بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
آشکارساز و تصحیح کننده داده های نامناسب در تخمین حالت سیستم های قدرت با بکارگیری شبکه های عصبی مصنوعی RBF
چکیده
در این مقاله آشکارسازی اندازه گیریهای نامناسب و تصحیح و جایگزینی آنها با مقادیر مناسب در سیستم های قدرت با بکارگیری شبکه های عصبی مصنوعی با توابع پایه شعاعی RBF برای اولین بار جهت استفاده در تخمینگرهای حالت بلادرنگ تشریح شده است. این نوع آشکارسازها و تصحیح کننده ها بدون نیاز به تئوریهای آماری و روشهای محاسباتی تکراری (Recursive) تنها با استفاده از یک مجموعه زوج الگوهای ورودی خروجی قابل قبول و دقیق از سیستم قدرت تحت مطالعه ایجاد می شوند که در مقایسه با روشهای سنتی از سرعت، دقت و قدرت تعمیم پذیری بسیار بالایی برخوردار هستند.
کلید واژه - آشکارسازی و تصحیح داده های نامناسب، سیستم های قدرت و شبکه های عصبی مصنوعی RBF
۱- مقدمه
افزایش پیوسته قیمتهای مواد سوختی و نیز تورم سالانه باعث شده است که همواره بهره برداری اقتصادی از سیستم های تولید انرژی الکتریکی مورد توجه و مطالعه قرار گیرد. از زمانیکه شرکتهای تولید انرژی الکتریکی جهت تأمین مجموعه ای از بارها مجبور شدند بیش از یک واحد نیروگاهی استفاده نمایند شبکه های قدرت بهم پیوسته و پیچیده تر شدند و بالطبع بهره برداری مطمئن از این سیستمها مشکل تر شده و نیازمند به اندازه گیری کمیتهای مؤثر و ارسال آنها به یک مرکز اصلی جهت کنترل شده است در همین راستا برای جلوگیری از بروز خطاهای بزرگ در سیستم های قدرت و قطع ناخواسته برق، شرکتهای تولید کننده انرژی الکتریکی، سیستم های نظارتی و جمع آوری داده (SCADA) ' بیشتری را جهت تجهیز سیستم های رایانه ای در مراکز کنترل به کار می برند تا بدینوسیله بتوانند حالات سیستم قدرت را بهتر برآورد کنند و از بروز خطا جلوگیری شود. همچنین مسئله مدیریت انرژی الکتریکی با ضریب اطمینان بالا، یکی از کاربردهای پیشرفته تخمین حالات در سیستم های قدرت است که بایستی تخمینی از حالات شبکه در اختیار باشد تا مدیریت مطلوبتر انرژی انجام گیرد. در واقع تخمینگرهای حالت یکی از اجزای تفکیک ناپذیر مراکز کنترل انرژی در شبکه های قدرت محسوب می گردند. تخمینگرهای حالت در سیستم های قدرت بر روی مجموعه ای از داده های اندازه گیری از قبیل توانهای حقیقی و راکتیو شینها، توانهای عبوری از خطوط و دامنه ولتاژها عمل می کنند تا نویزهای گوسی موجود روی داده های خام را فیلتر کنند و بهترین تخمین از حالت سیستم را بدست دهند.
