بخشی از مقاله
چکیده
بررسی پایداری سیستم قدرت با مدلسازی تمامی جزئیات و برای همه شرایط اضطراری، ساعتها طول میکشد. به همین خاطر طراح الزاماً به تعداد محدودی از شرایط اضطراری قانع میشود. معمولاً در عملکرد واقعی، شرایط بارگذاری و پارامترهای سیستم تا حد زیادی با فرضهای مرحله طراحی فرق دارند. بنابراین برای تخمین قابلیت اطمینان سیستم قدرت، اپراتور مرکز کنترل مجبور است شرایط اضطراری را در هر نقطه کار و برای هر ساختار شبکه، از قبل شبیهسازی کند و سپس با ارزیابی نتایج، در صورت لزوم، عملیات کنترلی پیشگیرانه را انجام دهد.
بنابراین میتوان گفت که هدف از ارزیابی پایداری گذرا، تحقیق این مطلب است که آیا سیستم میتواند همه حالات اضطراری ممکن را به سلامت سپری کند یا خیر. با توجه به تغییرات دقیقه به دقیقه در متغیرها و احتمالاً ساختار شبکه، لازم است ارزیابی پایداری گذرا به صورت بلادرنگ انجام شود. در این راستا تعیین زمان بحرانی رفع خطا برای پایداری نوسان اول که یکی از مهمترین عواملی است که در بحث پایداری گذرا تعریف میشود، مورد توجه بسیاری از محققین قرار گرفته است. در این مقاله به تخمین حاشیه پایداری در ارزیابی آنلاین پایداری گذرا با استفاده از شبکه های عصبی پرداخته میشود.
.1 مقدمه
قبل از ارائه روش تابع انرژی گذرا، جهت تعیین پایداری سیستم های غیر خطی، بررسی پایداری گذرای سیستمهای قدرت چند ماشینه، تنها از روش شبیهسازی زمانی معادلات حالت سیستم انجام میشد. در این روش، معادلات شبکه که شامل معادلات ماشین به همراه سیستم قدرت میباشند به صورت گام به گام حل شده و تغییرات سرعت و زاویه روتور مولدها بررسی میگردند. اولین کار در زمینه روش های تابع انرژی، توسط آقای مگنوسن در سال 1947 صورت گرفت.
پس از آن آقای آیلت در رساله دکتری خود در سال 1958 یک معیار انتگرالگیری انرژی را برای تعیین محدوده پایداری گذرای سیستم ارائه نمود.
از حدود سال 1966 تحقیقات زیادی انجام شده و استفاده از تابع انرژی لیاپانوف جهت ارزیابی پایداری گذرا توسعه بیشتری پیدا کرده است. یکی از آنها روش پیشنهادی آقای آبیاد می باشد که در آن از روش کمترین انرژی نقاط تعادل ناپایدار، به منظور محاسبه انرژی بحرانی مورد استفاده قرار گرفته است.
بعد از سال 1966 تحقیقات زیادی انجام، و مقالات و کتابهای زیادی چاپ شد. روشهایی که تا قبل از سال 1979 طرح شده بودند، دارای نتایج محافظه کارانه زیادی بودند، به این معنی که زمان بحرانی رفع خطایی که با استفاده از آنها به دست میآمد، خیلی از مقدار واقعی آنها کوچکتر بود. علت این امر این بود که انرژی بحرانی سیستم، مستقل از محل خطا و به ازاء نقطه تعادل ناپایداری که دارای کمترین سطح انرژی بود، محاسبه می شد. ولی مشخص شد، که انرژی بحرانی سیستم،وابسته به خطای اعمال شده در سیستم است و به ازاء هر محل خطا، بایستی مستقلاً محاسبه گردد. بر این اساس، مفهوم نزدیکترین نقطه تعادل ناپایدار، کهبعداً نقطه تعادل ناپایدار کنترل کننده نامیده شد، مطرح گردید.
