دانلود رایگان ترجمه مقاله تجزیه و تحلیل ولتاژ برای تایید توپولوژی شبکه توزیع – IEEE 2017

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1-مقدمه
علاقه تجاری کم به همراه پوشش محض شبکه های ولتاژ پایین مسکونی منجر به تجهیزات محدود شده اند. از دیرباز، اپراتورهای صنعتی داده های ولتاژ، جریان و نیرو را فقط از چند نقطه شبکه جمع آوری می کنند. با افزایش علاقه به تولید نیرو از طریق خورشید و ادغام آن با برنامه های شارژ خودرو برقی و واکنش بر حسب تقاضا، صنایع نیاز به مدل های پیشرفته تر برای انجام زمانبندی شبکه دارند. در این راستا و با توجه به هزینه بازدارنده نصب فازهای همزمان در مقیاس گسترده، داده های فراساختار سنجش پیشرفته و مبدل های نیرو می توانند اطلاعات شبکه مفید فراهم کنند. یکی از این اطلاعات اساسی ساختار عملیاتی شبکه است. شبکه های نیرو با خطوط اضافه برای کارایی، اعتبار و نگه داری ساخته می شوند. هر چند اپراتورها با خطوط موجود به همراه ویژگی های خود آشنا هستند، مکان شناسی باانرژی که تحت آن شبکه در هر نقطه زمانی عمل می کند، ممکن است به طور دقیق شناخته شده نباشد. در سطح انتقال، مکان شناسی شبکه معمولا با داده های تاریخی ، اندازه گیری ها و برآورد گر وضعیت تعمیم یافته به دست می آیند (1). تشخیص قطع برق تک سیمی و دو سیمی از طریق شمارهای موثر در (2) پیشنهاد شده اند، در حالی که قطع برق خطوط چندگانه از طریق نمایش کامل پراکنده در (3) ارائه می گردند. با توجه به تزریق نیرو در بین شبکه در چند زمان متعدد، اتصال شبکه از طریق عامل ماتریس نهان در (4) بازیابی می شود. میدان تصادفی گاسی مارکوف در زوایای ولتاژ مخزن مطرح شده اند تا خطاهای شبکه انتقال تعیین محل شوند (5). مکان شناسی های سیستم نیرو به جای استفاده از کمیت های الکتریکی، با استفاده از قیمت های الکتریسیته موجود آشکار در (6) ردیابی می شوند. مرجع (7) با تاکید بر شبکه های توزیع، به بهره گیری از تاخیرهای زمانی سیگنال های ارتباطات خط نیرو می پردازد تا ساختار شبکه را نمایان سازد. طرح بازیابی مکان شناسی (8) متکی بر ویژگی های ماتریس کوواریانس معکوس بزرگنمایی های ولتاژ مخزن است. مرجع (9) پس از مطرح نمودن مدل شبکه توزیع خطی طرح های قبلی را به داده های ولتاژ برگرفته از تغذیه کننده های چندگانه، تزریق نیروهای متناسب و شبکه هایی با نسبت متغییر مقاومت به واکنش تعمیم می دهد. الگوریتم های بازیابی گراف (9) گسترش یافته اند تا کوواریانس های تزریق نیرو را از گره های پایانه دربرگیرند (10). مکان شناسی شبکه با استفاده از مدل های گرافیکی بررسی شده اند که درخت فاصله بندی را بر اساس اطلاعات دوگانه داده های ولتاژ در (11) تطبیق دهی نموده اند. رویکردهای قبلی متکی بر لحظات کلی به جای نمونه ای داده سنج می باشند. در شبکه ای با N تعداد مخزن، کوواریانس نمونه داده های ولتاژ پس از جمع آوری در حدقل Nداده، وارون پذیر می گردد. اگر سنجش ها از هر چند