واگرایی زمان هوشمند

2022 ، جلد 11

2021 ، جلد 10

2020 ، جلد 9

2019 ، جلد 8

2018 ، جلد 7

2017 ، جلد 6

2016 ، جلد 5

2015 ، جلد 4

2014 ، جلد 3

2013 ، جلد 2

2012 ، دوره 1

تشخیص ناهنجاری اولیه برای سیستم های قدرت بر اساس واگرایی Kullback-Leibler با استفاده از تجزیه و تحلیل مدل فاکتور

مجله آمریكایی سیستم های برق و انرژی الکتریکی جلد 10 ، شماره 4 ، ژوئیه 2021 ، صفحات: 60-73 دریافت شده: 3 آگوست 2021 ؛پذیرفته شده: 21 اوت 2021 ؛منتشر شده: 30 اوت 2021

چینگ فنگ ، گروه مهندسی برق و کامپیوتر ، دانشگاه فناوری تنسی ، کوکویل ، ایالات متحده

غادیر رادمن ، گروه مهندسی برق و کامپیوتر ، دانشگاه فناوری تنسی ، کوکویل ، ایالات متحده

Xuebin LI ، گروه مهندسی برق و کامپیوتر ، دانشگاه فناوری تنسی ، کوکویل ، ایالات متحده

تشخیص ناهنجاری در زمان واقعی یک کار نظارت مهم برای سیستم های قدرت است. بیشتر مطالعات در مورد تشخیص شبکه برق نتوانسته است سیگنال های گسل کوچک یا اختلالات را که ممکن است منجر به خسارت یا خاموشی در سطح سیستم شود ، شناسایی کنند. این کار روشی را برای تجزیه و تحلیل داده های PMU با ابعاد بالا و تشخیص وقایع اولیه برای سیستم های قدرت در مقیاس بزرگ در یک محیط نویز غیر گایزسی ارائه می دهد. همچنین ، همبستگی های فضا-زمانی داده های PMU توسط مدل فاکتور برای تشخیص ناهنجاری مورد بررسی قرار گرفته و تعیین می شود. بر اساس تئوری ماتریس تصادفی ، مدل فاکتور تنوع همبستگی های مکانی-زمانی در داده های PMU را کنترل می کند و تعداد عوامل پویا را تخمین می زند. واگرایی Kullback-Leibler برای اندازه گیری انحراف بین دو توزیع طیفی استفاده می شود: توزیع طیفی تجربی ماتریس کواریانس باقیمانده از داده های نظارت آنلاین و توزیع طیفی نظری آن که توسط مدل فاکتور تعیین می شود. با استفاده از IEEE 57-BUS ، IEEE 118-BUS و سیستم های 2383-BUS لهستانی ، سه مطالعه موردی مختلف نشان می دهد که روش پیشنهادی در شناسایی ناهنجاری های مرحله اولیه در داده های PMU با ابعاد بالا جمع آوری شده از شبکه های برق در مقیاس بزرگ مؤثرتر است. ارزیابی عملکرد تأیید می کند که این روش در مقایسه با سایر رویکردهای آماری حساس و قوی نسبت به سیگنال های گسل کوچک است. روش پیشنهادی یک رویکرد داده محور است که نیازی به دانش قبلی در مورد توپولوژی شبکه های برق ندارد.

چینگ فنگ ، غادیر رادمن ، Xuebin LI ، تشخیص اولیه ناهنجاری برای سیستم های قدرت بر اساس واگرایی Kullback-Leibler با استفاده از تجزیه و تحلیل مدل فاکتور ، مجله آمریکایی سیستم های برق و انرژی الکتریکی. دوره 10 ، شماره 4 ، ژوئیه 2021 ، صص 60-73. doi: 10. 11648/j. epes. 20211004. 12

کپی رایت © 2021 نویسندگان کپی رایت این مقاله را حفظ می کنند. این مقاله یک مقاله دسترسی آزاد است که تحت مجوز انتساب Creative Commons توزیع شده است (http://creativeecommons. org/licenses/by/4. 0/) که امکان استفاده ، توزیع و تولید مثل بدون محدودیت را در هر رسانه ای فراهم می کند ، مشروط بر اینکه کار اصلی به درستی استناد شودواد

Anderson ، D. ، Zhao ، C. ، Hauser ، C. ، Venkatasubramanian ، V. ، Bakken ، D. ، & Bose ، A. (2012). شبیه سازی در زمان واقعی برای کنترل شبکه هوشمند و طراحی ارتباطات. IEEE Power Power Mag. ، 10 (1) ، 49-57.

