علیرضا حاتمی

در این مقاله روشی مبتنی بر شبکه‌های عصبی حافظه طولانی کوتاه‌مدت (LSTM) برای پیش‌بینی ناپایداری بلند مدت ولتاژ در شبکه‌های انتقال و توزیع به ‌هم ‌پیوسته پیشنهاد شده است. شبکه عصبی با استفاده از اطلاعات برخط واحدهای اندازه‌گیری فازور، وضعیت پایداری ولتاژ شبکه را رصد می‌کند و در صورت پیشامدی در شبکه، با استفاده از اطلاعات قبل از رخداد و پس از آن، به ارزیابی وضعیت پایداری ولتاژ می‌پردازد. در واقع شبکه عصبی به‌عنوان ابزاری کمکی، اپراتور شبکه را از خطرات احتمالی پیشروی ناشی از ناپایداری ولتاژ پس از پیشامد رخداد در شبکه به‌سرعت آگاه می‌سازد. داده‌های لازم برای آموزش شبکه عصبی در حالت غیربرخط از نتایج پیشامد رخدادهای شبیه‌سازی ‌شده فراهم شده است. برای تولید سناریوهای مختلف، با درنظرگرفتن رشد بار در مناطق مستعد به ناپایداری ولتاژ، پیشامد رخدادهای (N-1) و (N-1-1) شبیه‌سازی و ارزیابی شده‌اند. برای ارزیابی عملکرد شبکه عصبی پیشنهادی، از شبکه توسعه‌یافته نوردیک استفاده شده است. در فرآیند آموزش شبکه عصبی، با استفاده از شیفت زمانی مناسب رخداد تمام پیشامدها به ثانیه دهم انتقال‌یافته تا شبکه عصبی، تنها تفاوت الگوهای رفتاری را آموزش ببیند. شبکه عصبی LSTM از خانواده شبکه‌های عصبی عمیق بازگشتی است که قادر است وابستگی‌های طولانی‌مدت احتمالی را دریافت و حفظ کند. به این ترتیب هر گونه تغییرات در ورودی ها، در فواصل زمانی مختلف دنبال می‫شود. شباهت خط سیر ویژگی های ورودی در ناپایداری بلند مدت ولتاژ به سری های زمانی، امکان استفاده از توانایی شبکه عصبی عمیق بازگشتی برای حل مسئله مطرح شده را فراهم کرده است. دقت پیش‌بینی شبکه عصبی در ثانیه هفدهم (7 ثانیه پس از پیشامد رخداد) 05/99 درصد است. همچنین تأثیر کاهش ورودی‌های شبکه عصبی با خوشه بندی داده‌های ورودی مورد بررسی قرار گرفته است.