ارزیابی قابلیت اعتماد سیستم های قدرت - گاز طبیعی یکپارچه در حضور منابع ذخیره گاز: مدل مبتنی بر یادگیری ماشین
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 32
نسخه کامل این Paper ارائه نشده است و در دسترس نمی باشد
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-15-2_002
تاریخ نمایه سازی: 31 تیر 1403
Abstract:
با ادغام سیستم قدرت و گاز طبیعی ( IPGS )، این دو سیستم با اشتراک انرژی بین یکدیگر، قادر به ارائه توان الکتریکی و همچنین گازی هستند. با وجود این، اختلال ایجادشده در یک سیستم، به ایجاد اختلال در عملکرد مطلوب دیگر سیستم منجر می شود؛ بنابراین، ارزیابی قابلیت اعتماد IPGS، امری اجتناب ناپذیر است. در این مقاله، یک مدل ارزیابی قابلیت اعتماد مبتنی بر الگوریتم های یادگیری ماشین در حضور منابع ذخیره انرژی گازی با در نظر گرفتن عدم قطعیت های موجود در نرخ شکست المان های IPGS ارائه شده است. در این راستا، از شبیه سازی مونت کارلو پیاپی ( SMCS ) و یک برنامه حذف بار بهینه برای محاسبه شاخص های قابلیت اعتماد سیستم استفاده می شود. سپس برای رده بندی المان ها براساس اهمیت آنها در قابلیت اعتماد کل سیستم، الگوریتم جنگل تصادفی ( RF ) پیشنهاد شده است. مدل پیشنهادی روی سیستم ۱۴ باس IEEE و سیستم گاز طبیعی ۱۰ گره گازی در نرم افزارهای MATLAB، GAMS و Python انجام شده است. نتایج شبیه سازی نشان می دهند با در نظر گرفتن منابع ذخیره گازی، بهبود قابلیت اعتماد سیستم قدرت و گاز طبیعی به ترتیب به میزان ۱۲/۲ و ۳/۸ درصد و به طور کلی قابلیت اعتماد IPGS به میزان ۲۵/۵ درصد ارتقا می یابد. همچنین، اولویت بندی این منابع در IPGS تعیین شده است.
Keywords:
ارزیابی قابلیت اعتماد , سیستم قدرت و گاز طبیعی یکپارچه , یادگیری ماشین , جنگل تصادفی , شبیه سازی مونت کارلو پیاپی
Authors
مصطفی شبانیان پوده
دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
رحمت الله هوشمند
استاد گروه برق، دانشکده فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :