طراحی و شبیه‌سازی یک رله هوشمند برای تشخیص جزیره الکتریکی

نوع مقاله: مقاله علمی فارسی

نویسندگان

1 دانشجوی دکتری، گروه برق- دانشکده مهندسی- دانشگاه شهید چمران- اهواز- ایران

2 استادیار، گروه برق- دانشکده مهندسی- دانشگاه شهید چمران- اهواز- ایران

3 کارشناس ارشد، گروه برق- دانشکده مهندسی- دانشگاه شهید چمران- اهواز- ایران

چکیده

در این مقاله، روش جدیدی، برای تشخیص جزایر الکتریکی بر اساس دسته‌بندی و الگوشناسی در یک شبکه توزیع مورد بررسی و تحقیق قرار می‌گیرد. روش پیشنهادی، برای تشخیص، از سیگنال‌های گذرای تولید شده هنگام وقوع یک جزیره را استفاده می‌کند. شبکه عصبی برای دسته‌‍بندی رخدادهای گذرا به حالت‌های "جزیره" یا "غیر جزیره" آموزش داده می‌شود. ویژگی‌های مورد نیاز برای دسته‌بندی، از طریق تبدیل موجک گسسته‌ سیگنال‌های گذرای ولتاژ و جریان استخراج می‌شوند. روش پیشنهادی روی یک سیستم توزیع ولتاژ متوسط CIGRE با دو نوعDG مختلف آزمایش می‌شود. نتایج نشان می‌دهد که این روش می‌تواند جزیره‌های الکتریکی را خیلی سریع و با دقت تشخیص دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Design and Simulation of Intelligent based Relay for Power Islanding Detection

نویسندگان [English]

  • Mehrdad heidari orejloo 1
  • s.ghodratollah seifossadat 2
  • ehsan gharibreza 3
1 Department of electrical engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
2 Department of electrical engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
3 Department of electrical engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
چکیده [English]

In this paper a novel method for detection of power islands based on Discrete Wavelet Transform and Neural Network in a distribution network is investigated. The proposed method has used transient signals generated during an islanding event to detect the formation of the island. The features required for classification were extracted from the transient current and voltage signals through discrete wavelet transform. A neural network classifier is trained to categorize the transient generating events as “islanding” or “non-islanding.”. The proposed technique is tested on CIGRE medium-voltage distribution benchmark system with different distributed generators. The results indicate that this technique can detect islanding events very fast and accurate.

کلیدواژه‌ها [English]

  • Power Island
  • Discrete Wavelet Transform
  • Neural Network

تولید پراکنده(DG[1]) طبیعت سیستم توزیع را از پسیو به اکتیو تغییر می­دهد. این امر باعث بروز چندین مشکل فنی شده است. یکی از این مشکلات، تشکیل جزیره الکتریکی است که بدین صورت تعریف می­شود:" شرایطی که بخشی از سیستم توزیع که شامل بار و تولید پراکنده است، از بقیه سیستم توزیع جدا شود، در حالی ­که همچنان برقدار باقی بماند". شکل(1) نمایش ساده­ای از سیستم توزیع با یک تولید پراکنده (DG) است.

 

 

شکل (1): نمایش یک جزیره الکتریکی

 

اگر بریکر B1 باز شود، در حالی که DG هنوز برقدار و به شبکه نیز متصل باشد(B2 و B3 بسته باشد) یک جزیره‌ الکتریکی تشکیل می­شود. جزیره­ای شدن باعث بروز چندین اشکال از لحاظ ایمنی و کیفیت توان می‌شود، مانند تغییرات غیرعادی فرکانس و ولتاژ در جزیره الکتریکی، احتمال ایجاد یک سیستم زمین نشده بسته به اتصالات ترانسفورماتور، احتمال خطرهای ایمنی برای کارکنان تعمیرات. به همین علت، استاندارد IEEE1547-2003  [1] هنگام تشکیل یک جزیره، جداشدن فوری DG را توصیه می­کند. این کار از طریق حفاظت ضدجزیره­ای عملی می‌گردد که موضوعی تحت تحقیقات گسترده در جهان است. هر چند کارکرد جزیره­ای DG به عنوان یک وضعیت خطرناک شناخته شده است، اما یک ژنراتور یا مجموعه­ای از ژنراتورها در حالت کارکرد جزیره­ای ممکن است قادر باشند بخشی از بارهای محلی را هنگام از دست دادن شبکه، تغذیه نمایند. این نوع از عملکرد، به جزیره عمدی مربوط است و شبکه­هایی با این توانایی معمولاً ریزشبکه[2] نامیده می­شوند. در ریزشبکه­های واقعی، برای دستیابی به سطح صحیحی از هماهنگی حفاظتی، باید تعادل توان بین تولید و مصرف حفظ شود[2].

روش­های تشخیص گوناگونی در مقاله­ها ارایه شده که به دو گروه کلی تقسیم می­شوند: گروه اول، روش­های محلی هستند که خود نیز به دو دسته به نام روش­های اکتیو و روش­های پسیو تقسیم می گردند و گروه دوم روش­های از راه دور که موسوم به روش­های مخابراتی هستند. در روش‌های پسیو، تصمیم­گیری بر اساس مقادیر الکتریکی اندازه­گیری شده نظیر ولتاژ و فرکانس است. در روش‌های تشخیص اکتیو، اغتشاشی به شبکه تزریق می­گردد و جزیره بر اساس پاسخ سیستم به اغتشاشات تزریق شده تشخیص داده می­شود. در روش­های مخابراتی، از سیگنال‌های مخابره شده از وضعیت بریکرها، برای تشخیص حالت جزیره­ای استفاده می­شود. روش­های مخابراتی دارای ناحیه غیر قابل تشخیص ناچیزی هستند، اما مشکل آنها هزینه بالا نسبت به روش­های دیگر است. روش­های اکتیو ناحیه غیر قابل تشخیص کوچکی دارند، اما اجرای آنها مشکل است و باعث خرابی کیفیت توان شبکه نیز می­گردند. روش­های پسیو ارزان هستند، ولی ناحیه غیر قابل تشخیص آنها بزرگتر و تنظیم آستانه آنها مشکل است.

