کاربرد شبکه های عصبی در شبکه های قدرت

تحقیق ۲۰۸۷ : کاربرد شبکه های عصبی در ارزیابی انواع اتصال کوتاه ، تشخیص نوع خطا و تعین محل خطا در شبکه های قدرت

چکیده  

در شبکه های قدرت، شناسایی و تعیین محل و نوع اتصال کوتاه در حداقل زمان ممکن و با دقت هرچه بیشتر، یکی از موضوعات جالب توجه محققین می باشد . به این وسیله از یک طرف، حفاظت هرچه بهتر شبکه های قدرت فراهم شده و از طرف دیگر باعث صرفه جویی در وقت و هزینه های مربوط به تعمیر و نگهداری سیستم خواهد شد ، در این مقاله ، برای این منظور از شبکه عصبی استفاده شده است ، بطوریکه نوع اتصال کوتاه، اعم از LLG , LL,  SLG , LLL مشخص میشود و سپس محل تقریبی آن تخمین زده میشود .

مقدمه

باتوجه به نقش روزافزون انرژی برق در زندگی روزمره بشر و به دلیل پیشرفت و توسعه تکنولوژی در جهان و نیاز هرچه بیشتر به انرژی الکتریکی، شبکه های قدرت بطور دائم توسعه یافته و هر روز پیچیده تر میشوند . از این رو انرژی الکتریکی باید به مقدار بیشتر و با کیفیت بهتر تولید و به مصرف کنندگان عرضه گردد . در این میان ، نظارت شبکه در مقابل خطاها و شرایط غیر عادی حائز اهمیت بوده و نیاز به حفاظت مدرن، اجتناب ناپذیر است . 

در شبکه قدرت، ولتاژ و جریان اتصال کوتاه در طی مدت خطا، حاوی اطلاعاتی راجع به محل و نوع اتصال کوتاه میباشد . در سالهای اخیر، با استفاده از رله های دیجیتالی و فیبرنوری ، امکان ثبت مقادیر ولتاژ و جریان در نقاط مختلف شبکه قدرت و ارسال آنها به مرکز کنترل فراهم شده است. در صورتیکه ولتاژ و جریان مربوط به یک خط انتقال ، مورد نظر باشد ، با روشهای الگوریتمیک میتوان داده ها را پردازش کرده و از آنها جهت یافتن محل اتصال کوتاه استفاده نمود. اما با افزایش تعداد ثباتها دیگر با روشهای کلاسیک نمیتوان کاری از پیش برد. در چنین مواردی میتوان پردازش داده ها را بکمک شبکه عصبی انجام داد. امروزه شبکه های عصبی بعنوان ابزار محاسباتی قدرتمندی شناخته میشوند که قادرند با یادگیری یکسری از داده های ورودی و خروجی، توابع غیرخطی و پیچیده را با تقریبا خوبی مدل کنند . چنین کاری مشابه درونیابی داده های عددی است با این تفاوت که روشهای متداول برای درونیابی، غالبا” به یک پیش فرض اولیه در مورد رابطه ریاضی بین ورودیها و خروجیها احتیاج دارند ، ولی شبکه عصبی بدون نیاز به آن میتواند بکمک ساختار غیر خطی خود، ارتباط موجود بین داده ها را یاد بگیرد . انواع گوناگونی از شبکه های عصبی وجود دارد و تکنیک های متنوعی برای آموزش آنها ارائه شده است. از میان همه آنها میتوان به شبکه پرسپترون با سابقه نسبتا طولانی اشاره کرد. این شبکه عصبی دارای ویژگی های برجسته ای برای مدل کردن توابع غیرخطی است . تکنیک متداول برای آموزش آن بنام روش پس انتشار خطا معروف است. در اینمقاله از یک شبکه عصبی پرسپترون با دو لایه پنهان استفاده شده که با روش پس انتشار خطا توسط نرم افزار MATLAB آموزش دیده است .

