ارزیابی قابلیت اعتماد سیستم‌های قدرت - گاز طبیعی یکپارچه در حضور منابع ‌ذخیره گاز: مدل مبتنی بر یادگیری ماشین

با ادغام سیستم قدرت و گاز طبیعی (‌ipgs‌)، این دو سیستم با اشتراک انرژی بین یکدیگر، قادر به ارائه توان ‌الکتریکی و همچنین گازی هستند. با وجود این، اختلال ایجادشده در یک سیستم، به ایجاد اختلال در ‌عملکرد مطلوب دیگر سیستم منجر می‌شود؛ بنابراین، ارزیابی قابلیت اعتماد ‌ipgs، امری اجتناب‌ناپذیر است. در این مقاله، ‌یک مدل ارزیابی قابلیت اعتماد مبتنی بر الگوریتم‌های یادگیری ماشین در حضور منابع ذخیره انرژی گازی با در نظر گرفتن عدم قطعیت‌های موجود در نرخ ‌شکست المان‌های ‌ipgs‌ ارائه شده است. در این راستا، از شبیه‌سازی مونت‌کارلو پیاپی (‌smcs‌) و یک برنامه ‌حذف بار بهینه برای محاسبه شاخص‌های قابلیت اعتماد سیستم استفاده می‌شود. سپس برای رده‌بندی المان‌ها ‌براساس اهمیت آنها در قابلیت اعتماد کل سیستم، الگوریتم جنگل تصادفی (‌rf‌) پیشنهاد شده است. مدل ‌پیشنهادی روی سیستم 14 باس ‌ieee‌ و سیستم گاز طبیعی 10 گره‌گازی در نرم‌افزارهای ‌matlab، ‌gams‌ و ‌python‌ انجام شده است. نتایج شبیه‌سازی نشان می‌دهند با در نظر گرفتن منابع ذخیره گازی، بهبود قابلیت اعتماد سیستم قدرت و گاز طبیعی به‌ترتیب به میزان 2.12 و 8.3 درصد و به‌طور کلی قابلیت اعتماد ipgs به میزان 5.25 درصد ارتقا می‌یابد. همچنین، اولویت‌بندی این منابع در ipgs تعیین شده است.

reliability evaluation of integrated power-gas system in the presence of gas storage systems: a machine learning-based model

by integrating the power and natural gas systems (ipgs), these two systems can synergistically provide electric and gas power through mutual energy sharing. however, disruptions occurring in one system can have detrimental effects on the optimal performance of the other system. hence, the assessment of ipgs reliability becomes imperative. in this article, a reliability evaluation model is proposed that utilizes machine learning algorithms to tackle uncertainties associated with the failure rate of ipgs components in the presence of gas storage resources. to calculate system reliability indices, we employ sequential monte carlo simulation (smcs) and an optimal load-shedding program. moreover, a random forest (rf) algorithm is adopted to classify elements based on their importance in upholding the overall system’s reliability. the proposed model is implemented using matlab, gams, and python software, with the ieee 14-bus system and the 10-node natural gas system as case studies. the simulation results illustrate that by considering the gas storage resources, the reliability of the power system and natural gas can be improved by 2.12 and 8.3%, respectively, and the overall reliability of ipgs is improved by 5.25%. also, the prioritization of these resources is determined in ipgs.