ارزیابی قابلیت ضریب مشارکت ژنراتورها به منظور تعیین نوع نوسانات سیگنال کوچک سیستم قدرت با استفاده از روش‌های تحلیلی و پیش‌بینی همزمان آن‌ها با استفاده از شبکه عصبی

نویسنده

دانشگاه سمنان

چکیده

پایداری زاویه‌ای سیگنال کوچک رتور که از آن به عنوان پایداری سیگنال کوچک نیز یاد می‌شود، یکی از مهمترین عوامل در برنامه‌ریزی و بهره‌برداری سیستم‌های قدرت است. این نوع از پایداری‌ها، در چهار حالت نوسانی شامل نوسانات درون ناحیه‌ای، بین‌ناحیه‎ای، کنترلی و پیچشی مورد بررسی قرار می‌گیرد. شناسایی و تفکیک رفتار چنین نوسان‌هایی می‌تواند در اِعمال رفتارهای کنترلی مانند تنظیم پارامترهای سیستم تحریک و پایدارساز سیستم قدرت به منظور کنترل و میرایی نوسان‌ها، مورد استفاده قرار بگیرد. یکی از ابزارهای مرسوم در بررسی اینگونه نوسانات، فرکانس مدهای بحرانی سیستم و ضرایب مشارکت ژنراتورها در این مدها است که با استفاده از روش‌های تحلیلی مانند آنالیز مدال تعیین می‌گردند. در این مقاله، ابتدا با استفاده از روش‌های تحلیلی، قابلیت ضرایب مشارکت ژنراتورها در تعیین نوع نوسانات درون ناحیه‌ای و بین‌ناحیه‎ای سیستم قدرت بررسی شده و در ادامه از آنجاکه در اینگونه بررسی‌ها، استفاده از روش‌های مرسوم مانند آنالیز مدال، سخت و زمانبر است، با استفاده از یک روشی ترکیبی شامل روش انتخاب مؤلفه و شبکه عصبی PNN، ضریب مشارکت ژنراتورها و نوع نوسان سیستم قدرت در مد بحرانی، مورد پیش‌بینی قرار خواهد گرفت. مزیت روش پیشنهادی، دقت و سرعت بالای محاسبات و همچنین تعیین همزمان نوع نوسانات و میزان مشارکت متغیر حالت غالب ژنراتورهای سیستم در مد بحرانی می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of Generators' Participation Factor Capability to Identify the Small Signal Oscillations Type of Power System using Analytical Method and Simultaneous Prediction by Neural Network

نویسنده [English]

  • Mohammad Hossein Velayati
چکیده [English]

The small signal rotor angle stability which is called the small signal stability is an important issue in planning and operation of power systems. This type of stability is analyzed in four categories which include local, inter-area, control and torsional oscillations. Identification and segregation of these oscillations behavior can be used for applying control actions such as excitation system and power system stabilizer parameters tuning in order to control the oscillations damping. Determining the frequency of the system's critical modes and participation factors of the generators in these modes are one of the conventional methods for analyzing these oscillations which are calculated using analytical methods such as modal analysis. In this paper, capability of the generators' participation factor for determining the inter-area and local oscillations are studied at first by means of analytical methods. Conventional methods (e.g., modal analysis and time–domain simulations) are challenging and time consuming tasks. Thus, the generators' participation factor and power system oscillations type in the critical mode are predicted using a hybrid method containing a feature selection and probabilistic neural network (PNN) part. The advantage of the proposed method is the accuracy, fast calculations, simultaneous prediction of oscillations type and their participation in the dominant state variable of the generators in the critical modes.

کلیدواژه‌ها [English]

  • Modal Analysis
  • Critical Eigenvalue
  • Participation Factor of Generators
  • Small Signal Rotor Angle Stability
  • Feature selection
  • Neural Network

