دوره 22، شماره 3 - ( مجله مهندسی برق و الکترونیک ایران - جلد 22 شماره 3 1404 )
جلد 22 شماره 3 صفحات 171-160 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Jafari M, Ravanji M H, Mohammad Amini A, Setareh M, Parniani M. A Comprehensive Review of Dynamic Model Order Reduction Methods of Power Systems Using Coherency Methods. Journal of Iranian Association of Electrical and Electronics Engineers 2025; 22 (3) :160-171
URL: http://jiaeee.com/article-1-1747-fa.html
URL: http://jiaeee.com/article-1-1747-fa.html
جعفری محمدرضا، راونجی محمدحسن، محمدامینی علیرضا، ستاره محمد، پرنیانی مصطفی. مروری جامع بر روشهای کاهش مرتبه مدل دینامیکی سیستمهای قدرت مبتنی بر همپایی. نشریه مهندسی برق و الکترونیک ایران. 1404; 22 (3) :160-171
دانشکده مهندسی برق- دانشگاه صنعتی شریف
چکیده: (1471 مشاهده)
رشد روزافزون مصرف برق سبب شده تا شبکههای قدرت نیز روز به روز در حال توسعه باشند. بزرگ شدن شبکه و به تبع آن بالا رفتن مرتبه مدل دینامیکی سیستم سبب میشود تا پیچیدگی و مدت زمان انجام بسیاری از مطالعات نظیر مطالعات پایداری، بسیار بیشتر از حد قابل قبول باشد. از این رو استفاده از تکنیکهای کاهش مرتبه مدل حائز اهمیت میگردند. بدین منظور، مهندسان قدرت معمولا شبکه مورد مطالعه را به دو ناحیه تحت مطالعه و خارجی تقسیم نموده و برای ناحیه خارجی از یک مدل کاهش یافته استفاده مینمایند تا هم سرعت انجام مطالعات مختلف در ناحیه تحت مطالعه افزایش یابد و هم تاثیر ناحیه خارجی در این مطالعات در نظر گرفته شود. در مقاله مروری حاضر، روشهای همپایی به عنوان پرکاربردترین روشها برای کاهش مرتبه مدل سیستمهای قدرت مورد بررسی دقیق قرار گرفته و مزایا و معایب هر یک بیان میگردد؛ تا جهت انتخاب مناسبترین روش برای کاربرد مورد نظر راهگشا واقع شود.
فهرست منابع
1. [1] J.S. Rocha-Doria, J.G. Fuentes-Velázquez, and C. Angeles-Camacho, Synchrophasor applications in distribution systems: real-life experience, in Monitoring and Control of Electrical Power Systems Using Machine Learning Techniques. 2023, Elsevier. p. 107-136. [DOI:10.1016/B978-0-32-399904-5.00011-9]
2. [2] A. Vahidnia, et al., Identification and estimation of equivalent area parameters using synchronised phasor measurements. IET Generation, Transmission & Distribution, 2014. 8(4): p. 697-704. [DOI:10.1049/iet-gtd.2013.0285]
3. [3] L. Lugnani, et al., Power system coherency detection from wide-area measurements by typicality-based data analysis. IEEE Transactions on Power Systems, 2021. 37(1): p. 388-401. [DOI:10.1109/TPWRS.2021.3088261]
4. [4] A. Hamid, et al., Deep learning assisted surrogate modeling of large-scale power grids. Sustainable Energy, Grids and Networks, 2023. 34: p. 101031. [DOI:10.1016/j.segan.2023.101031]
5. [5] D. Rafiq, J. Farooq, and M.A. Bazaz, Synergistic use of intrusive and non-intrusive model order reduction techniques for dynamical power grids. International Journal of Electrical Power & Energy Systems, 2022. 138: p. 107908. [DOI:10.1016/j.ijepes.2021.107908]
6. [6] D. Osipov, and K. Sun, Adaptive nonlinear model reduction for fast power system simulation. IEEE Transactions on Power Systems, 2018. 33(6): p. 6746-6754. [DOI:10.1109/TPWRS.2018.2835766]
7. [7] Golpîra H, Bevrani H. A New Measurement-Based Approach for Power System Small Signal stability and Voltage Regulation Enhancement . Journal of Iranian Association of Electrical and Electronics Engineers 2019; 16 (3) :61-72
8. [8] M.A. Rios, and O. Gomez. Identification of coherent groups and PMU placement for inter-area monitoring based on graph theory. in 2011 IEEE PES Conference on Innovative Smart Grid Technologies Latin America (ISGT LA). 2011. IEEE. [DOI:10.1109/ISGT-LA.2011.6083180]
9. [9] Naderi K, Hesami A. A New Algorithm For Power Systems Controlled Islanding Based on constrained spectral clustering . Journal of Iranian Association of Electrical and Electronics Engineers 2017; 14 (3) :41-54
