Join 60,000+ competitive exam aspirants
पावर सिस्टम के अरेखीय (nonlinear) मापों के लिए स्टेट एस्टिमेशन (state estimation) की पुनरावृत्तीय (iterative) प्रक्रिया को तब समाप्त किया जाता है जब (∈ एस्टिमेशन के लिए निर्दिष्ट सहनशीलता है)
X(p+1)est−X(p)est2≤ϵ
X(p+1)est−X(p)est2=ϵ
X(p+1)est−X(p)est2≥ϵ
X(p+1)est−X(p)est2≈ϵ
X(p+1)est−X(p)est2≤ϵ
पावर सिस्टम स्टेट एस्टिमेशन में, पुनरावृत्तीय एल्गोरिथम (जैसे वेटेड लीस्ट स्क्वेयर) उस स्टेट वेक्टर X को खोजने का प्रयास करता है जो वर्गाकार अवशिष्टों (squared residuals) के भारित योग को कम करता है। प्रक्रिया तब समाप्त हो जाती है जब क्रमिक पुनरावृत्तियों के बीच स्टेट वेक्टर में परिवर्तन एक पूर्व-निर्धारित अभिसरण सहनशीलता (convergence tolerance) ϵ से छोटा या उसके बराबर हो जाता है।
पावर सिस्टम स्टेट एस्टिमेशन में, पुनरावृत्तीय एल्गोरिथम (जैसे वेटेड लीस्ट स्क्वेयर) उस स्टेट वेक्टर X को खोजने का प्रयास करता है जो वर्गाकार अवशिष्टों (squared residuals) के भारित योग को कम करता है। प्रक्रिया तब समाप्त हो जाती है जब क्रमिक पुनरावृत्तियों के बीच स्टेट वेक्टर में परिवर्तन एक पूर्व-निर्धारित अभिसरण सहनशीलता (convergence tolerance) ϵ से छोटा या उसके बराबर हो जाता है।
J(X)=[Z−h(X)]TW[Z−h(X)] — वेटेड लीस्ट स्क्वेयर स्टेट एस्टिमेशन के लिए उद्देश्य फलन
∥X(p+1)−X(p)∥2≤ϵ — अरेखीय पुनरावृत्तीय सॉल्वर के लिए मानक अभिसरण स्थिति
स्टेट एस्टिमेशन Z=h(X)+v मॉडल का उपयोग करता है, जहाँ Z माप वेक्टर है और h(X) अरेखीय फलन है जो स्टेट्स को मापों से जोड़ता है। एल्गोरिथम X(p+1)=X(p)+ΔX(p) का उपयोग करके स्टेट को पुनरावृत्तीय रूप से अपडेट करता है। अभिसरण तब प्राप्त होता है जब सुधार पद ∥ΔX(p)∥2=∥X(p+1)−X(p)∥2 पर्याप्त रूप से छोटा होता है, जो यह दर्शाता है कि समाधान निर्दिष्ट संख्यात्मक सटीकता के भीतर स्थिर हो गया है।
स्टेट एस्टिमेशन सिस्टम स्टेट (वोल्टेज परिमाण और कोण) का सबसे विश्वसनीय अनुमान प्रदान करता है।
यह प्रक्रिया खराब डेटा और शोर को फिल्टर करने के लिए अनावश्यक (redundant) मापों पर निर्भर करती है।
पावर सिस्टम मापों (पावर फ्लो समीकरणों) में अरेखीयता के लिए न्यूटन-राफ्सन या गॉस-न्यूटन जैसे पुनरावृत्तीय सॉल्वर की आवश्यकता होती है।
सहनशीलता ϵ कम्प्यूटेशनल गति और एस्टिमेशन परिशुद्धता के बीच व्यापार-बंद (trade-off) का प्रतिनिधित्व करती है।
बस वोल्टेज और कोणों का एक मजबूत अनुमान प्रदान करता है।
खराब डेटा (सकल त्रुटियों) की पहचान और उन्मूलन को सक्षम बनाता है।
नियंत्रण केंद्रों में स्थितिजन्य जागरूकता को बढ़ाता है।
बहुत बड़े नेटवर्क के लिए कम्प्यूटेशनल रूप से गहन है।
यदि मापन प्रणाली खराब तरीके से अवलोकनीय है तो गैर-अभिसरण की संभावना होती है।
नेटवर्क मॉडल मापदंडों की सटीकता पर अत्यधिक निर्भर है।
ऊर्जा प्रबंधन प्रणाली (EMS)।
रीयल-टाइम आकस्मिकता विश्लेषण।
ऑप्टिमल पावर फ्लो (OPF) अध्ययन।
थ्रेशोल्ड ϵ को आमतौर पर वांछित संख्यात्मक परिशुद्धता के आधार पर चुना जाता है, जो अक्सर 10−4 से 10−6 की सीमा में होता है।
विकल्प B समानता स्थिति का प्रतिनिधित्व करता है, जो डिजिटल कंप्यूटरों में फ्लोटिंग-पॉइंट प्रतिनिधित्व सीमाओं के कारण सटीक रूप से पूरा करना भौतिक रूप से असंभव है।
विकल्प C विचलन या गैर-अभिसरण का संकेत देता है, क्योंकि त्रुटि बढ़ रही होगी।
A सही है — पुनरावृत्ति तब समाप्त होती है जब क्रमिक स्टेट वेक्टर अनुमानों के बीच का अंतर निर्दिष्ट सहनशीलता ϵ से नीचे आ जाता है।
हमेशा याद रखें कि प्रतियोगी परीक्षाओं के लिए संख्यात्मक विश्लेषण समस्याओं में, अभिसरण को एक असमानता (≤ϵ) द्वारा परिभाषित किया जाता है, न कि सटीक समानता द्वारा, जो फ्लोटिंग-पॉइंट अंकगणित की प्रकृति के कारण होता है।