در مسئله تخمین حالت در سیستم های قدرت اگر مدل سیستم درست بوده و اندازه گیریها هم دقیق باشند، می توان گفت که نتایج تخمین حالت نیز درست است. اما ممکن است مبدلهای اندازه گیری بصورت غیر صحیح متصل شده یا معیوب باشند و یا اینکه کالیبراسیون آنها درست نباشد به گونه ای که اندازه گیری دقیقی ارائه ندهند در این صورت داده هایی که به منظور تخمین حالت از سیستم تحت کنترل جمع آوری می شوند دیگر دارای خطاهایی با ماهیت گوسی نخواهند بود، در سیستم های قدرت اینچنین داده هایی را داده های نامناسب می نامند و بالطبع کارایی تخمینگرهای حالت با اینگونه داده ها تحت الشعاع قرار گرفته و خروجیهای مطلوبی نخواهند داشت، بنابراین اگر اندازه گیری نامناسب یا دارای خطای بزرگ داشته باشیم، باید چنین داده هایی را آشکار کرده و قبل از محاسبات تخمین حالت حذف و یا جایگزین نمائیم و بدین ترتیب دقت و کارایی تخمینگرها را تضمین نمائیم
۲- مسئله آشکارسازی و تصحيح داده های نامناسب در سیستم های قدرت
استفاده مستقیم از داده های اندازه گیری شده جهت تخمین حالت یک امر غیر منطقی می باشد چون بنا به ماهیت فیزیکی بودن عمل اندازه گیری مقادیر ارسال شده به تخمینگر حالت عاری از خطاهای بزرگ و غیرقابل پیشگیری نخواهد بود، معمولترین روش تشخیص داده های نامناسب در أمر تخمین حالت سیستم های قدرت در زمانهای قدیم یک روش آماری بود[1] تا [10]، استفاده از این روش مستلزم این است که از خواص آماری خطاهای اندازه گیری اطلاع کافی داشته باشیم. این روش تشخیص داده های نامناسب از نظر تئوری ساده اما وقت گیر است و از الگوریتمهای محاسباتی تکراری بهره می گیرد، پرواضح است که برای کنترل بلادرنگ سیستم های قدرت پیچیده و بسیار بزرگ امروزی این روش سرعت لازم را نخواهد داشت.
پیشرفتهای اخیر در زمینه پردازش سیگنال و کنترل باعث شده که روشهای مرسوم در این تئوری ها جای خود را به تکنیکهای مبتنی بر هوشهای مصنوعی بدهند که صنعت برق هم از این امر مستثنی نبوده است. یکی از شاخه هایی که تکنیک شبکه های عصبی بطور گسترده ای در آن بکار گرفته می شود تحلیل سیستم های قدرت می باشد، همانطور که میدانیم تحلیل سیستم های قدرت منتج به معادلات دیفرانسیلی و دینامیکی بسیار پیچیده و گسترده میشود چرا که سیستم های قدرت متشکل از جمع کثیری از المانها و قسمتهایی می باشد که دارای رفتار دینامیکی و معادلات بسیار پیچیده می باشند که بالطبع سیستمی که از بهم پیوستن این قسمتها تشکیل شده باشد دارای تحلیل پیچیده تری می باشد. همچنین در بسیاری از موارد احتیاج به بررسی و نگرش کلی به سیستم قدرت در زمان بسیار کم میباشد که طبعأ استفاده از روشهای تحلیلی و ریاضیاتی صرف که معمولا وقت گیر می باشند، روشهای خیلی مطلوبی نیستند و احتیاج به روشهای سریع و بلادرنگ احساس می شود. روش شبکه های عصبی مصنوعی با ساختارهای استاتیکی و دینامیکی، هم قابلیت سرعت بالا و تحلیل سریع . را داراست و هم برای مدلسازی استاتیکی و دینامیکی سیستم قدرت می توان از آن بهره جست. این دو قابلیت بهمراه قدرت تعمیم پذیری که مهمترین و پرکاربردترین ویژگی شبکه های عصبی مصنوعی می باشد، شبکه های عصبی مصنوعی را ابزار بسیار پرقدرتی جهت تحلیل و کنترل منجمله مسئله شناسایی داده های اندازه گیری جمع آوری شده از سیستم های قدرت و جایگزینی دادههای شناسایی شده با مقادیر مناسبتر می نماید.
در مقاله حاضر جهت ایجاد فیلترهای عصبی به منظور آشکارسازی و تصحیح داده های نامناسب در امر تخمین حالت سیستم های قدرت برخلاف ایده اولیه در این زمینه که از شبکه های عصبی مدل پرسپترون چند لایه استفاده شده [11]، برای اولین بار بنا به دلایلی از جمله زمان تعلیم سریع، عملکرد خوب وقتیکه بردارهای تعلیم زیادی در دسترس باشد و همچنین جهت رهایی از معضل سعی و خطا در تعیین تعداد لایه ها و تعداد نرونهای هریک از لایه ها از شبکه های عصبی مصنوعی با تابع پایه شعاعی (Radial Basis Function) که به اختصار با RBF نشان داده می شوند بهره گرفته شده است.
