تخمین حالت دو سطحی شبکه های قدرت مبتنی بر شبکه های عصبی مصنوعی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 555

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELEMECHCONF03_0521

تاریخ نمایه سازی: 9 مرداد 1395

چکیده مقاله:

یکی از مباحث مهم در بهره برداری از شبکه های قدرت تخمین حالت است. آنچه که بیشتر در عمل انجام می شود انجام فرآیند تخمین حالت استاتیکی با استفاده از اندازه گیری های سنتی است. اما با مطرح شدن واحدهای اندازه گیری فازوری (PMU) تمایل برای استفاده از داده های این اندازه گیرها در فرآیند تخمین حالت افزایش یافته است.در این مقاله به نحوه انجام تخمین حالت در حضور واحدهای اندازه گیری فازوری و اندازه گیری های سنتی پرداخته خواهد شد. همچنین خلاء اطلاعاتی ناشی از نرخ پایین نمونه برداری تجهیزات PMU تامین می شود. در این مقاله شبکه های عصبی مصنوعی به صورت دو سطحی استفاده شده است که در سطح اول خلاء ی اطلاعاتی تجهیزات PMU تامین می شود و در سطح دوم متغیرهای حالت شبکه تخمین زده می شوند. نتایج بر روی شبکه های نمونه 14 و 57 شینه IEEE پیاده سازی شده است. بهبود در زمان و نتایج تخمین حالت از جمله دستاوردهای این روش می باشد.

نویسندگان

امیر خدامی

دانشجوی کارشناسی ارشد، پردیس دانشکده های فنی شهید عباسپور، دانشگاه شهید بهشتی

ساسان گلیجانی

دانشجوی دکتری، پردیس دانشکده های فنی شهید عباسپور، دانشگاه شهید بهشتی

محمدتقی عاملی

دکتری مهندسی برق، استاد دانشکده مهندسی برق پردیس دانشکده های فنی شهید عباسپور، دانشگاه شهید بهشتی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • اسفندیاری، ف. (1389)، "پیش‌بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندجبا ...
  • منهاج، م. (1384)، "مبانی شبکه‌های عصبی"، دانشگاه صنعتی امیرکبیر، تهران ...
  • عبدالله‌زاده سنگرودی، ح. (1391)، "بررسی روند تاثیر واحدهای اندازه‌گیری فازوری ...
  • Jin, T., et al., A Robust WLS Power System State ...
  • Abur, A. and A.G. Exposito, Power System state estimation: theory ...
  • Chakrabarti, S. and E. Kyriakides, PMU medsuremet uncertainty consideration in ...
  • Abur, A. Use of PMUs in WLS and LAV Based ...
  • Kavousi-Fard, A. and M.-R. Akbari-Zadeh, A hybrid method based on ...
  • Kaur, K., et al. Wind speed estimation based control of ...
  • He, W., et al., State of charge estimation for Li-ion ...
  • Manitsas, E., et al., Distribution system state estimation using an ...
  • Abbasy, N.H. and W. El-Hassawy. Power System _ estimation: ANN ...
  • Gupta, S., et al., Neural Network Based Early Warning System ...
  • Souza, J. and A.M. Leite da Silva, Data debugging for ...
  • Sinha, A. and J. Mondal, Dynamic state estimator using ANN ...
  • Ivanov, O. and M. Gavrilas. State estimation with Neural Networks ...
  • Souza, J., Online topology determinatio and bad data suppression in ...
  • Schweppe, F.C., Power system static-state estimation, Part III: Imp lementation. ...
  • Gol, M., Incorporation of pmus in power system state estimation. ...
  • Ho, S. L, M. Xie, and T. N. Goh. "A ...
  • نمایش کامل مراجع