مشکل پایداری ولتاژ ، بخاطر خاموشی های (قطع برق ) که بخاطر افت ولتاژ بوجود آمده اند ، یکی از مهمترین چالش ها در امر برنامه ریزی و عملیات سیستم های نیروی برق جدید شده است . عدم پایداری ولتاژ معمولاً توسط کاهش مقدماتی و تصاعدی در مقدار ولتاژ مشخص می شود ، تا زمانیکه یک افت سریع روی دهد ؛ اما در برخی موارد ، مقدار ولتاژ قبل از اینکه محتمل تغییر ، زیاد می شود. در یک محدوده ی مجاز قرار می گیرد و اپراتورها دیگر هیچ علامت هشداری مشاهده نمی کنند تا زمانیکه تغییرات بزرگ در وضعیت سیستم روی دهد. بنابراین ، طی چند سال گذشته ، تلاش های زیادی به پیشرفت و توسعه ی اندازه-گیری عملی فاصله از وضعیت عملیاتی جاری تا نقطه ای افت ولتاژ اختصادی یافته است ، که موجب آن هشداری اولیه از یک وضعیت بحرانی را فراهم می سازند.

*روش های موجود برای آنالیز پایداری ولتاژ معمولاً به روش های استاتیک (ایستا، ساکن)

(مانند منحنی های PV و آنالیز شرطی ) ، و روش های دینامیکی (پویا) (مانند شبیه سازی قلمرو زمانی ) تقسیم می شوند . روش های استاتیک مبتنی بر مدل جریان نیروی یکنواخت سیستم های نیرو می باشند و جنبه های بسیاری از مشکلات پایداری ولتاژ را می توان به طور مؤثری با استفاده از این روش ها آنالیز نمود ؛ اما ، این گونه رویکردهای ساده سازی شده معمولاً منجر به نتایج غیر قابل اتکائی می گردند همانطور که در {4} نشان داده شده . به منظور رسیدن به تصویری حقیقی (واقع گرایانه) تر از پدیده ی پایداری ولتاژ ، لازم است دینامیک های سیستم را مورد توجه قرار دهیم. از سوی دیگر ، کاربرد روش های دینامیک ممکن است برای کاربرد آنلاین خیلی وقت گیر باشند.

کاربرد شبکه های عصبی مصنوعی (ANN ها ) راه جالب توجهی برای غلبه بر مشکلات فوق الذکر می باشند ANN ها سیستم های پردازش اطلاعات هستند که از روشی که سیستم های عصبی بیولوژی داده ها را پردازش می کنند ، الهام گرفته اند . کاربرد شبکه های عصبی برای مشکلات سیستم نیرو حوزه ای از تحقیقات است که در حال جلب توجه بسیاری است . علل عمده ی آن توانایی ANN ها در یادگیری روابط غیر خطی پیچیده و ساختارهای مقیاسی (modular ) آنهاست که امکان پردازش موازی را فراهم می سازند.

روش های که در گذشته برای دیده بانی پایداری ولتاژ آنلاین با استفاده او از ANN ها پیشنهاد شدند ، منجربه نتایج قابل قبولی شده اند . همانطور که در جدول 1 خلاصه شده ، اکثر کارهای مطالعاتی منتشر شده در نوشته های تحقیقاتی مبتنی بر شبکه های عصبی چند لایه ی Perceptron (MLP )می باشند ، درحالیکه دیگر روش ها روی شبکه های کارکرد با مبنای رادیویی (RBF) تکیه می کنند .

روش هایی که قبلاً انتشار یافتند اغلب نیازمند تعداد زیادی متغیرهای ورودی هستند . داشتن ورودی های زیاد نه تنها اندازه ی ANN ، بلکه هزینه و زمان مورد نیاز برای جمع آوری داده های آتی را افزایش می دهد . در این مقاله ، روشی سریع و مؤثر برای تعداد متغیر های ورودی پیشنهاد می شود. اکنون ابتدا فرآیند متعامد سازی Gram-Schmidt برای کاهش تعداد متغیرهای ورودی بکار می رود ، و سپس حساسیت مبتنی بر شبکه عصبی پیشنهادی در {21} برای یافتن حداقل تعداد ویژگی¬های مورد نیاز برای انجام بر آوردی درست از یک حد و مرز پایداری ولتاژ (VSM) بکار می رود. VSM بصورت فاصله از وضعیت عملیات جاری و کنونی تا ماکزیمم نقطه حد پایداری ولتاژ (نقطه تلاشی ولتاژ ) مطابق با پارامتر بارگیری سیستم تعریف می شود.

