بخشی از مقاله
چکیده
پدیده نوسان توان ممکن است باعث تریپ کاذب فانکشن دیستانس شده و با قطع خطوط غیرخطادار، اغتشاش در شبکه قدرت را شدت دهد. بنابراین وجود فانکشن قفل نوسان توان برای جلوگیری از عملکرد کاذب فانکشن دیستانس لازم است. در این مقاله روشی براساس تخمین سمپلهای جریان و محاسبات خطا بین مقادیر تخمینی و واقعی ارایه شده است. برای افزایش سرعت و حساسیت الگوریتم از فیزلت با پنجره دیتای کوچک استفاده شده است. روش پیشنهادی برای انواع حالت های نوسان توان در سیستم دو ناحیهای مورد ارزیابی واقع شده است.
مقدمه
برای کاهش خسارات ناشی از ایجاد انواع خطا در سیستم قدرت از رلههای حفاظتی استفاده میشود. رلههای حفاظتی برای انجام درست وظیفه خود باید دارای الزامات عمومی مانند تشخیص صحیح خطا، سرعت پاسخ و حداقل کردن اختلالات در سیستم قدرت باشند - . - Alam, Leite et al. 2017در بین رلههای حفاظتی رله دیستانس به علت کاربری ساده به طور بسیار گسترده به عنوان حفاظت اصلی خطوط انتقال مورد استفاده قرار میگیرند.
در زمان ایجاد یک اغتشاش ناگهانی مانند اتصال کوتاه، خروج یک خط موازی، افزایش بار و ... ممکن است امپدانس دیده شده توسط رلههای دیستانس نوسان کرده و وارد زون رله دیستانس شده و موجب عملکرد نابجای رله شود. یک شبکه قدرت با خروج یک خط می تواند پایداری خود را حفظ کند اما خروج چندین خط می تواند پایداری شبکه را بر هم زده و موجب ایجاد خاموشیهای سراسری شود. ایجاد خاموشیهای سراسری می تواند هزینههای بسیار زیادی را به شرکتهای انتقال انرژی وارد نماید.
برای جلوگیری از این امر از فانکشن قفل کننده نوسان توان در رله های دیستانس استفاده می شود. روشهای متفاوتی برای تشخیص نوسان توان در رله دیستانس وجود دارد که در ادامه به بیان برخی از آنها میپردازیم. معمولترین روش برای تشخیص نوسان توان استفاده از نرخ تغییرات امپدانس است که در یک ناحیه خاص حرکت میکنند - Gao and . - Wang 1991, Kundur, Balu et al. 1994 در طول خطا، نرخ تغییرات امپدانس بزرگتر از نرخ تغییرات امپدانس در طی نوسان توان است.
بنابراین، اصل کار این الگوریتمها مبتنی بر درک تفاوت در نرخ تغییرات امپدانس - - Z و تمایز گذاشتن بین نوسان توان و خطا است. در طی نوسان توان آهسته 1 - هرتز - ، عبور امپدانس بسیار کند است و در هر زون زمان عبور طولانیتر و یا مساوی فرکانس سوئینگ دارد - . - Corsi and Sabelli 2004 بنابراین این طرح میتواند نوسان توان را تشخیص دهد و رله را بلاک کند. این طرح قادر به تشخیص نوسانات توان سریع 5 - هرتز - نیست - Khoradshadi-Zadeh 2005, Martuscello, Krizauskas et al. 2009, . - Lin, Li et al. 2010, Mahamedi 2010, Nayak, Rao et al. 2010 بهعلاوه این طرحها قادر به تشخیص خطای اتفاق افتاده همزمان با نوسان توان نیستند.
مقاله - Khoradshadi-Zadeh 2005 - روشی براساس مقدار مقاومت دیده شده توسط رله دیستانس برای تمایز گذاشتن بین نوسان توان و خطا استفاده می کند. مقاومت دیده شده توسط رله در زمان نوسان توان دائما در حال تغییر است این در صورتی است که در زمان خطا مقدار مقاومت ثابت میماند. این روش مدت زمان بالایی برای تشخیص نوسان توان نیاز دارد. مقاله - Martuscello, Krizauskas et al. 2009 - روشی با استفاده از ترکیب مشخصههای هم مرکز و نظارت مداوم امپدانس ظاهری برای تشخیص نوسان توان ارائه می دهد. مقاله - Benmouyal, Hou et al. 2004 - از ولتاژ مرکز نوسان - SVC - برای تشخیص نوسان توان استفاده می کند.
مقاله - Karegar and Mohamedi 2009 - از مولفه DC موجود در جریان خطا برای تشخیص خطا در هنگام نوسان توان استفاده کرده است. در - Mahamedi 2010 - روشی مبتنی بر تحلیل FFT ارائهشده است. تکنیکهای استفادهکننده از FFT نیاز به انتخاب مناسب مقدار آستانه برای شناسایی خطا دارند - WT . - Mahamedi and Zhu 2012 کاربردهای بسیاری در سیستم قدرت دارد - . - Parameswariah and Cox 2002, Fu, He et al. 2008 در مقاله - Brahma 2006 - از WT برای جبران مشکلات FFT استفادهشده است.
در - Pang and Kezunovic 2010 - یک الگوریتم WT با سرعتبالا برای تشخیص خطای متقارن استفادهشده است. در مقاله WT - Mahamedi 2011 - را بر روی تغییرات امپدانس برای تشخیص نوسان توان و انواع خطا اجرا کرده است. مقاله - Dubey, Samantaray et al. 2012 - از WT برای تحلیل تغییرات جریان بهمنظور تشخیص خطاها با مقاومتهای مختلف در طی نوسان توان استفادهشده است. مقالات - - Lotfifard, Faiz et al. 2010, Thakallapelli, Mehra et al. 2013 روش Prony را در زمینه حفاظت سیستمهای قدرت معرفی کردهاند. در - Lotfifard, Faiz et al. 2010 - الگوریتمی بر اساس Prony و بر اساس وجود مولفه DC در جریان خطای حین نوسان را تشخیص میدهد.
در مقاله - Leonowicz 2013 - بیانشده است که نتایج روش Prony بهتر از FFT است. روش یادگیری تحت نظارت ماشین بردار پشتیبان - SVM - و سیستم استنتاج عصبی فازی سازگار - ANFIS - در - Zadeh and Li 2008, Seethalekshmi, Singh et al . 2012 - ارائه شده شده است. این روشها به شبیه سازیهای بسیاری برای آموزش رنجهای متفاوت خطا و نوسان نیاز دارند. مقاله - Rao, Ahmad et al. 2017 - از یک روش پیشبینی نمونههای جریان و ولتاژ بر اساس رگرسیون خودکار برای تشخیص نوسان توان استفاده میکند. در مقاله - Rao, Soni et al. 2017 - یک روش برای پیشبینی نمونههای ولتاژ و جریان با استفاده از شبکه عصبی مصنوعی بیان شده است.
روشی بر اساس پنجره متوسط گیر جریان در - Rao and Pradhan 2015 - ارائه شده است. مقاله - Taheri and Razavi 2018 - روشی بر اساس نرخ تغییرات RMS جریانی ارائه داده است. در این مقاله یک روش جدید بر اساس تخمین نمونههای جریان و محاسبه خطا بین نمونههای تخمینی و واقعی ارایه شده است. این روش قادر به تشخیص نوسان توان با فرکانسهای مختلف میباشد. روش بیان شده در سیستم دو ناحیهای استاندارد با استفاده از نرمافزار متلب و دیگسایلنت تست شده و نتایج آن بیان شده است.
شیوه جدید
برای تخمین سمپل بعدی از تکنیک phaselet استفاده میشود. Phaselet روش جدیدی است که برای تخمین فازور در مرجع - Jin, - Gokaraju et al. 2017 استفاده شده است. مزیت phaselet متغیر بودن پنجره داده برای انجام محاسبات مربوط به فازور است و با پنجره داده با طول دلخواه میتوان فازور را استخراج کرد. بنابراین تخمین فازور بصورت سریعتری انجام میگیرد. هرچه تعدا سمپلهایی که برای ردیابی و تخمین داده بعدی استفاده میشود کمتر باشد الگوریتم عملکرد بهتری را برای تخمین داده بعدی از خود به نمایش خواهد گذاشت و حساسیت بیشتری برای تعیین خطای بین داده پیش بینی شده و واقعی بههمراه خواهد داشت. در صورت استفاده از روشهای رایج محاسبه فازور - بطور مثال - FCDFT لازم است به اندازه یک سیکل داده داخل پنجره متحرک شود و واکنش آن نسبت به تغییرات جریان زمان بیشتری میطلبد. دلیل این است که پنجره داده شامل سمپلهای حالت نرمال و سمپلهای مربوط به اغتشاش بصورت توامان است.
