بکارگیری اقدامات پیشگیرانه قبل از وقوع حوادث طبیعی شدید با هدف افزایش تاب آوری شبکه توزیع

فناوری های نوین مهندسی برق در سیستم انرژی سبز

دوره 2، شماره 1 - شماره پیاپی 5، خرداد 1402، صفحه 1-19   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30486/teeges.2022.1971121.1045

نویسندگان

امید ناظم؛ هادی ثقفی اصفهانی^*

دانشکده فنی مهندسی، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران

چکیده

در سال­های اخیر نرخ وقوع حوادث طبیعی شدید افزایش پیدا کرده است که این امر منجر به خسارت­های گسترده به سیستم قدرت و وقوع خاموشی­های گسترده شده است. برای کم کردن اثرات نرخ وقوع حوادث طبیعی شدید می­توان از اقدامات کنشگرانه در شبکه توزیع استفاده کرد. اقدامات کنشگرانه در مقابل اقدامات واکنشگرانه قرار دارند. اقدامات کنشگرانه قبل از حادثه و در مقابل اقدامات واکنشگرانه پس از حادثه انجام می­شوند. در این مقاله یک مدل ریاضی برای نشان دادن تاثیرات اقدامات پیشگیرانه ارائه شده است. در مدل پیشنهادی به محض پیش­بینی وقوع حادثه، با پیش­بینی خروج خطوط آسیب­دیده در شبکه با استفاده از روش مونت­کارلو در نرم­افزار متلب، سناریوهای خرابی پس از حادثه تولید می­شوند. سپس به منظور کاهش حجم محاسبات از کاهش سناریو در نرم­افزار GAMS استفاده می­شود. در مرحله آخر با اجرای مدل پیشنهادی محل بهینه نصب منابع تولید پراکنده قابل حمل و تیم تعمیر تعیین می­گردد. با تعریف مطالعات موردی مختلف و شبیه­سازی بر روی شبکه نمونه مشاهده می­شود که بر اساس نتایج بدست آمده،  مقدار انرژی تامین نشده و مدت زمان خاموشی بارها به طور قابل توجهی کاهش پیدا می­کند که این امر نشان­دهنده کارائی روش پیشنهادی در مواجهه با حادثه پیش­رو می­باشد.

کلیدواژه‌ها

تاب‌آوری؛ اقدامات پیشگیرانه؛ شبکه توزیع؛ تیم‌های تعمیر؛ منابع تولید پراکنده قابل حمل

مراجع

[1] B. Taheri, A. Safdarian, M. Moeini-Aghtaie, and M. Lehtonen, “Enhancing resilience level of power distribution systems using proactive operational actions,” IEEE Access, vol. 7, pp. 137378–137389, 2019, doi: 10.1109/ACCESS.2019.2941593.

[2] M. H. Amirioun, F. Aminifar, H. Lesani, and M. Shahidehpour, “Metrics and quantitative framework for assessing microgrid resilience against windstorms,” Int. J. Electr. Power Energy Syst., vol. 104, pp. 716–723, 2019, doi: 10.1016/j.ijepes.2018.07.025.

[3] L. A. Zadeh, “Fuzzy sets as a basis for a theory of possibility,” Fuzzy Sets Syst., vol. 1, no. 1, pp. 3–28, 1978, doi: 10.1016/0165-0114(78)90029-5.

[4] A. M. Madni and S. Jackson, “Towards a conceptual framework for resilience engineering,” IEEE Syst. J., vol. 3, no. 2, pp. 181–191, 2009, doi: 10.1109/JSYST.2009.2017397.

[5] C. Perrings, “Resilience and sustainable development,” Environment and Development Economics, vol. 11, no. 4. pp. 417–427, 2006, doi: 10.1017/S1355770X06003020.

[6] A. Gholami, T. Shekari, M. H. Amirioun, F. Aminifar, M. H. Amini, and A. Sargolzaei, “Toward a consensus on the definition and taxonomy of power system resilience,” IEEE Access, vol. 6, pp. 32035–32053, 2018, doi: 10.1109/ACCESS.2018.2845378.

[7] H. Luan and C. C. Tsai, “A Review of Using Machine Learning Approaches for Precision Education,” Educ. Technol. Soc., vol. 24, no. 1, pp. 250–266, 2021.

[8] A. Mosavi, P. Ozturk, and K. W. Chau, “Flood prediction using machine learning models: Literature review,” Water (Switzerland), vol. 10, no. 11, p. 1536, 2018, doi: 10.3390/w10111536.

[9] B. Choubin et al., “Earth fissure hazard prediction using machine learning models,” Environ. Res., vol. 179, p. 108770, 2019, doi: 10.1016/j.envres.2019.108770.

[10] A. Jaafari, E. K. Zenner, M. Panahi, and H. Shahabi, “Hybrid artificial intelligence models based on a neuro-fuzzy system and metaheuristic optimization algorithms for spatial prediction of wildfire probability,” Agric. For. Meteorol., vol. 266–267, pp. 198–207, 2019, doi: 10.1016/j.agrformet.2018.12.015.

[11] R. Sharma, S. Rani, and I. Memon, “A smart approach for fire prediction under uncertain conditions using machine learning,” Multimed. Tools Appl., vol. 79, no. 37–38, pp. 28155–28168, 2020, doi: 10.1007/s11042-020-09347-x.

[12] H. Gao, Y. Chen, S. Mei, S. Huang, and Y. Xu, “Resilience-Oriented Pre-Hurricane Resource Allocation in Distribution Systems Considering Electric Buses,” Proc. IEEE, vol. 105, no. 7, pp. 1214–1233, 2017, doi: 10.1109/JPROC.2017.2666548.

[13] S. Lei, C. Chen, H. Zhou, and Y. Hou, “Routing and Scheduling of Mobile Power Sources for Distribution System Resilience Enhancement,” IEEE Trans. Smart Grid, vol. 10, no. 5, pp. 5650–5662, 2018, doi: 10.1109/TSG.2018.2889347.

[14] A. Gholami, T. Shekari, and S. Grijalva, “Proactive Management of Microgrids for Resiliency Enhancement: An Adaptive Robust Approach,” IEEE Trans. Sustain. Energy, vol. 10, no. 1, pp. 470–480, 2019, doi: 10.1109/TSTE.2017.2740433.

[15] M. H. Amirioun, F. Aminifar, and H. Lesani, “Resilience-Oriented Proactive Management of Microgrids Against Windstorms,” IEEE Trans. Power Syst., vol. 33, no. 4, pp. 4275–4284, 2018, doi: 10.1109/TPWRS.2017.2765600.

[16] M. H. Amirioun, F. Aminifar, and M. Shahidehpour, “Resilience-promoting proactive scheduling against hurricanes in multiple energy carrier microgrids,” IEEE Trans. Power Syst., vol. 34, no. 3, pp. 2160–2168, 2019, doi: 10.1109/TPWRS.2018.2881954.

[17] J. Zhao, S. Kucuksari, E. Mazhari, and Y. J. Son, “Integrated analysis of high-penetration PV and PHEV with energy storage and demand response,” Appl. Energy, vol. 112, pp. 35–51, 2013, doi: 10.1016/j.apenergy.2013.05.070.