ارزیابی بهنگام آسیب‌پذیری خطوط در برابر رخداد خرابی آبشاری با استفاده از یک مدل پایش هوشمند

نوع مقاله : مقاله برق

نویسندگان

1 عضو هیات علمی گروه مهندسی برق- دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

2 دانشگاه کردستان

3 دانشگاه علم و صنعت ایران

10.22075/jme.2020.20446.1901

چکیده

در این مقاله، یک مدل هوشمند برای انجام ارزیابی بهنگام آسیب‌پذیری خطوط با رویکرد تحلیل حالت خاموشی سراسری شبکه پیشنهاد می‌شود. در این راستا، مسئله به صورت نگاشت بین شرایط بهره‌برداری نرمال و آسیب‌پذیری خطوط تعریف می‌شود و از الگویتم شبکه عصبی به دلیل توانایی آن در ایجاد نگاشت غیرخطی و قابلیت پیش‌بینی مناسب، در مدل پیشنهادی استفاده می‌شود. شبکه عصبی در مدل پایش هوشمند، شرایط بهره‌برداری را به عنوان بردار ورودی دریافت می‌کند و معیار آسیب‌پذیری هر خط را به عنوان بردار خروجی ارائه می کند و با ایجاد نگاشتی غیر خطی، ارزیابی را در مورد آسیب‌پذیری خطوط انجام می‌دهد. نتایج عددی حاصل از بررسی عملکرد مدل مبتنی بر هوش مصنوعی برروی شبکه نمونه 39 و 118 شینه و مقایسه آن با مدل تحلیلی از نقطه نظر دقت و سرعت، حاکی از کارایی مدل پیشنهادی در ارزیابی بهنگام آسیب پذیری خطوط است. استفاده از مدل پیشنهادی باعث افزایش درک کلی بهره‌بردار از تاثیرگذاری هر خط در انتشار رخداد خرابی آبشاری و در نهایت باعث افزایش امنیت و قابلیت اطمینان در بهره‌برداری بهنگام شبکه انتقال خواهد شد.

کلیدواژه‌ها


عنوان مقاله [English]

Real time Vulnerability Assessment in Cascading Failure Analysis Using an Intelligence Monitoring Model

نویسندگان [English]

  • Ali Hesami Naghshbandy 1
  • Saber Armaghani 2
  • S. Mohammad Shahrtash 3
1 Department of Electrical Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Kurdistan, Iran.
2 University of Kurdistan, Sanandaj
3 Iran University of Science & Technology
چکیده [English]

In this paper, A measurement-based model is proposed to assess the vulnerability of the transmission line under overloaded cascading blackout analysis in the power system online operation environment. The proposed Measurement-based model is constructed by the Artificial Neural Network due to its ability in nonlinear mapping between input and output vectors that its ability causes a suitable prediction. The Artificial Neural Network Training data set is provided by using analytical vulnerability assessment model in different operational condition to rank and obtain vulnerability status of each transmission line. Then, Arterial Neural Network links between operating conditions as the input vector and the vulnerability value of each transmission line as the output vector. The efficiency of the proposed measurement-based model in terms of speed and accuracy is investigated in the IEEE 39-, and IEEE 118-bus test case systems by comparing it to an analytical vulnerability assessment model. Finally, the security and reliability of the transmission network are enhanced by increasing the online situational awareness of the operator about the effects of each transmission line in propagating the cascading failure by using the proposed model.

کلیدواژه‌ها [English]

  • Cascading Failure Analysis
  • Multi-criteria Vulnerability Index
  • Freed Forward Multi-layer Artificial Neural Network
  • Online Vulnerability Assessment