Büyük güç sistemlerinin yapay sinir ağları kullanarak olasılıksal dinamik güvenliğinin değerlendirilmesi

Son yıllarda kensintisiz olarak işletilmesi mümkün olmayan enerji kaynaklarının yoğun kullanımı nedeniyle, olasılıksal dinamik güvenlik değerlendirmesi büyük önem kazanmıştır. Konvansiyonel deterministik çalışmalar, belirsizlikler altında güç sistemleri için doğru güvenlik değerlendirmeleri sağlamayabilir. Bu nedenle, karar vericilere daha güvenilir değerlendirmelere dayanılarak uygun önleyici kontrol faaliyetleri için olasılıksal yaklaşımlar gereklidir. Bu tezde, büyük bir güç sisteminin öngörülen bir çalışma noktası için olasılıksal güvenlik değerlendirmesini gerçekleştirmek için yeni bir metodoloji önerilmiştir. Bu yaklaşım hem geçici hem de küçük sinyal açı kararlılığı analizleri için uygulanabilir. Bir güç sistemindeki temel belirsizlik, yüklerin ve rüzgar enerjisi üretim birimlerinin belirsizliklerinden kaynaklanmaktadır; Bu nedenle, rüzgar enerjisi üretim ünitelerinin aktif güç çıkışı ve yüklerin aktif güç talebi rastgele değişken olarak kabul edilir. Büyük bir güç sisteminin dinamik güvenlik değerlendirmesi için önerilen metodolojinin ana amacı, öngörülen bir çalışma koşulunun riskini hesaplamaktır. Riski hesaplamak için sistemin dinamik performansının olasılık dağılımı gereklidir. Sistem performansının olasılık dağılımını elde etmek için Monte Carlo simülasyon yöntemi, işlemin hesaplama yükünü azaltmak ve doğruluğunu artırmak için bazı ek çabalarla kullanılır. Sistem performansının olasılık dağılımını daha doğru bir şekilde elde etmek için dağılımın sol kuyruk bölgesi, bir Genelleştirilmiş Pareto (GP) dağılımı ile yerleştirilir ve geri kalan kısım normal bir dağılım ile yerleştirilir. GP dağılımı uydurmak için, bir aşırılık örneğinin elde edilmesi gereklidir, ancak söz konusu örneğin elde edilmesinde sadece dinamik simülasyonlardan yararlanılması, önemli miktarda uzun bir zaman gerektirir. Aşan örnek oluşturma sürecinin hesaplama yükünü azaltmak için, sinir ağları ve nitelik seçme yöntemleri gibi makine öğrenme yaklaşımları kullanılır. xxvi İşlem, sinir ağının eğitimi için bir veri kümesinin oluşturulmasıyla başlar. Eğitilen sinir ağı, aşan bir numune oluşturma sırasında, ele alınan bir çalışma noktasındaki sistem performansını tahmin etmek için kullanılır. Aşım örneği, sistem performanslarının önceden tanımlanmış bir eşiğin altına düşmesine neden olan örnek elemanları içerir. Bu örneklerin çoğunun örnekleme olasılığının düşük olması nedeniyle, makul büyüklükte bir örnek elde etmek için çok sayıda örnek elemanı incelenmelidir. Bununla birlikte, dinamik simülasyonlar kullanarak büyük bir örnekteki tüm elemanları doğrudan ayırt etmek, çevrimiçi uygulamalarda uygun olmayacaktır. Aşırı bir hesaplama çabası gerektiren kapsamlı dinamik simülasyonların yerine, eğitilen sinir ağı, her çalışma noktasının sistem performansını daha verimli bir şekilde kestirmesi nedeniyle, uygun bir büyüklüğe sahip aşım örneği oluşturmak için kullanılır. Latin Hiperküp Örnekleme tekniği, rastgele değişkenlerin alanını eşit olarak örneklemek ve sinir ağının eğitimi için veri kümesinin örneklerini üretmek için kullanılır. Her