بخشی از مقاله
چکیده
یکی از مهمترین شاخصهاي بیانگر پایداري گذرا، زمان رفع بحرانی - Critical Clear Time - یک خط میباشد. محاسبه CCT، مستلزم انجام شبیهسازي در حوزه زمان و انجام یک روند زمانبر میباشد. شبکه عصبی توان تخمین مقادیر CCT، با استفاده از کمیات بهرهبرداري را داراست. انتخاب مناسب وروديهاي شبکه عصبی، قدرت یادگیري شبکه عصبی را بالا میبرد. در این مقاله نشان داده میشود با بکارگیري روش آماريِ محاسبه همبستگی بین مقادیر CCT و کمیات بهرهبرداري، میتوان بهترین وروديهاي شبکه عصبی را براي تخمین CCT انتخاب کرد. درنهایت با بکارگیري
آنالیز حساسیت به بهبود پایداري گذراي سیستم در یک شرایط بهرهبرداري خاص پرداخته میشود.
-1 مقدمه
براي محاسبه مقدار CCT، میتوان از شبیهسازي در حوزه زمان استفاده نمود. براي این منظور با در پی گرفتن یک روند سعی وخطا مقدار CCT محاسبه میشود. روش شبیهسازي در حوزه زمان از لحاظ محاسبات بسیار زمانبر و حجیم میباشد. روشهاي هوشمند جایگزین مناسبی براي روش شبیهسازي حوزه زمان میباشند - [1] تا . - [3] در این مقاله با به کارگیري شبکههاي عصبی مصنوعی مقادیر CCT، تخمین زده میشوند.
در واقع شبکه عصبی بین شرایط بهرهبرداري قبل از بروز خطا ومقدار CCT ارتباط برقرار میکند. شرایط بهرهبرداري شامل اطلاعات گره واطلاعات شاخه میباشد. اطلاعات گره شامل توان اکتیو و راکتیو شینها و اندازه و زاویه ولتاژ شینها می- باشد. اطلاعات شاخه شامل توان اکتیو وراکتیو عبوري از خطوط میباشد. کمیات ورودي شبکه عصبی تخمینگر CCT ، باید به گونهایی انتخاب شوند که بهترین توصیف را از روشی نوین براي جابجایی تولید به عنوان عملیات پیشگیرانه به منظور افزایش پایداري گذرا با استفاده از آنالیز حساسیت شبکه عصبی تخمینگر امنیت مقادیر CCT داشته باشند.
در این مقاله با بکارگیري سه روش مختلف، کمیات ورودي شبکه عصبی انتخاب شده اند. سپس با به کارگیري هر دسته از این وروديها به آموزش شبکه - عصبی پرداخته شده است تا بهترین وروديها را انتخاب شوند. بهترین وروديها ،آن دسته از وروديها میباشند که خطاي آموزش وآزمایش شبکه عصبی براي آنها کمترین باشد. در این مقاله براي تخمین CCT هر یک از خطوط ، یک شبکه عصبی مجزا آموزش داده میشود. یکی از مهمترین وظایف بهرهبرداران سیستم قدرت این است که در شرایطی که پایداري سیستم ضعیف میباشد با انجام یک سري عملیات پیشگیرانه پایداري سیستم را بهبود دهند.
مقالات متعددي در زمینه انجام عملیات پیشگیرانه ارایه شده است. در مرجع 4] [ابتدا بین حاشیه امنیت انرژي بدست آمده از تابع گذراي انرژي و آرایش تولید با استفاده از شبکه عصبی ارتباط برقرار میشود سپس با استفاده از آنالیز حساسیت عملیات پیشگیرانه انجام میشود. در مرجع [5] بین مقادیر CCT و خروجی ژنراتورها یک ارتباط خطی برقرار میگردد سپس با توجه به این ارتباط به انجام عملیات جابجایی توان بین ژنراتورها پرداخته میشود.
در مرجع [6] بین حاشیه امنیت سیستم و شرایط بهرهبرداري به کمک شبکه عصبی ارتباط برقرار می- شود. سپس براي بهبود امنیت دینامیکی سیستم یک مسأله پخش بار بهینه حل میشود که تابع هدف مقادیر حاشیه امنیت میباشد که این تابع توسط شبکه عصبی ساخته شده است. در این مقاله با به کارگیري آنالیز حساسیت، مقادیر CCT خطوط در یک شرایط بهرهبرداري خاص افزایش داده شدند که باعث بهبود پایداري گذراي سیستم گردید. براي انجام عملیات پیشگیرانه آرایش تولید تغییر داده شد.
-2 انجام شبیهسازيهاي اولیه و تهیه اطلاعات خام شبکهاي که در این مقاله مورد مطالعه قرار میگیرد شبکه IEEE39 نیوانگلند میباشد. این شبکه داراي 39 شین، 10 ژنراتور و 33 خط میباشد. شبیه سازيها توسط نرمافزار Digsilent PowerFactory 13.1 انجام شد. براي تهیه دادههاي آموزشی شبکهعصبی تعداد 900 الگوي تولید و مصرف به گونهایی ایجاد گردید که تمام حالتهاي ممکن بهرهبرداري را پوشش دهند.
هر الگوي تولید و مصرف متشکل از توان اکتیو ژنراتورها و توان اکتیو و توان راکتیو بارها میباشد که هر یک از این کمیات بصورت تصادفی در گستره در نظر گرفته براي آن کمیت، انتخاب میشود. فرآیند انتخاب بگونهایی صورت میگیرد که فضاي کمیات تولید ومصرف بطور کامل پوشش داده شود. سپس مقدار CCT متناظر با هر خط در هر الگوي تولید و مصرف بدست آمد. CCT خطوطی که مقدار آنها از 4 ثانیه بیشتر بدست آمد برابر 4 ثانیه فرض شدند.
-3 انتخاب وروديهاي شبکه عصبی تخمینگر CCT
همانطور که گفته شد براي آموزش بهینه شبکه عصبی تخمینگر CCT یک خط، بایستی ازبین کمیات مختلف بهره برداري آن دسته از کمیاتی که تاثیر بیشتري بر روي تغییرات مقادیر CCT خط مربوطه دارند به عنوان ورودي هاي شبکه عصبی انتخاب شوند. در زیر سه روش مختلف براي تشخیص این کمیات بیان شده است:
روش اول: در این روش ابتدا بااستفاده از رابطه زیر همبستگی بین مقادیر CCT یک خط و هر یک از کمیات بهره برداريد. همبستگی بین آنها را بدست آوریم. n تعداد نمونه ها میباشد. ورودي هاي شبکه عصبی از بین آن کمیات بهره برداري که بیشترین همبستگی را با CCT خط مربوطه دارند انتخاب می شوند.
روش دوم: در این روش کمیاتی را انتخاب میکنیم که از لحاظ الکتریکی به خطی که قرار است CCT آن تخمین زده شود نزدیک باشند و آنها را کمیات محلی مینامیم. براي بیان روشی نوین براي جابجایی تولید به عنوان عملیات پیشگیرانه به منظور افزایش پایداري گذرا با استفاده از آنالیز حساسیت شبکه عصبی تخمینگر امنیت CCT یک خط کمیات زیر به عنوان کمیات همسایه آن خط تلقی میشوند:
- توان اکتیو و راکتیو خود خط وتمام خطوط متصل به شینهاي دو سر خط - خطوط همسایه -
- توان اکتیو و راکتیو ژنراتورهاي متصل به شینهاي متصل به خطوط همسایه
- توان اکتیو و راکتیو بارهاي متصل به شینهاي متصل به خطوط همسایه
- اندازه و زاویه ولتاژ شینهاي متصل به خطوط همسایه
روش سوم: در این روش بعد از مرتب کردن الگوهاي بهره- برداري بر اساس ترتیب افزایشی یا کاهشی مقادیر CCT یک خط، آن دسته از کمیات به عنوان وروديهاي شبکه عصبی انتخاب میشوند که داراي تغییرات کاهشی یا افزایشی بیشتري باشند. براي بدست آوردن میزان همنوایی بین هر کمیت و مقادیر CCT شاخصی تعریف شد. بدین صورت که بعد از مرتب کردن دادهها بر اساس مقادیر CCT یک خط، به منحنی تغییرات کمیت مورد نظر یک خط برازش میکنیم قدر مطلق شیب این خط هر اندازه بزرگتر باشد نمایانگر ارتباط بیشتر آن کمیت و CCT میباشد. شکل - - 1 این موضوع را نشان میدهد. در ادامه بهترین کمیات بیانگر CCT یک خط نمونه که با استفاده از سه روش فوق الذکر بدست آمده اند در جدول - 1 - نشان داده شده اند.
