شناسایی فرورزونانس در شبکه های توزیع انرژی الکتریکی توسط تبدیل موجک – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:141
قالب بندی:word قابل ویرایش

نحوه خرید

شناسایی فرورزونانس در شبکه های توزیع انرژی الکتریکی توسط تبدیل موجک – برق

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

فهرست مطالب

فصل اول: مقدمه……………………………………. ١

فصل دوم: مروري ير كارهاي انجام شده…………………….. ٤

٢‐١‐ مقدمه ……………………………………………. ٥
٢‐٢‐ مروري بر روشهاي شناسايي اغتشاشات كيفيت توان ……………………………….. ۵
٢‐٣‐ مروري بر روشهاي شناسايي خطاي امپدانس بالا …………………………….. ٩

فصل سوم: پديده فرورزونانس……………………..١٥

٣‐١‐ مقدمه …………………………….. ١٦
17 ٣‐٢‐ تاريخچه فرورزونانس
٣‐ ٣‐ موارد وقوع فرورزونانس در سيستم هاي قدرت …………………………۱۷
18 ٣‐٤ ‐ شروع فرورزونانس
18 ٣‐٤‐١‐ شرايط ادامه يافتن فرورزونانس
19 ٣‐٥‐ اثرات نامطلوب فرورزونانس
20 ٣‐٦‐ مباني پديده فرورزونانس
22 ٣‐٧‐فرورزونانس در ترانسفورماتورهاي توزيع
23 ٣‐٧‐١‐ فرورزونانس پايدار
23 ٣‐٧‐٢‐ فرورزونانس ناپايدار
24 ٣‐٨‐ تاثير نوع سيم بندي ترانسفورماتورها
24 ٣‐٩‐ تاثير بار بر اضافه ولتاژهاي فرورزونانس
25 ٣‐١٠‐ طبقه بندي مدلهاي فرورزونانس
٣‐١١‐ شناسايي فرورزونانس ……………………….. ٢٥

فصل چهارم: مباني علمي روشهاي پيشنهادي………….٢٧

٤‐ ١‐ از تبديل فوريه تا تبديل موجك……………….. ٢٨
٤‐ ٢‐ سه نوع تبديل موجك ………………………… ٣٣
٤‐٢‐ ١‐تبديل موجك پيوسته…………………….. ٣٣
٤‐٢‐ ٢‐ تبديل موجك نيمه گسسته……………………. ٣٥
٤‐ ٣‐ انتخاب نوع تبديل موجك ………………………………. ۳۷
٤‐ ٤‐ آناليز مالتي رزولوشن و الگريتم DWT سريع …………………… ۳۷
٤‐٤‐ ١‐ آناليز مالتي رزولوشن …………………….. ٣٧
٤‐ ٥‐ زبان پردازش سيگنالي …………………….. ٤٠
٤‐ ٦‐ شبكه عصبي ……………………… ٤٥
45 ٤‐٦‐ ١‐ مقدمه
46 ٤‐٦‐ ٢‐ يادگيري رقابتي
47 ٤‐٦‐ ٢‐١‐ روش يادگيري كوهنن
48 ٤‐٦‐ ٢‐٢‐ روش يادگيري باياس
٤‐ ٧‐ نگاشت هاي خود سازمانده ……………. ٥٠
52 ٤‐ ٨‐ شبكه يادگيري كوانتيزه كننده برداري
53 ٤‐٨‐ ١‐ روش يادگيري LVQ1
۴‐٨‐ ٢‐ روش يادگيري تكميلي……….. ٥٥
٤‐ ٩‐ مقايسه شبكه هاي رقابتي ………………………………. ٥٥

فصل پنجم: جمع آوري اطلاعات …………٥٧

٥‐١‐ نحوه بدست آوردن سيگنالها……………. ٥٨
٥ ‐١‐١‐ بدست آوردن سيگنالهاي فرورزونانس ……. ٥٨
٥‐١‐٢‐ انواع كليدزنيها و انواع سيم بندي در ترانسفورماتورها …… ٥٩
٥ ‐١‐٣‐ اثر بار بر فرورزونانس …… ٦٤
٥ ‐١‐٤‐ اثر طول خط ……………… ٦٥
٥‐١‐٥‐ بدست آوردن سيگنالهاي ساير حالات گذرا…………. ٦٦

74 فصل ششم: پياده سازي الگوريتم و نتايج شبيه سازي
75 ٦‐١‐ مقدمه
٦‐٢‐ تعيين كلاسها و تعداد الگوهاي هر كلاس ………………….. ٧٥
٦‐٣‐ اعمال تبديل موجك و استخراج ويژگيها … ٧٥
٦‐٤‐ پياده سازي الگوريتم با استفاده از شبكه عصبي LVQ…….. ٨١
٦‐٥‐ پياده سازي الگوريتم با استفاده از شبكه عصبي رقابتي ………… ٨٨

