تعیین ناحیۀ قابل تخصیص ژنراتورهای متداول در حضور منابع تجدیدپذیر با به‌کارگیری روش یادگیری عمیق مجهز به یک مفسر هوشمند

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 دانشجوی دکتری، دانشکدۀ فنی و مهندسی، دانشگاه لرستان، خرم‌آباد، ایران

2 استاد، دانشکدۀ فنی و مهندسی، دانشگاه لرستان، خرم‌آباد، ایران

3 دانشیار، دانشکدۀ فنی و مهندسی، دانشگاه لرستان، خرم‌آباد، ایران

چکیده

 افزایش نرخ نفوذپذیری منابع تجدیدپذیر در سیستم‌های قدرت به واسطۀ ماهیت متغیر و عدم قطعیت در آنها، چالش‌های زیادی را در بهره‌برداری از شبکه‌های برق و همچنین تعیین ناحیۀ قابل تخصیص ایجاد کرده است. روش‌های تحلیلی ریاضی برای تعیین این‌گونه نواحی، به دلیل نیاز به مدل‌سازی دقیق و حل مسائل بهینه‌سازی غیرخطی با ابعاد بزرگ، معمولاً با چالش‌های محاسباتی مانند زمان‌بربودن، نبود حل‌کننده‌های غیرخطی مناسب و سریع و عدم کارایی آنها در فعالیت‌های زمان-واقعی مواجه هستند. این مقاله، به منظور تعیین ناحیۀ قابل تخصیص، راه‌حلی نوین با بهره‌گیری از قابلیت و مزایای روش‌های هوش مصنوعی مانند یادگیری عمیق مجهز به یک مفسر و تحلیل‌گر هوشمند (XAI) ارائه می‌کند که می‌تواند رفتار مدل را تحلیل و عوامل کلیدی مؤثر بر تعیین نواحی قابل تخصیص را شناسایی کند. علاوه ‌بر آن، به منظور مقاوم‌کردن مسئلۀ تعیین ناحیۀ قابل تخصیص در برابر نوسانات بار، تغییرات بار نیز در نظر گرفته می‌شود. نتایج شبیه‌سازی‌های انجام‌شده بر روی سیستم قدرت نمونۀ استاندارد IEEE 30-bus نشان‌دهندۀ دقت و سرعت بسیار زیاد مدل پیشنهاد شده نسبت به روش‌های دقیق است و امکان تعیین ناحیۀ قابل تخصیص در شرایط تغییر بار را نیز فراهم می‌کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Determining the Dispatchable Region of Conventional Generators in the Presence of Renewable Resources Using a Deep Learning Method with an Explainable AI Interpreter

نویسندگان [English]

  • Ali Beiranvand 1
  • MahmoodReza Shakarami 2
  • Meysam Doostizadeh 3
1 Dept. of Electrical Engineering, University of Lorestan, KhoramAbad, Iran
2 Dept. of Electrical Engineering, University of Lorestan, KhoramAbad, Iran
3 Dept. of Electrical Engineering, University of Lorestan, KhoramAbad, Iran
چکیده [English]

The increasing penetration rate of renewable resources in power systems, due to their variable nature and uncertainty, has created many challenges in the operation of power networks and also in the determination of the dispatchable region. Mathematical analytical methods for determining such regions, due to the need for accurate modeling and solving large-scale nonlinear optimization problems, often face computational challenges such as time consumption, a lack of suitable and fast nonlinear solvers, and their inefficiency in real-time operations. To determine the dispatchable region, this paper presents a new solution using the capabilities and advantages of artificial intelligence methods such as deep learning, equipped with Explainable Artificial Intelligence (XAI) and an analyzer that can analyze the behavior of the model and identify key factors affecting the determination of dispatchable regions. Furthermore, to make the problem of determining the dispatchable region robust against load uncertainty, load variations are also considered. The results of simulations performed on the IEEE-30 Bus standard power system indicate the high accuracy and speed of the proposed model compared to exact methods, and it also allows for the determination of the dispatchable region under load change conditions.

کلیدواژه‌ها [English]

  • Real-Time Operations
  • Dispatchable Region
  • Deep Learning
  • Renewable Resources
  • Explainable Artificial Intelligence

1- مقدمه

[1]

امروزه، سیستم‌های قدرت به واسطۀ افزایش نرخ نفوذپذیری منابع تجدیدپذیر در آنها، با چالش‌های بسیار زیادی از نظر امنیت، انعطاف‌پذیری، حفاظت و عدم قطعیت در تولید مواجه هستند [1]. سرعت نرخ رشد استفاده از منابع تجدیدپذیر در سال‌های اخیر به صورت فزاینده‌ در حال افزایش بوده است؛ به گونه‌ای که مطابق بررسی‌های انجام‌شده توسط [2]، پیش‌بینی می‌شود حدود ۳۲ درصد از کل برق تولیدی در اتحادیۀ اروپا توسط منابع تجدیدپذیر تأمین شود و این نرخ تولید توان توسط این منابع هرساله در حال افزایش است. در بین سال‌های 2011-۲۰20، تولید توان توسط منابع تجدیدپذیر در اروپا و آسیا به ترتیب حدود 5/52  و 39/66 درصد افزایش داشته است. با توجه به رشد روزافزون توان تولیدی توسط منابع تجدیدپذیر، شبکۀ قدرت باید قابلیت تحمل آن را داشته باشد و اپراتورهای سیستم قدرت باید بتوانند در سریع‌ترین زمان ممکن، برنامه‌ریزی‌های لازم برای نحوۀ تخصیص توان توسط ژنراتورها را انجام دهند. در این مقاله، سعی بر آن است که به منظور جلوگیری از تزریق بیش از حد توان توسط منابع تجدیدپذیر به شبکۀ قدرت، ناحیۀ قابل قبول برای میزان توان تولیدی منابع تجدیدپذیر تعریف شود. با توجه به ماهیت بزرگ‌مقیاس‌بودن شبکۀ قدرت و زمان‌بربودن انجام محاسبات پخش بار، از ابزارهای هوش مصنوعی مانند یادگیری عمیق مجهز به یک مفسر هوشمند (XAI)[1] کمک گرفته خواهد شد.

در سال‌های گذشته، مطالعات زیادی در ارتباط با تعیین ناحیۀ قابل تخصیص [2](DR) انجام شده‌اند. مرجع [3] ناحیۀ قابل تخصیص را برای منابع تولید توان بادی ارائه می‌کند. مرجع [4] ابتدا منطقه یا ناحیۀ قابل تخصیص را تعریف و سپس بیان می‌کند منطقۀ قابل تخصیص به ناحیه‌ای گفته می‌شود که در آن، بیشینۀ تولید توان توسط منابع تجدیدپذیر با در نظر گرفتن قیود و محدودیت‌های شبکۀ قدرت تعیین می‌شود. سپس، حساسیت ژنراتورهای متداول شبکه را نسبت به مرزهای این ناحیه محاسبه می‌کند. مرجع [5] بر اساس قیود امنیتی یک سیستم قدرت، تعیین ناحیۀ امنیتی به منظور کنترل میزان توان تزریقی توسط منابع تجدیدپذیر به شبکه‌های نمونۀ استاندارد IEEE مانند 9، 30 و ۱۱۸ شینه را بررسی می‌کند. مرجع [6] نیز یک مدل جدید برای تعیین ناحیۀ امنیتی بهره‌برداری احتمالی [3](POSR) را برای منابع تجدیدپذیر دارای نرخ نفوذ زیاد در سیستم قدرت ارائه می‌کند و به منظور کاهش فضای جست‌وجوی حل مسئله، از یک الگوریتم ابتکاری استفاده و مرزهای این ناحیه را تعیین می‌کند. مرجع [7]، علاوه بر در نظر گرفتن توان اکتیو در محاسبات تعیین ناحیۀ قابل تخصیص، توان راکتیو را نیز در محاسبات لحاظ کرده و با استفاده از یک الگوریتم ابتکاری توانسته است ناحیۀ قابل تخصیص ژنراتورهای متداول را تحت تأثیر عدم قطعیت زیاد منابع تجدیدپذیر تعیین کند.

علاوه ‌بر مفاهیم ناحیۀ قابل تخصیص و ناحیۀ امنیتی که اوایل در بسیاری از نوشتارها در نظر گرفته می‌شد، در سال‌های بعد، از مفاهیمی دیگر مانند ناحیۀ انعطاف‌پذیر، ناحیۀ ممکن، ناحیۀ حل‌پذیری و ناحیۀ مجاز نیز استفاده شده است که همگی تقریباً دارای مفاهیمی یکسان هستند. برای مثال، مرجع [8] تعیین ناحیۀ ممکن (FR)[4] برای شبکه‌های توزیع سه فاز نامتعادل را بررسی می‌کند. مرجع [9] نیز به تعیین ناحیۀ ممکن برای شبکه‌های توزیع به منظور مشارکت این شبکه‌ها در بازار انرژی سطح انتقال توجه دارد. مرجع [10] با هدف اطمینان از حل‌پذیربودن پخش بار در یک شبکۀ توزیع، تعیین ناحیۀ مجاز برای منابع تجدیدپذیر را بررسی می‌کند. مرجع [11] از نظر حل‌پذیربودن پخش بار AC، تعیین ناحیۀ حل‌پذیری یک سیستم قدرت در حضور منابع تجدیدپذیر را بررسی و تمامی مرزهای آن را از طریق حل یک مسئلۀ بهینه‌سازی چندهدفه تعیین می‌کند.

با توجه به زمان‌بربودن تعیین دقیق کلیۀ مرزهای ناحیۀ قابل تخصیص و همچنین عدم فعال‌شدن بسیاری از این مرزها، با توجه به محدودیت‌های میزان توان خروجی منابع تجدیدپذیر، مرجع [12] با استفاده از روش داده‌محور و به‌کارگیری خروجی‌های تاریخی منابع تجدیدپذیر، تعیین مرزهای بالقوۀ فعال (PABs)[5] را بررسی کرده است. این کار باعث افزایش سرعت در تعیین مرزها و جلوگیری از حل مستقیم مسئلۀ پیچیدۀ تعیین مرزها و نواحی قابل تخصیص به روش تحلیلی می‌شود. استفاده از چنین روشی شاید بتواند مرزهای ناحیۀ قابل تخصیص را به صورت داده‌محور ارائه کند، اما به دلیل عدم داشتن حافظه برای به خاطر سپردن جواب‌های مربوط به میزان توان تولیدی ژنراتورهای متداول به‌ازای تغییرات ایجادشده در میزان توان منابع تجدیدپذیر، لازم است به‌ازای هر بار تغییر در خروجی منابع تجدیدپذیر، عملیات حل پخش بار سیستم قدرت برای تعیین خروجی واحدهای متداول انجام شود. به‌کارگیری چنین روشی در شبکه‌های قدرت بزرگ‌مقیاس عملاً امکان‌پذیر نیست و در برابر تغییرات بار سیستم قدرت نیز مقاوم نخواهد بود.

