شماره ركورد كنفرانس :
5399
عنوان مقاله :
بكارگيري يادگيري عميق در ارزيابي به هنگام پايداري ولتاژ كوتاه مدت با استفاده از داده هاي اندازه گيري فازوري
پديدآورندگان :
باباعلي اميرحسين a_babaali@sbu.ac.ir دانشكده مهندسي برق، دانشگاه شهيد بهشتي تهران , عاملي محمدتقي m_ameli@sbu.ac.ir دانشكده مهندسي برق، دانشگاه شهيد بهشتي تهران
كليدواژه :
پايداري ولتاژ كوتاه‌مدت , دسته‌بندي سري زماني , شبكه عصبي بازگشتي دروازه اي , واحدهاي اندازه گيري فازوري
عنوان كنفرانس :
سي و يكمين كنفرانس بين المللي مهندسي برق
چكيده فارسي :
توسعه كاربرد روش‌هاي يادگيري ماشين و هوش مصنوعي در سيستم قدرت به‌عنوان يك چالش پيش روي صنعت برق محسوب مي‌شود. با توجه به ظرفيت دستگاه‌هاي اندازه گيري فازوري در شبكه برق و اينكه روش‌هاي يادگيري عميق داده محور هستند، پيش بيني وضعيت پايداري ولتاژ به صورت به هنگام امكان پذير است. چون داده‌هاي سري زماني مي‌توانند وابستگي‌هاي زماني و مشخصات ديناميكي سيستم را نمايش دهند، در اين مقاله از سري زماني دامنه ولتاژ و زاويه فاز استفاده شده است. جهت آموزش پايگاه داده يك شبكه عصبي بازگشتي دروازه اي بكارگرفته شده است كه در مقايسه با روش هاي ديگر يادگيري عميق نتايج بهتري دارد. شبيه سازي‌ها بر روي شبكه IEEE 39bus و بخشي از شبكه ايران نشان مي‌دهد روش شبكه عصبي بازگشتي دروازه اي دقت خوبي در پيش بيني وضعيت پايداري ولتاژ بعد از وقوع خطا دارد. همچنين پيشنهادي نسبت به تغييرات ساختار شبكه قدرت و تغيير نقاط بهره برداري مقاوم است.