Kim ، D. I. ، Chun ، T. Y. ، Yoon ، S. H. ، Lee ، G. ، & Shin ، Y. J. (2015). روش تشخیص رویداد مبتنی بر موج با استفاده از داده های PMU. معاملات IEEE در شبکه هوشمند ، 8 (3) ، 1154-1162.

Rafferty ، M. ، Liu ، X. ، Laverty ، D. M. ، & McLoone ، S. (2016). تشخیص و طبقه بندی رویداد چندگانه در زمان واقعی با استفاده از PCA در حال حرکت. معاملات IEEE در شبکه هوشمند ، 7 (5) ، 2537-2548.

Ge ، Y. ، Flueck ، A. J. ، Kim ، D. K. ، Ahn ، J. B. ، Lee ، J. D. ، & Kwon ، D. Y. (2015). سیستم قدرت تشخیص رویداد در زمان واقعی و کاهش بایگانی داده های مرتبط بر اساس همگام سازی. معاملات IEEE در شبکه هوشمند ، 6 (4) ، 2088-2097.

Lim ، J. M. ، & DeMarco ، C. L. (2015). ارزیابی پایداری ولتاژ مبتنی بر SVD از داده های واحد اندازه گیری فازور. معاملات IEEE در سیستم های برق ، 31 (4) ، 2557-2565.

Wang ، B. ، Fang ، B. ، Wang ، Y. ، Liu ، H. ، & Liu ، Y. (2016). ارزیابی پایداری گذرا سیستم قدرت بر اساس داده های بزرگ و دستگاه بردار هسته. معاملات IEEE در شبکه هوشمند ، 7 (5) ، 2561-2570.

Zhou ، D. Q. ، Annakkage ، U. D. ، & Rajapakse ، A. D. (2010). نظارت آنلاین حاشیه پایداری ولتاژ با استفاده از یک شبکه عصبی مصنوعی. معاملات IEEE در سیستم های برق ، 25 (3) ، 1566-1574.

Khaledian ، E. ، Pandey ، S. ، Kundu ، P. ، & Srivastava ، A. K. (2020). تشخیص ناهنجاری و طبقه بندی داده های همگام سازی در زمان واقعی با استفاده از جنگل جداسازی ، KMEANS و حلقه. معاملات IEEE در شبکه هوشمند ، 12 (3) ، 2378-2388.

Shen ، L. ، Du ، H. ، Liu ، S. ، Chen ، S. ، Qiao ، L. ، Liu ، S. & Li ، J. (2020). نظارت بر زمان واقعی برای تشخیص گسل ترانسفورماتور قدرت بر اساس جنگل جدا شده. در سری کنفرانس IOP: علوم و مهندسی مواد (جلد 715 ، شماره 1 ، ص 012033). انتشارات IOP.

Tan, Y., Hu, C., Zhang, K., Zheng, K., Davis, E. A., & Park, J. S. (2020). تشخیص ناهنجاری مبتنی بر LSTM برای سیستم دینامیکی غیر خطی. دسترسی IEEE، 8، 103301-103308.

Malhotra, P., Vig, L., Shroff, G., & Agarwal, P. (2015, آوریل). شبکه های حافظه کوتاه مدت برای تشخیص ناهنجاری در سری های زمانیدر مجموعه مقالات (جلد 89، ص 89-94).

شی، ایکس.، کیو، آر.، می، تی.، او، ایکس، و ژو، ی. (2019). یادگیری ویژگی های خصمانه داده های نظارت آنلاین برای ارزیابی ریسک عملیاتی در شبکه های توزیعمعاملات IEEE در سیستم های قدرت، 35 (2)، 975-985.

