پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور

word
123
1 MB
30898
1392
کارشناسی ارشد
قیمت: ۱۵,۹۹۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور

    پایان نامه کارشناسی ارشد در رشته مهندسی برق- کنترل 

    چکیده

    ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحدهای اندازه گیری فازور

     

     

    ارزیابی سریع امنیت در شبکه های قدرت در شرایط اضطراری و بروز خطاهای مختلف، امری حیاتی برای جلوگیری از فروپاشی و ایجاد قطعی های سراسری می باشد. لذا، ارزیابی به هنگام امنیت در شبکه قدرت می تواند کنترل پیشگیرانه و موثری درجهت کارکرد مطمئن و کارآمد شبکه های برق در سراسر جهان داشته باشد.

    در این مطالعه، انواع مختلف امنیت اعم از امنیت استاتیک و امنیت دینامیک بررسی گردیده است. در مطالعات استاتیک، رفتار سیستم در حالت دائمی مورد بررسی قرار می گیرد و با یک سری پیش بین وضعیت امنیت در شبکه قدرت بررسی گردیده است. از آنجا که حجم این اطلاعات دریافتی از شبکه های قدرت بزرگ بسیار زیاد می گردد، با ارائه روش های مختلف انتخاب ویژگی مانند آنالیز همبستگی و یا استخراج ویژگی مانند آنالیز اجزای اصلی در پی کاهش حجم اطلاعات تا حد امکان هستیم. داده های کاهش یافته به عنوان ورودی به شبکه های هوشمند همچون درخت تصمیم گیری داده می شوند و ارزیابی وضعیت امنیت از روی این درخت های آموزش دیده ی بهینه صورت می گیرد.

    در ارزیابی امنیت دینامیک پس از ایجاد شرایط کاری مختلف، رفتار سیستم با استفاده از داده های دریافتی از PMU ها بررسی می گردد. این داده های دریافتی در حوزه ی زمان و فرکانس پردازش داده می شوند و به عنوان ورودی به تکنیک های هوشمند مانند درخت تصمیم گیری و بردار ماشین های پشتیبان داده می شوند تا امنیت دینامیکی شبکه قدرت بررسی گردد. در این رویکرد نیز تاثیر روش های کاهش داده همچون PCA، برای ایجاد SVM و DT های بهینه و کارآمد، بررسی شده است. علاوه براین، ایده ای برای جایابی PMU با رویکرد رویت پذیری شبکه و همچنین ارزیابی امنیت دینامیک در شبکه های قدرت با استفاده از درخت تصمیم گیری و بردار ماشین های محافظ ارائه شده است. بدین صورت که با وارد کردن اطلاعات هر باس بار به صورت تک تک و یا خارج نمودن اطلاعات آن باس بار از اطلاعات موجود شبکه و بررسی تغییر خطای پیش بینی دسته کننده های نامبرده، مهمترین باس ها برای ارزیابی امنیت دینامیک شبکه انتخاب می شوند. روش های ارائه شده بر روی شبکه ی نمونه 39 باسه و شبکه عملی بخشی از ایران پیاده سازی شده و نتایج ارائه گردیده است.

    کلید واژه: واحد اندازه گیری فازور، درخت تصمیم گیری، بردار ماشین های پشتیبان، پایداری استاتیک،

    پایداری دینامیک

    بیان مسئله

    پایداری سیستم های قدرت به عنوان یک مسئله ی مهم در دهه های اخیر مطرح گردیده است. بسیاری از قطعی های اساسی در سراسر جهان در اثر ناپایداری در شبکه های برق رخ داده است و این مسئله اهمیت موضوع را بیش از پیش مشخص می نماید. بررسی پایداری سیستم های قدرت با رویکردهای مختلفی امکان پذیر است که از انواع آن می توان به پایداری استاتیک و دینامیک اشاره کرد. در پایداری استاتیک رفتار سیستم در حالت ماندگار پس از مواجهه با یک اختلال بررسی می گردد تا دریابد که ولتاژ باس ها یا سرعت تجهیزات از حدود مجاز خارج نشده باشد. اما در پایداری دینامیکی رفتار گذرای سیستم در مواجهه با یک اغتشاش ارزیابی می گردد. با پیشرفت های بوجود آمده در زمینه سیستم های اندازه گیری و مانیتورینگ سطح وسیع، امکان ارزیابی سریع پایداری فراهم آمده است و واحدهای اندازه گیری فازور نقش مهمی را برای رسیدن به این منظور ایفا می کنند. با استفاده از داده های دریافتی از PMU های نصب شده بر روی باس بارهای منتخب با هدف رویت پذیری شبکه و تخمین اطلاعات مورد نیاز از سایر باس بارها و خطوط انتقال، امکان ارزیابی پایداری چه در حوزه ی استاتیک و چه در حوزه ی دینامیک امکان پذیر است. این اندازه گیری ها به همراه تکنیک های هوشمند یادگیری ماشین، راهبرد موثری در تعیین وضعیت پایداری و امنیت در شبکه های قدرت داشته اند و پیش بینی وضعیت پایداری به صورت سریع برای به کارگیری کنترل پیشگیرانه را میسر ساخته است.

    در این پایان نامه می خواهیم با استفاده از داده های دریافتی از PMU ها به بررسی انواع مسائل امنیت اعم از امنیت استاتیک و امنیت دینامیک بپردازیم. با استفاده از این داده ها و تکنیک های هوشمند همچون درخت تصمیم گیری و بردار ماشین های پشتیبان وضعیت امنیت در شبکه های قدرت بررسی می شود. از آنجا که حجم اطلاعات دریافتی از شبکه های قدرت بزرگ بسیار زیاد است، به دنبال راهکارهایی برای کاهش حجم داده ها تا حد امکان هستیم به گونه ای که داده های کاهش یافته حاوی بخش عظیمی از اطلاعات شبکه باشند و اطلاعات از دست رفته قابل چشم پوشی باشند. با استفاده از تکنیک های انتخاب ویژگی و استخراج ویژگی همچون principal component analysis  و correlation analysis   این کاهش بعد صورت می گیرد. با این راهکار، ورودی های SVM وDT تا حد امکان کاهش می یابد و الگوریتم های یادگیری ماشین بهینه تر و مناسب با اهداف زمان حقیقی[1] و به روز رسانی مداوم تولید می گردد. همچنین با رویکرد ارزیابی امنیت دینامیک و همچنین توجه به رویت پذیر بودن کامل شبکه، راهکاری برای جایابی بهینه PMU ها با استفاده از دسته کننده های DT و  SVM ارائه شده است. بدین صورت که از اطلاعات تمامی باس بارها به عنوان نماینده های نصب PMU برای آموزش DT و SVM استفاده می شود و با توجه به تغییر خطای ایجاد شده در اثر ورود و یا خروج اطلاعات هر باس در رابطه با بهترین مکان برای نصب PMU ها اظهار نظر می شود.

