بررسی مسائل کیفیت توان، پیدا کردن یک مشخصه درست از پدیده های کیفیت …

۱-۳-۱-۴-۴- بیشبود ولتاژ:
بیشبود ولتاژ در مقابل کمبود معرفی شده است. بیشبود عبارت است از افزایش موقتی در مقدار موثر ولتاژ به اندازه ۱/۱ تا ۸/۱ پریونیت در مقدار ولتاژ و برای مدت ۵/۰ سیکل تا یک دقیقه، در صورتی که زمان تداوم بیش از یک دقیقه طول بکشد، این پدیده را افزایش ولتاژ مینامند.
برآمدگی ولتاژ معمولا روی فازهای بدون خطای یک سیستم سه فاز ظاهر میشود و ناشی از خطای تک فاز در همان سیستم است. علت دیگر آن حذف بار میباشد که پس از آن ولتاژ بالا میرود. برآمدگی ولتاژ میتواند کنترلرهای الکتریکی و راهاندازی های موتورهای الکتریکی را از کار بیاندازند. به ویژه راه اندازها با قابلیت تنظیم سرعت که به دلیل سیستم حفاظت داخلیشان از کار میافتند. برآمدگی ولتاژ همچنین بر قطعات ظریف کامپیوتر تاثیر نامناسب گذاشته و باعث کوتاه کردن طول عمر آنها میگردد.
۱-۳-۱-۴-۵- قطعی ولتاژ:
کاهش شدید (کمتر از ۱۰% مقدرا نامی) یا قطع کامل ولتاژ تغذیه از یک فاز و یا بیشتر را در زمان بین ms10 تا یک دقیقه قطعی ولتاژ گویند.
اهمیت و ضرورت تحقیق:
با توجه به اهمیت سیستمهای مونیتورینگ در صنعت، همچنین پیشرفتهای شگرفی که در علوم مختلف کامپیوتر و الکترونیک شاهد هستیم و با توجه به جهانی شدن ارتباطات و اینترنت، همچنین ضعفهایی که سیستمهای مونیتورینگ موجود در برآورده کردن نیازهای جدید صنعت از خود نشان میدهند، نیاز به یک ساختار قابل توسعه که هم بتواند مشکلات موجود را مرتفع کند و هم با ارائه امکانات تجزیه و تحلیل دادهها، به مدیران امکان کنترل بیشتر و تصمیمگیریهای دقیقتر را بدهد، کاملا احساس میشود. از طرف دیگر پردازش اعوجاج شکل موج مانا یا شبیه مانا نیاز به تحلیل سیگنال در حوزه فرکانس دارد. سرعت پردازش در این حالت مهم نیست (حالت آفلاین)، زیرا از نتایج برای فراهم کردن اطلاعات آماری استفاده میشود. معمولا ارزیابی کیفیت توان به صورت پیوسته و سیستماتیک انجام نمیگیرد. بجای آن از روشهای اندازهگیری فاقد عمومیت برای بررسی سطح اغتشاشات ولتاژ در شینهها استفاده میشود. راهحلهای محلی بر بقیه سیستم قدرت چه به طور منفی و چه به طور مثبت تاثیر میگذارند. بنابراین بر حسب میزان هزینه کلی و نیز عملکرد، این راهحلها بسیار دور از حالت ایدهآل میباشند. به هر حال مونیتورینگ محلی و ارزیابی کامل شبکه راهحل فنی و اقتصادیتری را ارائه میدهد.
ارزیابی کامل شبکه دارای محدودیتهای عملی است زیرا نقاطی که مونیتورینگ میگردند محدود بوده و اطلاعات کاملی از مشخصه و نیز شکل سیستم و شبکه الکتریکی وجود ندارد. به کمک تعداد بهینهای دستگاه اندازهگیری و البته در محلهای مناسب، همراه با شبیهسازی سیستم الکتریکی، میتوان اطلاعات قابل قبول از سیستم را بدست آورد و سپس به تخمین محل ایجاد مشکلات پرداخت. این نوع بررسی همراه با تخمین حالت سیستم قدرت به تخمین حالت کیفیت توان مشهور است. البته، ارزیابی کامل سیستم نیاز به سنکرون کردن اطلاعات بدست آمده از محلهای مختلف دارد. نیاز به سنکرون سازی را میتوان با استفاده از سیستم GPS بدست آورد.
محدوده اغتشاشات کیفیت توان شامل تغییرات سرعت پایین و سطح پایین تا گذاراهای فرکانس بالا با تغییرات زیاد دامنه میباشد. این مشخصههای متمایز، شرایط خیلی متفاوتی را برای سیستم مونیتورینگ بوجود میآورد که معمولا توسط سیستمهای جمعآوری دادهها با منظور عام، این شرایط در نظر گرفته نمیشوند. البته اغلب، لازم است که سیستم مونیتورینگ اغتشاشات مربوط به کیفیت توان، با توجه به وجود اغتشاشات متفاوت به نحوی ساخته شوند که مناسب حالات بهوجود آمده باشند.
