تعداد نشریات | 43 |
تعداد شمارهها | 1,655 |
تعداد مقالات | 13,542 |
تعداد مشاهده مقاله | 31,060,884 |
تعداد دریافت فایل اصل مقاله | 12,220,388 |
مدلی مقیاسپذیر مبتنی بر یادگیری گروهی برای جایابی بهینۀ کلید بریکر و سکسیونر در سیستمهای توزیع توان الکتریکی با هدف بهبود قابلیت اطمینان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
هوش محاسباتی در مهندسی برق | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
دوره 15، شماره 3، مهر 1403، صفحه 1-14 اصل مقاله (1.67 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نوع مقاله: مقاله پژوهشی فارسی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
شناسه دیجیتال (DOI): 10.22108/isee.2024.141003.1682 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مهرداد ابراهیمی1؛ محمد رستگار* 2 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
1دانشآموختۀ دکتری، بخش مهندسی قدرت و کنترل، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
2دانشیار، بخش مهندسی قدرت و کنترل، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
تعیین بهینۀ تعداد و مکان تجهیزات کلیدزنی (مانند بریکرها و سکسیونرها) در سیستمهای توزیع توان الکتریکی امری ضروری برای کاهش قطعیهای برق و هزینههای مربوط است؛ با این حال، الگوریتمهای بهینهسازی ریاضی موجود مانند روشهای کلاسیک و فراابتکاری قادر به حل مناسب مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی برای سیستمهای بزرگ نیستند. در این مقاله، مدلی مقیاسپذیر مبتنی بر روشهای یادگیری ماشین پیشنهاد میشود که با توجه به شرایط سیستمهای توزیع توان الکتریکی، مکان و تعداد بهینۀ تجهیزات کلیدزنی را مشخص میکند. در این راستا، استفاده از روشهای یادگیری گروهی و هوش مصنوعی تفسیرپذیر برای ساخت یک مدل دادهمحور دقیق پیشنهاد میشود؛ در نتیجه، بهرهبرداران سیستم قدرت قادر خواهند بود تا بدون استفاده از الگوریتمهای بهینهسازی ریاضی، مکان و تعداد بهینۀ بریکرها، سکسیونرهای قابل کنترل از راه دور و سکسیونرهای دستی را در سیستمهای بزرگ با استفاده از روش پیشنهادی مشخص کنند. برای اعتبارسنجی دقت و مقیاسپذیری، مدل پیشنهادی به همراه یک مدل کلاسیک روی یک سیستم توزیع واقعی در استان فارس اجرا میشود. نتایج مطالعات عددی نشان میدهد مدل دادهمحور پیشنهادی با دریافت اطلاعات کمی از سیستم تحت بررسی قادر به یافتن پاسخی نزدیک به بهینۀ عمومی در زمانی بسیار کوتاه است. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
کلیدواژهها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
بهینهسازی؛ تجهیزات حفاظتی؛ جایابی بهینۀ کلید؛ سیستمهای توزیع توان الکتریکی؛ کلید قابل کنترل از راه دور؛ یادگیری ماشین | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
تجهیزات کلیدزنی مانند بریکر، سکسیونر قابل کنترل از راه دور (RCS)[1] و سکسیونر دستی (MS)[2] در سیستمهای توزیع توان الکتریکی با هدف تسهیل فرایند مدیریت خاموشی نصب میشوند. از سوی دیگر، نصب بیش از حد تجهیزات کلیدزنی مقرونبهصرفه نیست؛ زیرا فایدۀ نصب آنها کمتر از هزینۀ خرید و نگهداریشان میشود [1]. همچنین، نصب آنها در تمامی نقاط سیستم از نظر فنی ممکن نیست [2]؛ در نتیجه، مکان و تعداد تجهیزات کلیدزنی در سیستمهای توزیع توان الکتریکی باید به صورت بهینه با در نظر گرفتن محدودیتهای فنی و اقتصادی مشخص شود. از سوی دیگر، به دلیل الف) ابعاد بزرگ سیستمهای توزیع توان الکتریکی، ب) تنوع متغیرهای تصمیمگیری، پ) تنوع شروط فنی و اقتصادی و ت) غیرخطی بودن، مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی از نظر محاسباتی پیچیده است [3]. گفتنی است، فضای جستوجوی مسئله با افزایش ابعاد سیستم به صورت نمایی افزایش مییابد [4]؛ بنابراین، ارائۀ الگوریتمهای بهینهسازی با قدرت محاسباتی زیاد برای حل دقیق مسئله در سیستمهای بزرگ حائز اهمیت است. تا کنون، از الگوریتمهای بهینهسازی ریاضی مختلف (مانند روشهای کلاسیک و فراابتکاری) برای حل مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی استفاده شده است. مدلهای بهینهسازی کلاسیک شامل روشهای مبتنی بر برنامهریزی غیرخطی ترکیبشده با عددصحیح [5]، [6]، [7]، برنامهریزی خطی ترکیبشده با عددصحیح [8]، [9]، [10] و برنامهریزی پویا [11] میشوند. روشهای کلاسیک عمدتاً بر