    1-2 پیشینه ی تحقیق

    مسئله ی پایداری سیستم های قدرت برای اولین بار در سال 1920 به عنوان یک مسئله ی مهم مطرح شد]1[.  اولین نتایج آزمایشگاهی بررسی پایداری در سال 1924 گزارش شد]2[ و اولین نتایج بررسی پایداری بر روی شبکه ی عملی در سال 1925 ارائه شد]3 [. یک گام موثر در پیشرفت محاسبات وضعیت پایداری، توسعه ی تحلیل گر شبکه ای در سال 1930 بود. با تحقق سیستم های محرک با پاسخ سریعتر، ناپایداری گذرا در اولین سوئینگ محدود شد و حدود انتقال توان حالت دائم افزایش یافت، اما در برخی موارد موجب کاهش میرایی سوئینگ های توان می شد، بنابراین ناپایداری نوسانی به عنوان مسئله ی جدیدی مطرح شد. این روند نیاز به مدلسازی ماشین های سنکرون و سیستم محرک با جزئیات بیشتر داشت. در اوایل دهه ی 1950، کامپیوترهای آنالوگ برای آنالیز چنین مسائلی استفاده شد. اولین برنامه ی کامپیوتری دیجیتال برای آنالیز مسائل پایداری سیستم های قدرت در سال 1956 ارائه شد. اکثر تلاشها و علاقه مندی ها مربوط به پایداری سیستم قدرت در دهه ی 1960 به پایداری گذرا اختصاص یافت. نتیجه ی این تلاش ها، ایجاد یک ابزار  قدرتمند برای آنالیزهای پایداری گذرا بود که قابلیت آنالیز شبکه های بسیار بزرگ و مدلهای با جزئیات زیاد داشت. اضافه بر این، با استفاده از تکنیک های تشخیص خطا با سرعت بالا و محرک های با پاسخ سریع و جبرانسازهای سری و امدادهای پایداری مخصوص، پایداری گذرا به طرز قابل توجهی بهبود یافت. گرایشات جدید در برنامه ریزی و عملکرد سیستم های قدرت مدلهای جدیدی از پایداری را مطرح کرده است که باعث ایجاد تغییرات اساسی در مشخصه های دینامیکی شبکه های قدرت امروز شده است. مدهای ناپایداری روز به روز پیچیده تر می شوند و نیاز به یک توجه جامع از تمامی جوانب پایداری دارد، لذا اتخاذ روشهای کنترلی پیشگیرانه در این موارد بسیار ضروری است.[4] در ادامه، تاریخچه روش های کلاسیک و روشهای نوین بررسی پایداری، به تفکیک ارائه می گردد.

    1-2-1 روش های کلاسیک:

    یکی از روشهای  تشخیص پایداری گذرا، استفاده از شبیه سازی های حوزه ی زمان معادلات تفاضلی غیرخطی شبکه ی قدرت است که اولین بار توسط Kundur مطرح شد. در این رویکرد باید شبیه‌سازی های مرحله به مرحله در حوزه زمان انجام شود که محاسبات سنگینی دارد و نیاز به اطلاعات دقیق راجع  به پیکربندی شبکه حین رخداد خطا و بعد از آن دارد، درنتیجه زمان بر است و نمیتواند راهکار مناسبی در مسائل real-time باشد[4]. این موضوع دلیل اصلی عدم وجود ارزیابی امنیت سیستم (DSA)[2] بصورت online و در سطح وسیع در بسته EMS استاندارد بودن است.[5]-[7].

     روش‌های بر اساس توابع انرژی گذرا کمک کرده تا ارزیابی امنیت به صورت مستقیم و بدون نیاز به شبیه‌سازی حوزه زمان انجام شود [8] . در یک راهکار پیشنهادی توسط Pai برای تشخیص پایداری بعد از یک رخداد، از تابع انرژی گذرا (TEF) بر پایه ی پایداری لیاپانف استفاده شده است براین اساس که تفاوت انرژی جنبشی و پتانسیل در حین رخداد و پس از پاک شدن خطا محاسبه می گردد و با یک مقدار بحرانی از پیش تعیین شده مقایسه می گردد]9.[ استفاده از متد (EAC)[3] که بر همین اساس پایه ریزی شده و یک راه برای تشخیص پایداری سیستم های چند ماشینه است، توسط  Ruiz-Vega وXue  مطرح شد. از اصول این روش این است که سیستم را با یک ماشین معادل که به باس بینهایت متصل شده است، مدل می کند و دیگر نیازی به حل معادلات تفاضلی در حوزه زمان ندارد، اما تنها به مدل کلاسیک ژنراتور که فقط دینامیک مکانیکی ژنراتور را معادل سازی کرده است، بسنده میکند]10[و]11[. از معایب این روش، فرضیات ساده کننده بسیاری است که وابسته به شرایط عملکردی سیستم است و همواره پاسخ درستی ندارد. همچنین در این دیدگاه، فقط بخشی از مسئله یعنی پایداری اولین Swing و شرایط پایداری دائمی در نظر گرفته می‌شود. بنابراین بسیار بعید به نظر می‌رسد که با این ابزار بتوان اثرات حوادث آبشاری، ناپایداری‌های ولتاژی سریع و چند Swing ای را ارزیابی کرد [6].

    با توجه به روش های مذکور، در ارزیابی امنیت به صورت دینامیک می‌توان دو روند اصلی برای داشتن DSA سریع درنظر گرفت. اولی استفاده از توابع انرژی و تکنیک‌های تشخیص الگو برای رتبه‌بندی سریع و مشخص کردن شدت ناپایداری‌ها به صورتی که contingency‌ها گذرا سریعا حذف شوند و تنها تعداد اندکی از ناپایداری‌های شدیدتر که امکان ایجاد خطا در سیستم دارند، برای انجام عملیات بیشتر باقی بمانند[7]و[11-14]. دیدگاه دوم، تلاشی برای سرعت بخشیدن به شبیه‌سازی‌ها با جزئیات کامل و به صورت مرحله به مرحله برای همه contigncyها با استفاده از محاسبات چند پروسسوری است. البته می‌توان دیدگاه سومی را بصورت تلفیقی از دو عملکرد بالا در نظر گرفت که به عنوان روش های هایبرید شناخته می شوند[15]،[16].

