25191

جايابي بهينه تجهيزات اندازه‌گيري در شبكه‌هاي توزيع چند ناحيه‌اي شده با هدف تخمين حالت

دكتري

مهندسي برق-قدرت-سيستمهاي قدرت

93

1400/3/10

دكتر حيدرعلي شايانفر- مهندس احد كاظمي

مهندسي برق

اين رساله، به موضوع تخمين‌ حالت چند ناحيه‌اي در شبكه توزيع پرداخته و الگوريتمي جهت بهبود تخمين حالت در شبكههاي توزيع ناحيهبندي شده ارائه مي‌دهد. همچنين يك تابع هدف جديد چند منظوره تطبيقي در مساله جانمايي تجهيزات اندازه‌گير فازور، با در نظر گرفتن شرايط تخمين حالت شبكه توزيع ناحيه‌بندي شده، پيشنهاد مي‌كند. در ابتدا، طراحي ساختار تخمين حالت چند ناحيه‌اي به طوري كه پاسخگوي نياز آينده شبكه‌هاي توزيع باشد، پيشنهاد مي‌گردد. سپس با توجه به ساختار طراحي شده الگوريتمي با هدف بهبود دقت تخمين حالت در يك شبكه ناحيه‌بندي شده پيشنهاد مي‌شود. اين پيشنهاد بر اساس نتايج يك بررسي دقيق رياضي در مورد نحوه تاثير اطلاعات انتقالي مربوط به باس مشترك بين نواحي با هدف حذف اثرات منفي نحوه بكارگيري اطلاعات مربوط به باس مشترك در تخمين نهايي شبكه ارائه شده است. براي اين منظور در الگوريتم پيشنهادي، از ابزار آموزش ماشين جهت تامين اطلاعات تخمين حالت باس مشترك با تعريف يك معيار خاص، استفاده شده است. عملكرد ابزار آموزش ماشين پيشنهادي همچنين الگوريتم تخمين حالت ناحيه‌بندي شده پيشنهادي بر روي شبكه‌هاي نمونه توزيع مورد ارزيابي قرار گرفته شد. نتايج نشان دهنده كارايي ابزار آموزش پيشنهادي همچنين الگوريتم تخمين حالت پيشنهادي بوده است. در مرحله بعد با توجه به نتايج حاصله تابع هدفي جديد براي جانمايي تجهيزات اندازه‌گيري پيشنهاد شد. در روش پيشنهادي، تمام اجزاي خطاي نهايي تخمين حالت (واريانس خطاي برآورد و باياس برآورد) در مسئله جانمايي تجهيزات اندازه‌گيري نقش خواهند داشت. عملكرد تابع هدف و ساير معيارهاي پيشنهادي در شبكه‌هاي نمونه مورد ارزيابي قرار گرفته شد. نتايج مطالعه نشان دهنده برتري جانمايي تجهيزات اندازه‌گير فازور با تابع هدف پيشنهادي از ديدگاه بهبود دقت تخمين حالت ناحيه‌بندي‌شده و همچنين توزيع تجهيزات جانمايي شده مي‌باشد.

1400/06/21

Optimal meter placement in a multi area distribution system for state estimation

5/31/2022 12:00:00 AM

This study addressed the problem of multi-area state estimation in a clustered distribution system and proposed a novel multi-objective function for phasor measurement unit placement involving all the state estimation error components (estimation error variance and estimation bias). Distribution networks are inherently expansive and comprise a multitude of nodes. This issue increases the state estimation computation time and makes it inapplicable for control of sophisticated distribution networks. Multi-area state estimation is a technique to reduce computation time while concerning computation accuracy. Many efforts are required to reach a perfect algorithm, followed by the optimization of different parameters of the proposed algorithms. This paper performed a precise mathematical analysis of the impact made by the common (shared) node exchanged information between the areas in the multi-area state estimation algorithm. Furthermore, a new iterative multi-area state estimation algorithm equipped with machine learning tools was designed based on analytical detections for enhancing the convergence speed and accuracy of the estimation results. The improvement was evaluated in two clustered networks with 356 and 711 nodes. The results indicated the benefits provided by the proposed modification in terms of convergence speed and accuracy with minimum data exchanges in an iterative multi-area distribution network. Due to the lack of enough metering devices in the distribution networks compared with the transmission networks, it is burdensome to estimate the clustered distribution network state. This subject could lead to biased state estimation in the multi-area state estimation problem. The developed adaptive decision coefficients weighted different state quantities in the proposed function based on their contributions in the estimation error. The proposed objective function was compared with two known functions including minimizing estimation error variance and minimizing the maximum value of estimation deviation. The obtained results on IEEE 33 and UKGDS 356 node networks verified the effectiveness and comprehensiveness of the proposed method in clustered distribution networks.

تخمين حالت چند ناحيه‌اي , جانمايي اندازه‌گير فازور , تبادل اطلاعات , آموزش ماشين , تابع برازش

Multi area state estimation , PMU placement , Data exchange , Machine learning , Fitness function