دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 5 16 2025 08 06 An ANFIS-based optimized model for online estimation of voltage stability margin in power networks using a novel SIOA algorithm and partial least squares-based dimensionality reduction technique یک الگوی بهینه‌سازی شده بر پایه ANFIS برای تخمین آنلاین حد پایداری ولتاژ در شبکه‌های قدرت با استفاده از الگوریتم جدید SIOA و تکنیک کاهش ابعاد مبتنی بر حداقل مربعات جزئی 1 15 10.22051/jera.2021.31891.2698 FA احسان دانشکده مهندسی برق و کامپیوتر، دانشگاه علوم و فنون مازندران، بابل، ایران 2025 07 12 This paper addresses the challenge of online estimation of voltage stability margin (VSM) in power networks. Due to rapid fluctuations in load and variable operating conditions, fast and accurate estimation of VSM is essential to prevent instability events. With the expansion of power systems, the dimensionality of input data increases significantly, which necessitates the need for efficient feature selection and dimensionality reduction techniques. To address this challenge, an innovative hybrid intelligent approach is proposed that combines the adaptive neuro-fuzzy inference system (ANFIS) trained by the Solifugae-inspired optimization algorithm (SIOA) with partial least squares (PLS) regression for dimensionality reduction and dominant feature selection. The initial feature set consists of system loading features obtained from phasor measurement units (PMUs) and includes essential information about the network topology, load levels, generation patterns, and control system behavior. The effectiveness of the proposed ANFIS–SIOA+PLS framework is validated using IEEE 39 test system. Comparative analysis with existing models in the literature demonstrates the superior performance of the proposed method, especially in terms of feature reduction and convergence speed. It is noteworthy that the proposed approach achieves a 41.53% reduction in root mean square error (RMSE) for the 39 bus test system compared to the best results reported in the literature. This improvement confirms the efficiency and stability of the proposed method. این مقاله به چالش تخمین آنلاین حد پایداری ولتاژ (VSM) در شبکه‌های قدرت می‌پردازد. با توجه به نوسانات سریع در بار و شرایط عملیاتی متغیر، تخمین سریع و دقیق حد پایداری ولتاژ برای جلوگیری از رویدادهای ناپایداری ضروری است. با گسترش سیستم‌های قدرت، ابعاد داده‌های ورودی به طور قابل‌توجهی افزایش می‌یابد که نیاز به انتخاب ویژگی‌های کارآمد و تکنیک‌های کاهش ابعاد را ضروری می‌سازد. برای مقابله با این چالش، یک رویکرد هوشمند و هیبریدی نوآورانه پیشنهاد می‌شود که سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) را که توسط الگوریتم بهینه‌سازی Solifugae (SIOA) آموزش داده شده است، با رگرسیون حداقل مربعات جزئی (PLS) برای کاهش ابعاد و انتخاب ویژگی‌های غالب ترکیب می‌کند. مجموعه ویژگی اولیه شامل ویژگی‌های بار سیستم است که از واحدهای اندازه‌گیری فازوری (PMU) به دست می‌آید و اطلاعات اساسی درباره توپولوژی شبکه، سطوح بار، الگوهای تولید و رفتار سیستم کنترل را در برمی‌گیرد. اثربخشی چارچوب ANFIS–SIOA+PLS پیشنهادی با استفاده از سیستم‌های آزمایشی IEEE 39 باس اعتبارسنجی شده است. تحلیل مقایسه‌ای با مدل‌های موجود در مقالات، عملکرد برتر روش پیشنهادی را به ویژه در زمینه کاهش ویژگی‌ها و سرعت همگرایی نشان می‌دهد. قابل‌توجه است که رویکرد پیشنهادی، کاهش ریشه میانگین مربعات خطا (RMSE) را به میزان 41.53% برای سیستم‌ تست 39 باس نسبت به بهترین نتایج گزارش شده در ادبیات موجود به دست می‌آورد. این بهبود کارآمدی و پایداری روش پیشنهادی را تأیید می‌کند. /downloadfilepdf/152996