    اخیرا نتایج بسیار بهتری با استفاده از روش‌های هایبرید بدست آمده که در آنها، شبیه‌سازی در حوزه زمان انجام شده و همه مدل‌ها با جزئیات حفظ شده‌اند و از فواید توابع انرژی نیز بهره گرفته است. (EEAC)[4] یک روش است که بر همین مبنا پایه ریزی شده است و به صورت ترکیبی از شبیه سازیهای حوزه ی زمان وتوابع انرژی کار میکند. گرچه از دقت کمتری نسبت به روشEAC برخوردار است، اما از لحاظ محاسباتی کارآمدتر است و همچنین حد پایداری را برای سیستم مشخص میکند]17.[

    در گذشته، برای ارزیابی امنیتonline  بر اساس data-mining از ویژگی­های حالت دائم[5] (SCADA-base) نظیر جریان خط و دامنه ولتاژ استفاده می‌شد[8]. با روی کار آمدن سیستم‌های مانیتورینگ سطح وسیع[6]، استفاده از ویژگی‌های مبتنی بر پاسخ سطح وسیع پر رنگ شد زیرا این ویژگی‌ها از اطلاعات دینامیک بدست آمده از فازورها استفاده کامل می‌کنند. در ادامه روش های مبتنی بر داده های دریافتی از PMU ها شرح داده می شود.

    1- 2 –2 روش های نوین با استفاده از داده های PMU

    واحد های اندازه گیری فازور در اواسط دهه ی 1980 معرفی شدند. از آن زمان به بعد هدف اندازه گیری متغیرهای ناحیه-گسترده در شبکه های قدرت با استفاده از PMU ها توجه بسیاری از محققان را در این زمینه برانگیخت و استفاده از اندازه گیری های واحد های اندازه گیری فازور تاثیر به سزایی در نحوه ی کارکرد و کنترل سیستم های قدرت داشته است]18[. PMU امکان اندازه گیری عملکرد دینامیک سیستم را به صورت زمان حقیقی، با استفاده از اندازه گیری متغیرهای اساسی مانند جریان و ولتاژ  فراهم می آورد که نیاز اساسی برای آنالیز پایداری سیستم از جهات مختلف نظیر آنالیز ولتاژonline ، ارزیابی پایداری حالت گذرا و مانیتورینگ، پیشگویی، کنترل و حفاظت نوسانات فرکانسی برای جلوگیری از فروپاشی سیستم قدرت است]18-26[. با توجه به کاربردهای بسیار زیاد PMU ها در چند دهه ی اخیر توجه و مطالعات درباره ی استفاده از این واحدهای اندازه گیری در ارزیابی پایداری و امنیت بیش از پیش مورد توجه قرار گرفته است]27-31 [.

    بر پایه ی داده های اندازه گیری شده از PMU ها، روش های متعددی برای ارزیابی انواع پایداری ارائه شده است. به عنوان مثال در بحث پایداری ولتاژ می توان به استفاده از تکنیک های هوشمند همچون شبکه های عصبی اشاره کرد]32-34[. در این روش ها از شبکه عصبیradial basis function  و یا wavelet ها برای ارزیابی پایداری استفاده کرده است. همچنین با استفاده از روش های مختلف کاهش حجم داده، ورودی های شبکه های عصبی تا حد امکان کاهش داده شده است تا بتواند زمان آموزش این شبکه ها را کاهش دهد. از آنجا که آموزش و طراحی شبکه های عصبی معمولا یک فرآیند زمان بر است، لذا از روش های دیگر همچون درخت تصمیم گیری بیشتر استفاده می شود.

    در مقالات ]27-29[ یک روش on-line بر پایه ی درخت تصمیم گیری برای ارزیابی پایداری ولتاژ ارائه شده است. بدین صورت که سیستم را تحت شرایط کاری مختلف شبیه سازی می کند و با استفاده از متغیرهایی همچون توان راکتیو دو سر خطوط، جریان تزریقی به شاخه ها، دامنه ی ولتاژ ، زاویه  ی باس بارها که اطلاعات دریافتی و با تخمین زده شده از PMU هاست، وضعیت سیستم را ارزیابی می کند. همچنین از یک سری اطلاعات توپولوژیکی مانند محل رخداد خطا، موقعیت سوئیچ ها و ... استفاده کرده و این داده ها را به عنوان ورودی یا پیش بین به درخت تصمیم گیری می دهد و از روی آن وضعیت پایداری را پیش بینی می کند.

    از دیگر مباحث ارزیابی امنیت، بحث امنیت دینامیک در شبکه های قدرت است و پایداری گذرا به عنوان زیر مجموعه ای از این نوع پایداری شناخته می شود. ارزیابی پایداری گذرا به صورت real time با استفاده از داده های PMU تقریبا از دهه ی 1990 شروع شد]35[.  می توان گفت که Phadke از پیشگامان بهبود روش های  real-time  برای تشخیص پایداری سیستم های قدرت با استفاده از داده های PMU است[35].  تحقیقات جدید تر نشان می دهد که تکنیک های یادگیری ماشین مانند شبکه های عصبی[7]، درخت تصمیم گیری، منطق فازی، کرنل بازگشتی و بردار ماشین های پشتیبان با استفاده از داده های PMUها برای ارزیابی امنیت دینامیک مفیدند.

    در مقالات متعددی از تکنیک های هوشمند عصبی، فازی و یا ترکیب آنها در ارزیابی پایداری گذرا استفاده شده است. به عنوان مثال در ]19[، با استفاده از یک سری داده دریافتی از شرایط کاری مختلف سیستم قدرت نمونه، یک شبکه فازی- عصبی دو لایه ای به صورت  off-lineآموزش داده می شود. ورودی این شبکه یا همان پیش بین ها، بردارهای اندازه گیری از زوایای ژنراتورها، سرعت ژنراتورها و شتاب آنهاست. خروجی شبکه فازی-عصبی یک بردار دو وضعیتی نمایانگر وضعیت پایداری سیستم است؛ به گونه ای که به وضعیت پایدار عدد 1 و به وضعیت ناپایدار عدد 0 نسبت می دهد. در]22[، از یک روش ترکیبی فازی و عصبی برای ارزیابی پایداری استفاده شده است و با استفاده از  داده های PMU و شاخص هایی همچون چگالی طیف زاویه، فرکانس و ضرب داخلی آنها در حوزه ی فرکانس بهره گرفته است.

    از جمله روش های real-time  تشخیص پایداری گذرای سیستم های قدرت، استفاده از درخت تصمیم گیری است. این ایده ابتدا توسط Wehenkel و همکارانش مطرح شد]36[. در این روش شاخصه های مختلفی مانند زاویه فازوری، دامنه ولتاژ ،توان انتقالی و... به عنوان ورودی DT های آموزش دیده شده داده می شود و سپس وضعیت پایداری سیستم تشخیص داده می شود. از مزایای این روش دقت بالای تشخیص خطا با استفاده از داده های  PMUاست. در مقالات متعددی با استفاده از DT ها و یا ترکیب آنها با سایر دسته بندی کننده ها، انواع مختلفی از پیش بین ها ارائه شده است]36-39[ .

