بخشی از مقاله
چکیده
افزایش اهمیت سیستمهای توزیع باعث افزایش اهمیت موضوع حفاظت از آنها شدهاست. با افزایش استفاده از منابع توزیع پراکنده، پدیده جزیرهای شدن در حال افزایش است. این پدیده با وجود مزایایی که در برخی موارد برای شبکه توزیع دارد، میتواند باعث خطرات جبران ناپذیری به شبکه نیز شود. به همین دلیل توانایی تشخیص آن میتواند اهمیت بسیاری داشته باشد.
دراین مقاله سعی شد با استفاده از شبکه عصبی، روشی هوشمند برای تشخیص جزیرهای بودن شبکه توزیع 9 باس استاندارد IEEE ارائه شود. روش پیشنهادی برپایه پرش زاویه توان ژنراتورهای تغذیه کننده شبکه است. بااین روش، زمان تشخیص به میزان بسیاری کاهش یافتهاست و با دقت بسیار بالایی میتوان جزیرهای بودن را در شرایط مختلف تشخیص داد. با پیاده سازی شبکه توزیع در نرم افزار Digsilent و اعمال الگوریتم پیشنهادی در شبکه عصبی مصنوعی، صحت ادعا بررسی شدهاست.
.1 مقدمه
امروزه استفاده از واحدهای کوچک تولید انرژی الکتریکی در سیستمهای قدرت به دلیل مزایای مختلف بهرهبرداری، مورد توجه قرار گرفته است. از موانع بسیار مهم توسعه این منابع، مسئله قطع شبکه یا اصطلاحا ایجاد جزیره در شبکه است که باعث ایجاد پدیدههای غیرمطلوب مانند خروج از سنکرونیزم واحد، کاهش کیفیت توان، ایجاد خطر برق گرفتگی و.. میشود.
به منظور حفاظت تولید پراکنده در شبکه و جلوگیری از آسیبهای احتمالی ناشی از قطع شبکه اصلی، باید در حداقل زمان ممکن قطع شبکه تشخیص داده شود و ژنراتور از سیستم سراسری تفکیک شود. تاکنون برای تشخیص صحیح و سریع این پدیده تدابیر بسیاری در مقالات و مجلات مختلف علمی اندیشیده شده است
در مراجع[3,4,5] بعضی از روشهای تشخیص جزیرهای مرور شدهاست. از بین روشهای تکنیک محلی، روشهای پسیو بدلیل عدم دخالت اغتشاش باعث حفظ کیفیت توان شبکه و سادگی محاسبه میشوند
در این مقاله سعی شدهاست یک رویکرد جدید برای تشخیص جزیره در شبکه توزیع پیشنهاد شود. این روش جزء روشهای محلی پسیو محسوب میشود به گونهای که بدون دخالت عوامل دیگر در شبکه و تنها با کمک تغییرات توان ژنراتورهای موجود در آن، تشخیص صورت بگیرد.
برای یکپارچگی سیستم، شبکه 9باسه IEEE مورد بررسی قرار گرفته است. شبکه باوجود 3 ژنراتور با توانهای تولیدی متفاوت و بارهای مختلف تحت شرایط مختلف مورد ارزیابی و تست قرار گرفته شد و با کمک شبکه عصبی مورد آزمایش قرار گرفت است تا بتواند توانایی تشخیص شبکه تحت شرایط مختلف را داشته باشد. در این مقاله از شبکه عصبی به عنوان ابزاری بسیار قدرتمند برای تشخیص حالت جزیرهای شدن استفاده شدهاست. نتایج این بررسی در محیط Digsilent و با Neural Network مورد پیاده سازی و تحلیل قرار گرفته اند.
.2 شبکه 9 باسه
الگوریتم پیشنهادی در این مقاله، برروی یک شبکه9 باسه استاندارد IEEE پیاده سازی شدهاست[7] تا نتایج قابل مقایسهای بدست آید. این شبکه دارای سه ژنراتور تولیدکننده توان است که توانایی تولید توان اکتیو و راکتیو متفاوتی دارند و سه بار مصرفی دارد که هرکدام ظرفیت مصرف توان اکتیو و راکتیو متفاوتی دارند. ظرفیت مصرف توان بار ها به گونهای تعیین شدهاست که بیش از ظرفیت توان تولیدی ژنراتورها باشد، تا مابقی توان مورد نیاز بارها را شبکه تامین کند و البته در این شرایط، اگر سیستم به حالت جزیره رود، از تغییر توان تولیدی ژنراتورها میتوان پی به جزیرهای شدن برد.
شکل :1 شبکه 9 باسه استاندارد IEEE
جدول :1 توان اکتیو و راکتیو ژنراتورها در کارکرد عادی
.3 شبکه عصبی
شبکههای عصبی مصنوعی 3 یا به زبان سادهتر شبکههای عصبی، سیستمها و روشهای محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت پیشبینی پاسخهای خروجی از سامانههای پیچیده هستند. ایده اصلی این گونه شبکهها - تا حدودی - الهامگرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش دادهها و اطلاعات برای یادگیری و ایجاد دانش است. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است.
این سیستم از شمار زیادی عناصر پردازشی فوقالعاده بهم پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیریاند. یادگیری در این سیستمها به صورت تطبیقی صورت میگیرد، یعنی با استفاده از مثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند.
با استفاده از دانش برنامهنویسی رایانه میتوان ساختار دادهای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکهای از این نورونهای مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکهها برای تخمین و تقریب کارایی بسیار بالایی از خود نشان دادهاند
شبکه مورد آزمایش، دارای 2 زیر لایه با 15تا نرون میباشد. لایه اول از تابع تبدیل Tansing و لایه دوم از تابع Purelin پیروی میکند.
جدول :2 تنظیمات لازم برای الگوریتم شبکه عصبی مورد بررسی
برای آموزش و تست شبکه عصبی مصنوعی، 28 سناریو مختلف از شرایط جزیرهای شدن و نشدن سیستم با بارها و ژنراتورهای مختلف، پخش بار گرفته شد. حدود %70 از دادههای تولید شده برای آموزش روش پیشنهادی به شبکه عصبی استفاده شد و بقیه الگوها برای تست در نظر گرفته شدهاست. ورودی شبکه عصبی، توان اکتیو و راکتیو ژنراتورها یعنی 1 و 2 و 3 و 1 و 2 و 3 و خروجی 0 و 1 به معنی عدم جزیرهای و یا وجود جزیره - به ترتیب - است.