کلیات

در شبکه های قدرت ، وقتی اتصال کوتاه در خط انتقال یا در هرمکان دیگری رخ دهد ، رله های حفاظتی فرمان قطع را به کلیدهای مربوطه صادر کرده تا خطا پاک شود . در شبکه های بزرگ که تعداد رله ها و کلیدها زیاد است، معمولا” تعداد زیادی آلارم در مرکز کنترل وجود خواهد داشت و چنانچه حفاظت اصلی (Main – Protection ) عملکرد صحیحی نداشته باشد و در نتیجه حفاظت پشتیبان (Backup – Protection) عمل کند، علاوه برآنکه باعث قطع ناخواسته بار سایر شینه ها می شود ، به تعداد آلارمهای مرکز کنترل ، افزوده شده و تصمیم گیری برای اپراتور مشکلتر خواهد شد . در گذشته، تنها از سیستم خبره (Expert System) برای تجزیه و تحلیل آلارم های رسیده به مرکز کنترل استفاده می شد ولی کاربرد سیستم خبره برای شناسائی خطا در شبکه های قدرت واقعی، به اطلاعات فراوان و قوانین زیادی نیاز دارد و همچنین مدت زمان نسبتا طولانی صرف خواهد شد تا پاسخی مناسب به آلارمها داده شود . در سالهای اخیر، استفاده از شبکه های عصبی برای شناسائی خطا در شبکه های قدرت بتدریج در مقالات متعددی مطرح شده است، زیرا برخلاف سیستم خبره، شبکه عصبی خیلی سریعتر پاسخ داده و سرعت آن مستقل از ابعاد و پیچیدگی شبکه قدرت است ، در این بخش مجموعه مقالاتی که تاکنون در مورد کاربرد شبکه های عصبی جهت مشخص نمودن محل و نوع خطا چاپ شده است ، بطور مختصر بیان می شوند .

تعیین محل خطا بر اساس وضعیت کلیدها و رله ها

مقاله [Tanaka] یکی از نخستین کارهایی است که در این زمینه انجام شده است. در این مقاله از یک شبکه عصبی استفاده شده تا براساس باز و با بسته بودن کلیدها و همچنین وضعیت رله های آن ، المانی که خطا در آن اتفاق افتاده است ، مشخص گردد . ولی در این مقاله ، یک شبکه قدرت کوچک و ساده مورد بررسی قرار گرفته است . در شبکه های بزرگتر که تعداد باس بارها، خطها و ترانسها زیاد است ، معمولا” از چندین شبکه عصبی استفاده شده تا ابعاد هرکدام از آنها کوچکتر شود و زمان لازم برای آموزش آنها کمتر شود . استفاده از چندین شبکه عصبی، به روشهای مختلفی امکان پذیر است. مثلا در مقاله [Wenhui Cen] یک شبکه قدرت به چند قسمت کوچکتر (Subsection) تقسیم شده و برای هریک از آنها، یک شبکه عصبی جداگانه طراحی شده است . روش دیگر آن است که هر سطح ولتاژ، توسط یک شبکه عصبی جداگانه بررسی گردد. در مقاله Kwang – Ho Kim و [long Keum Park] از شبکه های عصبی با آرایش سلسله مراتبی (Hierarchical ANNs) استفاده شده تا مرحله به مرحله، محل خطا مشخص شود. در این روش، سه لایه برای شبکه های عصبی وجود دارد . بعبارت دیگر، دارای سه کلاس میباشد. بطوریکه عناصر سیستم قدرت در سطوح پائینی و هر ناحیه (Subsystem) در سطوح میانی و در نهایت، تصمیم گیری درباره کل شبکه در سطح بالایی انجام میگیرد .

