بخشی از مقاله
چکیده
در این مقاله، یک روش جدید IDPSO و IPSO بر اساس شبکه عصبی براي تشخیص عیب در سیستم قدرت پیشنهاد شده است. شبکه عصبی از نوع پیشخور سه لایه انتخاب شده است که در آن حلقه دوتایی IDPSO و IPSO در بهینه سازي توپولوژي و وزنهاي شبکه عصبی بکار رفته است. حلقه IDPSO براي بهینه سازي ساختار شبکه عصبی و حلقه IPSO براي بهینه سازي وزنها بکار رفته است.
به این ترتیب شبکه عصبی بهینه براي تشخیص عیب به دست میآید. در این مقاله فرمول بندي و مطابق آن فلوچارت کامپیوتري معرفی شده است. نتایج شبیه سازي کامپیوتري در تست سیستم قدرت نشان میدهد که روش پیشنهادي تشخیص عیب در مقایسه با ساختار معمولی شبکه عصبی با آموزش پس انتشار خطا، مطلوب میباشد.
مقدمه
تشخیص خطا در سیستمهاي قدرت فرآیندي است که در آن عناصر خطادار سیستم بر اساس اطلاعات حاصل از رلهها و مدارشکنها که در سیستمهاي SCADA فراهم شدهاند تمیز داده میشوند. به محض بروز خطاهاي جدي در سیستم قدرت، اطلاعات هشدار دهنده فراوانی حاصل از عناصر حفاظتی توزیع شده در سیستم قدرت به مرکز کنترل ارسال میشود.
در چنین شرایطی لازم خواهد بود اپراتورها با استدلال، علت و محل خطا و همچنین عناصرخطا دیده را به سرعت و به دقت تشخیص دهند. دقت و سرعت فرآیند تشخیص خطا به تجربه اپراتور بستگی دارد. با افزایش پیچیدگی سیستم قدرت، بویژه در وضعیت خطاهاي چندگانه یا عملکرد نامناسب عناصر حفاطتی، مقدار اطلاعات مستلزم پردازش، به اندازهاي زیاد خواهد شد که انسان از عهده آن بر نخواهد آمد.
در چنین حالتهایی نیاز اپراتورها به دسترسی سریع به اطلاعات مطمئن و روشهاي کامپیوتري گسترش یافته تا برخی از این وظایف خودکار شده و به اپراتور انسانی کمک شود. روشهاي تشخیص خطاي مناسب میتوانند اطلاعات مؤثر مربوط به خطا را براي عوامل دیسپاچینگ فراهم ساخته و در نتیجه عملکرد امن و پایدار سیستمهاي قدرت را تضمین کنند.
در عمل تریپ رلههاي حفاظتی متأثر از ضرایب عدم اطمینان مختلفی میباشد و اطلاعات آلارم تشخیص عیب سیستمهاي قدرت با استفاده از شبکه عصبی مصنوعی آموزش دیده بر اساس حلقه دوتایی مبتنی بر IPSO و IDPSO سیستم نامطمئن است. بنابراین تشخیص مؤثر خطاها توسط ابزارهاي معمولی بسیار دشوار میباشد بطوري که باید برخی روشها و ابزارهاي جدید براي فائق آمدن بر این مشکلات و بهبود بخشیدن دقت تشخیص عیب بکار گرفته شوند.
روشهاي زیادي براي حل این مسئله بکار گرفته شدهاند مثل سیستم خبره [2-1]، مجموعه فازي [4-3]، بهینه سازي -5] [6، منطق ریاضی [8-7] و شبکه عصبی مصنوعی
الگوریتم IDPSO و IPSO
الگوریتم اجتماع ذرات - PSO - از جمله الگوریتمهاي
جستجوي تصادفی الهام گرفته از طبیعت میباشد که بر پایه رفتارهاي اجتماعی پرندگان استوار است. ایدههاي اولیه اجتماع ذرات تشکیل دهنده یک شبکه در سال 1995 توسط Kennedy و Eberhart مطرح گردید .[12] این ایده در حل انواع مسایل بهینهسازي عملکرد مناسبی داشته است. در این الگوریتم جمعیتی L فردي از بردارهاي X در نظر گرفته می شود و بردار X یک بردار n عضوي است - که هر یک از اعضاي آن یکی از پارامترهاي مساله آموزش ANN مورد بحث می باشد - . در ابتدا جمعیت ذرات بصورت تصادفی مقدار دهی شده و در روند اجراي الگوریتم ذرات بسوي هدف که همان یافتن نقطه بهینه می باشد هدایت می گردند.