بنابراین ابتدا توسط آقای کاکیموتو و سپس در سال 1979 توسط آتای روش سطح مرزی انرژی پتانسیل، و روش نقطه تعادل ناپایدار کنترلکننده ارائه گردید، که نتایج محافظه کارانه کمتری داشت. در اواخر دهه هشتاد میلادی طی سلسله مقالاتی توسط چیانگ، در بنیان تئوری روش سطح مرزی انرژی پتانسیل و روش مستقیم ارزیابی پایداری گذرا، روش جدیدی به نام روش نقطه تعادل ناپایدار کنترل کننده مرزی مطرح گردید. در این روش با حرکت در مسیر حالت سیستم، نقطه تعادل ناپایدار کنترل کننده جستجو میگردد. البته مقالات متعدد دیگری در زمینه روش سطح مرزی انرژی پتانسیل توسط محققان ارائه شد که از این دست، می توان به مقالات ارائه شده توسط آقای فواد اشاره کرد که در سال 1981 مطرح گردیده و به بیان مفهوم تازهای، به نام انرژی جنبشی تصحیح شده می پردازد.
در ادامه جهت توسعه و بهبود روشهای ارزیابی پایداری گذرا، روش ترکیبی، اول بار توسط آقای ماریا در سال [5] 1990 ارائه شد. که در آن از ویژگیهای مطلوب هر دو روش شبیهسازی زمانی و مستقیم، استفاده شده است. در واقع ترکیب روش-های شبیهسازی زمانی و تابع انرژی لیاپانوف، روش ترکیبی نامیده میشود. در سال 1997 توسط آقای تانگ روش ترکیبی توسعه پیدا کرد و مشخص گردید که حاشیه انرژی گذرا، رابطه ای خطی بر حسب زمانهای رفع خطا دارد.
در ادامه مقالاتی توسط آقای منصور و فرخ رحیمی 7]و[8 ارائه شد که نقطه عطفی در روش ترکیبی ایجاد کرد. بدین شکل که از ویژگیهای حداقل انرژی جنبشی در تخمین زمان بحرانی رفع خطا استفاده شده است. منحنی انرژی جنبشی حداقل، برحسب زمان های رفع خطای متفاوت، حاوی اطلاعات مهمی می باشد که برای ارزیابی پایداری گذرا بدون نیاز به شناسایی مولدهای بحرانی به کار رفته است. سپس در سال 2009 مقالهای توسط آقای فانگ ارائه شد.
در این مقاله، مفاهیم جدیدی چون شعاع زاویه مطرح شده و با ایجاد یک ساختار جدید برای تابع انرژی، ارزیابی حاشیه انرژی گذرا را بدون احتیاج به شناسایی گروه مولدهای بحرانی صورت میگیرد. همچنان تحقیقات در زمینه توسعه روشهای ترکیبی ادامه دارد. اما باید بیان کرد که یکی دیگر از روشهای ارزیابی پایداری گذرا، مخصوصا در کاربردهای عملی و زمان حقیقی، استفاده از شبکه-های عصبی مصنوعی می باشد. در این روش ها از متغیرهای شبکه، اعم از ولتاژ، توان و یا سرعت زاویه ای و زاویه های روتور مولدها به عنوان ورودی به شبکههای عصبی استفاده شده و حالت امنیتی سیستم ارزیابی میگردد. در سالهای اخیر، به دلیل ویژگیهای مفیدی که این روشها دارند، بسیار مورد استفاده قرار گرفته اند.در این مقاله به این موضوع پرداخته شده است.
