دانلود ترجمه مقاله داده کنتور مصرف کننده در مدلسازی تحلیل بار فضایی زمانی در تجهیزات شبکه توزیع برق – مجله IEEE

فهرست مطالب:

چکیده
۱ مقدمه
۲ کلیات مدل
۳ فرایند و روش محاسبه بار
۴ توسعه مدل تحلیل بار
۵ مطالعه موردی پیرامون رده بندی الگوی بار
۶ نتیجه گیری

بخشی از ترجمه:

مقدمه

از آنجایی که صنعت برق امروز در فرایند جابجایی به سمت مقررات زدایی و سیستم رقابتی تر قرار دارد،در نتیجه عملیات کارآمد شبکه نیرو از اهمیت بسیار زیادی برخوردار می شود. مفهوم رقابت معرفی شده در بازار برق، نیازمند کشف عملیات کارآمدتر سیستم جهت توسعه رفاه اجتماعی و کاهش صورت حساب برق می باشد.
حتی با وجود سرمایه گذاریهای کلان در خطوط توزیع جدید و عملیات تجهیزات، عدم تعادل در تجهیزات برق رسانی، نظیر قطع برق ناشی از سرمایه گذاری زیاد یا عدم سرمایه گذاری، نواحی ولتاژ پائین و تجهیزات برق استفاده نشده ، بسته به ناحیه پیش بینی می شود. این مشکل ریشه در مشکلات قابل ملاحظه در زمینه بررسی باری دارد که هر لحظه تغییر می کند، بررسی بخشی با حداکثر بار خط توزیع، و بررسی اطلاعات بار/ تجهیزات ترانسفورماتور تکی. به علاوه، روش تحلیل بار فعلی از حداکثر بار ماهانه یا سالانه ترانسفورماتور و ضریب تصحیح تقریباً یکسان استفاده میکند.
برطبق داده های مربوط به سیستم توزیع کره جنوبی و تجهیزات اصلی، ۷۰۰۰ خط توزیع با طول کل مسیر ۳۹۰۰۰۰ کیلومتر، ۷۶۰۰۰۰۰ قطب(پل)، ۱۷۰۰۰۰۰ ترانسفورماتور و ۱۲۰۰۰۰ سوئیچ وجود دارد. مانیتورینگ بار بخش تحت خط توزیع یا ترانسفورماتورهای تکی که هر لحظه دائماً تغییر می کنند، به خاطر مقیاس بزرگ تجهیزات بسیار سخت و دشوار می باشد. اگرچه برخی از سوئیچ ها و ترانسفورماتورها به تجهیزات اندازه گیری بار مجهز هستند، اما اتصال این تجهیزات به کلیه تسهیلات از لحاظ عملی غیر ممکن می باشد. برای تعویض روش موجود برای نصب تجهیزات اندازه گیری و نشان دادن مقادیر اندازه گیری شده، به توسعه تکنولوژی جدید برای تحلیل الگوی بار فضایی و زمانی نیاز می باشد.
در این مقاله، مدل تحلیل الگوی بار جدیدی برای تسهیلات برق هر ۱۵ دقیقه یکبار با استفاده از داده های قرائت کنتور بدون اتصال تجهیزات اندازه گیری پیشنهاد می کنیم. اولاض، داده های مربوط به مشتری، تسهیلات، قرائت کنتور، ترانسفورماتور و اندازه گیری فیدر را از سیستم های میراثی استخراج می کنیم. سپس، انبار داده های مدل تحلیل الگوی بار ساخته و رابطه بین تسهیلات توزیع و مشتری برقرار می شود. سپس الگوی بار برای مشتریانی که در AMR نقش نداشته اند ، پیش بینی می شود. نمودار تک خطی (SLD) برای هر فیدر توزیع ترسیم و جریان برق محاسبه می گردد.
مشتریانی که در AMR نقش نداشته اند به طبقات ولتاژ بالا و ولتاژ پائین طبقه بندی می شوند. سپس هر الگوی بار ۱۵ دقیقه ای با استفاده از داده های AMR برای مشتریان ولتاژ بالا یا با استفاده از داده های مانیتورینگ بار بی سیم ترانسفورماتور برای مشتریان ولتاژ پائین پیش بینی می گردد. در این راستا از تکنیک هایی نظیر خوشه بندی، رده بندی و الگوریتم داده کاوی زمانی استفاده شده است. در اینجا چارچوب داده کاوی برای پیش بینی الگوی بار غیر AMR نیز پیشنهاد و پیش پردازش داده ها و کشف نمونه دور افتاده ، تولید الگوی بار نماینده از طریق خوشه بندی من جمله روش تعریف تعداد کلاس ها، مدل رده بندی و نتایج بدست آمده بعد از ارزیابی عملکرد رده بندها(طبقه بندها) را شرح می دهیم.

