شبیه سازی تعریف ناحیه قابل انعطاف امنیت فشرده میان ساعتی
ابتدا میتوانید یک ویدیو از این مطلب را ببینید.
این مقاله درباره در نظر گرفتن زمان هایی هست که امنیت شبکه را دستخوش تغییر کند. ما به دنبال استفاده از قسمتی از زمان ها هستیم که شبکه ما بتواند بالاترین قابلیت اطمینان را داشته باشد و حفاظت ما را به صورت حاکثری تضمین کند.
در این مقاله که به صورت مبسوط نوشته شده است، ناحیه ای که دارای انعطاف پذیری هست و به نام lexibility vision نام گرفته است را مشخص می کند.
و با استفاده از نتایج نهایی مشخص می شود که در هر قسمت میزان عدم تقارن ایمن (عدم تقارن تقاطع با تولید) به چه نحوی می باشد.
و همچنین در نمودارها خروجی باد و زمان موجود می باشد که در ادامه با استفاده از الگوریتم ها می توانیم بهینه سازی را انجام دهیم.
در اینجا از الگوریتم ژنتیک استفاده شده است.
Case study ما می تواند 14-bus IEEE یا 69-bus IEEE باشد. در این مقاله از سیستم 157-bus چینی استفاده شده است. اما به دلیل عدم دسترسی ما به این سیستم چینی، ما از سیستم 69-bus IEEE به عنوان case study استفاده کردیم.
اگر ما وارد قسمت های اصلی کار شویم، سیستمی را که انتخاب کردیم از چند تابع تشکیل شده است و هر کدام از توابع را توضیح خواهم داد .
اولین قسمت این هست که اعداد مربوط به 14-bus را به نحوی وارد متلب کنیم که برای این کار خروجی های استاندارد IEEE را به عنوان ورودی سیستم دیتا گذاری کردیم. نحوه دیتا دهی ما به متلب با استفاده از ماتریس می باشد که به نام mpc-bus نام گذاری کرده ایم که یک استاندارد در متلب و سایر نرم افزار های مشابه متلب می باشد که به همین صورت باس ها را دیتا دهی می کنند. به این صورت که بین باس یک و سه ذکر شد که شاخه های ما به چه نحوی باید باشند (branch) و نوع آن را در ستون دوم مشخص کردیم (ستون type دارای اعداد یک و دو و سه).
Bus slag را عدد سه در نظر گرفتیم، نوع ژنراتور را عدد دو و بار را عدد یک در نظر گرفتیم. هر کدام از این اعداد به این معانی در جای خود استفاده خواهند شد.
Pd و Qd میزان توان اکتد و راکتیو می باشد. Area میزان ناحیه می باشد. Vm و Va میزان اندازه ولتاژ و فاز ولتاژ می باشند. Vmax و Vmim نیز ولتاژ ماکسیم و مینیمم می باشد، zone منطقه که در آن می باشد و base KV برای مناطقی هست که با توجه به نوع ترانس، توسط یک ترانس فئودو سازی می شود. پس طبیعاتا ولتاژ base تابع های آن تغییر می یابد و باید base KV را در هرجا تغییر دهیم.
چون تمام محاسبات متلب براساس ماتریس می باشد، باید به این صورت ماتریس برنامه نویسی را انجام دهیم که این نوع برنامه نویسی در متلب و برنامه های تحت نظر به صورت متداول می باشد.
سپس داده های ژنراتور را برای 14-bus IEEE در نظر می گیریم .که داده های bus ، Pg، Qg و Qmin، Qmax و سایر پارامترهایی که برابر صفر می باشند که به نوعی دقت ما را تخمین می زند.
در قسمت Branch data یا شاخه ها می بینیم که از bus یک به دو به چه نحوی می باشد و میزان r مقاومت و x وb و زاویه(angle) و سایر موارد که در این شبیه سازی استفاده نمی شود اما ما به عنوان داده های ورودی از آن استفاده کرده ایم. مشاهده می شود که به عنوان مثال از باس یک فقط به باس دو و پنج متصل می باشد و باس دو، به باس های سه و چهار و پنج متصل است و همچنین به یک نیز که قبلا وصل بوده است. و هرکدام از خطوطی که این باس های را به هم متصل کرده اند نیز مشخص می باشد.
