دانلود ترجمه مقاله شناسایی توپولوژی فاز در شبکه های توزیع فشار ضعیف

1. مقدمه 2. مروری بر مقالات 3. مواد و روش ها 4. تشریح الگوریتم 5. موارد استفاده 6. نتیجه گیری

چکیده – داشتن دانش در مورد اتصال فاز مشتری در شبکه های توزیع فشار ضعیف برای بهره برداران سیستم توزیع (DSO ها)، مهم است. این مقاله، یک روش شناسایی فاز نوین مبتنی بر داده براساس استنباط بیزی ارائه می دهد که از پروفایل های مصرف بار به عنوان ورودی استفاده می کند. این روش از یک تابع غیرخطی برای بیان احتمال اتصال یک مشتری به یک فاز معین، براساس تغییرات مصرف مشتری و تغییرات فیدرهای فاز، استفاده می کند. به لطف استنباط بیزی، روش پیشنهادی می تواند جدیدترین قطعیت در مورد اتصال فاز هر مشتری فراهم کند. برای بهبود شناسایی آن مشتریانی که شناسایی شان دشوارتر است، پس از بدست آوردن جدیدترین قطعیت برای همه کاربران، مصرف آنهایی که جدیدترین قطعیت بالاتر از یک صدک معین در مقایسه با باقی پست برق دارند (آنهایی که به احتمال بیشتر به درستی دسته بندی شده اند) از فازی که در آن دسته بندی شده اند، کسر می شود. عملکرد روش پیشنهادی با استفاده از یک شبکه توزیع فشار ضعیف واقعی ارزیابی شده است. نتایج مطلوب (با دقت بالاتر از 97%) در تقریباً همه موارد، صرفنظر از درصد نفوذ کنتور هوشمند و اندازه پست برق، بدست آمدند. مقایسه با روش های نوین دیگر نشان داد که روش پیشنهادی عملکرد بهتر (یا برابر) با آنها دارد. روش پیشنهادی لزوماً نیاز به داده های قبلاً برچسب گذاری شده ندارد؛ اما، می تواند آنها را مدیریت کند حتی اگر حاوی خطا باشند. داشتن اطلاعات قبلی (بصورت جزئی یا کامل) عملکرد شناسایی فاز را افزایش می دهد و تصحیح برچسب گذاری قبلاً خطادار را ممکن می سازد.

Knowledge of customer phase connection in low-voltage distribution networks is important for Distribution System Operators (DSOs). This paper presents a novel data-driven phase identification method based on Bayesian inference, which uses load consumption profiles as inputs. This method uses a non-linear function to establish the probability of a customer being connected to a given phase, based on variations in the customer’s consumption and those in the phase feeders. Owing to the Bayesian inference, the proposed method can provide up-to-date certainty about the phase connection of each customer. To improve the detection of those customers that are more difficult to identify, after obtaining the up-to-date certainty for all users, the consumption of those who have an up-to-date certainty above a certain percentile compared with the rest of the substation (those that are more likely to be correctly classified) is subtracted from the phase in which they are classified. The performance of the proposed method was evaluated using a real (non-synthetic) low-voltage distribution network. Favourable results (with accuracies higher than 97 %) were obtained in almost all cases, regardless of the percentage of Smart Meter penetration and the size of the substation. A comparison with other state-of-the-art methods showed that the proposed method outperforms (or equals) them. The proposed method does not necessarily require previously labelled data; however, it can handle them even if they contain errors. Having previous information (partial or complete) increases the performance of phase identification, making it possible to correct erroneous previous labelling.