طراحی تخمین گر حالت و آشکارساز داده غلط سیستم‌های قدرت با استفاده از شبکه عصبی پرسپترون

نویسندگان

چکیده

تخمین حالت یک ابزار اساسی در سیستم مدیریت انرژی برای نظارت، کنترل و بررسی امنیت استاتیک سیستم‌های قدرت است. روش متداول حل مسئله تخمین حالت، استفاده از حداقل مربعات وزن‌دار است که معایبی همچون بد رفتار بودن ماتریس بهره و کند بودن فرایند شناسایی اطلاعات غلط دارد. طراحی تخمین‌گر با استفاده از شبکه عصبی مصنوعی می‌تواند بر مشکلات عددی فائق آمده و با سرعت بیشتری نسبت به روش حداقل مربعات وزن‌دار، عمل تخمین را انجام دهد. با این حال، وجود خطا در سیگنال‌های اندازه‌گیری می‌تواند همچنان باعث انحراف مقادیر تخمین از مقادیر واقعی شود. لذا به منظور کاهش اثر نامطلوب داده‌های غلط در این فرایند، در این مقاله روشی جدید با تکیه بر توانایی‌های شبکه عصبی پیشنهاد شده است که مشخصه عملکردی تخمین‌گر حالت را بهبود می‌بخشد. کارایی روش پیشنهادی، روی دو سیستم قدرت نمونه 9 و 14 شینه مورد بررسی قرار گرفته است. نتایج به دست آمده از شبیه‌سازی، مؤید عملکرد رضایت‌بخش تخمین‌گر پیشنهادی است.

کلیدواژه‌ها


عنوان مقاله [English]

DESIGN OF STATE ESTIMATOR AND BAD DATA DETECTION MODULE IN POWER SYSTEM BY USING PERCEPTRON ARTIFICIAL NEURAL NETWORK

نویسندگان [English]

  • Sharifzadeh
  • Sharifzadeh
  • Jazaeri
چکیده [English]

State estimation is a key tool in energy management system for monitoring, control and static security analysis of power systems. Weighted least square, as a conventional method for solving state estimation problem, has deficiencies such as ill-conditioning of gain matrix and slow detection of bad data. Designing of state estimator by using artificial neural network can overcome the numerical results and converge to desirable state more rapidly with respect to weighted least square method. However, errors in measured data would result to bias in state estimation procedure. In this paper, with the aim of mitigation of bad data effect, a state estimator based on artificial neural network was presented that can improve the ability of proposed method. Efficiency of the proposed method has been investigated on two test systems with 9 and 14 buses. The results confirm abilities of the proposed method in solving state estimation problem.

کلیدواژه‌ها [English]

  • State estimation
  • Weighted least square
  • Neural Network
  • Bad data detection
  • Largest residual method