The technical issue of congestion, which is predominantly found in deregulated power systems, is caused by the failure of transmission networks to satisfy load power demands. This failure is primarily caused due to an increase in loads or loss of transmission lines or generators in modern restructured power networks. This work introduces a CM approach using Deep Convolution Neural Network (DCNN) for minimizing congestion and supporting Independent System Operators (ISOs). The purpose of the work is to generate enhanced prediction outputs for congestion management with reduced error values. These objectives were achieved through the actual power rescheduling of generators. The proposed work adopts DCNN which is optimized using an Improved Lion Algorithm (LA) and aids in providing significant outcomes for congestion management with reduced error. By implementing customized IEEE 57-bus, IEEE 30-bus, and IEEE 118-bus test systems, the suggested approach has been successfully verified for its performance on test systems of varied sizes. This analysis incorporates restrictions such as line loads, bus voltage influence, generator, line limits, etc. The most important results for the test system indicating convergence profile, congestion cost, and change in real-power and voltage magnitude are obtained by the simulation in MATLAB, and on the basis of the obtained simulation outcomes, it is evident that the proposed Improved Lion Algorithm optimized Deep Convolution Neural Network displays phenomenal computation performance in minimizing congestion losses at minimum congestion costs. When compared to several contemporary optimization techniques, the suggested technique performs better in terms of congestion cost and losses by generating improved prediction outputs with reduced errors.

Problema tehnică a congestiei, care se găsește predominant în sistemele de energie dereglementate, este cauzată de eșecul rețelelor de transport de a satisface cerințele de putere a sarcinii. Această defecțiune este cauzată în primul rând din cauza creșterii sarcinilor sau a pierderii liniilor de transport sau generatoarelor din rețelele de energie restructurate moderne. Scopul lucrării este de a genera rezultate de predicție îmbunătățite pentru gestionarea congestiei cu valori reduse de eroare. Aceste obiective au fost atinse prin reprogramarea efectivă a puterii generatoarelor. Lucrarea propusă adoptă DCNN, care este optimizat folosind un algoritm Lion (LA) îmbunătățit și ajută la furnizarea de rezultate semnificative pentru gestionarea congestiei cu erori reduse. Prin implementarea sistemelor de testare personalizate IEEE 57-bus, IEEE 30-bus și IEEE 118-bus, abordarea sugerată a fost verificată cu succes pentru performanța sa pe sisteme de testare de dimensiuni variate. Această analiză încorporează restricții, cum ar fi sarcinile de linie, influența tensiunii magistralei, generatorul, limitele de linie etc. Cele mai importante rezultate pentru sistemul de testare care indică profilul de convergență, costul de congestie și modificarea puterii reale și a mărimii tensiunii sunt obținute prin simulare în MATLAB și pe baza rezultatelor simulării obținute, este evident că Rețeaua neuronală de convoluție profundă optimizată cu algoritmul îmbunătățit Lion afișează performanțe de calcul fenomenale în reducerea la minimum a pierderilor de congestie la costuri minime de congestie. În comparație cu mai multe tehnici de optimizare contemporane, tehnica sugerată are performanțe mai bune în ceea ce privește costul de congestie și pierderile prin generarea de rezultate de predicție îmbunătățite cu erori reduse

Техническая проблема перегрузки, которая в основном встречается в нерегулируемых энергосистемах, вызвана неспособностью передающих сетей удовлетворить потребности в мощности нагрузки. Этот сбой в первую очередь вызван увеличением нагрузки или потерей линий электропередачи или генераторов в современных реструктурированных электрических сетях. Таким образом, управление перегрузками (УП) считается незаменимым аспектом в нынешнюю эпоху дерегулирования, поскольку оно обеспечивает бесперебойную работу системы передачи. В этой работе представлен подход УП с использованием нейронной сети глубокой свертки (DCNN) для минимизации перегрузки и поддержки независимых системных операторов (НСО). Цель работы состоит в том, чтобы генерировать расширенные выходные данные прогнозирования для управления перегрузками с уменьшенными значениями ошибок. Эти цели были достигнуты за счет фактического перераспределения мощности генераторов. Предлагаемая работа использует DCNN, который оптимизирован с использованием улучшенного львиного алгоритма (УЛА) и помогает обеспечить значительные результаты для управления перегрузкой с уменьшенной ошибкой. Путем реализации настраиваемых систем тестирования с шиной IEEE 57, IEEE 30 и IEEE 118 предложенный подход был успешно проверен на эффективность на тестовых системах различных размеров. Этот анализ включает в себя такие ограничения, как нагрузка на линию, влияние напряжения на шине, генератор, ограничения на линию и т. д. Наиболее важные результаты для тестовой системы, указывающие на профиль конвергенции, стоимость перегрузки и изменение реальной мощности и величины напряжения, получены путем моделирования в MATLAB, и на основе полученных результатов моделирования становится очевидным, что предложенная улучшенная нейронная сеть глубокой свертки, оптимизированная с помощью УЛА, демонстрирует феноменальную производительность вычислений при минимальных потерях из-за перегрузки при минимальных затратах на перегрузку. По сравнению с несколькими современными методами оптимизации предлагаемый метод работает лучше с точки зрения стоимости перегрузки и потерь за счет создания улучшенных выходных данных прогнозирования с меньшим количеством ошибок