دوره 21، شماره 4 - ( مجله مهندسی برق و الکترونیک ایران - جلد 21 شماره 4 1403 )
جلد 21 شماره 4 صفحات 133-123 |
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:
Hatami A, GanjKhani I. Long-term Voltage Stability Assessment of an Integrated Transmission Distribution System based on LSTM recurrent neural network. Journal of Iranian Association of Electrical and Electronics Engineers 2024; 21 (4) :123-133
URL: http://jiaeee.com/article-1-1543-fa.html
URL: http://jiaeee.com/article-1-1543-fa.html
حاتمی علیرضا، گنج خانی ایرج. ارزیابی پایداری بلند مدت ولتاژ در شبکه‌های انتقال و توزیع به‌هم‌پیوسته مبتنی بر شبکه عصبی خود بازگشتی LSTM. نشریه مهندسی برق و الکترونیک ایران. 1403; 21 (4) :123-133
گروه برق- دانشکده مهندسی- دانشگاه بوعلی سینا
چکیده: (801 مشاهده)
در این مقاله روشی مبتنی بر شبکه‌های عصبی حافظه طولانی کوتاه‌مدت (LSTM) برای پیش‌بینی ناپایداری بلند مدت ولتاژ در شبکه‌های انتقال و توزیع به هم پیوسته پیشنهاد شده است. شبکه عصبی با استفاده از اطلاعات برخط واحدهای اندازه‌گیری فازور، وضعیت پایداری ولتاژ شبکه را رصد می‌کند و در صورت پیشامدی در شبکه، با استفاده از اطلاعات قبل از رخداد و پس از آن، به ارزیابی وضعیت پایداری ولتاژ می‌پردازد. در واقع شبکه عصبی به‌عنوان ابزاری کمکی، اپراتور شبکه را از خطرات احتمالی پیشروی ناشی از ناپایداری ولتاژ پس از پیشامد رخداد در شبکه به‌سرعت آگاه می‌سازد. داده‌های لازم برای آموزش شبکه عصبی در حالت غیربرخط از نتایج پیشامد رخدادهای شبیه‌سازی شده فراهم شده است. برای تولید سناریوهای مختلف، با درنظرگرفتن رشد بار در مناطق مستعد به ناپایداری ولتاژ، پیشامد رخدادهای (N-1) و (N-1-1) شبیه‌سازی و ارزیابی شده‌اند. برای ارزیابی عملکرد شبکه عصبی پیشنهادی، از شبکه توسعه‌یافته نوردیک استفاده شده است. در فرآیند آموزش شبکه عصبی، با استفاده از شیفت زمانی مناسب رخداد تمام پیشامدها به ثانیه دهم انتقال‌یافته تا شبکه عصبی، تنها تفاوت الگوهای رفتاری را آموزش ببیند. شبکه عصبی LSTM از خانواده شبکه‌های عصبی عمیق بازگشتی است که قادر است وابستگی‌های طولانی‌مدت احتمالی را دریافت و حفظ کند. به این ترتیب هر گونه تغییرات در ورودی ها، در فواصل زمانی مختلف دنبال میشود. شباهت خط سیر ویژگی های ورودی در ناپایداری بلند مدت ولتاژ به سری های زمانی، امکان استفاده از توانایی شبکه عصبی عمیق بازگشتی برای حل مسئله مطرح شده را فراهم کرده است. دقت پیش‌بینی شبکه عصبی در ثانیه هفدهم (7 ثانیه پس از پیشامد رخداد) 05/99 درصد است. همچنین تأثیر کاهش ورودی‌های شبکه عصبی با خوشهبندی داده‌های ورودی مورد بررسی قرار گرفته است.
چکیده مبسوط [PDF 302 KB] (23 دریافت)
فهرست منابع
1. [1] B. Petroleum, "Statistical Review of World Energy globally consistent data on world energy markets . and authoritative publications in the field of energy", BP Energy Outlook 2021, vol. 70, pp. 8-20, 2021.
2. [2] P. Kundur et al., "Definition and classification of power system stability", IEEE Trans. Power Syst., vol. 19, no. 3, pp. 1387-1401, 2004, doi: 10.1109/TPWRS.2004.825981. [DOI:10.1109/TPWRS.2004.825981]
3. [3] A. Muir, J. L.--Canada P. S. O. T. Force, undefined Canada, and undefined 2004, "Final report on the August 14, 2003 blackout in the United States and Canada: causes and recommendations", osti.gov, Accessed: Nov. 30, 2020. [Online]. Available: https://www.osti.gov/etdeweb/biblio/20461178.
4. [4] Z. Li, Q. Guo, H. Sun, J. Wang, Y. Xu, and M. Fan, "A Distributed Transmission-Distribution-Coupled Static Voltage Stability Assessment Method Considering Distributed Generation", IEEE Trans. Power Syst., vol. 33, no. 3, pp. 2621-2632, 2018, doi: 10.1109/TPWRS.2017.2762473. [DOI:10.1109/TPWRS.2017.2762473]
5. [5] NERC (North American Electric Reliability Corp.), "Essential Reliability Services Task Force Measures Framework Report", Nerc, no. November, pp. 1-129, 2015.
