای سیستم و نیز مقدار ولتاژ باس PV به صورت تصادفی  درون محدوده خاصی از موردهای متغییر پایه تغییر می‌کند. در اینجا، فرض می‌شود که محدوده تغییرات مقدار ولتاژ همه باس‌های PV از 0.9 تا 1.1 زمان که متناظر با مقدار پایه است، مرزبندی شده‌است. همچنین فرض می‌کند که  هردو بار واکنشی و واقعی در باس‌ها  از محدوده 0.7 تا 1.2 زمان مقدار مبنای متناظر تغییر می‌کند، برطبق روابط زیر :

1. تجزیه و تحلیل احتمالی

سیستم قدرت با موضوع محدوده وسیع  اختلالات درطول شرایط عملیاتی واقعی است، و  وقوع یک اختلال گاهی اوقات به دنبال آن  باعث حذف عنصر مشکل‌زا  و درنتیجه پیکربندی سیستم جدید می‌شود، بنابراین،  برای ANNآموزشی توانایی تخمین VSM برای پیکربندی سیستم متفاوت ضروری است.  یک ایده ساده آموزش ANN مجزا برای هر تپولوژی بررسی شده‌است. این روش برای داشتن نتایج امیدوارکننده نشان‌داده شده است [7-9,20]، بااین حال، بااستفاده از این رویکرد در سیستم عملی به دانش  پیکربندی سیستم بعداز-احتمال نیازمند است. علاوه براین،  برای یک سیستم قدرتی گسترده، با تعداد کثیری احتمالات بالقوه معتبر،  آموزش ANN مجزا برای هر پیکربندی نتیجه شده  یک کاردشوار خواهد بود. در این مقاله، ANN تنها برای چندین پیکربندی سیستم آموزش داده شده است.

1. کاهش متغییرهای ورودی

اندازه‌گیری‌های سیستم قدرت برکنارشده و تعداد متغییرها به شدت بالا هستند. بنابراین، با محدودکردن فضای ورودی برای زیرمجموعه کوچکی از متغییرهای ورودی دردسترس  سودهای اقتصادی قابل توجهی و هزینه جمع‌اوری داده اضافی وجوددارد[37]، علاوه براین، کاهش در تعداد متغییرهای ورودی به مدل بهتری  با درنظرگرفتن یکسری از حالت‌ها منجر می‌شود. مجموعه متغییر ورودی بهینه شامل کمترین متغییر ورودی  نیازمند برای تشریح رفتار هدف خروجی، یا کمترین درجه افزونگی بدون هیچ متغییر بی‌ارزشی است [38]. یک رویکرد ساده برای پیداکردن زیرمجموعه بهینه ارزیابی همه ترکیبات ممکن متغییرهای ورودی است. این رویکرد ممکن است در زمانی که ابعاد مجموعه ورودی پایین باشد ممکن باشد، اما همانطور که ابعاد آن بالا می‌رود، امکان‌پذیری آن پایین می‌آید.  انواع گسترده‌ای از روش‌ها برای انتخاب تعداد کاهش یافته خصیصه‌های ورودی وجود دارد.  یک روش ساده، به طور ویژه مفید در عملیات، فرآیند متعامدسازی Gram-Schmidt است. این روش یک الگوریتم انتخاب پیش‌رو است که مجموعه‌ورودی را با اضافه‌کردن  ویژگی‌های پپشرونده، که باهدف رتبه‌بندی در فضای متعامد با ویژگی‌هایی که درحال حاضر انتخاب‌شده همبستگی دارد، است [37].

1. نتایج شبیه‌سازی

سیستم تست10- ماشین جدید انگلستان [40] و سیستم قدرت 39-باس استرالیای جنوب شرقی (SE) ساده‌سازی‌شده [41]، با مدل پویایی سطح‌بالا برای همزمان‌سازی ژنراتورها درطول  AVRآن‌ها در اینجا برای تشریح الگوی پیشنهادی برای نظارت پایداری ولتاژ آن‌لاین استفاده شده‌اند، بنابراین، محدودیت قدرت واکنشی ژنراتور نیز به این مقاله تحمیل‌شده است.  ابزار نرم‌افزار متن‌باز و آزاد متلب PSAT [23] درسراسر کدهای منبع برای پیداکردن حاشیه پایداری ولتاژ با استفاده از روش جریان قدرت پیوسته (CPF) در هردو سیستم‌های تست بکار می‌رود.

همانطور که از قبل گفته شد، می‌خواهیم VSM را برای هردو حالت پایه پیکربندی و برای تعداد  احتمالات انتخاب‌شده تخمین‌بزنیم. برای شناخت شدیدترین احتمال،  تحلیل احتمالات برای همه قطعه خط‌های تنها در سیستم 19-باس جدید انگلستان انجام‌می‌شود، و سپس  5احتمال به عنوان بحرانی‌ترین موردها انتخاب می‌شوند. احتمالات‌انتخاب‌شده در طول  VSM متناظرشان در شرایط بارگذاری حالت پایه در جدول2 نشان‌داده شده است. بنابراین، هدف ما در اینجا  تخمین VSM برای مجموع 6 پیکربندی سیستم، برای مثال، برای حالت پایه به علاوه  5 مورد از شدیدترین احتمالات است. روش CPF سپس برای بدست‌آوردن الگوی تست و/یا الگوی موردنیاز آموزشی برای ANN بکارگرفته می‌شود.

