دانلود ترجمه مقاله یک رویکرد داده محور برای پیش بینی پایداری گذرای سیستم های قدرت

1. مقدمه 2. تشریح و تحلیل مساله 3. طبقه بند گروهی CNN برای پیش بینی پایداری گذرا 4. رویکرد داده محور برای پیش بینی پایداری گذرا با در نظر گرفتن تغییر پذیری عملیاتی 5. مطالعه موردی 6. نتیجه گیری

چکیده – روش های داده محور، نقش بسیار مهمی را در ارزیابی پایداری گذرا ایفا می نمایند، و این موضوع عمدتا به دلیل در دسترس بودن مجموعه های داده ای بسیار بزرگ می باشد. با این وجود، داده ها نمی توانند همه شرایط عملیاتی محتمل یک سیستم قدرت مدرن را با بارها و تولید توان متغیر، پوشش دهند. دسته بند باید شرایط عملیاتی آینده نزدیک را در زمانی محدود، تنظیم کند؛ زمان محاسباتی برای شبیه سازی ها و آموزش دسته بند ممکن است مانعی برای این تنظیمات باشند. به منظور کاهش قابل توجه هزینه محاسبات، این مقاله، رویکردی سیستماتیک برای ساخت و به روز رسانی یک دسته بند دقیق پایداری گذرا را ارائه داده است. اولا، خط سیرهای سری زمانی ژنراتورها پس از اختلال به عنوان ورودی مورد استفاده قرار می گیرند و سپس یک روش جمع آوری شبکه عصبی کانولوشنی (CNN) برای تولید پیش بینی کننده پایداری گذرا با استفاده از این داده های چند بعدی ارائه می گردد. به منظور کاهش اشتباه طبقه بندی در زمینه عدم پایداری، وزن های مختلف هزینه برای موارد پایدار و ناپایدار در تایع تلفات لحاظ می گردند. هنگامی که شرایط عملیاتی به طور قابل ملاحظه ای تغییر می کند و موجب عدم دسترسی به دسته بند از قبل آموزش داده شده می گردد، روش های یادگیری فعال و تنظیم دقیق برای به روز رسانی دسته بند با عملکردی خوب با استفاده از موارد دارای برچشب کم و زمان محاسباتی کوتاه، ادغام می گردند. نتایج شبیه سازی دو سیستم قدرت نیز حاکی از اثربخشی رویکرد پیشنهادی می باشد. مقدمه: در طول چند سال گذشته، پیشرفت های قابل توجهی در زمینه انرژی تجدیدپذیر و بارهای انعطاف پذیر در سیستم های قدرت مدرن رخ داده که چالش هایی را نبر برای امنیت و پایداری سیستم قدرت به ارمغان آورده است [1]. پایداری گذرا با پایداری زاویه روتور اختلال بزرگ، یکی از نگرانی های عمده برای برنامه ریزی، بهره برداری و کنترل سیستم های قدرت می باشد [2]. بسیاری از واحدهای دینامیکی در سیستم های قدرت، روی یکدیگر عمل می کنند که این موضوع منجر به پیچیدگی تحلیل پایداری گذرا می گردد.

Data driven methods are playing an increasingly important role in transient stability assessment, primarily because of the availability of large annotated datasets. Nevertheless, training data cannot cover all the possible operating conditions of a modern power system with variable power generations and loads. The classifier should adjust to the near-future operation condition in limited time, and this adjustment may be hindered by the computational time of the simulations and classifier training. To dramatically reduce the computational cost, this paper presents a systematic approach for building and updating an accurate transient stability classifier. First, the time-series trajectories of generators after disturbance are used as the inputs, and then a convolutional neural network (CNN) ensemble method is proposed to generate the transient stability predictor using these multi-dimensional data. To reduce the misclassification of instability, different cost weights are considered for the stable and unstable instances in the loss function. When the operating condition changes substantially and makes the pre-trained classifier unavailable, the active learning and fine-tuning techniques are integrated to update the classifier with good performance using fewer labelled instances and short computational time. The simulation results of two power systems illustrate the effectiveness of the proposed approach. Introduction: During the past several years, there has been a substantial promotion of renewable energy and flexible loads to modern power systems, which brings challenges for the security and stability of the power system [1]. Transient stability, or large-disturbance rotor angle stability, is one of the major concerns for planning, operation and control of power systems [2]. Many dynamic units in power systems act on one another, which results in the complexity of transient stability analysis.