تکنیکهای جستوجوی شاخه و کران[3]، شاخه و برش[4] و صفحۀ برشی[5] برای کشف فضای حل و یافتن راهحل بهینه تکیه میکنند؛ با اینحال، این تکنیکها ممکن است زمانی که فضای جستوجو بسیار بزرگ و پیچیده باشد، ناکارآمد شوند؛ زیرا برای حل مسئله به زمان و حافظۀ زیادی نیاز دارند [11]. در مطالعههای پیشین، از الگوریتمهای بهینهسازی فراابتکاری مانند الگوریتم ژنتیک [12]، جستوجوی گرانشی [13]، الگوریتم پرندگان [14]، الگوریتم زنبور عسل بهبودیافته [15]، الگوریتم ازدحام ذرات بهبودیافته [16] و ... برای حل مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی استفاده شده است. در این راستا، الگوریتمهای فراابتکاری ممکن است نتوانند فضای حل مسئله را به اندازۀ کافی کاوش کنند؛ زیرا فضای جستوجوی مسئله بزرگ است. همچنین، روشهای فراابتکاری ممکن است نتوانند از راهحلهای موجود به طور مؤثر برای رسیدن به جواب بهینۀ عمومی استفاده کنند. علاوه بر این، روش فراابتکاری ممکن است برای تکمیل فرایند جستوجو به حافظۀ بیش از حد نیاز داشته باشد [3]. بر اساس توضیحات بالا، میتوان نتیجه گرفت روشهای بهینهسازی کلاسیک و فراابتکاری برای حل دقیق مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی برای سیستمهای توزیع واقعی بزرگ ناکارآمد هستند. گفتنی است، در الگوریتمهای بهینهسازی ریاضی، از دانش و تجربههای پیشین برای بهبود عملکرد مدل استفاده نمیشود. به عبارت دیگر، الگوریتم بهینهسازی ریاضی بدون توجه به تجربههای پیشین که از وقوع شرایط مشابه به دست آمدهاند، مسئله را در شرایط مدنظر حل میکند. امروزه، یادگیری ماشین این امکان را فراهم آورده است تا مدلهایی برای حل مسائل واقعی با بهرهوری از دانش و تجربههاس پیشین ساخته شوند. در سالهای گذشته، از روشهای یادگیری ماشین برای کنترل، برنامهریزی و توسعۀ سیستمهای قدرت (برای مثال، پخش بار بهینه [17]، توزیع اقتصادی توان بین واحدهای تولید [18]، بازآرایی شبکه برای بهبود شاخصهای بهرهبرداری [19] و ...) استفاده شده است. در این راستا، نتایج مطالعهها نشان میدهد روشهای یادگیری ماشین به دلیل الف) بهرهوری از دانش و تجربههای پیشین، ب) قدرت پردازش حجم زیاد اطلاعات، پ) انعطافپذیری در طراحی مدل با اهداف مختلف، ت) شناسایی الگوهای پیچیده و پنهان و ... برای حل مسائل بهینهسازی پیچیده مناسب هستند. برای مثال، در مرجع [20]، از شبکۀ عصبی پیچشی برای حل مسئلۀ بازآرایی سیستم توزیع توان الکتریکی به صورت پویا با هدف بهبود شاخصهای بهرهبرداری مانند تلفات و افت ولتاژ استفاده شده است. اگرچه در مطالعههای پیشین مسئلههای بهینهسازی متنوعی با استفاده از روشهای یادگیری ماشین حل شدهاند، مدلی دادهمحور برای حل مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی ارائه نشده است. بر اساس مرور مطالعههای پیشین، شکافهای پژوهشی در زمینۀ جایابی بهینۀ تجهیزات کلیدزنی عبارتاند از:
به منظور پر کردن شکاف پژوهشی، این مقاله روشی مقیاسپذیر مبتنی بر یادگیری ماشین برای پیشبینی پاسخ بهینۀ مسئلۀ جایابی تجهیزات کلیدزنی در سیستمهای توزیع توان الکتریکی را ارائه میکند. در این راستا، مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی با هدف کاهش هزینههای نصب و نگهداری تجهیزات کلیدزنی به همراه بهبود شاخصهای متوسط انرژی تأمیننشده، متوسط زمان قطع برق مشترکین و متوسط تعداد دفعات قطع برق مشترکین حل میشود. بریکر، RCS و MS به عنوان تجهیزات کلیدزنی کاندیدا در نظر گرفته شدهاند. هدف از حل مسئله تعیین بهینۀ تعداد و مکان تجهیزات کلیدزنی است. در روش پیشنهادی، جواب مسئله به طور مستقیم توسط مدل دادهمحور جایگزین پیشبینی میشود. در این مقاله، از روشهای یادگیری گروهی و روشهای تفسیرپذیری برای ساخت مدل دادهمحور جایگزین استفاده شده است. برای ارزیابی دقت، سرعت و مقیاسپذیری روش دادهمحور پیشنهادی در مقایسه با روشهای ریاضی موجود (مانند برنامهریزی خطی ترکیبشده با عددصحیح)، از یک سیستم توزیع توان الکتریکی واقعی به عنوان سیستم آزمایش استفاده میشود. به طور خلاصه، نوآوریهای این مقاله در مقایسه با مطالعههای پیشین عبارتاند از:
