a deep learning-based approach for comprehensive rotor angle stability ‎assessment ‎

Unlike other rotor angle stability assessment methods which only deal with either transient or small-signal (ss) stability, in this paper, a new stability prediction approach has been proposed which considers both transient and ss stability status. therefore, the proposed method, which utilizes multi-layer perceptron-based deep learning model, can comprehensively predict the post-disturbance rotor angle stability. since the proposed method uses the voltage of the generating units directly measured by wams in the early moments after the disturbance occurrence and does not need to calculate the generators' rotor angle (which requires a high computational burden), it can timely predict the stability stiffness using data provided by pmus installed at generators' buses. in this respect, this method provides a proper chance for the system operators to take appropriate corrective measures. to evaluate the proposed method's efficiency, it has been implemented and tested on ieee14-bus and ieee 39-bus test systems. the dynamic simulation results show that although the proposed method requires fewer pmus than previous methods that exist in the literature, it can timely evaluate the stability status. also, to properly show the power system stability stiffness from the transient and ss stability point of view, the suggested method accurately classifies the post-disturbance operating point into unstable, alarm, or normal categories.

روش مبتنی بر یادگیری عمیق به منظور ارزیابی جامع پایداری زاویه ای رتور

برخلاف سایر روشهای ارزیابی پایداری زاویه ای روتور که تنها وضعیت پایداری گذرا یا سیگنال کوچک را ارزیابی می کنند، در این مقاله، یک روش جدید پیش بینی پایداری ارائه شده است که همزمان وضعیت پایداری گذرا و سیگنال کوچک را در نظر می گیرد. بنابراین ، روش پیشنهادی، که از مدل یادگیری عمیق مبتنی بر پرسپترون چند لایه استفاده می کند ، می تواند به طور جامع پایداری زاویه ای روتور پس از وقوع اغتشاش را پیش بینی کند. با توجه به اینکه این روش از ولتاژ واحدهای تولیدی، که در لحظات اولیه پس از وقوع اغتشاش به طور مستقیم توسط سیستم WAMS اندازه‌گیری می‌شوند، استفاده می‌کند و به محاسبه زاویه روتور ژنراتورها (که بار محاسباتی بالا دارد) نیاز ندارد، می تواند با استفاده از داده های اندازه‌گیری شده توسط PMU های نصب شده در ترمینال ژنراتورها وضعیت پایداری را به موقع پیش بینی کند. از اینرو، این روش فرصت مناسب را برای اپراتورهای سیستم فراهم می کند تا اقدامات اصلاحی مناسب را انجام دهند. به منظور بررسی عملکرد روش پیشنهاد شده، این روش در شبکه‌های IEEE14bus و IEEE 39bus پیاده سازی و آزمایش شده است. نتایج شبیه سازی های دینامیکی نشان می دهد که اگرچه روش پیشنهادی به تعداد PMU کمتری نسبت به روش های پیشین که در مراجع ارائه شده اند نیاز دارد، اما می تواند وضعیت پایداری را در مدت کوتاهی و با دقت مناسب ارزیابی کند. همچنین به منظور ارزیابی وضعیت پایداری سیستم قدرت از دیدگاه پایداری گذرا و سیگنال کوچک، روش پیشنهادی می تواند نقطه کار سیستم پس از اغتشاش را با دقت بسیار مناسبی در دسته های ناپایدار، خطر، یا عادی طبقه بندی کند.