دانلود ترجمه مقاله پیش بینی خطای تریپ خط بر پایه داده ها در سیستم های قدرت

1. مقدمه 2. بیان مساله 3. معماری ها و الگوریتم ها 4. روش تحقیق پیش بینی خطا بر اساس شبکه های LSTM و SVM 5. نتایج شبیه سازی 6. نتیجه گیری

مقدمه: هدف اصلی، اطمینان حاصل کردن از قابلیت اطمینان و پایداری سیستم قدرت هنگام گسترش شبکه های قدرت و افزایش بار، می باشد. پیش بینی خطا با دقت زیاد در سیستم های قدرت، قابلیت اطمینان و پایداری بهره برداری را افزایش می دهد و می تواند به جلوگیری از تلفات هنگفت ناشی از حوادث برای شبکه، کمک کند. پیش بینی خطا، فرآیند تحلیل و داده کاوی داده های تاریخی برای پیش بینی وجود یا عدم وجود یک خطا در سیستم قدرت است، به نحوی که اقدامات به موقع برای پیش گیری از حوادث و تضمین بازیابی سیستم، صورت گیرد. این یک فنآوری مهم و یک رویکرد ایمنی در تعمیر و نگهداری است و پیشرفته تر از تشخیص خطا می باشد و به گرفتن تصمیمات معقول برای پیشگیری از خطا و کاهش عوارض جانبی، کمک می کند. خطاهای تریپ خط، یکی از معمول ترین خطاها در یک سیستم قدرت است و در سالهای اخیر، به میزان زیادی مورد پژوهش قرار گرفته است [1، 2]. اگر عمل ریکلوز با موفقیت صورت نگیرد، باعث خاموشی و قطعی مقیاس بزرگ برق و خسارات مالی می شود. در نتیجه، پیش بینی خطای تریپ خط، یک موضوع پژوهشی قابل توجه و ارزشمند است. در مطالعات قبلی برروی خطاهای سیستم قدرت، روش های هوش مصنوعی متعددی، شامل سیستم های خبره [3 ، 4]، شبکه های بیزی [5، 6]، مجموعه های غیردقیق (rough) [7، 8]، شبکه های پتری [9، 10]، شبکه های عصبی [11، 12] و غیره، پیشنهاد شدند. علاوه بر آن، پژوهشگران بر اعمال حفاظت رله و عملکرد تجهیزات الکتریکی در چند دهه گذشته، تمرکز کرده اند [13، 14]. یک روش تحلیلی جدید، برای در نظر گرفتن عملکرد نادرست احتمالی رله های حفاظتی و بریکرها براساس تحلیل های موجود، توسعه و ابداع شد. این مدل، دقت نتایج تشخیص خطا را به میزان بیشتری، بهبود بخشید [13]. یک مدل تحلیلی براساس شبکه قید زمانی بهینه شده، ارائه شد [14]. استدلال و تشخیص رویداد خرابی سیستم به صورت یک مسئله بهینه سازی فرموله شدند که در آن فرضیه های خرابی، تست شده اند. اما، این فرآیندها مشکلات مخصوص به خود در پرداختن به خطاهای سیستم قدرت دارند. اگر عملکرد نادرست در حفاظت رله و اجزاء الکتریکی بوجود داشته باشد، نتیجه تحت تاثیر منفی قرار می گیرد. علاوه بر آن، روش مبتنی بر رله های حفاظتی و بریکرها، بعد از رخداد خطاها، تصمیم به رفع مسئله می کند. برای پیش بینی کار زیادی نمی توان انجام داد، چه در شبکه توزیع خطا وجود داشته باشد، چه انتقال. اما، داده های اندازه گیری الکتریکی، اطلاعات دست اول در مورد خطاها می باشند. تحلیل داده های تاریخی می توانند به پیشبینی کمک کنند، اگر خطاهایی در سیستم قدرت وجود داشته باشند و در گرفتن یک تصمیم متناظر در پیشگیری از آنها، کمک می کند. بطور کلی، استفاده خوب از داده های اندازه گیری الکتریکی می تواند عملکرد پیش بین خطا را بهبود بخشد و قابلیت اطمینان و پایداری یک سیستم قدرت را تضمین می دهد. پژوهش ها در مورد روش های مبتنی بر داده ها، بتازگی در سالهای اخیر، شروع شده اند. این موضوع، به موضوعی ارزشمند و فوری در حال حاضر تبدیل شده است.

Introduction: The primary goal is to ensure the reliability and stability of the power system as power grids expand and loads increase. High-accuracy fault prediction in power systems increases the operational reliability and stability, and can help to prevent huge losses resulting from power accidents. Fault prediction is the process of analyzing and mining historical data to predict whether or not there is a fault in the power system so that measures are taken to prevent accidents and ensure system recovery. This is a core technology and a maintenance security approach, and more advanced than fault diagnosis, in helping to make reasonable decisions to prevent faults and reduce the adverse effects. Line trip faults are one of the most common faults in a power system, and they have been researched actively in recent years [1], [2]. If reclosing is unsuccessful, it will result in large-scale power outages and property losses. Consequently, line trip fault prediction is a significant and valuable research subject. In past studies of power system faults, various artificial intelligence methodologies were proposed including expert systems [3], [4], Bayesian networks [5], [6], rough sets [7], [8], Petri nets [9], [10], neural networks [11], [12], etc. Moreover, researchers have focused on relay protection actions and electrical component actions over the past few decades [13], [14]. A new analytical model was developed to take into account the possible malfunctions in protective relays and circuit breakers based on the existing analyses. It improved the accuracy of fault diagnosis results to a further degree [13]. An analytical model was provided based on the improved temporal constraint network [14]. System fault event reasoning and diagnosis were formulated as an optimization problem where the fault hypotheses were tested. However, these processes have their deficiencies in dealing with power system faults. The result is negatively affected if there are malfunctions in the relay protection and electrical components. Furthermore, the method based on protective relays and circuit breakers approaches the problem after the faults have happened. It cannot do much for predicting whether there is a fault in the power transmission and distribution. However, the electrical measurement data is first-hand information about faults. Analyzing the historical data can help to predict if there will be faults in the power system and help in making a corresponding decision to prevent them. In general, making good use of the electrical measurement data can improve the performance of fault prediction and ensure the reliability and stability of a power system. Research on data-based methodologies has just begun to appear in recent years. It has become a valuable and urgent subject at present.

ترجمه این مقاله در 28 صفحه آماده شده و در ادامه نیز صفحه 19 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.