بخشی از مقاله انگلیسی:

INTRODUCTION

SINCE today’s power industry is in the process of shiftingtoward deregulation and a more competitive system, theefficient operation of the power system is becoming increasinglyimportant. The concept of competition as introduced in the power market requires exploring more progressive and efficientsystem operation to expand social welfare and to reducethe electricity bill.Even though massive investments are made in new distributionlines and in the operation of equipment, an imbalance inpower-supply equipment, such as power outages due to excessiveinvestment or a lack of investment, low-voltage areas, andunused power equipment are predicted depending on the area.This problem stems from the considerable difficulty in checkingthe load which changes every moment, checking the sectionwith the maximum load of the distribution line, and checkingthe equipment/load information of the individual transformer.In addition, the current load analysis method uses the monthlyor yearly maximum load of the transformer and almost the samecorrection coefficient [1].According to the data on South Korea’s distribution systemand major equipment, there are 7 000 distribution lines with atotal route length of 390 000 km, 7 600 000 poles, 1 700 000transformers, and 120 000 switches. Monitoring the load of thesection under the distribution line or individual transformerswhich are continually changing every moment would be verydifficult due to the huge scale of equipment [2]. Although someswitches and transformers are equipped with load measurementequipment, attaching this equipment to all facilities is practicallyimpossible. Developing new technology for temporal andspatial load pattern analysis is required to replace the existingmethod of installing measurement equipment and showing themeasured values. In this paper, we propose a new load pattern analysis modelfor power facilities every 15 min using meter-reading datawithout attaching measurement equipment. First, we extractthe customer, facility, meter reading, transformer, and feedermeasurement data from legacy systems. Afterward, a loadpattern analysis model data warehouse is constructed, and therelationship between the distribution facilities and the customeris then established. The load pattern for customers who arenot involved in AMR is then predicted. A single-line diagram(SLD) for each distribution feeder is created, and the powerflow is calculated.Customers who are not involved in AMR are classified intohigh-voltage and low-voltage categories. Each 15-min load patternis then predicted using AMR data for the high-voltage customersor using transformer wireless load monitoring data forthe low-voltage customers. There are some techniques whichare applied, such as clustering, classification and temporal dataminingalgorithm [3], [4].We also propose a data-mining frameworkfor the non-AMR load pattern prediction and describe data preprocessing and outlier detection, the representative load patterngeneration through clustering including the methodology todefine the number of classes, the classification model, and theresults after the performance evaluation of the classifiers. Ourapproach is able to represent the difference and diversity perday in the clustering process and to predict the load pattern ofnon-AMR customers in a classification model, avoiding the datadistortion and reproducibility problems of the conventional loadpattern research.To enable users to perform an efficient, multifaceted analysis,we have developed spatial and temporal load patternanalysis models, such as an Internet GIS load analysis, asingle-line diagram load analysis for each distribution feeder,and a multidimensional load analysis using online analyticalprocessing techniques.If the facilities under the distribution line can be analyzedover time and in detail as described before, it enables the abilityto check exactly when and what section or equipment experienceshow much overload, voltage drop, or power loss. Moreover,in the case of outage or fault, the load conditions can beanalyzed at that time for the corresponding line. We can alsoincrease or decrease the load at a specific time or simulate howthe load changes over time by transferring it to other equipment;thus, enabling the enhancement of efficiency of facility operationor the optimum load system.We can also make a more accurateinvestment in facilities by checking the load of the existingline to determine when expansion is necessary for new equipment.