.3 ارزیابی پایداری گذرا با روش هوشمندانه
.1,3 شبکههای عصبی
شبکههای عصبی، نوعی مدل سازی ساده انگارانه از سیستمهای عصبی واقعی هستند که کاربردهای فراوانی در حل مسائل مختلف دارند. در واقع شبکههای عصبی مصنوعی، الگوریتمهای غیرخطی محاسباتی،×برای پردازش تصویر، سیگنال و دادههای عددی میباشند. ویژگیهای شبکههای عصبی استفاده از آنها را در بسیاری از مسائل مهندسی جذاب میکند. یکی از مرسوم ترین انواع شبکههای عصبی، پرسپترون چند لایه - MLP - میباشد، که از سال 1970 مورد استفاده قرار گرفته است. میتوان یک پرسپترون چند لایه را به وسیله توابع غیرخطی به گونهای آموزش داد که بتواند هر تابع قابل اندازهگیری را تقریب زده و پیش بینی کند.
بایاسها و توابع اعمالی به خروجیهای هر لایه پیدا کنند. از جمله الگوریتمهای آموزش شبکههای عصبی، الگوریتم پس انتشار خطا میباشد. در این الگوریتم در هر مرحله مقدار خروجی محاسبه شده جدید با مقدار واقعی مقایسه شده، و با توجه به خطای به دست آمده به اصلاح وزنها و بایاسهای شبکه پرداخته میشود. به نحوی که در انتهای هر تکرار اندازه خطای حاصله کمتر از میزان به دست آمده در تکرار قبلی باشد. استفاده از شبکههای عصبی جهت ارزیابی پایداری گذرای سیستم قدرت مرسوم میباشد. در اکثر کارهای انجام شده، طبقه بندی حالتهای پایدار از ناپایدار، در سیستم قدرت مورد توجه قرار گرفته است
در این پایان نامه از شبکه عصبی پرسپترون چند لایه جهت تخمین زمان بحرانی رفع خطا استفاده میشود. شبیه سازی روی دو سیستم نمونه، با استفاده از جعبه ابزار نرم افزار MATLAB انجام شده است
1,1,3 شبکه عصبی پرسپترون چند لایه - MLP -
هرچند نحوه مدل کردن نرون جزء اساسی ترین نکات کلیدی در کارآیی شبکه عصبی میباشد اما نحوه برقراری اتصالات و چیدمان - توپولوژی - شبکه نیز فاکتور بسیار مهم و اثرگذاری است. یکی از سادهترین و در عین حال کارآمدترین چیدمانهای پیشنهادی برای استفاده در مدل سازی عصبهای واقعی، مدل پرسپترون چندلایه میباشد. این شبکه شامل یک لایه ورودی و یک لایه خروجی - حاوی نرونهای ورودی و خروجی - و یک یا چند لایه پنهانی - شامل نرونهای پنهانی - میباشد. تعداد نرون ها در لایههای ورودی و خروجی به نوع مسئله وابسته است، در حالی که تعداد نرون در لایههای پنهانی دلخواه بوده و با آزمون و خطا محاسبه میگردند. شکل 1 یک شبکه عصبی MLP را با یک لایه پنهانی نشان میدهد. در این ساختار، تمام نرونهای یک لایه به تمام نرونهای لایه بعد متصل ستنده . این چیدمان اصطلاحاً یک شبکه با اتصالات کامل را تشکیل میدهد.
شکل 1 شبکه عصبی پرسپترون چند لایه با یک لایه پنهانی
یک شبکه عصبی چند لایه نشان دهنده یک ارتباط غیرخطی بین بردار ورودیها و بردار خروجیها میباشد. این کار از طریق اتصال نرونهای هر گره در لایههای قبلی و بعدی انجام میشود. خروجی نرونها در ضرایب وزنی ضرب میشود و به تابع غیرخطی فعالسازی، به عنوان ورودی داده میشود. در مرحله آموزش، به پرسپترون، اطلاعات آموزش به عنوان ورودی داده میشود. سپس وزنهای شبکه به گونهای تنظیم میشوند که خطای بین خروجی پیش بینی شده و هدف کمینه گردد، و یا اینکه تعداد دفعات آموزش به مقدار حداکثر از پیش تعیین شده برسد.