On-line voltage stability evaluation using neuro-fuzzy inference system and moth-flame optimization algorithm

Abstract

In recent years, the problem of voltage instability has received specialattention from many utilities and researchers. The present paper deals with the on-line evaluation of voltage stability in power system using Adaptive Neuro-Fuzzy Inference System (ANFIS). The developed ANFIS model takes the voltage magnitudes and their phases obtained from the weak buses in the system as input variables. The weak buses identification is formulated as an optimization problem considering the operating cost, the real power losses and the voltage stability index. The recently developed Moth-Flame Optimization (MFO) algorithm was adapted to solve this optimization problem. The validation of the proposed on-line voltage stability assessment approach was carried out on IEEE30-bus and IEEE 118-bus test systems. The obtained results show that the proposed approach can achieve a higher accuracy compared to the Multi-Layer Perceptron (MLP) and Radial Basis Function (RBF) neural networks.В последние годы проблема нестабильности напряжения привлекла особое внимание многих служб эксплуатации и исследователей. Настоящая статья посвящена оценке в режиме онлайн стабильности напряжения в энергосистеме с использованием адаптивной нейро-нечеткой системы вывода (ANFIS). Разработанная модель ANFIS принимает в качестве входных переменных величины напряжения и их фазы, полученные от шин в системе. Идентификация шин сформулирована как задача оптимизации, учитывающая эксплуатационные расходы, реальные потери мощности и показатель стабильности напряжения. Недавно разработанный алгоритм оптимизации методом мотылька и пламени (MFO) адаптирован для решения данной задачи оптимизации. Проверка предложенного подхода к онлайн оценке стабильности напряжения в сети проводилась на тестовых системах IEEE с 30 шинами и IEEE со 118 шинами. Полученные результаты показывают, что предлагаемый подход может обеспечить более высокую точность по сравнению с многоуровневыми нейронными сетями (MLP) и нейронными сетями с радиальными базисными функциями (RBF).