     در ]31[ از یک روش ترکیبی فازی و درخت تصمیم گیری برای ارزیابی پایداری استفاده شده است و با استفاده از  داده های PMU شاخص هایی همچون چگالی طیف زاویه، فرکانس و ضرب داخلی آنها در حوزه ی فرکانس  و همچنین معیار زاویه و ولتاژ در حوزه زمان بهره گرفته است. این شاخص ها به عنوان ورودی به DT داده شده است و در نهایت با استفاده از حدود مرزی بدست آمده در DT ها قوانین فازی بهینه توسعه داده شده است.

    در روش درخت تصمیم گیری دسته جمعی یا جنگل های تصادفی[8]  که توسط  Samantarayو Kamwa ارائه شد، با استفاده از داده های استخراج شده  از PMUها و پردازش آنها در حوزه ی زمان و فرکانس، شاخص هایی تولید می گردند و به عنوان ورودی برای آموزش جنگلهای تصادفی استفاده می شوند. RF ها ترکیب تعداد زیادی درخت پیشبین ناهمبسته هستند که هر کدام از آنها به مقادیر یک بردار تصادفی که به صورت مستقل نمونه برداری شده است، وابسته است. انتخاب تصادفی شاخص ها به عنوان مجموعه داده ی آموزش برای هر درخت خطایی تولید می کند که ناهمبسته است و مقاوم تر نسبت به نویز خواهد بود. پس از آموزش دیدن تمامی درختان نوبت به پیش بینی از روی این جنگل ها می رسد. در پیش بینی دسته ای درختان، پیش بینی تمام تک درختان باید با هم ترکیب شود. کلاسی که اکثریت درختان به آن رای بدهند، به عنوان پیش بینی دسته جمعی شناخته می شود]40[.

    همچنین می توان به مقالاتی در مورد نحوه ارزیابی پایداری گذرا با استفاده از بردار ماشین های پشتیبان که توسط GomezوRajapakse  و همکارانش ارائه شده است، اشاره کرد]41[و]42[. در یکی از این مقالات، با استفاده از دامنه ی ولتاژ بعد از رخداد خطا به عنوان ورودی به SVM، به پیش بینی مقاوم و دقیقی از وضعیت پایداری دست یافته اند. در مقاله ی دیگری ابتدا ولتاژ های اندازه گیری شده با یک سری الگوی از پیش تعیین شده مقایسه می شود و تابع عضویت فازی را شکل می دهند، سپس این توابع عضویت به عنوان ورودی به SVM های آموزش دیده داده می شوند تا وضعیت پایداری را تشخیص دهند.

    این پایان نامه ابتدا با داده های دریافتی از PMU ها و مطابق با پیش بین های مورد استفاده در مقالات ]27-29[، درخت تصمیم گیری برای شبکه های نمونه و عملی آموزش داده شده است و امنیت استاتیکی ولتاژ ارزیابی شده است. سپس با استفاده از داده های کاهش یافته با روش های PCA و correlation analysis درخت های بهینه ای آموزش داده شده و کارآمدی انها با درخت های آموزش دیده با داده های خام مقایسه گردیده است، همچنین با محاسبه ی اندیس هایی همچون Profile Index  و Loading Index سیستم به زیر دسته هایی از نظر درجه امنیت تقسیم گردیده است و حاشیه امنیت برای پایداری بدست آمده است.

    امنیت دینامیک در شبکه های قدرت نیز در این پایان نامه بررسی شده است، ابتدا شاخص های WASI  به گونه ای که در مقاله]31[ بدان اشاره شده است، یعنی استفاده از میانگین داده های PMU هایی که در هر ناحیه قرار گرفته اند و همچنین تعدادی شاخص دیگر که می توانند به عنوان ورودی برای آموزش تکنیک های هوشمند مفید باشد و بر اساس اندازه سیگنال ورودی در زمان وقوع خطا تعریف شده اند و در ]43 [آورده شده است، محاسبه می شوند. این شاخص ها  به عنوان ورودی به درخت تصمیم گیری و  بردارهای ماشین پشتیبان داده شده است تا امنیت شبکه را ارزیابی کنند. همچنین روش های کاهش داده بر روی این ورودی ها اعمال و تاثیر آنها در عملکرد تکنیک های هوشمند بررسی گردیده است. درنهایت با استفاده از تکنیک های هوشمند DT و SVM جایابی بهینه ی PMU ها با رویکرد امنیت دینامیک در شبکه قدرت صورت گرفته است.

    1-3 هدف تحقیق

    در این پایان نامه، ابتدا به ارزیابی امنیت استاتیک در سیستم قدرت با استفاده از داده های دریافتی از PMU ها پرداخته می شود. با توجه به حجم زیاد اطلاعات دریافتی از شبکه قدرت، با استفاده از روش های انتخاب ویژگی و کاهش بعد، حجم داده ها تا حد امکان کاهش داده می شوند. این داده های کاهش یافته به عنوان ورودی به درخت های تصمیم گیری داده می شود تا بتوان DTهای بهینه تری را آموزش داد. این درخت ها برای ارزیابی سریع پایداری به صورت on-line مفیدند و به راحتی به روز رسانی می شوند. پس از ارزیابی امنیت استاتیک در شبکه های قدرت، امنیت دینامیک بررسی می گردد. با استفاده از داده های دریافتی از PMU ها و پردازش این داده ها در حوزه ی زمان و فرکانس، تکنیک های هوشمندی چون درخت تصمیم گیری و بردار ماشین های پشتیبان به کار گرفته شده اند تا وضعیت سیستم را از نظر امنیت پیش بینی کنند. همچنین تکنیک های کاهش حجم داده برای کاهش پیش بین ها استفاده شده است و در نهایت جایابی بهینه  ی PMU ها با رویکرد ارزیابی دینامیکی سیستم با استفاده از DT و SVM  انجام گرفته است. از تکنیک های گام به جلو و گام به عقب برای وارد کردن اطلاعات باس ها و یا خارج کردن اطلاعات هر باس و بررسی خطای آزمایش دسته کننده های نامبرده استفاده شده است. باس های منتخب در هر ناحیه باس هایی هستند که در روش رو به جلو که هر باس بار به تنهایی در آموزش DT وSVM  استفاده می شود، از خطای آزمایش کمتری برخوردار باشند. در رویکرد گام به عقب اطلاعات تمامی باس بارها به عنوان ورودی به درخت داده می شود و باس های منتخب آنهایی هستند که در اثر خروج هرکدام خطای آزمایش دسته کننده ها بیشتر از سایر باس ها افزایش یابد.

