بخشی از مقاله
چکیده
در این مقاله به دلیل اهمیت پایداری وضعیت در سیستم های قدرت و ضرورت ارزیابی امنیت با سرعت و دقت قابل قبول، به بررسی قابلیت اطمینان پایداری وضعیت - - SSA برای تعیین سطح امنیت سیستم قدرت با استفاده از الگوریتم های SVD و شبکه فازی عصبی ANFIS پرداخته شده است. در این روش ابتدا کاهش نویز و انتخاب ویژگی با استفاده از الگوریتم SVD بر روی دادهها انجام می شود و سپس طبقه بندی دادهها با استفاده از شبکه فازی عصبی برای ارزیابی امنیت پایداری وضعیت در سیستم قدرت انجام می شود، در این تحقیق از مجموعه دادههای نیوتن رافسون - NRLF - برای آزمایش و ارزیابی روش پیشنهادی با سایر روش ها استفاده شده است که سرعت اجرا و دقت طبقه بندی روش پیشنهادی از روش های دیگر بهتر است.
واژگان کلیدی: ارزیابی امنیت پایداری وضعیت ، جریان داده، سیستم های قدرت. الگوریتم SVD-ANFIS
مقدمه
هدف نهائی یک سیستم قدرت آن است که مصرف کنندگان را با انرژی الکتریکی تغذیه نماید، انرژیرسانی و مخصوصا در حیطه انرژی الکتریکی- در طول تاریخ، مفاهیم متعددی به خود گرفته متضمن برآورده کردن خواستههای گوناگونی شده است. چنانکه در زمان اولین برقرسانی مفاهیمی چون کیفیت توان، پایداری شبکه، ضریب اطمینان سیستم، میزان تعهد شرکتهای برق در تداوم برقرسانی به مشترکان و… وجود نداشتند. امروز انرژیی مطلوب است که مشخصات زیر را دارا باشد:
-تا جائی که ممکن است ارزان قیمت به دست مصرف کننده برسد.
-برقدار کردن مصرف کنندهها باید همراه با اطمینان دادن به آنها در مورد پیوستگی برقدار ماندن باشد چون مصرف کنندگان تا یک حد منطقی انتظار تداوم انرژی الکتریکی را دارند.
-کیفیت توان یکی از مسائل مهمی است که امروزه با ورود عناصر مختلف به شبکه - مهمتر و تاثیر گذارتر از همه،عناصر الکترونیک قدرت هستند - جای بحث و بررسی بیشتری دارد.یک شبکه قدرت برای برآورده کردن اهداف فوق باید یک سیستم “ایمن” باشد. یعنی کل مجموعه تولید، انتقال و توزیع باید بتواند در مقابل خطاهای غیر منتظره، در یک تعامل خوب با همدیگر، پایداری خود را حفظ کرده و بدون وقفه به مصرف کنندگان برقرسانی کند.
ارزیابی امنیت شبکهها امروزه یکی از مسائل مهم و مورد توجه در فاز برنامهریزی، طراحی و بهرهبرداری از شبکه قدرت میباشد. ارزیابی امنیتی با ارزیابی داده های موجود به صورت آنلاین به منظور برآورد استحکام نسبی - سطح امنیتی - سیستم در وضعیت کنونی خود و یا برخی از وضعیت های آینده است. برای ارزیابی سطح امنیت سیستم های قدرت، پایداری وضعیت SSA به عنوان یک جنبه مهم در عملکرد سیستم قدرت می باشد. مشکل اصلی این است که سیستم های قدرت الکتریکی بسیار غیرخطی هستند و حل یک دستگاه معادلات - معادله پخش بار - به منظور تعیین الگوی جریان برق و ولتاژ سیستم به دلیل وجود محدودیت زمانی، حل سیستم هایی با چند هزار باس در عرض چند ثانیه غیرممکن است.