در این مقاله، با بهره‌گیری از مزایای روش یادگیری عمیق که در سال‌های اخیر کاربردهای زیادی در حل مسائل پخش بار داشته است [13]، [14]، [15] و [16]، تعیین ناحیۀ قابل تخصیص ژنراتورهای متداول در یک سیستم قدرت نمونه بررسی خواهد شد.

با مرور مطالعات انجام‌شده در زمینۀ تعیین ناحیۀ قابل تخصیص، می‌توان دریافت روش‌های موجود با چالش‌های زیر مواجه هستند:

  • روش‌های تحلیلی ریاضی: نیازمند مدل‌سازی دقیق و حل مسائل بهینه‌سازی غیرخطی با ابعاد بزرگ و عدم کارایی در کاربردهای زمان-واقعی.
  • روش‌های داده‌محور: زمان‌بربودن انجام محاسبات پرحجم در صورت ازدیاد منابع تجدیدپذیر در شبکه و همچنین عدم مقاوم‌بودن در برابر تغییرات بار و نیاز به حل مکرر پخش بار.
  • روش‌های مبتنی بر یادگیری عمیق در ناحیۀ مجاز: تمرکز بیشتر بر تعیین مرزهای ناحیه و عدم توجه کافی به تحلیل حساسیت عناصر شبکه و شناسایی عوامل بحرانی.
  • روش‌های تفسیرپذیر OPF: تمرکز بیشتر بر تفسیر ضرایب مدل به‌جای ارائۀ تحلیل‌های فیزیکی از رفتار سیستم قدرت.

بر این اساس، شکاف پژوهشی اصلی این مقاله فقدان یک چارچوب یکپارچه است که بتواند موارد زیر را به صورت هم‌زمان انجام دهد:

  • تعیین ناحیۀ قابل تخصیص ژنراتورهای متداول در حضور منابع تجدیدپذیر.
  • پیش‌بینی توان تولیدی ژنراتورها بدون حل مکرر پخش بار.
  • مقاوم‌بودن در برابر تغییرات بار.
  • فراهم‌کردن قابلیت تفسیرپذیری از طریق یک مفسر هوشمند.

نوآوری‌های این مقاله به شرح زیر است:

  • ارائۀ یک مدل یادگیری عمیق به عنوان جانشین سریع برای حل مکرر OPF: برخلاف روش‌های داده‌محور که فقط مرزها را تخمین می‌زنند، مدل پیشنهادی توان تولیدی ژنراتورهای متداول و توان عبوری خطوط را به صورت مستقیم و با دقت زیاد پیش‌بینی می‌کند.
  • طراحی یک مفسر هوشمند چندسطحی: این مفسر بر پایۀ XAI، ضمن تعیین اهمیت ویژگی‌ها، حساسیت خطوط و ژنراتورها را نسبت به تغییرات بار و تولید تجدیدپذیر تحلیل و خطوط بحرانی و گلوگاه‌های شبکه را شناسایی می‌کند. این قابلیت در روش‌های پیشین به‌خوبی بررسی نشده است.
  • مقاوم‌سازی مدل در برابر تغییرات بار: مدل آموزش‌دیده بدون نیاز به آموزش مجدد، در برابر تغییرات بار شین‌ها مقاوم است. این ویژگی در روش‌های داده‌محور[6] که نیاز به حل مکرر پخش بار دارند، دیده نمی‌شود.
  • تعیین ناحیۀ قابل تخصیص بدون نیاز به تعیین مرزهای تحلیلی: برخلاف روش‌های تحلیلی و برخی از روش‌های داده‌محور، روش پیشنهادی نیازی به حل کامل مسئلۀ تعیین ناحیه و تعیین مرزهای آن ندارد و فقط با استفاده از طبقه‌بندی آموزش‌دیده، امکان‌پذیری نقاط جدید را تعیین می‌کند.

مزیت‌های این روش نسبت به روش‌های قبلی (تحلیلی و داده محور) به صورت زیر است:

  • جلوگیری از حل کامل مسئلۀ تعیین ناحیۀ قابل تخصیص.
  • عدم نیاز به تعیین مرزهای قابل تخصیص.
  • مقاوم‌کردن مسئله در برابر تغییرات بار در سیستم‌های قدرت.
  • تعیین آنی مقدار توان تولیدی توسط ژنراتورهای متداول پس از تغییر در میزان خروجی منابع تجدیدپذیر بدون نیاز به حل مجدد مسئلۀ پخش بار.
  • داشتن قابلیت تفسیرپذیری از طریق یک سیستم مفسر هوشمند که می‌تواند رفتار مدل را تحلیل و عوامل کلیدی مؤثر را شناسایی کند.
  • امکان شناسایی خطوط بحرانی و گلوگاه‌های شبکه با انجام تحلیل‌های حساسیت پیشرفته توسط مفسر هوشمند.
  • امکان کمک به انجام تصمیم‌گیری صحیح توسط بهره‌بردار سیستم قدرت از طریق انجام تحلیل‌های کمّی و کیفی بر روی رفتار سیستم.

این خصوصیات مدل، در شرایطی که منابع تجدیدپذیر با نرخ نفوذ زیاد در یک سیستم قدرت حضور دارند، مزیت‌های عملیاتی قابل ملاحظه‌ای را برای بهره‌برداران سیستم قدرت ایجاد خواهند کرد.

2- تعریف مسئلۀ تعیین ناحیۀ قابل تخصیص

در این مقاله، برای تعیین ناحیۀ قابل تخصیص از روش پخش بار بهینۀ DC (DC-OPF) استفاده می‌شود. پخش بار بهینۀ DC در حالت کلی به صورت زیر نوشته می‌شود [17]:

در معادلات (1) تا (3)، x بردار متغیرهای حالت شامل زوایای ولتاژ شین‌ها (δ) است. در مدلDC-OPF، دامنۀ ولتاژ شین‌ها ثابت و برابر ۱ پریونیت فرض می‌شود و بنابراین، جزء متغیرهای حالت نیست. بردار u مربوط به متغیرهای تصمیم شامل توان تولیدی ژنراتورهای متداول (Pg) است. توان تولیدی منابع تجدیدپذیر (ωe) به عنوان پارامتر ورودی در نظر گرفته می‌شود. تابع (f(x,u تابع هدف (هزینۀ تولید) است. قید 0=(x,u)h مربوط به معادلۀ توازن توان در شین‌ها و b≥(x,u)g مجموعۀ قیود بهره‌برداری شامل حدود تولید، محدودیت خطوط و محدودیت زاویه است.

هدف از پخش بار بهینۀ DC تعیین توان تولیدی توسط ژنراتورهای متداول است؛ به گونه‌ای که هزینۀ تولید توان در آن شبکه به حداقل برسد؛ بنابراین، در این مسئله، تابع هدف f فقط شامل یک چندجمله‌ای برحسب توان تولیدی توسط واحدهاست، یعنی:

در تابع هزینۀ (4)، پارامتر c یک جملۀ ثابت است و صفر قراردادن آن تأثیری بر نقطۀ بهینۀ مسئله ندارد و این معادل حذف یک عدد ثابت از تابع هدف است. ضریب a مربوط به جملۀ درجۀ دوم است و صفر قراردادن آن باعث خطی‌سازی تابع هزینه می‌شود. این تقریب به دلایل زیر قابل قبول است:

۱- ناحیۀ قابل تخصیص توسط قیود بهره‌برداری تعیین می‌شود و به تابع هزینه وابسته نیست؛ بنابراین، خطی‌سازی تابع هزینه مرزهای این ناحیه را تغییر نمی‌دهد.

۲- تبدیل مسئلۀ OPF از برنامه‌ریزی درجۀ دو به برنامه‌ریزی خطی سرعت حل را به‌ طرزی چشمگیر افزایش می‌دهد که برای تولید حجم زیاد داده‌های آموزشی ضروری است.

۳- در بسیاری از کاربردهای عملی و بازارهای برق، از تابع هزینۀ خطی یا تکه‌ای خطی استفاده می‌شود.

۴- مدل یادگیری عمیق به عنوان یک جانشین کلی برای نگاشت OPF طراحی شده است و در صورت نیاز می‌توان آن را با تابع هزینۀ درجۀ دو نیز بازآموزی کرد؛ بنابراین، این تقریب برای هدف این مقاله (تعیین ناحیۀ قابل تخصیص و ارائۀ یک جایگزین سریع) کاملاً موجه و قابل قبول است.

با اضافه‌کردن توان تولیدی توسط منابع تجدیدپذیر به مسئلۀ DC-OPF تعریف‌شده توسط [18]، [19] و [20]، شکل جدید این مسئله به صورت زیر بازنویسی می‌شود:

در مسئلۀ بالا، معادلۀ (5) مربوط به تابع هدف یا هزینۀ تولید توان توسط ژنراتورهای متداول است. در این مقاله، هزینۀ تولید منابع تجدیدپذیر برابر صفر فرض شده است. معادلۀ (6) تعادل بین توان تولیدی توسط ژنراتورهای متداول (Pg) و منابع تجدیدپذیر (ωe)، توان مصرفی (Pd) و توان انتقالی توسط خطوط (Pij) را نشان می‌دهد. معادلۀ (7) نشان‌دهندۀ میزان توان عبوری از خطوط برحسب مقدار سوسپتانس خط (bij) و اختلاف زاویۀ شین‌های دو طرف آن (δ) است. نابرابری‌های (11)-(8) به ترتیب نشان‌دهندۀ مقادیر کمینه () و بیشینۀ () توان تولیدی توسط ژنراتورهای متداول، بیشینۀ توان عبوری از خطوط ()، کمینه () و بیشینۀ () توان تولیدی توسط منابع تجدیدپذیر و کمینه () و بیشینۀ () زاویۀ شین‌های شبکه است. پارامترهای ،  و  به ترتیب نشان‌دهندۀ تعداد ژنراتورهای متداول، تعداد منابع تجدیدپذیر و تعداد بارهای شبکه است. مسئلۀ (11)-(5) به صورت یک مسئلۀ برنامه‌ریزی خطی ([7]LP) است و به وسیلۀ بیشتر حل‌کننده‌های مرسوم قابل حل است.

