برنامه‏ ریزی بازیابی پیش از وقوع تند باد شبکه‏ های توزیع فشار متوسط با هدف بهبود مدیریت بحران پیش ‏اقدامانه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه شهید بهشتی،گروه مهندسی برق قدرت،تهران،ایران

2 دانشگاه شهید بهشتی،گروه برق قدرت،تهران ، ایران

چکیده

برنامه ‏ریزی بازیابی پیش‏ اقدامانه قبل از بروز طوفان اقدامی مؤثر در کاهش زمان و هزینه‏ ی خاموشی شبکه‏ های هوایی توزیع است و در بهبود تاب ‏آوری این بخش از شبکه‏ های برق ‏رسانی تأثیر‏گذار خواهد بود. این مقاله ارائه دهنده‏ ی چارچوب جدیدی برای تعیین اولویت بازیابی پیش‏ اقدامانه‏ ی خطوط هوایی فشارمتوسط است. در این روش، تصمیم‏ گیری پیش ‏اقدامانه ‏ی بازیابی و تعیین اولویت خطوط فشار متوسط برای بازیابی بر مبنای مقایسه مابین این خطوط با معیارهای مختلف فنی، اقتصادی، حیاتی بودن بارها و سهولت دسترسی انجام می‏شود. در این راستا از منحنی شکست پایه‏ های فشار متوسط و شبیه ‏سازی مونت کارلو برای پیش‏بینی و تخمین آسیب وارده به شبکه بهره‏ گیری شده و با هدف رفع معضل کمبود اطلاعات دقیق و عدم قطعیت‏ های ناشی از این معضل از فرایند تحلیل سلسله‏ مراتبی فازی به‏ منظور تعیین برنامه‏ ی پیش‏ اقدامانه و اولویت‏ گذاری بازیابی استفاده شده است. چنانکه در ادامه ‏ی مقاله در پیاده ‏سازی روش پیشنهادی در یک شبکه نمونه ملاحظه می‏شود، این روش از کارایی و قابلیت مناسبی برای تعیین پیش ‏اقدامانه ‏ی بازیابی شبکه‏‏ های توزیع مواجه با کمبود اطلاعات، خصوصاً در کشورهای کمتر توسعه یافته که با معضل عدم دسترسی به اطلاعات کافی مواجه هستند برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Pre-storm restoration planning of medium voltage distribution networks for proactive crisis management

نویسندگان [English]

  • masoud sadeghi khomami 1
  • mohamad sadegh sepasian 2
1 electrical engeenering faculty,shahid beheshti university,tehran,iran
2 electrical engineering departmant, shahid beheshti univercity, trhran, iran
چکیده [English]

: pre-storm proactive recovery planning is an effective tool for reduceing the time and cost of  electrical outage and resiliency enhancement of medium voltage (MV) distribution networks. This paper presents a new framework for setting proactive medium voltage feeders recovery priorities. In this method, the proactive recovery decision making and MV feeders priority setting are considered based on the comparison between different criteria including technical isuue, criticality of loads, economic and accessibility conditions. In this regard, the MV poles fragility curve and Monte Carlo simulation have been employed to predict and estimate the damage of the network. To eliminate the problem of the lack of accurate data and the uncertainties, fuzzy analytical hierarchy process is used to determine proactive recovery prioritization. In the rest of the paper, the proposed approach is applied to a test network. The results demonstrate the suitable performance of this method for determining  feeders recovery priorities especially in the less developed countries which have been facing with the lack of access to the adequate data.

کلیدواژه‌ها [English]

  • crisis management
  • Recovery
  • Fragility Curves
  • Monte Carlo Simulation
  • fuzzy analytical hierarchy process (FAHP) resilience
  1. 1. Pachauri, R.K. Meyer, L.A. (2014). Climate Change: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of theIntergovernmental Panel on Climate Change, IPCC, Geneva.

    2. Panteli, M. Mancarella, P. (2015). Modeling and Evaluating the Resilience of Critical Electrical Power Infrastructure to Extreme Weather Events. IEEE SYSTEMS JOURNAL,99,1-10.

    3. Chaudry, M. (2011). Building a Resilient UK Energy System. UK Energy Research Center (UKERC), London, U.K.

    4. Berkely,A.(2010).A Framework for Establishing Critical Infrastructure Resilience Goals, Washington , DC, USANational‏ Infrastructure Advisory Council (NIAC).

    5. Wang, Yezho. Chen, Chen. Wng, Jianhuai. Baldick, Ross (2016). Research on Resilience of Power Systems Under Natural Disasters-AReview. IEEE TRANSACTIONS ON POWER SYSTEMS, 31(2), 1604-1613.

    6. Lindemeyer, D. Dommel, H. W.  Adibi, M. M. (2001). Power system restoration—A bibliographical survey Int. J. Electr. Power EnergySyst, 23 (3), 219–227.

    7. Fink, L. H. Liou, K. L. Liu, C. C. (1995). From generic restoration actions to specific restoration strategies. IEEE Trans. Power Syst, 10 (2), 745–751.

    8. Adibi, M. M. Fink, L. H. (2006). Overcoming restoration challenges associated with major power system disturbances. IEEE Power Energy Mag, 4(5), 68–77.

    9. Liu, C. C. Lee, S. J. Venkata, S. S. (1988). An expert system operational aid for restoration and loss reduction of distribution systems. IEEE Trans. Power Syst, 3(2), 619–626.

