شکل(5-8)درخت آموزش دیده برای شبکه کنگان و عسلویه بدون استفاده از PCA.. 71
مجموعه های مشخص شده در شکل (5-7) به صورت زیر است: 72
شکل(5-9) نمونه ای از درخت آموزش داده شده با بهره گرفتن از تمامی پیش بین ها 74
شکل(5-10) نمونه ای از دسته کننده SVM با بهره گرفتن از پیش بین های PostFltAngle_4 و PostFltAngle_5 وکرنل خطی.. 78
شکل(5-11) نمونه ای از دسته کننده SVM با بهره گرفتن از پیش بین های PostFltAngle_1 و PostFltAngle_2و کرنل RBF. 79
شکل(5-12) نمونه ای از دسته کننده SVM با بهره گرفتن از پیش بین های Min-voltage-1s_4 و Min-voltage-1s_5و کرنل RBF. 79
شکل(5-13) نمونه ای از دسته کننده SVM با بهره گرفتن از پیش بین های Norm1_4 و Norm1_5 و کرنل RBF. 80
شکل(5-14) نمونه ای از دسته کننده SVM با بهره گرفتن از پیش بین های FastWASI_Area5_1s و  FastWASI_Area2_1s  و کرنل RBF. 80
شکل(5-15) تعداد بعد کاهش داده شده در هر مرحله بر حسب k امین دقت مورد نظر. 82
شکل (5-16) مقایسه خطای آموزش و آزمایش درخت تصمیم گیری با بهره گرفتن از PCA و با در نظر گرفتن 11 دقت مختلف.. 83
شکل (5-17) مقایسه خطای آزمایش SVM با بهره گرفتن از PCA و با در نظر گرفتن 11 دقت مختلف.. 83
شکل(5-18) گزینه های نصب PMU در نواحی منسجم شبکه 39 باسه انگلیسی به روش کلاسیک]43[ 85

فهرست جدول ها
عنوان                                                                                                                      صفحه
جدول( 3-1 )پیش بین های مورد استفاده در ارزیابی امنیت استاتیک… 23
جدول( 4-1) پیش بین های ارزیابی امنیت دینامیک در حوزه زمان و فرکانس… 49
جدول(5-1)آموز ش درخت تصمیم گیری محلی برای 5 ناحیه شبکه 39- باسه با بهره گرفتن از پیش بین های مختلف  برحسب درصد خطا 65
جدول (5-2) عملکرد DT آموزش دیده برای شبکه 39 باسه برای مجموعه داده آزمایش 1. 68
جدول (5-3) عملکرد DT آموزش دیده برای شبکه 39 باسه برای مجموعه داده آزمایش 2. 68
جدول (5-4) عملکرد DT آموزش دیده برای شبکه کنگان و عسلویه. 70
جدول (5-5) عملکرد DT های آموزش دیده برای شبکه ی 39- باسه بر حسب درصد خطا 74
جدول (5-6) شاخص‌های تصمیم‌گیری امنیت سیستم قدرت 39 باسه. 75
جدول (5-7) عملکرد SVM برنامه ریزی شده برای ارزیابی امنیت دینامیک شبکه 39 باسه برحسب درصد خطا با بهره گرفتن از تابع کرنل RBF. 77
جدول (5-8) عملکرد SVM برنامه ریزی شده برای ارزیابی امنیت دینامیک شبکه 39 باسه برحسب درصد خطا با بهره گرفتن از تابع کرنل خطی.. 78
جدول (5-9) عملکرد DT های آموزش دیده برای شبکه 39 باسه با بهره گرفتن از تکنیک PCA بر حسب درصد خطای آموزش و آزمایش… 82
جدول (5-10) عملکرد SVM های آموزش دیده برای شبکه 39 باسه با بهره گرفتن از تکنیک PCA بر حسب درصد خطای آزمایش… 84
جدول (5-11) میانگین خطای آموزش  SVM با داده های آغشته به نویز. 84
جدول (5-12) مجموعه جواب های بهینه نصب PMU در شبکه 39 باسه. 86
جدول(5-13)میانگین خطای دسته بندی DT ها  به ازای 5 سری داده ی آزمایش و آموزش برای 39 باس موجود در سیستم. 87
جدول (5-14) باس بارهای منتخب در روش گام به جلو  با بهره گرفتن از DT و مقایسه آنها با باس بارهای کاندید برای نصب PMU به روش کلاسیک… 87
جدول(5-15) میانگین خطای دسته بندی SVM به ازای ده سری داده ی آزمایش و آموزش تصادفی  برای 39 باس موجود در سیستم. 88
جدول (5-16) باس بارهای منتخب در روش گام به جلو  با بهره گرفتن از SVM و مقایسه آنها با باس بارهای کاندید برای نصب PMU به روش کلاسیک و روش گام به جلو با DT.. 89
جدول(5-17) میانگین خطای دسته بندی SVM به ازای ده سری داده ی آزمایش و آموزش تصادفی  برای 39 باس موجود در سیستم. 89
جدول (5-18) باس بارهای منتخب در روش گام به عقب با بهره گرفتن از SVM و مقایسه آنها با باس بارهای کاندید برای نصب PMU به روش کلاسیک و روش های گام به جلو. 90
جدول(5-19) میانگین خطای دسته بندی DT به ازای چند سری داده ی آزمایش و آموزش تصادفی  برای 39 باس موجود در سیستم. 91
جدول (5-20) باس بارهای منتخب در روش گام به عقب  با بهره گرفتن از DT و مقایسه آنها با باس بارهای کاندید برای نصب PMU به روش کلاسیک و روش های گام به جلو و گام به عقب با SVM… 92
جدول (5-21) مقایسه DT و SVM های آموزش دیده با باس های موجود در دو مجموعه جواب     و  . 92
جدول (5-22) عملکرد DT برنامه ریزی شده برای ارزیابی امنیت دینامیک شبکه واقعی جنوب ایران برحسب درصد خطا 93
جدول (5-23) عملکرد SVM برنامه ریزی شده برای ارزیابی امنیت دینامیک شبکه واقعی جنوب ایران برحسب درصد خطا با بهره گرفتن از تابع کرنل RBF. 94

 فهرست نشانه های اختصاری

مقدمه

1-1-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 بهره گرفتن 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 بهره گرفتن از داده های دریافتی از PMU ها به بررسی انواع مسائل امنیت اعم از امنیت استاتیک و امنیت دینامیک بپردازیم. با بهره گرفتن 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 بهره گرفتن 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 بهره گرفتن 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 بهره گرفتن 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 روش های كنترلی پیشگیرانه در این موارد بسیار ضروری است.[4] در ادامه، تاریخچه روش های کلاسیک و روش های نوین بررسی پایداری، به تفکیک ارائه می گردد.

1-2-1 روش های کلاسیک:

یکی از روش های  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

این مطلب را هم بخوانید :

دوره کارشناسی

 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 بهره گرفتن 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 بهره گرفتن 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 بهره گرفتن از داده های PMU