FEATURE REDUCTION TECHINIQUES IN DYNAMIC STABILITY PREDICTIONPOWER SYSTEMUSING FEEDFORWARD NEURAL NETWORKS AND RADIAL BASIS FUNCTION NEURAL NETWORKS

Nguyễn Ngọc Âu,Trần Hữu Phụng
Trường Đại học Sư Phạm Kỹ Thuật TP.HCM
(Ngày tòa soạn nhận được bài 05/01/2015, ngày phản biện đánh giá 6/02/2015, ngày chấp nhận đăng 05/3/2/2015)
TÓM TẮT
Bài báo giới thiệu ứng dụng mạng nơ-ron truyền thẳng nhiều lớp (Multilayer Feedforward Neural Networks (MLFN)) và mạng nơ-ron hàm truyền xuyên tâm (Radial Function BasisNetworks (RBFN)) để đánh giá ổn định động hệ thống điện cùng kỹ thuật lựa chọn biến đặc trưng. Đánh giá ổn định động hệ thống điện dựa trên quan hệ góc công suất giữa các máy phát trên hệ thống thông qua mô phỏng off-line. Quá trình mô phỏng được thực hiện trên hệ thống điện GSO 37 nút, xét ngắn mạch 3 pha cân bằng trên hệ thống với công suất phát và phụ tải định mức. Dữ liệu thu được từ mô phỏng làm dữ liệu huấn luyện cho MLFN và RBFN. Quá trình giảm biến đặc trưng ngõ vào sử dụng phương pháp Fisher Discrimination và Divergence.Kết quả cho thấy trạng thái ổn định của hệ thống điện được chẩn đoán với độ chính xác cao.So sánh kết quả nhận dạng với cùng số biến đặc trưng,RBFN có độ chính xác cao hơn với thời gian tính toán nhanh hơn MLFN.
Từ khóa: Đánh giá ổn định động hệ thống điện, mạng nơ-ron nhân tạo, lựa chọn biến đặc trưng.

ABSTRACT
This paper presents an application of Multilayer Feedforward Neural Networks (MLFN) and Radial Bais Function Neural Network (RBFN) for Power System Dynamic Stability Assessment (DSA) with feature reduction techniques. Dyamic stability of the power system is first determined based on the generator relative rotor angles obtained from time domain simulations. Simulations were carried out on the GSO 37-bus test system considering three phase faults on at rated power. The data collected from the time domain simulations are then used as inputs to the MLFN and RBFN. Reduced feature inputs based on Fisher Discrimination and Divergence. MLFN and RBFN results show that the stability condition of the power system can be predicted with high accuracy. In addition, the performance of the variable selection methods as well as the performance of the MLFN and RBFN was compared.
Keywords: Dynamic stability assessment, neural networks, feature/variable selection.
Góp ý
Họ và tên: *  
Email: *  
Tiêu đề: *  
Mã xác nhận:
 
 
   
  
 
 
   
 *
Copyright © Tạp Chí Khoa Học Giáo Dục Kỹ Thuật - Trường Đại Học Sư Phạm Kỹ Thuật - TP.HCM  
Địa chỉ: Phòng 601B, 1 Võ Văn Ngân, Quận Thủ Đức, Thành Phố Hồ Chí Minh. 
Điện thoại: 08-3722.1223 (8168)
Email:
tapchikhgdkt@hcmute.edu.vn

                                      
                                

Truy cập tháng: 21,048

Tổng truy cập:230,381