بخشی از مقاله
خلاصه
با توجه به افزایش روزافزون استفاده از منابع تولید پراکنده در شبکههای قدرت، میبایستی مشکلات مربوط به آن مورد توجه بیشتر قرار بگیرند. یکی از مشکلات اصلی جزیرهای شدن برنامهریزی نشده است که برای سیستم قدرت و همچنین برای افرادی که با این سیستم کار میکنند، خطر ایجاد میکند و به همین خاطر مورد مطالعهی بسیاری از محققین قرار گرفته است. در این مقاله یک روش محلی از نوع غیرفعال ارائه شده است.
روش ارائه شده بر پایه تبدیل موجک و درخت تصادفی - Random Forest - است. این روش بر روی یک شبکهی 15 باسه در نرمافزار MATLAB/SIMULINK پیادهسازی شده است. نتایج بدست آمده نشان داده است که روش ارائه شده قادر است با دقت بسیار بالایی جزیرهای شدن منبع تولید پراکنده را تشخیص دهد. در این مقاله از توربین بادی به عنوان یک منبع تولید پراکنده استفاده شده است.
.1 مقدمه
تولید پراکنده منبعی است کهعمدتاً در سیستم توزیع به صورت مستقیم و یا از طرف مشترکین به شبکه متصل میشود. این منابع در حقیقت به صورت منابع تولید کوچک عمل میکنندمعمولاً. منابع تولید پراکنده در نزدیکی محل مصرف قرار دارند. افزایش استفاده از منابع تولید پراکنده در سیستم توزیع دارای مزایایی همچون عدم لزوم ارتقای ظرفیت سیستم انتقال و توزیع، کاهش تلفات انتقال و توزیع، بهبود کیفیت توان، بهبود پروفیل ولتاژ و غیره است .[1]
کمبود انرژی و مسائل زیست محیطی بسیاری از کشورها را به اجبار به سمت استفاده از سیستمهای تولید پراکنده سوق داده است .[2] منابع تولید پراکندهی پرکاربرد در جهان عبارتند: از انرژی باد، انرژی خورشیدی، انرژی پیل سوختی و میکروتوربینها. زمانی که تولید پراکنده در شبکهای نصب شده است که به شبکهی بالادستی متصل است، تشخیص حالت جزیرهای برای آن یک مسئلهی حیاتی است. روشهای تشخیص جزیرهای شدن به دو دستهی اصلی تقسیم میشوند: روشهای از راه دور 3] و [4 و روشهای محلی. روشهای محلی خود به دو زیر بخش روشهای فعال 5]، 6، 7، 8، 9، 10، 11، 12، 13 و [14 و غیرفعال 15]، 16، 17، 18 و [19 تقسیمبندی میشوند.
در روش محلی غیرفعال، با پایش سیگنالهای ولتاژ و جریان در نقطهی اتصال تولید پراکنده به شبکه، تشخیص جزیرهای شدن صورت میگیرد .[20] زمانی که اختلاف میان میزان بار در جزیرهی ایجاد شده و میزان تولید منبع تولید پراکنده زیاد باشد، تشخیص جزیرهای شدن به کمک روشهای غیرفعال ممکن خواهد بود. البته در صورتی که این اختلاف بسیار کم باشد، تشخیص حالت جزیرهای به دلیل تغییرات کم ولتاژ و فرکانس در نقطهی اتصال تولید پراکنده به شبکه، بسیار مشکل خواهد بود.
ناحیهای که در آن روشهای غیرفعال قادر به تشخیص جزیرهای شدن در آن نیستند را ناحیهی غیرقابل تشخیص 1 - NDZ - میگویند. روشهای غیرفعال از نظر NDZ چندان مناسب نیستند، به همین دلیل محققین به دنبال روشهای فعال رفتهاند. در روشهای فعال اغتشاش خودخواستهی کوچکی به شبکه اعمال میشود و سپس پاسخ شبکه در قبال این اغتشاش بررسی میشود. اگرچه اکثر روشهای فعال دارای بدون NDZ هستند، اما این روشها بسیار پیچیده بوده و اثرات نامطلوب کیفیت توانی بر روش شبکه دارند. در حالیکه روشهای غیرفعال بسیار ساده بوده و اغتشاشی هم به شبکه و کیفیت توان آن اعمال نمیکنند.