این داده ها را با یک جستجوی ساده از اینترنت می توان پیدا کرد. در اینجا از یک سیستم 14-bus IEEE که در گوگل جستجو شده است استفاده شده است.
میزان داده های ماتریس نیز توسط استاندارد IEEE داده شده است و نیاز به هیچ تغییر در آن نمی باشد و اعداد به صورت دقیق در حد یک میلیونیوم می باشد.
میزان داده هایی که برای power factor و power flow هست یعنی دیتا هایی که نیاز هست برای پخش بار اقتصادی در این قسمت قرار خواهد گرفت.
سپس دیتا ها مربوط به هزینه ها (cost) را وارد می کنیم.
قسمت بعدی، که جزو قسمت های اصلی برنامه می باشد قسمت runme می باشد که با دبل کلیک کردن بر روی آن می توان برنامه را اجرا کرد. ابتدا توضیح می دهیم سپس برنامه را run می کنیم.
بعد از آنکه تمام نمودار ها را به صورت force ببندیم، با clc تمام پارامترهای قبلی که در پنجره command window بودند را پاک کردیم. سپس case 14 را را بارگذاری می کنیم.
اگر بخواهیم با case 14 فقط کار کنیم می توانیم دو خط مشخص شده در عکس زیر را نادیده بگیریم.
ولی ما می توانیم از 69-bus IEEE استفاده کنیم و تعداد باس ها را برابر 69 قرار دهیم و Pd و Pq را اندازه گیری کنیم. هیچ تفاوتی در انتخاب کدام سیستم نیست.
در قسمت بعدی وارد بهینه سازی الگوریتم ژنتیکی می شویم. در ردیف اول طول genome ها را برابر 64 می گیریم.
در ردیف دوم میزان جمعیت اولیه را برابر 500 می گیریم که با استفاده از الگوریتم ژنتیک دریابیم که کدام یک از مناطق برای ما بهتر هست که از لحاظ امنیت شبکه یک سری از باس ها را کاندید کنیم.
ردیف سوم maxGens تعداد حداکثر هر نسل که قرار است در الگوریتم ژنتیکی پرورش پیدا کند را برابر با 100 می گیریم. هرچقدر تعداد نسل ها بیشتر باشد میزان دقت ما نیز بیشتر خواهد بود با این تفاوت که هر چقدر تعداد نسل ها بیشتر باشد زمان شبیه سازی نیز بیشتر خواهد بود. معمولا maxgens را مابین اعداد 100 تا 1000 قرار می دهند و بالاتر از 1000 توصیه نمی شود چون زمان شبیه سازی بسیار زیاد خواهد شد در عین اینکه دقت نیز بیشتر خواهد شد.
سایر پارامترهای مورد نیاز برای الگوریتم ژنتیکی در ردیف های بعدی قرار گرفته است.
پس از بهینه کردن پارامتر ها، printing را انجام می دهیم. یعنی خروجی پارامترهایی که بهینه شده اند را نشان می دهد. مانند زمانی که برای ناحیه انعطاف پذیری که امنیت شبکه ما را برقرا کند، انتخاب می شود. با استفاده از تابع printing این کار ار انجام می دهیم.
تابع printing را نیز تعریف کرده ایم.
شبیه سازی تعریف ناحیه قابل انعطاف امنیت فشرده میان ساعتی
سه شیت اصلی مقاله که شامل case14 و printing و runme را توانستیم به دست آوریم. سپس run می کنیم و میزان شبیه سازی run شده را نشان می دهد.
عدد کل هزینه را استخراج می کند و load demand و maximum output و minimum output را در خروجی به دست می آورد.
همچنین میزان imbalance را نیز به دست می آورد و نمایش میدهد.
در نهایت با استفاده از بدترین case و با استفاده از optimums power flow که در ابتدای بحث ذکر شد Load demand را اندازه گیری می کند.