The growing hierarchical self-organizing mapping for large scale power system static security assessment

• Autorzy: Boudour Mohamed , Hellal Abdelhafid

Warianty tytułu

PL

Rozwijające hierarchiczne samoorganizujące odwzorowywanie w ocenie bezpieczeństwa statycznego dużego systemu elektroenergetycznego

• Języki publikacji: EN

Abstrakty

EN

The paper presents an artificial neural-net based technique which combines supervised and unsupervised learning for on-line evaluating of power system static security. It automatically scans contingencies of a power system. The proposed approach allows the on-line security evaluation of (N - 1) contingencies by considering the pre-fault state vector. ANN-based pattern recognition is carried out with the growing hierarchical self-organizing feature mapping (GHSOM) in order to provide an adaptive neural net architecture during its unsupervised training process. Numerical tests, carried out on a IEEE 14 buses power system are presented and discussed. The analysis using such method provides accurate results and improves the effectiveness of system security evaluation. It is especially suitable for the static security assessment of large-scale power systems.

PL

W artykule przedstawiono, opartą o technikę sieci neuronowej, metodę ciągłej oceny bezpieczeństwa statycznego systemu, łączącą kontrolowane i niekontrolowane procesy uczenia. Nadzoruje ona automatycznie kontyngencje systemu. Proponowane podejście pozwala na ciągłą ocenę {N - 1) kontyngencji poprzez analizę wektora stanów przedawaryjnych. Rozpoznawanie obrazów, oparte o sieć neuronową, prowadzone jest z zastosowaniem rozwijającego, hierarchicznego, samoorganizującego się odwzorowywania właściwości dla uzyskania adaptacyjnej architektury sieci podczas procesu niekontrolowanego uczenia. Opisano i przedyskutowano badania numeryczne systemu z 14 szynami zbiorczymi (system IEEE 14). Analiza systemu prowadzona za pomocą przedstawionej metody zapewnia dokładność wyników i lepszą efektywność oceny bezpieczeństwa systemu. Metoda jest szczególnie przydatna do oceny bezpieczeństwa statycznego dużych systemów elektroenergetycznych.

Słowa kluczowe

EN

power system static security assessment; self-organizing feature map; growing hierarchical SOM; neural network classifier

PL

system elektroenergetyczny; bezpieczeństwo systemu elektroenergetycznego

• Wydawca: Polish Academy of Sciences, Committee on Electrical Engineering
• Czasopismo: Archives of Electrical Engineering
• Rocznik: 2004
• Tom: Vol. 53, nr 1
• Strony: 49--64
• Opis fizyczny: Bibliogr. 16 poz., tab., rys.

Twórcy

autor

Boudour Mohamed

• Université des Sciences et de la Technologie Houari Boumediene, Algiers, Algeria

autor

Hellal Abdelhafid

• Ecole Nationale Polytechnique, Algiers, Algeria

Bibliografia

• 1.Sobajic D. J., Pao Y. H.: Artificial neural-net based dynamic security assessment. IEEE Trans. Power Systems, Vol.4, no. 1, Feb 1989, pp. 220-228.
• 2. El Sharkawi M. A. et al.: Towards static security assessment of a large scale power system using neural networks. IEE Proceedings-C, Vol. 139, No 1, Jan 1992, pp. 64-70.
• 3. Mansour Y. et al.: Dynamic security contingency screening and ranking using neural networks, IEEE Trans. Neural Networks, Vol. 8, No 1, July 1997, pp. 942-950.
• 4. Aggoune M. E.: Power system security assessment using Artificial Neural Networks. PHD Thesis, University of Washington, 1988.
• 5. Reed R. D., Marks R. J.: Neural Smithing: Supervised learning in feedforward ANN. Cambridge, MA, MIT Press, 1999.
• 6. Weerasooriya S., El Sharkawi M. A.: Use of Karhunen-Loe's expansion in training neural networks for static security assessment. Proceedings of First International Forum on Applications of Neural Networks to Power Systems, Seattle, WA, July 1991, pp. 59-64.
• 7. Kask S. et al.: Bibliography of self-organizing map (SOM) papers. Neural comput-Surveys, Vol. 1, No 3 & 4, 1998, pp. 1-176.
• 8. Rauber A., Merkel D.: The growing hierarchical self-organizing map: exploratory analysis of high-dimensional data. IEEE Transactions on Neural Networks, Vol. 13, No. 6, Nov 2002, pp. 1331-1341.
• 9. Alsac O., Stott B.: Optimal load flow with steady state security, IEEE Transactions on Power Apparatus & Systems. No. 19, 1974, pp. 745-751.
• 10. Boudour M., Hellal A.: Self-Organizing Feature Maps for Power System Dynamie Security Assessment using Synchronizing and Damping Torques Technique. Proceedings of the 29th Annual Conference of the IEEE Industrial Electronics Society, Roanoke, Virginia, USA, November 2003, pp. 752-757.
• 11. IEEE Committee Report: Load representation for dynamic performance analysis. IEEE Transactions on Power Systems, Vol-8, No 2, may 1993, pp. 472-482.
• 12. Prabhakara F. S., Heydt G. T.: Review of pattern recognition methods for rapid analysis of transient stability. IEEE Power Engineering Society Technical Report, PWRS, 1987.
• 13. Marks II R. J. et al.: The effect of stochastic interconnects in Artificial Neural Network Classification. IEEE International Conference on Neural Networks, July 1988.
• 14. Kohonen T.: Fast evolutionary learning with batch-type self-organizing maps. Neural Process Lett, 1999.
• 15. Neibur D., Germond A. J.: Power system static security assessment using the Kohonen neural network classifier, IEEE Transactions on Power Systems, Vol. 7, No 2, May 1992, pp. 865-872.
• 16. Mori H. et al.: An Artificial Neural-net Based Technique for power system dynamic stability with the Kohonen Mode. IEEE Transactions on Power Systems, Vol. 7, No. 2, May 1992, pp. 856-864.