دقیقه گزارش دهند، کوواریانس نمونه را می توان فقط پس از چند ساعت وارونه ساخت. حتی پس از آن، معکوس ان به طور عمده از نظیر مشابه خود انحرافی خواهد داشت. روش های استنباط مکان شناسی متکی بر داده های فاز همزمان نیز برای شبکه های توزیع پیشنهاد شده اند. طرح (12) مکان شناسی را انتخاب نموده و به بهترین تناسب حداقل مربع در حالت جامع دست می یابد که پیچیدگی آن به طور تصاعدی در چند نوع شکل بندی افزایش می یابد.الگوریتم داده محور برای تشخیص رویدادهای تغییر دهنده بر اساس نشانه های مکان شناسی گزارش شده است (13). مدل خطی پراکنده به بررسی وابستگی ولتاژ بین هره گره و تمامی گره ها پرداخته و از طریق رگرسیون جریمه شده در l1  جستجو می شود؛ با این وجود، مدل های هر گره ممکن است تطابقت نداشه باشند. در (15)، ماتریس پذیرش مخزن از طریق رگرسیون خطی یافت شد و رویت پذیری آن با فرض توصیف شد که تمامی مخزن های اندازه گیری نشده نیرو را تزریق نمی کنند. هر چند فازهای همزمان برای شبکه های توزیع در جریان اند، هزینه فعلی آنها مانع از کاربرد گسترده آنها می شود. فعالیت تایید مکان شناسی شبکه با استفاده از داده های ولتاژ غیرهمزمان در اینجا در نظر گرفته می شوند. اثرگذاری ما سه برابر است. نخست اینکه تایید مکان شناسی در شبکه های تک فاز به عنوان مسئله احتمال ماکسیمم شامل ماتریس کوواریانس نمونه داده های ولتاژ مطرح می گردد.
نتایج
تایید مکان شناسی شبکه توزیع به عنوان مسئله استنباط آماری مطرح شده است. با بیان سنجیده بزرگنمایی های ولتاژ مشاهده شده به عنوان توابع مکان شناسی شبکه بنیادی، طرح های تشخیص احتمال پیسین ماکسیمم و احتمال بیشینه مطرح شده اند. فعالیت های یادگیری جدید، اهداف محدب (غیر) را بسته به دقت مدل داده های شبکه ای اتخاذ شده به حداقل می رسانند. به هر طریق، بهینه سازی بیشتر از مجموعه امکان پذیر غیرمحدب پیکربندی های خط فعال است که به حالت محدب کاهنده می شود. حل کننده های نقاط قوت تکمیلی مطرح شده اند. آزمایشات عددی با داده های حقیقی تغذیه دهنده های معیار نشان می دهد که طرح های ما عملکرد خوبی دارند حتی زمانی که تعداد داده ها کوچک تر از اندازه شبکه باشد. بسته به اطلاعات قبلی و فعالیت بار، جمع آوری داده های سنجش هوشمند در 3-0.5 ساعت می تواند مکان شناسی ها را در صدها گره تایید کند. گسترش رویکرد به شبکه های چند فاز و انتخاب پویا جهت گیری های تحقیقاتی را تشکیل می دهند. ساختارهایی که در آن داده های ولتاژ در زیرمجموعه مخزن ها و در حضور مخزن های تزریق-صفر جمع آوری می شوند به طور عملی مرتبط بوده و باید بررسی شوند. پرداختن به فعالیت تعیین مکان شناسی که در آن پارامترهای خطی ناشناخته اند نیز به طور عملی مرتبط است. برای بهبود مقیاس پذیری، تکنیک های بهینه سازی شتاب گرفته و یا مرتبه دوم (نیوتن) را می توان دنبال نمود. چون داده ها به طور دنباله ای می رسند، تکرار ها می توانند با جدیدترین مقادیر خود آغاز شوند.

