پیش بینی وضعیت پایداری ولتاژ کوتاه مدت مبتنی بر یک شبکه عصبی بازگشتی دوسویه با استفاده از داده های اندازه گیری فازوری در سیستم های قدرت

توسعه کاربرد روش های یادگیری ماشین و هوش مصنوعی و گسترش به کارگیری واحدهای اندازه گیری فازور (PMU) قابلیت تحلیل برخط سیستم قدرت با استفاده از داده های اندازه گیری را فراهم کرده است. در این مقاله یک روش یادگیری عمیق مبتنی بر شبکه عصبی بازگشتی دروازه ای دوسویه با لایه های کانولوشن برای پیش بینی برخط پایداری ولتاژ کوتاه مدت (STVS) به کمک داده های PMU ارائه شده است. با هدف بررسی رفتار دینامیکی سیستم قدرت در STVS، پایگاه داده شامل سری زمانی دامنه ولتاژ و زاویه فاز است. با استفاده از تابع لیاپانوف و انحراف دامنه ولتاژ یک شاخص دینامیکی برای دسته بندی داده های اندازه گیری در سه کلاس پایدار، هشدار و ناپایدار تعریف شده است. قابلیت شبکه بازگشتی دوسویه در تحلیل هم زمان داده های گذشته و آینده و قابلیت لایه کانولوشن در استخراج ویژگی های زمانی داده ها منجر به افزایش دقت ارزیابی برخط پایداری ولتاژ کوتاه مدت شده است. شبیه سازی ها روی شبکه های چندماشینه 39 و 118 شین IEEE نشان می دهد روش پیشنهادی می تواند پایداری ولتاژ کوتاه مدت را براساس داده های اندازه گیری قبل و بعد از خطا با دقت خوب و در زمان کوتاهی پیش بینی کند؛ به طوری که زمان بیشتری برای اقدامات اصلاحی در شبکه وجود داشته باشد. نتایج گواه است که الگوریتم پیشنهادی در مقابل تغییر ساختار شبکه قدرت و نیز تغییر نقاط بهره برداری مقاوم است؛ بنابراین، اجرای این مدل در شبکه های واقعی امکان پذیر خواهد بود.