تشخیص سریع و دقیق جزیره­ها در سیستم توزیع، نخستین گام به سوی بهره برداری جزیره عمدی است. در این وضعیت احتمال دارد که بار و تولید جزیره به طور تقریبی برابر باشند. برخی روش­های پسیو در تشخیص جزیره هنگام بروز این تعادل بار یا دچار اشتباه می­شوند یا زمان زیادی برای تشخیص جزیره­ها صرف می­کنند. به عبارت دیگر، حفاظت ضد جزیره­ای نمی­تواند بیش از حد حساس باشد، زیرا ممکن است باعث عملیات کنترلی پیش‌بینی نشده در ریزشبکه­ها شود. بنابراین، روش­های تشخیص سریع و مطمئن­ جزیره­ می­تواند مزایایی برای توسعه ریزشبکه­ها داشته باشد.

روش­های تشخیص جزیره مبتنی بر تبدیل موجک پیش از این در مراجع [7-3] استفاده شده است. در مراجع [3] و [3] مقدار مطلق یک ضریب معین تبدیل موجک با یک آستانه­ از پیش تنظیم شده مقایسه می­شود و اگر برای مدت زمانی طولانی­تر از یک زمان معین بالاتر از آن باشد، یک وضعیت جزیره­ای اعلام می­شود. این مقادیر آستانه سیستم، از طریق آزمایش یا بر پایه تجربه مهندسان [4] به دست می‌آید. یک الگوریتم تشخیص جزیره از نوع ترکیبی بر اساس تبدیل موجک، مخصوص سیستم­های DG تک­فاز فتوولتایی در [5] بحث شده است. یک روش هوشمند در [6] مورد تحقیق قرار گرفته است که دسته­بندی کننده تصمیم-درختی را با مجموعه پیچیده­ای از ویژگی­ها شامل اعوجاج هارمونیکی کل جریان و ولتاژ، گرادیان حاصلضرب ولتاژ در ضریب توان و غیره به کار می‌گیرد. این روش تنها دارای دقت 33/83 درصدی در تشخیص جزیره است.

روش پیشنهادی در این مقاله از روش­های قبلی متفاوت است. این مقاله، به جای مبتنی بودن بر مقادیر آستانه (تعیین شده به وسیله سعی و خطا) همچنین، استفاده از چندین ضریب موجک متناظر با باندهای فرکانسی مختلف و یا به جای استفاده از مجموعه پیچیده­ای از شاخص­ها، روشی جدید، سریع و مطمئن برای تشخیص جزیره الکتریکی ارائه می­دهد که بر اساس انرژی ضرایب تبدیل موجک سیگنال‌های گذرای ولتاژ و جریان در باندهای فرکانسی مختلف هنگام جداشدن DG از شبکه است و دسته­بندی کننده شبکه عصبی را برای تشخیص شرایط جزیره­ای به کار می­گیرد.

 

1- کلیات روش پیشنهادی

نمای کلی روش تشخیص پسیو جزیره­ ارائه شده در این مقاله در شکل (2) نمایش داده می شود.

 

 

 

شکل (2): نمای کلی روش تشخیص جزیره بر اساس حالات گذرا

 

 

سیگنال­های گذرای ولتاژ و جریان یک شبکه قدرت، دارای خصوصیات منحصربه فردی است که نشان دهنده علت آن حادثه گذراست. روش پیشنهادی بر اساس این فرض است که حالات گذرای حادثه جزیره­ای شدن نیز دارای خصوصیات خاص خود است که از آنها می­توان برای ارائه یک روش جدید تشخیص حوادث جزیره­ای از سایر حوادث استفاده نمود. البته، این خصوصیات موجود در سیگنال­های گذرا، مستقیماً قابل تشخیص نیست. بنابراین به فرایندی برای استخراج ویژگی­ها نیاز است تا باعث تسریع در پاسخ دسته­بندی گردد. تبدیل موجک برای این هدف مناسب است. روش­های الگوشناسی مختلفی از جمله ماشین­های برداری پشتیبان[3] و شبکه­های عصبی و دسته­بندی کننده تصمیم درختی[4] برای دسته­بندی کردن حوادث جزیره­ای و غیر جزیره­ای با استفاده از سیگنال­های گذرا می­تواند مورد استفاده قرار گیرد[7]. هرچند مطالعاتی در رابطه با مقایسه آنها انجام شده است، اما به علت شرایط متفاوت و تاثیر احتمالات، نمی­توان به طور قطعی گفت که کدام روش از تمامی جهات برتری دارد.

روش پیشنهادی، از شبکه عصبی برای الگوشناسی و دسته­بندی استفاده می­کند. شبکه عصبی مزایایی از جمله تنوع، سادگی و قابلیت آموزش سریع را دارد[16].