Zhang، L.، وانگ، G.، و Giannakis، G. B. (2019). تخمین و پیش‌بینی وضعیت سیستم قدرت در زمان واقعی از طریق شبکه‌های عصبی عمیقمعاملات IEEE در پردازش سیگنال، 67 (15)، 4069-4077.

کیو، آر سی، و آنتونیک، پی (2017). شبکه هوشمند با استفاده از تجزیه و تحلیل داده های بزرگ: یک رویکرد نظریه ماتریس تصادفیجان وایلی و پسران

Qiu, R., Chu, L., He, X., Ling, Z., & Liu, H. (2018). تجزیه و تحلیل کلان داده های مکانی-زمانی برای شبکه های هوشمند بر اساس نظریه ماتریس تصادفی. حمل و نقل و شبکه برق در شهرهای هوشمند: شبکه ها و خدمات ارتباطی، 591-633.

Ma, D., Hu, X., Zhang, H., Sun, Q., & Xie, X. (2019). یک روش تشخیص رویداد سلسله مراتبی بر اساس نظریه طیفی ماتریس چند بعدی برای سیستم قدرتتراکنش های IEEE در سیستم ها، انسان و سایبرنتیک: سیستم ها.

ژو، دبلیو، شنگ، جی، لو، اچ، لی، دبلیو، و او، ایکس (2018). تشخیص و محلی‌سازی خرابی‌های مدار باز زیرماژول برای مبدل‌های چند سطحی مدولار با قضیه حلقه تک. IEEE Transactions on Power Electronics، 34 (4)، 3729-3739.

He, X., Qiu, R. C., Ai, Q., Chu, L., Xu, X., & Ling, Z. (2016). طراحی برای آگاهی از وضعیت شبکه های برق آینده: یک سیستم نشانگر مبتنی بر آمار ارزش ویژه خطی ماتریس های تصادفی بزرگ. دسترسی IEEE، 4، 3557-3568.

Xu, X., He, X., Ai, Q., & Qiu, R. C. (2015). یک روش تحلیل همبستگی برای سیستم های قدرت بر اساس نظریه ماتریس تصادفی. معاملات IEEE در شبکه هوشمند، 8 (4)، 1811-1820.

شی، ایکس، کیو، آر.، لینگ، زی، یانگ، اف.، یانگ، اچ.، و او، ایکس. (2019). تجزیه و تحلیل همبستگی مکانی-زمانی داده های نظارت آنلاین برای تشخیص ناهنجاری و مکان یابی در شبکه های توزیعمعاملات IEEE در شبکه هوشمند، 11 (2)، 995-1006.

Chakhchoukh, Y., Vittal, V., & Heydt, G. T. (2013). برآورد حالت مبتنی بر PMU با ادغام همبستگی. معاملات IEEE در سیستم های قدرت، 29 (2)، 617-626.

Yeo ، J. ، & Papanicolaou ، G. (2016). رویکرد ماتریس تصادفی به برآورد مدلهای فاکتور با ابعاد بالا. arxiv preprint arxiv: 1611. 05571.

Kapetanios ، G. (2010). یک روش آزمایش برای تعیین تعداد عوامل در مدل های تقریبی فاکتور با مجموعه داده های بزرگ. مجله آمار تجارت و اقتصادی ، 28 (3) ، 397-409.

Pelger ، M. (2019). مدل سازی فاکتور بزرگ بعدی بر اساس مشاهدات با فرکانس بالا. مجله اقتصاد سنج ، 208 (1) ، 23-42.

لی ، D. ، و بالدیک ، R. (2016). تولید سناریوی بار و باد از طریق مدل فاکتور پویا عمومی. معاملات IEEE در سیستم های برق ، 32 (1) ، 400-410.

Bakdi ، A. ، Bounoua ، W. ، Mekhilef ، S. ، & Halabi ، L. M. (2019). kullback-divergence غیر پارامتری برای تشخیص عدم تطابق هوشمند و نظارت بر کیفیت قدرت در PV پشت بام متصل به شبکه. انرژی ، 189 ، 116366.

