بخشی از مقاله
چکیده
- در این مقاله توسعه و کاربرد یک الگوریتم بر مبنای شبکه عصبی مصنوعی در جهت بهبود عملکرد رله دیستانس ارائه شده است. این الگوریتم توسعه یافته است که در هر خط انتقال، صرفنظر از پیکربندی و سطح ولتاژ مورد استفاده قرار گیرد. توصیف این الگوریتم بر مبنای شبکه عصبی مصنوعی به گونهای میباشد که میتوان آن را بدون نیاز به تنظیم دوباره پارامترهای شبکه عصبی، برای سیستمهای الکتریکی متفاوت بکار برد. این ویژگی، روش ارائه شده را منحصر بفرد میسازد زیرا تمام روشهایی که تاکنون بر مبنای شبکه عصبی ارائه شدهاند، فقط برای خطوط انتقال ویژهای توسعه یافته بودند که این معنی را میدهد که نمیتوان از این روشها در رلههای تجاری استفاده کرد. در این کار از شبکههای عصبی Radial Basis استفاده شده است.
کلید واژه- حفاظت دیستانس، خطوط انتقال، شبکههای عصبی RBF
-1 مقدمه
خطوط انتقال یکی از مهمترین بخشهای سیستم قدرت به شمار میآیند که وظیفه تحویل انرژی از واحدهای تولید به مصرفکنندهها را دارند. حفاظت دیستانس یکی از رایجترین صورتهای حفاظت خطوط انتقال میباشد. این نوع حفاظت بسادگی قابل اعمال و هماهنگی است و علاوه بر این حفاظت سریع را برای خطوط انتقال فراهم میکند که از وارد آمدن خسارت به تجهیزات شبکه پیشگیری میکند.[1] اساس رلههای دیستانس بدین صورت است که از کمیتهای فازوری ولتاژ و جریان فازها بعنوان اطلاعات ورودی استفاده میکنند و امپدانس را از محل رله تا نقطه خطا اندازه گرفته و بر اساس تنظیمات آن، موقعیت خطا را در داخل یا خارج از ناحیه حفاظتی تشخیص میدهند.
با رشد و توسعه تکنولوژی دیجیتال، این تکنولوژی به سرعت در بهبود عملکرد رلههای حفاظتی سیستم قدرت بکار گرفته شد. بر این اساس امروزه از الگوریتمهای هوشمند به عنوان جایگزینی بر روشهای مرسوم استفاده میشود، زیرا از نظر دقت و زمان عملکرد، نتایج بسیار رضایتبخشتری را ارائه میدهد.[2] بعضی از الگوریتمهای بر مبنای شبکه عصبی، به عنوان کلاس بندی خطا عمل میکنند و بر این اساس خطا را در داخل یا خارج از زون حفاظتی تشخیص میدهند.[3] بعضی ازالگوریتمهای بر مبنای شبکه عصبی به عنوان توابع تقریب زننده عمل میکنند و بر مبنای تخمین امپدانس خطا، موقعیت خطا را تشخیص میدهند. [4] بعضی از الگوریتمها از کمیتهای فازوری سیگنالهای ولتاژ و جریان که توسط DFT1 حاصل میشوند به عنوان ورودی شبکه عصبی استفاده میکنند.[5]
بعضی از الگوریتمها با نمونهبرداری از سیگنالهای ولتاژ و جریان فازها و پس از عبور از فیلترهای خاص و پردازش بر روی آنها به عنوان ورودی شبکه عصبی استفاده میکنند.[6] توصیف روشهای حفاظت خطوط انتقال انرژی بر مبنای شبکه عصبی ارائه شده در [3-6]، یقینا دارای یکسری محدودیتهایی خواهد بود که فقط برای خطوط ویژهای که پارامترهای شبکه عصبی بر اساس همان سیستم تنظیم شده است، عملکرد صحیح خواهد داشت. با فرض استفاده از این روشها، این امر لازم و ضروری است که برای هر تغییر ایجاد شده در خط انتقال، یک مجموعه محیط شبیهسازی جدید حاوی صدها و یا هزاران خطا ایجاد شود و فرایند آموزش شبکه عصبی را دوباره تکرار کرد تا الگوریتم، عملکرد مطلوبی را در سیستم جدید ارائه دهد.