3- مقاوم‌کردن مسئلۀ تعیین ناحیۀ قابل تخصیص در برابر تغییرات بار شبکه

بارهای الکتریکی موجود در یک سیستم قدرت واقعی دارای ماهیت متغیر با زمان و به صورت پیوسته در حال تغییر هستند؛ بنابراین، تعیین ناحیۀ قابل تخصیص با فرض ثابت‌بودن بارهای شبکه، عملاً کارایی لازم را نخواهد داشت و لازم است تغییرات بار در مسئلۀ تعیین ناحیۀ قابل تخصیص در نظر گرفته شود. به همین منظور، در مسئلۀ DC-OPF تعریف‌شده در (11)-(5)، معادلۀ (6) با افزودن میزان تغییرات بار، به صورت زیر بازنویسی می‌شود:

که در آن، Ped مقدار بار مصرفی قطعی و پیش‌بینی‌شده در شین d است و PdΔ تغییرات ناشی از وجود عدم قطعیت در مقدار بار مصرفی سیستم قدرت خواهد بود. با استفاده از معادلۀ (12)، می‌توان مسئلۀ تعیین ناحیۀ قابل تخصیص را مقاوم کرد تا در صورت تغییر میزان بار شین‌های شبکۀ قدرت، قیود شبکه دچار تخطی نشوند و مسئله دارای جواب ممکن باشد.

میزان تغییرات بار (PdΔ)، با توجه به شرایط شبکه، ممکن است به صورت مقادیر مثبت و منفی باشد تا بتواند تغییرات ناشی از افزایش یا کاهش بار را به طور کامل پیش‌بینی کند.

4- نحوۀ به‌کارگیری یادگیری عمیق در تعیین ناحیۀ قابل تخصیص

امروزه، ابزارهای هوش مصنوعی مانند یادگیری عمیق که زیرمجموعه‌ای از یادگیری ماشین (ML)[8] است، نقشی بسیار مهم در سیستم‌های قدرت مانند استفاده از آنها در پیش‌بینی بار، نظارت، کنترل و دیگر اقدامات بهینه‌سازی دارند [21]. به دلیل بزرگ‌مقیاس‌بودن سیستم‌های قدرت و کثرت داده‌های کنترلی در آن، ابزارهای هوش مصنوعی مانند DL[9] می‌توانند در دسته‌بندی و سپس تجزیه‌وتحلیل داده‌ها و استخراج الگوهای رفتاری مناسب بین آنها کمک کنند و سرعت رسیدن به پاسخ را افزایش دهند [22]. مدل یادگیری عمیق از نظر روش آموزش‌دهی به چهار دسته تقسیم می‌شود که در شکل (1) نشان داده شده است [23]، [24] و [25].

شکل (1): انواع روش‌های آموزش مدل یادگیری عمیق

در این مقاله، به منظور آموزش‌دادن مدل یادگیری عمیق، از روش نظارت‌شده استفاده می‌شود:

الف) آموزش مدل یادگیری عمیق به روش نظارت‌شده

به منظور آموزش مدل یادگیری عمیق به روش نظارت‌شده، ابتدا مسئلۀ پخش بار بهینۀ DC به‌ازای داده‌هایی مختلف حل می‌شود که از تغییرات بار شین‌ها و مقادیر توان اکتیو تولیدشده توسط منابع تجدیدپذیر به دست می‌آیند. پس از حل مسئلۀ پخش بار، به‌ازای هر کدام از این داده‌ها، این‌گونه داده‌ها از نظر ممکن بودن یا نبودن برچسب‌گذاری می‌شوند و سپس، در صورت ممکن‌بودن آنها، خروجی حل مسئلۀ پخش بار که مقدار توان تولیدی توسط ژنراتورهای متداول و مقدار توان عبوری از خطوط است، به عنوان خروجی‌ مدل یادگیری عمیق در نظر گرفته می‌شود و داده‌های مربوط به بار و مقدار توان منابع تجدیدپذیر نیز به عنوان داده‌های ورودی این مدل لحاظ می‌شوند. کل این کار فرایند برچسب‌گذاری داده‌ها به صورت نظارت‌شده نامیده می‌شود. نمایش ریاضی ورودی‌های مدل یادگیری عمیق به صورت معادلۀ (13) است:

که در آن، مقدار تولید توان توسط منبع تجدیدپذیر kام و  مقدار بار مصرفی موجود در شین jام است. مدل یادگیری عمیق پیشنهادی در این مقاله به صورت زیر در نظر گرفته می‌شود:

که در آن، x بردار ورودی شامل متغیرهای سیستم،  بردار خروجی پیش‌بینی‌شده برای هر کدام از لایه‌های مدل (در اینجا، لایۀ خروجی)، θ پارامترهای مدل یادگیری و fDL تابع نگاشت غیرخطی مدل عصبی است. بردار خروجی  به صورت معادلۀ (15) تعریف می‌شود:

که در آن،  توان پیش‌بینی‌شدۀ تولیدی ژنراتور iام،  توان ظاهری پیش‌بینی‌شدۀ عبوری از خط l، ng تعداد ژنراتورهای متداول و nl تعداد خطوط شبکه است.

ب) گراف شبکۀ عصبی مربوط به مدل یادگیری عمیق

مدل یادگیری عمیق در این مقاله اطلاعات مربوط به بارهای سیستم قدرت و توان تولیدی توسط منابع تجدیدپذیر را به عنوان داده‌های ورودی در نظر می‌گیرد. کل فرایند یادگیری مدل، به دست آوردن ارتباط بین ورودی و خروجی است که در این مسئله، به صورت تعیین توان تولیدی توسط ژنراتورهای متداول تعریف شده است. ارتباط بین داده‌های ورودی و خروجی از طریق لایه‌های پنهان برقرار می‌شود که نیاز است به وسیلۀ داده‌های برچسب‌گذاری‌شده آموزش داده شود. گراف کلی مربوط به مدل یادگیری عمیق به صورت شکل (2) نشان داده می‌شود [26] و [27].

شکل (2): نمای کلی مدل یادگیری عمیق [28]

معماری کلی مدل یادگیری عمیق با L لایۀ پنهان استفاده‌شده به صورت معادلۀ (16) بیان می‌شود:

که در آن، x بردار ورودی، z(l) بردار پیش‌فعال‌سازی لایۀ l، W(l)، a(l) و b(l) به ترتیب ماتریس وزن، بردار فعال‌سازی و بردار بایاس لایۀ lام، ϕ تابع فعال‌ساز، L تعداد لایۀ پنهان و  بردار خروجی پیش‌بینی‌شده است.

پ) آموزش مدل یادگیری عمیق و ارزیابی آن

مدل یادگیری عمیق درنظرگرفته‌شده در این مقاله به وسیلۀ داده‌های ورودی آموزش داده می‌شود که شامل مقدار بار شین‌ها و توان تولیدی توسط منابع تجدیدپذیر است. به همین منظور، چنانچه کل داده‌ها برابر N باشد، در آن صورت، معمولاً تعداد Nα از آنها به عنوان دادۀ آموزشی در نظر گرفته می‌شود و مابقی داده‌ها (یعنی Ne=N(1-α)) به منظور صحت‌سنجی و ارزیابی عملکرد مدل یادگیری استفاده می‌شوند. مقدار α معمولاً حدود 8/0 فرض می‌شود.

معمولاً شاخص‌های عملکرد مختلفی مانند ریشۀ میانگین مربعات خطا [10](RMSE) ، میانگین قدر مطلق درصد خطا (MAPE)[11]، میانگین خطای مطلق (MAE)[12] و میانگین مربعات خطا (MSE)[13] برای ارزیابی عملکرد مدل یادگیری عمیق وجود دارند [29]. روش ارزیابی RMSE به صورت زیر تعریف می‌شود:

که در آن، MSE میانگین مربعات خطا، RMSE ریشۀ میانگین مربعات خطا، Ne تعداد داده‌های درنظرگرفته‌شده برای ارزیابی عملکرد مدل یادگیری،  مقدار خروجی حاصل از مدل برای دادۀ iام و  مقدار خروجی واقعی مربوط به دادۀ iام است. هرچه مقدار RMSE کوچک‌تر باشد، یادگیری مدل بهتر انجام می‌شود و مقادیر خروجی آن به مقادیر واقعی نزدیک‌تر خواهد بود.

روش ارزیابی MAE به صورت زیر تعریف می‌شود:

روش ارزیابی MAPE به صورت زیر تعریف می‌شود:

ضریب تعیین (R2) به عنوان معیاری برای سنجش میزان توضیح‌دهندگی مدل رگرسیون، به صورت زیر تعریف می‌شود [30]:

که در آن، میانگین مقادیر واقعی است. هرچه مقدار بالا به عدد یک نزدیک‌تر باشد، نشان‌دهندۀ دقت زیاد مدل است. یکی از مدل‌های یادگیری عمیق در این مقاله به دسته‌بندی نقاط بهره‌برداری به دو گروه ممکن و ناممکن اختصاص دارد. عملکرد مدل دسته‌بندی علاوه بر شاخص Accuracy، با استفاده از شاخص‌های Precision، Recall و F1-score نیز ارزیابی می‌شود [31]. شاخص Accuracy نسبت تعداد نمونه‌هایی را که به‌درستی دسته‌بندی شده‌اند به کل نمونه‌های آزمون نشان می‌دهد و از رابطۀ (21) محاسبه می‌شود:

شاخص Precision بیانگر نسبت نمونه‌های واقعی ممکن در میان نمونه‌هایی است که توسط مدل به عنوان دادۀ ممکن پیش‌بینی شده‌اند و به صورت زیر محاسبه می‌شود:

شاخص Recall نشان‌دهندۀ توانایی مدل در شناسایی صحیح نمونه‌های ممکن از میان تمامی نمونه‌های واقعی امکان‌پذیر است و مطابق رابطۀ زیر تعریف می‌شود:

به منظور ارائۀ یک معیار ترکیبی از شاخص‌های Precision و Recall، از F1-score استفاده می‌شود که برابر میانگین این دو شاخص است و به صورت زیر محاسبه می‌شود:

در این معادلات، TP تعداد نمونه‌های ممکنی است که مدل به‌درستی ممکن تشخیص داده، TN تعداد نمونه‌های ناممکنی است که مدل به‌درستی ناممکن تشخیص داده، FP تعداد نمونه‌های ناممکنی است که مدل به‌اشتباه ممکن تشخیص داده و FN نیز تعداد نمونه‌های ممکنی است که مدل به‌اشتباه ناممکن تشخیص داده است. علاوه ‌بر این شاخص‌ها، ماتریس درهم‌ریختگی برای نمایش تعداد نمونه‌های صحیح و خطای دسته‌بندی نیز استفاده قرار می‌شود:

در انتهای این بخش، کل فرایند مربوط به تولید داده‌ها، آموزش و ارزیابی مدل یادگیری در فلوچارت شکل (3) نشان داده شده است.