در این مقاله، برای هر خط انتقال، ترانس و باس باره یک شبکه عصبی کلاس ( الف) وجود دارد. این شبکه عصبی مشخص میکند که خطا در داخل یا خارج أن المان اتفاق افتاده است . به همین ترتیب برای هر ناحیه نیز یک شبکه عصبی کلاس (ب) وجود دارد که مشخص میکند خطا در داخل یا خارج آن ناحیه بوده است ، بطور مثال، اگر خطا در خارج از یک خط باشد، آنگاه شبکه عصبی کلاس (الف)| مربوط به آن خط ، مشخص می کند که خطا در خارج خط میباشد . سپس خروجی تمامی شبکه های عصبی کلاس (الف) مربوط به آن ناحیه به شبکه عصبی کلاس (ب) همان ناحیه انتقال یافته تا مشخص شود خطا در داخل یا خارج آن ناحیه میباشد . در این مثال، اگر خطا در مرز بین دو ناحیه باشد، شبکه عصبی کلاس (ب) مشخص میکند که خطا در خارج آن ناحیه میباشد سپس شبکه عصبی کلاس (ج) از روی خروجی تمامی شبکه های عصبی کلاس(ب) موقعیت خطا را مشخص خواهد کرد. 

در این مقاله [C.Rodriguez]شبکه عصبی بصورت ماجول (Modular) استفاده شده است . بطوریکه هر المان همانند یک ماجول دارای تعدادی ورودی و تعدادی خروجی است . ورودی ها شامل سیگنالهای دریافت شده از رله ها و کلیدها بوده، که نشان دهنده وضعیت رله اصلی و رله های پشتیبان آن و همچنین چگونگی باز یا بسته بودن کلیدهای قدرت است ، خروجیها نیز عبارتند از وقایع ممکنه و نتایج حاصله از آنها. بطور مثال، موقعیت خطا را نشان داده و چنانچه رله با کلیدی عملکرد صحیح نداشته باشد ، مشخص خواهد شد ، بعبارت دیگر، شبکه عصبی ارتباط منطقی بین آلارمهاو حوادث را یاد گرفته است . پس از آنکه تمام ماجولها مشخص شدنده براساس توپولوژی شبکه قدرت بهم مرتبط شده تا مدلی از شبکه قدرت بدست آید . در این مقاله گفته شده که شبکه عصبی در حدود ۹۵% درصد خطاها را مشخص میکند و برای افزایش دقت آن میبایست علاوه بر رله های دیستانس، مدلی برای رله های تفاضلی (Differential Relay) و رله های جریان زیاد در نظر گرفته شود . در مقاله E . Handschinروش مقاله Rodriguez توسعه داده شده و مدلهای  مختلفی برای رله های دیستانس ، تفاضلی و رله های جریان زیاد ارائه شده است. همچنین برای هر باس بار برحسب آنکه چند خط به آن متصل باشد ، مدلهای جداگانه ای در نظر گرفته شده است. هر کدام از این مدلها با یک شبکه عصبی جداگانه ، آموزش داده شده و سپس تمام آنها ، براساس توپولوژی شبکه قدرت بهم مرتبط شده تا مدلی از شبکه قدرت بدست آید .

