بهبود قابليت اطمينان با استفاده از يادگيري عميق در تجديد آرايش شبكه

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق

كارشناسي ارشد

چكيده اين پژوهش به منظور بهبود قابليت اطمينان شبكه‌هاي توزيع در حضور منابع انرژي تجديدپذير، يك چارچوب تركيبي مبتني بر يادگيري عميق و بهينه‌سازي هوشمند ارائه مي‌دهد. هدف اصلي، كمينه‌سازي هزينه اقتصادي قابليت اطمينان با در نظر گيري عدم قطعيت توليد واحدهاي فتوولتائيك است. براي اين منظور، از يك شبكه عصبي يادگيري عميق براي پيش‌بيني ساعتي توان خروجي پنج واحد فتوولتائيك نصب‌شده در باس‌هاي 21، 30، 33، 73 و 81 شبكه توزيع 85 باسه استفاده شده است. داده‌هاي آموزش مدل به صورت شبيه‌سازي‌شده توليد شده‌اند. خروجي مدل يادگيري عميق به عنوان ورودي به الگوريتم بهينه‌سازي ازدحام ذرات وارد مي‌شود تا توپولوژي بهينه شبكه با در نظر گيري قيود عملياتي (شعاعي بودن، ولتاژ و جريان) تعيين گردد. شاخص قابليت اطمينان با تركيب بار مؤثر (بار منهاي توليد تجديد پذير)، هزينه وقفه و نرخ خرابي پوياي شاخه‌ها محاسبه مي‌شود. نتايج شبيه‌سازي در محيط MATLAB 2023 نشان مي‌دهد كه رويكرد پيشنهادي به‌طور معناداري منجر به كاهش هزينه اقتصادي ناشي از قطع برق در مقايسه با حالت پايه (تجديد آرايش سنتي بدون پيش‌بيني) مي‌شود. اين بهبود به‌ويژه در ساعات اوج بار و نوسانات توليد فتوولتائيك مشهود است. تركيب پيش‌بيني دقيق با بهينه‌سازي پويا، امكان مديريت كارآمد عدم قطعيت را فراهم كرده و تصميم‌گيري در شرايط واقعي را ممكن مي‌سازد.

236417

سيستم هاي قدرت

فني مهندسي گلپايگان

دانشگاه صنعتي اصفهان