هدف تحقیق:
امروزه نیاز به نظارت، کنترل و بهبود کیفیت توان بیشتر احساس می گردد. در بیشتر موارد، برنامه های مونیتورینگ اطلاعات کیفیت توان، دارای محاسبات سنگین و پیچیده میباشند. بنابراین، لازم است ابزارهای کارآمد برای دستهبندی اطلاعات اندازهگیری شده توسعه یابد تا تنظیم کنندهها و مصرف کنندهها درک روشنی از اینکه چه اغتشاشاتی در شبکه رخ میدهد داشته باشند. مشکلاتی از قبیل ناسازگاری، دقت تشخیص کم، حساسیت در برابر شرایط نویزی، بالا بودن تعداد دادهها و هزینه محاسباتی زیاد، انگیزههایی برای استفاده از روشهای جدید جایگزین، هستند. در این راستا، در این پایان نامه، راهحلهایی برای حل مسئله مونیتورینگ با استفاده از ابزارهای پیشرفته پردازش سیگنال و روشهای یادگیری ماشین بهمنظور بهبود استراتژیهای موجود، مطرح شده است.
در یک سیستم توزیع واقعی، به منظور بهبود کیفیت توان، نیاز است قبل از اینکه اقدامی مناسب جهت رفع آنها اتخاذ گردد، این اغتشاشات شناخته شوند. بنابراین در این پژوهش، ۹ گونه از اغتشاشات که به طور معمول در شبکه توزیع رخ میدهد، در نظر گرفته شده است. در این پایان نامه، سعی بر این است که روشی تا حد امکان جامع، برای طبقهبندی خودکار اغتشاشات کیفیت توان (به صورت آفلاین و آنلاین) ارائه گردد. پژوهش حاضر بر این دیدگاه استوار است که روشهای پیشنهادی، عیوب روشهای پیشین (همچون دقت، سرعت، پیچیدگی و …) را برطرف کرده و گامی موثر در پیشرفت مونیتورینگ کیفیت توان میباشند. به این منظور سیستم تشخیص الگوی سیگنال که از بخشهای گوناگونی تشکیل شده است مد نظر قرار گرفته و روشهای مختلفی در طراحی آن بررسی گردیده است. در طراحی این سیستم یاد شده از ویژگیهای زمانی و زمان-فرکانس سیگنال و همچنین ترکیبی از این ویژگیها استفاده شده است. همچنین در خصوص طبقهبندی اغتشاشات مختلف کیفیت توان، از الگوریتمهای هوشمند (مانند شبکه های عصبی و ماشین بردار پشتیبان) بهره گرفتهایم نتایج حاصل حاکی از آن است که استفاده از ویژگیهای ترکیبی زمانی و زمان-فرکانس به همراه طبقهبندیهای مذکور نتایج بهتری در تشخیص الگوهای سیگنال اغتشاش ارائه میدهند.
فصل دوم
مروری بر ادبیات
تحقیق
۲-۱- ادبیات تحقیق:
مشکل اصلی روشهای آنالیز قبلی این بوده است که آنها اطلاعات کافی در حوزه زمان ارائه نمی دادند. تکنیک نوظهوری که بر روش قبلی غلبه کرده بررسی سیگنال را با استفاده از تبدیل موجک انجام داده و برای تجهیزات فرکانس بالا از وقفه های کوتاه مدت و تجهیزات فرکانس پایین از وقفه ای بلند مدت استفاده کرده است. برای اطمینان بیشتر، قابلیت تبدیل موجک برای آنالیز سیگنال با اعمال پالس و نوسانات مناسب ارزیابی شده است.