روش های یادگیری ماشین به خوبی برای مقابله با تشخیص الگو با یک روش کارآمد، مناسب است، و می توان آنها را به صورت آفلاین ، آموزش داد و به صورت آنلاین برای طبقه بندی، به علت قابلیت تعمیمشان استفاده کرد. تحقیقات با تشخیص الگو در اواخر ده شصت توسط دیلیاکو - DyLiacco, 1967 - 1و اواخر دهه هفتاد توسط پانگ و همکارانPang et - 2 - al, 1979آغاز شد.آقای سچویم و همکاران3 در سال 1987 با ارایه روش ANN وعده ارزیابی موفق برای سیستم های قدرت بزرگ در مقایسه با روش های مرسوم مانند پخش بار DC، روش پخش بار AC را داد. - - Schuite et al, 1987وراکوریا و همکاران4 یک متد سریع، آنلاین براساس SSA بر روی یک شبکه عصبی ارائه دادند که در مرحله اول، منطقه نفوذ هر یک از خاموشی ها مشخص شده است و پس از آن یک ANNاختصاصی برای پیش بینی پس از انتقال جریان و ولتاژ، آموزش داده میشود - Weeraçooriya, 1997 -
به تازگی، ماشین های پشتیبان بردار - SVM - ، بر اساس نظریه یادگیری آماری، در مناطق مختلف یادگیری ماشین، بینایی کامپیوتر و تشخیص الگو ، به دلیل دقت بالا و قابلیت تعمیم خوب آن ، استفاده شده است. - Azah Mohamed et al, - 2001یک چارچوب و برنامه کاری برای استفاده از DTو سایر روش های یادگیری خودکار برای ارزیابی آنلاین امنیت پایدار یک سیستم قدرت نیز توسط هاتزرگیرو و همکاران5 پیشنهاد شده است. - - Hatziargyriou et al, 1994ANN و SVM نیاز به زمان و فضای آموزش زیاد دارند و برای ارزیابی امنیت در سیستم های قدرت در مقیاس بزرگ، مناسب نیستند. بنابراین نیاز به یک روش سریع با میزان دقت قابل قبول برای ارزیابی SSA مورد نیاز است.
که برای رفع این مشکل روش جدید خوشه بندی جریان داده در سیستم های قدرت با استفاده از الگوریتم SVD و سیستم فازی عصبی - ANFIS - استفاده شده، با توجه به اینکه داده ها به صورت آنلاین در حال تغییر می باشند نیازمند به انتخاب پارامترهایی - ویژگی ها - جریان داده ای برای ارزیابی امنیت سیستم های قدرت می باشیم که از روش SVD برای انتخاب ویژگی بهینه و همچنین با توجه به اینکه الگوریتم یادگیری بصورت انلاین بر روی داده ها اعمال می شود و با تغییر آنلاین داده ها طبقه ها نیز تغییر می کنند، نیازمند به یک سیستم یادگیری هوشمند با میزان دقت بهینه است، از اینرو از سیستم فازی عصبی ANFIS استفاده می شود، این روش علاوه بر بهبود دقت طبقه بندی با تشخیص کلاس ها و بروز نمودن مرز تصمیم گیری در جریان داده ها باعث بهبود ارزیابی امنیت پایداری حالت در سیستم قدرت شده است.
انتخاب ویژگی6 به روش SVD
در این روش داده کاوی و طبقه بندی برای ارزیابی امنیت حالت پایدار در سیستم های قدرت با استفاده از الگوریتم SVD برای داده کاوی و طبقه بندی با استفاده از سیستم فازی عصبیانجام می شوند، روش برای داده کاوی برای جریان داده ها با استفاده از الگوریتم SVD ویژگی های بهینه را انتخاب می کنیم.با توجه به اینکه بعضی از ویژگی ها باعث عدم تشخیص امنیت و یا خطا در طبقه بندی و شناسایی مرز تصمیم گیری می شود لذا برای آموزش نیاز به یک روش بهینه برای داده کاوی یا انتخاب ویژگی داریم با توجه به اینکه داده ها به صورت آنلاین می باشند و زمان اجرا در ارزیابی امنیت نقش بسزایی دارد از الگوریتم SVD برای انتخاب ویژگی بهینه که زمان اجرای آن پایین و جزء روش های فیلتری محسوب می شود استفاده می شود.
