بهبود برآورد و عملكرد در پخش بار بهينه با استفاده از شبكه عصبي بيزين

Improving the Estimation and Operation of Optimal Power Flow(OPF) Using Bayesian Neural Network

طراحي و توسعۀ آيندۀ سيستم با توجه به رشد بار و لزوم اضافه كردن ژنراتورها، ترانسفورماتورها و خطوط جديد در سيستم قدرت، بدون مطالعۀ پخش بار امكان‌پذير نيست. ضرورت مطالعات پخش بار بهينه نيز علاوه بر موارد ذكر شده براي پخش بار جهت رسيدن به توابع هدف است كه در اين مقاله، هزينۀ سوخت ژنراتورها، تلفات توان اكتيو شبكه و شاخص بارپذيري شبكه مورد استفاده قرار گرفته است. بنابراين با استفاده از شبكۀ عصبي مصنوعي و مقايسۀ دو الگوريتم پس‌انتشار خطا از اين نوع شبكه و تعريف مدل، به بررسي و تحليل پخش بار بهينه پرداخته شده است. با استفاده از نمايه‌هاي ارزيابي مدل و آزمون مرگان-گرنجر-نيوبلد (MGN) عملكرد اين دو الگوريتم مورد تحليل و مقايسه قرار گرفته‌اند. از روش آماري بوت استرپينگ نيز براي رسيدن به بهترين عملكرد براي بهبود برآورد پخش بار بهينه استفاده شده است. به‌منظور كاهش گام‌ها با خطاي كمتر از 1% براي بهبود برآورد پخش بار بهينه با بهينه‌سازي توابع تك‌هدفۀ مذكور، شبكه‌هاي عصبي بيزين و پرسپترون در شبكۀ استاندارد 30 شين IEEE مورد بررسي قرار گرفته‌اند. نتايج، نقش مؤثر شبكۀ عصبي بيزين بوت استرپ‌شده را از لحاظ عملكرد در نرم‌افزار متلب نشان مي‌دهد.

The future development and design of the power system is impossible without the study of Power Flow(PF), exigency of the system outcome load growth, necessity add generators, transformers, and power lines. The urgency for Optimal Power Flow (OPF) studies, in addition to the items listed for the PF are necessary to achieve the objective functions. In this paper, the cost of generator fuel, active power losses network, and the system’s loadability index have been used; therefore, through an artificial neural network, the comparison of two propagation algorithms of this type of network, and the definition of the model, OPF analysis has been and define carried out. The performance of these two algorithms is analyzed and compared using the model assessment index and MGN tests the statistical method of Bootstrap has been used to achieve the best performance in order to improve OPF estimates. The Bayesian and Perceptron neural networks have been studied in IEEE 30 bus test system to reduce the steps with less than 1%, and to improve the OPF estimation with single-objective optimization functions .The results show the effective role of bootstrapped Bayesian neural network in terms of performance by using MATLAB software