ت) مدل مفسر هوشمند

در حالت کلی، مدل یادگیری عمیق فقط به صورت یک جعبه‌سیاه است که بر اساس داده‌های مختلف، آموزش داده شده است و چنانچه یک بردار ورودی از جنس داده‌های آموزشی به آن داده شود، می‌تواند نتیجه را با دقتی خوب پیش‌بینی کند. این مدل و بیشتر مدل‌های هوش مصنوعی دارای قابلیت و توانمندی تحلیل نتایج نیستند و فقط می‌توانند ارتباط بین ورودی و خروجی را شناسایی کنند و آموزش ببینند.

در این مقاله، یک مدل مفسر یا تحلیل‌گر چندسطحی هوشمند به منظور شناسایی و تحلیل ارتباط بین داده‌های مختلف یک شبکۀ قدرت، مانند چگونگی تغییر بار عبوری از خطوط ناشی از تغییر در میزان بار شبکه یا تغییر در توان تولیدی منابع تجدیدپذیر پیشنهاد شده است. مفسر هوشمند به عنوان یک بازوی تحلیل‌گر می‌تواند با انجام تحلیل‌ها و تفسیرهای دقیق خود، به بهره‌برداران و برنامه‌ریزان سیستم‌های قدرت در زمان تصمیم‌گیری کمک کند.

شکل (3): فلوچارت مدل یادگیری عمیق

 

مدل‌های مختلف مفسر هوشمند پیشنهادی در ادامه تشریح خواهند شد:

1- مدل تحلیل حساسیت خطوط انتقال

در این حالت، مفسر هوشمند با بهره‌گیری از ماتریس ضرایب توزیع انتقال توان (PTDF)[14] و خروجی‌های مدل یادگیری عمیق، میزان تأثیرپذیری خطوط انتقال را نسبت به تغییرات پارامترهای سیستم قدرت محاسبه می‌کند. رابطۀ حساسیت خطوط انتقال به صورت معادلۀ (26) تعریف می‌شود:

که در آن، Sl,k حساسیت توان عبوری از خط انتقال l نسبت به تغییرات پارامتر ورودی k است.

2- مدل تحلیل حساسیت توان تولیدی ژنراتورهای متداول

مدل تحلیل حساسیت توان تولیدی ژنراتورهای متداول در مفسر هوشمند پیشنهادی، ارتباط بین توان خروجی ژنراتورهای متداول و تغییرات پارامترهای مختلف یک سیستم قدرت را بررسی می‌کند. رابطۀ بین حساسیت ژنراتورها نسبت به ورودی‌های مدل یادگیری عمیق به صورت معادلۀ (27) است:

که در آن، Gi,k حساسیت توان تولیدی ژنراتور متداول i نسبت به تغییرات پارامتر ورودی k است.

3- مدل تعیین اهمیت‌سنجی ویژگی‌ها

به منظور کمّی‌سازی میزان تأثیر هر ویژگی ورودی (مانند بار شین‌ها و توان تولیدی منابع تجدیدپذیر) بر خروجی مدل یادگیری عمیق، از روش اهمیت‌سنجی مبتنی بر جایگشت استفاده می‌شود. در این روش، اهمیت هر ویژگی بر اساس میزان افزایش خطای مدل پس از جایگشت تصادفی مقادیر آن ویژگی تعیین می‌شود. رابطۀ پیشنهادی اهمیت ویژگی به صورت معادلۀ (28) تعریف می‌شود:

که در آن، Kk اهمیت ویژگی k، f مدل یادگیری عمیق آموزش‌دیده و Xπk ماتریس ویژگی‌ها با مقادیر ویژگی k به صورت تصادفی جایگشت‌شده و X ماتریس ویژگی‌های اصلی (شامل بار شین‌ها و توان تولیدی منابع تجدیدپذیر) است. مقدار RMSE نیز از معادلۀ (17) محاسبه می‌شود. در این تعریف، هرچه مقدار Kk بزرگ‌تر و مثبت‌تر باشد، نشان‌دهندۀ اهمیت بیشتر ویژگی k بر پیش‌بینی‌های مدل است. در این مقاله، RMSE به عنوان تابع خطا انتخاب شده است؛ زیرا برحسب MW قابل تفسیر است و برای مهندسان سیستم قدرت مفهومی مستقیم‌تر دارد.

4- مدل شناسایی عناصر بحرانی

در زمان تعیین ناحیۀ قابل تخصیص و به هنگام تغییر مقدار بار شین‌ها و میزان توان تولیدی منابع تجدیدپذیر، برخی از عناصر شبکه مانند خطوط و ژنراتورهای متداول به عنوان عامل محدودکننده عمل می‌کنند. شناسایی این‌گونه عوامل بحرانی می‌تواند در بهینه‌سازی و توسعۀ شبکه به بهره‌برداران و برنامه‌ریزان سیستم قدرت کمک بسیاری کند. در این مقاله، معیار بحرانی‌بودن یک عنصر به صورت معادلۀ (29) تعریف می‌شود:

که در آن، Cj شاخص بحرانی‌بودن عنصر jام، ωk وزن اهمیت ویژگی k در تعیین میزان بحرانی‌بودن عنصر j و Sj,k حساسیت عنصر j نسبت به ویژگی k است. برای تعیین وزن ωk، از شاخص اهمیت ویژگی Kk تعریف‌شده در معادلۀ (28) استفاده می‌شود. به این منظور، وزن هر ویژگی به صورت نرمال‌شدۀ اهمیت آن به صورت زیر تعریف می‌شود:

که در آن، K تعداد کل ویژگی‌های ورودی است. در صورت صفرشدن مجموع اهمیت‌ها، وزن‌ها به صورت یکنواخت ωk=1/K در نظر گرفته می‌شوند. دلیل چنین انتخابی آن است که ویژگی‌هایی که مدل یادگیری عمیق به آنها وابستگی بیشتری دارد، باید سهم بیشتری در شناسایی عناصر بحرانی داشته باشند. این رویکرد داده‌محور از تخصیص وزن‌های یکنواخت جلوگیری و تحلیل بحرانی‌بودن را با رفتار واقعی مدل هماهنگ می‌کند.

ث) نحوۀ تعیین مرزهای بالقوۀ فعال ناحیۀ قابل تخصیص

مدل یادگیری عمیق در این مقاله به عنوان یک جانشین برای نگاشت OPF عمل می‌کند و به‌جای حل مکرر مسئلۀ پخش بار بهینه، ارتباط بین ورودی‌ها (بار شین‌ها و توان تولیدی منابع تجدیدپذیر) و خروجی‌ها (توان ژنراتورهای متداول و توان عبوری خطوط) را با سرعتی زیاد تقریب می‌زند.

فرایند استخراج ناحیۀ قابل تخصیص از این مدل به صورت زیر است:

۱- استفاده از داده‌های تولیدشدۀ مرتبط با تغییرات خروجی منابع تجدیدپذیر در فرایند آموزش مدل‌ها برای نمایش کل فضای ممکن و ناممکن. در هر نقطه، مقدار بار شین‌ها ثابت (یا مطابق سناریو) در نظر گرفته می‌شود.

2- ارزیابی ممکن‌بودن با استفاده از تابع طبقه‌بندی‌کننده: بردار ورودی هر نقطه به شبکۀ طبقه‌بندی‌کننده داده و احتمال ممکن‌بودن آن محاسبه می‌شود. اگر این احتمال از آستانۀ مدنظر (معمولاً حدود 9/0) بیشتر باشد، نقطه به عنوان دادۀ ممکن و در غیر این صورت، به عنوان دادۀ ناممکن برچسب‌گذاری می‌شود.

۳- استخراج مرزهای بالقوۀ ناحیه: مجموعۀ نقاط ناممکن به الگوریتم شناسایی مرز (روش ارائه‌شده در مرجع [32]) داده می‌شود تا مرز جداکنندۀ این دو دسته استخراج شود. این مرز همان مرز ناحیۀ قابل تخصیص است.

با تعیین مرزهای بالقوۀ فعال، ناحیۀ قابل تخصیص یا ممکن ژنراتورهای متداول برحسب میزان تغییرات مجاز منابع تجدیدپذیر تعیین خواهد شد.

5-   نتایج عددی

به منظور بررسی عملکرد مدل یادگیری عمیق در به دست آوردن ناحیۀ قابل تخصیص ژنراتورهای متداول، از سیستم قدرت نمونۀ استاندارد IEEE 30-bus استفاده می‌شود که اطلاعات آن در [33] داده شده است. در این سیستم قدرت نمونه، دو منبع تجدیدپذیر در شین‌های ۱ و ۲۲ با تولید توان قابل پیش‌بینی هر کدام برابر MW۲۰ در نظر گرفته شده است. تغییرات توان تولیدی این منابع نسبت به حالت پایه و برحسب MW به ترتیب به صورت [20 و 5-] و [55 و 10-] است. به منظور مقاوم‌کردن مدل یادگیری عمیق در برابر تغییرات بار شین‌ها، مقدار بار مصرفی در محدودۀ 10% مقدار نامی تغییر داده می‌شود. میزان تغییرات قابل قبول در توان خروجی ژنراتورهای متداول پس از ایجاد یک تغییر در خروجی منابع تجدیدپذیر برابر 3/0 حداکثر توان تولیدی آن در نظر گرفته شده است؛ به این معنا که توان خروجی هر کدام از ژنراتورهای متداول پس از ایجاد یک تغییر در میزان توان منابع تجدیدپذیر، فقط می‌تواند به اندازۀ  تغییر یابد. تعداد کل داده‌ها برای یادگیری مدل برابر ۵۰۰۰ داده است. در این مقاله، نسبت داده‌های آموزشی به کل داده‌ها (یعنی α) برابر 8/0 در نظر گرفته شده است. با افزایش α (برای مثال، 9/0)، حجم دادۀ آموزش بیشتر می‌شود و خطای آموزش کاهش می‌یابد، اما احتمال بیش‌برازش و افزایش خطای آزمون وجود خواهد داشت. با کاهش α (برای مثال، 7/0)، داده‌های آموزش کمتر و خطر کم‌برازش و افزایش RMSE بیشتر می‌شود؛ بنابراین، 8/0= αتعادلی مناسب بین دقت و تعمیم‌پذیری برقرار می‌کند. با انتخاب این مقدار برای α، تعداد داده‌های آموزشی برابر ۴۰۰۰ داده و تعداد داده‌های مورد نیاز برای ارزیابی عملکرد مدل یادگیری نیز برابر 1000 داده خواهد بود. گفتنی است، از مجموع کل 5000 دادۀ آموزشی، 3341 داده‌ از آنها به عنوان دادۀ ممکن و معتبر برچسب‌گذاری و 1659 داده نیز به عنوان دادۀ ناممکن در نظر گرفته می‌شوند.