    1-4 اهمیت تحقیق

    در شبکه های قدرت هوشمند امروزی به دلیل افزایش میزان مصرف انرژی، سیستم با حاشیه امنیت کوچکتری نسبت به گذشته کار می کند . منظور از امنیت در سیستم قدرت، قابلیت تضمین کردن عملکرد پیوسته سیستم در شرایط نرمال و در صورت وجود مقدار قابل قبولی اغتشاش است. امنیت یکی از اهداف اصلی و مهم کنترل عملکرد سیستم قدرت است و ارزیابی سریع و قابل اطمینان آن امری ضروری می باشد. جهت انجام این مطالعات باید درک صحیحی از وقوع اغتشاش، محل وقوع و نوع خطای به وقوع پیوسته داشته باشیم. از آنجا که امنیت دینامیک و استاتیک در شبکه های قدرت از اهمیت بالایی برخوردار است، به بررسی هردو دست پایداری در شبکه قدرت پرداخته ایم.

    با پیشرفت های بوجود آمده در زمینه سیستم ها ی اندازه گیری و مانیتورینیگ سطح وسیع [9]امکان ارزیابی سریع امنیت سیستم فراهم آمده است و واحدهای اندازه گیری فازور نقش مهمی را برای رسیدن به این منظور برعهده دارند، بنابراین در مسئله ی جایابی بهینهPMU ها لازم است که علاوه بر رویت پذیری کامل شبکه، بحث پایداری دینامیک نیز در نظرگرفته شود. بدین منظور، با رویکرد ارزیابی امنیت دینامیک و با هدف مینیمم سازی خطای آزمایش درخت تصمیم گیری و بردار ماشین های پشتیبان، جایابی بهینه PMU صورت گرفته است. همچنین، به علت اینکه که حجم اطلاعات دریافتی از PMU ها در شبکه های قدرت بزرگ بسیار زیاد است، منطقی نیست که از تمامی اطلاعات دریافتی برای یادگیری شبکه های هوشمند استفاده کرد، زیرا این حجم وسیع از اطلاعات رویه آموزش شبکه را بسیار زمان بر می کند و نتایج حاصل از پیش بینی ممکن است ناکارآمد باشند. به علاوه اینکه در بسیاری از نرم افزار های آموزش تکنیک های هوشمند همچون MATLAB، محدودیت هایی در تعداد ورودی های روش های هوشمند همچون درخت تصمیم گیری وجود دارد. بنابراین کاهش حجم داده های دریافتی با یک روش سیستماتیک و نه تجربی، یک گام مهم در ارزیابی امنیت در شبکه های قدرت است. ازین روست که اطلاعات دریافت شده از شبکه های برق را با روش های انتخاب ویژگی چون correlation analysis و روش های استخراج ویژگی چون PCA تا حد امکان کاهش دادیم تا ارزیابی سریع و قابل اعتمادی از امنیت در شبکه قدرت داشته باشیم.

    1-5 فصل های پایان نامه

    در فصل دوم به معرفی انواع مسائل پایداری در سیستم های قدرت می پردازیم. در این تقسیم بندی پایداری ولتاژ، پایداری زاویه ای و پایداری فرکانس و زیر مجموعه های آن بررسی می گردد. در فصل سوم به ارزیابی امنیت استاتیکی شبکه های قدرت با استفاده از داده های دریافتی از PMU ها می پردازیم. سپس روش های  انتخاب ویژگی و استخراج ویژگی برای کاهش حجم داده را معرفی می کنیم، از میان این روش ها می توان PCA و correlation analysis را نام برد. در انتها روش دسته بندی درخت تصمیم گیری که به عنوان یکی از ابزارهای قوی کاوش داده [10]و یادگیری ماشین [11]شناخته می شود را بررسی می کنیم و الگوریتم آموزش درخت تصمیم گیری به صورت دو سطحی را معرفی می کنیم. در فصل چهارم امنیت دینامیکی در شبکه های قدرت با استفاده ازداده های دریافتی از PMU ها بررسی می گردد.  این داده ها در حوزه ی زمان و فرکانس پردازش می شوند تا شاخص های WASI برای ارزیابی دینامیک بدست آیند. سپس روش بردار ماشین پشتیبان که ابزار قدرتمند دیگری برای دسته بندی و کاوش داده است، را معرفی می کنیم و تاثیر کاربرد روش های کاهش حجم بر ورودی های این دسته کننده ها را مطالعه می کنیم. همچنین الگوریتم پیشنهادی برای ارزیابی دینامیکی پایداری ارائه می شود. در انتها نیز، الگوریتم جایابی بهینه PMU ها با رویکرد ارزیابی امنیت دینامیک را معرفی می کنیم.  الگوریتم های بیان شده در فصل های قبل بر روی شبکه نمونه 39 باسه انگلیسی و همچنین قسمتی از شبکه برق فارس پیاده سازی شده و نتایج آن در فصل 5 آورده شده است. در فصل 6 نتیجه گیری و پیشنهادات برای کارهای آینده آورده شده است.

     

    [1] Real- time

    [2] - Dynamic Security Assessment

    [3] equal area criterion

    [4] Extended equal area criterion

    steady-state[5]

    Wide-Area Monitoring and Measurement Systems[6]

    [7] Artificial neural network(ANN)

    [8] Random forests(RFs)

    [9]  WAMS  

    [10] Data mining

    [11] Machine learning

  • فهرست و منابع پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور

    فهرست:

    فهرست مطالب

    عنوان                                                                                                     صفحه

    فصل اول: مقدمه

    1-1-بیان مسئله. 2

    1-2 پیشینه ی تحقیق.. 3

    1-2-1 روش های کلاسیک: 4

    1- 2 –2 روش های نوین با استفاده از داده های PMU.. 5

    1-3 هدف تحقیق.. 8

    1-4 اهمیت تحقیق.. 9

    1-5 فصل های پایان نامه. 10

    فصل دوم : انواع مسائل پایداری

    2- انواع مسائل پایداری.. 13

    2-1 ملاک های دسته بندی پایداری.. 13

    2-2 تعریف پایداری استاتیک و دینامیک... 13

    2-2-1 پایداری استاتیکی (ماندگار) 13

    2-2-2 پایداری دینامیکی (گذرا) 14

    2-3 انواع مسائل پایداری.. 14

    2-3-1 پایداری زاویه ای روتور 14

    2-3-2 پایداری ولتاژ 16

    2-3-3 پایداری فرکانس... 17

    فصل سوم: ارزیابی امنیت استاتیک ولتاژ

    3-1 بیان مسئله. 21

    3-1-1جمع آوری داده های مورد نیاز برای ارزیابی امنیت استاتیک با استفاده از داده های PMU.. 22

