تخمین حد دینامیکی پایداری ولتاژ در سیستم‌های قدرت با استفاده از یادگیری ماشین

امروزه ناپایداری‌های مکرر ولتاژ در سیستم‌های قدرت مدرن، یک نگرانی برای بهره‌برداران سیستم‌های قدرت محسوب می‌شود. پایداری ولتاژ سیستم‌های قدرت را می‌توان با استفاده از تحلیل‌های استاتیکی و دینامیکی مطالعه کرد و براساس آن به مرزهای پایداری ولتاژ شامل مرزهای استاتیکی مانند بیشینه بارپذیری سیستم قدرت و مرزهای دینامیکی مانند نقاط دوشاخگی دست یافت. با این حال، امروزه با افزایش مصرف انرژی الکتریکی در سیستم‌های قدرت، بحث پیش‌بینی به‌هنگام پایداری ولتاژ، اهمیت چشمگیری پیدا کرده است. در این مقاله، با استفاده از شبکه عصبی چندلایه پرسپترون و ترکیب تحلیل‌های شبیه‌سازی حوزه زمان، تحلیل دوشاخگی و تحلیل مدال، حد دینامیکی پایداری ولتاژ براساس مرز انشعاب هاپف پیش‌بینی شده است. در این راستا به‌منظور افزایش دقت و سرعت آموزش و نیز آزمون شبکه عصبی در پیش‌بینی حد دینامیکی پایداری ولتاژ از یک روش انتخاب مولفه تحت عنوان تئوری اطلاعات متقابل استفاده شده است. الگوریتم ارائه‌شده بر سیستم آزمون 14 با سه استاندارد بررسی گردید و تاثیر انواع مدل‌های استاتیکی بارهای سیستم قدرت شامل بارهای توان ثابت، جریان ثابت و امپدانس ثابت بر قابلیت الگوریتم پیشنهادی بررسی شد.

estimating the dynamic margin of voltage stability in power systems using machine learning

frequent voltage instabilities in modern power systems are now a concern for power system operators. voltage stability of power systems can be studied using static and dynamic analyses, based on which voltage stability margins including static boundaries such as maximum loadability and dynamic boundaries such as bifurcation points can be achieved.  however, today, with the increasing consumption of electrical energy in power systems, the discussion of voltage stability prediction has become significant. in this paper, using the multilayer neural network of perceptron and a combination of time-domain simulation analyzes, bifurcation analysis, and modal analysis, the dynamic margin of voltage stability based on the hopf bifurcation boundary was predicted. in this regard, in order to increase the accuracy and speed of training and testing the neural network in predicting the dynamic margin of voltage stability, a feature selection method called mutual information theory was used. the proposed algorithm was investigated on a standard 14-bus test system; and the effect of various static models of power system loads including constant power loads, constant current, and constant impedance were examined.