    1. Chen, C. S.  Lin C. H. Tsai, H. Y. (2002). A rule-based expert system with colored Petri net models for distribution system service restoration. IEEE Trans. Power Syst, 17(4), 1073–1080.
    2. Lim, S. I.  Lee, S. JChoi, M. S.  Lim, D. J. Ha, B. N. (2006). Service restoration methodology for multiple fault case in distribution systems. IEEE Trans. Power Syst, 21(4), 1638–1644.
    3. Lee, S. J. Lim, S. I. Ahn, B. S. (1998) .Service restoration of primarydistribution systems based on fuzzy evaluation of multi-criteria. IEEE Trans. Power Syst, 13(3), 1156–1163.
    4. Morelato, A. L. Monticelli, A. (1989). Heuristic search approach to distribution system restoration. IEEE Trans. Power Del. 4(4), 2235–2241.
    5. Toune, S. Fudo, H.  Genji, T.  Fukuyama, Y.  And Nakanishi, Y. (2002) .Comparative study of modern heuristic algorithms to service restoration in distribution systems. IEEE Trans. Power Del. 17(1), 173–181.
    6. Perez-Guerrero, R. E. Heydt, G. T. Jack, N. J. Keel, B. K.  Castelhano, A.R. (2008).Optimal restoration of distribution systems using dynamic programming. IEEE Trans. Power Del. 23(3), 1589–1596.
    7. Perez-Guerrero, R. E. Heydt, (2008).Viewing the distribution restoration problem as the dual of the unit commitment problem. IEEE Trans. Power Syst. 23(2), 807–808.
    8. Maliszewski, P. J.  Perrings, C. (2012). Factors in the resilience of electrical power distribution infrastructures. Appl. Geogr. 32(2), 668–679.
    9. Yao, M. J.  Min, K. J. (1998). Repair-unit location models for power failures. IEEE Trans. Eng. Manage, 45(1), 57–65.
    10. Wang, S. Sarker, B. R.  Mann, L. Triantaphyllou, E. (2004). Resource planning and a depot location model for electric power restoration. Eur. J. Oper. Res., 155(1), 22–43.
    11. Arab, A. Khodaei, A.Khator, S. K.  Ding, K. Emesih, V. A.  Han, Z .(2015). Stochastic pre-hurricane restoration planning for electric power systems infrastructure. IEEE Trans. Smart Grid, 6(2), 1046-1054.
    12. Arab, A. Tekin, E. Khodaei, A. Khator, S. K. Han, Z. (2014). Dynamic maintenance scheduling for power systems incorporating hurricane effects. In Proc. IEEE Int. Conf. Smart Grid Commun, 85-90.
    13. Arab, A. Khodaei, A.  Han, Z. Khator, S. (2015). Proactive Recovery of Electric Power Assets for Resiliency Enhancement. IEEE Access, 3, 99-109.
    14. Liu, H. Davidson, R.A. Apanasoich, T.v. (2007). Statistical Forcasting of Electric Power Restoration Times in Huricanes and Ice Storms. IEEE Trans.Power Systems, 22(4), 2270-2279.
    15. Akwasi, F. Due˜nas-Osorio, L. (2015). Efficient Resilience Assessment Framework for Electric Power Systems Affected by Hurricane Events. Journal of structctural Engineering,  pp.1-10.
    16. Moore, H. E.  Bate, F. L.  Layman, M. V.  Parenton, V. J. (1963) Before the Wind. A Study to the Response to Hurricane arla.Washington, DC, USA: National Academy of Science-National Research Council.
    17. Winkler, J. Duenas-Osorio, L.  Stein, R.  Subramanian, D. (2010). Performance assessment of topologically diverse power systems subjected to hurricane events. Rel. Eng. Syst. Safety, 95(4), 323-336.
    18. Berg, R. (2009). Tropical Cyclone Rep. AL092008 Nat. Miami, FL, USA, Hurricane Center, Ocean. Atmos. Admin.Nat.Weather Service.
    19. Etkin, D. (1999). Risk transference and related trends: Driving forces towards more mega-disasters. Global Environ. Change B, Environ. Hazards, 1(2), 69-75.
    20. Rudnick, H. Mocarquer, S. Andrade, E.  Vuchetich, E. Miquel, P. (2011). Disaster management, restoring electricity supply after the 2010 Chilean earthquake. IEEE Power and Energy Magazine, 9(2), 37 – 45.
    21. Saaty, T. L. (1980). The Analytic Hierarchy Process. New York: McGraw-Hill.
    22. Kubler, S. Robert, J. Derigent, W. Voisin, A. Traon, Y.(2016). A state-of the-art survey & testb e d of fuzzy AHP (FAHP) applications. Elsevier Expert Systems with Applications journal, 65, 398–422.
    23. Chang, D.-Y. (1992). Extent Analysis and Synthetic Decision, Optimization Techniques and Applications, 1, 352.
    24. Mechefske, C. K.  Wang, Z.(2001) . Using fuzzy linguistics to select optimum maintenance and condition monitoring strategies. Mechanic. Syst. Signal Process, 15(6), 1129–1140.
    25. Zimmermann, H. J. (1987).  Fuzzy Sets, Decision Making and Expert Systems. Norwell, MA: Kluwer.
    26. Kahraman C. (2008).Fuzzy Multi-Criteria Decision Making: Theory and Applications with Recent Developments,  Springer.
    27. مشخصات فنی عمومی و اجرایی پست‏ها، خطوط توزیع و انتقال طبقه‏بندی شرایط اقلیمی و محیطی، (1387). معاونت برنامه‏ریزی و نظارت راهبردی ریاست جمهوری، نشریه‏ی شماره 465.
    28. http://www.chbmet.ir/iranarchive.asp