دانلود مقاله ISI انگلیسی شماره 52865 + ترجمه فارسی
عنوان فارسی مقاله

تخمین حالت دینامیکی سیستم قدرت بر اساس یک فیلتر جدید ذره

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
52865 2011 6 صفحه PDF 10 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Power System Dynamic State Estimation Based on a New Particle Filter
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Environmental Sciences, Volume 11, Part B, 2011, Pages 655–661

فهرست مطالب ترجمه فارسی
چکیده
کلیدواژه ها
1 . مقدمه
2.تخمین حالت دینامیکی فیلتر کالمن توسعه یافته (EKF)
3.تخمین حالت دینامیکی فیلتر کالمن خنثی (UKF)
4. تخمین حالت دینامیکی توسط فیلتر ترکیب ذره کالمن
5. تخمین حالت دینامیکی اندازه‌گیری ترکیبی
6. نمونه شبیه‌سازی و تحلیل
شکل1. سیستم شبیه‌سازی
جدول 1 شاخص‌های عملکردی سه روش
شکل 2 مقایسه‌ی دامنه‌ها
شکل3 مقایسه‌ی زوایا
7.نتیجه‌گیری
کلمات کلیدی
سیستم قدرت، برآورد پویا دولت، فیلتر ذرات مخلوط کالمن ، اندازه گیری مخلوط، شبیه سازی
ترجمه چکیده
به منظور بهبود عملکرد تخمین حالت دینامیکی سیستم قدرت، یک فیلتر جدید ذره برای مسائل فیلترینگ غیرخطی (فیلتر ذره‌ی کالمن ترکیبی ، MKPF) معرفی می‌شود. این روش که مبتنی بر فیلتر کالمن توسعه یافته (EKF) و فیلتر کالمن خنثی (UKF) می‌باشد قادر است عبارت تقریبی صحیح‌تری از اختلال واقعی بدست آورد. در ترکیب با داده‌های زمان واقعی اندازه‌گیری ترکیبی (WAMS/SCADA)، یک شبیه‌سازی از تخمین حالت دینامیکی سیستم قدرت ایجاد می‌شود. در نهایت، نتایج شبیه‌سازی نشان می‌دهند که این روش می‌تواند به سرعت پس از اغتشاش سیستم، مقدار واقعی را تعقیب کرده و نسبت به روش‌های EKF و UKF قوت و صحت تخمین بهتری بدست آورد.
ترجمه مقدمه
تخمین حالت دینامیکی شاخه‌ای از تخمین حالت است. یک سیستم قدرت واقعی یک سیستم پیچیده، غیرخطی و پویا (دینامیک) است. تخمین حالت دینامیکی، با طبیعت سیستم قدرت بیش از تخمین حالت استاتیکی در یک راستاست. تخمین حالت دینامیکی، که دارای قابلیت‌های پیش‌بینی کننده است، می‌تواند وضعیت عملکرد زمان واقعی از سیستم قدرت فراهم کند. بنابراین، یکی از بخش‌های مهم سیستم مدیریت انرژی (EMS) است. در حال حاضر، روش تخمین حالت دینامیکی سیستم قدرت مبتنی بر روش فیلتر کالمن توسعه یافته (EKF) است. در شرایط عملکرد طبیعی، استفاده از روش EKF برای دستیابی به تخمین حالت دینامیکی سیستم قدرت نسبتا صحیح است. در حالی که در برخی موارد خاص، مثل تغییرات توان خروجی بار یا ژنراتور، محدودیت روش EKF موجب یک خطای بزرگ خواهد شد. به منظور بهبود پیش‌بینی و عملکرد فیلترینگ آن، مقالات چینی و دیگر کشورها به برخی پیشرفت‌ها دست یافته‌اند: بر اساس مدل پیش‌بینی بار، مرجع [3] از یک روش دینامیکی که قادر به پیش‌بینی صحیح تمایل بار سیستم است، استفاده کرده است. مرجع [4] از فیلتر کالمن تطبیقی (AKF) برای بهبود دقت فیلترینگ بهره برده است. اما به دلیل پارامترهای مدل تخمین برخط (آنلاین) و مشخصات آماری نویز آن، مقدار محاسبه شده خیلی بزرگ بوده و به سختی نیازهای برخط را برآورده می‌کند. مرجع [5] از روش فیلتر کالمن خنثی (UKF) برای تخمین حالت دینامیکی سیستم استفاده کرده است و نسبت به روش EKF مرسوم به تخمین صحیح‌تری دست‌یافته است. با این حال، فیلتر کالمن خنثی دارای برخی محدودیت‌های کابردی است. این فیلتر تنها در مدل توزیع گاوسی معمولی به کار می‌رود. در حالی که سیستم قدرت واقعی یک سیستم غیرخطی است، به خصوص پس از اغتشاش‌های بزرگ که بار تغییر یافته و ژنراتورها نیز نوسان بزرگی از خود نشان خواهند داد. این تغییر و نوسان به شدت غیرخطی بوده و کل سیستم یک سیستم غیرخطی متغیر با زمان است، که استفاده از روش فیلتر کالمن خنثی برای تخمین حالت دینامیکی دارای نواقص خاص خود است. طبق ملاحظات فوق، یک فیلتر جدید ذره برای مسائل فیلترینگ غیرخطی که در مرجع [6] معرفی شده است در این مقاله ارائه می‌شود. این روش، که روش‌های EKF و UKF را به عنوان توزیع توصیه شده با هم ترکیب می‌کند، می‌تواند به عبارت تقریبی صحیح‌تری برای توزیع واقعی دست یابد که دقت پیش‌بینی و فیلترینگ آن بیشتر است. در ترکیب با داده‌های زمان واقعی اندازه‌گیری ترکیبی، یک شبیه‌سازی تخمین حالت دینامیکی سیستم قدرت ایجاد می‌شود. در نهایت، نتایج شبیه‌سازی اعتبار این روش را تایید می‌کنند.
پیش نمایش مقاله
پیش نمایش مقاله تخمین حالت دینامیکی سیستم قدرت بر اساس یک فیلتر جدید ذره

چکیده انگلیسی

In order to improve the performance of power system dynamic state estimation, a new particle filter for nonlinear filtering problems (Mixed Kalman Particle Filter, MKPF) is introduced. The MKPF method which based on the extended Kalman filter (EKF) and the unscented Kalman filter (UKF), can obtain a more accurate approximate expression of the true distribution. Combined with the real-time data of mixed measurement (WAMS/SCADA), a simulation of power system dynamic state estimation is established. Finally, the simulation results show that the method can quickly follow to the real value after the power system is disturbed and obtain higher estimated accuracy and robustness than the EKF and UKF methods.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.