Gupta ، S. ، Waghmare ، S. ، Kazi ، F. ، Wagh ، S. ، & Singh ، N. (2016 ، مارس). تجزیه و تحلیل خطر خاموشی در سیستم WAMPAC شبکه هوشمند با استفاده از روش واگرایی KL. در سال 2016 IEEE ششم کنفرانس بین المللی سیستم های قدرت (ICPS) (صفحات 1-6). IEEE

Chen ، H. ، Jiang ، B. ، & Lu ، N. (2018). یک روش تشخیص گسل اولیه بهبود یافته بر اساس واگرایی Kullback-Leibler. معاملات ISA ، 79 ، 127-136.

Harmouche ، J. ، Delpha ، C. ، & Diallo ، D. (2014). تشخیص و تشخیص گسل اولیه مبتنی بر واگرایی Kullback-Leibler با استفاده از تجزیه و تحلیل مؤلفه اصلی: قسمت I. پردازش سیگنال ، 94 ، 278-287.

Harmouche ، J. ، Delpha ، C. ، & Diallo ، D. (2015). تشخیص و تشخیص گسل اولیه مبتنی بر واگرایی Kullbac k-Leibler با استفاده از تجزیه و تحلیل مؤلفه اصلی: قسمت دوم. پردازش سیگنال ، 109 ، 334-344.

Zhang ، X. ، Delpha ، C. ، & Diallo ، D. (2020). تشخیص و تخمین گسل اولیه مبتنی بر واگرایی جنسن-شنون در یک رویکرد داده محور. پردازش سیگنال ، 169 ، 107410.

De La Ree ، J. ، Centeno ، V. ، Thorp ، J. S. ، & Phadke ، A. G. (2010). برنامه های اندازه گیری فازور هماهنگ در سیستم های برق. معاملات IEEE در شبکه هوشمند ، 1 (1) ، 20-27.

Sarri ، S. ، Zanni ، L. ، Popovic ، M. ، Le Boudec ، J. Y. ، & Paolone ، M. (2016). ارزیابی عملکرد برآوردگرهای حالت خطی با استفاده از اندازه گیری سنکروفاسور. معاملات IEEE در ابزار دقیق و اندازه گیری ، 65 (3) ، 535-548.

Marchenko ، V. A. ، & Pastur ، L. A. (1967). توزیع مقادیر ویژه برای برخی از مجموعه های ماتریس تصادفی. Matematicheskii Sbornik ، 114 (4) ، 507-536.

Burda ، Z. ، Jarosz ، A. ، Nowak ، M. A. ، & Snarska ، M. (2010). یک رویکرد ماتریس تصادفی به فرآیندهای وارما. مجله جدید فیزیک ، 12 (7) ، 075036.

Ghanavati ، G. ، Hines ، P. D. ، & Lakoba ، T. I. (2015). شناسایی شاخص های آماری مفید از نزدیکی به بی ثباتی در سیستم های قدرت تصادفی. معاملات IEEE در سیستم های برق ، 31 (2) ، 1360-1368.

Kullback ، S. ، & Leibler ، R. A. (1951). در مورد اطلاعات و کفایت. سالنامه های آمار ریاضی ، 22 (1) ، 79-86.

Fuglede ، B. ، & Topsoe ، F. (2004 ، ژوئن). Jensen-Shannon Divergence و Hilbert Space تعبیه شده است. در تئوری بین المللی در سمپوزیوم بین المللی ، 2004. ISIT 2004. مجموعه مقالات.(ص 31). IEEE

Zimmerman ، R. D. ، Murillo-Sánchez ، C. E. ، & Thomas ، R. J. (2010). Matpower: عملیات پایدار ، برنامه ریزی و ابزارهای تجزیه و تحلیل برای تحقیق و آموزش سیستم های قدرت. معاملات IEEE در سیستم های برق ، 26 (1) ، 12-19.

Marcelino ، C. G. ، Almeida ، P. E. ، Wanner ، E. F. ، Baumann ، M. ، Weil ، M. ، Carvalho ، L. M. ، & Miranda ، V. (2018). حل امنیت مشکلات بهینه جریان قدرت: یک رویکرد تکاملی ترکیبی. اطلاعات کاربردی ، 48 (10) ، 3672-3690.