بکارگیری اقدامات پیشگیرانه قبل از وقوع حوادث طبیعی شدید با هدف افزایش تاب آوری شبکه توزیع

الموضوعات :

امید ناظم ¹ , هادی ثقفی اصفهانی ²

1 - دانشکده فنی مهندسی، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران
2 - دانشکده فنی مهندسی، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران

تاريخ الإرسال : 10 الإثنين , محرم, 1444 تاريخ التأكيد : 22 الأربعاء , ربيع الثاني, 1444 تاريخ الإصدار : 02 الإثنين , ذو القعدة, 1444

الکلمات المفتاحية: اقدامات پیشگیرانه, تاب‌آوری, تیم‌های تعمیر, شبکه توزیع, منابع تولید پراکنده قابل حمل,

ملخص المقالة :

در سال های اخیر نرخ وقوع حوادث طبیعی شدید افزایش پیدا کرده است که این امر منجر به خسارت های گسترده به سیستم قدرت و وقوع خاموشی های گسترده شده است. برای کم کردن اثرات نرخ وقوع حوادث طبیعی شدید می توان از اقدامات کنشگرانه در شبکه توزیع استفاده کرد. اقدامات کنشگرانه در مقابل اقدامات واکنشگرانه قرار دارند. اقدامات کنشگرانه قبل از حادثه و در مقابل اقدامات واکنشگرانه پس از حادثه انجام می شوند. در این مقاله یک مدل ریاضی برای نشان دادن تاثیرات اقدامات پیشگیرانه ارائه شده است. در مدل پیشنهادی به محض پیش بینی وقوع حادثه، با پیش بینی خروج خطوط آسیب دیده در شبکه با استفاده از روش مونت کارلو در نرم افزار متلب، سناریوهای خرابی پس از حادثه تولید می شوند. سپس به منظور کاهش حجم محاسبات از کاهش سناریو در نرم افزار GAMS استفاده می شود. در مرحله آخر با اجرای مدل پیشنهادی محل بهینه نصب منابع تولید پراکنده قابل حمل و تیم تعمیر تعیین می گردد. با تعریف مطالعات موردی مختلف و شبیه سازی بر روی شبکه نمونه مشاهده می شود که بر اساس نتایج بدست آمده، مقدار انرژی تامین نشده و مدت زمان خاموشی بارها به طور قابل توجهی کاهش پیدا می کند که این امر نشان دهنده کارائی روش پیشنهادی در مواجهه با حادثه پیش رو می باشد.

المصادر:

1. B. Taheri, A. Safdarian, M. Moeini-Aghtaie, and M. Lehtonen, “Enhancing resilience level of power distribution systems using proactive operational actions,” IEEE Access, vol. 7, pp. 137378–137389, 2019, doi: 10.1109/ACCESS.2019.2941593.


2. M. H. Amirioun, F. Aminifar, H. Lesani, and M. Shahidehpour, “Metrics and quantitative framework for assessing microgrid resilience against windstorms,” Int. J. Electr. Power Energy Syst., vol. 104, pp. 716–723, 2019, doi: 10.1016/j.ijepes.2018.07.025.


3. L. A. Zadeh, “Fuzzy sets as a basis for a theory of possibility,” Fuzzy Sets Syst., vol. 1, no. 1, pp. 3–28, 1978, doi: 10.1016/0165-0114(78)90029-5.


4. A. M. Madni and S. Jackson, “Towards a conceptual framework for resilience engineering,” IEEE Syst. J., vol. 3, no. 2, pp. 181–191, 2009, doi: 10.1109/JSYST.2009.2017397.


5. C. Perrings, “Resilience and sustainable development,” Environment and Development Economics, vol. 11, no. 4. pp. 417–427, 2006, doi: 10.1017/S1355770X06003020.


6. A. Gholami, T. Shekari, M. H. Amirioun, F. Aminifar, M. H. Amini, and A. Sargolzaei, “Toward a consensus on the definition and taxonomy of power system resilience,” IEEE Access, vol. 6, pp. 32035–32053, 2018, doi: 10.1109/ACCESS.2018.2845378.


7. H. Luan and C. C. Tsai, “A Review of Using Machine Learning Approaches for Precision Education,” Educ. Technol. Soc., vol. 24, no. 1, pp. 250–266, 2021.


8. A. Mosavi, P. Ozturk, and K. W. Chau, “Flood prediction using machine learning models: Literature review,” Water (Switzerland), vol. 10, no. 11, p. 1536, 2018, doi: 10.3390/w10111536.


9. B. Choubin et al., “Earth fissure hazard prediction using machine learning models,” Environ. Res., vol. 179, p. 108770, 2019, doi: 10.1016/j.envres.2019.108770.


10. A. Jaafari, E. K. Zenner, M. Panahi, and H. Shahabi, “Hybrid artificial intelligence models based on a neuro-fuzzy system and metaheuristic optimization algorithms for spatial prediction of wildfire probability,” Agric. For. Meteorol., vol. 266–267, pp. 198–207, 2019, doi: 10.1016/j.agrformet.2018.12.015.


11. R. Sharma, S. Rani, and I. Memon, “A smart approach for fire prediction under uncertain conditions using machine learning,” Multimed. Tools Appl., vol. 79, no. 37–38, pp. 28155–28168, 2020, doi: 10.1007/s11042-020-09347-x.


12. H. Gao, Y. Chen, S. Mei, S. Huang, and Y. Xu, “Resilience-Oriented Pre-Hurricane Resource Allocation in Distribution Systems Considering Electric Buses,” Proc. IEEE, vol. 105, no. 7, pp. 1214–1233, 2017, doi: 10.1109/JPROC.2017.2666548.


13. S. Lei, C. Chen, H. Zhou, and Y. Hou, “Routing and Scheduling of Mobile Power Sources for Distribution System Resilience Enhancement,” IEEE Trans. Smart Grid, vol. 10, no. 5, pp. 5650–5662, 2018, doi: 10.1109/TSG.2018.2889347.


14. A. Gholami, T. Shekari, and S. Grijalva, “Proactive Management of Microgrids for Resiliency Enhancement: An Adaptive Robust Approach,” IEEE Trans. Sustain. Energy, vol. 10, no. 1, pp. 470–480, 2019, doi: 10.1109/TSTE.2017.2740433.


15. M. H. Amirioun, F. Aminifar, and H. Lesani, “Resilience-Oriented Proactive Management of Microgrids Against Windstorms,” IEEE Trans. Power Syst., vol. 33, no. 4, pp. 4275–4284, 2018, doi: 10.1109/TPWRS.2017.2765600.


16. M. H. Amirioun, F. Aminifar, and M. Shahidehpour, “Resilience-promoting proactive scheduling against hurricanes in multiple energy carrier microgrids,” IEEE Trans. Power Syst., vol. 34, no. 3, pp. 2160–2168, 2019, doi: 10.1109/TPWRS.2018.2881954.


17. J. Zhao, S. Kucuksari, E. Mazhari, and Y. J. Son, “Integrated analysis of high-penetration PV and PHEV with energy storage and demand response,” Appl. Energy, vol. 112, pp. 35–51, 2013, doi: 10.1016/j.apenergy.2013.05.070.