 

1-1- استخراج ویژگی­ها با استفاده از تبدیل موجک

تبدیل موجک به عنوان ابزار مؤثری برای پردازش سیگنال­های گذرا که ذاتاً غیرساکن[5] هستند، در نظر گرفته می­شود. با استفاده از تبدیل موجک گسسته(DWT[6])، تجزیه یک سیگنال به چندین سیگنال در باندهای فرکانسی مختلف امکان­پذیر می­شود که به عنوان ضرایب موجک شناخته می­شوند. تبدیل موجک به دلیل قابلیت طبیعی تنظیم پهنای زمانی موجک مادر به فرکانسش، برای تحلیل حالات گذرا در مقایسه با دیگر روش­های حوزه فرکانسی مانند تبدیل فوریه پنجره­ای(WFT[7]) مناسبتر است[10- 8].

بعلاوهDWT امکان می­دهد که محدوده‌ای از فرکانس­ها تنها به صورت یک ثابت استخراج شود. هزینه محاسباتی دستیابی به مجموعه مشابهی از اطلاعات از طریق WFT بسیار بالاتر خواهد بود. مقایسه خوبی از WFT و DWT را در مرجع [9] می­توان به دست آورد.

تبدیل موجک گسسته یک سیگنال f(k) به صورت روابط ریاضی (1) و (2) تعریف می­شود.

 موجک مادر گسسته با فرمول زیر است.

 

(1)

 

(2)

 

  و  مقادیر حقیقی ثابت و m و n اعداد صحیح مثبت هستند. DWT، با تجزیه سیگنال به تقریب و جزئیات، آن را پردازش می­کند. تقریب، مجدداً تجزیه می­شود تا اطلاعات سطح بعدی به دست آید و این روند ادامه می­یابد. در هر سطح از این تجزیه متوالی، پارامترm در معادله (2) افزایش داده می­شود تا رزولوشن فرکانسی افزایش یابد. در واقع سیگنال اصلی با عبور از دو فیلتر پایین­گذر و بالاگذر به ترتیب  به دو سیگنال تقریب و جزئیات تفکیک می­شود که در شکل (3) نمایش داده شده است. مرور خوبی از موجک‌ها را می‌توان در مراجع[10-8] به دست آورد.

 

شکل (3): نمایی از تبدیل موجک

 

1-2- دسته­بندی رخدادها با شبکه عصبی

روش­های تشخیص الگو بر اساس طرح­های ریاضی بنا شده­اند تا بر مبنای تجربیات قبلی یا اطلاعات آماری به دست آمده از الگوها، عمل دسته­بندی اطلاعات را انجام دهند. مسأله دسته­بندی کردن دارای پنج بخش اصلی زیر است:

1) ویژگی­ها(متغیرهای مستقل): متغیرهای ورودی؛

2) دسته(متغیر وابسته): نتیجه دسته­بندی؛

3) مجموعه اطلاعات آموزش: شامل دسته­ها و ویژگی‌های متناظر؛

4) مجموعه اطلاعات آزمایش: به منظور آزمایش دقت دسته­بندی کننده؛

5) هزینه خطای دسته­بندی: هزینه مربوط به دسته­بندی اشتباه اطلاعات ورودی بعدی.

طی چند دهه اخیر، تلاش های بسیار جدی برای طراحی مدارات الکترونیکی، که قادر باشند شبکه‌های عصبی زیستی را شبیه سازی کنند، صورت گرفته است که به معرفی شبکه‌های عصبی مصنوعی منجر شده است.

هر شبکه عصبی دارای سه لایه کلی است که در هر لایه تعدادی نرون وجود دارد(شکل 4). لایه ورودی که نشان دهنده اطلاعات ورودی به دسته­بندی کننده است، برای هر متغیر ورودی، دارای یک نرون است.  در لایه میانی احتمال عضویت داده ورودی در دسته­های مختلف بر اساس آموزش­های قبلی محاسبه می­گردد. لایه خروجی احتمالات دسته­های مختلف را باهم مقایسه می­کند و بزرگترین آنها را برای پیش­بینی دسته هدف به کار می­گیرد.  

توانایی اصلی شبکه عصبی مصنوعی، آموزش آن طبق الگوهای ارائه شده است. خروجی شبکه عصبی بر اساس رابطه (3) ساخته می‌شود.

(3)

 

که xi ورودی و y خروجی است. شبکه عصبی در زمان آموزش با بهینه کردن wiها، نزدیکترین جواب را به خروجی مطلوب می‌یابد؛ به گونه‌ای که مجموع مربع خطاها (E) طبق رابطه (4) به حداقل قابل قبول برسد.

(4)

 

که در آن t، o، j و p به ترتیب خروجی مطلوب، مقدار واقعی خروجی، نرون خروجی jام و ورودی­های آموزش هستند.

 

شکل (4): ساختار کلی شبکه عصبی

 

تنظیم­های در نظر گرفته شده برای شبکه عصبی مورد استفاده عبارتند از:

        ·             نوع شبکه عصبی به کار رفته در این مقاله

Feed-Forward Back Propagation  است.

        ·             تابع آموزش شبکه، TRAINLM انتخاب شده است. این تابع وزن­ها و بایاس­ها را مطابق بهینه­سازی Levenberg-Marquardt به­روز می­کند. TRAINLM تقریبا"سریعترین الگوریتم Back Propagation است هر چند نسبت به سایر الگوریتم­ها به حافظه بیشتری نیاز دارد، اما به­عنوان نخستین انتخاب الگوریتم تحت نظارت پیشنهاد می­شود.

        ·             تابع کارآیی شبکه، میانگین مربع خطاها (MSE[8]) انتخاب شده است. خطا، اختلاف بین مقدار خروجی مطلوب و مقدار خروجی شبکه عصبی است. هنگام فرآیند آموزش، وزن­ها و بایاس­ها به گونه­ای تنظیم می­شوند که تابع کارآیی شبکه کمینه شود. هر چقدر MSE کمتر باشد، کارآیی بهتر خواهد بود.

