استخراج سری های زمانی ولتاژ شین ها برای پیش بینی پایداری گذرا مبتنی بر رویکرد یادگیری ماشین

امروزه با افزایش مصرف انرژی الکتریکی، شبکه های برق به طور فزاینده ای در مرز پایداری خود عمل می کنند. در چنین شرایطی از بهره برداری شبکه، پایش مداوم سیستم قدرت برای بررسی قابلیت اطمینان به امری مهم برای مدیران شبکه تبدیل شده است. ارزیابی وضعیت پایداری گذرا به عنوان یکی از زیرشاخه های امنیت سیستم قدرت می تواند در افزایش قابلیت اطمینان شبکه نقش بسزایی را ایفا کند. برای این منظور در گام اول، اندازه ی ولتاژ شین ها به عنوان ویژگی موثر در پیش بینی وضعیت پایداری گذرا معرفی می شود. در گام دوم، با توجه به اهمیت شبیه سازی دقیق فضای گذرا، شبیه سازی اغتشاشات بر روی سیستم قدرت تحت مطالعه با لحاظ پارامترهای مختلف مورد بررسی قرار می گیرد. در این مرحله، پایگاه داده ی جامعی از سری های زمانی گذرا ولتاژ شین ها برای آموزش مدل یادگیری تشکیل می گردد. در آخر، طبقه بند ماشین بردار پشتیبان برای طبقه بندی داده های سری زمانی سیستم قدرت با لحاظ فضای ویژگی سری زمانی گذرا، بکارگرفته می شود. نتایج آزمایش با سنجش معیارهای ارزیابی مختلف، ظرفیت بالای چارچوب پیشنهادی را برای ارزیابی وضعیت پایداری گذرا مبتنی بر سری های زمانی ولتاژ شین ها بر روی شبکه ی تست ieee-24 تایید می کند.

Extracting bus voltage time series for transient stability prediction based on the machine learning method

Today, with the increase in electricity consumption, power grids are increasingly operating at the limit of their stability. In such a situation of network operation, continuous monitoring of the power system to check the reliability has become important for network managers. Assessing transient stability as one of the sub-branches of power system security can play an important role in increasing network reliability. For this purpose, in the first step, the voltage measurement of the busbars is introduced as an effective feature in predicting the transient stability state. In the second step, due to the importance of accurate simulation of transient space, the simulation of perturbations on the power system under study is examined in terms of various parameters. At this stage, a comprehensive database of bus voltage transient time series is formed to teach the learning model. Finally, the support vector machine classifier is used to classify the power system time series data in terms of the transient time series feature space. The test results confirm the high capacity of the proposed framework for assessing transient stability based on bus voltage time series on the IEEE-24 test network by measuring different evaluation criteria.