بخشی از مقاله
چکیده
این مقاله تشخیص اغتشاشات کیفیت توان - - PQD1 گذرای جدید با استفاده از فیلتر دنبالگر قوی - - STF2 را پیشنهاد می-کند. با طراحی مدل فیلتر مناسب، زمانی که PQD ایستا وجود دارد، STF مشابه فیلتر کالمن عمل میکند، درحالی که زمانی که اغتشاشات گذرا وجود دارد STF هر تغییر ناگهانی شکل موج واپیچیده را با استفاده از ضریب محوشدگی - - FF3 نمایان میسازد.
FF همچنین میتواند آشکار سازد کدام پارامتر از مولفهی سیگنال در حال تغییر است و حساسیت آن به تغییر ناگهانی میتواند با استفاده از ضریب ملایمکننده به سادگی برای اجتناب از تاثیر نویز میزان شود. گذشته از این، STF یک الگوریتم کوچک دارد،که به آسانی میتواند روی سیستمهای جاسازیشده برای تشخیص آنی و متغیر با زمان اجرا شود. شبیهسازیها پیشنهاد میکنند که STF یک راهحل مناسب برای تشخیص PQDهای گذراست.
1. مقدمه
تشخیص اغتشاشات کیفیت توان - PQD - نقش مهمی را در شبکه و ایمنی مشتری، ارزیابی کیفیت توان و نظارت بر توان بازی میکند. PQDهای گذرا تاثیری قوی هم بر شبکه و هم مشتری دارند و پیآمدهای جدی را موجب میشوند. بنابراین، تحقیقات بیشتر در زمینهی تشخیص PQDهای گذرا به فوریت در این روزها نیاز است. چالشهای عمدهی تشخیص PQDهای گذرا تداخل نویز پسزمینه و انحراف فرکانس است. اساساً تشخیص می-تواند به طور کلی به تخمین غیرپارامتری و تخمین پارامتری تقسیم شود.
رایجترین روش تخمین غیرپارامتری تبدیل موجک - - WT4 شامل تبدیل موجک گسسته - - DWT5 و تبدیل موجک پیوسته - CWT6 - ] و تبدیل [ S است. DWT به تنهایی یک ابزار قدرتمند برای نشاندادن اغتشاشات گذرا، اما ناتوان از دادن دامنه، فرکانس، و فاز است. تبدیل S میتواند به عنوان یک CWT اصلاحشده فرض شود و خود را خیلی مفید در آشکارسازی PQDهای گذرا نشان دادهاست. اخیراً، کاهش چشمگیر زمان اجرا برای تبدیل S فرصت آشکارسازی PQDهای آنی را فراهم میکند. با این وجود، WT سنتی مبتنی بر نظریه فوریه است، که نیاز به نمونههای سنکرون شده دارد.
در کاربردهای واقعی، انحراف فرکانس نمیتواند چشمپوشی شود. تبدیل فوریهی کوتاه مدت - - STFT1 و توزیع زمان- فرکانس - - TFD2 نیز در آشکارسازی PQDها استفاده میشوند. بهره جستن از دو روش، نه تنها تداخل عرضی TFD را کاهش میدهد، بلکه وضوح STFT را نیز بالا میبرد. با این حال، اشکال آن واضح است. وزن محاسبهی خیلی سنگین به آشکارسازی PQDهای آنی آسیب میزند. از این گذشته، بایستی نمونهبرداری سنکرون را نیز اقناع کند. تبدیل هیلبرت هوآنگ یک ابزار تحلیل حوزهی زمان-فرکانس است، که برای آشکارسازی PQDها مناسب است.
مرجع[2] HHT را روی موضوعات کیفیت برق میآزماید و بحث میکند. اشکال اصلی HHT آلودگی نقطهی انتهایی درطول تجزیهی مد تجربی است. رایج-ترین پارامتر روش تخمین فیلتر کالمن - - KF است، که یک پسزمینهی نظریهای محکم و تجربهی کاربردی زیاد دارد. با مدل فیلتر مناسب، نه تنها KF میتواند PQDهای گذرا را آشکار کند، بلکه همچنین تخمین دامنه، فرکانس و فاز را میدهد.
یکی از مهمترین کاربردهای آشکارسازی PQDهای گذرا خدمت به جبران یا بهبود PQDها است. در این صورت، تخمین پارامتری متغیر با زمان خیلی مفید و ضروری است. با اینحال، KF نمیتواند نقطهی دقیق روی موج PQD های گذرا را به شکلی که DWT نشان میدهد، نمایان سازد. در کاربردهای واقعی، هرچه زمانی که PQDهای گذرا وجود دارند قبلتر از تحریک تجهیز حفاظتی باشد، مصرفکنندگان و شبکه امنتر خواهند بود. متاسفانه، دنبال کردن KF نسبت به پاسخ PQDهای گذرا تاخیر دارد
فیلتر دنبالگر قوی - - در ابتدا برای بالابردن دنبال کردن KF، زمانی که تغییر ناگهانی متغیرهای حالت رخ میدهد، اختراع شد و دنبال-گر هدف و کنترل خودکار را معتبر ساخت. اغتشاشات گذرا روی سیگنال قدرت میتواند به عنوان تغییر ناگهانی متغیرهای حالت فرض شود، که برای پارامترهای سینوسی قرار میگیرد. با عامل محوشدگی STF - FF - ، PQDهای گذرا میتوانند به طور واضحی نمایان شوند. برخلاف ضرایب موجک، که در برابر نویز آسیبپذیر هستند، عامل ملایمکننده - SF - میتواند برای تنظیم حساسیت STF به نویز میزان شود. درکل، اگر آشکارسازی PQDهای گذرای متغیر با زمان و آنی نیاز شود، KF گزینهی مناسبی است، و با استفاده از STF مانع KF میتواند حل شود.
2. الگوریتم
-1-2 مدل فیلتر یک سیگنال قدرت با هارمونیکهایی در شکل گسسته میتواند به شکل زیر نشان داده شود:
که در آن Ajk، j k و φjk به ترتیب دامنههای متغیر با زمان ، فرکانس و فاز j امین مولفه هستند، M تعداد مولفههای سینوسی است. W فاصلهی نمونه و k گام حرکت است. متغیرهای حالت را به شکل زیر داریم:
سپس، ماتریسهای حالت و اندازهگیری میتواند به ترتیب به شکل - 3 - و - 4 - داده شود:
از آنجایی که هارمونیکهای مرتبه-بالا در کاربردهای واقعی خیلی کوچک هستند، اولی، سومی، پنجمی، هفتمی، نهمی و یازدهمین هارمونیک مدل میشوند، و ابعاد فیلتر 13 در 13 است. سپس، دامنهها، فازها، و فرکانس j امین مولفه به ترتیب xj2j-1، xj 2j-1-jk k W، و jxk2M+1 هستند.
STF -2-2
الگوریتم دنبالگر فیلتر یک گروه تابع اندازهگیر-حالت به شکل است که در آن z مقدار مقدار معیار، v و w به ترتیب نویزهای حالت و اندازهگیری هستند. فیلتر با گروههای تابع بازگشتی که در ادامه میآید تکمیل میشود:
که در آن k بهرهی فیلتر و Rk=E{ k, kT}
که در آن γk باقیماندهی اندازهگیری و پیشبینی است.
که در آن I ماتریس واحد است.
که در آن P کوواریانس خطای پیشبینی و .Qk=E{vkvkT} زمانی که KF کار میکند، دو شرایط عمودی وجود دارد.