        ·             تابع یادگیری تطبیقی[9]، LEARNGDM انتخاب شد. مبنای ریاضی الگوریتم BackPropagation، روش بهینه­سازی گرادیان نزولی[10] است. در مورد شبکه‌های عصبی، خطا را به­عنوان تابع و وزن­های شبکه را به عنوان متغیر فرض می­کنند؛ یعنی در شبکه­های عصبی، خطا، تابعی از تغییرات وزن­ نرون­های شبکه است که گرادیان نزولی آن جهت رشد یا نزول تابع خطا را نشان می­دهد. بنابراین، هر چه مقدار گرادیان نزولی کمتر باشد، کاهش خطا بیشتر است. در این روش آموزش، وزن­ها و بایاس­ها در جهتی حرکت داده می­شوند که شیب تابع خطا منفی شود[21]. اگر LEARNGDM انتخاب شود؛ یعنی از گرادیان نزولی با گشتاور[11] استفاده کرده­ایم. در این روش، تغییرات وزن (dW) برای یک نرون با در نظر گرفتن میزان ضریب گشتاور[12] (mc) ، تغییرات وزن قبلی (dWprev) و ضریب یادگیری[13] LR)) و گرادیان تصادفی برای وزن W (gW) محاسبه می­شود.

(5)

dW = mc*dWprev + (1-mc)*LR*gW

        ·             گرادیان نزولی به طور پیش­فرض در جعبه ابزار شبکه عصبی(nntools) نرم­افزار MATLAB مقداری بین 1 تا 10-10 است. هرچه این مقدار برای شبکه تحت آموزش کوچکتر باشد، بهتر است، زیرا شیب افزایشی تابع خطا، کمتر می­گردد و در نتیجه خطا، رشد کمتری با تغییرات وزن دارد.

با افزایش تعداد اجراها[14] مقدار خطای MSE نیز کاهش یافته، به حالت بهینه کارایی دست خواهیم یافت.

        ·             نوع تابع تبدیل، TANSIG انتخاب شد. توابع تبدیل، خروجی لایه را بر اساس ورودی­اش محاسبه می­کند.

 (6)

TANSIG (n) = 2/(1+exp(-2*n))-1

این تابع برای جایی­که سرعت اهمیت دارد و شکل دقیق تابع تبدیل مهم نباشد، استفاده می شود. TANSIG مشابه تابع تانژانت هایپربولیک است، اما سریعتر اجرا می‌شود.

        ·             تعداد لایه­های پنهان برابر 2، تعداد نرون­های آنها برابر 10، تعداد نرون لایه ورودی برابر تعداد ویژگی‌های مورد نیاز و تعداد نرون لایه خروجی مساوی 1 است.

 

3- سیستم و حالت­های تحت مطالعه

شبکه تحت مطالعه در این مقاله، سیستم توزیع ولتاژ CIGRE متوسط [13] است که در شکل (5) نشان داده می‌شود.

 

شکل (5): سیستم توزیع ولتاژ متوسط CIGRE

 

این سیستم توزیع دارای دو DG است: یکی با ژنراتور القایی(DG1) با ظرفیت MVA 5/1متصل به باس شماره 7 همراه با جبران­کننده خازنی با ظرفیت MVar48/0 و دیگری ژنراتور سنکرون(DG2) با ظرفیت MW1 و kVAR100 متصل به باس 9 است. تمامی بارهای شبکه به صورت امپدانس­ ثابت در نظر گرفته می­شوند. سیستم دارای دو کلید S1 و S2 است (به صورت عادی، باز نگه داشته می­شود) که این امکان را فراهم می­سازد تا ساختار شبکه از شعاعی به حلقوی تغییر یابد.

در این مقاله، اطلاعات تحت ساختارهای مختلف سیستم به­وسیله باز و بسته بودن کلید­های S1 و S2 (چهار حالت) جمع آوری می­شود، در حالی که در مقاله­های قبلی [14]، تنها باز و بسته بودن کلید S1 در نظر گرفته شده بود. بعلاوه، یک حالت تعادل توانی نیز در نظر گرفته می­شود، این حالتی است که تولید و مصرف در ناحیه جزیره با هم برابر باشند. در این حالت در زمان وقوع پدیده جزیره‌ای شدن، نوسان کمیت­های الکتریکی، مخصوصاً فرکانس و ولتاژ به دلیل برابر بودن توان مصرفی و توان تولیدی محلی، بسیار کم است و موجب حذف بخشی از ویژگی­های سیگنال­ها می­گردد که تشخیص پدیده مذکور را ممکن است با اشتباه مواجه سازد. از این رو، شبیه­سازی و مطالعه حالت تعادل توانی در طرح رله پیشنهادی گنجانده می‌شود. بنابراین، رله پیشنهادی در پنج حالت­ از بهره­برداری شبکه ارزیابی می‌شود:

1) S1 وS2  باز

2) S1 باز و S2 بسته

3) S1 بسته و S2 باز

4) S1 و S2 بسته

5) حالت تعادل توانی

حوادث به دو دسته به نام­های "غیر جزیره­ای " و " جزیره­ای " تقسیم می­شوند. در شبکه تحت مطالعه تعداد 355 حالت مختلف(71 حالت در 5 ساختار متفاوت شبکه) در نظر گرفته می­شوند که 264 حالت از آنها برای آموزش و 91 حالت برای تست شبکه عصبی ساخته شده استفاده می‌شوند.

