صالح رازینی

در سال‌های اخیر روش‌های رگرسیون یادگیری ماشین برای ارزیابی حاشیه پایداری ولتاژ به کار گرفته می‌شود که با استفاده از اطلاعات بدست آمده از شاخص‌های پایداری ولتاژ، وضعیت پایداری ولتاژ شبکه را بررسی می کند.درصورت اختلالی در شبکه با استفاده از اطلاعات قبل از اختلال و پس از آن، به ارزیابی وضعیت پایداری ولتاژ می‌پردازد.در این تحقیق ازچندین روش یادگیری ماشین برای تخمین حاشیه بارگذاری بر اساس روش‌های رگرسیون و همچنین شاخص‌های پایداری ولتاژ استفاده می‌شود.سناریوهای مختلفی برای تغییرات بار و دامنه‌ی ولتاژ ژنراتورها در نظر گرفته می‌شود. از شرایط بهره‌برداری مختلف شبکه پخش‌بارگرفته می‌شود و شاخص‌های پایداری و حاشیه بارگذاری برای شرایط متفاوت بهره‌برداری محاسبه می‌شود.این تحقیق یک رویکرد یادگیری ماشین برای پیش‌بینی حاشیه پایداری ولتاژ بلند مدت ارائه می‌کند. ویژگی تکنیک پیشنهادی استفاده از شاخص‌های پایداری ولتاژهای مختلف به عنوان ورودی به مجموعه‌ای از مدل‌های یادگیری ماشین است.همچنین این تحقیق یک روش برای تولید داده‌های آموزشی تحت شرایط عملیاتی مختلف، و موارد احتمالی N-1 برای آموزش مدل‌های یادگیری ماشین ارائه می‌دهد. ورودی‌‌ها و خروجی‌های‌ مدل، به ترتیب مقادیر فازورهای ولتاژ و شاخص حاشیه پایداری ولتاژ هستند.بهترین الگوریتم یادگیری ماشین و دسته‌های ورودی VSIs از طریق یک مطالعه مقایسه‌ای انتخاب می‌شوند.این مطالعات برروی سیستم IEEE 14 bus وIEEE 39 bus انجام شده و نتایج نشان می‌دهد که بهترین عملکرد برای روش شبکه عصبی مصنوعی بدست می‌آید.روش‌های یادگیری ماشین مختص هریک از موضوعات در قسمت مربوطه بحث و بررسی می‌شوند و در انتها چالش‌ها و روش‌های پیشنهادی در زمینه یادگیری ماشین برای بهبود کارایی سیستم قدرت برای آینده ارائه شده است