گفتنی است، برای تولید داده‌ها، ۵۰۰۰ سناریو با نمونه‌گیری تصادفی یکنواخت از بازه‌های مشخص با تغییر بارها و توان منابع تجدیدپذیر ایجاد شدند. از این تعداد، ۳۳۴۱ سناریو معتبر (ممکن) و ۱۶۵۹ سناریو ناممکن بودند. برای طبقه‌بندی داده‌ها، ۸۰ درصد داده‌ها (۴۰۰۰ نمونه) برای آموزش و ۲۰ درصد آنها (۱۰۰۰ نمونه) برای آزمون؛ و برای رگرسیون، از ۳۳۴۱ سناریوی معتبر، ۸۰ درصد (۲۶۷۲ نمونه) برای آموزش و ۲۰ درصد دیگر (۶۶۹ نمونه) برای آزمون استفاده شد.

شبکۀ طبقه‌بندی امکان‌پذیری با ۸۰ درصد از کل ۵۰۰۰ سناریو (۴۰۰۰ نمونه، شامل هر دو دستۀ ممکن و ناممکن) آموزش دیده و ۲۰ درصد باقی‌مانده (۱۰۰۰ نمونه) برای آزمون استفاده شده است. شبکه‌های رگرسیون نیز با ۸۰ درصد از ۳۳۴۱ نمونۀ ممکن (۲۶۷۲ نمونه) آموزش دیده و 2۰ درصد باقی‌مانده (۶۶۹ نمونه) برای آزمون به کار رفته‌اند. نمونه‌های ناممکن در آموزش شبکه‌های رگرسیون استفاده نمی‌شوند.

در این مسئله، تعداد متغیرهای ورودی در قسمت تهیۀ داده‌های آموزشی برابر مجموع تعداد شین‌های دارای بار (20 شین) و منابع تجدیدپذیر (2 واحد) است که در مجموع، 22 متغیر ورودی هستند و تعداد متغیرهای خروجی شامل ژنراتورهای متداول (6 ژنراتور) و توان عبوری از خطوط (41 خط) است که در مجموع، 47 متغیر خروجی وجود دارند. پس از آموزش مدل و در قسمت تعیین مقادیر خروجی ژنراتورهای متداول و توان عبوری از خطوط، ورودی مدل برابر مقدار خروجی منابع تجدیدپذیر و بار شین‌های سیستم قدرت است. تعداد لایه‌های پنهان درنظرگرفته‌شده برای آموزش مدل برابر 2 لایه با تعداد 15 متغیر در هر لایه است. برای آموزش مدل یادگیری عمیق از جعبه‌ابزار یادگیری عمیق موجود در نرم‌افزار متلب مانند patternnet، fitnet و feedforwardnet استفاده شده است. لازم به توضیح اینکه در این مقاله، عبارت «یادگیری عمیق» برای یک شبکۀ عصبی پیش‌خور چندلایه با دو لایۀ پنهان به کار رفته است. هرچند این معماری در مقایسه با دیگر شبکه‌های عمیق بزرگ فشرده به نظر می‌رسد، از نظر مفهومی، وجود بیش از یک لایۀ پنهان غیرخطی که به صورت سرتاسری با الگوریتم پس‌انتشار آموزش می‌بیند، آن را در دستۀ شبکه‌های عصبی عمیق قرار می‌دهد. تفاوت اصلی آن با یک MLP ساده (تک‌لایۀ پنهان) در توانایی یادگیری نگاشت‌های غیرخطی سلسله‌مراتبی و پیچیده‌تر است. در این مطالعه، سه شبکۀ مجزا برای طبقه‌بندی امکان‌پذیری، رگرسیون توان ژنراتورها و رگرسیون توان عبوری از خطوط آموزش داده شده‌اند. انتخاب تعداد لایه‌ها و نورون‌ها بر اساس آزمون و خطا و معیار RMSE انجام شده است؛ به گونه‌ای که افزایش عمق بیشتر بهبودی معنادار در دقت ایجاد نمی‌کند و فقط موجب افزایش زمان آموزش می‌شود. همچنین، برای مقایسه، یک شبکه با یک لایۀ پنهان نیز آزموده شد که دقت کمتری در پیش‌بینی توان ژنراتورها و خطوط داشت؛ بنابراین، کاربرد عبارت یادگیری عمیق در اینجا به معنای عام و در مقابل مدل‌های خطی و شبکه‌های تک‌لایه است.

تمامی شبیه‌سازی‌ها با استفاده از یک کامپیوتر شخصی با مشخصات Pentium® Dual-Core E5200, 2.5 GHz و حافظۀ 2.00 GB و با استفاده از نرم‌افزار MATLAB R2014a انجام شده است.

الف) تعیین ناحیۀ قابل تخصیص

پس از آموزش کامل مدل یادگیری عمیق، داده‌های ورودی به صورت شکل(4) دسته‌بندی می‌شوند که نشان‌دهندۀ دسته‌بندی کامل داده‌ها به عنوان داده‌های قابل تخصیص و غیرقابل تخصیص است. در این شکل، داده‌های ناممکن در قسمت بالا و داده‌های ممکن در قسمت پایین آن ترسیم شده‌اند و به وسیلۀ یک مرز به صورت خط‌چین از همدیگر جدا شده‌اند. محور افقی در(شکل 4) نشان‌دهندۀ تغییرات توان تولیدشده توسط منبع تجدیدپذیر موجود در شین شمارۀ 1 سیستم قدرت نمونه و محور عمودی نیز نشان‌دهندۀ تغییرات توان تولیدشده توسط منبع تجدیدپذیر موجود در شین شمارۀ 22 است.

برخلاف روش‌های قبلی (تحلیلی ریاضی و داده‌محور)، مشاهده می‌شود نیازی به حل کامل مسئلۀ تعیین ناحیۀ قابل تخصیص نیست و فقط کافی است با استفاده از داده‌های آموزشی، مدل یادگیری عمیق آموزش داده شود و مقدار توان خروجی ژنراتورهای متداول را برای نقطۀ کار جدید در سریع‌ترین زمان ممکن به دست آورد.

به منظور ارزیابی عملکرد مدل یادگیری عمیق پیشنهادی در این مقاله، از ابزارهایی مختلف مانند شاخص ریشۀ میانگین مربعات خطا (RMSE) و همچنین مقایسۀ توان تولیدی توسط ژنراتورهای متداول (خروجی‌های مدل یادگیری عمیق) استفاده می‌شود. نتایج مقایسۀ روش دقیق و مدل یادگیری عمیق به‌ازای مقادیر مختلف بار شین‌ها و خروجی متغیر منابع تجدیدپذیر در جدول (1) تا جدول (3) نشان داده شده است.

شکل (4): تعیین ناحیۀ قابل تخصیص با استفاده از مدل یادگیری عمیق برای سیستم قدرت نمونه

 جدول (1): مقایسۀ خروجی‌های روش واقعی و روش پیش‌بینی‌شده توسط مدل یادگیری عمیق (ضریب بار 95/0)

(ΔW1, ΔW22)

MW

(5- و 5-)

(0 و 0)

(10 و 10)

-

روش یادگیری

روش واقعی

روش یادگیری

روش واقعی

روش یادگیری

روش واقعی

Pg1

627/38

622/38

073/37

075/37

985/33

979/33

Pg2

288/51

283/51

513/49

514/49

983/45

976/45

Pg22

362/20

359/20

865/19

864/19

876/18

873/18

Pg27

680/17

680/17

963/13

968/18

549/6

545/6

Pg23

897/10

898/10

658/9

660/9

184/7

183/7

Pg13

901/10

898/10

659/9

660/9

187/7

183/7

 

جدول (2): مقایسۀ خروجی‌های روش واقعی و روش پیش‌بینی‌شده توسط مدل یادگیری عمیق (ضریب بار 0/1)

(ΔW1, ΔW22)

MW

(5- و 5-)

(0 و 0)

(10 و 10)

-

روش یادگیری

روش واقعی

روش یادگیری

روش واقعی

روش یادگیری

روش واقعی

Pg1

081/40

087/40

541/38

539/38

445/35

443/35

Pg2

949/52

956/52

190/51

187/51

651/47

650/47

Pg22

824/20

828/20

335/20

332/20

339/19

342/19

Pg27

186/21

191/21

480/17

479/17

054/10

056/10

Pg23

068/12

069/12

831/10

831/10

354/8

355/8

Pg13

065/12

069/12

833/10

831/10

355/8

355/8

جدول (3): مقایسۀ خروجی‌های روش واقعی و روش پیش‌بینی‌شده توسط مدل یادگیری عمیق (ضریب بار 05/1)

(ΔW1, ΔW22)

MW

(5- و 5-)

(0 و 0)

(10 و 10)

-

روش یادگیری

روش واقعی

روش یادگیری

روش واقعی

روش یادگیری

روش واقعی

Pg1

521/41

551/41

003/40

003/40

905/36

908/36

Pg2

595/54

629/54

860/52

861/52

321/49

323/49

Pg22

284/21

296/21

802/20

801/20

807/19

810/19

Pg27

635/24

702/24

973/20

991/20

583/13

567/13

Pg23

218/13

241/13

996/11

002/12

532/9

526/9

Pg13

217/13

241/13

001/12

002/12

526/9

526/9

 به منظور مقایسۀ بهتر نتایج حاصل از روش دقیق و روش پیشنهادی یادگیری عمیق در این مقاله، توان تولیدی توسط ژنراتورهای متداول به‌ازای ضریب بار 05/1 و تغییرات MW 10 در هر کدام از منابع تجدیدپذیر در شکل (5) نشان داده شده است که نشان‌دهندۀ دقت بسیار زیاد روش پیشنهادی نسبت به روش دقیق است. با مشاهدۀ جدول (1) تا جدول (3)، می‌توان دریافت نتایج حاصل از روش حل دقیق و روش یادگیری عمیق پیشنهادی در این مقاله با دقتی بسیار خوب مشابه هستند.