در سال ۱۹۹۴، تبدیل موجک جهت مطالعه اغتشاشات هارمونیکی سیستمهای قدرت مورد استفاده قرار گرفت. [۳۰] در ۱۹۹۶، این تکنیک به عنوان یک ابزار قدرت که قابلیت آنالیز در حوزه زمان و فرکانس را دارد برای آشکارسازی مشکلات کیفیت توان مورد استفاده قرار گرفت. [۴۲] بعد از این مقاله ها مطالعات زیادی در مورد طبقه بندی اغتشاشات کیفیت توان انجام گرفت. گودا و همکاران روش آنالیز چند مرحله ای موجک را جهت شناسایی و طبقه بندی مشکلات کیفیت توان پیشنهاد کردند.یک روش ترکیبی جدید بدین صورت که انحراف معیار استاندارد در سطوح تجزیه مختلف به عنوان ورودی شبکه عصبی اعمال شد تا انواع اغتشاشات کیفیت توان دسته بندی گردد. [۴]
المیتوالی و همکاران یک طبقه بندی کننده با استفاده از تکنیک شبکه های عصبی پیشنهاد کردند. که در آن یک سیستم تشخیص اغتشاش توان با استفاده از ترکیب های آماری موجک استفاده گردید. [۲]برای بدست آوردن ترکیبها جهت نمونه برداری از سیگنالهای کیفیت توان از آنتروپی تبدیل موجک استفاده گردید. [۱۸] یک روش طبقه بندی جدید بر مبنای یادگیری قیاسی ماشین که از الگوریتم c4.5 استفاده شده و تجزیه موج با استفاده از تبدیل موجک صورت گرفته در این مقاله پیشنهاد شده است. [۴۷]نشان داده شده که اغتشاشات کیفیت توان به طور صحیح طبقه بندی می شود. یک طبقه بندی جدید برای کاربردهای کیفیت توان با استفاده از شبکه عصبی اجرا شد. [۵۰]در این برنامه، برای طبقه بندی و تشخیص اغتشاشات کیفیت توان از آنالیز موجک و تئوری پارسوال استفاده شده. او و استارزیک روش میانبر جدید برای طبقه بندی اغتشاشات کیفیت توان بر مبنای تبدیل موجک و سیستم یادگیری(آرایه های آموزشی خود سازمانده سولار[۴] در این مقاله پیشنهاد کردند. [۲۰] مقدار انرژی در هر سطح تجزیه با استفاده از روش آرایه های آموزشی خودسازمانده اندازه گیری شد.عملکرد سیستم با استفاده از اعمال نویزهای مختلف ارزیابی شده و اغتشاشات کیفیت توان را به خوبی طبقه بندی کرده است .
استخراج ویژگی، معمولا به روشهای گوناگونی مانند تحلیل حوزه زمان، تحلیل حوزه فرکانس و یا تحلیل دینامیکهای غیرخطی انجام میگیرد که در این میان ضرایب تبدیل فوریه و بالاخص ضرایب تبدیل موجک ابزارهای مناسبی برای استخراج ویژگی محسوب میشوند. اخیرا روش جدید و موثر تبدیل s نیز، به این مجموعه افزوده شده است که در این پایان نامه از از روش تعمیم یافته آن استفاده شده است. لازم به ذکر است که روش تبدیل HS دارای دقت بالاتری از روش تبدیل S می باشد.
تبدیل موجک قابلیت خود را برای تشخیص انواع اغتشاشات نشان داده است. اما قابلیت های آن در کاربردهای عملی تحت شرایط نویزی محیط به طور قابل توجه تنزل مییابد. این نقیصه تا حدی با بکارگیری تبدیل S جبران می شود. این قابلیت تبدیل S، توجه محققین را برای تشخیص و طبقه بندی وقایع کیفیت توان به خود معطوف داشته است. در سالهای اخیر تبدیل S به دلیل مشخصات زمان-فرکانسی بسیار خوبی که دارد برای تحلیل اغتشاشات کیفیت توان مورد استفاده قرار گرفته است.اخیرا هانگ و همکاران با استفاده از تبدیل MGS[5] آنالیز و مونیتورینگ وقایع کیفیت توان را در شبکه های میکرو گراید[۶] انجام داده است. در این تبدیل ابتدا سیگنالهای مختلفی از وقایع کیفیت توان به حوزه زمان-فرکانس برده شد و حوزه فرکانس به سه ناحیه فرکانسی تقسیم شده و با استفاده از تبدیل s به نواحی مختلف فرکانسی برده شد سپس با گروه اجتماع ذرات[۷] استخراج ویژگی صورت گرفته و از طبقه بندی کننده درخت تصمیم گیری جهت طبقه بندی وقایع کیفیت توان استفاده شد. [۲۸] همچنین از تبدیل s در طبقه بندی وقایع کیفیت توان برای یک نیروگاه بادی که دی-جی[۸] ها در آن بکار برده شده بود، استفاده شده و با تکنیک های شبکه عصبی مدوله شده[۹] و حداقل مربعات ماشین بردار پشتیبان[۱۰] طبقه بندی صورت گرفت. [۲۹]
در نظر گرفتن ویژگیهای زیاد نیاز به حجم حافظه و زمان محاسباتی بیشتری دارد. به همین دلیل در سالهای اخیر، روشهای کاهش بعد و انتخاب ویژگی در یادگیری ماشین، به شدت مورد توجه بودهاند. دو روش اصلی برای انتخاب ویژگی وجود دارد: روش فیلتر کردن و روش فراگیر یا روکشی.
