بخشی از مقاله
چکیده
یکی از مسائلی که در سالهاي اخیر ذهن مهندسین حفاظت را به خود مشغول کرده، طراحی روشهایی براي تعیین نوع و مکان دقیق خطا در شبکههاي قدرت است. تشخیص مکان خطا در شبکههاي انتقال، به دلیل ناچیز بودن امپدانس خطا، کار چندان پیچیدهاي نیست و غالباً توسط رلههاي دیستانس انجام میگیرد. اما در شبکههاي توزیع به دلیل بزرگ بودن امپدانس خطا و تغییرات وسیع آن و نیز سادگی ادوات حفاظتی این شبکهها، تشخیص مکان دقیق خطا بسیار سخت است.
از طرفی با نفوذ روزافزون منابع تولید پراکنده در شبکههاي توزیع، نیاز به طراحی سیستمهاي جدید حفاظتی براي این گونه شبکهها نیز افزایش می یابد. یکی از مسائلی که میتواند باعث بالا بردن کیفیت عملکرد رلههاي جدید حفاظتی شبکه توزیع شود، قدرت این رلهها در تشخیص محل دقیق خطا است. در این مقاله یک روش جدید براي تشخیص محل دقیق خطا در شبکههاي توزیع داراي منابع تولید پراکنده و با استفاده از شبکههاي عصبی MLP ارائه شده است.
در روش ارائه شده پس از تشخیص نوع خطا به واسطه نرمالیزه کردن جریان خطاي تزریقی از پست تغذیه کننده شبکه، شبکه عصبی آموزش دیده مربوط به آن نوع خطا فعال شده و براي تعیین فاصله محل خطا از منابع تغذیه موجود در شبکه مورد استفاده قرار میگیرد. روش مذکور بر روي یک شبکه توزیع نمونه که با استفاده از نرمافزار DIgSILENT Power Factory 13.2 مدلسازي شده است، پیادهسازي شده و کارایی آن مورد بررسی قرار گرفته است. نتایج حاصل از مطالعات انجام شده بیانگر قدرت و دقت بالاي روش پیشنهادي است و قابلیت استفاده از این روش را براي استفاده در طرحهاي حفاظتی هوشمند در شبکههاي توزیع مدرن تأیید میکند.
-1 مقدمه
یکی از خطراتی که همواره تجهیزات شبکههاي توزیع را تهدید میکند وقوع خطاي اتصال کوتاه در شبکه است. مبارزه با این پدیده و حفاظت شبکههاي توزیع در برابر آن از دیرباز یکی از مسائل مورد بحث و بررسی مهندسین برق بوده است. اما به دلیل تعیین نوع و مکان دقیق خطا در شبکههاي توزیع داراي منابع تولید پراکنده با استفاده از شبکههاي عصبی MLP تعداد نرونهاي لایه خروجی و لایههاي پنهان و تابع تبدیل آنها کاملاً وابسته به مسأله است، اما براي حل مسائل فنی و مهندسی معمولاً از شبکههاي MLP با یک لایه پنهان و یک لایه خروجی استفاده میشود.
در این گونه مسائل توابع تبدیل لایه پنهان و لایه خروجی نیز معمولاً به صورت سیگمونید و خطی در نظر گرفته میشود. شکل - 1 - آرایش کلی یک شبکه MLP دو لایه را نشان میدهد. این شبکه داراي 4 ورودي، 3 خروجی و 9 نرون در لایه پنهان است. اگر از شبکه نشان داده شده در شکل - 1 - براي طبقهبندي دادگان یا شناسایی الگو استفاده شود، این شبکه قدرت طبقهبندي وروديها را به سه کلاس مجزا و با تعریف 4 ویژگی دارا میباشد.
شکل : - 1 - آرایش کلی یک شبکه MLP دو لایه
شکل - 2 - بلوك دیاگرام یک شبکه پرسپترون سه لایه را نشان میدهد. همانگونه که ملاحظه میشود، هر لایه داراي یک بردار وزن و یک بردار بایاس است. بردار وزن هر لایه در بردار وروديهاي آن لایه ضرب شده و پس ازجمع شدن با بردار بایاس از تابع تبدیل نرون عبور میکند و نتیجه به عنوان خروجی به لایه بعد ارسال میگردد. در شکل - 2 - ، R بیانگر تعداد وروديهاي شبکه و S1 ، S2 و S3 به ترتیب بیانگر تعداد نرونهاي لایه اول، دوم و سوم هستند .[12]
شکل : - 2 - بلوك دیاگرام یک شبکه پرسپترون سه لایه
براي آموزش شبکههاي MLP از الگوریتم پس انتشار استفاده میشود. روش آموزش پس انتشار را میتوان به صورت نشان داده شده در شکل - 3 - و رابطه - 1 - خلاصه نمود. اصول روش این گونه است که براي آموزش شبکه و تغییر وزنهاي نرونها در هر مرحله از تکرار، در مسیر رفت خروجی تمام نرونها محاسبه میشوند و در مسیر برگشت طبق رابطه - 1 - وزن نرونهاي هر لایه تغییر داده میشوند.