مراجع

 
[1] Kundur, P., Paserba, J., Ajjarapu, V., Anderson, G., Bose, A., Canizares, C. (2004). "Definition and Classification of Power System Stability". IEEE Trans. Power Syst., Vol. 19(3), pp. 1387-1401.
[2] Kundur, P., Wang, Lei. (2002). "Small Signal Stability Analysis: Experiences, Achievements, and Challenges". IEEE., pp. 6-12.
[3] Kundur, P. (1994). Power System Stability and Control, New York: McGraw-Hill, the EPRI Power System Engineering Series.
[4] Qing, W., Shiying, M. (2010). "Study on Relationship between Inter-area Oscillation Damping and Operating Conditions in Power Systems". International Conference on Power System Technology., pp.1-6.
[5] SO, P. L., Macdonald, D. C. (l996). "Analysis and Control of Inter-Area Oscillations for System Security Enhancement". Power System Control and Management, 16-18April l996, Conference Publication No. 421.
[6] Ke, D. P., Chung, C. Y., Xue, Y. (2011). "An Eigenstructure-Based Performance Index and Its Application to Control Design for Damping Inter-Area Oscillations in Power Systems". IEEE Trans. Power Syst., Vol. 26(4), pp. 2371-2380.
[7] Mohammadi-Ivatloo, B., Shiroei, M., Parniani, M. (2011). "Online Small Signal Stability Analysis of Multi-Machine Systems Based on Synchronized Phasor Measurements". Electric Power Systems Research (EPSR), Vol. 81(1), pp. 1887-1896.
[8] Castro, M. S., Ayres, H. M., daCosta, V. F., daSilva, L. C. P. (2007). "Impacts of the SSSC Control Modes on Small-Signal and Transient Stability of a Power System". Electric Power Systems Research (EPSR)., Vol. 77(1), pp. 1-9.
[9] Pugliese, P., Sbrizzai, R., Trovato, M., La Scala, M. (1996). "Intelligent Control of Inter-Area Oscillations in Power Systems". IEEE., pp. 737-741.
[10] Shayeghi, H., Shayanfar, H.A., Jalilzadeh, S., Safari, A. (2009). "A PSO based unified power flow controller for damping of power system oscillations". Energy Conversion and Management., Vol. 50 (1), pp. 2583–2592.
[11] Mithulananthan N, Canizares C. A, Reeve J, Rogers G. J. (2003). "Comparison of PSS, SVC and STATCOM controllers for damping power system oscillations". IEEE Trans. Power System., Vol. 18(2), pp. 786-792.
[12] Ishimarua M, Yokoyamaa R, Netob O. M, Lee K. Y. (2004). "Allocation and design of power system stabilizers for mitigating low-frequency oscillations in the eastern interconnected power system in Japan". Electrical Power and Energy Systems., Vol. 26(8), pp. 607-618.
[13] Amjady, N., Velayati, M. H. (2010). "Evaluation of Hopf Bifurcation Considering the Effect of Load Models and Excitation System Parameters". International Review of Electrical Engineering (IREE)., Vol. 6(5), pp. 2419-2427.
[14] Bikash P, Balarco C. Robust Control in Power System; Springer, 2005.
[15] Amjady, N., Velayati, M. H. (2010). "Dynamic Voltage Stability Prediction of Power Systems by a New Feature Selection Technique and Probabilistic Neural Network". European Transactions on Electrical Power (ETEP)., Vol. 21(1), pp. 312-328.
[16] Amjady, N., Keynia, F., Zareipour, H. (2011). "Wind power prediction by a new forecast engine composed of modified hybrid neural networks and enhanced particle swarm optimization". IEEE Trans. Sustainable Energy., Vol. 2(3), pp. 265-276.
[17] http://www.ee.washington.edu/research/pstca/.
[18] Amjady, N., Ansari, M. R. (2008). "Small Disturbance Voltage Stability Assessment of Power Systems by Modal Analysis and Dynamic Simulation". Int. J. of Energy Conversion and Management (ECM), Vol. 49(10), pp. 2629-2641.
[19] DIgSILENT User Manual Toolbox, Available: http:// www.digsilent.de/.
[20] MATLAB Neural Network Toolbox, The Mathworks, Available: http://www.mathworks.com/.
 
 
مدل سازی در مهندسی
دوره 13، شماره 42
مهر 1394
صفحه 119-133

فایل ها

سابقه مقاله

  • تاریخ دریافت: 09 بهمن 1395
  • تاریخ بازنگری: 25 شهریور 1396
  • تاریخ پذیرش: 09 بهمن 1395

هم رسانی

ارجاع به این مقاله

آمار