71 حالت مذکور شامل 58 حالت غیرجزیره­ای و 13 حالت جزیره‌ای است.

58 حالت حالت غیر جزیره­ای شبیه سازی شده، شامل موارد زیر است:

1) بهره برداری عادی؛

2) چهار نوع خطای گذرا شامل سه فاز، دو فاز، دو فاز به زمین و تکفاز به زمین(4 نوع خطا در 11 باسبار)؛

3) کلیدزنی تمامی بارها( 10 باسبار)؛

4) کلیدزنیDG­ها(دو DG)؛

5) کلیدزنی خازن(1 باسبار).

حالات جزیره­ای شبیه سازی­شده(13 حالت) شامل موارد زیر است:

1)باز شدن بریکرهای B2 و B3 پس از وقوع هرکدام از چهار نوع خطا روی باس 2(4 حالت)؛

2) باز شدن بریکر B3، B4 و B5 پس از وقوع هر کدام از چهار نوع خطا روی باس 3(4 حالت)؛

3) باز شدن بریکر B4 و B5؛

4) باز شدن بریکر B3، B4 و B5؛

5) باز شدن بریکرB1؛

6) باز شدن بریکر B2؛

7) باز شدن بریکر B3.

اطلاعات آزمون برای تضمین آزمایش در مقابل تمامی انواع حالات گذرا و ارزیابی الگوریتم پیشنهادی به طور تصادفی از حوادث توصیف شده­ی فوق استخراج شده است. در آزمایش الگوریتم پیشنهادی، یک روند انتخاب کاملاً تصادفی اعمال شده است تا از خطاهایی که می­تواند به دلیل اتکا به مجموعه اطلاعات خاصی اتفاق افتد جلوگیری به عمل آید.

 

4- الگوریتم پیشنهادی برای تشخیص جزیره

برای استخراج ویژگی­های خاص هر حادثه، جریان­ها و ولتاژهای سه فاز در پایانه­های هر دو DG اندازه­گیری و ثبت می­شوند. سپس تبدیل موجک گسسته (DWT) برای استخراج ویژگی­های موردنیاز دسته­­بندی به سیگنال­های گذرای ولتاژ و جریان اعمال می­گردد. سیگنال­های جریان و ولتاژ با فرکانس KHz 10 نمونه­برداری می­شوند. طی بررسی­های انجام شده، بر اساس دقت دسته­بندی، سرعت تشخیص، هزینه و توانمندی سخت افزار مورد نیاز، مشخص گردید که این فرکانس مناسب بوده به فرکانس‌های بالاتر نیاز نیست.

موجک مادر مورد استفاده (Db1)Daubechie's1 است. انتخاب موجک مادر و فرکانس نمونه­برداری ترکیبی از روند سعی و خطا و تجربیات قبلی است. کاربرد موفقیت­آمیز خانواده موجک مادر Daubechie's برای استخراج ویژگی­های حالات گذرای سیستم قدرت در مطالعات بسیاری گزارش شده است  [12-10] و [15]. در هنگام تحقیقات مقدماتی، با مقایسه عملکرد تشخیص جزیره­ای با چندین نوع موجک مادر Daubechie's، موجک مادر Db1، مناسبتر تشخیص داده شد.

اغتشاش در ثانیه صفر اعمال می­شود. اختلاف­های قابل ملاحظه­ای بین حوادث جزیره­ای و غیرجزیره­ای وجود دارد. اما یک طرح مانند آستانه ساده نمی­تواند برای تمیز دادن بین حوادث جزیره­ای و غیر جزیره­ای به کار رود. در نتیجه روش مطمئنی برای تشخیص الگو نیاز است.

استفاده مستقیم ضرایب موجک، که اساساً شکل موج هستند، به عنوان ورودی­های دسته­بندی کننده (در این حالت، شبکه عصبی) غیر عملی است. بنابراین، انرژی ضرایب موجک در یک پنجره زمانی که حالت گذرا را شامل می­شود، به عنوان ویژگی برای دسته­بندی کننده استفاده می­شود. انرژی موجک به وسیله انتگرال مربع ضرایب موجک روی یک پنجره زمانی s 01/0به دست می‌آید. به علت استفاده از یک پنجره متحرک در تحلیل، اطلاعات حالت گذرا حفظ می­شود. طول پنجره زمانی پس از بررسی­های اولیه به صورت یک مصالحه بین دقت و زمان پاسخ به دست آمده است. در هر سطح تجزیه، انرژی‌های سه فاز جمع می­شوند تا مقدار انرژی سه فاز را در یک باند فرکانسی خاص تشکیل دهند. این فرایند استخراج ویژگی در شکل (6) نمایش داده می­شود. برای سادگی نمایش، فقط جریان فاز a تا سطح 3 نشان داده می‌شود. در صورتی که خروجی n سطح DWT استفاده شود، مقادیر انرژی سه فاز جریان­ها و ولتاژها، یک فضای 2n بعدی (n سطح جریان و n سطح ولتاژ) برای هر ژنراتور ایجاد می­کند.

 

 

 

شکل (6): روش استخراج ویژگی رخدادها و دسته­بندی آنها

 

 

پس از نمونه­گیری از ولتاژ و جریان DG1 و DG2، تبدیل موجک به این سیگنال­ها اعمال می­گردد که در رابطه (7) به صورت ماتریسی نمایش داده می­شود.