6. [6] A. Zegers and H. Brunner, "TSO-DSO interaction: An Overview of current interaction between transmission and distribution system operators and an assessment of their cooperation in Smart Grids", Int. Smart Grid Action Netw. Discuss. Pap. Annex, vol. 6, pp. 2-32, 2014.
7. [7] S. Corsi, G. N. Taranto, and S. Member, "A Real-Time Voltage Instability Identification Algorithm Based on Local Phasor Measurements", vol. 23, no. 3, pp. 1271-1279, 2008. [DOI:10.1109/TPWRS.2008.922586]
8. [8] I. Smon, G. Verbic, and F. Gubina, "Local voltage-stability index using Tellegen's theorem," IEEE Trans. Power Syst., vol. 21, no. 3, pp. 1267-1275, 2006. [DOI:10.1109/TPWRS.2006.876702]
9. ]9[ اسدی، حامد. صنایعپسند، مجید. داورپناه، مهدی "معرفی یک روش جدید برای تخمین به هنگام ناپایداری ولتاژ در شبکه های قدرت بر مبنای حفاظت گسترده شبکه"، مجله انجمن مهندسین برق و الکترونیک ایران، سال چهارم، شماره دوم، ص 03-13 ، پاییز 01386
10. [10] M. Glavic and T. Van Cutsem, "Wide-area detection of voltage instability from synchronized phasor measurements. Part I: Principle", IEEE Trans. Power Syst., vol. 24, no. 3, pp. 1408-1416, 2009, doi: 10.1109/TPWRS.2009.2023271. [DOI:10.1109/TPWRS.2009.2023271]
11. [11] L. Bao, Z. Huang, and W. Xu, "Online Voltage Stability Monitoring Using Var Reserves", IEEE Trans. Power Syst., vol. 18, no. 4, pp. 1461-1469, 2003, doi: 10.1109/TPWRS.2003.818706. [DOI:10.1109/TPWRS.2003.818706]
12. [12] M. Kamel, A. A. Karrar, and A. H. Eltom, "Development and Application of a New Voltage Stability Index for On-Line Monitoring and Shedding", IEEE Trans. Power Syst., vol. 33, no. 2, pp. 1231-1241, 2018, doi: 10.1109/TPWRS.2017.2722984. [DOI:10.1109/TPWRS.2017.2722984]
13. ]13[ رجائیان، عرفان. زینلی داورانی، روح الامین. "جایابی و تعیین ظرفیت بهینه هیبرید منابع تولید پراکنده جهت تامین بار، استفاده بهینه از منابع تجدیدپذیر، کاهش هزینه های خالص فعلی و بهبود پایداری ولتاژ شبکه"، مجله انجمن مهندسین برق و الکترونیک ایران، سال بیستم، شماره دوم، ص 19-27 ، زمستان 01401
14. [14] T. Wang, T. Bi, H. Wang, and J. Liu, "Decision tree based online stability assessment scheme for power systems with renewable generations", CSEE J. Power Energy Syst., vol. 1, no. 2, pp. 53-61, 2015, doi: 10.17775/cseejpes.2015.00019. [DOI:10.17775/CSEEJPES.2015.00019]
15. [15] H. Yang, R. C. Qiu, and H. Tong, "Reconstruction Residuals Based Long-term Voltage Stability Assessment Using Autoencoders", J. Mod. Power Syst. Clean Energy, vol. 8, no. 6, pp. 1092-1103, 2020, doi: 10.35833/MPCE.2020.000526. [DOI:10.35833/MPCE.2020.000526]
16. [16] K. D. Dharmapala, A. Rajapakse, K. Narendra, and Y. Zhang, "Machine Learning Based Real-Time Monitoring of Long-Term Voltage Stability Using Voltage Stability Indices", IEEE Access, vol. 8, pp. 222544-222555, 2020, doi: 10.1109/ACCESS.2020.3043935. [DOI:10.1109/ACCESS.2020.3043935]
17. [17] H. Y. Su and H. H. Hong, "An Intelligent Data-Driven Learning Approach to Enhance Online Probabilistic Voltage Stability Margin Prediction", IEEE Trans. Power Syst., vol. 36, no. 4, pp. 3790-3793, 2021, doi: 10.1109/TPWRS.2021.3067150. [DOI:10.1109/TPWRS.2021.3067150]
18. [18] O. A. Alimi, K. Ouahada, and A. M. Abu-Mahfouz, "A Review of Machine Learning Approaches to Power System Security and Stability", IEEE Access, vol. 8, pp. 113512-113531, 2020, doi: 10.1109/ACCESS.2020.300. [DOI:10.1109/ACCESS.2020.3003568]
19. [19] H. Hagmar, L. Tong, R. Eriksson, and L. A. Tuan, "Voltage Instability Prediction Using a Deep Recurrent Neural Network", IEEE Trans. Power Syst., vol. 36, no. 1, pp. 17-27, 2021, doi: 10.1109/TPWRS.2020.3008801. [DOI:10.1109/TPWRS.2020.3008801]
20. [20] Z. Li, Q. Guo, H. Sun, and J. Wang, "Impact of Coupled Transmission-Distribution on Static Voltage Stability Assessment", IEEE Trans. Power Syst., vol. 32, no. 4, pp. 3311-3312, 2017, doi: 10.1109/TPWRS.2016.2631896. [DOI:10.1109/TPWRS.2016.2631896]
21. [21] K. Tang, S. Dong, C. Zhu, and Y. Song, "Affine Arithmetic-Based Coordinated Interval Power Flow of Integrated Transmission and Distribution Networks", IEEE Trans. Smart Grid, vol. 11, no. 5, pp. 4116-4132, 2020, doi: 10.1109/TSG.2020.2991210. [DOI:10.1109/TSG.2020.2991210]
22. [22] R. Venkatraman, S. K. Khaitan, and V. Ajjarapu, "Dynamic Co-Simulation Methods for Combined Transmission-Distribution System with Integration Time Step Impact on Convergence", IEEE Trans. Power Syst., vol. 34, no. 2, pp. 1171-1181, 2019, doi: 10.1109/TPWRS.2018.2874807. [DOI:10.1109/TPWRS.2018.2874807]
23. [23] L. D. P. Ospina and T. Van Cutsem, "Emergency Support of Transmission Voltages by Active Distribution Networks: A Non-Intrusive Scheme", IEEE Trans. Power Syst., vol. 36, no. 5, pp. 3887-3896, 2021, doi: 10.1109/TPWRS.2020.3027949. [DOI:10.1109/TPWRS.2020.3027949]
24. [24] A. R. Ramapuram Matavalam, A. Singhal, and V. Ajjarapu, "Monitoring long term voltage instability due to distribution and transmission interaction using unbalanced μ PMU and PMU measurements", IEEE Trans. Smart Grid, vol. 11, no. 1, pp. 873-883, 2020, doi: 10.1109/TSG.2019.2917676. [DOI:10.1109/TSG.2019.2917676]
25. [25] A. Singhal and V. Ajjarapu, "Long-term voltage stability assessment of an integrated transmission distribution system", 2017 North Am. Power Symp. NAPS 2017, 2017, doi: 10.1109/NAPS.2017.8107402. [DOI:10.1109/NAPS.2017.8107402] []
26. [26] T. Van Cutsem et al., "Test Systems for Voltage Stability Studies: IEEE Task Force on Test Systems for Voltage Stability Analysis and Security Assessment", IEEE Trans. Power Syst., no. August, pp. 1-1, 2020, doi: 10.1109/tpwrs.2020.2976834. [DOI:10.1109/TPWRS.2020.2976834]
27. [27] L. D. P. Ospina, A. F. Correa, and G. Lammert, "Implementation and validation of the Nordic test system in DIgSILENT PowerFactory", 2017 IEEE Manchester PowerTech, Powertech 2017, 2017, doi: 10.1109/PTC.2017.7980933. [DOI:10.1109/PTC.2017.7980933] [PMID]
28. [28] K. Strunz, C. Abbey, C. Andrieu, R. C. Campbell, and R. Fletcher, Benchmark Systems for Network Integration of Renewable and Distributed Energy Resources, no. July. 2009.
29. [29] S. Barsali, Benchmark systems for network integration of renewable and distributed energy resources. 2014.
30. [30] "Western Electricity Coordinating Council (WECC) Renewable Energy Modeling Task Force. (2014, Apr) WECC solar plant dynamic modeling guidelines", [Online]. Available: available: https://www.wecc.biz/Reliability/WECC%0ASolar Plant Dynamic Modeling Guidelines.pdf.
31. [31] and M. B. G. Lammert, L. D. Pab'on Ospina, P. Pourbeik, D. Fetzer, "Implementation and Validation of WECC Generic Photovoltaic System Models in DIgSILENT PowerFactory", IEEE Power Energy Soc. Gen. Meet., pp. 1-5.
32. [32] I. G. and Y. B. and A. Courville, Deep Learning. MIT Press, 2016.
33. [33] A. Graves, A. Mohamed, and G. Hinton, "Speech recognition with deep recurrent neural networks", in 2013 IEEE international conference on acoustics, speech and signal processing, 2013, pp. 6645-6649. [DOI:10.1109/ICASSP.2013.6638947]
34. [34] M. Ghalei Monfared Zanjani, K. Mazlumi, and I. Kamwa, "Combined analysis of distribution-level PMU data with transmission-level PMU for early detection of long-term voltage instability", IET Gener. Transm. Distrib., vol. 13, no. 16, pp. 3634-3641, 2019, doi: 10.1049/iet-gtd.2019.0311. [DOI:10.1049/iet-gtd.2019.0311]
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. |
