شماره ركورد
33727
پديد آورنده
علي عبدالرضا
عنوان
چارچوب جامع پيشبيني لغزش قطب در ژنراتور سنكرون
مقطع تحصيلي
دكتري تخصصي (PhD)
رشته تحصيلي
مهندسي برق- سيستمهاي قدرت
سال تحصيل
1398
تاريخ دفاع
1404/6/26
استاد راهنما
ابو الفضل واحدي
استاد مشاور
عليرضا سبوحي
دانشكده
دانشكده مهندسي برق
چكيده
پايداري گذرا، بهعنوان يكي از جنبههاي حياتي پژوهش در سيستمهاي قدرت، موضوع اصلي اين پاياننامه است. اين موضوع تعيين ميكند كه آيا سيستم در برابر اغتشاشات شديد پايدار باقي ميماند يا خير. در سالهاي اخير، روشهاي يادگيري ماشين و يادگيري عميق (ML/DL) بهطور گسترده براي پيشبيني شرايط پايداري گذرا به كار گرفته شدهاند. اين پاياننامه يك چارچوب انعطافپذير براي استفاده از تعداد دلخواه الگوريتمهاي يادگيري ماشين ارائه ميدهد و نتايج آنها را با هم تركيب ميكند تا بهترين پيشبيني بهينه از پايداري گذرا (TSP) استخراج شود. اين پيشبيني شامل وضعيت پايداري (پايدار/ناپايدار) و زمان باقيمانده تا ناپايداري همراه با دقت مربوطه است. براي نشان دادن كارايي چارچوب پيشنهادي، بهعنوان نمونه چهار روش مختلف يادگيري ماشين مورد استفاده قرار گرفتهاند: رگرسيون لجستيك (LR)، ماشين بردار پشتيبان (SVM)، درخت تصميم (DT)، و نزديكترين همسايه K (KNN). اين چارچوب خروجي روشهاي ML را در دو مرحله با در نظر گرفتن دقت پيشبيني وابسته به زمان تركيب ميكند: مرحلهٔ اول: پيشبيني وضعيت پايداري با استفاده از سيستم رأيگيري سخت (Hard Voting). مرحلهٔ دوم: برآورد زمان باقيمانده تا ناپايداري با استفاده از سيستم رأيگيري نرم (Soft Voting). خروجي نهايي اين رويكرد، منحنيهاي پويا و وابسته به زمان براي پيشبيني وضعيت و زمان پايداري است. دقت پيشبيني با اندازهٔ داده تغيير ميكند و ميتواند به 100٪ برسد. همچنين، زمان باقيمانده تا ناپايداري بهطور ميانگين با خطاي 0٫03 ثانيه قابل پيشبيني است. مطالعات تكميلي نشان ميدهند كه عواملي مانند نويز، دادههاي مفقود، و وروديهاي مهم چه تأثيري بر پيشبينيها دارند. دادههاي پايداري از نرمافزار DIgSILENT PowerFactory جمعآوري شده و روي سيستم 39 شينه IEEE آزمايش گرديده است. افزون بر اين، چارچوب پيشنهادي با استفاده از نرمافزار پايتون (PYTHON) پيادهسازي شده است.
تاريخ ورود اطلاعات
1404/06/31
عنوان به انگليسي
A COMPREHENSIVE FRAMEWORK FOR POLE-SLIPPING PREDICTION OF THE SYNCHRONOUS GENERATOR
تاريخ بهره برداري
9/17/2026 12:00:00 AM
دانشجوي وارد كننده اطلاعات
علي عبدالرضا
چكيده به لاتين
Transient stability, a crucial aspect of power system research, is the subject of this thesis. It determines the systemʹs stability under severe disturbances. In recent years, Machine/Deep Learning (ML/DL) techniques have been widely applied to predict transient stability conditions. This thesis presents a flexible framework for using the desired number of ML algorithms and combines the results of them to extract the final optimal transient stability prediction (TSP). This prediction includes stability status (stable/unstable) and remaining time until instability is labeled with related accuracy. To show the effectiveness of the proposed framework, for instance, four different ML approaches are used: Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), and K-nearest neighbor (KNN). The introduced framework combines the output of ML methods in two stages, considering the time-dependent prediction accuracy; the first stage predicts stability status by using a hard voting system, and the second stage estimates the remaining time until instability with a soft voting system. The final optimal outputs of the proposed approach are dynamic time-dependent curves for the prediction of stability status and time. The prediction accuracy changes by data size and can reach 100% and the remaining time until instability can be predicted with 0.03 seconds error, on average. Supplementary studies examine how noise, missing data, and important inputs affect the projections. The stability dataset is collected from the DIgSILENT Power Factory and tested on the IEEE 39-bus system. Also, the proposed framework is coded with PYTHON software.
كليدواژه هاي فارسي
/
كليدواژه هاي لاتين
/
Author
ALI Abdalredha
SuperVisor
Dr. Abolfazl Vahedi