بخشی از مقاله
چکیده -
با افزایش وابستگی به منابع تولید انرژی الکتریکی، رسیدن به سطوح مناسبی از قابلیت اطمینان و کیفیت توان همراه با قیمتی به-صرفه، روز به روز برای مصرفکنندگان از اهمیت بیشتری برخوردار میشود. نکته لازم دیگری که باید مورد توجه قرار گیرد، ایمنی تغذیه الکتریکی است. در اغلب شبکههای توزیع کشور تجهیزات قابل قطع و وصل از راه دور نصب نشدهاند و لذا انجام هرگونه مانور باید در محل انجام گیرد. علاوه بر آن، یافتن محل وقوع خطانیز عموماً بصورت تجربی و سلیقهای می باشد. لذا ارائه روشی کارآمد و بررسی الگوریتمی که بتواند محل وقوع خطا یا محدودهی محل خطا را نشان دهد، کمک زیادی به بهرهبرداران شبکه مینماید.
در این مقاله از روش ترکیبی شبکه عصبی و پروفیل خطی افت ولتاژ برای تعیین فاصلهی محل وقوع خطا، تعیین نوع خطا و آشکارسازی خط تحت خطا استفاده شده است. اثر تغییرات مقاومت محل اتصالی در تعیین محل وقوع خطا مورد ارزیابی قرار گرفته است. نتایج بدست آمده نشان میدهند که این روش نسبت به روش مرسوم تغییرات پروفیل افت ولتاژ در تعیین محل وقوع خطا از دقت بالاتری برخوردار بوده و درصد خطا به مراتب کاهش یافته است.
کلید واژه- شبکه توزیع الکتریکی؛ مکانیابی خطا؛ پروفیل خطی افت ولتاژ ؛ شبکه عصبی
-1 مقدمه
شبکههای توزیع به علت قرار گرفتن در حالتها و موقعیت-های متفاوت، نظیر شرایط بد آب و هوایی، تصادفات ترافیکی، خطای تجهیزات و همچنین ساختار گسترده و در هم تنیده، مستعد پذیرش خطا میباشند. عمده خطاهای اتفاق افتاده، اتصال کوتاههای مختلفی هستند که در شبکه رخ میدهند. به علت وجود مصارف خانگی، تجاری و صنعتی متعدد در شبکههای توزیع، حفاظت از این شبکهها در هنگام بروز خطا از اهمیت بالایی برخوردار است .[1]برای اینکه بتوان مصرف کننده را با کیفیت تغذیه نمود و آنها را در برابر خطاهای احتمالی محفوظ نگه داشت، باید تشخیص نوع خطا و محل وقوع آن با دقت قابل قبولی در دستور کار قرار گیرد.
با این کار، قابلیت اطمینان شبکه به واسطه کاهش مدت زمان قطعی برق، افزایش مییابد و همچنین سبب بهبود کیفیت توان ارائه شده و بازگشت سرمایه به سبب کاهش انرژی توزیع نشده میشود .[2] در حال حاضر در ایران برای تعیین محل خطا، تعمیر و بازیابی آن، از روش های مرسوم تجربی در شبکه های توزیع استفاده میشود. این امر بسیار زمانبر بوده و با هزینهی بالایی صورت میپذیرد.تشخیص مکان خطا بر اساس امپدانس، یکی از روشهای کلاسیک برای تعیین مکان خطا است که عملکرد آن وابسته به انتخاب صحیح ولتاژ و جریان فازهای تحت خطا میباشد. روش مکانیابی خطا بر اساس امپدانسنسبتاً ساده است، اما مشکل این طرح این است که تأثیر پذیری بیشتری نسبت به امپدانس بار، امپدانس خط و پارامترهای منبع تغذیه دارد . [1]
بنابراین استفاده از این روش به عنوان یک طرح واحد برای اینکه بتواند به طور همزمان همهی اهداف مکانیابی خطا - مثل، نوع خطا اتفاق افتاده در آن محل، فاصلهی آن و تعیین خط اتصال کوتاه شده - را برآورده کند، چندان مناسب نیست.در سالهای اخیر روش مکانیابی خطا توسط امپدانس را به صورت ترکیبی به کار گرفته و آن را بهبود بخشیدهاند . [3-6] نظر به اینکه از مقادیر اندازهگیری شده در ابتدای پست برای تشخیص مکان خطا استفاده میشود، نقاط متعددی به عنوان کاندید ناحیهی خطادار معرفی میگردند. علت این امر وجود نقاط مختلفی است که فاصلهی الکتریکی یکسانی تا دستگاه اندازهگیری دارند. این روش برای اینکه بتواند گزینهی صحیحتر را انتخاب کند، به تنظیم زمانی تجهیزات حفاظتی وابسته است .[7] در صورت بروز مشکل در هماهنگی تجهیزات حفاظتی و وقوع خطاهای امپدانس بالا، این روش پاسخ صحیحی نمیدهد.