موقعیت هر ذره در واقع بردارX مربوط به آن است و ارزش
آن نیز مقدار تابع برازش در موقعیت مربوطه می باشد. در روند اجراي الگوریتم میتوان بهترین تجربه هر ذره و موقعیت مربوط به آن را ذخیره نمود. بهترین تجربه ذره i ام، pbesti و موقعیت متناظر مربوط به آن را xrpbesti گویند. به همین ترتیب بهترین تجربه موجود در بین تمام ذرات و موقعیت مربوط به آن به ترتیب با gbesti و i نشان داده می شود. در حرکت به سوي نقطه مینیمم، سرعت حرکت هر ذره و موقعیت جدید هر ذره با روابط - - 1 و - 2 - مشخص میشود
در رابطه - 1 - ، ω ضریب اینرسی ذره و c1 و c2 ضرایب شتاب هستند. براي تصادفی کردن ماهیت سرعت، ضرایب c1و c2 در اعداد تصادفی r1 و r2 ضرب شدهاند. معمولا در اجراي الگوریتم مقادیر کم ω منجربه همگرایی سریع دریک مکان بهینه محلی میشود در حالی که مقادیر خیلی زیاد ممکن است مانع همگرایی شود. معمولا در الگوریتم PSO ،مقدار ω در طی یادگیري تنظیم میشود و به صورت خطی ازیک تا نزدیکی صفر کاهش مییابد
لازم به ذکر است که عملکرد الگوریتم PSO بر اساس اعداد حقیقی است در صورتی که پارامترهاي مربوط به ساختار شبکه عصبی از نوع متغیرهاي گسسته میباشند، بنابراین این الگوریتم مستقیما نمیتواند براي حل این مساله استفاده شود. دو راهکار براي حل این مساله بر اساس روش PSO وجود دارد که عبارتند از:
- 1 الگوریتم PSO با کدینگ باینري . - BPSO -
- 2 الگوریتم PSO گسسته . - DPSO -
در اینجا بنا به دلایل زیر از روش دوم یعنی الگوریتم DPSO براي تعیین پارامترهاي مربوط به ساختار شبکه عصبی استفاده شده است:
پرهیز از بروز مشکلاتی که در زمان کدگذاري و کدگشایی پارامترهاي مساله بوجود میآید.
افزایش سرعت همگرایی.
سادگی در پیادهسازي.
مقدار ω نیز در طی یادگیري تنظیم میشود و به صورت خطی از یک تا نزدیکی صفر کاهش مییابد. بنابراین ضریب اینرسی - ω - مطابق زیر تنظیم میگردد:
در رابطه فوق itermax ماکزیمم شماره تکرار،iter شماره تکرار کنونی، ωmin و ωmax بترتیب مقدار ماکزیمم و مینیمم ضریب اینرسی میباشند.
نهایتا سرعت و موقعیت جدید هر ذره طبق روابط زیر بدست میآید:
تشخیص عیب سیستمهاي قدرت با استفاده از شبکه عصبی مصنوعی آموزش دیده بر اساس حلقه دوتایی مبتنی بر IPSO و IDPSO
زمانیکه مقدار بدست آمده براي vi بزرگتر از vmax باشد آنگاه مقدار vi برابربا vmax انتخاب میشود. به همین ترتیب اگر مقدار بدست آمده براي vi کوچکتر از vmin باشد آنگاه مقدار انتخابی براي vi همان vmin خواهد بود. اگر مقدار xi نیز از حداکثر تعداد مدارات قابل احداث در کریدور مربوطه تجاوز نماید آنگاه مقدار xi برابر با همان حداکثر تعداد مدارات انتخاب خواهد شد و زمانیکه براي xi مقداري منفی حاصل شود، مقدار xi صفر انتخاب میشود. سایر متغیرها نیز مشابه روابط - 1 - و - 2 - محاسبه میشوند.
براساس رابطه - 4 - بهترین موقعیت ذرات همزمان با، اتفاق می افتد، در این حالت ذرات تنها در نقطه اي از وزن اینرسی ω باقی می مانند. اگر سرعت ذرات خیلی نزدیک به صفر شود، این ذرات قادر به جابجایی جهت رسیدن به gbesti نخواهند بود، این بدان معناست که ذرات به بهترین تجربه هر ذره همگرا شده و از ذرات گروهی دور خواهند شد، در این حالت سرعت همگرایی کاهش خواهد یافت
در این مقاله براي جبران این مشکل از الگوریتمهاي PSO، DPSO بهبودیافته استفاده شده است. الگوریتمهاي پیشنهادي مطابق الگوریتمهاي PSO، DPSO بوده با این تفاوت که با عملگر جهش - mutation - که یکی از عملگرهاي الگوریتم ژنتیک میباشد ، تلفیق شدهاند. این عملگر سبب می شود که ذرات به خارج از مکان بهینه محلی پرش کرده و در دیگر نواحی فضاي بهینهسازي به جستجو بپردازند. این عمل موجب افزایش سرعت همگرایی و دقت دو الگوریتم می شود. فلوچارت روش پیشنهادي در شکل 1 نشان داده شده است.
شکل:1 فلوچارت روش IDPSO
فلوچارت مربوط به الگوریتم IPSO نیز مشابه شکل 1 است با این تفاوت که به جاي روابط - 4 - و - 5 - بترتیب از روابط - 1 - و - 2 - استفاده شود.
آموزش ANN براساس IDPSO و IPSO
به منظور درك بهتر کاربرد شبکه هاي عصبی در تشخیص عیب، در این بخش ابتدا موضوع تشخیص عیب با استفاده از BP NN مورد بررسی قرار میگیرد.
1-3 شبکه عصبی BP براي تشخیص عیب
یک شبکه عصبی پیشخور سه لایه در حالت کلی، در شکل 2 نشان داده شده است. فضاي ورودي میتواند حقیقی یا نرمالیزه باشد.
