ارزیابی امنیت دینامیکی سیستم‌‌های قدرت با استفاده از الگوریتم‌های یادگیری جمعی

باتوجه‌به اهمیت ارزیابی امنیت دینامیکی و ضرورت انجام اقدامات کنترلی پس از بروز اغتشاش، ارزیابی امنیت دینامیکی آنلاین جایگزین ارزیابی آفلاین شده است. روش هایی که به‌طور رایج در ارزیابی امنیت دینامیکی به کار برده می شوند در مواجهه با پیشامدهای خطرناک که سرعت وقوع بالایی داشته باشند، مناسب نیستند. بنابراین، ضروری است تا ارزیابی پایداری گذرا به‌صورت آنلاین و در زمان واقعی انجام گیرد تا اپراتورها فرصت مناسب برای انجام اقدام اصلاحی را داشته باشند. به همین منظور در این مطالعه، از روش‌های یادگیری ماشین جمعی جهت ارزیابی امنیت دینامیکی آنلاین بهره گرفته شده است. مسئله موردبررسی یک طبقه بندی چند کلاسی است که به طبقه بندی وضعیت امنیت دینامیکی سیستم می پردازد. روش پیشنهادی بر روی دو سیستم استاندارد مورد ارزیابی قرارگرفته است. همچنین مقایسه ای بین روش های یادگیری جمعی پیشنهادی با الگوریتم‌های منفرد انجام‌گرفته است. نتایج حاکی از آن است که روش پیشنهادی ضمن دقت، از عملکرد مناسبی برخوردار بوده و برای ارزیابی امنیت دینامیکی آنلاین مناسب بوده است.

dynamic security assessment of power systems using ensemble learning algorithms

considering the importance of dynamic security assessment and the necessity of implementing control measures after a disturbance, online dynamic security assessment has replaced offline assessment. methods which are commonly used in dynamic security evaluation are not suitable for serious events which have a high rate of occurrence. therefore, it is essential to perform real time transient stability assessment in order to increase operators opportunity to take remedial actions. for this purpose, in this study, ensemble machine learning methods have been used to evaluate online dynamic security. the investigated problem is a multi-class classification that deals with classifying of system’s dynamic security status. the proposed method has been evaluated on two standard systems. also, a comparison has been made between the proposed ensemble learning methods and individual algorithms. the results indicate that the proposed method, not only accurate but also has good performance in evaluating online dynamic security.