(7)

 

                  

در این رابطه  سیگنال ورودی است که می­تواند هرکدام از کمیت­های ولتاژ یا جریان DG1 یاDG2 باشد.  عملگر محاسبه انرژی ضرایب تبدیل موجک تا سطح i است. انرژی، حاصل جمع مربع ضرایب موجک است. برای نمونه، درایه ، انرژی سطح iام از فاز jام است.  حاصل جمع انرژی ضرایب موجک سه فاز در سطح j است که رابطه فوق برای سیگنال جریان DG1 تا سطح سه در رابطه (8) نمایش داده شده است.

(8)

 

مشابه همین عبارت برای ولتاژ DG1 و جریان DG2 و ولتاژ DG2  به دست می‌آید.

دو طرح مختلف برای الگوریتم پیشنهادی بررسی و آزمایش شده است:

طرح اول: رله اختصاصی

در این طرح برای DG1 (ژنراتور القایی) و DG2 (ژنراتور سنکرون) رله­های مجزا اختصاص می­یابند که هرکدام به طور مستقل با ولتاژها و جریان­های DG متناظر خود آموزش و آزمایش می­شوند.

طرح دوم: رله عمومی

با استفاده از سیگنال­های ولتاژ و جریان اندازه­گیری شده در دو ژنراتور(DG1 و DG2) یک رله عمومی م مشابه برای هر دو DG طراحی می­شود. ایده مربوط به طرح عمومی آن است که یک رله به­گونه­ای آموزش داده شود که قابل استفاده برای هر دو DG باشد.

 

5- شبیه­سازی و نتایج

برای شبیه­سازی شبکه توزیع تحت مطالعه از نرم افزار DigSILENT استفاده شد. DWT مذکور با نرم‌افزار MATLAB برنامه‌نویسی شد. از 355 حالت شبیه‌سازی شده در این مقاله، در شکل 7 یک نمونه از آنها نمایش داده می­شود. شکل موج ولتاژ و جریانDG1  در شکل (7-الف) و تبدیل موجک سطوح اول تا سوم آنها به ترتیب در شکل‌های (7-ب) تا (7-د) در زمان باز شدن کلیدهای قدرت B2 و B3 پس از وقوع یک خطای 3 فاز در شین BB2 و در ساختاری که S1 و S2 باز هستند، نشان داده می‌شود.

برای دستیابی به سطح تبدیل موجک مناسب که از نظر سه معیار دقت، سرعت و هزینه محاسباتی قابل قبول باشد، ضریب موجک سیگنال­ها تا سطح نهم بررسی شد. نمودار دقت دو طرح در سطوح اول تا نهم ضرایب موجک در شکل (8) نمایش داده شده است.

 

 

 

 

الف)

 

 

ب)

 

 

ج)

 

 

 

د)

شکل (7): (الف) شکل موج ولتاژ و جریان DG1  (ب، ج و د)تبدیل موجک سطوح اول تا سوم آنها

 

 

شکل (8): نمودار دقت دو طرح در ضرایب موجک ا تا 9

 

 

 

 

در جدول (1) متوسط دقت دو طرح مختلف نمایش داده می­شود. همان­گونه که از این جدول مشاهده می شود، در مجموع طرح دوم در تمامی سطوح بجز سطح ششم از دقت بهتری برخوردار است.

 

جدول (1): متوسط دقت طرح­های اول و دوم

طرح

متوسط دقت

طرح اول

طرح دوم

D1 تا D9

9/82

88

 

با در نظر گرفتن سه معیار دقت، سرعت و هزینه محاسباتی و مقایسه دقت سطوح مختلف با دقت متوسط سطح اول تا نهم، مشخص گردید که سطح سوم مناسبترین سطح است.

دقت هر دو طرح تا سطح سوم تبدیل موجک در جدول (2) ارائه شده است. برای هر طرحی، دقت مربوطه با تقسیم حالات صحیح بر کل حالت‌ها به دست می‌آید. طرح اول در صورتی در تشخیص رخداد، موفق قلمداد می‌شود که هر دو DG پدیده مربوطه را درست تشخیص داده باشند. این نکته می­تواند توجیهی برای کاهش دقت طرح اول نسبت به طرح دوم باشد. در صورتی که در مرجع]14[ به اشتباه برای هر DG دقت جداگانه­ای محاسبه شده و به این نکته توجهی نداشته است.

 

جدول (2): دقت(٪) طرح­های مورد مطالعه تا سطح سوم

سطح

طرح اول

طرح دوم

D1

6/84

7/85

D2

6/84

7/85

D3

5/94

8/97

 

ایرادی که می­توان به طرح دوم علی­رغم دقت بالا در مقایسه با طرح اول گرفت، این است که دو حالتی که اشتباه تشخیص داده شده، حالت جزیره­ای بوده است که این عدم تشخیص جزیره، خطرات جدی را برای مصرف کننده، شرکت برق و DG خواهد داشت.

در جدول (3) تعداد خطای طرح­های اول و دوم مبتنی بر سطح سه بر حسب حالات مختلف بهره برداری نمایش داده شده است.

 

جدول (3): تعداد تشخیص‌های نادرست در حالات مختلف بهره‌برداری

طرح دوم

طرح اول

ساختار شبکه

1

3

تعادل توانی

0

0

S1 وS2  باز

0

0

S1 بسته و S2 باز

1

1

S1 باز و S2 بسته

0

1

S1 و S2 بسته

2

5

مجموع

همان طور که جدول 3 نشان می­دهد، طرح دوم با آنکه توانسته است نسبت به طرح اول مجموع تعداد تشخیص‌های نادرست را از 5 به 2(60%) کاهش دهد، علاوه بر این، تعداد تشخیص‌های نادرست در حالت تعادل توانی را (که اکثر رله‌ها در این حالت دچار اشتباه می­شوند) نیز توانسته است از 3 به 1(66%) کاهش دهد.