در این مقاله توسعه و کاربرد یک الگوریتم بر مبنای شبکه عصبی ارائه شده است که برای هر خط انتقال، صرفنظر از مشخصات خط - طول خط، سطح ولتاژ خط، نوع هادیها و ... - مناسب میباشد و برای استفادهی آن در انواع خطوط با سطوح ولتاژ متفاوت، نیازی به تنظیمات اضافی در پارامترهای شبکه عصبی و آموزش دوباره آن نمیباشد.این الگوریتم از سه مرحله پیشپردازش2، شبکه عصبی3 و پسپردازش4 تشکیل شده است. در مرحله پیشپردازش، اطلاعات ورودی شبکه عصبی به صورت مقادیر نرمالیزه حاصل میشوند که این یک رفتار کلی از الگوریتم را فراهم میسازد و میتوان شبکه عصبی را برای سطوح مختلف ولتاژ بدون نیاز به تنظیم دوباره پارامترهای آن آموزش داد.
در مرحله شبکه عصبی، از دو شبکه عصبی RBF5 موازی استفاده شده است که با شبیهسازیها و تستهای صورت گرفته، مشخص شد که مدت زمان عملکرد الگوریتم پیشنهادی نسبت به الگوریتمهای مشابه کمتر میباشد . [7] در مرحله پسپردازش مقادیر خروجی شبکه عصبی به فرم مقادیر اهمی حاصل شده و این اطلاعات به ناحیه حفاظتی نشان داده شده در شکل - 1 - که به دو صورت مشخصه مهو و چهارگوش قابل تنظیم میباشد، ارسال میشود.با توسعه این الگوریتم، میتوان محدودیت الگوریتمهای ارائه شده بر مبنای شبکههای عصبی مصنوعی را کاهش داد و از آن در رلههای تجاری استفاده کرد.
-2 مراحل پردازش در الگوریتم پیشنهادی
همانطور که در شکل - 1 - نشان داده شده است، پس از آمادهسازی سیگنالهای ولتاژ و جریان، سه گام پیشپردازش، شبکه عصبی مصنوعی و پسپردازش انجام میشود تا مقادیر مقاومت و راکتانس توسط الگوریتم پیشنهادی تخمین زده شود.
-1-2مرحله پیشپردازش
آموزش شبکه عصبی در صورت اعمال یکسری پیشپردازش بر روی ورودیها و هدفها میتواند کارایی بالاتری داشته باشد. همانطور که در شکل - - 1 نشان داده شده است، مرحله پیش-پردازش شامل تولید سیگنالهای مناسب جهت ساخت آرایههای ورودی شبکه عصبی برای هر المان اندازهگیری با استفاده از نمونههای سیگنالهای ولتاژ و جریان میباشد که این نمونه-برداری توسط CT6 و VT7 انجام میگیرد. نوع سیگنالهای موردنیاز برای اطلاعات ورودی شبکه عصبی را میتوان از مدل سادهشده شکل - - 2 بدست آورد.
به عنوان مثال، فرض کنید یک خطای تکفاز به زمین - - AN در خط انتقال نشان داده شده در شکل - 2 - رخ داده است. معادله - 1 - این خطا را با فرض نبود مقاومت خطا ارائه میدهد.که R1 مقاومت توالی مثبت قسمت خطا دیده از خط انتقال میباشد، R0 مقاومت توالی صفر قسمت خطادیده، L1 اندوکتانس توالی مثبت قسمت خطا دیده، L0اندوکتانس توالی صفر قسمت خطا دیده، r1 مقاومت توالی مثبت قسمت خطا دیده در هر کیلومتر، r0 مقاومت توالی صفرقسمت خطا دیده در هر کیلومتر،l1 اندوکتانس توالی مثبت قسمت خطا دیده در هرکیلومتر، l 0 اندوکتانس توالی صفرقسمت خطا دیده در هر کیلومتر، va، vb و vc نمونههایولتاژی رله، ia ، ib و icنمونههای جریانی رله و Krو K xANN-Xضرایب جبرانی میباشند.
معادله - 1 - نشان میدهد که مقاومت توالی مثبت - - R1 و اندوکتانس توالی مثبت - - L1 برای قسمتی از خط بین رله و نقطه خطا را میتوان با استفاده از M نمونه از هر سیگنال va , iar و iax بدست آورد - به عنوان مثال، به روش تخمین پارامترها - . این نکته حائز اهمیت است که در فرایندآموزش شبکه عصبی، اثر سیگنال iax در تخمین R1 بسیارکوچک است و به همین ترتیب اثر سیگنال iar در تخمین.[8] X 1 برمبنای این نتایج، در طی خطای AN جهت تخمین R1 ، تنها نمونههای سیگنالهای va و iar و جهت تخمین X 1 ، تنها از نمونههای سیگنالهای vaو iax ، به عنوان ورودیANN استفاده میشوند، بنابراین در این مرحله،سیگنالهای جریان فازها به دو مولفه حقیقی و موهومی تقسیم شده و به عنوان ورودی، بترتیب در دو شبکه عصبی ANN-R و ANN-X مورد استفاده قرار میگیرند. به عنوان مثالی دیگر رابطه - 10 - یک خطای دو فاز - AB - در خط انتقال نشان داده شده در شکل - 2 - را ارائه میدهد.
بطور مشابه در رابطه - 10 - مشاهده میشود که میتوان امپدانس خطای AB را از نمونههای vabو iabبدست آورد. این معادله برای خطای دوفاز به زمین ABN نیز قابل قبول می-باشد. معادلات مشابه دیگری را میتوان برای خطاهای BC، CA، BCN و CAN نیز بدست آورد. مرحله پیشپردازش شامل فرایند نرمالیزه کردن هر پنجره اطلاعات ورودی ولتاژی و جریانی نیز میباشد. به منظور انجام این عمل، مرحله پیشپردازش هر پنجره اطلاعات ورودی ولتاژ و جریان را بر بزرگترین نمونه ولتاژ وجریان این پنجره تقسیم میکند. بزرگترین نمونه ولتاژ، Vb - ولتاژ مبنا - و بزرگترین نمونه جریان، Ib - جریان مبنا - نامیدمیشود. نسبت بین Vb و Ibدر هر پنجره اطلاعات ورودی جدید Zb - امپدانس مبنا - را تولید میکند. در ادامه فرایندنرمالیزه کردن اطلاعات برای پنجرههای اطلاعات حاوی M نمونه سیگنال ولتاژ و M نمونه سیگنال جریان ارائه میگردد. شاخص k آخرین نمونه پنجره اطلاعات ورودی را نشان میدهد.
-2-2 مرحله شبکه عصبی مصنوعی
مرحله شبکه عصبی مصنوعی مهمترین مرحله از الگوریتم پیشنهاد شده میباشد. همانطور که در شکل - 1 - نشان داده شده است، این الگوریتم از دو شبکه عصبی موازی ANN-R - و ANN- - X تشکیل شده است. این دو شبکه عصبی دارای معماری یکسان، اما وزنها و تابعهای متفاوت میباشند. شبکه عصبی اول به عنوان شبکه عصبی ANN-R شناخته میشود که مقاومتتوالی مثبت و شبکه عصبی دوم به عنوان شبکه عصبی شناخته میشود که راکتانس توالی مثبت قسمت خطا دیده از خط انتقال را تخمین میزند. المانهای اندازهگیری امپدانس به