در مقاله Hong – Tzer Yang ، از شبکه عصبی برای یادگیری درخت تصمیم گیری ( Decision– Tree) استفاده شده است . درواقع این روش ، ترکیبی از سیستم خبره و شبکه عصبی بوده و به این ترتیب ، سرعت پاسخ دهی آنرا بطور قابل ملاحظه افزایش یافته است . در این سیستم ، بطور متوسط در حدود۰٫۵ ثانیه طول می کشد تا به آلارمهای رسیده، جواب داده شود . در مقاله Y . Fukuyama و Y. Ueki از یک سیستم مرکب (Hybrid) استفاده شده است. ابتدا یک سیستم خبره برای یافتن مکان اتصال کوتاه وجود دارد ، سپس به کمک شبکه های عصبی مجزا ، از روی شکل موج جریان و ولتاژ در خطی که در آن خطا اتفاق افتاده است ، محل خطا در خط انتقال تعیین شده و نیز نوع خطای اتصال کوتاه  اعم از تکفاز به زمین ، دوفاز ، دوفاز به زمین و سه فاز مشخص می شود ، یک شبکه عصبی جداگانه نیزه برای تخمین مقدار مقاومت اتصال کوتاه ( R ) طراحی شده است. در این مقاله ، یک شبکه ساده بررسی شده با ۶ باس بار که در یک سطح ولتاژ بوده و تنها یک منبع تغذیه دارد در مقاله Guo – Zhong Zhou نیز همانند Y . Ueki , Y . Fukuyama از دو بخش مجزا استفاده شده است . ولی در این مقاله برای شناسایی المانی که خطا در آن واقع شده است، بجای سیستم خبره، شبکه های عصبی بصورت سلسله مراتبی (Hierarchical) طراحی شده است . سپس جهت مشخص شدن نوع اتصال کوتاه تکفاز به زمین ، دوفاز ، دوفاز به زمین و سه فاز در خطوط انتقال ، یک شبکه عصبی توسط مقادیر موثر جریان در هر سه فاز آن آموزش دیده است ، پس در این روش میبایست به ازاء هر خط انتقال ، یک ثبات برای شناسایی نوع خطای آن، وجود داشته باشد . با توجه به مقالات ارائه شده تا کنون و نتایج حاصله از آنها می پردازیم به طرح جدید برای یافتن محل خطا در یک سیستم قدرت .

در این مقاله برای شناسایی اتصال کوتاه ، دوطریقه مختلف ارائه شده است. این دو روش دارای نقاط مشترکی هستند . ولی تفاوتهایی هم در روند کارشان و هم در نتایج حاصله از آنها مشاهده میگردد . در روش اول ، جریان واقعی فازها ملاک قرار گرفته ولی در روش دوم، جریان توالی مشیتد منقی و صقر مبنای تصمیم گیری خواهد بود. یکی از مهمترین تفاوتهایی که بین این دو روش مشاهده خواهد شد، این است که در روش دوم کاهش چشمگیری در مدت زمان لازم برای آموزش شبکه عصبی بوجود می آید. زیرا تعداد الگوهای آموزش آن در حدود ۶۰% کمتر از روش اول خواهد بود . به طور مثال در مورد اتصال کوتاه تکفاز به زمین، سه حالت مختلف وجود دارد. ممکن است اتصال کوتاه فاز R به زمین ( RE ) یا اتصال فاز S به زمین ( SE) ویا اتصال فاز T به زمین (TE) باشد. علی رغم آنکه جریان فازها در هر سه مورد، با همدیگر تفاوت خواهد داشت، لیکن جریان توالی مثبت، منفی و صقر تفاوتی نخواهد داشت در نتیجه در روش دوم کافی است، تنها خطای RE بعنوان اتصال کوتاه تکتاز به زمین، به شبکه عصبی آموزش داده شود. با این وجود، روش اول دارای یک امتیاز عمده است ، زیرا شبکه عصبی میتواند فازی را که به زمین اتصال شده  مشخص نماید . به عبارت دیگر، مثلا در مورد اتصال کوتاه تکفاز به زمین، نوع خطای RE و SE و TE را از یکدیگر متمایز خواهد نمود. در مقابل، شبکه عصبی دوم ، تنها معین میکند که اتصال کوتاه تکفاز به زمین است و در مورد فاز آن، سکوت خواهد نمود. جزئیات تکمیلی درباره هریک از این دو روش، در بخش های آتی بیان می شود 