در عمل ، ممکن است یک سیستم نیرو با محدوده ی وسیعی از احتمالات در طول شرایط عملیاتی واقعی اش روبرو شود ، مانند قطع برق پیش بینی نشده ی خطوط . زمانیکه تصادفی روی می دهد . توپولوژی (پیکر بندی) سیستم تغییر می کند و ممکن است ANN آماده شده در فراهم سازی بر آوردی دقیق از VSM ناتوان بماند ، چون قادر نخواهد بود که به درستی به رابطه ای ورودی – خروجی دست یافت . کارهای تحقیقاتی ارائه شده در {20 ،9 ،7} از یک ANN جداگانه برای بر آورد VSM برای هر پیکر بندی (احتمال وقوع) سیستم استفاده می کنند . برای یک سیستم نیروی بزرگ ، با تعداد زیادی احتمالات وقوع تصادفات معتبر ، آماده سازی یک ANN جداگانه برای هر پیکر بندی حاصل ، یک کار مورد نیاز خواهد بود . بنابراین ، در کار مطالعات حاضر ، تمام قطع برق های منفرد و مجزای خط آنالیز شده و در ترتیب نزولی با توجه به VSM شان مرتب می شوند و سپس یک MLP ANN مجزا برای برآورد VSM برای شرایط عملیاتی مبنا و برای تعدادی معین از برترین احتمالات نمونه بکار می رود.

طرح دیده بانی پایداری ولتاژ آنلاین پیشنهادی روی سیستم نیروی 10 دستگاه با 39 باس (bus) در نیوانگلند (New Englaw ) و سیستم نیروی استرالیای جنوبی / شرقی (SE ) ساده سازی شده اعمال می گردد، مدل های دینامیکی درجه بالا را برای ژنراتورها و رگلدتورهای ولتاژ اتوماتیک آنها (AVR ها) در نظر می گیرند. چون پدیده ی افت (تلاشی) ولتاژ کاملاً تحت تاثیر حدود تولید نیروی انفعالی دستگاه های همزمان هستند ، حدود تولید نیروی و انفعالی نیز در این مقاله تحمیل می شود. ابزار نرم افزاری منبع باز و آزاد مبتنی بر MATLAB PSAT (جعبه ابزار آنالیز سیستم نیرو) در این مقاله برای بدست آوردن الگوهای آماده سازی وآزمایشی برای ANN ها با انجام روش جریان نیروی تمدید (CPF) روی سیستم های آزمایش بکار می رود، در حالیکه مدل های شبکه عصبی پیشنهادی در MATLAB پیاده سازی می کنند.

بقیه ی این مقاله بصورت زیر ساماندهی می شود : کاربرد VSM دیده بانی پایداری ولتاژ در بخش 2 توصیف می-شود . بخش 3 به معرفی شبکه های عصبی پرداخته و روش تحقیق درباره ی روش پیشنهادی را ارائه می کند. بخش 4 روش به خدمت گرفته شده برای انتخاب تدریج وقوع احتمال نمونه را شرح می دهد . جزئیات روش بکار رفته برای کاهش تعداد ویژگی های ورودی در بخش 5 توصیف می شوند . نمونه های مطالعاتی در بخش 6 ارائه می شوند و سرانجام بخش 7 مقاله را نتیجه گیری می کند.

عدم پایداری ولتاژ از تلاش های بارها برای کشیدن نیروی بیشتری نسبت به مقداری که می توان با سیستم های انتقال و تولید آزاد کرد ، حاصل می شود. فرض کنید که یک سیستم نیروی ساده به طور پایداری در سطح بارگیری مشخصی عمل می کند. شکل 1 یا تغییر ولتاژ یک باس (گذر گاه) بار ویژه در سیستم در مقابل یک پارامتر بارگیری λ ،که نمایانگر یک پارامتر سیستم مستقل که به کندی تغییر می کند ، مانند بارهای فعال و انفعال مزایا نجاره تولید فعال را نشان می دهد. برای بارگیری سیستم زیر مقدار ماکزیمم ، دو راه حل وجود دارد، یکی با ولتاژ بالاتر (پایدار) ، و دیگری با ولتاژ پائینتر (غیر پایدار) . زمانیکه بارگیری سیستم به دنبال یک مسیر مشخص افزایش می یابد ، این راه حل ها به یکدیگر نزدیک می شوند و سرانجام در یک نقطه بحرانی با هم یکی می شوند . این نقطه ای دماغه یا نقطه ای از شکاف گاه saddle –node (SNB ) با ماکزیمم نیروی قابل مخابره متناظر است . افزایش بارگیری سیستم فراتر از این نقطه می تواند منجر به این شود که کل سیستم دارای افت (تلاشی) ولتاژ شود.