بخشی از مقاله
چکیده:
این مقاله چگونگی کاربرد شبکه های عصبی را در تشخیص مناسب و صحیح نوسان توان نشان می دهد. هر تغییر ناگهانی در ساختار یا بار یک شبکه قدرت موجب ایجاد نوسان در توان میشود. به منظور جلوگیری از عملکرد رله دیستانس در چنین شرایطی باید نوسان توان تشخیص داده شده و رله دیستانس قفل شود. تشخیص دهنده های معمول نوسان توان قادر به تشخیص نوسانات بالای توان نیستند علاوه بر این در صورتیکه خطایی در حین نوسان توان رخ دهد این تشخیص دهنده ها قفل رله دیستانس را حذف نمی کنند. روش پیشنهادی علاوه بر اینکه قادر به تشخیص نوسانات توان با سرعت بالا می باشد با منطق خاصی که در آن استفاده شده است در هنگام خطا بلاک رله دیستانس را آزاد می سازد.
-1مقدمه
در یک سیستم قدرت رله های حفاظتی با تشخیص صحیح و عملکرد سریع باید پایداری شبکه را حفظ نمایند. یکی از پدیده هایی که منجر به عملکرد اشتباه رله های حفاظتی و قطع خطوط بدون عیب میشود پدیده نوسان توان است. نوسان توان موجب میشود امپدانسی که رله دیستانس مشاهده میکند کمتر از امپدانس واقعی باشدوتوسط رله اشتباهاْ عیب تشخیص داده شود بنابراین باید به طریقی نوسان توان را تشخیص داد و مانع از عملکرد رله دیستاس شد .[1]هنگامیکه یک نوسان توان رخ می دهد زاویه ولتاژ میان یک ماشین الکتریکی یا گروهی از ماشین های الکتریکی با سیستم قدرت تغییر میکند. در محل رله ولتاژ جریان امپدانس توان اکتیو و راکتیو به صورت تابعی از این زاویه بوده و با تغییر آن تغییر پیدا میکنند.
روشهای مختلفی برای تشخیص و جلوگیری از عملکرد رله دیستانس در حین نوسان توان وجود دارد که برخی از آنها عبارتند از سرعت افزایش جریان[2]، سرعت تغییر [3]|Vcos - φ - | و سرعت تغییر مقاومت دیده شده بوسیله رله .[4] این روشها دارای سه اشکال عمده هستند اولا نوسانات توان خیلی سریع را نمی توانند تشخیص دهند ثانیا در صورتیکه در حین نوسان توان عیبی در سیستمی رخ دهد همچنان عملکرد رله دیستانس قفل خواهد بود. ثالثا در هنگامیکه یک پل در خطای تکفاز باز شود نوسان توان ایجاد شده تشخیص دهنده را فعال خواهد ساخت. [5]
روش پیشنهادی قادر است علاوه بر اینکه نوسانات توان متفاوت را تشخیص دهد در هنگام ایجاد عیب حین نوسان توان مجدد رله دیستانس را فعال سازد و در هنگام باز شدن یک پل در هنگام خطای تکفاز نیز فعال نگردد. در این روش از شبکه های عصبی مصنوعی جهت تشخیص نوسان توان و خطا استفاده شده است. قابلیت بالای این شبکه ها در تشخیص الگو دلیل کاربرد آنها در این روش بوده است.
تست های انجام شده نشان می دهد این روش کارایی بالایی در تشخیص نوسان توان دارد. ضمنا با کاربرد این روشها در یک رله دیستانس شبیه سازی شده عملکرد آن همراه با رله بررسی شده است. توان باشد یک شده و دیگری هنگامیکه خطایی در سیستم قدرت وجود داشته باشد یک خواهد شد. در نهایت واحد منطقی بر اساس این دو خروجی شبکه تصمیم می گیرد که رله دیستانس باید بلاک شود یاخیر.
-4آموزش شبکه عصبی
ساختار شبکه عصبی در ابتدا به صورت یک شبکه MLP سه لایه که شامل 12 ورودی نرمالیزه شده، سه دامنه ولتاژ و سه دامنه جریان می باشد در نظر گرفته شد. در لایه خروجی نیز تنها یک نرون در نظر گرفته شد که در صورت وجود خطا در زون اول خروجی شبکه برابر یک و در غیر این صورت مساوی صفر باشد. برای آموزش شبکه در این مورد نیز از آلگوریتم Marquadt–Levenberg جهت آموزش شبکه استفاده شد .[7] تابع انتقال بکار رفته در لایههای میانی تانژانت
هیپربولیک و در لایه نهایی Logsig بوده است.