1. آموزش‌ ANN بااستفاده از همه ورودی‌ها در سیستم جدید انگلستان

برای آموزش یک MLP ANN، نیازمند انتخاب ساختار مناسب برای شبکه عصبی درسراسر تابع فعال‌سازی مناسب برای نورون‌های آن هستیم. در اینجا، بعد از چندین آزمایش یک شبکه عصبی MLP با یک لایه ورودی 67 ورودی؛ یک لایه پنهان شامل 8 نورون، و یک لایه خروجی برای تخمین VSMبرای پیکربندی‌های متعدد در سیستم تست 39-باس جدید انگلستان بکاررفته است. علاوه براین،  تابع انتقال مماس هذلولی انتخاب‌شده برای نورون لایه پنهان و تابع انتقال خطی برای نورون خروجی استفاده می‌شود.

1. آموزش ANN بااستفاده از مجموعه کاهش یافته  ورودی در سیستم جدید انگلستان

نتایج بدست آمده در بخش 6.1.1  برای سیستم تست 39-باس جدید انگلستان پذیرفته‌شده‌است،  VSM می‌تواند بااستفاده از یک MLP ANN با 67 ورودی با دقت قابل توجه تخمین‌زده‌‌شود. بااین حال، افزونگی متغییرهای افزونگی وجود دارند، که اطلاعات جدید را به مدل اضافه نمی‌کنند. با استفاده از فرآیند متعامدسازی Gram-Schmidt شرح داده شده در بخش 5،  67 متغییر ورودی اشاره‌شده در بالا رتبه‌بندی می‌شوند، و سپس 7متغییر به عنوان خصیصه مهم برای آموزش دیگر MLP aNN برای تخمین VSM انتخاب‌می‌شود.

1. نتایج شبیه‌سازی برای مدل ساده‌سازی شده  سیستم قدرت استرالیایی SE

شکل 8 نمودار تک-خط سیستم قدرت استرالیایی (SE) را نشان‌می‌دهند. این سیستم شامل  28 باس PQ ، 164 خط انتقالی و 14 ایستگاه قدرت 2 از 12 واحد است. همه ژنراتورهای سیستم با مدل پویای مرتبه 4 نشان‌داده می‌شوند و با سیستم‌های تحریک کننده مختلف منطبق با داده‌های ارائه‌شده  در[41] تجهیزشده است. تنها 28 باس در سیستم دارای بار واکنشی غیرصفر هستند. همه بارهای سیستم به عنوان توان ثابت مدل شده‌اند.

1. آموزش ANN بااستفاده از همه ورودی‌ها در سیستم استرالیایی SE

همانطور که از قبل اشاره‌شده، برای آموزش MLP Ann، یک ساختار مناسب برای شبکه عصبی درسراسر توابع فعال‌سازی مناسب برای نورون‌هایش  باید تعیین شود. در اینجا، بعد از چندآزمایش شبکه عصبی MLP با یک لایه ورودی شامل 114 ورودی، دو لایه پنهان شامل 12 و 8 نورون، هر نورون خروجی برای تخمین VSM برای پیکربندی انتخاب‌شده در سیستم توان استرالیایی SE انتخاب شده‌است.

1. آموزش ANN بااستفاده از مجموع کاهش‌یافته ورودی‌ها در سیستم استرالیایی SE

نتایج بدست آمده در بخش 6.2.1 نشان‌می‌دهند که  VSM برای سیستم تست استرالیایی SE می‌تواند به‌طور نسبتآ دقیق با استفاده از MLP ANN با 114 ورودی تخمین‌زده شود. بااین حال، همانطور که بیان شد،  متغییرهای افزونگی وجود دارند که  هیچ اطلاعات جدید به مدل اضافه نمی‌کنند. بنابراین،  114 متغییر ورودی اشاره شده در بالا  بااستفاده از  روش متعامدسازی Gram-Schmidt رتبه‌بندی می‌شود، و سپس 15 متغییر به عنوان خصیصه‌های مهم انتخاب می‌شوند. علاوه براین، ANN مبتنی بر تکنیک حساسیت  که در [24] شرح داده شده‌است  دوباره برای بدست‌آوردن خصیصه کاهش‌یافته پایانی  در بین 15 متغییر انتخابی توسط روش متعامدسازی Gram-Schmidt دوباره بکارگرفته می‌شود.

1. نتیجه

امروزه، مسئله پایداری ولتاژ تبدیل به یک نگرانی اصلی برای طراحان سیستم‌های قدرت و اپراتورها شده است. در برنامه‌های کاربردی آنلاین، عملگر سیستم باید قادر باشد که به سرعت شرایط خطر بالقوه را که منجر به  اختلال ولتاژ برای درنظر گرفتن اقدامات اصلاحی مورد نیاز می‌شود را سازمان‌دهی‌کند. بنابراین، نظارت پایداری ولتاژ آن‌لاین  تبدیل به یک بخش مهم  جدید   سیستم مدیریتی انرژی (EMS) شده است. علاوه براین، بکاربردن تعداد تکنیک‌های شبیه‌سازی برای نظارت حالت پایداری ولتاژ سیستم قدرت حتی بااستفاده از کامپیتورهای جدید امروزه از نظر محاسباتی هزینه بر است. برای انسجام این مسئله، در این مقاله، رویکرد شبکه عصبی مصنوعی (ANN) برای تخمین‌های آنلاین حاشیه پایداری ولتاژ (VSM) نمایش داده‌شده است. برخلاف بسیاری از کارهای منتشرشده قبلی، که ANN مجزا را برای عملیات احتمالی متفاوت بکار می‌برد، الگوی جدید برای تخمین آنلاین  یک ANN در این مقاله نشان‌داده شد. علاوه براین، براساس فرآیند متعامدسازی Gram-Smidth  و ANN مبتنی‌بر حساسیت، راه معنایی انتخاب خصیصه‌ها به عنوان ورودی شبکه عصبی نشان‌داده شد.