2- مسئلۀ جایابی بهینۀ تجهیزات کلیدزنیبرای جایابی بهینۀ تجهیزات کلیدزنی با در نظر گرفتن شروط اقتصادی و فنی، باید یک مسئلۀ بهینهسازی طرحریزی و حل شود. یک سیستم توزیع توان الکتریکی شامل تعداد زیادی فیدر توزیع فشار متوسط است که وظیفۀ برقرسانی به نقاط بار را دارند. شکل (1) یک فیدر توزیع فشار متوسط نمونه را نشان میدهد. به طور معمول، در ابتدای هر فیدر فشار متوسط یک کلید بریکر نصب شده است که وظیفۀ حفاظت از تجهیزات در برابر جریانهای اتصال کوتاه را به عهده دارد. انتهای هر فیدر یک خط ارتباطی وجود دارد که فیدر را به فیدر مجاور توسط یک کلید نرمال باز وصل میکند. یک فیدر توزیع فشار متوسط شامل بخشهای اصلی و فرعی است. در این مقاله، همانطور که در شکل (1) نمایش داده شده است، ابتدای یک بخش فرعی و ابتدا و انتهای یک بخش اصلی به عنوان نقاط کاندیدا برای نصب تجهیزات کلیدزنی در نظر گرفته شدهاند. شکل (1): نمایش نقاط کاندیدا برای نصب تجهیزات کلیدزنی در یک فیدر توزیع فشار متوسط نمونه هدف مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی تعیین بهینۀ مکان و تعداد تجهیزات کلیدزنی برای نصب در نقاط کاندیدا است. در این مقاله، سه نوع تجهیزات کلیدزنی که عبارتاند از بریکر، RCS و MS، به عنوان تجهیزات کاندیدا در نظر گرفته شدهاند؛ بر این اساس، چهار حالت برای یک نقطۀ کاندیدا وجود دارند: الف) عدم نصب تجهیز، ب) نصب بریکر، پ) نصب RCS و ت) نصب MS. مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی معمولاً با هدف کاهش هزینههای خرید، نصب و نگهداری تجهیزات کلیدزنی و بهبود شاخصهای قابلیت اطمینان سیستم توزیع توان الکتریکی مانند متوسط انرژی تأمیننشده (EENS)[6]، متوسط تعداد دفعات خاموشی سیستم (SAIFI)[7] و متوسط زمان خاموشی سیستم (SAIDI)[8] طرحریزی میشود. در ادامه، تابع هدف مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی فرمولبندی شده است: در رابطۀ (1)، Obj، Rel و Cost بهترتیب بیانگر مقدار تابع هدف، مجموع وزندار شاخصهای قابلیت اطمینان در مبنای واحد و مجموع هزینههای تجهیزات کلیدزنی در مبنای واحد هستند. ضریب وزنی برای تعیین میزان اهمیت کاهش هزینههای تجهیزات و بهبود شاخصهای قابلیت اطمینان است. عددی بین صفر و یک است. در ادامه، Rel فرمولبندی شده است: در رابطۀ (2)، f و F بهترتیب بیانگر اندیس و مجموعۀ فیدرهای توزیع فشار متوسط در یک سیستم توزیع توان الکتریکی هستند. ، و بهترتیب نشاندهندۀ متوسط انرژی تأمیننشده، متوسط زمان خاموشی هر مشترک و متوسط تعداد خاموشی هر مشترک در طول یک سال برای فیدر f هستند. وزنهای ، و اهمیت هر شاخص برای بهرهبردار سیستم توزیع توان الکتریکی را نشان میدهند. از آنجا که شاخصهای قابلیت اطمینان دارای واحد و اندازۀ متفاوت هستند، آنها در رابطۀ (2) بر مقادیر پایۀ مربوط تقسیم شدهاند. برای محاسبۀ مقادیر پایه، شرایط سیستم قبل از کلیدگذاری جدید در نظر گرفته میشود و مدل ارزیابی قابلیت اطمینان اجرا میشود. مطابق رابطۀ (3)، مجموع وزنهای ، و برابر یک است. هزینههای تجهیزات کلیدزنی شامل هزینۀ خرید و هزینۀ تعمیر و نگهداری تجهیزات در طول عمر آنها هستند؛ از این رو، Cost با رابطۀ زیر بیان میشود: در رابطۀ (4)، بیانگر هزینۀ خرید تجهیزات کلیدزنی و نشاندهندۀ هزینۀ تعمیر و نگهداری تجهیزات کلیدزنی در طول عمر آنها است. مطابق توضیحات بالا، این مقاله از روش مجموع ضرایب وزندار و روش معیار جامع برای تبدیل مسئلۀ بهینهسازی چندهدفه به مسئلۀ بهینهسازی تکهدفه استفاده میکند [21]. مطابق این روش، ابتدا اجزای تابع هدف مسئله به مقادیر در مبنای واحد تبدیل میشوند و سپس، برای هر جزء یک وزن اختصاص داده میشود. وزنهای اختصاصدادهشده میزان اهمیت هر هدف را برای تصمیمگیرنده مشخص میکنند. گفتنی است، روش پیشنهادی راهی مناسب برای تصمیمگیری بر اساس تقابل میان اجزای تابع هدف مطابق وزنهای انتخابشده است. همچنین، با در نظر گرفتن وزنهای ثابت حین حل مسئله، بهازای هر مجموعه وزن، پاسخی یکتا در هر بار اجرا به دست میآید. متغیرهای تصمیمگیری مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی مکان، تعداد و نوع تجهیزات کلیدزنی هستند. در مرجع [22]، مدلی مبتنی بر برنامهریزی خطی ترکیبشده با عددصحیح (MILP)[9] برای حل مسئلۀ بهینهسازی با تابع هدف فرمولبندیشده در رابطۀ (1) ارائه شده است. همچنین، شروط مسئلۀ بهینهسازی مانند محدودیت بودجه، تعداد تجهیزات مجاز قابل نصب در هر فیدر و ... معرفی شدهاند. از آنجا که هدف این مقاله ارائۀ روشی مبتنی بر یادگیری ماشین برای حل مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی است، از بازگویی مدل ریاضی مسئله خودداری شده است.
