期刊名称：Intelligent Systems in Electrical Engineering
印刷版ISSN：2251-6530
电子版ISSN：2252-083X
出版年度：2014
卷号：5
期号：1
页码：81-104
语种：Persian
摘要：سيستم های قدرت مدرن امروزی در سطح امنيت پايينتری به دليل تجديد ساختار و مشکل افزايش ظرفيت های انتقال بهره برداری می شوند. وقوع خاموشی های گسترده در سالهای اخير بيانگر افزايش قابل توجه آسيب پذيری سيستم های قدرت در برابر اغتشاشات می باشد. يکی از آخرين اقدامات کنترلی جهت کنترل شبکه و حفظ پايداری، بارزدايی می‌باشد. در اين مقاله يک روش بارزدايی فرکانسی بهينه بلادرنگ با استفاده از شبکه های عصبی مصنوعی ارائه شده است. اين ساختار شامل دو بخش مطالعات آفلاين و استفاده بهنگام می باشد. در بخش مطالعات آفلاين، با توجه به مقدار انديسهای آسيب پذيری و حاشيه امنيت کل سيستم قدرت و فرکانس مينيمم و نرخ تغييرات فرکانس مرکز اينرسی معادل (dfc/dt) در سناريوهای اغتشاش مختلف N-K، پايگاه داده ورودی شبکه عصبی ايجاد و شرايط امنيت سيستم در هر اغتشاش تشخيص داده می شود. در هر سناريو مقدار بارزدايی اکتيو و راکتيو لازم برای حفظ پايداری سيستم قدرت با استفاده از حل يک مسئله بهينه سازی آفلاين با استفاده از روش هوشمند هيبريد CPCE تعيين می شود. مقادير بارزدايی اکتيو و راکتيو در هر پله برای هر سناريو به عنوان اطلاعات خروجی شبکه عصبی در نظر گرفته می شوند. برای بهينه سازی آموزش شبکه عصبی از الگوريتم ژنتيک استفاده می شود. شبکه عصبی آموزش ديده به صورت بهنگام با توجه به اطلاعات بلادرنگ شرايط بهره برداری سيستم قدرت که از سيستم WAMS و PMU ها دريافت می شود مورد استفاده قرار می گيرد. نتايج شبيه سازی بر روی شبکه تست 118 باس IEEE نشان از عملکرد موثر روش پيشنهادی دارد.
其他摘要：Today modern power systems are operated in lower security level due to power system deregulation and increasing the power transfer capacity. Extensive power systems blackouts in recent years show the remarkable increase of power system vulnerability in contingency situations. Load shedding is one of the last corrective actions for keeping power system stability. In this paper a real time optimal under frequency load shedding by using artificial neural network is presented. This structure contains two offline and online studies. In offline studies according to the values of vulnerability and security margin indices of total power system, minimum frequency, reduction rate of equivalent inertial center frequency (dfc/dt) for N-K contingency scenarios, the power system security is determined and the ANN inputs data base will be established. In each scenario, the necessary active and reactive load shedding value for preserving power system stability is determined by solving an offline optimization problem by using intelligent hybrid CPCE algorithm. The values of the active and reactive load shedding in each load shedding step in each contingency scenario are considered as the ANN outputs. Genetic algorithm is employed for optimizing the ANN training process. The trained ANN will be used for online application in power system by using real time operation information that is collected by wide area monitoring system (WAMS) and phasor measurement units (PMU). Simulation results for IEEE 118-bus test system shows the effectiveness of the proposed method.
关键词：ارزيابی بلادرنگ پايداری; بارزدايی فرکانسی; سطح امنيت; شبکه‌های عصبی.
其他关键词：Real time stability assessment; Under frequency load shedding; Security level; Neural networks.
