| عنوان فارسی مقاله: | کاربرد شبکه عصبی مصنوعی در مدول بررسی امنیت ایستا آنلاین |
| عنوان انگلیسی مقاله: | Online Static Security Assessment Module Using Artificial Neural Networks |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2013 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه |
| تعداد صفحات ترجمه مقاله | 20 صفحه |
| مجله | سیستم های قدرت |
| دانشگاه | گروه مهندسی برق دانشگاه کرالا کشور هند |
| کلمات کلیدی | شاخص امنیت ترکیبی، رتبه‌بندی و نظارت بر پیشامدها، شبکه عصبی پیش‌خور چندلایه، ارزیابی امنیت استاتیک آنلاین، شبکه توابع بنیادی شعاعی |
| نشریه IEEE | IEEE |
فهرست مطالب:
چکیده
1 مقدمه
2 شاخص امنیت‌ترکیبی
3 ماژول ارزیابی امنیت استاتیک آنلاین بااستفاده از ANN
الف یک شبکه پیش خور چند لایه (MLFFN)
ب شبکه تابع بنیادی شعاعی
ج تولید داده، آموزش و تست
IV سیستم تست و نتایج شبیه سازی
A سیستم تست 118 bus IEEE
نتایج
بخشی از ترجمه:
باقی از صفحه هفت :
این مشاهده می‌کند از [10]که شاخص ایمنی ترکیبی محاسبه شده با 3 تکرار NRLF نتایج مشابهی را ارائه می‌کند که شبیه با تکرار کامل است و زمان محاسبات درنظرگرفته شده در ستون 2 جدول 4 نشان داده می‌شود.
در ستون 3 و 4 جدول 6، زمان محاسباتی مورد نیاز برای ارزیابی ایمنی آماری بااستفاده از ماژول OSSA به ترتیب بااستفاده از معماری MLFFN و RBFN ، داده می‌شود. می‌تواند مشاهده کند که ماژول OSSA بیان‌شده برای اپلیکیشن‌های آنلاین مناسب هستند.
نتایج
این مقاله یک تکنیک شبکه عصبی مصنوعی کارآمد محاسباتی را برای ارزیابی ایمنی سیستم توان در برابر قطع خط بیان می‌کند. از MLFFN و RBFN برای تحقق بخشیدن ماژول ارزیابی ایمنی استاتیک آنلاتین که می‌تواند وضعیت ایمنی را شناسایی کند، بر پیشامدهای بحرانی نظارت می‌کند و آن‌ها را در ترتیب نزولی شدت هر شرایط عملیاتی رتبه‌بندی کند، استفاده‌کردیم. برای شناسایی دقیق وضعیت ایمنی سیستم شاخص ایمنی ترکیبی، که تابعی از جریان توان و ولتاژ گذرگاه است، توسط نویسندگانی که از آن استفاده می‌کردند توسعه یافته است. مجموعه آموزشی ANN به اندازه کافی محدوده کامل حالت عملیاتی سیستم قدرت را نشان می‌دهند و در شرایط بارگذاری و نیز پیشامدها تعیین می‌شوند. اثرگذاری ماژول OSSA بیان شده در سیستم تست IEEE 118-bus در شرایط دقت محاسباتی و کاهش زمان محاسباتی مورد نیاز برای ارزیابی امنیت استاتیک شرح داده شده است. OSSA بیان شده برای هردو معماری MLFFN و RBFN قادر به ارزیابی دقیق و امنیت بخشیده‌شده سیستم ، در برابر قطع به‌طورقابل توجهی سریعتر از تکنیک‌های معمولی است.
بخشی از مقاله انگلیسی:
INTRODUCTION
MAINTAINING system security is an important requirementin the operation of a power system. Power systemsecurity assessment is the analysis performed to determinewhether, and to what extent, a power system is reasonably safefrom serious interference to its operation [1]. Three major functionsinvolved in power system security assessment are systemmonitoring, contingency analysis and security control. Systemmonitoring provides up-to-date information of bus voltages,currents, power flows and the status of circuit breaker throughthe telemetry system so that operators can easily identify thesystem in the normal state or in abnormal condition.On the other hand, contingency analysis is carried out to evaluatethe outage events in power system and it is a critical part insecurity assessment and involves critical contingency screeningand ranking [2]. If the system is found to be in insecure, securitycontrol will take the preventive or corrective control actions toensure the system back to secure condition.Static security assessment checks the degree of satisfactionfor all relevant static constraints of post contingency steadystates and is needed to solve a large set of nonlinear algebraicequations [3] for N and N-1 system conditions. The securityanalysis becomes more complex and difficult, as these studiesneed to be performed online for it to be more effective. Conventionallythese analysis are performed offline, since the simulationtake significant computation time. The large computationalburden has been the main impediment in preventing the securityassessment from online use [4]. On the other hand there is apressing need for more accurate and powerful tool for securityassessment [5]. The work presented in this paper was motivatedby the attempt to significantly reduce the computation time requiredfor security assessment so that the analysis can be convertedfrom offline to online use, in order to assist the grid operatorsin their real time controller analysis. The trend towardsderegulation has forced the modern utilities to operate their systemscloser to security boundaries. This has fueled the need forfaster and more accurate methods of security assessment [6].The overall computational speed and accuracy of an onlinesecurity assessment depends on the effectiveness of contingencyscreening and rankingmethod, the objective ofwhich is toidentify the critical contingencies among a list of possible contingencies Thecontingency selection andranking is conventionallyperformed by various schemes by computing a scalar performanceindex (PI) derived from DC or fast decoupled load flowsolution for each contingency [7]. These methods generally employa quadratic function as the performance index. This makesthe contingency ranking prone to masking problems, where acontingency with many small limit violations is ranked equallywith the one in which there are only a few large limit violations.Also, the selection ofweighting factors in the performance indexis found to be a difficult task, as it should be chosen based onboth the relative importance of buses and branches and the powersystem operating practice [8], [9]. In addition, majority of theperformance indices do not provide an exact differentiation betweenthe secure and non-secure states. The performance indiceswere traditionally calculated separately for line flows and busvoltages, as the overall performance index defined as the sum orweighted-sumof the scalar performance indices for bus voltagesand the line flows could not provide accurate results [10].
| عنوان فارسی مقاله: | کاربرد شبکه عصبی مصنوعی در مدول بررسی امنیت ایستا آنلاین |
| عنوان انگلیسی مقاله: | Online Static Security Assessment Module Using Artificial Neural Networks |
خرید ترجمه فارسی مقاله با فرمت ورد