جستجو
ارزیابی احتمالاتی جریان اتصال کوتاه در شبکههای قدرت دارای منابع تولید پراکنده مبتنی بر روش نمونهبرداری قطعی
پرستو خادمی آستانه1
چکیده :
افزایش نفوذ منابع تولید پراکنده، بهویژه منابع تجدیدپذیر بادی و خورشیدی، موجب افزایش عدم قطعیت در بهرهبرداری و برنامهریزی شبکههای قدرت شده است. یکی از چالشهای مهم در این شبکهها، تحلیل دقیق جریان اتصال کوتاه به منظور طراحی تجهیزات حفاظتی، تنظیم سامانههای حفاظتی و ارزیابی قابلیت اطمینان شبکه است. روشهای متداول تحلیل اتصال کوتاه معمولاً بر اساس مقادیر ثابت پارامترهای شبکه انجام میشوند و اثر همزمان عدم قطعیت تولید منابع تجدیدپذیر و تغییرات بار مصرفی را در نظر نمیگیرند. از سوی دیگر، اگرچه روش مونتکارلو توانایی مناسبی در تحلیل احتمالاتی سیستمهای قدرت دارد، اما دستیابی به دقت آماری مطلوب در این روش نیازمند تعداد زیادی نمونهبرداری بوده و موجب افزایش هزینه محاسباتی میشود. در این مقاله، یک چارچوب احتمالاتی مبتنی بر روش مونتکارلو قطعی برای تحلیل جریان اتصال کوتاه در شبکههای قدرت دارای منابع تولید پراکنده ارائه شده است. در روش پیشنهادی، فضای عدم قطعیت شامل توان تولیدی منابع بادی، خورشیدی و تغییرات بار به صورت قطعی نمونهبرداری شده و اثر این پارامترها بر جریان اتصال کوتاه با استفاده از مدل معادل تونن و استاندارد بینالمللی محاسبات اتصال کوتاه ارزیابی میشود. همچنین، اثر مشارکت منابع تولید پراکنده در جریان خطا با استفاده از ضریب مشارکت جریان خطای معادل مدلسازی شده است.
به منظور ارزیابی عملکرد روش پیشنهادی، نتایج حاصل از روش مونتکارلو قطعی با روش مرجع مونتکارلو با تعداد ۱۰۰۰۰ نمونه تصادفی مقایسه شده است. شبیهسازیها بر روی سیستم استاندارد ۱۴ شینه انجام شده و نتایج نشان میدهد که روش پیشنهادی با استفاده از تنها ۲۰۲۸ نقطه نمونهبرداری قطعی، قادر است ویژگیهای آماری جریان اتصال کوتاه شامل مقدار میانگین، انحراف معیار، تابع چگالی احتمال و تابع احتمال تجمعی را با دقت مشابه روش مرجع بازسازی کند. همچنین، تحلیل حساسیت نشان میدهد که افزایش سطح نفوذ منابع تولید پراکنده موجب افزایش جریان اتصال کوتاه شده، در حالی که افزایش امپدانس معادل تونن شبکه باعث کاهش سطح جریان خطا میشود.
نتایج این پژوهش نشان میدهد که روش پیشنهادی میتواند به عنوان یک ابزار کارآمد برای تحلیل احتمالاتی جریان اتصال کوتاه در شبکههای قدرت مدرن مورد استفاده قرار گیرد. کاهش تعداد ارزیابیهای محاسباتی در کنار حفظ دقت آماری، مهمترین مزیت روش ارائهشده نسبت به روشهای نمونهبرداری تصادفی متداول است و میتواند در مطالعات برنامهریزی، حفاظت و بهرهبرداری شبکههای دارای سهم بالای منابع تجدیدپذیر کاربرد داشته باشد.
کلمات کلیدی : منابع تولید پراکنده تحلیل جریان اتصال کوتاه تحلیل احتمالاتی روش مونتکارلو قطعی انرژیهای تجدیدپذیر مدلسازی عدم قطعیت شبکههای قدرت
زبان مقاله : فارسی
محور مقاله : مهندسی مکانیک و برق (کلیه گرایش ها)
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABKACH
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABKACH
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems