:: دوره 10، شماره 2 - ( 4-1400 ) ::
جلد 10 شماره 2 صفحات 27-14 برگشت به فهرست نسخه ها
ارزیابی پتانسیل رخداد حوادث پی‌درپی به ازای خروج خط در سیستم-های قدرت بوسیله روش تئوری اطلاعات و توابع پایه‌ای شعاعی
مرتضی عابدی1 ، محمدرضا آقامحمدی* 1، محمدتقی عاملی1
1- دانشکده مهندسی برق- دانشگاه شهیدبهشتی - تهران- ایران
چکیده:   (2276 مشاهده)
در این مقاله، ارزیابی پتانسیل رخداد حوادث پی­درپی ناشی از خروج خط انتقال در سیستم قدرت مورد بررسی قرار گرفته است. خطوط انتقال باتوجه به تعدد آن­ها در سیستم قدرت نسبت به سایر تجهیزات، بیشتر مستعد خروج ناشی از حادثه و آغازگری حوادث پی­درپی می­باشند. بنابراین مهم­ترین دغدغه در راستای جلوگیری از رخداد حوادث­پی­درپی ناشی از خروج خط، تعیین پتانسیل رخداد حوادث پی­درپی ناشی از خروج خط بوسیله مرکز کنترل سیستم قدرت [1](PSCC) می­باشد. از آنجا که PSCC فقط می­تواند به متغیرهای بهره­برداری سیستم قدرت دسترسی داشته باشد، جهت تعیین پتانسیل حوادث پی­درپی باید روشی مبتنی بر متغیرهای بهره­برداری ارائه شود. با توجه به تعداد زیاد متغیرهای بهره­برداری در سیستم­ قدرت، استفاده از کلیه متغیرها برای برآورد پتانسیل یک خط خاص باتوجه به محدودیت در وسایل اندازه­گیری و ارتباطی مورد نیاز، میسر نیست. بنابراین، شناسایی متغیرهای بهره­برداری برجسته جهت تعیین پتانسیل رخداد حوادث پی­درپی ناشی از خروج خط دارای اولویت می­باشد. از اینرو، در این مقاله از روش­های مبتنی بر تئوری اطلاعات متقابل جهت شناسایی و انتخاب متغیرهای بهره­برداری برجسته استفاده شده است. نهایتاً جهت ارزیابی پتانسیل رخداد حوادث پی­درپی ناشی از خروج هر خط، با استفاده از متغیرهای بهره­برداری برجسته و تابع پایه­ای شعاعی[2](RBF) یک معادله مرزی مبتنی بر روش حداقل مربعات خطا [3](LSE) تشکیل می­شود. بنابراین، PSCC با استفاده از متغیرهای بهره­برداری برجسته و معادله مرزی ایجادشده قادر خواهد بود تا در هر نقطه­کار از سیستم قدرت به ارزیابی پتانسیل رخداد حوادث پی­درپی ناشی از خروج هر خط بپردازد. روش پیشنهادی روی خطوط سیستم قدرت استاندارد 39 باس و 118 باس پیاده­سازی شده و نتایج مطلوبی نیز بدست آمده است.
 
 
 
 
واژه‌های کلیدی: حوادث پی‌درپی، تئوری اطلاعات متقابل، متغیرهای بهره‌برداری برجسته، تابع پایه‌ای شعاعی، معادله مرزی
متن کامل [PDF 1217 kb]   (514 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: برق و کامپیوتر
دریافت: 1399/3/10 | پذیرش: 1400/2/15 | انتشار: 1400/4/10
فهرست منابع
1. Henry.S, Pompee.J, Devatine.L, Bulot.M, Bell.K (2004)."New TrendsFor The Assessment of Power System Security Under Uncertainty." IEEE Power Systems Conference and Exposition 3:1380-1385.
2. Ajendra Dwivedi (2011). "Vulnerability analysis and fault location in power systems using complex network theory," PhD thesis, College of Science, Engineering and Health RMIT University.
3. Zhou Liun(2013). "Multi-Agent System Based Special Protection and Emergency Control Scheme against Cascading Events in Power System." PhD thesis, The Faculty of Engineering, Science and Medicine, Aalborg University.
4. H.H Alhelou, and et al (2019). "A Survey on Power System Blackout and Cascading Events: Research Motivations and Challenges. "Energies, 12, 682. [DOI:10.3390/en12040682]
5. A Abedi, L Gaudard, F Romerio (2019). "Review of major approaches to analyze vulnerability in power system Reliability." Engineering & System Safety, Elsevier, 183:153-172. [DOI:10.1016/j.ress.2018.11.019]
6. R.Casimir, E.Boutleux, G.Clerc, A.Yahoui (2006). "The use of features selection and nearest neighbors rule for faults diagnostic in induction motors." Engineering Applications of Artificial Intelligence, 19(2): 169-177. [DOI:10.1016/j.engappai.2005.07.004]
7. Hafiz Muhammad Faisal,Nadeem Javaid et al. (2019). "Prediction of Building Energy Consumption Using Enhance Convolutional Neural Network.", Springer,927(2).
8. Saunders, C.S., Alamuti, M.M., Pisica, I. et al. (2019)." Feature Extraction-Based Real-Time Transient Stability Analysis." Technol Econ Smart Grids Sustain Energy 4(15). Chang, Hsueh-Hsien (2017). "Statistical Feature Extraction for Fault Locations in Nonintrusive Fault Detection of Low Voltage Distribution Systems.", Energies 10(5): 611-618.https://doi.org/10.3390/en10050611 [DOI:10.1007/s40866-019-0069-x]
9. D.S.Javan , H.R. Mashhadi, A.Armin (2017) " Information extraction from effective descriptor variables in reconstruction of power system security region by considering correlation between loads.", International Transaction Electrical Energy System. John Wiley & Sons 27(11):1-23. [DOI:10.1002/etep.2415]
10. H.Liu, J.Sun, L. Liu, H.Zhang (2009). "Feature selection with dynamic mutual information.", Pattern Recognition(Elsevier), 42(7): 1330-1339. [DOI:10.1016/j.patcog.2008.10.028]
11. B.Remeseiro, V.Bolon-Canedo (2019)." A review of feature selection methods in medical applications.", Computers in Biology and Medicine(Elsevier) 112(3):1-9. [DOI:10.1016/j.compbiomed.2019.103375]
12. Meyer, P. E., Schretter, C., & Bontempi, G. (2008)," Information-theoretic feature selection in microarray data using variable complementarity." IEEE Journal of Selected Topics in Signal Processing 2(3): 261-274. [DOI:10.1109/JSTSP.2008.923858]
13. M.Rouhani, D.S. Javan (2016). "Two fast and accurate heuristic RBF learning rules for data classification." Neural Networks (Elsevier) 75(2): 150-161. [DOI:10.1016/j.neunet.2015.12.011]
14. Vergara, J.R., Estévez, P.A. (2014) "A review of feature selection methods based on mutual information." Neural Computer & Application(Elsevier) 24: 175-186. [DOI:10.1007/s00521-013-1368-0]
15. Hengdao Guo, Ciyan Zheng, Herbert Ho-Ching Iu, Tyrone Fernando (2017)" A critical review of cascading failure analysis and modeling of power system." Renewable and Sustainable Energy Reviews 80: 9-22. [DOI:10.1016/j.rser.2017.05.206]


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 2 - ( 4-1400 ) برگشت به فهرست نسخه ها