در این بخش، مدلی دادهمحور ارائه میشود که به طور مستقیم مکان بهینۀ نصب تجهیزات کلیدزنی را بر اساس ویژگیهای سیستم توزیع و نقاط کاندیدا شناسایی میکند. مدل پیشنهادی که مدل دادهمحور جایگزین نامگذاری شده است، بهرهبرداران را از الگوریتمهای بهینهسازی ریاضی که از نظر سرعت و مقیاسپذیری ناکارآمد هستند، بینیاز میکند. برای ساخت مدل دادهمحور جایگزین، ابتدا ویژگیهای تأثیرگذار بر پیشبینی مکان بهینۀ نصب تجهیزات کلیدزنی با بهکارگیری ابزارهای هوش مصنوعی توصیفپذیر شناسایی میشوند. سپس، مدل دادهمحور جایگزین بر اساس روشهای یادگیری گروهی[10] آموزش داده میشود. چارچوب حل مسئله با استفاده از مدل دادهمحور جایگزین در شکل (2) آورده شده است. در این مقاله، بریکر، RCS و MS به عنوان تجهیزات کلیدزنی کاندیدا در نظر گرفته شدهاند. گفتنی است، نصب تجهیزات کلیدزنی جدید با در نظر گرفتن تجهیزات کلیدزنی از پیش نصبشده (مانند بریکر، فیوز، RCS و MS) در سیستمهای توزیع توان الکتریکی انجام میشود. مطابق شکل (2)، الگوریتم حل مسئله شامل دو سطح است که در ادامه شرح داده شدهاند. در سطح اول، مدلهای دستهبندی پایه آموزش داده میشوند. ورودیهای هر مدل دستهبندی پایه ویژگیهای یک نقطۀ کاندیدا هستند. همچنین، خروجی آن احتمال مناسب بودن نصب یک تجهیز ویژه در آن نقطه است. گفتنی است، احتمال نصب با عددی بین صفر و یک نشان داده میشود. مطابق شکل (2)، سه مدل دستهبندی پایه با نامهای مدل دستهبندی پایه برای بریکر، مدل دستهبندی پایه برای RCS و مدل دستهبندی پایه برای MS آموزش داده میشوند که مبتنی بر الگوریتم دستهبندی باینری هستند. گفتنی است، ورودیهای مدلهای دستهبندی پایه با استفاده از روشهای هوش مصنوعی تفسیرپذیر متناسب با خروجی آنها انتخاب میشوند. همچنین، معماری این مدلها مطابق روشهای بهینهسازی پارامترهای شبکههای عصبی تعیین میشود؛ در نتیجه، ورودی، معماری و خروجی مدلهای دستهبندی پایه متفاوت از یکدیگر هستند. در سطح دوم، خروجی مدلهای دستهبندی پایه توسط فرامدل[11] یا مدل ترکیبکننده[12] ترکیبشده و نوع تجهیز بهینه برای نصب در نقطۀ کاندیدای مدنظر پیشبینی میشود. فرامدل یک مدل دستهبندی چندکلاسی است که با گرفتن احتمالهای بهدستآمده از مدلهای دستهبندی پایه، کلاس مناسب برای نقطۀ کاندیدا (نصب بریکر، نصب RCS، نصب MS و عدم نصب تجهیز) را پیشبینی میکند. شکل (2): چارچوب حل مسئله با استفاده از مدل دادهمحور جایگزین 1-3- معرفی ویژگیهای نقاط کاندیدا در این مقاله، ویژگیهای نقاط کاندیدا به عنوان ورودیهای مدلهای دستهبندی پایه در نظر گرفته شدهاند. در جدول (1) ویژگیهای نقاط کاندیدا معرفی شدهاند. همچنین، در جدول (2)، اپراتورهای استفادهشده در تعریف ویژگیهای نقاط کاندیدا معرفی شدهاند. گفتنی است، ویژگیهای معرفیشده را با استفاده از اطلاعات در دسترس در شرکتهای توزیع برق میتوان محاسبه کرد. در مجموع، 49 ویژگی معرفی شدهاند که با بهکارگیری روشهای تفسیرپذیری، مهمترین آنها برای ساختن مدلهای دادهمحور استفاده میشوند. جدول (1): ویژگیهای نقاط کاندیدا
جدول (2): معرفی اپراتورهای بهکارگرفتهشده در تعریف ویژگیهای نقاط کاندیدا