تشخیص مکان خطا براساس امواج سیار، از بازتاب و انعکاس امواج تولیدی در هنگام وقوع خطا، مکان خطا را مشخص می-کند. اگرچه این روش با دقت بالا فاصلهی خطا را تعیین میکند، اما گاهی اوقات برخی از مشکلات موجود در شبکه، دقت آن را تحت تأثیر قرار میدهد. ساختار پیچیدهی سیستم توزیع، انشعابهای متعدد و اتصالات نامناسب سبب میشود که در بسیاری از نقاط ناپیوستگی در شکل موج رخ دهد. به همین علت، احتمال تشخیص بازتاب امواج، به دلیل شکسته شدن امواج در این نقاط و بی ثباتی شکل موج با مشکل مواجه میشود. تشخیص مکان خطا در این شرایط دشوار است. این روش به علت پیچیدگی ساختار و هزینهبر بودن، مقرون به صرفه نیست و طراحی آن نیازمند تجهیزات با فرکانس بالا، سیستم خبره، GPS و دستگاههای ثبت حالت گذرا شکل موج است .[8-10]
در تشخیص مکان خطا بر اساس الگوریتمهای هوشمند، معمولاً از الگوریتمهای شبکه عصبی، منطق فازی، سیستم خبره و ژنتیک برای مکانیابی خطا استفاده میکنند. این روشها وابسته به اطلاعات صحیح و دقیق ورودی میباشند تا بتوانند در نهایت خروجی دقیق و قابل اطمینان را ارائه دهند. در بسیاری از موارد در سطوح ولتاژ پایین اطلاعات سیستم به طور کامل در دسترس نیست، در این شرایط رسیدن به یک جواب دقیق کار بسیار مشکلی میباشد . اما این روش در صورت وجود اطلاعات کافی در مورد سیستم، پاسخ دقیقی را در مدت زمانی کوتاهی میدهد و از خطای انسانی نیز جلوگیری میکند .[11-12]در این مقاله روشی ترکیبی مبتنی بر شبکه عصبی و تغییرات خطی پروفیل افت ولتاژ برای تعیین دقیق محل وقوع خطا پیشنهاد شده است. در این روش برای شبکههایی که از ساختار درختی برخوردار بوده، کاندیدهایی برای محل وقوع خطا به وجود میآیند. این کاندیدها توسط الگوریتمهای استدلالی رتبهبندی میگردند تا سریعتر محل خطا مشخص شود.
-2 الگوریتم پیشنهادی مکانیابی محل وقوع خطا
الگوریتم پیشنهادی به منظور تأمین اهداف مکانیابی خطا، شامل سه بخش: تعیین نوع خطا، تعیین فاصلهی خطا و آشکارسازی انشعاب اتصال کوتاه شده میباشد.
-1-2 الگوریتم تعیین نوع خطا
برای تعیین نوع خطا، ولتاژ و جریان سه فاز در ابتدای پست اندازهگیری میشوند و مطابق مراحل زیر، نوع خطا مشخص می-گردد.
گام اول: شیفت فاز برای ولتاژ اندازهگیری شده محاسبه می-گردد و با مقدار شیفت فاز مبنا که در حالت عادی صفر در نظر گرفته شده است، مقایسه میگردد. اگر شیفت فاز محاسبه شده از مقدار مبنا بیشتر باشد اعلام وقوع خطا میشود .[13]
گام دوم: مؤلفههای متقارن جریان با استفاده از ماتریس تبدیل مؤلفههای متقارن - SCTM - ، طبق معادله - 1 - محاسبه میگردند.
گام سوم : مؤلفهی توالی صفر جریان با مقدار مقایسه می- گردد. مقدار ، 0/02 در نظر گرفته شده است که به علت خطای محاسباتی و نرم افزار شبیهسازی میباشد. در حالت ایدهآل، می-توان مقدار را صفر در نظر گرفت. اگر مقدار جریان توالی صفر محاسبه شده از مقدار بیشتر باشد، فاز اتصال کوتاه شده به زمین برخورد کرده و در غیر این صورت به فاز مجاور برخورد نموده است.
گام چهارم: امپدانس هر فاز Za , Zb , Zc پس از اعلام وقوع خطا محاسبه میگردد. اندازهی امپدانس هر فاز، بر اندازهی امپدانس فازهای دیگر تقسیم میشود و طبق معادله - 2 - محاسبه میگردد.
