پيش‌بيني وضعيت پايداري ولتاژ كوتاه‌مدت مبتني بر يك شبكه عصبي بازگشتي دوسويه با استفاده از داده‌هاي اندازه‌گيري فازوري در سيستم‌هاي قدرت

توسعه كاربرد روش‌هاي يادگيري ماشين و هوش مصنوعي و گسترش به‌كارگيري واحدهاي اندازه‌گيري فازور (PMU) قابليت تحليل برخط سيستم قدرت با استفاده از داده‌هاي اندازه‌گيري را فراهم كرده است. در اين مقاله يك روش يادگيري عميق مبتني بر شبكه عصبي بازگشتي دروازه‌اي دوسويه با لايه‌هاي كانولوشن براي پيش‌بيني برخط پايداري ولتاژ كوتاه‌مدت (STVS) به كمك داده‌هاي PMU ارائه شده است. با هدف بررسي رفتار ديناميكي سيستم قدرت در STVS، پايگاه داده شامل سري زماني دامنه ولتاژ و زاويه فاز است. با استفاده از تابع لياپانوف و انحراف دامنه ولتاژ يك شاخص ديناميكي براي دسته‌بندي داده‌هاي اندازه‌گيري در سه كلاس پايدار، هشدار و ناپايدار تعريف شده است. قابليت شبكه بازگشتي دوسويه در تحليل هم‌زمان داده‌هاي گذشته و آينده و قابليت لايه كانولوشن در استخراج ويژگي‌هاي زماني داده‌ها منجر به افزايش دقت ارزيابي برخط پايداري ولتاژ كوتاه‌مدت شده است. شبيه‌سازي‌ها روي شبكه‌هاي چندماشينه 39 و 118 شين IEEE نشان مي‌دهد روش پيشنهادي مي‌تواند پايداري ولتاژ كوتاه‌مدت را براساس داده‌هاي اندازه‌گيري قبل و بعد از خطا با دقت خوب و در زمان كوتاهي پيش‌بيني كند؛ به‌ طوري كه زمان بيشتري براي اقدامات اصلاحي در شبكه وجود داشته باشد. نتايج گواه است كه الگوريتم پيشنهادي در مقابل تغيير ساختار شبكه قدرت و نيز تغيير نقاط بهره‌برداري مقاوم است؛ بنابراين، اجراي اين مدل در شبكه‌هاي واقعي امكان‌پذير خواهد بود.