2-3- آموزش مدل دادهمحور جایگزین مدل دادهمحور جایگزین شامل مدلهای دستهبندی پایه و فرامدل است. برای آموزش مدلهای دستهبندی پایه، مراحل زیر باید دنبال شوند: مرحلۀ 1) فیدرهای توزیع مختلف با ساختار متفاوت مدلسازی شوند. مرحلۀ 2) مدل ریاضی مکانیابی تجهیزات کلیدزنی روی هر فیدر تولیدشده در مرحلۀ 1 اجرا شود تا مکان بهینۀ بریکرها، RCSها و MSها در هر فیدر تعیین شود. از آنجا که مدل ریاضی پایه روی یک فیدر اجرا میشود، حلکنندههای موجود میتوانند آن را حل کنند. مرحلۀ 3) ویژگیهای نقاط کاندیدا بر اساس اطلاعات فیدرها در مرحلۀ 1 قابل محاسبه هستند. در مرحلۀ 2، تجهیز بهینه برای نصب در نقاط کاندیدا نیز مشخص میشود؛ بر همین اساس، جفتهای ورودی - خروجی برای آموزش مدلهای دستهبندی پایه ساخته شوند. مرحلۀ 4) ویژگیهای مهم از میان ویژگیهای معرفیشده در جدول (1) برای ساخت مدلهای دستهبندی پایه انتخاب شوند. در این راستا، از ابزارهای هوش مصنوعی تفسیرپذیر برای برآورد میزان مشارکت هر ویژگی در پیشبینی نوع تجهیز مناسب برای نصب در هر نقطۀ کاندیدا استفاده شود. در این مقاله، از روش Shapley Additive Explanations یا SHAP برای محاسبۀ ضریب مشارکت هر ویژگی در تولید خروجی و انتخاب ویژگیهای مهم برای مدلهای دستهبندی پایه استفاده شده است. به طور کل، SHAP روشی است که برای تفسیر پیشبینیهای مدلهای یادگیری ماشین استفاده میشود. ایدۀ کلیدی SHAP محاسبۀ مقادیر Shapley برای هر ویژگی در مجموعه دادۀ آموزش یک مدل یادگیری ماشین است. در این راستا، هر مقدار Shapley نشاندهندۀ مشارکتی است که هر ویژگی در تولید پیشبینی مدل یادگیری ماشین دارد. به عبارت دیگر، مقادیر Shapley میزان تأثیر هر ویژگی در تولید خروجی را نشان میدهند. این ضرایب مشارکت با یکدیگر جمع میشوند و پیشبینی مدل یادگیری ماشین برای نمونهای مشخص را نشان میدهند. هر چقدر مقدار Shapley برای یک ویژگی بزرگتر از مقدار آن برای مابقی ویژگیها باشد، نشاندهندۀ آن است که آن ویژگی تأثیری بیشتر بر خروجی نسبت به دیگر ویژگیها دارد. برای انتخاب ویژگیهای مهم به منظور ساخت مدلهای دستهبندی پایه، در ابتدا، ویژگیها بر اساس ضریب مشارکت آنها مرتب و سپس، ویژگیها با ضریب مشارکت زیاد انتخاب میشوند. در این مقاله، 25 ویژگی با بیشترین ضریب مشارکت انتخاب شدهاند و مابقی ویژگیها که مشارکتی نزدیک به صفر داشتهاند، حذف شدهاند. مرحلۀ 5) بر اساس ویژگیهای انتخابشده برای هر مدل و اطلاعات مکانهای بهینۀ هر تجهیز کلیدزنی، مدلهای دستهبندی پایه آموزش داده شوند. مرحلۀ 6) مطابق مراحل 1 تا 5، مدلهای دستهبندی پایه آموزش داده شوند و وزنهای آنها ذخیره شوند. پس از آموزش مدلهای دستهبندی پایه، از آنها برای تولید ورودیهای فرامدل استفاده میشود. فرامدل با پردازش اطلاعات ورودی خود، کلاس مناسب برای نقطۀ کاندیدای تحت بررسی را نشان میدهد. فرامدل مبتنی بر دستهبندی چندکلاسی است. خروجی فرامدل الف) نصب بریکر، ب) نصب RCS، پ) نصب MS و ت) عدم نصب تجهیز در نقطۀ کاندیدا است. 4- ارزیابی عددیدر این بخش، روش دادهمحور پیشنهادی از نظر پیچیدگی محاسباتی و رسیدن به جواب بهینه با مدل بهینهسازی کلاسیک مقایسه میشود.
شکل (3): دیاگرام تکخطی سیستم 144 نقطۀ بار نمونه
1-4- معرفی سیستم 144 نقطۀ بار نمونه در این مقاله، مدلهای بهینهسازی کلید روی سیستم توزیع نمونۀ 11 کیلوولت در استان فارس اجرا و نتایج مقایسه میشوند. سیستم تحت مطالعه 12 فیدر توزیع فشار متوسط را شامل میشود که از یک ایستگاه فوق توزیع تأمین میشوند. در مجموع، 144 نقطۀ بار تأمین میشوند. اطلاعات سیستم 144 نقطۀ بار نمونه شامل میزان توان اکتیو و راکتیو مصرفی نقاط بار، تعداد مشترکین نقاط بار، طول و نوع بخشهای اصلی و فرعی را میتوان در مرجع [23] یافت. شکل (3) دیاگرام تکخطی سیستم 144 نقطۀ بار نمونه را نشان میدهد. در شکل (3)، خطوط ارتباطی که مجهز به یک RCS نرمال باز هستند، با خطچین نمایش داده شدهاند. همچنین، نقاط بار و مکانهای کاندیدا برای نصب تجهیزات کلیدزنی در هر فیدر با شمارۀ مربوط نشان داده شدهاند.
