روش مبتنی بر یادگیری عمیق به منظور ارزیابی جامع پایداری زاویه ای رتور

برخلاف سایر روش های ارزیابی پایداری زاویه ای روتور که تنها وضعیت پایداری گذرا یا سیگنال کوچک را ارزیابی می کنند، در این مقاله، یک روش جدید پیش بینی پایداری ارایه شده است که همزمان وضعیت پایداری گذرا و سیگنال کوچک را در نظر می گیرد. بنابراین ، روش پیشنهادی، که از مدل یادگیری عمیق مبتنی بر پرسپترون چند لایه استفاده می کند ، می تواند به طور جامع پایداری زاویه ای روتور پس از وقوع اغتشاش را پیش بینی کند. با توجه به اینکه این روش از ولتاژ واحدهای تولیدی، که در لحظات اولیه پس از وقوع اغتشاش به طور مستقیم توسط سیستم WAMS اندازه گیری می شوند، استفاده می کند و به محاسبه زاویه روتور ژنراتورها (که بار محاسباتی بالا دارد) نیاز ندارد، می تواند با استفاده از داده های اندازه گیری شده توسط PMU های نصب شده در ترمینال ژنراتورها وضعیت پایداری را به موقع پیش بینی کند. از اینرو، این روش فرصت مناسب را برای اپراتورهای سیستم فراهم می کند تا اقدامات اصلاحی مناسب را انجام دهند. به منظور بررسی عملکرد روش پیشنهاد شده، این روش در شبکه های IEEE14-bus و IEEE 39-bus پیاده سازی و آزمایش شده است. نتایج شبیه سازی های دینامیکی نشان می دهد که اگرچه روش پیشنهادی به تعداد PMU کمتری نسبت به روش های پیشین که در مراجع ارایه شده اند نیاز دارد، اما می تواند وضعیت پایداری را در مدت کوتاهی و با دقت مناسب ارزیابی کند. همچنین به منظور ارزیابی وضعیت پایداری سیستم قدرت از دیدگاه پایداری گذرا و سیگنال کوچک، روش پیشنهادی می تواند نقطه کار سیستم پس از اغتشاش را با دقت بسیار مناسبی در دسته های ناپایدار، خطر، یا عادی طبقه بندی کند.