روشهای یادگیری مختلفی برای کلاس بندی الگوها وجود دارد که از جمله آنها میتوان به توابع احتمال شباهت، K نزدیکترین همسایه، روشهای مبتنی بر قوانین، ماشین بردار پشتیبان، شبکههای عصبی، درخت تصمیم و روشهای بیزی اشاره کرد. هر کدام از این روشها نقاط قوت و ضعفی داشته و بسته به تعریف مساله و هدف، میتواند در کاربردهای مختلف به نحو مناسبی استفاده شود. در سالهای اخیر، تعدادی روش دستهبندی آماری و روش یادگیری ماشین به منظور دستهبندی اغتشاشات کیفیت توان پیشنهاد شده است. از جمله این روشها میتوان به روش دستهبندی نزدیکترین همسایه، درختهای تصمیم، ماشین بردار پشتیبان و روش شبکههای عصبی اشاره نمود.
در سالهای اخیر تحقیقات بسیاری به منظور بهبود سیستمهای تشخیص کیفیت توان صورت گرفته است که در آنها استفاده از آنالیز موجک جهت استخراج ویژگی بسیار متداول است.
در مقالات گذشته، تلاشهایی برای طرح یک سیستم خودکار تشخیص کیفیت توان به عمل آمده است. دربرخی مقالات استخراج ویژگی با استفاده از تبدیل s و در برخی دیگر با استفاده از تبدیل موجک گسسته صورت گرفته است و این ویژگیها برای آموزش طبقهبندی کننده ماشین بردار پشتیبان مورد استفاده قرار گرفته است. در مرجعی چندین روش برای انتخاب ویژگیهای مناسب و حذف ویژگیهای غیر مفید، برای مساله تشخیص سیگنالهای کیفیت توان، ارائه شده است.
در سیستمهای تشخیص از قابلیتهای محاسبات نرم همچون سیستمهای خبره مبتنی بر منطق فازی و شبکههای عصبی استفاده شده است. در مرجعی با کمک شبکه عصبی پس انتشار خطا به طبقهبندی ۷ کلاس از اغتشاشات پرداخته است. در مرجعی با استفاده از درخت تصمیمگیری و به کمک ابزار ساده محاسباتی یک نمونه عملی از سیستم تشخیص دستهبندی اغتشاشات کیفیت توان بیان شده است.
اغتشاشهای کیفیت توان طیف فرکانسی وسیعی دارند. برای پردازش شکل موج اغتشاشهای کیفیت توان فرکانس پایین مانند نوسان ولتاژ، معمولا از تبدیل فوریه گسسته استفاده میشود اما برای پردازش اغتشاشهای کیفیت توان فرکانس بالا نظیر حالتهای گذرا، بهتر است ضرایب موجک به کار رود. از این رو برخی مقالات، این دو روش را کنار یکدیگر بهکار گرفتهاند تا با استخراج ویژگیهای مناسبی از شکل موج اغتشاش، شناسایی و طبقه بندی اغتشاش را سادهتر سازند.
مشکلات روشهای قبلی به شرح ذیل میباشد:
تبدیل فوریه گسسته و تبدیل CZ، اطلاعات مناسبی را در حوزه زمان استخراج نمیکنند.
از نتایج مقالات پیشین میتوان استنتاج کرد که با استفاده از تبدیل موجک به تنهایی نمیتوان ویژگیهای با کیفیت بالا ایجاد نمود.
استفاده از تبدیل فوریه، تبدیل S و تبدیل موجک به تنهایی نمیتواند برای استخراج ویژگی موثر باشد. زیرا هر کدام ضعفهایی دارند. اخیرا مقالاتی به استفاده از حالت ترکیبی تبدیل موجک و فوریه پرداختهاند.
استخراج ویژگی با موجک به نویز حساس میباشد مخصوصا اگر در سطوح جزییات بالا ویژگیها استخراج شوند.
در برخی از مقالات منتشر شده به تعداد کمی از اغتشاشات کیفیت توان پرداخته شده است
در بسیاری از تحقیقات پیشین، بخش انتخاب ویژگی برای بهبود عمل سیستم تشخیص وجود ندارد.
اصولا عملکرد ابزارهای تشخیص الگو به چند پارامتر داخلی وابسته است که این پارامترها در بسیاری از مقالات پیشین بوسیله سعی و خطا تنظیم شده است.
در بسیاری از کاربردهای عملی در این حوزه، دقت و بازده روشهای موجود مناسب نمیباشد و باید بهبود یابد.
در تحقیقات پیشین، بیشتر سعی بر این است که الگوریتم پیشنهادی دارای دقت بالایی باشد. در بسیاری از این تحقیقات عملکرد یک سیستم مونیتورینگ آفلاین مورد بررسی قرار گرفته است.
علی رغم اینکه در مقالات چاپ شده در این حوزه، الگوریتمهای زیادی بهکار رفته است ولی کمبود بررسی جامع و مقایسه عملکرد الگوریتمهای مختلف، مشاهده میشود.
منبع فایل کامل این پایان نامه این سایت pipaf.ir است |