چکیده
در این پروژه روشی کاربردی و عملی برای مکان یابی منابع هارمونیکی در شبکه برق با استفاده از شبکه های عصبی BPN با لایه خروجی سیگموئید و الگوریتم آموزشی لونبرگ ارائه شده است. در این پروژه شبکه عصبی RBF نیز مورد بررسی قرار گرفته است. مقایسه نتایج نشان می دهد که BPN پاسخ مناسب تری می دهد و دلایل نیز ذکر شده است. برای انتخاب بهینه تعداد و مکان اندازه گیرهای هارمونیکی از روش مسیریابی هارمونیکی یا خط بهینه متاثر از منابع هارمونیکی و همچنین ارزیابی توپولوژی سیستم استفاده شده است. مراحل به کارگیری این روش به صورت کامل در پروژه آمده است. برای بهبود نتایج شبکه عصبی، قضیه جمع آثار و هم آثاری در مورد منابع هارمونیکی به کار گرفته شده است. در مجموع استفاده از تکنیک های نامبرده باعث شده است که با کمترین تعداد اندازه گیرهای هارمونیکی و نمونه های ورودی نتایج رضایت بخشی حاصل شود. این در حالی است که در هنگام اعمال شبکه عصبی برای مکان یابی منابع هارمونیکی هیچ اطلاعی از وجود منابع هارمونیکی در باس و همچنین نوع منابع هارمونیکی در اختیار نیست که نوآوری عمده این پروژه می باشد. استفاده از روش تخمین حالت و روش های بهینه سازی مانند الگوریتم ژنتیک که برای مکان یابی اندازه گیر مورد استفاده قرار می گیرد مورد تایید می باشد ولی این روش ها پیچیده و زمان گیر هستند. روش ارائه شده ساده و در عین حال بسیار دقیق است. مزیت دیگر این پروژه انتخاب مناسب پارامترهای ورودی شبکه عصبی است به طوری که تغییرات میزان بار و منابع هارمونیکی تاثیر چندانی در نتایج ندارد. در این پروژه آموزش شبکه های عصبی فقط در نقاط اندازه گیری صورت می گیرد و اندازه گیرها به صورت مستقل عمل می کنند. به عبارت دیگر مبادله اطلاعات مابین اندازه گیرها صورت نمی گیرد. آنالیز هارمونیک در نقاط اندازه گیری با استفاده از روش فوریه سریع FFT انجام شده است که پاسخ مناسبی دارد. روش ارائه شده بر روی شبکه IEEE 14 BUS که دارای 7 باس بار و 5 باس تولید می باشد، آزمایش شده است.
مقدمه
در سال های اخیر، تکنولوژی پیشرفته باعث ورود تجهیزات الکترونیک قدرت به صنعت شده است که این تجهیزات و یا بارهای غیرخطی، جریان های هارمونیکی به شبکه تزریق می کنند. این هارمونیک ها کیفیت توان شبکه را مخدوش می کنند. با توجه به رشد روزافزون این تجهیزات در صنایع مختلف همچون راه آهن، نفت، گاز، ذوب فلزات، اتوماسیون و غیره برای تضمین کیفیت توان، آشکارسازی منابع هارمونیکی موجود در شبکه برق امری لازم می باشد. بعضی از این منابع هارمونیکی مربوط به خود شبکه می باشد و معمولا به صورت گذرا در شبکه دیده می شوند که جزو منابع هارمونیکی عمده محسوب نمی شوند و در شبکه نیز مشخص می باشند. اگر از دید شبکه بارهای هارمونیکی عمده را مورد ارزیابی قرار دهیم، تجهیزات الکترونیک قدرت مورد توجه قرار می گیرد که دارای مبدل ها ac/dc در قسمت ورودی می باشند. خوشبختانه منابع هارمونیکی جریان تقریبا در سیستم قدرت شناسایی شده اند و می توان از روی الگوهای اختلال جریان، نوع منابع هارمونیکی را شناسایی نمود. در این پروژه مبدل های ac/dc مورد ارزیابی قرار گرفته است و هدف این پروژه شناسایی این منابع در شبکه قدرت می باشد. در این پروژه این منابه به دو صورت مبدل 6 پالس و 12 پالس در نظر گرفته شده است.
