دانلود ترجمه مقاله تاثیر خرابی همبسته بر قابلیت اطمینان در سیستم انتقال قدرت

1. مقدمه 2. نشانه‌ها و فرضیات 3. مدل شبکه جریان تصادفی با خرابی همبسته 4. مثال های عددی 5. نتیجه گیری

چکیده – این مقاله ، ارزیابی عملکرد سیستم انتقال قدرت از نظر توپولوژی شبکه را مطالعه می‌کند که در آن ، لبه‌ها نشان دهنده خطوط انتقال و گره‌ها نمایانگر ایستگاه‌های فرعی می‌باشند. شبکه انتقال قدرت به صورت شبکه جریان تصادفی (SFN) به علت وجود احتمال خرابی ، خرابی نسبی ، و نگهداری لبه‌ها (خطوط انتقال) مدل سازی می‌شود. همچنین ، همبستگی نگرانی خاصی را برای این SFN مطرح می‌کند زیرا خرابی همزمان چند جزء می‌تواند بطور خطرناکی عملکرد را کاهش دهد. ما روشی را برای اندازه گیری اثرات خرابی همبسته بر قابلیت اطمینان شبکه توسعه می‌دهیم که به صورت احتمال برآورده کردن تقاضا تعریف می‌شود. نتایج آزمایش نشان می‌دهند که همبستگی می‌تواند اثر منفی قابل ملاحظه‌ای بر قابلیت اطمینان شبکه ایجاد کند ، بویژه زمانی که میزان بالایی تقاضای شبکه وجود دارد. پس راهکار پیشنهادی اثر همبستگی را بر قابلیت اطمینان شبکه جلب کرده و روشی برای اندازه گیری سودمندی کاهش همبستگی ارائه می‌نماید. مقدمه: به علت وجود احتمال خرابی‌ ، خرابی نسبی و نگهداری ، سیستم انتقال قدرت را می‌توان به عنوان شبکه جریان تصادفی (SFN) توصیف کرد که چندین سطح عملکرد را به نمایش می‌گذارد. در زمینه شبکه‌های انتقال قدرت، هر لبه ، خطوط انتقال را مدل می‌کند ، در حالی که هر گره نشانگر ایستگاه فرعی سیستم تولید و توزیع نیروی الکتریکی است. این زیرساخت نقش فونداسیونی برای انتقال قدرتی الکتریکی را دارد. قابلیت اطمینان و پایداری شبکه انتقال قدرت برای جوامع مدرن غیرقابل چشم پوشی است. پس اندازه گیری قابلیت‌های شبکه انتقال قدرت وظیفه‌ای حیاتی می‌باشد. چند کار ، سیستم انتقال قدرت را از نظر شبکه‌ای با حالت دوگانه شامل لبه و گره توصیف کرده‌اند تا قابلیت اطمینان شبکه ارزیابی گردد. اخیراً Lin و Yeh روشی تفصیلی‌تر را پیشنهاد دادند که در آن ، شبکه انتقال قدرت تصادفی است زیرا هر لبه (خطوط انتقال) ترکیبی از چند خط فیزیکی است و بنابراین بطور مناسب‌تری توسط اجزاء چند حالته مدل می‌شود. برای نمونه ، لبه i اُم ei در شبکه انتقال قدرت حاوی wi خط فیزیکی برابر است که اشاره می‌کند Wi+1 سطح ظرفیت امکان پذیر می‌باشد. کمترین سطح (0) با نقص کامل در کارکرد متناظر است ، در حالی که wi نشان دهنده بالاترین سطح عملیاتی است. پس شبکه انتقال قدرت توصیف شده با این لبه‌های چند حالته نیز ظرفیت‌های تصادفی از خود نشان می‌دهد و برای مدل سازی به عنوان SFN مناسب است.

This paper studies the performance evaluation of a power transmission system in terms of its network topology, where edges represent transmission lines and nodes represent subsidiary stations. The power transmission network is modeled as a stochastic-flow network (SFN) due to the possibility of failure, partial failure, and maintenance of edges (transmission lines). Furthermore, correlation poses a particular concern for such an SFN because the simultaneous failure of multiple components can dangerously degrade performance. We develop a method to measure the impact of correlated failures on network reliability, which is defined as the probability of demand satisfaction. Experimental results show that correlation may produce a significantly negative impact on network reliability, especially when there is a high level of network demand. Thus, the proposed approach captures the influence of correlation on network reliability and offers a method to quantify the utility of reducing correlation. Introduction: Due to the possibility of failure, partial failure, and maintenance, a power transmission system may be characterized as a stochastic- flow network (SFN), which exhibits multiple levels of performance. In the context of power transmission networks, each edge models a transmission line, while each node represents a subsidiary station of an electric power generation and distribution system. This infrastructure serves as the foundation for electric power transmission. The reliability and stability of power transmission networks are indispensable to modern society [1]. Thus, measuring the capability of power transmission networks is a crucial task. Several works [2–7] have characterized power transmission systems in terms of a binary-state network, consisting of edges and nodes to evaluate network reliability. More recently, Lin and Yeh [8,9] suggested a more detailed approach, where the power transmission network is stochastic because each edge (transmission line) is a combination of several physical lines and is therefore more aptly modeled by multi-state components. For instance, the ith edge ei in the power transmission network contains wi identical physical lines, suggesting that wi + 1 capacity levels are possible. The lowest level (0) corresponds to complete malfunction, while wi denotes the highest level of operation. Thus, a power transmission network characterized by such multi-state edges also demonstrates stochastic capacities and is suitable for modeling as an SFN.