بررسی پایداری استاتیکی ولتاژ با استفاده از ماشین بردار پشتیبان و شبکه عصبی

محورهای موضوعی : دینامیک سیستم قدرت

مهدی حاجیان ¹ ( کارشناس ارشد/ دانشگاه سمنان )
اصغر اکبری فرود ² ( دانشیار/ دانشگاه سمنان )
حسین نوروزیان ³ ( کارشناس/دانشگاه سمنان )

تاریخ دریافت : 1391/04/17 تاریخ پذیرش : 1392/01/20 تاریخ انتشار : 1391/12/11

کلید واژه: حاشیه پایداری ولتاژ, ارزیابی و پیش‌بینی پایداری ولتاژ, ماشین بردار پشتیبان (SVM),

چکیده مقاله :

پایداری ولتاژ یک مسئله اساسی در سیستم قدرت می‌باشد. در این مقاله پایداری ولتاژ از حیث استاتیکی، و کاربرد شبکه عصبی و SVM در تخمین حد پایداری و نیز پیش‌بینی پایداری ولتاﮊ بررسی شده است. پایداری ولتاژ در دو بخش مورد ارزیابی قرار گرفته است. در بخش اول، محاسبه حاشیه پایداری استاتیکی ولتاژ به وسیله شبکه عصبی RBF بیان می‌شود. مزیت روش استفاده شده، دقت بالای آن در تشخیص حاشیه پایداری ولتاژ به صورت بهنگام است. بخش دوم به پیش‌بینی فروپاشی ولتاژ به کمک شبکه عصبی PNN و SVM می‌پردازد. نتایج به دست آمده نشان می‌دهد که زمان و تعداد نمونه‌های آموزش SVM کمتر از شبکه‌های عصبی است. در این مقاله، مدلی جدید از تولید نمونه‌های آموزشی سیستم تشخیص، با استفاده از منحنی توزیع نرمال بار هر فیدر، به کار گرفته شده است. در تحلیل پایداری ولتاﮊ از شاخص‌های مشهور VSM و L استفاده گردیده است. برای نشان دادن اعتبار روش‌های پیشنهادی، شبکه‌ 14 باسه IEEE و شبکه واقعی استان یزد مورد استفاده قرار گرفته است.

چکیده انگلیسی:

Voltage stability is an important problem in power system networks. In this paper, in terms of static voltage stability, and application of Neural Networks (NN) and Supported Vector Machine (SVM) for estimating of voltage stability margin (VSM) and predicting of voltage collapse has been investigated. This paper considers voltage stability in power system in two parts. The first part calculates static voltage stability margin by Radial Basis Function Neural Network (RBFNN). The advantage of the used method is high accuracy in online detecting the VSM. Whereas the second one, voltage collapse analysis of power system is performed by Probabilistic Neural Network (PNN) and SVM. The obtained results in this paper indicate, that time and number of training samples of SVM, are less than NN. In this paper, a new model of training samples for detection system, using the normal distribution load curve at each load feeder, has been used. Voltage stability analysis is estimated by well-know L and VSM indexes. To demonstrate the validity of the proposed methods, IEEE 14 bus grid and the actual network of Yazd Province are used.