تخمين آنلاين حد پايداري ولتاژ به كمك سيستم استنتاج فازي - عصبي تطبيقي بهينه‌شده و تبديل موجك مبتني بر تحليل مؤلفۀ اساسي

Online Voltage Stability Margin Assessment Using Optimized Adaptive ANFIS and Wavelet Transform Based on Principal Component Analysis

در اين مقاله، يك روش هوشمند به‌منظور تخمين آنلاين حد پايداري ولتاژ (VSM) براساس سيستم فازي - عصبي تطبيقي (ANFIS) بهينه‌شده ارائه شده است. الگوريتم بهينه‌سازي شاهين هريس (HHOA) به‌عنوان الگوريتم آموزش ANFIS استفاده شده است و روش مرسوم تبديل موجك نيز به‌عنوان تكنيك استخراج ويژگي روي پروفيل ولتاژ شبكه اعمال خواهد شد. مشخصه‌هاي بارگذاري سيستم به‌عنوان ويژگي‌هاي اوليه به‌منظور تخمين VSM به كار مي‌روند؛ به دليل اينكه حاوي اطلاعات لازم دربارۀ ساختار شبكه، سطوح بار، الگوي توليد و عملكرد سيستم كنترلي در شبكه است. به كمك تكنيك تبديل موجك با قدرت تفكيك بالا (MRWT)، ويژگي‌هاي لازم براي ورود به بلوك ANFIS استخراج مي‌شوند؛ اما به دليل تنوع و تعدد اين ويژگي‌ها به‌خصوص در شبكه‌هاي بزرگ، روش تحليل مؤلفۀ اساسي (PCA) با هدف انتخاب ويژگي‌هاي غالب به كار خواهد رفت كه بيشترين تأثير را بر پايداري شبكه دارند. ويژگي اين الگوريتم تركيبي اين است كه مي‌توان از آن، هم در شرايط ديناميكي و هم در شرايط استاتيكي شبكه استفاده كرد. درنهايت، الگوريتم پيشنهادي روي سيستم‌هاي تست 39 و 118 باس IEEE، پياده‌سازي و نتايج آن ارزيابي شده است. مقايسۀ نتايج با مدل‌هاي مشابه تخمين VSM، نشان‌دهندۀ اثربخشي مدل پيشنهادي براي شبكه‌هاي قدرت بزرگ است.

This paper presents an intelligent method for online voltage stability margin (VSM) assessment using optimized adaptive ANFIS. Harris Hawks Optimization Algorithm (HHOA) is used to train the ANFIS and conventional wavelet transform (WT) is also applied as a feature extraction technique on the network voltage profile. The network voltage profile is used as the main data to estimate VSM because it contains the necessary information about the network structure, load levels, production pattern, and control system performance in the network. Using wavelet transform technique with high resolution, the necessary features for entering the ANFIS block are extracted, but due to the variety and multiplicity of these features, especially for large networks, the Principal Component Analysis (PCA) method is used to select the appropriate features and remove additional data. The characteristic of this hybrid algorithm is that it can be used both in dynamic and static conditions of the network. Finally, the proposed VSM estimation algorithm is applied to the 39-bus and 118-bus IEEE test systems, and its results are evaluated. The comparison of the results with other VSM methods shows that the proposed algorithm is effective for large power grids.