در این مقاله روش غیرفعالی ارائه شده است که برپایهی تبدیل موجک و کلاسهبند قدرتمندی به نام جنگل تصادفی است. استفاده از تبدیل موجک این قابلیت را به این روش میدهد که بتواند ناحیهی NDZ بسیار کوچکی داشته باشد. کلاسهبند جنگل تصادفی نیز دارای قابلیت تمایز بالایی است. برای نشان دادن این ادعا این روش با شبکه عصبی مقایسه شده است. ادامه مقاله به این صورت بخشبندی شده است که در بخش 2، الگوریتم ارائه شده معرفی میشود. در بخش 3 مدل پیادهسازی شده در نرمافزار MATLAB/SIMULINK شرح داده میشود و در بخش 4 نتایج بدست آمده ارائه میشود و در مورد آنها بحث میگردد. در نهایت در بخش 5 نتیجهگیری بیان شده است.
.2 روش ارائه شده
الگوریتم ارائه شده دارای سه فاز اصلی استخراج ویژگی، انتخاب ویژگی و کلاسهبندی است. در این مقاله از شکل موج جریان نقطهی اتصال منبع تولید پراکنده به شبکه برای تشخیص جزیرهای شدن استفاده شده است. از تبدیل موجک برای استخراج ویژگی از شکل موج جریان استفاده شده است. از روش RELIEF که یک روش معروف در زمینهی انتخاب ویژگی است برای انتخاب قویترین و موثرترین ویژگیها بهره گرفته شده است. در نهایت از روش جنگل تصادفی برای کلاسهبندی و تشخیص حالت جزیرهای شدن تولید پراکنده استفاده شده است. جنگل تصادفی در حقیقت چندین درخت تصمیمگیری است که به صورت تصادفی آموزش میبینند. جنگل تصادفی علاوه بر تمامی قابلیتهای درخت تصمیمگیری به دلیل استفاده همزمان از چندین درخت تصمیمگیری دارای دقت بیشتر و نتایج مقاومتری است.
-1-2 استخراج ویژگی
در این مقاله برای استخراج ویژگی از تبدیل موجک استفاده شده است. برای استخراج ویژگی نیاز به تحلیل قرکانسی بر روی سیگنالهای گذرای جریان در نقطهی اتصال میباشد، که این تحلیل توسط تبدیل موجک گسسته انجام میشود. یکی از خصوصیات تبدیل موجک گسسته این است که میتوان با تعیین یا تعریف یک موجک مادر صحیح و مناسب به ویژگیهایی از سیگنال دست پیدا کرد که از طریق موجکهای مادر دیگر قابل رؤیت نباشند. همچنین تبدیل موجک گسسته بدلیل انعطافپذیری بالا یک ابزار سریع جهت تحلیل فرکانسی است.
در این مقاله از موجک مادر Daubechies یا db استفاده شده است. این نوع موجک به خانوادهی موجکهای مادر Daubechies نیز مشهور میباشد که به صورت dbN نوشته میشوند. این موجک نظم خودسرانهایی دارد. عدم تقارن و نداشتن تابع صریح از مشخصات این نوع موجک است. موجک مادر استفاده شده در تبدیل موجک گسسته، db5 است که تا دوازده سطح تحلیل میشود. از هر کدام از سیگنالهای ضرایب تقریب و ضرایب جزئی بدست آمده، سه ویژگی حداقل، حداکثر و میانگین به عنوان سه ویژگی استخراج شده است. در مجموع 72 ویژگی از شکل موج جریان نقطهی اتصال استخراج میشود.
