پيش بيني و تحليل نرخ خطاي ناشي از رشد درختان در خطوط هوايي توزيع الكتريكي با استفاده از شبكه عصبي و تحليل عاملي

Analysis and Predicting Vegetation-Related Failure Rate of Overhead Electrical Distribution Feeders using Neural Network and Factor Analysis

چكيده: در مطالعه قابليت اطمينان سيستم هاي قدرت، نرخ خطا پارامتري مهم است. نرخ خطا در مطالعات شبكه هاي توزيع معمولاً به طور تقريبي ثابت در نظر گرفته مي شود ولي به طور دقيق تر و در عمل، پارامتري متغير است كه به عوامل داخلي و خارجي زيادي بستگي دارد. براي پيش بيني نرخ خطاي متغير، از وقايع قبلي و داده هاي آماري آنها استفاده مي شود. در اين مقاله، نرخ خطاي متغير در شبكه هاي توزيع فشار متوسط هوايي در اثر برخورد درختان مورد بررسي قرار گرفته است. از آنجا كه جمع آوري و تعيين داده هاي آماري همواره با خطاهايي همراه است، براي كاوش در داده ها و حذف داده هاي پرت از روش تحليل عاملي استفاده شده است. سپس براي پيش بيني نرخ خطا از يك شبكه عصبي چند لايه پرسپترون استفاده شده است. شبكه عصبي مذكور پس از آموزش، براي تحليل ورودي ها نيز مورد استفاده قرار مي گيرد. مطالعات عددي بر روي يك شبكه توزيع نمونه با 32 فيدر نشان مي دهد كه روش هاي تحليل عاملي و شبكه عصبي در تحليل حساسيت، نتايج يكديگر را تاييد مي كنند. ضمناً روش مذكور مي-تواند هم براي مدلسازي ساده تر و كاهش پيچيدگي ها و هم براي حذف داده هاي پرت و افزايش اطمينان در پيش بيني نرخ خطا مورد استفاده قرار گيرد.

Abstract: Failure rate is an important parameter in the reliability study of power systems. Failure rate of distribution feeders is usually considered as a constant parameter in power distribution systems study; however in fact, it is a variable parameter which is dependent on various internal and external factors. The historical and statistic data is used to predict the variable failure rate. In this paper, the vegetation-related variable failure rate of overhead distribution feeders is considered for analysis and prediction. Whereas the collected statistic data usually contains practical errors and noises, here the Factor Analysis is used for data mining and removing the outliers. Then, a multi-layer artificial neural network is used to predict the failure rate. Moreover, the neural network is used to analyze the input data. Case studies of a typical 32-feeder distribution network show that the factor analysis and neural network methods emphasize their results. The proposed method can be implemented to reduce complexity, remove the outliers and increase reliability of the prediction