مقدار MkL با مقدار ek مقایسه میگردد. ek طبق معادله - 3 - تعیین میشود. در معادله - 3 - ، ZFk و Zk به ترتیب امپدانس اندازهگیری شده در فاز اتصال کوتاه شده و امپدانس فاز سالم میباشند. برای تعیین فاز اتصال کوتاه شده، مقدار MkL و ek با یکدیگر مقایسه میشوند. اگر MkL ek باشد فاز مورد نظر به عنوان فاز اتصال کوتاه شده تشخیص داده میشود. اتصال سه فاز از برقرار بودن شرط معادله - 4 - تشخیص داده میشود.
-2-2 الگوریتم تعیین فاصله خطا
برای اعتبار سنجی و نشان دادن دقت الگوریتم پیشنهادی، شبکه نمونه [14] Saskpower در نظر گرفته شده و دیاگرام تک خطی آن در شکل 1 نشان داده شده است. روند شناسایی فاصلهی خطا در الگوریتم پیشنهادی در سه مرحله تدوین شده است.در مرحله اول پایگاه داده بر اساس دامنه و زاویهی ولتاژ و اندازه امپدانس فاز اتصال کوتاه شده تشکیل میشود، سپس اطلاعات پایگاه داده به منظور آموزش شبکه عصبی مورد استفاده قرار میگیرد. در مرحله دوم پس از تشخیص نوع خطا، شبکه عصبی مورد نظر - با توجه به نوع خطا رخ داده - انتخاب میگردد. در مرحله سوم فاصلهی خطای بدست آمده از شبکه عصبی با فاصلهی خطوط شبکه توزیع نسبت به ابتدا پست مقایسه می گردند. به این ترتیب خطوط کاندید محل وقوع خطا مشخص میشوند.
تشکیل پایگاه داده برای شبکه عصبی: برای تشکیل پایگاه داده، در تمامی خطوط شبکه توزیع شکل 1، انواع اتصال کوتاه از قبیل فاز به زمین، دوفاز به هم، دو فاز به زمین و سه فاز شبیهسازی شده است. با توجه به اطلاعات ثبت شده در پایگاه داده و نوع خطا، 10 شبکه عصبی تعیین میگردد . نحوهی داده-گیری بدین صورت است که هر خط شبکه توزیع، به 5 قسمت تقسیم بندی شده و در هر 20 درصد از طول خط، اتصال کوتاه شبیه سازی میگردد. مقاومت محل اتصالی از 0 تا 50 اهم در 10 مرحله با گام 5 اهم در نظر گرفته شده است. با ایجاد اتصال کوتاه در هر خط، دامنه و زاویهی ولتاژ و اندازهی امپدانس فازهای اتصال کوتاه شده توسط دستگاه اندازهگیری در ابتدا پست ثبت میگردد. تمامی مراحل شبیهسازی اتصال کوتاه و دادهگیری توسط نرمافزار DIgSILEN Power Factory انجام شده است. در زمان دادهگیری برای تشکیل پایگاه داده تمامی بارهای شبکه در حالت نامی خود در نظر گرفته شدهاند.
شبکه عصبی: پس از تشکیل پایگاه داده و ثبت اطلاعات مورد نیاز، برای تعیین فاصلهی خطا، با توجه به نوع خطا و فازهای اتصال کوتاه شده، یک شبکه عصبی مناسب آموزش داده میشود. به طور مثال برای اتصال تکفاز به زمین، 3 شبکه عصبی برای فاز a، b و c در نظر گرفته شده است. به طور کل 10 شبکه عصبی برای تعیین فاصلهی خطا در انواع اتصالیها ایجاد میشود. علت این امر افزایش سرعت پاسخگویی و کاهش خطای محاسباتی توسط شبکه عصبی است. نوع شبکه مورد استفاده در الگوریتم پیشنهادی از نوع MLP بوده، ورودیهای اعمالی به شبکه عصبی دامنه و زاویه ولتاژ و اندازه امپدانس فازهای اتصال کوتاه شده میباشند. تابع هدف برای این شبکه، فاصلهی خطا درنظر گرفته شده است . شبکه عصبی توسط الگوریتم Marquardt آموزش داده شده است.تعداد نمونههای ورودی به شبکه عصبی برای هر نوع خطا 630 عدد میباشد. شبکه عصبی مورد استفاده از جعبه ابزار نرم-افزار متلب - Neural Network Fitting - انتخاب گردیده است. تعداد دادههای تست 200 عدد میباشند. ساختار کلی شبکه عصبی برای اتصال کوتاه فاز به زمین - فاز - a در شکل 2 نشان داده شده است.