دلایل استفاده از شبکه عصبی

در شبکه های قدرت اگر محل نوع اتصال کوتاه مشخص باشد، با استفاده از فرمولهای ریاضی مربوطه، میتوان مقادیر ولتاژ و جریان در محل اتصال کوتاه و یا هر نقطه دیگری از آن شبکه را محاسبه نمود . ولی بطور معکوس، روابطی برای مکان اتصال کوتاه برحسب مقادیر ولتاژ و جریان در نقاط مختلف شبکه، وجود ندارد. مضافا” بر آنکه نمیتوان جریان را  در محل اتصال کوتاه، اندازه گیری نمود . قابل ذکر است ، در حالت خاص که تنها یک خط انتقال مورد بررسی است روابط تقریبی برای پیدا کردن فاصله مکان اتصال کوتاه از ابتدای خط وجود دارد  . ولی همانطوری که اشاره شد، در یک شبکه قدرت با تعدادی خط و ترانس و غیره هیچگونه روایتی برای این منظور وجود ندارد . بعبارت دیگر در اینگونه مسائل، با روشهای کلاسیک با الگوریتمیک نمیتوان راه به جایی برد . کاربرد شبکه های عصبی مصنوعی (ANNs) تنها راه حلی است که تا کنون برای یافتن محل اتصال کوتاه از روی مقادیر ولتاژ و جریان در نقاط مختلف شبکه، ارائه شده است.

داده های لازم برای آموزش شبکه عصبی

وقتی در یک شبکه قدرت ، اتصال کوتاه رخ میدهد ، ولتاژ و جریان اتصال کوتاه حاوی اطلاعاتی راجع به محل و نوع خطا میباشد  . بطور کلی جریان اتصال کوتاه دارای تغییرات محسوس و قابل ملاحظه تری در مقایسه با ولتاژ است . در نتیجه استفاده از شکل موج جریان اتصال کوتاه برای شناسائی خطا، خیلی مناسبتر و موثرتر خواهد بود از طرف دیگر، داده های مربوط به جریان اتصال کوتاه در حوزه زمان خیلی زیاد بوده و نباید آنها را بطور مستقیم به شبکه عصبی اعمال کرد . زیرا تعداد نرونها (Neuron) در لایه ورودی آن، فوق العاده زیاد شده و ابعاد شبکه عصبی بیش از اندازه بزرگ می شود . به این دلیل مرسوم است که داده های مربوط به جریان اتصال کوتاه، ایتدا مورد پردازش اولیه قرار بگیرد و پس از آن به شبکه عصبی اعمال گردد. مثلا” در داده ها نرمالیزه شده و سپس به شبکه عصبی اعمال شده است در مقدار موثر شکل موج مورد استفاده قرار گرفته است و بالاخره در شکل موج جریان اتصال کوتاه، فیلتر شده تا هارمونیک های آن حذف گردد در این مقاله نیز، علاوه بر آنکه مقدار جریان فازها بر حسب در واحدی (Perunit) بوده، شکل موج جریان جریان اتصال کوتاه، فیلتر شده تا مولفه اصلی آن به شبکه عصبی اعمال شود . به این ترتیب سه مقصود یطور همزمان حاصل می شود؛

۱ – تعداد نرونهای لایه ورودی شبکه عصبی، بشدت کاهش می باید .

۲ – نویزهای فرکانس بالا حذف خواهد شد.

۳- همانطوری که میدانیم در حالت کلی، شکل موج جریان اتصال کوتاه دارای مولفه DC بوده و بصورت غیر متقارن (Asymmetric) است . همچنین مولفه DC أن یستگی به زمان آغاز اتصال کوتاه نسبت به فاز ولتاژ دارد . پس برای آنکه داده های ورودی به شبکه عصبی مستقل از زمان وقوع اتصال کوتاه باشد، فقط مولفه اصلی جریان به آن اعمال میشود……..

دانلود در ادامه…..

دانلود کامل مقاله

 

دیگر پروژه های قابل دانلود: 

مجموعه کامل سورس های شبکه عصبی مصنوعی در متلب

 

 

 


مجموعه: پروژه های تحقیقاتیبرچسب ها , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *