| نوع مدرک: | متون چاپی |
| سرشناسه | عابدی ، مسعود، نویسنده |
| شماره بازیابی : | EES 6 1404 |
| عنوان : | بهبود پارامترهای پایداری شبکههای توزیع انرژی الکتریکی هوشمند مبتنی بر روشهای یادگیری عمیق |
| عنوان موازی : | Improving the stability parameters of smart electric energy distribution networks based on deep learning methods |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1404 |
| صفحه شمار: | 133ص |
| شابک/شاپا | 26071 |
| یادداشت | پایان نامه برای دریافت درجه کارشناسی ارشد :در رشته مهندسی برق
گرایش مدیریت و برنامه ریزی انرژی الکتریکی |
| شناسه افزوده : | شفیعی ، احمد رضا، استاد راهنما |
| توصیفگرها | یادگیری عمیق، شبکه توزیع انرژی الکتریکی، پایداری شبکه، قابلیت اطمینان، شبکه عصبی LSTM Deep Learning، Electric Energy Distribution Networks، Stability، Reliability، LSTM Neural Networks |
| چکیده : | ارزیابی دقیق زیرساختهای شبکه قدرت بهمنظور شناسایی آسیبپذیریهای بالقوه و ارتقاء پایداری و قابلیت اطمینان، یکی از عناصر بنیادین در برنامهریزی استراتژیک سیستمهای قدرت و کاهش اختلالات ناشی از بهرهبرداری ناپایدار محسوب میشود. در این راستا، روشهای گوناگونی برای تحلیل آسیبپذیری شبکه توسعه یافتهاند که شامل شبیهسازی سناریوهای خاص، استراتژیهای حفاظتی و مدلسازیهای ریاضی هستند؛ اما اغلب این رویکردها بهصورت مستقل و بدون تعامل تحلیلی با یکدیگر بهکار گرفته شدهاند. در سالهای اخیر، یادگیری عمیق بهعنوان رویکردی نوین و قدرتمند برای تحلیل رفتار شبکههای قدرت، بهویژه در شرایط بحرانی و پرریسک، مورد توجه ویژه قرار گرفته است. این روشها به دلیل توانایی در تحلیل وابستگیهای زمانی و استخراج الگوهای پنهان از دادههای عملیاتی، پتانسیل بالایی در افزایش پایداری و تابآوری شبکههای توزیع انرژی الکتریکی دارند. در این پژوهش، یک روش ترکیبی مبتنی بر شبکههای عصبی بازگشتی حافظهدار (LSTM) برای تحلیل و بهبود پایداری در شبکههای توزیع پیشنهاد شده است. ساختار پیشنهادی، با طراحی یک مدل گرافی هوشمند از شبکه توزیع برق، ویژگیهای توپولوژیکی و الکتریکی متعددی را از ساختار فیزیکی شبکه استخراج میکند. سپس با بهرهگیری از الگوریتمی جهت انتخاب ویژگیهای متمایز با بیشترین ارتباط و کمترین افزونگی، دادههای ورودی به مدل LSTM برای پیشبینی و طبقهبندی سطوح آسیبپذیری و ناپایداری در شبکه فراهم میشوند. نتایج تجربی نشان میدهد که مدل پیشنهادی با دستیابی به دقت 96.89 درصد و صحت 97.5 درصد، توانسته است رفتار پویای سیستم توزیع را بهطور قابلاعتماد تحلیل کرده و در برابر اختلالات، پاسخ دقیق و پایداری ارائه دهد. این عملکرد برتر، حاصل استفاده هدفمند از ویژگیهای ساختاری شبکه قدرت و بهرهگیری از توان تحلیل زمانی در LSTM است. روش ارائهشده در این پژوهش، یک ابزار هوشمند و کارآمد برای پایش، مدیریت و افزایش پایداری در شبکههای توزیع انرژی الکتریکی به شمار میرود و میتواند در طراحی آیندهنگرانه زیرساختهای هوشمند انرژی و مدیریت بلادرنگ اختلالات شبکه مورد استفاده قرار گیرد |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=14907 |
| زبان مدرک : | فارسی |
بهبود پارامترهای پایداری شبکههای توزیع انرژی الکتریکی هوشمند مبتنی بر روشهای یادگیری عمیق (1404) / عابدی ، مسعود، نویسنده