۱ - ۲- شبکه های عصبی مصنوعی با تابع پایه شعاعی(RBF)
شبکه های عصبی نوع RBF از دو لایه نرون تشکیل یافته اند، یک لایه مخفی و یک لایه خروجی، انتقال از فضای ورودی به لایه مخفی غیر خطی است، در صورتیکه انتقال از لايه مخفی به فضای خروجی خطی می باشد، به عبارت دیگر عصبهای موجود در لایه مخفی فقط شامل یک تابع با پایه شعاعی مانند تابع گوسین می باشند (به همین علت به این شبکه، شبکه با تابع پایه شعاعی می گویند) و عصبهای موجود در لایه خروجی فقط شامل یک جمع کننده می باشند. شکل (۱) یک شبکه با تابع پایه شعاعی را نشان می دهد که radbas ها همان توابع با پایه شعاعی می باشند.
ورودی تابع انتقال با پایه شعاعی فاصله برداری بردار وزن W و بردار ورودی P است که در بایاس bضرب می گردد، تابع پایه شعاعی بصورت زیر می باشد:
زمانیکه فاصله بین W و P کاهش می یابد خروجی تابع radbas زیاد می گردد و وقتیکه فاصله صفر باشد ماگزيمم آن یعنی مقدار تولید می شود، بنابراین یک نرون radbas بعنوان یک دتکتور عمل می کند و زمانیکه ورودی P برابر بردار وزن W آن باشد مقدارا را تولید می کند وزنهای خروجی اینچنین نرونی در لایه دوم به نرونهای خطی لایه دوم انتقال داده می شوند و نرونهای radbas با بردارهای وزنی که کاملا متفاوت از بردار ورودی P باشند خروجی نزدیک صفر تولید خواهند کرد، این خروجیهای کوچک تنها یک اثر خیلی کوچک و قابل اغماض در نرونهای خروجی خطی خواهند داشت و بایاس 6 هم برای تنظیم حساسیت نرون radbas قرار داده شده است [12]
۲ - ۲- آشکارسازی داده های نامناسب با بکارگیری شبکه های عصبی مصنوعی RBF
در این روش آشکارسازی داده های نامناسب برخلاف روش سنتی که یک روش تکراری (تخمین حالت اتشخیص داده های بد حذف داده های بد بود و به زمان زیادی نیاز داشت، از دو فیلتر عصبی RBF متفاوت برای هر یک از داده ها یکی بعنوان آشکارساز و دیگری جهت تصحیح داده های نامناسب استفاده می شود شکل( ۲)، بدین ترتیب که داده های خام که از سنسورها گرفته میشوند قبل از اینکه در تخمین حالت دخالت داده شوند از فیلترهای عصبی آشکارساز عبور داده می شوند و خروجی این آشکارسازها با مقادیر آستانه مقایسه می گردند، هریک از این خروجیهای آشکارسازها که از مقادیر آستانه تجاوز کند وارد تصحیح کننده عصبی مربوط به خود می شود و اگر در محدوده قابل قبول باشد بعنوان یک داده مناسب مستقیمأ به تخمینگر حالت ارسال می شود. فرمول مقایسه کننده خروجی آشکارسازها با مقادیر آستانه بصورت زیر می باشد.
که در آن Zi مقدار اندازه گیری شده بوسیله اندازه گیر iام، ;Oi خروجی آشکارساز iام و riمقدار آستانه جهت تعیین مناسب یا نامناسب بودن داده اندازه گیری شده i ام می باشد که مقدار آستانه برای هر داده اندازه گیری بصورت انتخاب می گردد که در آن انحراف معیار استاندارد اندازه گیر نام است [11]
بطور کلی اولین مرحله در انجام کار با شبکه های عصبی مصنوعی، تهیه داده و الگوهای یادگیری می باشد تا با استفاده از آنها به
