ارزیابی برون‌خط پایداری گذرا به‌وسیله تعیین دقیق CCT با استفاده از شبکه عصبی با ورودی‌های مبتنی بر توابع انرژی

نویسندگان

1 دانشگاه تربیت دبیر شهید رجایی - دانشکده مهندسی برق

2 دانشگاه تربیت دبیر شهید رجایی - دانشکده مهندسی کامپیوتر

چکیده

یکی از مهم‌ترین مسائل در مطالعات امنیت دینامیکی سیستم‌هـای قدرت بزرگ، تعیین زمان بحرانی رفع خطا برای مجموعه‌ای از اغتشاش‌های محتمل است. با توجه به تغییر شرایط سیستم، محاسبه زمان بحرانی رفع خطا باید به‌صورت پی‌درپی و در فواصل زمانی کوتاه انجام شود. این محاسبه هرچند که در شرایط برون‌خط صورت می‌گیرد، اما با توجه به حجم بالای محاسبات و فاصله زمانی کوتاه بین دو محاسبه، نیاز به استفاده از روش‌های سریع و با دقت بالا است. در این مقاله با استفاده از شبکه عصبی، تخمین دقیقی از زمان بحرانی رفع خطا به‌دست می‌آید. ورودی‌های شبکه عصبی از جنس تابع انرژی بوده و فقط با انجام یک‌بار شبیه‌سازی زمانی حاصل می‌شوند. این ورودی‌ها، حداقل انرژی جنبشی، حداکثر انرژی پتانسیل و شیب منحنی حداقل انـرژی جنبشی می‌بـاشند. شبیه‌سـازی‌هـای انجام‌شده در دو سیستم 9 و 39 شینه IEEE نشان می‌دهد که شبکه عصبی طراحی‌شده با دقت قابل قبولی زمان بحرانی رفع خطا را تخمین می‌زند.

کلیدواژه‌ها


   [1]      A.A. Fouad, V. Vittal, and T.K. Oh, “Critical energy for direct transient stability assessment of a multimachine power system,” IEEE Transactions on Power Apparatus and Systems, vol. PAS-103, no. 8, pp. 2199-2206, 1984.
   [2]      F.A. Rahlmi, M.G. Lauby, J.N. Wrubei, and K.L. Lee, “Evaluation of the transient energy function method for on-line dynamic security analysis,” IEEE Transactions on Power Systems, vol. 8, no. 2, pp. 497-507, 1993.
   [3]      Y. Mansour, E. Vaahedi, A.Y. Chang, B.R. Corns, B.W. Garrett, K. Demaree, T. Athay, and K. Cheung, “B.C. hydros on line transient stability assessment (TSA) model development, analysis and post-processing,” IEEE Transactions on Power Systems, vol. 10. no. 1, pp. 241-253, 1995.
   [4]      A.H. El-abiad, and K. Nagappan, “Transient stability regions of multimachine power systems,” IEEE Transactions on Power Apparatus And Systems, vol. Pas-85, no. 2, pp. 169-179, 1966.
   [5]      H.D. Chiang, F.F. Wu, and P. Varaiya, “A BCU method for direct analysis of power system transient stability,” IEEE Transactions on Power System, vol. 9. no. 3, pp. 1194-1202, 1994.
   [6]      T. Athay, R. Podmore, and S. Virmani, “A practical method for the direct analysis of transient stability,”. IEEE Transactions on Power Apparatus and Systems, vol. PAS-98, no. 2, pp. 573-584, 1979.
   [7]      G.A. Maria, C. Tang, and J. Kim, “Hybrid transient stability analysis,” IEEE Transactions on Power Systems, vol. 5, no. 2, pp. 384-393, 1990.
   [8]      D.Z. Fang, T.S. Chung, Y. Zhang, and W. Song,  “Transient stability limit conditions analysis using a corrected transient energy function,” IEEE Transactions on Power Systems, vol. 15, no. 2, pp. 804-810, 2000.
   [9]      D.Z. Fang, A.K. David, C. Kai, and C. Yunli, “Improved hybrid approach to transient stability assessment,” IEEE Proceedings Gener. Transm. Distrib., vol. 152, no. 2, pp. 201-207, 2005.
[10]      D.Z.  Fang, and A.K. David, “A normalized energy function for fast transient stability assessment,” ELSEVIER Electric Power Systems Research 69, pp. 287-293, 2003.
[11]      A. Karami, “Power system transient stability margin estimation using neural networks,” ELSEVIER Electrical Power and Energy Systems, pp. 983-991, 2011.
[12]      D.J. Sobajic, and Y.H. Pao, “Artificial neural-net based dynamic security assessment for electric power systems,” IEEE Transactions Power System, vol. 4, no. 1, pp. 220-228, 1989.
[13]      Y.H. Pao, and D.J. Sobajic, “Combined use of unsupervised and supervised learning for dynamic security assessment,” IEEE Transactions on Power Systems, vol. 7, no. 2, pp. 878-884, 1992.
[14]      Q. Zhou, J. Davidson, and A.A. Foaud, “Application of artificial neural networks in power system security and vulnerability assessment,” IEEE Transactions on Power Systems, vol. 9, no. 1, pp. 525-532, 1994.
[15]      E. Hobson, and G.N. Allen, “Effectiveness of artificial neural networks for first swing stability determination of practical systems,” IEEE Transactions on Power Systems, vol. 9, no. 2, pp. 1062-1068, 1994.
[16]      F. Aboytes, and R. Ramirez, “Transient stability assessment in longitudinal power systems using artificial neural networks,” IEEE Transactions on Power Systems, vol. 11, no. 4, pp. 2003-2010, 1996.
[17]      A.G. Bahbah, and A.A. Girgis, “New method for generators’ angles and angular velocities prediction for transient stability assessment of multimachine power systems using recurrent artificial neural network,” IEEE Transactions on Power Systems, vol. 19, no. 2, pp. 1015-1022, 2004.
[18]      R. Gomez, D. Rajapakse, D. Annakkage, and T.  Fernando, “Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements,” IEEE Transactions on Power Systems, vol. 26, no. 3, pp. 1474-1483, 2011.
[19]      M. Mohammadi, and G.B. Gharehpetian, “On-line transient stability assessment of large-scale power systems by using ball vector machines,” ELSEVIER Energy Conversion and Management, pp. 640-647, 2009.
[20]      H. Sawhney, and B. Jeyasurya, “A feed-forward artificial neural network with enhanced feature selection for power system transient stability assessment,” ELSEVIER Electric Power Systems Research, pp. 1047-1054, 2005.
[21]      N.I.A. Wahab, A. Mohamed, and A. Hussain, “Fast transient stability assessment of large power system using probabilistic neural network with feature reduction techniques,” ELSEVIER Expert Systems with Applications, pp. 11112-11119, 2011.
[22]      A. Karami, and S.Z. Esmaili, “Transient stability assessment of power systems described with detailed models using neural networks,” ELSEVIER Electrical Power and Energy Systems, pp. 279-292, 2012.
[23]      A.A. Fouad, and S.E. Stanton, “Transient stability of a multi-machine power system part I: investigation of system trajectories,” IEEE Transactions on Power Apparatus and Systems, vol. PAS-100, no7, pp. 3408-3416, 1981.