کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

مدل جانشین مبتنی بر شبکه‌ عصبی عمیق برای برآورد سریع تلفات در شبکه‌های توزیع قابل بازپیکربندی

نویسندگان :

محمد یاسین رحمتی دروازی¹ حسین افراخته²

1- دانشگاه گیلان 2- دانشگاه گیلان

کلمات کلیدی :

مدل‌های جانشین داده محور،شبکه‌ی عصبی عمیق،شبکه‌های توزیع فعال،منابع انرژی پراکنده،تحلیل برخط

چکیده :

با گسترش منابع انرژی پراکنده (DER) در شبکه‌های توزیع فعال (ADN)، نیاز به ابزارهای کارآمد برای تحلیل برخط به‌ویژه برآورد تلفات شبکه به‌منظور بهینه‌سازی و کنترل، افزایش یافته است. هرچند حل پخش‌بار AC دقت بالایی دارد، اما برای ارزیابی‌های پرتکرار پرهزینه و زمان‌بر است. در این پژوهش، یک مدل جانشین ساده‌شده مبتنی بر شبکه عصبی عمیق (DNN) برای سیستم تست ۳۳ باس IEEE ارائه می‌شود که صرفاً بر پیش‌بینی مجموع تلفات شبکه متمرکز است. این مدل با داده‌هایی آموزش دیده که از بارهای تصادفی، تزریق‌های DER، راهبری سامانه‌های ذخیره‌ساز انرژی و بازپیکربندی وضعیت سوئیچ‌ها تولید شده‌اند. نتایج نشان می‌دهد مدل پیشنهادی با خطای درصدی مطلق میانگین (MAPE) کمتر از 1.5% و زمان استنتاج کمتر از 0.5 میلی‌ثانیه، بیش از ۱۰۰ برابر سریع‌تر از روش‌های مرسوم عمل می‌کند. در فرآیند تولید داده، با اعمال کنترل قابلیت‌پذیری توپولوژیکی (اتصال‌پذیری و شعاعی‌بودن)، از معناداری فیزیکی پیش‌بینی‌ها اطمینان حاصل شده است. ارزیابی‌ها کارایی مدل را برای کاربردهای برخط در شبکه‌های با توپولوژی متغیر و نفوذ بالای منابع تجدیدپذیر را تأیید می‌کند.