حفاظت خطای زمین در سیستم‌های قدرت با استفاده از ماشین بردار پشتیبان

متن گزارش:

ﺑﺮوز اﺗﺼﺎل ﮐﻮﺗﺎه‌ﻫﺎ از ﺷﺪﯾﺪﺗﺮﯾﻦ اﺧﺘﻼل‌ﻫﺎی ﺳﯿﺴﺘﻢ ﻗﺪرت ﻣﯽ‌ﺑﺎﺷﺪ و باید ضمن تشخیص سریع خطا توسط رله‌های حفاظتی، ﻣﺤﺪوده ﺧﻄﺎ در ﺣﺪاﻗﻞ زﻣﺎن ﻣﻤﮑﻦ از ﺳﯿﺴﺘﻢ ﺟﺪا شود ﺗﺎ از گسترش خطا در کل شبکه قدرت و فروپاشی سیستم جلوگیری شود. این امر نیاز به وجود یک سیستم حفاظتی دقیق و سریع را برجسته می‌کند. در این مقاله یک تکنیک جدید مبتنی بر SVM (نوعی از شبکه‌های عصبی مصنوعی) برای تشخیص خطاهای شبکه قدرت پیشنهاد شده است و نتایج آن با خروجی الگوریتم‌های حفاظتی مبتنی بر موجک  و  ANN مقایسه می‌گردد.

در این روش با اعمال خطاهای مختلف بر روی یک ریز شبکه نمونه، سیگنال‌های جریان و ولتاژ فازها در لحظه وقوع خطا نمونه‌برداری شده و پس از آشکارسازی به عنوان ورودی به SVM داده می‌شود.

 تجزیه و تحلیل نتایج شبیه‌‌سازی نشان می‌دهد که چگونه تکنیک پیشنهادی می‌تواند به سرعت و در چند هزارم ثانیه خطای های سیستم را تشخیص دهد.

انواع مختلفی از خطاهای الکتریکی در سیستم‌های قدرت وجود دارد. در این مقاله تمرکز بر روی تشخیص خطاهای امپدانس بالا بوده که یکی از متداول‌ترین اتفاقات شبکه­های توزیع می­باشند. عموما به دلیل امپدانس بالای این گونه خطاها، جریان کافی خطا برای عملکرد سوئیچ­های حفاظتی وجود ندارد و سیستم­های حفاظتی معمول برای شناسایی آن با مشکل رو به رو هستند.

یکی از روش‌هایی که برای شناسایی خطاهای امپداتس بالا در شبکه­های توزیع توجه بسیاری از محققان را به خود جلب کرده است رویکرد تبدیل موجک می­باشد. مشکل اصلی در روش تبدیل موجک تعیین مقدار آستانه برای تشخیص خطا است. اگر مقدار کمی برای آن انتخاب شود، برخی از پدیده‌های شبه خطا (مانند جریان هجومی ترانسفورماتور و سوئیچینگ خازن) به عنوان خطا شناخته می­شوند. از سوی دیگر  اگر مقدار آستانه بزرگ انتخاب شود، به دلیل جریان اندک در شرایط خطای امپدانس بالا ممکن است شناسایی خطا به درستی صورت نگیرد.

در این مقاله بر اساس رویکرد ماشین بردار پشتیبان (SVM) روشی برای تشخیص خطا درشبکه قدرت  ارائه شده است. در این روش مشکلات مربوط به تعیین مقدار آستانه وجود ندارد و قابلیت آموزش شبکه عصبی سبب شده تا الگوریتم تشخیص خطا در رله­ها به سادگی به روز رسانی شود و در صورت لزوم، داده­های آموزش مناسب می‌توانند حالت­های جدید خطا را به رله­ها معرفی نماید. در نهایت، سیستم حفاظت پیشنهاد شده با تولید پاسخ سریع­تر و جلوگیری از گسترش خطا در شبکه، توانایی افزایش قابلیت اطمینان در شبکه­ را دارد.

ماشین بردار پشتیبان

 ماشین بردار پشتیبان یک الگوریتم بسیار محبوب برای طبقه‌بندی است که دلیل آن عمدتا سادگی روش و مبانی نظری قوی این رویکرد است از مزیت‌های این روش نسبت به سایر شبکه های عصبی می‌توان به عدم وابستگی به بعد فضای ورودی و همچنین کمتر قرار گرفتن در معرض بیش برازش اشاره نمود که باعث شده این تکنیک در بسیاری از مسائل طبقه بندی مورد استفاده قرار گیرد.

خطاهای مورد مطالعه در  این تحقیق به شرح زیر است:

·                             خطای سه فاز به زمین

·                             خطای دو فاز به هم و سپس به زمین

·                             خطای تک فاز به زمین

قابل ذکر است تمام شبیه‌سازی‌ها در فرکانس نمونه‌برداری 100 کیلوهرتز انجام شده و زمان اولیه وقوع خطا روی 06/0 ثانیه تنظیم گردیده است.

1-1- خطای سه فاز به زمین

در این حالت، یک خطای سه فاز به زمین متقارن با مقاومت 20 اهم در وسط خط انتقال بین باس­های A و B رخ می­دهد. در نتیجه این شرایط، شکل موج ولتاژ در باس A و جریان عبوری از خط انتقال A تا B دچار نوسان خواهد شد. در روش موجک و پارک ، ابتدا تبدیل پارک به سیگنال­ها اعمال شده و مولفه­های V_o، V_d  و V_q به دست می­آید. سپس مقدار تخمین دامنه سیگنال (approximate) که براساس مولفه‌های فوق بدست میآید با یک مقدار آستانه مقایسه می‌شود و حالت خطا یا عدم خطا توسط الگوریتم مشخص خواهد شد. برای تشخیص خطاهای امپدانس بالا  لازم است که مقدار آستانه در الگوریتم تشخیص خطا، بسیار کوچک انتخاب شود (در این مورد 05/0). در واقع، انتخاب چنین مقداری در عمل امکان‌پذیر نیست زیرا با کوچک انتخاب نمودن مقدار آستانه ممکن است برخی از حالت‌های گذرا و عادی شبکه نیز به عنوان خطا شناسایی شوند. با این حال در شرایط تئوری و شبیه سازی نرم افزاری سیستم، با استفاده از روش مذکور خطا در 1028/0 ثانیه تشخیص داده شد. سپس با طراحی الگوریتم‌های تشخیص خطا که در هسته مرکزی آنها به جای موجک (WAVELET‌)  از شبکه های عصبی ANN  وSVM  استفاده شده به بررسی همین خطا پرداخته شد.

این خطا  با استفاده از روش­های ANN و SVM با اختلاف زمانی حدود یک میلی ثانیه به ترتیب در 0.0063 و 0.0076 ثانیه آشکار گردید، شکل (10) زمان آشکار سازی خطا را نشان می‌دهد. (به دلیل مسئله مقیاس گزاری مناسب، پاسخ روش موجک و پارک در شکل (10) نشان داده نشده است).

در ادامه، به شکل مشابه، عملکرد الگوریتم پیشنهادی برای خطای دو فاز به هم - به زمین و خطای تک فاز به زمین  نیز مورد بررسی قرار گرفته است. نمودارها نشان دهنده افزایش دقت الگوریتم تشخیص خطای مبتنی بر SVM نسبت به روش‌هایANN  و WAVELET  می‌باشد. همچنین محرز گردید با افزایش امپدانش خطا سرعت تشخیص خطا در الگوریتم مبتنی بر SVM  نسبت به سایر روش‌ها بالاتر می‌باشد که در اینجا به اختصار تنها به ذکر نتایج اکتفا شده است.