2-4- فرضیهها و پارامترها در این مقاله، نرخ خرابی خطوط هوایی و کابلهای زمینی بهترتیب 065/0 و 040/0 خرابی در هر سال در هر کیلومتر در نظر گرفته شده است [24]. همچنین، تعمیر خطوط هوایی و کابلهای زمینی بهترتیب سه و دوازده ساعت طول میکشد [24]. مقاومت خطوط هوایی و کابلهای زمینی 5/0 و 3/0 و راکتانس آنها بهترتیب 4/0 و 2/0 اهم در هر کیلومتر است. ضریب توان مشترکین 85/0 فرض شده است. عملیات کلیدزنی دستی و کنترل از راه دور بهترتیب یک ساعت و پنج دقیقه طول میکشد [25]. هزینههای خرید و نصب یک بریکر، RCS و MS بهترتیب 6000، 4700 و 3400 دلار در نظر گرفته شده است [25]. هزینۀ تعمیر و نگهداری سالیانۀ تجهیزات کلیدزنی 2 درصد هزینههای خرید و نصب آنها فرض شده است [25]. نرخ نزول بهره 8 درصد لحاظ شده است [25]. بودجه برای خرید و نصب تجهیزات کلیدزنی 150000 دلار فرض شده است. افق برنامهریزی 15 سال است [25]. گفتنی است، مقادیر بالا میانگین سالانه هستند. مطابق مراجع [26] و [27]، وزن شاخصهای ENS، SAIDI و SAIFI در تابع هدف بهترتیب 516/0، 217/0 و 267/0 در نظر گرفته شده است. در تابع هدف مسئلۀ بهینهسازی 5/0 لحاظ شده است. در این مقاله، از روش تحلیل سلسلهمراتبی [27] برای انتخاب وزنهای شاخصهای قابلیت اطمینان استفاده شده است. مطابق این روش، در ابتدا، پرسشنامههایی توسط بهرهبرداران سیستم توزیع توان الکتریکی تکمیل میشوند که نشاندهندۀ اهمیت نسبی شاخصهای قابلیت اطمینان برای بهرهبرداران هستند. سپس، بر اساس پرسشنامههای تکمیلشده و تحلیل آنها، وزنهای شاخصهای قابلیت اطمینان بهازای نظر هر بهرهبردار تعیین میشوند. گفتنی است، با محاسبۀ نرخ سازگاری، از همخوانی پاسخهای دادهشده توسط هر بهرهبردار اطمینان حاصل میشود. پس از ارزیابی نتایج بهدستآمده، در نهایت، وزنهای استخراجشده از نظر بهرهبرداران با استفاده از میانگین هندسی با یکدیگر ادغام میشوند و وزنهای نهایی به دست میآیند. 3-4- ساخت مدل دادهمحور جایگزین در این مقاله، بیش از 46000 نمونه مربوط به نقاط کاندیدای فیدرهای توزیع مختلف تولید شدهاند. برای ارزیابی دقت مدلها، 20 درصد دادهها به عنوان آزمایش به صورت تصادفی انتخاب شدهاند. در این مقاله، از الگوریتم بهینهسازی بیزی[13] برای تعیین نوع و تعداد لایهها، تابع تبدیل نورونها، نرخ خروج نورونها، روش وزندهی اولیه و نرخ یادگیری مدلهای یادگیری ماشین استفاده شده است. گفتنی است، تعداد نورونها و تابع تبدیل آنها در لایۀ خروجی مدلهای دادهمحور به نوع مدل وابسته است. در مدلهای دستهبندی پایه، یک نورون در لایۀ خروجی با تابع تبدیل سیگموئید قرار دارد. در فرامدل، چهار نورون در لایۀ خروجی قرار دارند که تابع تبدیل آنها بیشینههموار[14] است. 4-4- نتایج عددی و تحلیل آنها در این مقاله، معیار امتیاز F1[15] به عنوان معیار ارزیابی مدل دادهمحور جایگزین در نظر گرفته شده است. علاوه بر این، ماتریسهای درهمریختگی[16] برای پیشبینی مکانهای بهینۀ بریکرها، RCSها و MSها توسط مدل دادهمحور جایگزین در شکل (4) گزارش شدهاند. مطابق شکل (4)، معیارهای پوشش[17]، صحت[18] و امتیاز F1 برای پیشبینی کلاس نصب بریکر، بهترتیب برابر 64/80، 37/66 و 81/72 درصد هستند. به عبارت دیگر، 64/80 درصد از نقاط بهینه برای نصب بریکر بهدرستی توسط مدل دادهمحور جایگزین پیشبینی شدهاند. همچنین، 37/66 درصد از نقاطی که توسط مدل دادهمحور جایگزین برای نصب بریکر پیشنهاد شدهاند، مکانهای بهینه بودهاند. به همین صورت، معیار پوشش برای پیشبینی کلاسهای نصب RCS، نصب MS و عدم نصب تجهیز، بهترتیب برابر 00/74، 97/77 و 81/97 درصد است. برای مثال، این نتایج نشان میدهند برای 81/97 درصد از نقاطی که برای نصب تجهیز مناسب نبودهاند، بهدرستی کلاس عدم نصب کلید پیشبینی شده است. معیار صحت برای پیشبینی کلاسهای نصب RCS، نصب MS و عدم نصب تجهیز، بهترتیب برابر 50/75، 04/79 و 10/98 درصد است. مطابق این نتایج، در 10/98 از نقاطی که برای آنها کلاس عدم نصب کلید پپشبینی شده است، نصب کلید بهینه نبوده است. متوسط معیار امتیاز F1 برای چهار کلاس که دقت مدل دادهمحور جایگزین را نشان میدهد، برابر 00/81 درصد است که دقتی مناسب است.
شکل (4): ماتریس درهمریختگی مربوط به مدل دادهمحور جایگزین برای پیشبینی کلاسهای الف) نصب بریکر، ب) نصب RCS، پ) نصب MS و ت) عدم نصب کلید در ادامه، مدل دادهمحور جایگزین و مدل کلاسیک روی سیستم توزیع 144 نقطۀ بار نمونه اجرا و نتایج مقایسه میشوند. در جدول (3)، مکانهای تجهیزات کلیدزنی موجود به همراه مکانهای تجهیزات جدید با بهکارگیری مدل پیشنهادی و مدل کلاسیک گزارش شده است. مطابق جدول (3)، برخی از نقاط پیشبینیشده با مدل دادهمحور جایگزین یکسان یا نزدیک به نقاط بهدستآمده از مدل کلاسیک هستند. برای ارزیابی اثربخشی طرحهای کلیدگذاری پیشنهادشده، میزان بهبود در تابع هدف مسئلۀ بهینهسازی پس از اجرای طرحهای پیشنهادی محاسبه و در جدول (4) گزارش شده است. مطابق جدول (4)، طرح کلیدگذاری بهدستآمده از مدل کلاسیک باعث بهبود 30/38 درصد تابع هدف نسبت به مقدار آن قبل از کلیدگذاری میشود. همچنین، طرح کلیدگذاری بهدستآمده از مدل دادهمحور جایگزین به 30/31 درصد بهبود تابع هدف منجر میشود. گفتنی است، در سیستم 144 نقطۀ بار نمونه، روش کلاسیک به جواب بهینۀ عمومی رسیده است؛ با اینحال، رویکرد پیشنهادی با خطایی حدود 7 درصد، به جوابی نزدیک به بهینۀ عمومی رسیده است. همچنین، از نظر زمان اجرا، رویکرد پیشنهادی بسیار سریعتر از مدل کلاسیک است. از سوی دیگر، با افزایش ابعاد سیستم توزیع، روش کلاسیک به دلیل محدودیت منابع محاسباتی ناکارآمد خواهد شد؛ در حالی که زمان اجرا و بار محاسباتی روش پیشنهادی با افزایش ابعاد سیستم چندان تغییر نخواهند کرد.