نظارت بر ولتاژ فیدرهای مختلف شبکه توزیع به عنوان یکی از نیازهای اساسی در شبکه برق احساس می شود. از طرف دیگر نظارت مستقیم بر تمام فیدرها به صورت مستقل از نظر اقتصادی قابل توجیه نمی باشد. اگر اندازه گیرهای کیفیت توان کافی در شبکه وجود داشته باشد، به آسانی می توان مکان منابع هارمونیکی را شناسایی کرد. با وجود این، مکان اندازه گیرها و همچنین هزینه این اندازه گیرها مورد بحث می باشد. به همین خاطر ما باید از روش هایی استفاده نماییم که تعداد اندازه گیرها به حداقل برسد. در اکثر این روش ها از الگوریتم های هوشمندی همچون شبکه عصبی، الگوریتم ژنتیک و تخمین حالت استفاده شده است. در این پروژه برای مکان یابی اندازه گیرها از روش خط بهینه متاثر از جریان هارمونیکی و تحلیل توپولوژی سیستم استفاده شده است. برای شناسایی منابع پس از تعیین مکان اندازه گیرها، از شبکه های عصبی با لایه خروجی سیگموئید استفاده شده است. در مکان یابی اندازه گیرها ابتدا توپولوژی سیستم مورد بررسی قرار گرفته است و سپس پارامتری که بیانگر مجموع دامنه هارمونیک های جریان اصلی می باشد، برای تعیین مکان اندازه گیر استفاده شده است. برای آموزش شبکه های عصبی الگوریتم های زیادی وجود دارد که همگی بر پایه گرادیان نزولی و قانون پس انتشار می باشد. در این پروژه از الگوریتم لونبرگ برای آموزش شبکه استفاده شده است که این الگوریتم دارای سرعت زیادی در آموزش می باشد و نتیجه خوبی می دهد. محققان زیادی برای جایابی منابع هارمونیکی از شبکه های عصبی استفاده نموده اند. کاربرد شبکه های عصبی پس انتشار چند لایه در سیستم های قدرت به صورت گسترده پذیرفته شده است. در هنگام شبیه سازی فرض بر این است که هیچ اطلاعی از وضعیت باری شبکه نداریم و برای شناسایی منابع هارمونیک زا هر اندازه گیر به صورت مستقل عمل می نماید و در واقع نیازی به تبادل اطلاعات مابین اندازه گیرها نمی باشد و هزینه تبادل اطلاعات حذف می گردد. در بعضی شبکه ها شاید اصلا امکان تبادل اطلاعات وجود نداشته باشد.
در این پروژه، فعالیت های انجام شده در زمینه مکان یابی منابع هارمونیک زا مورد بحث قرار گرفته است و با روش پیشنهادی این پروژه مقایسه شده است. منابع هارمونیکی عمده در شبکه قدرت به صورت مفصل معرفی شده است. با توجه به بررسی ها، منابع الکترونیک قدرت جهت شناسایی انتخاب شده اند. با توجه به اینکه از شبکه های عصبی برای شبیه سازی استفاده شده است، این شبکه به صورت مقدماتی معرفی شده و ساختارهای مختلف آن بحث شده است. در پایان، در فصل شبیه سازی، شبکه عصبی RBF با BPN مقایسه شده است. نتایج نشان می دهد که شبکه BPN پاسخ قابل قبول تری ارائه می دهد. همچنین خود شبکه BPN نیز مورد بحث قرار گرفته است و ساختارهای مختلف آن شبیه سازی شده است و نتایج ارائه شده است. سیستم قدرت مورد بحث در شبیه سازی، شبکه IEEE 14-bus می باشد. و نرم افزار Matlab جهت شبیه سازی استفاده شده است.
تعداد صفحه : 114
شناسایی مکان منابع هارمونیک زا در شبکه قدرت از دید یک یا چند نقطه با استفاده از شبکه های عصبی
