پایش سیستم توزیع برای شبکه هوشمند توزیع برق با تولید پراکنده با استفاده از شبکه‌های عصبی مصنوعی

افزایش تعداد مولد های پراکنده متصل به شبکه‌های توزیع نیاز به نظارت قابل‌اعتماد بر شبکه‌های توزیع دارد. ملاحظات اقتصادی از مشاهده کامل شبکه‌های توزیع با اندازه‌گیری‌های مستقیم جلوگیری می‌کند. اولین روش‌ها با استفاده از تعداد محدودی اندازه‌گیری برای نظارت بر شبکه‌های توزیع وجود دارد که برخی از آن‌ها از شبکه‌های عصبی مصنوعی (ANN) ‏استفاده می‌کنند. با این حال، روش‌های مبتنی بر ANN فعلی، محدود به توپولوژی‌های ایستا هستند، تنها بزرگی ولتاژ را تخمین می‌زنند، وقتی با مقدار زیادی از تولید پراکنده مواجه می‌شوند، به درستی کار نمی‌کنند و اغلب نتایج نادرست می‌دهند. این محدودیت‌های قوی از کاربرد واقعی ANN برای نظارت بر سیستم توزیع جلوگیری کرده‌اند. هدف این مقاله غلبه بر محدودیت‌های روش‌های موجود است. ما این کار را با ارایه یک طرح مبتنی بر ANN انجام می‌دهیم، که به روش‌های مختلف وضعیت را پیشرفت می‌دهد: طرح ما می‌تواند با تعداد بسیار کمی از اندازه‌گیری‌ها، به مراتب کم‌تر از آنچه که به طور سنتی توسط تخمین وضعیت کم‌ترین مربعات وزن دار (WLS)‏ مورد نیاز است، سازگار باشد. این روش می‌تواند هم بزرگی ولتاژ و

The increasing number of distributed generators connected to distribution grids requires a reliable monitoring of distribution grids. Economic considerations prevent a full observation of distribution grids with direct measurements. First approaches using a limited number of measurements to monitor distribution grids exist, some of which use artificial neural networks (ANN). The current ANN-based approaches, however, are limited to static topologies, only estimate voltage magnitudes, do not work properly when confronted with a high amount of distributed generation and often yield inaccurate results. These strong limitations have prevented a true applicability of ANN for distribution system monitoring. The objective of this paper is to overcome the limitations of existing approaches. We do that by presenting an ANN-based scheme, which advances the state-of-the-art in several ways: Our scheme can cope with a very low number of measurements, far less than is traditionally required by the