10. [10] H. Liu, et al., Reduced-Order Modeling of Droop-Controlled Inverters Using Slow Coherency and Aggregation Algorithm. IEEE Transactions on Power Systems, 2022. [DOI:10.1109/TPWRS.2022.3222713]
11. [11] S. Mukherjee, A. Chakrabortty, and S. Babaei, Modeling and quantifying the impact of wind penetration on slow coherency of power systems. IEEE Transactions on Power Systems, 2020. 36(2): p. 1002-1012. [DOI:10.1109/TPWRS.2020.3022832]
12. [12] A. Mehrzad, et al., An Efficient Rapid Method for Generators Coherency Identification in Large Power Systems. IEEE Open Access Journal of Power and Energy, 2022. 9: p. 151-160. [DOI:10.1109/OAJPE.2022.3176357]
13. [13] F. Ma, and V. Vittal, A hybrid dynamic equivalent using ANN-based boundary matching technique. IEEE Transactions on Power Systems, 2012. 27(3): p. 1494-1502. [DOI:10.1109/TPWRS.2012.2182783]
14. [14] I. Tyuryukanov, et al., Slow Coherency Identification and Power System Dynamic Model Reduction by Using Orthogonal Structure of Electromechanical Eigenvectors. IEEE Transactions on Power Systems, 2020. 36(2): p. 1482-1492. [DOI:10.1109/TPWRS.2020.3009628]
15. [15] C. Gianfranco, Review of clustering methods for slow coherency-based generator grouping. Energy Systems Research, 2021. 4(2 (14)): p. 5-20. [DOI:10.38028/esr.2021.02.0001]
16. [16] M.H.R. Koochi, S. Esmaeili, and G. Ledwich, Taxonomy of coherency detection and coherency‐based methods for generators grouping and power system partitioning. IET Generation, Transmission & Distribution, 2019. 13(12): p. 2597-2610. [DOI:10.1049/iet-gtd.2018.7028]
17. [17] R. Singh, M. Elizondo, and S. Lu. A review of dynamic generator reduction methods for transient stability studies. in 2011 IEEE Power and Energy Society General Meeting. 2011. IEEE. [DOI:10.1109/PES.2011.6039791]
18. [18] S. Kai, et al., A review of power system dynamic equivalents for transient stability studies. The Journal of Engineering, 2022. 2022(8): p. 761-772. [DOI:10.1049/tje2.12157]
19. [19] S.D. Đukić, and A.T. Sarić, Dynamic model reduction: An overview of available techniques with application to power systems. Serbian journal of electrical engineering, 2012. 9(2): p. 131-169. [DOI:10.2298/SJEE1202131D]
20. [20] E.P. de Souza, and A.L. da Silva. An efficient methodology for coherency-based dynamic equivalents. in IEE Proceedings C (Generation, Transmission and Distribution). 1992. IET. [DOI:10.1049/ip-c.1992.0054]
21. [21] R. Podmore, A comprehensive program for computing coherency-based dynamic equivalents. in IEEE Conference Proceedings Power Industry Computer Applications Conference, 1979. PICA-79. 1979. IEEE.
22. [22] J.H. Chow, Power system coherency and model reduction. Vol. 84. 2013: Springer. [DOI:10.1007/978-1-4614-1803-0]
23. [23] H. Kim, G. Jang, and K. Song, Dynamic reduction of the large-scale power systems using relation factor. IEEE Transactions on Power Systems, 2004. 19(3): p. 1696-1699. [DOI:10.1109/TPWRS.2004.831697]
24. [24] T. Krishnaparandhama, S. Elangovan, and A. Kuppurajulu, Method for identifying coherent generators. International Journal of Electrical Power & Energy Systems, 1981. 3(2): p. 85-90. [DOI:10.1016/0142-0615(81)90013-2]
25. [25] R. Nath, S.S. Lamba, and K.P. Rao, Coherency based system decomposition into study and external areas using weak coupling. IEEE Transactions on Power Apparatus and Systems, 1985(6): p. 1443-1449. [DOI:10.1109/TPAS.1985.319158]
26. [26] N. Gacic, A. Zecevic, and D. Siljak, Coherency recognition using epsilon decomposition. IEEE transactions on power systems, 1998. 13(2): p. 314-319. [DOI:10.1109/59.667342]
27. [27] B. Spalding, H. Yee, and D. Goudie, Coherency recognition for transient stability studies using singular points. IEEE Transactions on Power Apparatus and Systems, 1977. 96(4): p. 1368-1375. [DOI:10.1109/T-PAS.1977.32463]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
