بررسي پايداري استاتيكي ولتاژ با استفاده از ماشين بردار پشتيبان و شبكه عصبي

Static Voltage Stability Analysis by Using SVM and Neural Network

پايداري ولتاژ يك مسيله اساسي در سيستم قدرت مي‌باشد. در اين مقاله پايداري ولتاژ از حيث استاتيكي، و كاربرد شبكه عصبي و SVM در تخمين حد پايداري و نيز پيش‌بيني پايداري ولتاژ بررسي شده است. پايداري ولتاژ در دو بخش مورد ارزيابي قرار گرفته است. در بخش اول، محاسبه حاشيه پايداري استاتيكي ولتاژ به وسيله شبكه عصبي RBF بيان مي‌شود. مزيت روش استفاده شده، دقت بالاي آن در تشخيص حاشيه پايداري ولتاژ به صورت بهنگام است. بخش دوم به پيش‌بيني فروپاشي ولتاژ به كمك شبكه عصبي PNN و SVM مي‌پردازد. نتايج به دست آمده نشان مي‌دهد كه زمان و تعداد نمونه‌هاي آموزش SVM كمتر از شبكه‌هاي عصبي است. در اين مقاله، مدلي جديد از توليد نمونه‌هاي آموزشي سيستم تشخيص، با استفاده از منحني توزيع نرمال بار هر فيدر، به كار گرفته شده است. در تحليل پايداري ولتاژ از شاخص‌هاي مشهور VSM و L استفاده گرديده است. براي نشان دادن اعتبار روش‌هاي پيشنهادي، شبكه‌ 14 باسه IEEE و شبكه واقعي استان يزد مورد استفاده قرار گرفته است.

Voltage stability is an important problem in power system networks. In this paper, in terms of static voltage stability, and application of Neural Networks (NN) and Supported Vector Machine (SVM) for estimating of voltage stability margin (VSM) and predicting of voltage collapse has been investigated. This paper considers voltage stability in power system in two parts. The first part calculates static voltage stability margin by Radial Basis Function Neural Network (RBFNN). The advantage of the used method is high accuracy in online detecting the VSM. Whereas the second one, voltage collapse analysis of power system is performed by Probabilistic Neural Network (PNN) and SVM. The obtained results in this paper indicate, that time and number of training samples of SVM, are less than NN. In this paper, a new model of training samples for detection system, using the normal distribution load curve at each load feeder, has been used. Voltage stability analysis is estimated by well-know L and VSM indexes. To demonstrate the validity of the proposed methods, IEEE 14 bus grid and the actual network of Yazd Province are used.