نتایج ارائه‌شده قبلی نشان داد که طرح دوم قادر است دقت بالاتری در تعیین جزیره­ای شدن ارائه دهد.

با توجه به توضیحات و نتایج حاصل، فلوچارت الگوریتم رله پیشنهادی در شکل (9) ارائه می­گردد:

 

نمونه‌برداری از سیگنال‌های ولتاژ و جریان سه‌فاز DGها

 

استخراج ضرایب تبدیل موجک سیگنال‌ها و محاسبه انرژی‌ آنها تا سطح سوم

 

 

محاسبه مجموع انرژی ضرایب سیگنال‌های سه فاز هر DG در سطوح متناظر برای اعمال به شبکه عصبی به عنوان مشخصه‌های مورد نیاز دسته‌بندی

 

اعمال مشخصه‌های مورد نیاز دسته‌بندی به شبکه عصبی آموزش‌دیده رله‌ی عمومی(طرح دوم)

 

خیر

 

آیا حادثه‌ی جزیره‌ای رخ داده است ؟

 

بلی

 

جدا کردن DGها از شبکه

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل (9): فلوچارت الگوریتم پیشنهادی

6- مقایسه و بحث بر روی نتایج

در مراجع قبلی [6-3 ،14] کمترین سطح مورد استفاده تبدیل موجک، سطوح چهارم یا پنجم حتی هفتم بوده است، در صورتی که در روش پیشنهادی تنها تا سطح سوم تبدیل موجک استفاده شده است که این امر باعث کاهش محاسبات و افزایش سرعت رله پیشنهادی می­گردد.

الگوریتم پیشنهادی، با انتخاب تنها سه سطح از تبدیل موجک توانست دقتی نزدیک 98 درصد را ارائه دهد، در حالی­که روش هوشمند ارائه شده در مرجع [6] با وجود به کارگیری مجموعه پیچیده­ای از ویژگی­ها توانسته بود به دقت 33/83 درصد دست یابد.

دقت روش پیشنهادی به ظاهر حدود 1 درصد از دقت مرجع [14] کمتر است. این موضوع به این علت است که الگوریتم پیشنهادی پنج حالت از ساختارهای مختلف بهره‌برداری را در نظر گرفته است، در صورتی­که مرجع [14] فقط به دو حالت اکتفا نموده است. علاوه بر این، در روش پیشنهادی، تعریف تشخیص صحیح جزیره منوط به درست بودن تشخیص هر دوDG  می­باشد در حالی که در مرجع [14] ، تشخیص صحیح الگوریتم منوط به تشخیص تنها یک DG است، که پیش از این در همین بخش توضیح داده شد.

چندین روش پسیو، از جمله نرخ تغییر فرکانس ([xv](ROCOF [17]، انتقال بردار ولتاژ ([xvi](VVS [18]، اضافه/کاهش ولتاژ[xvii][19]، اضافه/کاهش فرکانس[xviii][19] و رله مبتنی بر دسته­بندی کننده تصمیم درختی (DT[xix]) [14،20] که بر روی سیستم تحت مطالعه این مقاله (CIGRE) کار کرده‌اند، در مرجع [20] با یکدیگر مقایسه شده­اند که در جدول (4) به­منظور بیان خلاصه، فقط به ذکر حداکثر دقت از بین دقت­های مطرح شده برای DG­های مختلف بسنده می­شود. همان طور که مشاهده می‌شود، روش پیشنهادی بیشترین دقت و در نتیجه، قابلیت اطمینان بالاتری  نسبت به سایر روش‌های پسیو دارد.

 

جدول (4): مقایسه دقت چندین رله تشخیص جزیره پسیو

رله تشخیص جزیره

حداکثر دقت تشخیص (درصد)

اضافه/کاهش ولتاژ

81/78

اضافه/کاهش فرکانس

24/90

(VVS)انتقال بردار ولتاژ

05/74

(ROCOF)نرخ تغییر فرکانس

81/93

رله مبتنی بر دسته‌بندی کننده DT

43/96

رله­ پیشنهادی

8/97

 

7- نتیجه­گیری

یک روش تشخیص جزیره­ای سریع و مطمئن براساس انرژی ضرایب موجک سیگنال­های گذرا ارائه شد. یک دسته‌بندی کننده شبکه عصبی آموزش دیده­شده، قادر به تشخیص موفقیت­آمیز رخدادهای گذرای تولید شده به صورت "جزیره ای" و "غیر جزیره­ای" با استفاده از انرژی وابسته به ضرایب موجک است.

رله پیشنهادی در پنج حالت­ از بهره­برداری شبکه که در واقع تمام حالات ممکن آن را پوشش می­دهد، ارزیابی شده است. در این مقاله دو طرح مختلف، بررسی شدند. در طرح اول، رله هر DG با سیگنال‌های DG متناظر خود آموزش و آزمایش شد، اما در طرح دوم، رله هر DG با سیگنال­های هر دو  DG آموزش و آزمایش شدند که در مجموع، طرح دوم، رله موفق تری بود.

نتایج الگوریتم پیشنهادی با نتایج روش­های پسیو رایج مقایسه شد. الگوریتم پیشنهادی توانست دقتی نزدیک به 98 درصد را ارائه دهد که با مقایسه مشخص گردید که نسبت به رله‌های دیگر دقیق‌تر است. علاوه بر این، با انتخاب تنها سه سطح از تبدیل موجک به علت استفاده از سطوح کمتری نسبت به مقاله‌های قبلی، سریع‌تر نیز هست. با توجه به زمان نمونه­برداری که برابر 01/0 ثانیه است، برای تمامی حالات تست، زمان پاسخ رله حدود نیم سیکل تخمین زده می­شود.