جدول (3): مکانهای نصب تجهیزات کلیدزنی در سیستم توزیع 144 نقطۀ بار نمونه
جدول (4): مقایسۀ بین نتایج بهدستآمده از اجرای مدلها روی سیستم توزیع 144 نقطۀ بار نمونه
در ادامه، جمعبندی از نتایج بهدستآمده از منظرهای مختلف ارائه شده است:
5- نتیجهگیری در این مقاله، مدلی مبتنی بر یادگیری ماشین گروهی آموزش داده شد که به طور مستقیم مکان بهینۀ نصب بریکر، سکسیونر قابلکنترل از راه دور و سکسیونر دستی را پیشبینی میکند. نتایج مطالعات عددی نشان داد روش دادهمحور پیشنهادی مکان بهینۀ تجهیزات کلیدزنی را در چند ثانیه برای یک سیستم توزیع نمونۀ واقعی پیشبینی میکند؛ در حالی که روش مبتنی بر برنامهریزی خطی ترکیبشده با عددصحیح بعد از 96 دقیقه به جواب نهایی رسید. همچنین، نتایج نشان داد جواب پیشبینیشده توسط مدل پیشنهادی کمتر از 7 درصد تا جواب بهینۀ عمومی فاصله دارد. گفتنی است، بار محاسباتی روش کلاسیک با افزایش ابعاد سیستم به صورت نمایی افزایش مییابد و مقیاسپذیر نیست؛ در حالی که روش دادهمحور پیشنهادی در هر سیستمی قابل اجرا است؛ بنابراین، روش دادهمحور پیشنهادی بهرهبرداران سیستم قدرت را قادر میسازد تا مسئلۀ جایابی بهینۀ تجهیزات کلیدزنی را در سیستمهای واقعی بزرگ بدون استفاده از الگوریتمهای بهینهسازی ریاضی حل کنند.
سپاسگزاری این اثر تحت حمایت مادی صندوق حمایت از پژوهشگران و فناوران کشور (INSF) برگرفتهشده از طرح شمارۀ «4013203» انجام شده است.
[1] تاریخ ارسال مقاله: 26/12/1402 تاریخ پذیرش مقاله: 10/06/1403 نام نویسندۀ مسئول: محمد رستگار نشانی نویسندۀ مسئول: ایران، شیراز، دانشگاه شیراز، دانشکدۀ فنی و مهندسی برق و کامپیوتر
[1] Remote-controlled switch [2] Manual switch [3] Branch-and-bound [4] Branch-and-cut [5] Cutting-plane [6] Expected energy not supplied [7] System average interruption frequency index [8] System average interruption duration index [9] Mixed-integer linear programming [10] Ensemble learning [11] Meta-model [12] Blender [13] Bayesian [14] Softmax [15] F1-score [16] Confusion matrix [17] Recall [18] Precision | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
[1] A. Shahbazian, A. Fereidunian, S. D. Manshadi, "Optimal Switch Placement in Distribution Systems: A High-Accuracy MILP Formulation", IEEE Transactions on Smart Grid, Vol. 11, No. 6, pp. 5009-5018, 2020. [2] T. Zhang, C. Wang, F. Luo, P. Li, L. Yao, "Optimal Design of the Sectional Switch and Tie Line for the Distribution Network Based on the Fault Incidence Matrix", IEEE Transactions on Power Systems, Vol. 34, No. 6, pp. 4869-4879, 2019. [3] M. Jooshaki, S. Karimi-Arpanahi, M. Lehtonen, R. J. Millar, M. Fotuhi-Firuzabad, "An MILP Model for Optimal Placement of Sectionalizing Switches and Tie Lines in Distribution Networks With Complex Topologies", IEEE Transactions on Smart Grid, Vol. 12, No. 6, pp. 4740-4751, 2021. [4] P. Gangwar, S. Kesherwani, S. Chakrabarti, S. N. Singh, "Multiobjective Multiscenario Framework for RCS Placement in Unbalanced Distribution Systems Considering Uncertainty", IEEE Systems Journal, Vol. 16, No. 2, pp. 2811-2821, 2022. [5] N. Gholizadeh, S. Hosseinian, M. Abedi, H. Nafisi, P. Siano, "Optimal Placement of Fuses and Switches in Active Distribution Networks Using Value-Based MINLP", Reliability Engineering and System Safety, Vol. 217, p. 108075, 2022. [6] D. Xie, M. Liu, L. Xu, W. Lu, "Optimal Coordinated Configuration of Distributed Generations and Sectionalizing Switches Using Bi-level Programming Approach", 2020 International Conference on Smart Grids and Energy Systems (SGES), pp. 734-739, 2020. [7] M. Isapour Chehardeh, C. Hatziadoniu, "Optimal Placement of Remote-Controlled Switches in Distribution Networks in the Presence of Distributed Generators", Energies, Vol. 12, No. 6, p. 1025, 2019. [8] M. Zare-Bahramabadi, M. Ehsan, H. Farzin, "An MILP Model for Switch, DG, and Tie Line Placement to Improve Distribution Grid Reliability", IEEE Systems Journal, Vol. 17, No. 1, pp. 1316-1327, 2023. [9] S. Azarhazin, H. Farzin, E. Mashhour, "An MILP Model for Reliability-Based Placement of Recloser, Sectionalizer, and Disconnect Switch Considering Device Relocation", Sustainable Energy, Grids and Networks, Vol. 35, p. 101127, 2023. [10] P. Salyani, R. Nourollahi, K. Zare, R. Razzaghi, "A New MILP Model of Switch Placement in Distribution Networks with Consideration of Substation Overloading During Load Transfer", Sustainable