ارزیابی پایداری بلند مدت ولتاژ در شبکه‌های انتقال و توزیع به‌هم‌پیوسته مبتنی بر شبکه‌ عصبی خود بازگشتی lstm

در این مقاله روشی مبتنی بر شبکه‌های عصبی حافظه طولانی کوتاه‌مدت (lstm) برای پیش‌بینی ناپایداری بلند مدت ولتاژ در شبکه‌های انتقال و توزیع به ‌هم ‌پیوسته پیشنهاد شده است. شبکه عصبی با استفاده از اطلاعات برخط واحدهای اندازه‌گیری فازور، وضعیت پایداری ولتاژ شبکه را رصد می‌کند و در صورت پیشامدی در شبکه، با استفاده از اطلاعات قبل از رخداد و پس از آن، به ارزیابی وضعیت پایداری ولتاژ می‌پردازد. در واقع شبکه عصبی به‌عنوان ابزاری کمکی، اپراتور شبکه را از خطرات احتمالی پیشروی ناشی از ناپایداری ولتاژ پس از پیشامد رخداد در شبکه به‌سرعت آگاه می‌سازد. داده‌های لازم برای آموزش شبکه عصبی در حالت غیربرخط از نتایج پیشامد رخدادهای شبیه‌سازی ‌شده فراهم شده است. برای تولید سناریوهای مختلف، با درنظرگرفتن رشد بار در مناطق مستعد به ناپایداری ولتاژ، پیشامد رخدادهای (n-1) و (n-1-1) شبیه‌سازی و ارزیابی شده‌اند. برای ارزیابی عملکرد شبکه عصبی پیشنهادی، از شبکه توسعه‌یافته نوردیک استفاده شده است. در فرآیند آموزش شبکه عصبی، با استفاده از شیفت زمانی مناسب رخداد تمام پیشامدها به ثانیه دهم انتقال‌یافته تا شبکه عصبی، تنها تفاوت الگوهای رفتاری را آموزش ببیند. شبکه عصبی lstm از خانواده شبکه‌های عصبی عمیق بازگشتی است که قادر است وابستگی‌های طولانی‌مدت احتمالی را دریافت و حفظ کند. به این ترتیب هر گونه تغییرات در ورودی ها، در فواصل زمانی مختلف دنبال می‫شود. شباهت خط سیر ویژگی های ورودی در ناپایداری بلند مدت ولتاژ به سری های زمانی، امکان استفاده از توانایی شبکه عصبی عمیق بازگشتی برای حل مسئله مطرح شده را فراهم کرده است. دقت پیش‌بینی شبکه عصبی در ثانیه هفدهم (7 ثانیه پس از پیشامد رخداد) 99.05 درصد است. همچنین تاثیر کاهش ورودی‌های شبکه عصبی با خوشه‏بندی داده‌های ورودی مورد بررسی قرار گرفته است.

long-term voltage stability assessment of an integratedtransmission distribution system based on lstmrecurrent neural network

in this paper, a new method based on long-short-term memory neural networks is proposed for predicting long-termvoltage instability in interconnected transmission and distribution networks. using the online information of the phasormeasurement units, the neural network estimates the stability of the network voltage and in case of any event in thenetwork, it estimates the long-term voltage stability status using the information before and after the event. thisstructure can be used as an auxiliary tool to quickly inform the network operator of possible risks caused by voltageinstability after any contingency in the network. the simulation results of different case studies in offline mode havebeen used to create the training dataset. in order to have different case studies, considering load growth in areas prone tovoltage instability, (n-1) and (n-1-1) contingency have been simulated. the nordic extended network has been used toevaluate the performance of the proposed method. using the appropriate time shift, the occurrence of all contingencieshas been moved to the tenth second so that the neural network only learns the trajectory of the features. the accuracy ofthe neural network in the 17th second (7 seconds after contingency) is 99.05%.