پیش بینی بلادرنگ سطح امنیت در یک سیستم قدرت با استفاده از شبکه های عصبی مصنوعی جهت جلوگیری از خاموشی سراسری با استفاده از بارزدایی فرکانسی بهینه

سیستم های قدرت مدرن امروزی به دلیل افزایش ظرفیت های انتقال در سطح امنیت پایینتری بهره برداری می شوند. وقوع خاموشی های گسترده در سالهای اخیر بیانگر افزایش قابل توجه آسیب پذیری سیستم های قدرت در برابر اغتشاشات می باشد. ارزیابی صحیح، سریع و مداوم پایداری و سطح امنیت در سیستم های قدرت امروزی یکی از ملزومات اساسی برای حفظ پایداری شبکه می باشد. یکی از روشهای متداول کنترل حالات اضطراری شبکه‏، بارزدایی می باشد. بارزدایی یکی از آخرین، سریعترین، موثرترین و فراگیرترین اقدامات اصلاحی و کنترلی برای حفظ پایداری در سیستم های قدرت می باشد. در این رساله یک روش جدید پیش بینی بلادرنگ سطح امنیت در سیستم های قدرت با استفاده از شبکه های عصبی مصنوعی جهت جلوگیری از خاموشی سراسری با استفاده از بارزدایی فرکانسی بهینه ارائه شده است. این ساختار شامل دو بخش مطالعات آفلاین و استفاده بهنگام می باشد. در بخش مطالعات آفلاین، ابتدا اندیسهای آسیب پذیری و حاشیه امنیت کل سیستم قدرت و فرکانس مینیمم و نرخ تغییرات فرکانس مرکز اینرسی معادل (dfc/dt) در سناریوهای اغتشاش مختلف n-k برای 2k> مورد بررسی قرار می گیرد و با تشخیص شرایط امنیت سیستم در هر اغتشاش، یک پایگاه داده فراهم می گردد که به عنوان اطلاعات ورودی شبکه عصبی در نظر گرفته می شوند. در هر سناریو مقدار بارزدایی اکتیو و راکتیو لازم برای حفظ پایداری سیستم قدرت با استفاده از حل یک مسئله بهینه سازی آفلاین تعیین و مقادیر بارزدایی اکتیو و راکتیو در هر پله برای هر سناریو به عنوان اطلاعات خروجی شبکه عصبی در نظر گرفته می شوند. پایگاه داده بدست آمده از مطالعات آفلاین برای سناریوهای اغتشاش مختلف برای آموزش شبکه عصبی استفاده می شود. برای بهینه سازی آموزش شبکه عصبی از الگوریتم ژنتیک استفاده می شود. باید توجه داشت که با توجه به ابعاد وسیع شبکه های مورد مطالعه، مسئله بهینه سازی بارزدایی یک مسئله برنامه ریزی غیرخطی در مقیاس وسیع است. در این رساله برای اولین بار برای حل این مسئله بهینه سازی از روش هیبرید cpce استفاده می شود. این روش یکی از روشهای فرابتکاری جدید است که با استفاده از ویژگیها و مزایای الگوریتم های بهینه سازی توده ذرات (pso)، الگوریتم فرهنگی (ca) و الگوریتم تکاملی (cea) معرفی شده است و توانایی زیادی در حل مسائل بهینه سازی غیرخطی در ابعاد وسیع دارد. شبکه عصبی آموزش دیده به صورت بهنگام در سیستم قدرت استفاده می شود. با وقوع اغتشاش در سیستم قدرت، اطلاعات بلادرنگ مورد نیاز جهت محاسبه شاخص های ورودی شبکه عصبی از سیستم wams و pmu ها دریافت می گردد و پس از محاسبه شاخص های ورودی شبکه عصبی شامل اندیسهای آسیب پذیری و حاشیه امنیت کل سیستم قدرت و فرکانس مینیمم و نرخ تغییرات فرکانس مرکز اینرسی معادل (dfc/dt) با توجه به اطلاعات بلادرنگ شرایط بهره برداری سیستم قدرت، وضعیت امنیت سیستم با توجه به آموزشهای آفلاین مشخص و مقدار بارزدایی اکتیو و راکتیو لازم در هر مرحله در سناریوی اغتشاش رخ داده تعیین و به سیستم قدرت اعمال می شود. سناریوهای اغتشاش جدید رخ داده در سیستم قدرت مورد مطالعه قرار گرفته و اطلاعات آن به پایگاه داده شبکه عصبی اضافه می شود. در روش پیشنهادی با توجه به اطلاعات بلادرنگ دریافت شده از سیستم scada و یا wams در بازه های زمانی مشخص و قابل تنظیم بر اساس نیازهای سیستم، اطلاعات پایگاه داده و آموزش شبکه عصبی به روز می شود. به منظور ارزیابی توانایی روش پیشنهادی از شبکه تست استاندارد 118 باس ieee و شبکه سراسری برق ایران (ing) استفاده شده است. نتایج شبیه سازی نشان دهنده توانایی روش پیشنهادی برای ارزیابی بلادرنگ سطح امنیت در سیستم های قدرت و تعیین مقدار بارزدایی بهینه برای حفظ پایداری سیستم قدرت در مقابل رخدادهای آبشاری می باشد.