-2-2 انتخاب ویژگی
همانطور که بیان شد، در این مقاله از روش RELIEF برای انتخاب ویژگی استفاده شده است. روش RELIEF از یک راه حل آماری برای انتخاب ویژگی استفاده میکند. روش کار به این صورت است که الگوریتم به صورت تصادفی یک نمونه از این زیرمجموعه را انتخاب میکند، سپس برای هر یک از ویژگیهای این نمونه، نزدیکترین برخورد و نزدیکترین شکست را بر اساس معیار اقلیدسی پیدا میکند. نزدیکترین برخورد نمونهای است که کمترین فاصله اقلیدسی را در میان سایر نمونههای همکلاس با نمونه انتخاب شده دارد. نزدیکترین شکست نیز نمونهای است که کمترین فاصله اقلیدسی را در میان نمونههایی که همکلاس با نمونه انتخاب شده نیستند، دارد.
ایده اصلی در این الگوریتم این است که هر چه اختلاف بین اندازه یک ویژگی در نمونه انتخاب شده و نزدیکترین برخورد کمتر باشد، این ویژگی بهتر است و بعلاوه یک ویژگی خوب آن است که اختلاف بین اندازه آن ویژگی و نزدیکترین شکست وی بیشتر باشد. دلیل کار هم خیلی ساده است، ویژگیهایی که به خوبی دو کلاس را از هم تمییز میدهند، برای نمونههای متعلق به دو کلاس متفاوت مقادیری نزدیک بههم نمیدهند و یک فاصله معنیداری بین مقادیری که به نمونه-های یک کلاس میدهند و مقادیری که به سایر کلاس میدهند وجود دارد.
بعد از تعیین فاصله برای تمام نمونههای موجود در مجموعه نمونهها، الگوریتم ویژگیهایی را که وزن آنها کمتر یا مساوی با یک حد آستانهای است، را حذف می-کند، و سایر ویژگیها بعنوان زیرمجموعه ویژگی جواب باز میگردند. الگوریتم RELIEF برای ویژگیهای دارای نویز یا ویژگیهای دارای همبستگی خوب کار میکند و پیچیدگی زمانی آن بصورت خطی و تابعی از تعداد ویژگیها و تعداد نمونههای مجموعه نمونه میباشد. و هم برای دادههای پیوسته و هم برای دادههای صوری خوب کار میکند. در این مقاله در نهایت 6 ویژگی انتخاب شده است. با انتخاب تعداد ویژگی بیشتر، زمان تشخیص جزیرهای شدن افزایش می یابد و در طرف مقابل کاهش تعداد ویژگی منتخب موجب کاهش دقت تشخیص میگردد.
-3-2 کلاسهبند جنگل تصادفی
در این مقاله از جنگل تصادفی برای تشخیص حالت جزیرهای تولید پراکنده استفاده شده است. جنگل تصادفی به روش جنگل تصمیمگیری تصادفی گفته میشود که چندین کلاسهبند در کنار هم برای تصمیمگیری به کار گرفته می-شوند. در این روش کلاسهبندهای مورد استفاده همان درختهای تصمیمگیری1 هستند. در این روش درختهای تصمیم-گیری مختلف با ویژگیهای مختلف که به صورت تصادفی انتخاب میشوند کنار یکدیگیر قرار میگیرند و در انتها پیش-بینی درختهای تصمیمگیری جمعبندی میشود و خروجی جنگل تصادفی به ازای یک ورودی خاص مشخص میگردد. در اغلب موارد برای جمعبندی نظرات از سیستم رایگیری استفاده میشود.
به بیان دیگر هر کلاس که تعداد درخت بیشتری به آن اشاره کرده باشند به عنوان خروجی مدنظر قرار میگیرد. در برخی موارد به جای درنظرگیری وزن یکسان برای هر درخت، براساس فرآیند آموزش و دقت هر درخت تصمیمگیری در زمان آموزش، وزنهای مختلفی به درختهای تصمیمگیری اختصاص داده میشود. در نهایت نیز رایگیری بین کلاسهبندها براساس همین وزنها صورت میگیرد. این ایده برای ارج نهادن به نخبگان در یک جنگل تصادفی مطرح شده است.