 



[1] Distributed Generation (DG)

[2] Microgrid

[3] Support Vector Machines

[4]  Decision-Tree(DT)

[5] Non Stationary

[6] Discrete Wavelet Transform

[7] Windowed Fourier Transform

[8] Mean of Squared Errors(MSE)

[9] Adaption Learning Function

[10] Gradient Descent

[11] Gradient Descent with Momentum

[12] Momentum Constant

[13] Learning Rate(LR)

[14]  Epoch

[xv] Rate Of Change Of Frequency(ROCOF)

[xvi] Voltage Vector Shift(VVS)

[xvii] Over/Under Voltage

[xviii] Over/Under Frequncy

[xix] Decision Tree Classifier

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 [1] Interconnecting Distributed Resources With Electric Power Systems, IEEE Std. 1547-2003, 2003.

[2] H. H. Zeineldin, E. F. El-Saadany, and M. M. A. Salama, “Distributed generationmicro-grid operation: Control&protection” in Proc. Power Systems Conf.: Advanced Metering, Protection, Control, Communication, and Distributed Resources, 2006, pp. 105–111.

[3] Y.-H. Liy, T.-S. Luor, S.-J. Huang, and J.-M. Lin, “Method and System for Detecting Stand-Alone Operation of a Distributed Generating System” U.S. Patent 7 342 758, Mar. 2008.

[4] C.-T. Hsieh, J.-M. Lin, and S.-J. Huang, “Enhancement of islanding-detection of distributed generation systems via wavelet transform-based approaches” Int. J. Elect. Power Energy Syst., vol. 30, no. 10, pp. 575–580, Dec. 2008.

[5] A. Pigazo, V. M. Moreno, M. Liserre, and A. Dell’Aquila, “Waveletbased islanding detection algorithm for single-phase PV distributed generation systems,” in Proc. IEEE Int. Symp. Industrial Electronics, Vigo, Spain, pp. 2409–2413.

[6] K. El-Arroudi, G. Joós, I. Kamwa, and D. T. McGillis, “Intelligentbased approach to islanding detection in distributed generation” IEEE Trans. Power Del., vol. 22, no. 2, pp. 828–835, Apr. 2007.

[7] N. W. A. Lidula, N. Perera, and A. D. Rajapakse, “Investigation of a fast islanding detection methodology using transient signals” in Proc. IEEE Power Energy Soc. General Meet., 2009, pp. 1–6.

[8] I. Daubechies, Ten Lectures on Wavelets. Philadelphia, PA: SIAM, 1992.

[9] A. Graps, “An introduction to wavelets,” Comput. Sci. Eng., vol. 2, no.2, pp. 50–61, Jun. 1995.

[10] C. H. Kim and R. Agganrval, “Wavelet transforms in power systems—Part 1: General introduction to the wavelet transforms,” IEEE Power Eng. J., vol. 14, no. 2, pp. 81–87, Apr. 2000.

[11] C. H. Kim and R. Agganrval, “Wavelet transforms in power systems—Part 2: Examples of application to actual power system transients,” IEEE Power Eng. J., vol. 15, no. 4, pp. 193–202, Apr. 2000.

[12] H.A.Darwish,M. H. Farouk,A.-M. I. Taalab, and N.M.Mansour, “Investigation of real-time implementation of DSP-based dwt for power system protection,” in Proc. IEEE

Power Eng. Soc. Transmission and Distribution Conf. Exhibit., 2005/2006, pp. 1258–1263.

[13] CIGRE C6.04.02 Task Force, Benchmark modeling and simulation for analysis, design, and validation of distributed energy systems. Sep. 2006.

[14] N. W. A. Lidula, A. D.  Rajapakse, "A Pattern Recognition Approach for Detecting Power Islands Using Transient Signals—Part I: Design and Implementation" IEEE TRANSACTIONS ON  POWER DELIVERY, VOL. 25, NO. 4, OCTOBER 2010, pp.3070-3077.

[15] N. Perera and A. D. Rajapakse, “Rapid isolation of faults in power  networks with distributed generators, ”M.Sc. dissertation, Univ.Manitoba, Winnipeg, MB, Canada, May 2007.

[16] N. W. A. Lidula, A. D.  Rajapakse, “Fast and Reliable Detection of Power Islands Using Transient Signals”, Fourth International Conference on Industrial and Information Systems, ICIIS 2009, 28-31 December 2009, Sri Lanka

[17] Vieira J.C.M., Freitas W., Xu W., Morelato A.: "Efficient coordination of ROCOF and frequency relays for distributed generation protection by using the application region", IEEE Trans. Power Delivery, 2006, 21, (4), pp. 1878–1884

[18] Singam B., Huil.Y.: "Assessing SMS and PJD schemes of anti-islanding with varying quality factor". IEEE Power and Energy Conf., November 2006, pp. 196–201

[19] Freit as W., XU W., Affonso C.M., Huang Z.: "Comparative analysis between ROCOF and vector surge relays for distributed generation applications", IEEE Trans. Power Delivery, 2005, 20, (2), pp. 1315–1324

[20] N. W. A. Lidula, A. D.  Rajapakse, "A Pattern Recognition Approach for Detecting Power Islands Using Transient Signals—Part II: Performance Evalution" IEEE TRANSACTIONS ON  POWER DELIVERY, this article has been accepted for inclusion in a future issue of this journal. 2012 IEEE Xplore Digital Library