    3-2 معرفی و آموزش درخت تصمیم گیری : 24

    3-2-1 درخت تصمیم گیری: 25

    عنوان                                                                                                              صفحه

    3-2-2 طراحی و آموزش درخت تصمیم گیری برای ارزیابی امنیت استاتیک ولتاژ 27

    3-3 بررسی روش های کاهش حجم داده 28

    3-3-1روش های مبتنی بر استخراج ویژگی.. 29

    3-3-1روش  Principal Component analysis یا PCA.. 30

    الگوریتم  PCA.. 32

    3-3-2 روش انتخاب ویژگی با استفاده از آنالیز همبستگی.. 35

    3-4 الگوریتم پیشنهادی جهت ارزیابی سریع امنیت ولتاژ در سیستم های قدرت.. 36

    3-4-1 فلوچارت الگوریتم ارزیابی امنیت استاتیک با استفاده از داده های دریافتی از PMU ها 40

    3-5 جمع بندی.. 41

    فصل 4:ارزیابی امنیت دینامیک در شبکه های قدرت

    4-بیان مسئله. 43

    4-1  جمع آوری داده برای ارزیابی امنیت دینامیک شبکه قدرت.. 43

    4-2- معرفی شاخص‌های تصمیم‌گیری.. 43

    4-2-1- سیگنال‌های COI 44

    4-2-2- ویژگی‌ها در حوزه زمان. 45

    4-2-3- محاسبه سریع WASI در حوزه فرکانس... 47

    4-2-4-شاخص Categorical 49

    4-3 بردار ماشین های پشتیبان. 50

    4-3-1 ساختار بردار ماشین های پشتیبان(SVM). 51

    4-3-2 طراحی و آموزش بردار ماشین های پشتیبان برای ارزیابی امنیت دینامیک سیستم. 55

    4-4- طراحی و آموزش درخت تصمیم گیری برای ارزیابی امنیت دینامیک سیستم. 56

    4-5 جایابی بهینه PMU ها با رویکرد ارزیابی امنیت دینامیک و با استفاده از تکنیک های هوشمند. 56

          4-5-1 معرفی تکنیک گام به جلو برای جایابی PMU در شبکه قدرت.. 57

    4-5-2 معرفی تکنیک گام به عقب برای جایابی PMU در شبکه قدرت.. 58

    4-6 بررسی روش کاهش حجم داده (PCA) در ارزیابی امنیت دینامیک سیستم قدرت.. 58

    عنوان                                                                                                              صفحه

    فصل 5: نتایج شبیه سازی

    5-1- معرفی شبکه های مورد مطالعه. 61

    5-2- معرفی نرم‌افزار شبیه‌ساز DIgSILENT.. 62

    5-3 مطالعات استاتیک ولتاژ در شبکه قدرت نمونه 39-باسه. 62

    5-3-1 طراحی درختان تصمیم گیری محلی برای شبکه 39-باسه. 63

    5-3-2 آموز ش درخت تصمیم گیری کلی برای شبکه 39-باسه با استفاده از تکنیک های کاهش بعد. 64

    پیش بین ها 65

    5-3-3 آموزش درخت تصمیم گیری کلی برای قسمتی از ایران  با استفاده از تکنیک های کاهش حجم داده 68

    فصل 5-4 مطالعات دینامیک شبکه 39 باسه نمونه. 72

    5-4-1 محاسبه شاخص ها : 72

    5-4-2 طراحی و آموزش درخت تصمیم گیری برای ارزیابی امنیت دینامیک در شبکه 39 باسه. 73

    5-4-3 طراحی و آموزش بردار ماشین های پشتیبان برای ارزیابی امنیت دینامیک در شبکه 39 باسه. 77

    5-5 استفاده از روش کاهش حجم داده (PCA) در ارزیابی امنیت شبکه 39 باسه. 81

    5-5-1 استفاده از PCA و DT برای ارزیابی امنیت دینامیک شبکه 39 باسه. 81

    5-5-2 استفاده از PCA و SVM برای ارزیابی امنیت دینامیک شبکه 39 باسه. 83

    5-5-3 تاثیر PCA در کاهش اثر نویز در داده های دریافتی از PMU ها 84

    5-6- جایابی PMU با رویکرد ارزیابی امنیت دینامیک و با استفاده از تکنیک های هوشمند DT و SVM... 85

    5-6-1 جایابی PMU با استفاده از تکنیک گام به جلو و درخت تصمیم گیری.. 86

    5-6-2 جایابی PMU با استفاده از تکنیک گام به جلو و SVM... 88

    5-6-3جایابی PMU با استفاده از تکنیک گام به عقب و SVM... 89

    5-6-4جایابی PMU با استفاده از تکنیک گام به عقب و DT.. 90

    5-7 ارزیابی امنیت دینامیک شبکه واقعی جنوب ایران. 93

    5-8- جمع بندی.. 94

    عنوان                                                                                                              صفحه

    فصل6: نتیجه گیری و پیشنهادات

    6-1 نتیجه گیری.. 96

    6-2- پیشنهادات.. 97

    فهرست مراجع. 98

    منبع:

    فهرست مراجع

    C. P. Steinmetz, “Power Control and Stability of Electric Generatinhg Stations,”IEEE Trans on Power syst., vol. 5, pp. 1215, dec. 1920.

    R. D. Evans and R. C. Bergvall, “Experimental Analysis of Stability and Power Limitations,” IEEE Trans on Power syst.,pp. 39-58, 1924.

    R. Wilkins, “Practical Aspects of system stability,” IEEE Trans on Power syst.,pp. 41-50, 1926.

    [4].Prabha Kundur, Power System Stability And Control, Neal J.Balu And Mark G.Lauby, Ed. New York:McGraw-Hil, l, 1993.

    Y. Mansour, E. Vaahedi, A. Y. Chang, B. R. Corns, B. W. Garett, K. Demaree, T. Athay, and K. Cheung, “B.C. Hydro’s on-line transient stability assessment (TSA)—Model development, analysis, and post-processing,” IEEE Trans. Power Systems, vol. PWRS-10, no. 1,pp. 241–253, Feb. 1995.

    J. L. Jardim, C. A. da Neto, A. P. A. da Silva, D. M. Falcao, A. C. Z.de Souza, C. L. T. Borges, and G. N. Taranto, “A unified online security assessment system,” in CIGRÉ, Paris, 2000, pp. 38-102.

    V. Chadalavada, V. Vittal, G. C. Ejebe, G. D. Irisarri, J. Tong, G.Pieper, and M. McMullen, “An on-line contingency filtering scheme for dynamic security assessment,” IEEE Trans. Power Systems, vol.PWRS-12, no. 1, pp. 153–161, Feb. 1997.