شکل (5): نمایش دقت روش پیشنهادی یادگیری عمیق نسبت به روش دقیق در تعیین خروجی ژنراتورهای متداول سیستم قدرت نمونه

شاخص‌های ارزیابی مدل‌های طبقه‌بندی و رگرسیون به صورت جامع در جدول (4) نشان داده شده است. برای شبکۀ طبقه‌بندی امکان‌پذیری، شاخص Accuracy برابر 90/۹۸ درصد، Precision برابر 08/99 درصد، Recall برابر 47/99 درصد وF1-score برابر 28/۹۹ درصد به دست آمده است که بیانگر توانایی زیاد مدل در تفکیک دقیق نقاط ممکن از ناممکن است. در بخش رگرسیون ژنراتورهای متداول، RMSE برابر 0153/0 مگاوات، MAE برابر 0085/0 مگاوات، MAPE برابر 10/0 درصد و ضریب تعیین R2 برابر 00/1 است که تأییدکنندۀ دقت بسیار زیاد مدل در پیش‌بینی توان تولیدی ژنراتورهاست. برای خطوط انتقال نیز، RMSE برابر 2297/0 مگاولت‌آمپر، MAE برابر 1690/0 مگاولت‌آمپر و R2 برابر 9994/0 به‌ دست آمده است. مقدار MAPE برای خطوط 68/19 درصد است که عمدتاً ناشی از خطوطی با توان عبوری نزدیک به صفر است؛ زیرا در این شرایط، کوچک‌ترین خطا به درصد خطای بزرگ منجر می‌شود؛ بنابراین، معیارهای MAE و R2 را می‌توان برای خطوط در نظر گرفت. به طور کلی، نتایج جدول (4) نشان می‌دهد مدل پیشنهادی با دقت بسیار زیاد و بدون نیاز به حل مستقیم مسئلۀ پخش بار، قادر است توان تولیدی ژنراتورهای متداول و توان عبوری خطوط را پیش‌بینی کند. این ویژگی به ‌ویژه برای سیستم‌های قدرت بزرگ‌مقیاس که حل مکرر پخش بار زمان‌بر است، مزیت عملیاتی قابل ملاحظه‌ای محسوب می‌شود.

علاوه ‌بر تعیین و تحلیل شاخص‌های بالا، تحلیل نقض قیود بر روی ۶۶۹ نمونه آزمون نشان داد میانگین خطای توازن توان MW 0126/0 و حداکثر آن MW 0754/0 است (هیچ نمونه‌ای با خطای بیش از MW 1/0 شناسایی نشد). نقض حدود ژنراتورها ۰ درصد و حداکثر نقض محدودیت خطوط MVA 538/0 است که در مقابل ظرفیت خطوط بسیار ناچیز است؛ بنابراین، خروجی‌های مدل از نظر امکان‌پذیربودن قابل اعتماد هستند و تابع طبقه‌بندی‌کنندۀ امکان‌پذیری نیز با دقت زیاد نقاط ناممکن را شناسایی می‌کند.

ب) استفاده از مفسر هوشمند برای تحلیل مدل یادگیری

در این بخش از مقاله، با استفاده از مفسر هوشمند پیشنهادی، عملکرد سیستم قدرت نمونه تحلیل می‌شود. نتایج حاصل از تحلیل مفسر هوشمند بر روی حساسیت توان عبوری از خطوط نسبت به تغییرات بار شین‌ها و توان تولیدی توسط منابع تجدیدپذیر در شکل (6) نشان داده شده است.

با تأمل در شکل (6)، می‌توان دریافت بیشترین احتمال ایجاد محدودیت در ناحیۀ قابل تخصیص مربوط به سه خط با شماره‌های 11، 32 و 33 است که عمدتاً به دلیل مجاورت با شین 22 و همچنین بارهای سنگین است. دو خط 32 و 33، هر دو به شین شمارۀ 22 متصل هستند که تغییرات توان تزریقی منبع تجدیدپذیر در این شین بیشترین تأثیر را بر روی میزان پرشدگی این دو خط خواهد داشت. خط شمارۀ 11 (بین دو شین 6 و 8) نیز یکی از مسیرهای اصلی انتقال توان از شین 22 به دیگر شین‌های شبکه با بار سنگین است. عامل محدودکننده در سیستم قدرت نمونۀ داده‌شده، خط شمارۀ 32 است که بین دو شین 21 و 22 قرار دارد و دارای ظرفیت حرارتی محدودی به اندازۀ MVA 32 است. این مورد از طریق ضرایب PTDF نیز قابل تشخیص است؛ زیرا این خط دارای بیشترین ضریب PTDF نسبت به توان تزریقی به شین 22 است. در صورت تزریق توان بیش از حدود MW 58 توسط منبع تجدیدپذیر نصب‌شده در شین شمارۀ 22 (MW 20 مقدار اولیۀ تولید به علاوۀ MW 38 مگاوات تغییرات در مقدار آن)، میزان توان عبوری از خط شمارۀ 32 از ظرفیت آن فراتر می‌رود و دچار اضافه بار خواهد شد. به عملیات به دست آوردن نواحی ممکن و ناممکن، تعیین ناحیۀ قابل تخصیص گفته می‌شود؛ بنابراین، تفسیر و تحلیل مفسر هوشمند در تعیین خطوط محدودکننده بسیار دقیق است.

جدول (4): شاخص‌های ارزیابی مدل‌های رگرسیون و طبقه‌بندی

نوع مدل

شاخص

واحد

مقدار

طبقه‌بندی امکان‌پذیری

Accuracy

٪

90/98

Precision

٪

08/99

Recall

٪

47/99

F1-score

٪

28/99

رگرسیون ژنراتورها

RMSE

MW

0153/0

MAE

MW

0085/0

MAPE

٪

10/0

R2

-

00/1

رگرسیون خطوط

RMSE

MVA

2297/0

MAE

MVA

1690/0

MAPE

٪

68/19

R2

-

9994/0

شکل (6): نمایش میزان احتمال ایجاد محدودیت توسط خطوط منتخب ناشی از تغییرات بار و توان منابع تجدیدپذیر

 در شکل (7)، خطوط با بیشترین حساسیت نسبت به تغییرات توان تزریقی توسط منابع تجدیدپذیر نمایش داده شده که به وسیلۀ مفسر هوشمند استخراج شده است. اعداد نشان‌داده‌شده در این شکل نشان‌دهندۀ میزان تغییرات توان عبوری از خطوط به‌ازای تغییر MW 1 در توان تولیدی منابع تجدیدپذیر است. مطابق شکل (7)، بیشترین ضریب حساسیت خطوط نسبت به تزریق توان توسط منابع تجدیدپذیر مربوط به سه خط با شماره‌های 33، 20 و 32 است که عمدتاً به دلیل مجاورت با شین 22 است. دو خط 32 و 33، هر دو به شین شمارۀ 22 متصل هستند که تغییرات توان تزریقی منبع تجدیدپذیر در این شین بیشترین تأثیر را بر روی میزان بار عبوری این دو خط خواهد داشت. خط شمارۀ 20 (بین دو شین 10 و21) نیز به صورت موازی با خط شمارۀ 32 قرار دارد که تحت تأثیر توان تزریقی به شین 22 قرار می‌گیرد.

با استفاده از این شکل می‌توان عامل محدودکننده را به‌خوبی شناسایی و نسبت به برطرف‌کردن این محدودیت از طریق احداث خط جدید یا تعویض هادی موجود با هادی پرظرفیت اقدام کرد. خروجی این مدل می‌تواند به بهره‌برداران و برنامه‌ریزان سیستم قدرت در مکان‌یابی منابع تجدیدپذیر در شبکه با توجه به تاب‌آوری عناصر آن کمک کند.

شکل (7): نمایش میزان حساسیت خطوط منتخب نسبت به تغییرات توان منابع تجدیدپذیر

 مشابه همین موضوع، حساسیت توان عبوری از خطوط نسبت به تغییرات بار در شین‌های بار سیستم قدرت نمونه محاسبه و در شکل (8) نشان داده شده است. از شکل (8) می‌توان دریافت خطوط شمارۀ 11، 10 و 7 نیز دارای حساسیت زیادی نسبت به تغییرات بار هستند و در صورت تغییرات بار می‌توانند عامل محدودیت در شبکه باشند. عمدۀ حساسیت این خطوط نسبت به تغییرات بار به دلیل قرارگیری آنها در مسیر تبادلی ناحیۀ جنوب با شمال شبکه (خطوط شمارۀ 10 و 11) یا مجاورت با بارهای سنگین (خط شمارۀ 7 در مجاورت بار شین 7) است.

شکل (8): نمایش میزان حساسیت خطوط منتخب نسبت به تغییرات بار شین‌ها

شکل (9) ضرایب همبستگی بین بارهای منتخب و منابع تجدیدپذیر را با توان تولیدی ژنراتورهای متداول نشان می‌دهد. در این شکل، مقادیر واقعی ضرایب همبستگی (با علامت) ترسیم شده‌اند؛ زیرا علامت ضریب همبستگی اطلاعاتی مهم دربارۀ جهت رابطه ارائه می‌دهد. ضریب همبستگی منفی به معنای رابطۀ معکوس است؛ یعنی با افزایش یک متغیر (مانند توان تولیدی منبع تجدیدپذیر یا بار)، توان تولیدی ژنراتور مدنظر کاهش می‌یابد. برای نمونه، منبع بادی ω22 دارای همبستگی منفی قوی با ژنراتورهای Pg22 و Pg27 (ضریب همبستگی به ترتیب حدود 85/0- و 91/0-) است که نشان می‌دهد با افزایش تولید توان تجدیدپذیر در شین ۲۲، توان تولیدی این ژنراتورها به دلیل اولویت اقتصادی منابع تجدیدپذیر کاهش می‌یابد. همچنین، بارهای Pd2 و Pd8 با ژنراتورهای Pg1 و Pg2 همبستگی مثبت (حدود 2/0) دارند؛ یعنی افزایش این بارها به افزایش تولید این ژنراتورها منجر می‌شود. در مقابل، بار Pd2 با Pg22 و Pg27 همبستگی منفی دارد. این نتایج به بهره‌برداران کمک می‌کند تا اثر تغییرات بار و منابع تجدیدپذیر را بر هر ژنراتور به صورت کمّی ارزیابی کنند. گفتنی است، در نسخۀ قبلی، قدر مطلق ضرایب نمایش داده شده بود که جهت رابطه را پنهان می‌کرد؛ در نسخۀ اصلاحی، مقادیر واقعی با علامت ارائه شده‌اند تا تفسیری دقیق‌تر امکان‌پذیر باشد.

