تخمین آنلاین حد پایداری ولتاژ به کمک سیستم استنتاج فازی-عصبی تطبیقی بهینه‌شده و تبدیل موجک مبتنی بر تحلیل مولفۀ اساسی

در این مقاله، یک روش هوشمند به‌منظور تخمین آنلاین حد پایداری ولتاژ (vsm) براساس سیستم فازی-عصبی تطبیقی (anfis) بهینه‌شده ارائه شده است. الگوریتم بهینه‌سازی شاهین هریس (hhoa) به‌عنوان الگوریتم آموزش anfis استفاده شده است و روش مرسوم تبدیل موجک نیز به‌عنوان تکنیک استخراج ویژگی روی پروفیل ولتاژ شبکه اعمال خواهد شد. مشخصه‌های بارگذاری سیستم به‌عنوان ویژگی‌های اولیه به‌منظور تخمین vsm به کار می‌روند؛ به دلیل اینکه حاوی اطلاعات لازم دربارۀ ساختار شبکه، سطوح بار، الگوی تولید و عملکرد سیستم کنترلی در شبکه است. به کمک تکنیک تبدیل موجک با قدرت تفکیک بالا (mrwt)، ویژگی‌های لازم برای ورود به بلوک anfis استخراج می‌شوند؛ اما به دلیل تنوع و تعدد این ویژگی‌ها به‌خصوص در شبکه‌های بزرگ، روش تحلیل مولفۀ اساسی (pca) با هدف انتخاب ویژگی‌های غالب به کار خواهد رفت که بیشترین تاثیر را بر پایداری شبکه دارند. ویژگی این الگوریتم ترکیبی این است که می‌توان از آن، هم در شرایط دینامیکی و هم در شرایط استاتیکی شبکه استفاده کرد. درنهایت، الگوریتم پیشنهادی روی سیستم‌های تست 39 و 118 باس ieee، پیاده‌سازی و نتایج آن ارزیابی شده است. مقایسۀ نتایج با مدل‌های مشابه تخمین vsm، نشان‌دهندۀ اثربخشی مدل پیشنهادی برای شبکه‌های قدرت بزرگ است.

Online Voltage Stability Margin Assessment Using Optimized Adaptive ANFIS and Wavelet Transform Based on Principal Component Analysis

This paper presents an intelligent method for online voltage stability margin (VSM) assessment using optimized adaptive ANFIS. Harris Hawks Optimization Algorithm (HHOA) is used to train the ANFIS and conventional wavelet transform (WT) is also  applied as a feature extraction technique on the network voltage profile. The network voltage profile is used as the main data to estimate VSM because it contains the necessary information about the network structure, load levels, production pattern, and control system performance in the network. Using wavelet transform technique with high resolution, the necessary features for entering the ANFIS block are extracted, but due to the variety and multiplicity of these features, especially for large networks, the Principal Component Analysis (PCA) method is used to select the appropriate features and remove additional data. The characteristic of this hybrid algorithm is that it can be used both in dynamic and static conditions of the network. Finally, the proposed VSM estimation algorithm is applied to the 39bus and 118bus IEEE test systems, and its results are evaluated. The comparison of the results with other VSM methods shows that the proposed algorithm is effective for large power grids.