روشي نوين براي تشخيص خطوط بحراني با پتانسيل ايجاد خروج‌هاي پي‌در‌پي در شبكه‌هاي قدرت

A New Method for Identification of Critical Lines with the Potential for Triggering Cascading Failures in Power Grids

خاموشي ها همواره از عوامل اصلي تهديد براي امنيت سيستم هاي قدرت هستند. خروجهاي پي درپي از اصلي ترين عوامل خاموشي ها شناخته مي شوند. خطوط انتقال از مهم‌ترين تجهيزات شبكۀ قدرت هستند كه خروج آنها مي تواند منجر به خروجهاي پي درپي بعدي شود. در اين مقاله، با استفاده از درخت تصميم گيري كه از روش هاي هوش مصنوعي است، به شناسايي آنلاين خطوط بحراني شبكه كه منجر به ايجاد خروجهاي پيدرپي ميشوند، پرداخته مي شود. درخت تصميم آموزش‌ديده، قادر است در هر نقطۀ كار، شكننده بودن يا نبودن شبكه را تخمين بزند و بهره بردار خواهد توانست بر طبق آن شرايط بهره برداري را تغيير دهد. بدين منظور در گام اول با معرفي شاخص هاي مناسب و بر اساس خاموشي هاي ايجاد شده در تمامي آرايشهاي بار و توليد مختلف و همچنين آرايش‌هاي مختلف شبكه، ورودي ها و خروجي هاي لازم براي درخت تصميم توليد مي شوند. در گام بعد، از نتايج به‌ دست‌ آمده در گام اول با استفاده از آموزش درخت تصميم گيري، الگوريتمي براي شناسايي آنلاين خطوط بحراني و شكنندگي شبكه براي ايجاد خاموشي پيشنهاد مي شود. روش پيشنهادي در شبكۀ استاندارد 39 باس IEEE پياده‌سازي و نتايج آن ارائه مي شود.

Blackouts are among the main threats to the security of electric power systems. Cascading failures are known as the most important agent for creating blackouts. Transmission lines are the basic equipment of power networks whose outage can make subsequent cascading outages. In this paper, based on the application of decision tree, a new approach is proposed for an online identification of critical lines with the potential for triggering cascading failure. A trained decision tree is able to estimate the brittleness of network and, based on that, the operator will be able to change operating conditions. To this end, at first, required data for decision tree are prepared through the introduction of appropriate indicators and based on the associated blackout in a wide range of conditions including load level, load-generation patterns and network structures. Next, with a training decision tree, an algorithm for identification of critical lines and of network brittleness in blackout is proposed. To implement the proposed approach, The New England 39-bus test system has been employed.