شکل (9): نمایش میزان همبستگی بارهای منتخب و منابع تجدیدپذیر نسبت به تغییرات توان ژنراتورهای متداول

یکی دیگر از مزایای روش‌های مبتنی بر یادگیری عمیق، در صورت آموزش کامل و جامع آنها، کاهش زمان محاسبات تعیین خروجی ژنراتورهای متداول پس از هر تغییر در خروجی منابع تجدیدپذیر یا بار شبکه است. در سیستم قدرت 30شینۀ استاندارد، زمان مورد نیاز برای اجرای یک پخش بار بهینۀ DC پس از هر گونه تغییر در تولید منابع تجدیدپذیر و بارهای شبکه حدود 225 میلی‌ثانیه است؛ در حالی که با استفاده از مدل یادگیری عمیق آموزش‌دیده، این زمان به حدود 38 میلی‌ثانیه کاهش می‌یابد. به عبارت دیگر، برای سیستم مورد مطالعه، استفاده از مدل آموزش‌دیده باعث بهبود زمان تا حدود 83 درصد و افزایش سرعت حدود 6 برابر می‌شود. زمان مورد نیاز برای تعیین کل ناحیۀ قابل تخصیص با مدل‌های آموزش‌دیده نیز حدود 04/2 ثانیه است. به منظور بررسی مقیاس‌پذیری روش پیشنهادی، شبکۀ 118شینه IEEE با دو منبع تجدیدپذیر در شین‌های 49 و 72 در نظر گرفته می‌شود. مقدار تولید پیش‌بینی‌شدۀ این دو منبع به ترتیب برابر MW 120 و MW 170 فرض می‌شود و تغییرات توان آنها نیز به ترتیب به صورت [20 و 5-] و [55 و 10-] برحسب MW است و تغییرات بار شین‌ها نیز در محدودۀ 10% مقدار نامی تغییر داده می‌شود. با انجام محاسبات مشابه برای شبکۀ 118شینه، زمان اجرای DC-OPF و زمان مورد نیاز برای پیش‌بینی خروجی‌ها با استفاده از مدل آموزش‌دیدۀ یادگیری عمیق به ترتیب برابر 340 و 45 میلی‌ثانیه به دست می‌آید. برای چنین سیستمی، استفاده از مدل آموزش‌دیده باعث بهبود زمان تا حدود 8/97 درصد و افزایش سرعت حدود 6/7 برابر می‌شود که نشان از مقیاس‌پذیری روش یادشده است. چنین مزیتی فقط زمانی حاصل خواهد شد که مدل‌های یادگیری عمیق به‌خوبی آموزش دیده و در برابر تغییرات پارامترهای شبکه مقاوم شده باشند؛ در غیر این صورت، زمان تولید داده و آموزش مدل‌ها با حفظ دقت مناسب قابل ملاحظه خواهد بود. جدول (5) مقایسۀ عملکرد زمانی روش‌های مختلف تعیین ناحیۀ قابل تخصیص ژنراتورهای متداول را نشان می‌دهد.

جدول (5): مقایسۀ عملکرد زمانی مدل مبتنی بر یادگیری عمیق با الگوریتم‌های پیشین در تعیین ناحیۀ قابل تخصیص ژنراتورهای متداول

الگوریتم

روش اجرایی

زمان اجرای محاسبات (ثانیه)

30شینه

118شینه

الگوریتم پیشنهادی این مقاله

مدل یادگیری عمیق -5000 داده (کل فرایند تولید داده، آموزش مدل‌ها و ارزیابی)

14/842

65/1249

مدل یادگیری عمیق آموزش‌دیده (زمان پیش‌بینی)

08/2

09/2

الگوریتم مرجع [32]

داده‌محور با الگوریتم دسته‌بندی-500 داده

09/3

58/10

الگوریتم مرجع [12]

داده‌محور بدون الگوریتم دسته‌بندی -500 داده

31/8

38/29

 با تأمل در جدول (5) و مقایسۀ زمان‌های مورد نیاز برای تعیین ناحیۀ قابل تخصیص، می‌توان موارد زیر را استخراج کرد:

  • از آنجا که در روش مبتنی بر یادگیری عمیق برای دست‌یابی به دقت مناسب، به تولید داده‌های انبوه نیاز است، فرایند تولید داده، آموزش مدل‌ها و ارزیابی آنها نسبت به دیگر روش‌ها زمان‌بر و در مقایسه با روش‌های داده‌محور قابل ملاحظه است.
  • در صورتی که مدل به‌خوبی آموزش‌ دیده و در برابر تغییرات پارامترهای شبکه مقاوم شده باشد، زمان تعیین ناحیۀ قابل تخصیص ژنراتورهای متداول در مقایسه با دیگر روش‌ها به طرزی چشمگیر کاهش می‌یابد.

برای شناسایی هم‌زمان خطوطی که هم به مرز ظرفیت نزدیک می‌شوند و هم به تغییرات بار و تولید تجدیدپذیر حساس هستند، یک شاخص بحرانی ترکیبی به صورت  تعریف می‌شود که در آن،  مقدار نرمال‌شدۀ احتمال محدودیت و  مقدار نرمال‌شدۀ مجموع حساسیت خط j به همۀ ویژگی‌ها است. شکل (10) این شاخص را برای هشت خط بحرانی نشان می‌دهد و جدول (6) مقادیر تفصیلی آن را ارائه می‌کند. همان‌طور که مشاهده می‌شود، خطوط ۳۲، ۳۳ و ۱۱ بالاترین شاخص ترکیبی را دارند. خط ۳۲ با احتمال محدودیت زیاد (5/93 درصد) و حساسیت زیاد به منبع تجدیدپذیر شین ۲۲، بحرانی‌ترین خط شبکه محسوب می‌شود. خط ۳۳ با بیشترین حساسیت نسبت به منبع تجدیدپذیر موجود در شین ۲۲ در رتبۀ دوم قرار دارد. خط ۱۱ با احتمال محدودیت ۱۰۰ درصد، اما داشتن حساسیت کم، نشان می‌دهد احتمال محدودیت زیاد لزوماً به معنای حساسیت زیاد نیست. همچنین، خطوط ۳۸، ۲۰، ۱ و ۱۴ نیز به دلیل حساسیت زیاد نسبت به تغییرات بار و تغییرات توان منابع تجدیدپذیر در رتبه‌های بعدی قرار می‌گیرند.

برای تفکیک سهم مفسر هوشمند از تحلیل فیزیکی خطی، ۵ خط اول بحرانی با استفاده از XAI و PTDF استخراج و در

جدول (7) مقایسه شده‌اند. هم‌پوشانی ۶۰ درصد (۳ خط از ۵ خط: خطوط 20، 16 و 32) وجود دارد؛ با این حال، خطوط منحصربه‌فرد XAI (خطوط ۳۳ و ۳۸) دارای میانگین احتمال محدودیت 88/26 درصد هستند، در حالی که خطوط منحصربه‌فرد PTDF (خطوط ۱ و ۱۲) دارای احتمال محدودیت ۰ درصد هستند. این یافته نشان می‌دهد XAI، علاوه بر بازتولید حساسیت‌های خطی، قادر است خطوط بحرانی ناشی از اثرات غیرخطی بار و تولید تجدیدپذیر را نیز شناسایی و اطلاعات اضافی فراتر از PTDF ارائه کند.

 

جدول (6): مقادیر تفصیلی شاخص بحرانی ترکیبی

خط

احتمال محدودیت (٪)

مجموع حساسیت (MW)

شاخص ترکیبی Cj

۳۲

5/93

23/0

90/0

۳۳

76/53

26/0

77/0

۱۱

100

09/0

68/0

۳۸

0

26/0

45/0

۲۰

0

24/0

45/0

۱

0

21/0

39/0

۱۴

0

20/0

38/0

۱۶

0

19/0

35/0

 

جدول (7): مقایسۀ ۵ خط اول بحرانی XAI و PTDF

رتبه

خط بحرانی شناسایی‌شده با XAI

خط بحرانی شناسایی‌شده با PTDF

۱

۳۳

۱

۲

۲۰

۲۰

۳

۳۲

۳۲

۴

۳۸

۱۲

۵

۱۶

۱۶

شکل (10): شاخص بحرانی ترکیبی خطوط انتقال بر اساس ترکیب نرمال‌شدۀ احتمال محدودیت و مجموع حساسیت به تغییرات بار و تولید تجدیدپذیر

6-   نتیجه‌گیری

در این مقاله، ابتدا چالش‌های ناشی از افزایش نرخ نفوذپذیری منابع تجدیدپذیر در سیستم‌های قدرت بررسی شدند و سپس، ضرورت‌های تعیین ناحیۀ قابل تخصیص به منظور جلوگیری از نقض محدودیت‌های سیستم قدرت در نتیجۀ تزریق بیش از حد توان توسط این منابع تبیین شد. با توجه به پیچیدگی حل مسئلۀ تعیین ناحیۀ قابل تخصیص با روش‌های تحلیلی ریاضی و داده‌محور، از روش‌های مبتنی بر هوش مصنوعی مانند یادگیری عمیق استفاده شد. روش یادگیری عمیق به واسطۀ مزایایی مانند سرعت زیاد، دقت مناسب و مقاوم‌بودن در برابر تغییرات بار، می‌تواند کاربردی چشمگیر در تعیین نواحی قابل تخصیص داشته باشد.

به منظور افزایش کارآمدی مدل یادگیری عمیق، یک مفسر هوشمند برای تحلیل داده‌های مدل یادگیری به کار گرفته شد. مفسر پیشنهادی به عنوان یک تحلیل‌گر هوشمند عمل و با تحلیل داده‌های مدل یادگیری عمیق، رفتار و حساسیت عناصر سیستم قدرت را نسبت به تغییرات بار شین‌ها و توان تزریقی توسط منابع تجدیدپذیر تعیین و عناصر محدودکننده را به‌خوبی شناسایی می‌کند. نتایج عددی شبیه‌سازی بر روی سیستم قدرت نمونۀ استاندارد این موارد را تأیید کرد و نشان داد نتایج روش دقیق و روش یادگیری عمیق بسیار نزدیک به یکدیگر هستند. با توجه به زمان لازم برای پیش‌بینی خروجی ژنراتورهای متداول، روش پیشنهادی و تحلیل‌های ارائه‌شده توسط مفسر هوشمند آن می‌تواند گزینه‌ای مناسب برای حل مسائل پخش بار و تعیین نواحی قابل تخصیص در سیستم‌های قدرت بزرگ‌مقیاس به صورت زمان-واقعی باشد.

گفتنی است، روش پیشنهادی این مقاله مبتنی بر DC-OPF است و محدودیت‌های ولتاژ، توان راکتیو و تلفات شبکه را در نظر نمی‌گیرد. این محدودیت‌ها می‌توانند مرز ناحیۀ قابل تخصیص را تحت تأثیر قرار دهند؛ بنابراین، کاربرد روش حاضر به سیستم‌هایی محدود می‌شود که تقریب DC در آنها قابل قبول باشد. تعمیم روش به چارچوب AC-OPF به عنوان کار آینده پیشنهاد می‌شود. در این راستا، ساختار مدل یادگیری عمیق و مفسر هوشمند قابل تعمیم است و نیازمند تولید داده‌های آموزشی AC-OPF، آموزش مجدد شبکه‌ها و لحاظ‌کردن متغیرهای ولتاژ و توان راکتیو در ورودی‌ها و خروجی‌های مدل خواهد بود.