    H. D. Chiang, C. S. Wang, and H. Li, “Development of BCU classifiers for on-line dynamic contingency screening of electric power systems,”IEEE Trans. Power Systems, vol. PWRS-14, no. 2, pp. 660–666, May 1999.

    M. A. Pai, Energy Function Analysis for Power System Stability. Boston, MA:Kluwer, 1989.

    [10]. Y.Xue, L.Wehenkel, R.Belhomme, P.Rousseaux, M.Pavella, Eeuxibie, B.heilbronn, and J.F.Lesigne, “Extended Equal Area Criterion,” IEEE Trans.Power Syst, vol. 7, no. 3, pp. 1012-1022, Aug 1992.

    [11].D.Ruiz Vega and M.Pavella, “A comprehensive approach to transient stability control.I.Near optimalPreventivecontrol,” IEEE Trans.Power Syst, vol. 18, no. 4, pp. 1446-1453, Nov 2003.

    V. Brandwajn, A. B. R. Kumar, A. Ipakchi, A. Bose, and S. D. Kuo,“Severity indices for contingency screening in dynamic security assessment,” IEEE Trans. Power Systems, vol. PWRS-12, no. 3, pp. 1136–1142, Aug. 1997.

     Y. Mansour, E. Vaahedi, M. A. El-Sharkawi, A. Y. Chang, B. R. Corns, and J. Tamby, “Large scale security screening and ranking using neural networks,” IEEE Trans. Power Systems, vol. PWRS-12, no. 2, pp.954–960, May 1997.

     F. Aboytes and R. Ramirez, “Transient stability assessment in longitudinal power systems using artificial neural network,” IEEE Trans. Power Systems, vol. PWRS-11, no. 4, pp. 2003–2010, Nov.  1996.

    G. C. Ejebe, C. Jing, J. G. Waight, V. Vittal, G. Pieper, F. Jamshidian, D. Sobajic, and P. Hirsch, “On-line dynamic security assessment: Transient energy based screening and monitoring for stability limits,” in 1997 IEEE/PES Summer Meeting, Berlin, Germany.

    M. La Scala, G. Lorusso, R. Sbrizzai, and M. Trovato, “A qualitative approach to transient stability analysis,” IEEE Trans. Power Systems, vol. PWRS-11, no. 4, pp. 1996–2002, Nov. 1996.

    M.Pavella, D.Ernst, and D.Ruiz-Vega, Transient Stability Of Power Systems. Boston, MA:Kluwer, 2000.

    [18].A.G.Phadke, “Synchronized phasor measurements in power systems,” IEEE comput.Appl.Power, vol. 6,no. 2,  pp. 10-15, Apr.1993.

    [19].C.W Liu, Sh.-Sh. Tsay , Y.J. Wang , M.C. Su, “Neuro-fuzzy approach to real-time transient stability prediction based on synchronized phasor measurements,” Electric Power Systems Research, pp. 123–127, Jun. 1998.

    [20].I. Kamwa, J. Béland, G. Trudel, R. Grondin, C. Lafond, and D.McNabb, “Wide-area monitoring and control at Hydro-Québec: “Past,present and future,” in Proc. IEEE/Power Eng. Soc. General Meeting, Panel Session PMU Prospective Applications, Montreal, QC,Canada, Jun. 18–22,2006.

    [21].Synchronized Phasor Measurements and Their Applications

    [22].IEEE Trans. Power Syst.

    [23].IEEETrans. Power Syst.

    [24].J. Bertsch, C. Carnal, D. Karlson, J. McDaniel, and V. Khoi, “Wide areaprotection and power system utilization,” Proc. IEEE, vol. 93, no.5, pp. 997–1003, May 2005.

    [25]. X. Xiaorong, X. Yaozhong, X. Jinyu, W. Jingtao, and H. Yingdao,“WAMS applications in Chinese power systems,” IEEE Power EnergyMag., vol. 4, no. 1, pp. 54–63, Jan.-Feb. 2006.

    [26]. J. Y. Cai, H. Zhenyu, J. Hauer, and K. Martin, “Current status and experienceof WAMS implementation in north America,” in Proc. IEEE/Power Eng. Soc. Transmission Distribution Conf. Exhib.: Asia Pacific,2005, 2005, pp. 1–7.

    [27]. A.R. Khatib, R. F. Nuqui, M.R. Ingram and A.G. Phadke, “Real-time estimation of security from voltage collapse using synchronized phasor measurements,” IEEE Power engineering Society General Meeting, vol.1, pp. 582-588, 2004.

    [28].R. Diao, K. Sun, V. Vittal, R.J. M. R. Richardson, N. Bhatt, D. Stradford and S. K. Sarawgi, “Decision tree-based online voltage security assessment using PMU measurements,” IEEE Trans. Power Syst., vol. 24, no. 2, pp. 832-839, May 2009.

    [29].K. Sun, S. Likhate, V. Vittal,  V. Sh. Kolluri and S. Mandal, “An online dynamic security assessment scheme using phasor measurements and decision trees,” IEEE Trans. Power Syst., vol. 22, no. 4, pp. 1935-1943, Nov. 2007.

    [30].M. Dehghani, B. Shayanfard and A.R. Khayatian, “PMU ranking based on singular value decomposition of dynamic stability matrix,” IEEE Trans. Power Syst., vol. 28, no. 3, pp. 2263-2270, Aug. 2013.

    [31].I. Kamwa,S. R. Samantaray and G. Joos, “Development of Rule-Based Classifiers for Rapid Stability Assessment of Wide-Area Post-Disturbance Records,” IEEE Trans. Power systs., vol. 24, no. 1, pp. 258-271,  Feb. 2009.

    S. Hashemi and M. R. Aghamohammadi, “Wavelet based feature extraction of voltage profile for online voltage stability assessment using RBF neural network,”International Journal of Electrical Power & Energy Systems, vol. 49, pp. 86-94, July 2013. 

    D.Devaraj and  J. Preetha Roselyn, “On-line voltage stability assessment using radial basis function network model with reduced input features,” International Journal of Electrical Power & Energy Systems, vol. 33, pp. 1550–1555, Nov. 2011.

    M.B. Zayan, M.A. Elsharkawi and R.J. Marks 2, “Power system security assessment using neural networks: feature selection using fisher discrimination,” IEEE Trans. Power systs, vol. 16, no. 4, pp. 757-763, Nov. 2001.

    [35].A.G.Phadke, “Synchronized phasor measurements in power systems,” IEEE comput.Appl.Power, vol. 6,no. 2,  pp. 10-15, April 1993.

    [36].L.Wehenkel, M.Pavella, E.Euxibie, and B.Heilbronn “Decision tree based transient method a case study,” IEEE Trans.Power Systs., vol. 9, no. 1, pp. 459-469, Feb 1994.

