وبلاگ

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 كنترلی 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 دینامیك سیستم را به صورت زمان حقیقی، با استفاده از اندازه گیری متغیرهای اساسی مانند جریان و ولتاژ  فراهم می آورد كه نیاز اساسی برای آنالیز پایداری سیستم از جهات مختلف نظیر آنالیز ولتاژonline ، ارزیابی پایداری حالت گذرا و مانیتورینگ، پیشگویی، كنترل و حفاظت نوسانات فركانسی 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.
در 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 كه در مقاله]31[ بدان اشاره شده است، یعنی استفاده از میانگین داده های PMU هایی كه در هر ناحیه قرار گرفته اند و همچنین تعدادی شاخص دیگر كه 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] 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)
(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است