 

[1] تاریخ ارسال مقاله : 08/09/1404

تاریخ پذیرش مقاله : 13/08/1405

نام نویسنده مسئول : میثم دوستی‌زاده

نشانی نویسنده مسئول : ایران، خرم‌آباد، دانشگاه لرستان، دانشکده مهندسی

 

[1] Explainable Artificial Intelligence

[2] Dispatchable Region

[3] Probabilistic Operational Security Region

[4] Feasible Region

[5] Potentially Active Boundaries

[6] Data-Driven Methods

[7] Linear Programming

[8] Machine Learning

[9] Deep Learning

[10] Root Mean Square Error

[11] Mean Absolute Percentage Error

[12] Mean Absolute Error

[13] Mean Square Error

[14] Power Transfer Distribution Factor

 

[1] M. Mishra, J. G. Singh, “A comprehensive review on deep learning techniques in power system protection: Trends, challenges, applications and future directions”, Results in Engineering, pp. 103884, 2025. https://doi.org/10.1016/j.rineng.2024.103884
[2] S. Islam, N. K. Roy, “Renewables integration into power systems through intelligent techniques: Implementation procedures, key features, and performance evaluation”, Energy Reports, Vol. 9, pp. 6063-6087, 2023. https://doi.org/10.1016/j.egyr.2023.05.063
[3] W. Wei, F. Liu, S. Mei, “Dispatchable region of the variable wind generation”, IEEE Transactions on Power Systems, Vol. 30, No. 5, pp. 2755-2765, 2014. https://doi.org/10.1109/TPWRS.2014.2365555
[4] L. Deng, L. Tu, L. Huang, H. Cai, "Time-constrained Preventive Dispatch of Hybrid AC/DC Transmission Systems based on Dispatchable Region of Offshore Wind Power", 6th International Conference on Electrical, Electronic Information and Communication Engineering (EEICE), pp. 23-28, 2025. https://doi.org/10.1109/EEICE65049.2025.11034265  
[5] Z. Wang, T. Niu, S. Fang, G. Chen, N. Feng, Y. Feng, L. Xue, “Convex Hull Approximation of Probabilistic Security Region of Bulk Power System with High Renewable Energy Penetration Considering N− k Contingencies”, IEEE Transactions on Power Systems, 2025. https://doi.org/10.1109/TPWRS.2025.3559596
[6] X. Hu, C. Wan, Z. He, Z. Chen, Z. He, Y. Peng, "Probabilistic Forecasting-Based Operational Security Region for Power Systems With Renewable Energy Sources", 4th International Conference on Smart Grid and Green Energy (ICSGGE), pp. 66-71, 2025. https://doi.org/10.1109/ICSGGE64667.2025.10985212
[7] H. Xu, C. Guo, F. Sun, Y. Lin, "The Power Grid’s Convex Hull-Based Economic Dispatching Region for PQ Under Renewable Energy Uncertainties", 6th Asia Energy and Electrical Engineering Symposium (AEEES), pp. 745-749, 2024. https://doi.org/10.1109/AEEES61147.2024.10544817
[8] B. Liu, J. Ma, "Feasible region for DERs in unbalanced distribution networks with uncertain line impedances", IEEE Power & Energy Society General Meeting (PESGM), pp. 1-5, 2023. https://doi.rog/10.1109/PESGM52003.2023.10253037
[9] T. Zhao, J. Zhao, B. Cen, Z. Chen, Y. Jia, “Integrating High-DER-Penetrated Distribution Systems into Energy Market with Feasible Region and Accompanying Strategic Bidding”, Energies, Vol. 18, No. 21, pp. 5630, 2025. https://doi.org/10.3390/en18215630
[10]     Z. Shen, W. Wei, T. Ding, Z. Li, S. Mei, “Admissible region of renewable generation ensuring power flow solvability in distribution networks”, IEEE Systems Journal, Vol. 16, No. 3, pp. 3982-3992, 2022, https://doi.org/10.1109/JSYST.2021.3138908
[11]     Q. Ma, W. Wei, W. Chai, S. Mei, "Solvability Region of AC Power Flow with Volatile Renewable Generation and Operating Constraints", 40th Chinese Control Conference (CCC), pp. 1698-1702, 2021. https://doi.org/10.23919/CCC52363.2021.9549609
[12]     Y. Liu, Z. Li, W. Wei, J. Zheng, H. Zhang, “Data-driven dispatchable regions with potentially active boundaries for renewable power generation: concept and construction”, IEEE Transactions on Sustainable Energy, Vol. 13, No. 2, pp. 882-891, 2022. https://doi.org/10.1109/TSTE.2021.3138125
[13]     O. S. T. Al-Butti, M. Burunkaya, "Develop a Hybrid Optimization Technique (DNN-PSO) to Optimal Power Flow", International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA), pp. 1-9, 2025. https://doi.org/10.1109/ACDSA65407.2025.11166060
[14]     H. You, J. Yang, C. Lou, "Deep Learning-Based Real-time Approach for Robust Optimal Power Flow in Three-Phase Unbalanced Distribution Systems", 8th International Conference on Power and Renewable Energy (ICPRE), pp. 559-564, 2023. https://doi.org/10.1109/ICPRE59655.2023.10353675
[15]     A. Velloso, P. Van Hentenryck, “Combining deep learning and optimization for preventive security-constrained DC optimal power flow”, IEEE Transactions on Power Systems, Vol. 36, No. 4, pp. 3618-3628, 2021. https://doi.org/10.1109/TPWRS.2021.3054341
[16]     M. H. Dinh, F. Fioretto, M. Mohammadian, K. Baker, "An analysis of the reliability of ac optimal power flow deep learning proxies", IEEE PES Innovative Smart Grid Technologies Latin America (ISGT-LA), pp. 170-174, 2023. https://doi.org/10.1109/ISGT-LA56058.2023.10328223
[17]     G. Poyrazoglu, H. Oh, “Optimal topology control with physical power flow constraints and N-1 contingency criterion”, IEEE Transactions on Power Systems, Vol. 30, No. 6, pp. 3063-3071, 2015. https://doi.org/10.1109/TPWRS.2014.2379112
[18]     E. B. Fisher, R. P. O'Neill, M. C. Ferris, “Optimal transmission switching”, IEEE Transactions on Power Systems, Vol. 23, No. 3, pp. 1346-1355, 2008. https://doi.org/10.1109/TPWRS.2008.922256
[19]     J. D. Fuller, R. Ramasra, A. Cha, “Fast heuristics for transmission-line switching”, IEEE Transactions on Power Systems, Vol. 27, No. 3, pp. 1377-1386, 2012. https://doi.org/10.1109/TPWRS.2012.2186155
[20]     M. Numan, M. F. Abbas, M. Yousif, S. S. Ghoneim, A. Mohammad, A. Noorwali, “The role of optimal transmission switching in enhancing grid flexibility: A review”, IEEE Access, Vol. 11, pp. 32437-32463, 2023. https://doi.org/10.1109/ACCESS.2023.3261459
[21]     V. Shajin, P. Arun, P. Ansho, J. Juno, S. Rexley, “Role of Machine Learning in Power Systems: A Review”, International Journal of Scientific Research in Engineering and Management, Vol. 09, pp. 1-9, Vol. 9, No. 19, 2025. https://doi.org/10.55041/IJSREM52655
[22]     S. Sadeghi, A. Hesami Naghshbandy, P. Moradi, N. Rezaei, “Introduction and Literature Review of the Application of Machine Learning/Deep Learning to Control Problems of Power Systems”, Application of Machine Learning and Deep Learning Methods to Power System Problems, pp. 83-117, 2021. https://doi.org/10.1007/978-3-030-77696-1_5
[23]     A. Mathew, P. Amudha, S. Sivakumari, "Deep learning techniques: an overview", International Conference on Advanced Machine Learning Technologies and Applications, pp. 599-608, 2020, https://doi.org/10.1007/978-981-15-3383-9_54
[24]     I. Sarker, "Machine learning: algorithms, real-world applications and research directions. SN Comput Sci 2: 160”, 2021. https://doi.org/10.1007/s42979-021-00592-x
[25]     M. Mishra, J. Nayak, B. Naik, A. Abraham, “Deep learning in electrical utility industry: A comprehensive review of a decade of research”, Engineering Applications of Artificial Intelligence, Vol. 96, pp. 104000, 2020. https://doi.org/10.1016/j.engappai.2020.104000
[26]     H. Wang, Z. Lei, X. Zhang, B. Zhou, J. Peng, “A review of deep learning for renewable energy forecasting”, Energy Conversion and Management, Vol. 198, pp. 111799, 2019. https://doi.org/10.1016/j.enconman.2019.111799
[27]     A. K. Ozcanli, F. Yaprakdal, M. Baysal, “Deep learning methods and applications for electrical power systems: A comprehensive review”, International Journal of Energy Research, Vol. 44, No. 9, pp. 7136-7157, 2020. https://doi.org/10.1002/er.5331
[28]     S. Akhtar, M. Adeel, M. Iqbal, A. Namoun, A. Tufail, K.-H. Kim, “Deep learning methods utilization in electric power systems”, Energy Reports, Vol. 10, pp. 2138-2151, 2023. https://doi.org/10.1016/j.egyr.2023.09.028
[29]     M. M. Forootan, I. Larki, R. Zahedi, A. Ahmadi, “Machine learning and deep learning in energy systems: A review”, Sustainability, Vol. 14, No. 8, pp. 4832, 2022. https://doi.org/10.3390/su14084832
[30]     D. C. Montgomery, E. A. Peck, and G. G. Vining, Introduction to Linear Regression Analysis, 6th ed. Hoboken, NJ, USA: Wiley, 2021.
[31]     H. G. Kim, Y. Park, “Calibrating f1 scores for fair performance comparison of binary classification models with application to student dropout prediction”, IEEE Access, 2025. https://doi.org/10.1109/ACCESS.2025.3594735
[32]     A. Beiranvand, M. Shakarami, M. Doostizadeh, “Expanding Generator Flexibility Regions in Renewable-Rich Grid via Optimal Transmission Switching and Dynamic Line Rating”, International Journal of Industrial Electronics Control and Optimization, pp. -, 2026. https://doi.org/10.22111/ieco.2026.53986.1731
[33]     R. D. Zimmerman, C. E. Murillo-Sánchez, R. J. Thomas, “MATPOWER: Steady-state operations, planning, and analysis tools for power systems research and education”, IEEE Transactions on Power Systems, Vol. 26, No. 1, pp. 12-19, 2010. https://doi.org/10.1109/TPWRS.2010.2051168