 بخشی از مقاله انگلیسی:

I. INTRODUCTION

Low commercial interest together with the sheer coverage of residential low-voltage grids have resulted in their limited instrumentation. Traditionally, utility operators collect voltage, current, and power readings only from a few grid points. With the growing interest in integrating solar generation along with demand-response and electric vehicle charging programs, utilities need more refined models of their assets to accomplish grid scheduling tasks. To this end and given the currently prohibitive cost of installing synchrophasors on a wide scale, data from advanced metering infrastructure (AMI) and power inverters can provide useful grid information. One such critical piece of information is the operational structure of a grid. Power networks are built with line redundancy for efficiency, reliability, and maintenance purposes. Although operators know the available lines along with their characteristics, the energized topology under which the grid operates at any given time may not be precisely known. At the transmission level, the grid topology is typically acquired using historical data, measurements, and the generalized state estimator [1]. Detecting sudden single- and double-line outages via efficient enumerations has been suggested in [2], while outages of multiple lines are unveiled via the sparse overcomplete representation of [3]. Given power injections across the network over multiple times, grid connectivity is recovered via a blind matrix factorization in [4]. A Gaussian Markov random field has been postulated over bus voltage angles to localize transmission grid faults [5]. Instead of using electrical quantities, power system topologies are tracked using publicly available electricity prices in [6]. Focusing on distribution grids, reference [7] exploits the time delays of power line communication signals to reveal the grid structure. The topology recovery scheme of [8] relies on the properties of the inverse covariance matrix of bus voltage magnitudes. After developing a linearized distribution grid model, reference [9] generalizes the previous schemes to voltage data from multiple feeders, correlated power injections, and grids with variable resistance-to-reactance ratios. The graph recovery algorithms of [9] have been extended to incorporate covariances of power injections from terminal nodes [10]. Grid topology recovery has been tackled using graphical models by fitting a spanning tree based on the mutual information of voltage data in [11]. The aforementioned approaches rely on the ensemble rather than sample moments of meter data. In a grid of N buses, the sample covariance of voltage data becomes invertible after collecting at least N data. If meters report every few minutes, the sample covariance can be inverted only after some hours. Even then, its inverse would deviate substantially from its ensemble counterpart. Topology inference methods relying on synchrophasor data have also been suggested for distribution grids. The scheme of [12] selects the topology attaining the best least-squares fit in an exhaustive fashion whose complexity grows exponentially in the number of configurations. A data-driven algorithm for detecting switching events based on topology signatures has been reported [13]. A sparse linear model capturing the voltage dependence between every node and all other nodes is sought via `1-penalized regression in [14]; yet the per-node models may not agree. In [15], the bus admittance matrix is found via linear regression and its observability is characterized presuming all non-metered buses do not inject power. Albeit synchrophasors for distribution grids are underway, their current cost inhibits wide adoption. The task of verifying grid topologies using nonsynchronized voltage data is considered here. Our contribution is three-fold. First, topology verification in single-phase grids is posed as a maximum likelihood (ML) problem involving the sample covariance matrix of voltage data. After reviewing the grid model in Section II, the grid topology is captured by a binary vector (Section III-A). The associated non-convex set is relaxed to its convex hull and a stationary point of the nonconvex likelihood function is found via gradient projection. Asymptotically in the number of data, the true topology constitutes the global minimizer for both problems. Second, the novel learning schemes simplify if lines are assumed to exhibit identical resistance-to-reactance ratios, see also [8]. By further ignoring noise, the likelihood function becomes convex, and hence, numerical bounds on the suboptimality of the relaxation are obtained (Section III-B). Lastly, possible prior information on the status of individual lines is incorporated in terms of a maximum a posteriori (MAP) estimator (Section IV-C). The numerical tests of Section V using actual data on benchmark feeders corroborate our findings, and conclusions are drawn in Section VI.

VI. CONCLUSIONS

Distribution grid topology verification has been posed as a statistical inference problem. By judiciously expressing the observed voltage magnitudes as functions of the underlying grid topology, maximum likelihood and maximum a posteriori probability detection schemes have been proposed. The novel learning tasks minimize (non)-convex objectives depending on the accuracy of the adopted grid data model. Either way, the optimization is over the non-convex feasible set of active line configurations that is relaxed to its convex hull. Solvers of complementary strengths have been devised. Numerical tests using real data on benchmark feeders demonstrate that our schemes perform well even when the number of data is smaller than the network size. Depending on prior information and load activity, collecting smart meter data over 0.5–3 hours can verify topologies over a hundred of nodes. Extending the approach to multiphase grids and dynamically selecting meters constitute interesting research directions. Setups where voltage data are collected over a subset of buses and/or in the presence of zero-injection buses are practically relevant and need to be addressed. Coping with the task of topology identification where line parameters are unknown too is practically relevant too. To improve scalability, second-order (Newton) and/or accelerated optimization techniques could be pursued. Since data arrive sequentially, the iterates could be initialized to their most recent value.