ارزیابی قابلیت اطمینان سیستم های قدرت مرکب با استفاده از روش کات ست مارکوف
Publish place: The first National Conference on Building Energy and City
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,103
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CBEC01_063
تاریخ نمایه سازی: 16 شهریور 1395
Abstract:
در ارزیابی قابلیت اطمینان سیستم قدرت،معمولاً شکست اجزاء مستقل فرض شده و شاخص های قابلیت اطمینان با روشهایی براساس قانون ضرب احتمالات محاسبه می گردند. اما در برخی موارد،مثلاً هنگامیکه تغییرات شرایط آب و هوایی در نظر گرفته میشود فرضیات قبلی فاقد اعتبار می باشند.معمولاً،دو نوع متولوژی به نام های تحلیلی و شبیه سازی برای حل این مشکل پذیرفته می شود. در این مقاله DC-OPF براساس روش کات ست مارکوف (DCOPF-MCSM) برای ارزیابی قابلیت اطمینان سیستم قدرت مرکب با درنظر گرفتن تأثیرات آب و هوایی ارائه شده است. روش ارائه شده از نظریه ی DC-OPF برای تعیین مینیمم کات ست (MCS) به اندازه ی مرتبه ی از قبل تعیین شده،استفاده می کند و سپس برای محاسبه ی شاخص های قابلیت اطمینان MCSM را به کار می برد. در گام دوم،فرآیند مارکوف برای اجزای MCS تعیین شده (و اتصالاتشان)، به جای سیستم کامل،به کار می رود.از آنجایی که همه ی MCS سیستم قدرت (و اتصالاتشان)، غیرعملی و غیرضروری محسوب می شوند،در این مقاله الگوریتمی برای محاسبه ی حدود شاخص های قابلیت اطمینان ارائه شده که به صورت خودکار ماتریس حالت اتفاقی (TRM) برای MCS تعیین شده (و اتصالاتشان) تولید می کند.روش ارائه شده روی یک سیستم تست قابلیت اطمینان (RTS) IEEE آزمایش شد و نتایج با NESS شان مقایسه می شود.این پیاده سازی اثبات می کند که روش ارائه شده مؤثر و کارا بوده و به طور مناسبی عملکرد مورد نظر سیستم های بیشتری را باهم ادغام نماید.
Keywords:
Authors
رضا باغی پور
اداره آموزش و پرورش شهرستان آمل
زهرا بور
دانشگاه صنعتی نوشیروانی بابل
رضا ایلکا
دانشگاه فنی و حرفه ای ، دانشکده فنی امام صادق(ع) بابل
حسین اصغرپورعلمداری
دانشگاه فنی و حرفه ای ، دانشکده فنی امام صادق(ع) بابل
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 :