Journal of Iranian Association of Electrical and Electronics Engineers

fa ارزیابی پایداری بلند مدت ولتاژ در شبکه‌های انتقال و توزیع به‌هم‌پیوسته مبتنی بر شبکه‌ عصبی خود بازگشتی LSTM Long-term Voltage Stability Assessment of an Integrated Transmission Distribution System based on LSTM recurrent neural network قدرت Power پژوهشي Research 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 خوشه&rlm;بندی داده‌های ورودی مورد بررسی قرار گرفته است. In this paper, a new method based on long-short-term memory neural networks is proposed for predicting long-term voltage instability in interconnected transmission and distribution networks. Using the online information of the phasor measurement units, the neural network estimates the stability of the network voltage and in case of any event in the network, it estimates the long-term voltage stability status using the information before and after the event. This structure can be used as an auxiliary tool to quickly inform the network operator of possible risks caused by voltage instability after any contingency in the network. The simulation results of different case studies in offline-mode have been used to create the training dataset. In order to have different case studies, considering load growth in areas prone to voltage instability, (N-1) and (N-1-1) contingency have been simulated. Nordic extended network has been used to evaluate the proposed neural network performance. By using the appropriate time shift, the occurrence of all contingencies has been moved to the tenth second so that the neural network only learn the trajectory of the features. The accuracy of the neural network in the 17th second (7 seconds after contingency) is 99.05%. Finally, the effect of reducing the input dimensions by clustering the data has been investigated.   پایداری ولتاژ, شبکه انتقال و توزیع به‌هم‌پیوسته, شبکه عصبی Voltage stability, interconnected transmission and distribution network, neural network. 123 133 http://jiaeee.com/browse.php?a_code=A-10-582-3&slc_lang=fa&sid=1 Alireza Hatami علیرضا حاتمی hatamisharif@basu.ac.ir 100319475328460013062 100319475328460013062 Yes Department of Electrical Engineering, Bu-Ali Sina University گروه برق- دانشکده مهندسی- دانشگاه بوعلی سینا Iraj GanjKhani ایرج گنج خانی i.ganjkhani@eng.basu.ac.ir 100319475328460013063 100319475328460013063 No Department of Electrical Engineering, Bu-Ali Sina University گروه برق- دانشکده مهندسی- دانشگاه بوعلی سینا