بهبود برآورد و عملکرد در پخش بار بهینه با استفاده از شبکه عصبی بیزین

طراحی و توسعه آینده سیستم با توجه به رشد بار ولزوم اضافه کردن ژنراتورها، ترانسفورماتورها و خطوط جدید در سیستم قدرت، بدون مطالعه پخش بار امکان پذیر نیست. ضرورت مطالعات پخش بار بهینه نیز علاوه بر موارد ذکرشده برای پخش بار جهت رسیدن به توابع هدف است که در این مقاله، هزینه سوخت ژنراتورها، تلفات توان اکتیو شبکه و شاخص بارپذیری شبکه مورد استفاده قرار گرفته است. بنابراین با استفاده از شبکه عصبی مصنوعی و مقایسه دو الگوریتم پس انتشار خطا از این نوع شبکه و تعریف مدل، به بررسی و تحلیل پخش بار بهینه پرداخته شده است. با استفاده از نمایه های ارزیابی مدل و آزمون مرگان-گرنجر-نیوبلد (MGN) عملکرد این دو الگوریتم مورد تحلیل و مقایسه قرار گرفته اند. از روش آماری بوت استرپینگ نیز برای رسیدن به بهترین عملکرد برای بهبود برآورد پخش بار بهینه استفاده شده است. به منظور کاهش گام ها با خطای کمتر از ۱% برای بهبود برآورد پخش بار بهینه با بهینه سازی توابع تک هدفه مذکور، شبکه های عصبی بیزین و پرسپترون در شبکه استاندارد ۳۰ شین IEEE مورد بررسی قرار گرفته اند. نتایج، نقش موثر شبکه عصبی بیزین بوت استرپ شده را از لحاظ عملکرد در نرم افزار متلب نشان می دهد.

Keywords:

Estimation , Optimal Power Flow (OPF) , Bayesian Neural Network , Bootstrap , MGN Test. , برآورد (تخمین) , پخش بار بهینه , شبکه عصبی بیزین , بوت استرپینگ , آزمون MGN.