ترجمه افزایش غیر عادی داده کاوی در تخیمن حالت

توضیحات

عنوان فارسی: افزایش غیر عادی داده کاوی در تخیمن حالت به کمک پیش بینی سیستم قدرت

عنوان انگلیسی:

Enhancement of Anomalous Data Mining in Power System Predicting-Aided State Estimation

چکیده

یک روش برای تخمین حالت به کمک پیش بینی از جمله داده کاوی بد در یک سیستم توان در این مقاله ارائه شده است. در این روش، افزایش سطح لغزش کنترل فازی و تکنیک های تخمین تعداد بهینه خوشه، هر دو برای ارتقا تخمین حالت به کار گرفته می شود. این روش پیشنهادی برای آزمایش سیستم ها استفاده می شود. نتایج آزمون امکان سنجی این روش برای اپلیکشن های مورد نظر را نشان می دهد.

کلید واژه: داده کاوی بد، برآورد تعداد خوشه ها، کنترل فازی افزایش سطح لغزش، تخمین حالت

مقدمه

به دنبال باز کردن دسترسی و بهره برداری از شبکه های انتقال، الگوهای جریان توان در یک سیستم قدرت آشفته کمتر قابل پیش بینی می شود، هنگامی که به صورت عمودی با سیستم های یکپارچه مقایسه می شود [1]. تحت چنین قوانین جدید بازار انرژی، نیاز به مدلسازی شبکه در زمان واقعی، بسیار مهم و حیاتی است، در عین حال کیفیت بسیار بالا مدل فرموله شده وابسته به اثر بخشی برآوردگرهای حالت می باشد. علاوه بر این، تنها با استفاده از برآورد قبلی، پس از یک برآوردگر حالت می تواند بردار حالت اساساً یک قدم به جلوتر را پیش بینی می نماید. بنابراین، این نیز اپراتور سیستم را با زمان بیشتر مجاز در ایجاد تصمیم گیری های مرتبط مانند توزیع اقتصادی، ارزیابی امنیت، و سایر توابع مرتبط را فراهم خواهد کرد.

فرایند برآوردگر یک حالت مرسوم اغلب از طریق دو تابع شامل پیش بینی حالت و فیلترینگ حالت انجام می شود. پیش بینی حالت با توجه به اطلاعات گذشته انجام می گیرد و فیلترینگ حالت برای پیدا کردن حالت بهینه با توجه به تمام اندازه گیری های موجود و حالت های پیش بینی شده به کار می رود. چنین الگوریتمی برای انجام کار تخمین پیشنهاد شده است. در میان این روش ها، معمولاً فیلتر کالمن توسعه یافته (EKF) اغلب به کار گرفته می شود [2]-[4]. در چنین روشی، هنگامی که سیستم به طور نرمال عمل می کند، طرح EKF برای ارائه یک تخمین حالت بهینه، مفید می باشد. با این حال، هنگامی که سیستم با یک تنوع بار بزرگی مواجه می شود، عملکرد تخمین اغلب به طور قابل توجهی کم ارزش در نظر گرفته می شود. این عمدتاً به خاطر کمبود تغییر تزریق بزرگ در نظر گرفته شده در فرمولاسیون مدل نسبت داده می شود. اخیراً، بر اساس دانش و تجربه انسان، تئوری کنترل فازی نیز پیشنهاد شده است [5]. از طریق طراحی سیستم کنترل فازی، برآوردگر حالت فرموله شده انتظار می رود که به دلیل مدیریت بهتر عدم قطعیت، قوی تر باشد. سپس، با ظهور شبکه های عصبی، این نیز یک کاندید مورد علاقه در چند اپلیکشن از توان الکتریکی برای پاسخ سریع و یادگیری کارآمد تلقی می شود. با جمع آوری داده های تولید شده از عملیات سیستم قدرت (توان)، شبکه های عصبی از پتانسیل بالا برای کمک به ردیابی دینامیکی حالت های سیستم مشاهده شده است [6] و [7]. در روش های فوق، هر یک از این تکنیک ها می تواند عملکرد محاسباتی را بهبود ببخشد، اما هر کدام نیز دارای اشکالاتی می باشد.

در این مقاله، یک روش کنترل فازی ارتقا یافته با یک سطح لفزش برای تخیمن حالت به کمک پیش بینی یک سیستم قدرت پیشنهاد شده است [8]. همچنین تخمین حالت به کمک پیش بینی به عنوان تخمین حالت پویا شناخته می شود که مفهوم مرکزی برای شناسایی و حذف اطلاعات متناقض با استفاده از تفاوت بین آخرین اندازه گیری های بدست آمده و مقادیر پیش بینی شده مربوطه می باشد. در روش پیشنهادی، با تجسم قابلیت تصمیم گیری فازی، برای آن مواردی که در آن تغییرات بزرگ بار الکتریکی رخ داده است، این روش راه حلی به یک مسیر نزدیک به بهینه را هدایت خواهد کرد [9]. علاوه بر این، به جای طراحی کنترل کننده های فازی مرسوم، روش پیشنهادی مفهوم سطح لغزش را به کار می برد که خطا و میزان خطا را به عنوان یک متغیر ورودی یکپارچه ترکیب می کند. از این رو، تعداد قوانین فازی نیز می تواند تا حد زیادی کاهش یابد، در نتیجه عملکرد محاسبات نسهیل می یابد.

علاوه بر مقابله با سناریوهای مختلف بار الکتریکی، این پژوهش نیز احتمال خطاهای ناخالص اندازه گیری را مورد بررسی قرار می دهد که ممکن است منجر به برآوردهای مغرضانه گردد. شکل 1، چارچوب روش پیشنهادی راتشریح می کند. همانطور که از شکل دیده می شود، بردار حالت پیش بینی شده در ابتدا تعیین می گردد. سپس، با دنبال کردن دستیابی یک مجموعه جدید از اندازه گیری ها، برآورد نوآوری می تواند مورد ارزیابی قرار بگیرد و به عنوان ورودی های شبکه استفاده شود، که در آن بردار نوآوری به عنوان تفاوت هایی بین آخرین اندازه گیری های بدست آمده و مقادیر پیش بینی شده مربوط به آن تعریف می گردد. با این حال، هنگامی که داده های غیر طبیعی رخ می دهد، نوآوری های مرتبط بلافاصله در پیش بینی انعکاس بهتر مقادیر صحیح، با کمک برآوردگر حالت به کمک پیش بینی به سمت تخمین های قابل اعتماد حالت های سیستم، جایگزین می شود.

توجه:

• برای دانلود فایل کامل ورد لطفا اقدام به خرید نمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.