حفاظت تطبیقی در ریزشبکه با استفاده از KNN مبتنی بر مؤلفه‌های متقارن جریان خطا

Abstract

حفاظت مطمئن ریزشبکه‌ها به دلیل عدم قطعیت منابع تجدیدپذیر و عملکرد غیرشعاعی، با چالش‌های قابل توجهی روبروست. این مقاله یک طرح حفاظتی تطبیقی نوین مبتنی بر داده‌کاوی با استفاده از الگوریتم K-نزدیک‌ترین همسایه (KNN) ارائه می‌دهد که تنها بر اندازه‌گیری‌های محلی (مقادیر مؤثر و مؤلفه‌های متقارن) متکی است و نیازی به زیرساخت ارتباطی ندارد. نوآوری‌های کلیدی این طرح شامل استقلال کامل از کانال‌های مخابراتی (که منجر به کاهش هزینه و افزایش قابلیت اطمینان می‌شود)، قابلیت تشخیص و طبقه‌بندی همزمان خطا با استفاده از داده‌های محلی، و در نظر گرفتن جامع عدم قطعیت‌های عملیاتی (شامل مقاومت خطا، سطوح مختلف تولید منابع تجدیدپذیر، میزان بار و حالت‌های کاری متفاوت ریزشبکه) در فرآیند تحلیل و آموزش است. به منظور ارزیابی، یک پایگاه داده جامع از سناریوهای مختلف با استفاده از شبیه‌سازی در نرم‌افزار DIgSILENT ایجاد و الگوریتم KNN در پایتون پیاده‌سازی گردید. نتایج کلیدی، کارایی بسیار بالای روش پیشنهادی را تأیید می‌کند؛ به طوری که متوسط دقت کلی الگوریتم KNN در تشخیص و طبقه‌بندی صحیح خطا در تمام تجهیزات حفاظتی شبکه آزمون، حدود ۹۵.۲ درصد به دست آمد. قابل ذکر است که دقت در بسیاری از نقاط حفاظتی بالاتر از 98 درصد و در برخی موارد به 100 درصد نیز رسید. این یافته‌ها نشان می‌دهد رویکرد پیشنهادی مبتنی بر KNNراه‌کاری مؤثر، دقیق و قابل اطمینان برای حفاظت تطبیقی ریزشبکه‌ها بدون نیاز به ارتباطات و با در نظر گرفتن عدم قطعیت‌های دنیای واقعی ارائه می‌دهد.