Energy, Grids and Networks, Vol. 32, p. 100944, 2022. [11] Z. Galias, "Tree-Structure Based Deterministic Algorithms for Optimal Switch Placement in Radial Distribution Networks", IEEE Transactions on Power Systems, Vol. 34, No. 6, pp. 4269-4278, 2019. [12] M. Safari, M. Haghifam, M. Zangiabadi, "A Hybrid Method for Recloser and Sectionalizer Placement in Distribution Networks Considering Protection Coordination, Fault Type and Equipment Malfunction", IET Generation, Transmission, and Distribution, Vol. 15, No. 15, pp. 2176-2190, 2019. [13] M. Shafik, H. Chen, G. Rashed, "Planning and Reliability Assessment to Integrate Distributed Automation System into Distribution Networks Utilizing Binary Hybrid PSO and GSA Algorithms Considering Uncertainties", International Transactions on Electrical Energy Systems, Vol. 30, No. 11, p. e12594, 2020. [14] F. Leite, A. Gomes, L. Melo, R. Sampaio, R. Leão, G. Barroso, J. Bezerra, "Efficient Switch Placement for Power Distribution Systems using Pareto Optimality Multiobjective Function", 2019. [15] H. Gholizade-Narm, Y. Damchi, M. Ghorbani Jouybari, "Optimal Switch Placement in Real Distribution Network considering Cut-out Fuses, the Importance of Feeders and Ring Points in the Presence of Distributed Generation using Improved Bee Algorithm (Case Study: Mazandaran Distribution Network)", Computational Intelligence in Electrical Engineering, Vol. 10, No. 4, Januray 2020. [16] M. Abedini, R. Eskandari, J. Ebrahimi, M. H. Zeinali, A. Alahyari, "Optimal Placement of Power Switches on Malayer Practical Feeder to Improve System Reliability Using Hybrid Particle Swarm Optimization with Sinusoidal and Cosine Acceleration Coefficients", Computational Intelligence in Electrical Engineering, Vol. 11, No. 2, July 2020. [17] M. Gao, J. Yu, Z. Yang, J. Zhao, "A Physics-Guided Graph Convolution Neural Network for Optimal Power Flow", IEEE Transactions on Power Systems, Vol. 39, No. 1, pp. 380-390, 2024. [18] J. Wu, P. B. Luh, Y. Chen, B. Yan, M. A. Bragin, "Synergistic Integration of Machine Learning and Mathematical Optimization for Unit Commitment", IEEE Transactions on Power Systems, Vol. 39, No. 1, pp. 391-401, 2024. [19] T. Han, D. J. Hill, "Learning-Based Topology Optimization of Power Networks", IEEE Transactions on Power Systems, Vol. 38, No. 2, pp. 1366-1378, 2023. [20] Z. Yin, X. Ji, Y. Zhang, Q. Liu, X. Bai, "Data-Driven Approach for Real-Time Distribution Network Reconfiguration", IET Generation, Transmission, and Distribution, Vol. 14, No. 13, pp. 2450-2463, 2020. [21] M. Rastegar, "Impacts of Residential Energy Management on Reliability of Distribution Systems Considering a Customer Satisfaction Model", IEEE Transactions on Power Systems, Vol. 33, No. 6, pp. 6062-6073, 2018. [22] M. Izadi, A. Safdarian, M. Moeini-Aghtaie, M. Lehtonen, "Optimal Placement of Protective and Controlling Devices in Electric Power Distribution Systems: A MIP Model", IEEE Access, Vol. 7, pp. 122827-122837, 2019. [23] M. Ebrahimi, M. Rastegar, "Sample 11 kV substation data", 15 Mar. 2023. [Online]. Available: https://drive.google.com/drive/folders/1JmmbgNqBKJx_Bby8dK1KLCKAhi2x4k-j?usp=share_link. [Accessed 15 Mar 2023]. [24] M. Jooshaki, S. Karimi-Arpanahi, M. Lehtonen, R. J. Millar, M. Fotuhi-Firuzabad, "Reliability-Oriented Electricity Distribution System Switch and Tie Line Optimization", IEEE Access, Vol. 8, pp. 130967-130978, 2020. [25] M. Izadi, A. Safdarian, M. Moeini-Aghtaie, M. Lehtonen, "Optimal Placement of Protective and Controlling Devices in Electric Power Distribution Systems: A MIP Model", IEEE Access, Vol. 7, pp. 122827-122837, 2019. [26] M. Amohadi, M. Fotuhi-Firuzabad, "Optimal Placement of Switching and Protection Devices in Radial Distribution Networks to Enhance System Reliability using the AHP-PSO Method", Turkish Journal of Electrical Engineering and Computer Sciences, Vol. 27, No. 1, pp. 181-196, 2019. [27] R. Saaty, "The Analytic Hierarchy Process—What It is and How It Is Used", Mathematical Modelling, Vol. 9, No. 3-5, pp. 161-176, 1987. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
آمار تعداد مشاهده مقاله: 35 تعداد دریافت فایل اصل مقاله: 38 |