bir örnek elemanı için Optimal Güç Akışı çözümü bulunmuş ve yeni çalışma noktaları elde edilmiştir. Üretilen her bir çalışma noktası için bir dizi dinamik simülasyon uygulanır ve sistem performansı hesaplanır. Sinir ağının eğitimi için başlangıçta oluşturulan veri kümesi büyük olasılıkla sistem performansıyla alakalı olmayan nitelikleri de içerdiğinden, ilgili nitelikleri bulmak için güvenilir ve hızlı bir nitelik seçimi algoritması olan Relief kullanılabilir. Böylece, bu yaklaşımla, eğitme zamanın azaltılmasıyla birlikte, sinir ağının performansı artırılmış olur. Metodolojinin bir sonraki adımı uygun Monte-Carlo örnekleme tekniği ile örnek elemanları üretmek ve sistem performansına ait bir başlangıç olasılık dağılımını elde etmektir. Markov-Zinciri Monte-Carlo örnekleme yönteminin bir türü olan Gibbs örnekleme tekniği, sistem performansı normal dağılımında kullanılan çalışma koşullarını oluşturmak için kullanılır. Rastgele değişkenler arasındaki korelasyon varlığı göz önüne alındığında, Gibbs örneklemesi, yeni çalışma koşulları üretmek için uygun bir yöntem olarak seçilmiştir. Yeni üretilen her çalışma durumu için Optimal Güç Akışı (OPF) çözümü bulunur ve elde edilen çalışma noktası için sistem performansı, dinamik simülasyon ile hesaplanır. xxvii Gibbs örneklemesi için gereken çalışma noktası sayısı, sistem performansına ait örnek standart sapmasına, kabul edilebilir hataya ve güven seviyesine göre belirlenir. Sistem performansının örnek standart sapması, sinir ağını eğitmek için daha önce oluşturulmuş olan veri kümesine dayanarak hesaplanır. Bu çalışmada, maksimum tolere edilebilir hata ve güven seviyesi sırasıyla, % 5 ve % 95 olarak belirlenmiştir. Bu kabul, yaptığımız hatanın % 5'ten az olduğundan % 95 emin olduğumuz anlamına gelmektedir. Genelleştirilmiş Pareto (GP) dağılım uydurması için gereken aşan numune eğitilmiş olan sinir ağı yardımıyla üretilir. İlk olarak, LHS yöntemiyle çok sayıda örnek oluşturulur ve daha sonra, aşma örnek elemanı adayı olarak, yerine koymaksızın, tek tek rastgele bir örnek elemanı seçeriz. Her bir seçilen örnek elemanı için sistem performansı, sinir ağı tarafından öngörülür. Sistem performansı belirtilen eşik değerden düşükse, bu aday aşım örneğine dahil edilir; yoksa atılır. Her aşım örneğinin sistem performansı ayrıca, aşırılıklarını da doğrulayan bir dinamik simülasyon yoluyla hesaplanır. Bu işlem, aşım örneği toplanana kadar devam eder. Bu çalışma noktalarındaki sistem performansının GP dağılımına uydurlması için kullanılır. Ele alınan tahmini bir çalışma koşulu için sistem performansının tüm olasılık dağılımı, yukarıdaki iki uydurulmuş (normal ve GP) dağılımlar birleştirerek elde edilir. Tahmini bir çalışma koşuluna ait olasılıksal bir güvenlik değerlendirmesi yapmak için, bir risk analizi yapılmıştır. Risk analizini gerçekleştirmek için, sistem performansıyla ilişkili bir şiddet fonksiyonu seçilir. Bu çalışmada, şiddet fonksiyonu bir birim adım ve bir ikinci dereceden fonksiyonun birleşimi olarak seçilmiştir. Sistem performansının olasılık yoğunluk fonksiyonunun ve ilgili şiddet fonksiyonunun çarpımı, tahmini çalışma koşullarının riskinin hesaplanmsında kullanılır.