تحلیل احتمالاتی پایداری گذرای سیستم‌های قدرت با در نظر گرفتن شاخص های قابلیت اطمینان

این مقاله رویکردی ترکیبی از تحلیل پایداری گذرا و قابلیت اطمینان سیستم قدرت را با درنظرگرفتن شرایط عملکرد سیستم‌های حفاظتی ارائه می‌دهد. در روش پیشنهادی، هر دو نوع پارامتر قطعی و احتمالی مورد توجه قرار گرفته‌اند. پارامترهای قطعی شامل زمان بحرانی پاک‌سازی خطا، زمان پایان نوسان ژنراتور، و زاویه شتاب اولیه روتور هستند، در حالی که پارامترهای احتمالی شامل نرخ خرابی تجهیزات، نرخ تعمیر، احتمال عملکرد نادرست سیستم حفاظتی و احتمال وقوع خطا در خطوط انتقال در نظر گرفته شده‌اند. برای تحلیل قابلیت اطمینان سیستم قدرت، از مدل مارکوف استفاده شده است که در آن، حالت‌های مختلف سیستم و احتمال گذار بین آن‌ها مدل‌سازی شده‌اند. بر این اساس، شاخص‌های مهم قابلیت اطمینان نظیر احتمال هر حالت سیستم، مدت زمان مورد انتظار قطع بار و انرژی تامین‌نشده مورد انتظار برای سناریوهای مختلف خروج خط محاسبه می‌شوند. در گام بعدی، برای هر سناریوی خرابی، تحلیل پخش توان به روش نیوتن-رافسون انجام گرفته تا وضعیت بهره‌برداری شبکه تعیین شود. سپس، نتایج به تحلیل پایداری گذرا منتقل می‌شوند تا نرخ‌های گذرا و رفتار دینامیکی سیستم در برابر اغتشاشات شدید ارزیابی شوند. به این ترتیب، ارتباط بین جنبه‌های قابلیت اطمینان و پایداری گذرا برقرار شده و اثر متقابل آن‌ها در شرایط واقعی شبکه بررسی می‌شود. در نهایت، با ترکیب نتایج به‌دست‌آمده، یک تحلیل ریسک جامع صورت می‌گیرد که در آن احتمال وقوع هر سناریو و پیامدهای آن بر پایداری سیستم در نظر گرفته می‌شود، این تحلیل امکان مقایسه و رتبه‌بندی سناریوها را از نظر سطح ریسک فراهم می‌سازد و می‌تواند به تصمیم‌گیری بهتر در زمینه طرح‌ریزی، بهره‌برداری و حفاظت سیستم قدرت کمک کند. مدل پیشنهادی بر روی شبکه تست استاندارد wecc-9 باس پیاده‌سازی شده و نتایج عددی به‌دست‌آمده، کارایی و دقت روش پیشنهادی را در ارزیابی همزمان پایداری گذرا و قابلیت اطمینان سیستم قدرت تایید می‌کنند. همچنین، تحلیل حساسیت نسبت به تغییر نرخ خرابی خطوط و تنظیمات حفاظتی انجام گرفته تا تاثیر این عوامل بر شاخص‌های ریسک و پایداری مشخص شود.

probabilistic analysis of transient stability of power systems considering reliability indices

this paper presents a combined approach of transient stability and power system reliability analysis considering the operating conditions of protection systems. in the proposed method, both deterministic and probabilistic parameters are considered. the deterministic parameters include the critical fault clearing time, generator oscillation end time, and rotor initial acceleration angle, while the probabilistic parameters include equipment failure rate, repair rate, protection system malfunction probability, and transmission line fault probability. for power system reliability analysis, a markov model is used in which different system states and the transition probabilities between them are modeled. accordingly, important reliability indicators such as the probability of each system state, the expected load outage duration, and the expected unsupplied energy are calculated for different line outage scenarios. in the next step, for each failure scenario, a newton-raphson power distribution analysis is performed to determine the network operation status. then, the results are transferred to the transient stability analysis to evaluate the transient rates and dynamic behavior of the system against severe disturbances. in this way, the relationship between reliability and transient stability aspects is established and their interaction in real network conditions is investigated. finally, by combining the obtained results, a comprehensive risk analysis is performed in which the probability of each scenario and its consequences on system stability are considered. this analysis allows for the comparison and ranking of scenarios in terms of risk level and can help in better decision-making in the field of power system design, operation and protection. the proposed model is implemented on the wecc-9 bus standard test network and the obtained numerical results confirm the efficiency and accuracy of the proposed method in the simultaneous assessment of transient stability and power system reliability. also, a sensitivity analysis is performed to the change in line failure rate and protection settings to determine the impact of these factors on risk and stability indicators.