    [37].S.Rovnyak, S. Kretsinger, and J. Thorp, D. Brown “Decision Trees For Real-Time Transient StabilityPrediction, ” IEEE Trans.Power Systs., vol. 9, no. 3, pp. 1417-1423, Aug 1994.

    [38]. VijayVittal, “An Online Dynamic Security Assessment Scheme using Phasor Measurements and Decision Trees, ” in PSERC Seminar, Arizona, 2008, pp. 1-41.

    [39].R. Diao, K.sun, V.Vittal, R.J.O'Keefe,M.R.Richardson,N. Bhatt,D.Stradford, and S.K.sarawgi, “DesisionTreeBased Online voltage security Assessment Using PMU Measurements, ” IEEE Trans.Power Systs., vol. 24,    no. 2, pp. 832-839, May 2009.

    [40]. S.R. Samantaray, I. Kamwa, and G. Joos, “Ensemble decision trees for phasor measurement unit-based  wide-area security assessment in the operations time frame,” IET Gener. Transm. Distrib., vol. 4, pp. 1334-1348, June 2010.

    [41].F. R. Gomez , A.D. Rajapaks,U. D. Annakkage, and I.T. Fernando, “Support Vector Machine-Based Algorithm for Post-Fault Transient Stability Status Prediction Using Synchronized Measurements,” IEEE Trans.Power Systs, vol. 26, no. 3, pp. 1474-1484, Aug 2011.

    [42].A. D. Rajapakse, F. R. Gomez, K. Nanayakkara, P. A. Crossley, and V.T. Terzija, “Rotor angle Instabilityprediction using post-disturbance,” IEEE Trans. Power Systems, vol. 25, no. 2, pp. 947–956,  May 2010

    [43].

    [44].

    [45].B.Gao, G.K.Morison, P.Kundur, “Voltage Stability Evaluation Using Modal Analysis,” IEEE Trans. on power systs, Vol. 7, No. 4, pp. 1529-1536, Nov. 1992.

    [46].C.Rajagopalan, B.Lesieutre, P.W.Sauer, M.A.Pai, “Dynamic Aspects of Voltage/Power Characteristics,” IEEE Trans. On power systs, Vol. 7, No. 3, Aug. 1992, pp. 990-1000.

    [47].P.Kundur, B.Gao, G.K.Morison, “Practical Application of Modal Analysis for Increasing Voltage Stability Margins,” Athens Power Tech Proceedings, Joint International Power Conference, APT 93, Vol. 1, pp. 222-227, 1993.

    [48].P.Kundur, J.Paserba,V. Ajjarapu,G.Andersson,A. Bose,C.Canizares,N. Hatziargyriou, D.Hill, A.Stankovic, C.Taylor, T.V. Cutsem and V.Vittal, “Definition And Classification of Power System Stability ,” IEEE  Trans . Power Systs, vol. 19, no. 2, p. 1390, may 2004.

    [49].. Teeuwsen, Oscillatory stability assessment using computational intelligence, Ph. D. Dissertation, Duisburg-Essen University, 2005.

    Y. Xu; Z.Y. Dong; K. Meng; R. Zhang; K.P. Wong, “Real-time transient stability assessment model using extreme learning machine”, IET Generation, Transmission & Distribution, Vol.5, March 2011, p.314 – 322.

    [51].Yunyue Zhu, High Performance Data Mining in Time Series: Techniques and Case Studies, Ph.D. Dissertation, New York University, January 2004.

    [52].I.T. Jolliffe. Principal Component Analysis, 2nd ed., Springer, NY, 2002, p. 28.

    [53].L. I. Smith, A tutorial on Principal Components   Analysis, Feb. 2002.

    [54].J.E. Jackson. A User's Guide to Principal Components. New York: John Wiley and Sons, 1991.

    [55].I. K. Fodor, A survey of dimension reduction techniques, pp.2-3, 2002

    [56].

    W. Sun, J. Chen and J. Li, “Decision tree and PCA-based fault diagnosis of rotating machinery”, Mechanical Systems and Signal Processing 21, pp.1300–1317, Apr. 2007.

    Kamwa, I.; Samantaray, S.R.; Joos, G. “Catastrophe Predictors From Ensemble Decision-Tree Learning of Wide-Area Severity Indices,”  IEEE Trans. Smart Grid, Vol.1, Issue:2, 2010 , PP.144 – 158.

    B.E. Boser, I.M. Guyon, V. Vapnik. “A Training Algorithm for Optimal Margin Classifiers,” Proceedings of the fifth Annual Workshop on Computational Learning Theory 5 144-152, Pittsburgh, 1992.

    V. Vapnik, C. Cortes. “Support Vector Networks,” Machine Learning, vol. 20, pp. 273-297, 1995.

     Dustin Boswell, “Introduction to Support Vector Machines,” tutorial, August 6, 2002.

    M. Law, “A Simple Introduction to Support VectorMachines,” Lecture for CSE 802, Michigan State University, Nov. 2011.

    Bei Xu and Ali Abur, “Optimal placement of phasor measurement units for state estimation,” PSERC Publication. 05-58, Oct. 2005.

    James Ross Altman, “A practical comprehensive approach to PMU placement for full observability,” Thesis Submitted to the Faculty of the Virginia Polytechnic Institute and State University. January 2007.

    B.Shayanfard, M.Dehghani and A.Khayatian “Optimal PMU Placement for Full Observability and Dynamic Stability Assessment”, 1390.

    Nabil H. Abbasy and Hanafy Mahmoud Ismail, “A unified approach for the optimal PMU location for power system state estimation,” IEEE Trans. Power Syst., vol. 24, no. 2, May 2009.

    ز.فتاح، م. دهقانی و ع .ر خیاطیان ، ”پیکربندی واحدهای فازور در نواحی منسجم الکتریکی شبکه برق با هدف ارزیابی عملکرد دینامیکی سیستم،“ کنفرانس شبکه های برق الکتریکی هوشمند ، خرداد 1391.

    C.W. Hsu, C. Chung Chang, and CJ. Lin, “A Practical Guide to Support Vectors for Classification,” Department of Computer Science, National Taiwan University, apr.2010.



تحقیق در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, مقاله در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, پروژه دانشجویی در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, پروپوزال در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, تز دکترا در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, تحقیقات دانشجویی درباره پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, مقالات دانشجویی درباره پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, پروژه درباره پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, گزارش سمینار در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, پروژه دانشجویی در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, تحقیق دانش آموزی در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, مقاله دانش آموزی در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور, رساله دکترا در مورد پایان نامه ارزیابی پایداری گذرای سیستم های قدرت با استفاده از داده های واحد های اندازه گیری فازور

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس