بخشی از مقاله
چکیده
یکی از اهداف اصلی صنعت برق، ارتقاء کیفیت برق در تولید و تحویل آن به مشترکین می باشد. امروزه استفاده از تجهیزات الکترونیک قدرت و انواع مبدلهای آن در هر سه قسمت بار، تجهیزات شبکه و منابع شبکه برق روز به روز بیشتر شده است. این تجهیزات علیرغم مزایای فراوان، کیفیت برق را کاهش داده و منجر به ایجاد فرکانسهایی علاوه بر فرکانس اصلی در شبکه میشوند که به آنها هارمونیک گفته می شود. با توجه به اهمیت کیفیت برق، تخمین هارمونیکها در نقاط مختلف شبکه موضوعی است که در سالهای اخیر توجه روزافزون پژوهشگران در حوزه مهندسی سیستم های قدرت را به خود معطوف کرده است. یکی از محبوبترین روشها برای تخمین هارمونیکها روش حداقل مربعات است.
این روش در تخمین سیگنالهایی که دارای هارمونیک میانی باشند، دارای نارساییهایی می باشد. در این راستا برای رفع این نارساییها در این مقاله روش ترکیبی حداقل مربعات و الگوریتم بهینهسازی رقابت استعماری برای تخمین هارمونیکها پیشنهاد شده است. در پایان، برای ارزیابی الگوریتم پیشنهادی، یک سیگنال واقعی با استفاده از نرمافزار MATLAB مورد شبیه سازی قرار گرفته است. نتایج شبیه سازیها، برتری روش پیشنهادی را در مقایسه با الگوریتم بهینهسازی گروه ذرات - PSO1 - نشان داده است.
-1 مقدمه
شبکه قدرت ایدهآل، شبکهای است که در آن انرژی الکتریکی بصورت ولتاژ و جریان سینوسی در فرکانس ثابت و در سطوح ولتاژ مشخص از سوی نیروگاه ها به مراکز مصرف منتقل شود. اما در عمل، وجود عناصر و تجهیزات با مشخصه غیرخطی و بخصوص ادوات الکترونیک قدرت در بخشهای مختلف تولید، انتقال و مصرف انرژی الکتریکی، موجب غیر ایدهال شدن شکل موج های ولتاژ و جریان و تولید هارمونیک میشود.
امروزه با توسعه صنعت برق و گسترش استفاده از تجهیزات و مبدلهای الکترونیک قدرت، کیفیت توان در این صنعت بسیار مورد توجه قرار گرفته است. بارهای غیر خطی معمولا به دلیل فرکانس کاری بالا علاوه بر ایجاد تداخل در سیستمهای اندازه گیری، بر تجهیزات شبکه آسیب های جدی وارد کرده و سبب ایجاد تلفات در این تجهیزات و کاهش عمر آنها می شوند. این آثار به نوع منبع هارمونیکی، محل استقرار آن در سیستم قدرت و مشخصات الکتریکی شبکه مورد بحث بستگی دارد.
در این راستا برای جلوگیری از آسیبهای هارمونیکها نیاز به برنامه جامعی جهت پیاده سازی به شدت مشاهده می شود. این برنامه می تواند شامل چندین بخش باشد که در آن هارمونیک ها و وضعیت حضور هر هارمونیک در شبکه حائز اهمیت بوده که در نهایت به اطلاعات جامعی منجر میشود. در گامهای بعد منابع این هارمونیک ها شناسایی شده و قسمت هایی از شبکه که دارای چنین بارهایی هستند را مشخص کرد. در ادامه با استفاده از روش های اندازه گیری دقیق و کم خطا، سیگنالهای قدرت در نقاط مختلف شبکه بخصوص در نزدیکی منابع هارمونیکی اندازهگیری میشود.
در گام بعد با توجه به سیگنال های اندازه گیری شده با بکار بردن بهترین و کم خطا ترین روشها، هارمونیک های موجود در هر سیگنال قدرت که مربوط به نقاط مختلف است تخمین زده میشود. سپس با توجه به نتایج تخمین هارمونیک ها، وضعیت هارمونیکی هر قسمت از شبکه تعیین میشود در پایان با توجه به این اطلاعات در نقاط مختلف شبکه، راه حل های مناسب با وضعیت هارمونیکی آن نقطه اتخاذ می شود.
همانگونه که توضیح داده شد یکی از اصلیترین گام ها برای برخورد با هارمونیک ها، تخمین یا تعیین مقدار هر هارمونیک در سیگنال اندازهگیری شده، می باشد که در سال های اخیر مورد توجه محققین و پژوهشگران قرار گرفته است. از این رو در این مقاله تخمین هارمونیکها مورد بررسی قرار گرفته است. کنترل موثر پارامترهای کیفیت توان دز شبکه قدرت، وابسته به دقت روشهای بکاربرده شده می باشد.
روش های تخمین هارمونیک ها که در مقالات مورد استفاده قرار گرفته است عموما به دو بخش اصلی روش های پارامتری و روش های غیر پارامتری تقسیم بندی می شوند که در شکل 1 نشان داده شده است. تبدیل فوریه گسسته، که با استفاده از تبدیل فوریه سریع بکار برده می شود در دهه های گذشته یک انتخاب برتر برای محققان بوده است. اما محدودیتها و معایب بسیار تبدیل فوریه سریع که در مراجع به آن اشاره شده است مانند پدیده حصار نرده ای، نشت طیفی و حساسیت به انحراف فرکانس، سبب شده محققان به دنبال روشهای دیگر باشند .[1] برخی روش های غیر پارامتری دیگر مانند تبدیل موجک و تبدیل هیلبرت - هوآنگ برای تخمین هارمونیک مورد استفاده قرار گرفته است.
روش موجک پیچیدگی و محاسبات بسیاری دارد و موثر بودن روش هیلبرت نیز بسیار وابسته به فیتینگ دقیق اسپلاین است که کاملا مشکل است. روش هیلبرت به نمونه برداری بیشتر نیاز دارد.
برای رسیدن به دقت بیشتر روش های پارامتری بسیاری مانند تجزیه هارمونیکی پیسارنکوٍ، طبقه بندی سیگنال چندگانه، تکنیک تخمین پارامترهای سیگنال با روش تغییرناپذیری چرخشی، روش پرونی، شبکههای عصبی، فیلتر کالمن، عنصر خطی تطبیقی و حلقه قفل شده فاز توسعه یافته در سال های اخیر مورد استفاده قرار گرفته اند.
روش های تخمین هارمونیک بسیاری در بحث پردازس سیگنال وجود دارند که به دو بخش پارامتری و غیر پارامتری تقسیم می شوند که برخی از آنها در زیر آمده است.[ 3-2 ] روش های غیر پارامتری طیف را مستقیما از سیگنال و معمولا با ضرایبی - دامنه ها - تخمین می زنند که ممکن است مستقل از زمان یا وابسته باشند و این بستگی به روشی که بکار گرفته شده دارد. روش های پارامتری ابتدا از یک مدل مناسب برای نشان دادن سیگنال استفاده می کند و سپس پارامترها را با توجه به اطلاعات موجود تخمین می زند.
پارامترهای تخمین زده شده در مدل های انتخابی بکار گرفته می شوند تا محتویات هارمونیکی آنها تعیین شود. روش های تکراری، روش های پارامتری مخصوص هستند که در ذاتشان تکرار و تطبیق است. بنابراین این روش ها بر بسیاری از معایب اصلی روش های مبتنی بر گروه پردازش سیگنال که سبب عدم دقت تخمین سیگنال در حضور نویز می شوند، غلبه می کنند. رزولوشن فرکانسی تقریبا یک مشکل مشترک در همه روشهای غیر پارامتری می باشد.
بنابراین تشخیص هارمونیک های میانی چالشی جدی برای روش های غیر پارامتری می باشد. بسیاری مدل های تصادفی براساس روش های پارامتری برای تحلیل دیتاهای سری زمانی مورد استفاده قرار گرفته اند [1] و.[6-4] بسیاری روشهای تحلیل دیتا مانند َ[11-7] SVD و تخمین حداقل مربعات [8] و.[15-12]برای تخمین مناسب پارامترها بکار گرفته شده اند. یکی از محبوب ترین روش های پارامتری در تخمین هارمونیک ها روش حداقل مربعات است .[20-16] روش پرونی برای تخمین انحراف کم فرکانسی بسیار محبوب است .[22-21] روش MUSIC4 و SVD به مانند روش موجک پیچیدگی و حجم محاسبات بسیاری دارد و چندان محبوب نیست.
روشهای پارامتری نیاز به اطلاعات کافی درباره سیستم و سیگنال مورد تحلیل دارند تا بتوانند مدل مناسبی برای سیگنال در نظر بگیرند. این برای سیستم های پیچیده و غیر خطی بسیار مشکل است. عدم دقت بدلیل مدل ناهماهنگ در این روش ها بسیار متداول است و روش های تکراری در این مواقع بهترکار می کنند. ارائه مدل مناسب هنوز یک کار سخت است. روشهای پارامتری مانند پرونی و ESPRIT5 رزولوشن خوبی دارند و قادرند هارمونیک های میانی را با دقت خوبی شناسایی کنند ولی به نویز بسیار حساس هستند. روش شبکه عصبی نیاز به اطلاعات بسیار برای آموزش دارد.
فیلتر کالمن KF6 ممکن است برای تغییرات ناگهانی متغیرهای حالت حساس نباشد و این فیلتر به پیش آگاهی در مورد سیگنال نیاز دارد. البته ممکن است روش های فوق با الگوریتم های بهینه سازی ترکیب کنند تا نتایج بهتری حاصل شود. با توجه به توضیحات بالا در مورد مزایا و معایب روش های مختلف در این مقاله از روش حداقل مربعات استفاده شده است و در برخی حالات که نتایج حاصل از روش حداقل مربعات ضعیف باشد برای کسب نتایج دقیقتر از ترکیب این روش با الگوریتم بهینهسازی استعماری استفاده گردیده است.