فصل هفتم: نتيجه گيري و پيشنهادات… ٩٥

٧‐١‐ نتيجه گيري ……………………….. ٩٦
٧‐٢‐ پيشنهادات ……………… ٩٨

فهرست منابع ……………… ١٠٠

چكيده
يك ي از عوام ل سـوختن و خراب ي تران سفورماتورها در سي ستم هـاي ق درت، وقـوع پديـدهفرورزونانس است . با توجه به اثرات مخرب اين پديده، تشخيص آن از ساير پديده هـاي گـذرا ازاهميت ويژه اي برخوردار است كه در اين پايان نامه كاركرد دو شـبكة عـصبي يـادگيري كـوانتيزهكننده برداري (LVQ)١ و شبكه عصبي رقابتي در دسته بندي دو دسته سيگنال كـه دسـته اول شـاملانواع فرورزونانس و دست ه دوم شامل انواع كليدزني خازني، كليدزني بار، كليـدزني ترانـسفورماتورمي باشد ، با استفاده از ويژگيهاي استخراج شده توسط تبديل موجك٢ خانوادةDaubechies تا ششسطح مورد بررسي قرار گرفته است. نقش شبكه هاي عصبي مذكور بعنـوان طبقـه بنـدي كننـده، جدا سازي پديده فرورزونانس از ساير پديده هاي گذرا است . سيگنالهاي مذكور بـا شـبيه سـازيتوسط نرم افزارEMTP بر روي يك فيدر توزيع واقعي بدست آمده اند. بـراي اسـتخراج ويژگيهـا،كليه موجكهاي موجود در جعبه ابزارWavelet نرم افزارMATLAB بررسي شده اسـت كـه تبـديلموجك خانوادةDaubechies بعنوان مناسبترين موجك تشخيص داده شد. به منظـور اسـتخراج هـرچه بهتر ويژگيها سيگنالها، الگوها نرماليزه (مقياسبنـدي ) شـدهانـد سـپس انـرژي شـش سـيگنالجزئيات حاصل از اعمال تبديل موجك به عنوان ويژگيهاي استخراج شده از الگوها، براي آموزشو امتحان دو شبكة عصبي مذكور بكار رفتهاست. به كمك اين الگوريتم تفسير برخـي از رخـدادهاكه احتمال بروز پديده فرورزونانس در آنها وجود دارد قابل انجام بوده، همچنين ميتوان نسبت بـهساخت رله هايي براي مقابله با پديده فرورزونانس كمك نمايد. عناوين روشهاي ارايه شده در اينپايان نامه به شرح زير مي باشند:
كليد واژه : شبكة عصبي LVQ، شبكه عصبي رقابتي، تبديل موجك، پديده فرورزونانس , نـرم
افزار EMTP ، نرم افزار MATLAB

مقدمه
امروزه انرژي الكتريكي نقش عمدهاي در زمينههاي مختلف جوامـع بـشري ايفـا مـيكنـد و جـزءلاينفك زندگي است. بديهي است كه مانند ساير خـدمات انديـسها و معيارهـايي جهـت ارزيـابيكيفيت برق توليد شده مورد توجه قرار گيرد. اما ارزيابي ميزان كيفيت برق از ديد افراد مختلـف ودر سطوح مختلف سيستم قدرت بكلي متفاوت است. به عنوان مثال شركتهاي توزيع، كيفيت بـرقمناسب را به قابليت اطمينان سيستم برقرساني نسبت ميدهنـد و بـا ارائـه آمـار و ارقـام قابليـتاطمينان يك فيدر را مث ﹰلا ٩٩% ارزيابي ميكنند سازندگان تجهيـزات الكتريكـي بـرق بـا كيفيـت راولتاژي ميدانند كه در آن تجهيزات الكتريكي به درسـتي و بـا رانـدمان مطلـوب كـار مـيكننـد وبنابراين از ديد سازندگان آن تجهيزات، مشخصات مطلوب ولتاژ شبكه بكلي متفاوت خواهد بـود.
اما آنچه كه مسلم است آنست كه موضوع كيفيت برق، نهايتـﹰا بـه مـشتركين و مـصرف كننـدگانمربوط ميشود و بنابراين، تعريف مصرف كنندگان اهميت بيشتري دارد.
بروز هر گونه اشكال يا اغتشاش در ولتاژ، جريان يا فركانس سيستم قدرت كـه باعـث خرابـي يـاعدم عملكرد صحيح تجهيزات الكتريكي مشتركين گردد به عنوان يك مشكل در كيفيت برق، تلقيمي گردد.
واضح است كه اين تعريف نيز از ديد مشتركين مختلـف ، معـاني متفـاوتي خواهـد داشـت. بـرايمشتركي كه از برق براي گرم كردن بخاري استفاده ميكند، وجود هارمونيكها در ولتاژ يا انحراففركانس از مقدار نامي هيچ اهميتي ندارد، در حـالي كـه تغييـر انـدكي در فركـانس شـبكه، بـرايمشتركي كه فركانس برق شهر را به عنوان مبناي زمانبندي تجهيزات كنترلي يك سيـستم بـه كـارگرفته است ،مي تواند به طور كلي مخرب باشد.
يكي از مواردي كه بعنوان يك مشكل در كيفيت برق تلقي مي گردد، پديده فرورزونانس است. در اثر وقوع اين پديده و اضافه ولتاژ و جريان ناشي از آن، موجب داغ شدن و خرابي ترانسفورماتورهاي اندازه گيري و ترانسفورماتور هاي قدرت مي گردد كه ميتوانند بر حسب شرايط اوليه، ولتاژ و فركانس تحريك و مقادير مختلف پارامترهاي مدار (كاپاسيتانس وشكل منحني مغناطيسي)، مقادير متفاوتي پيدا كنند، بنابراين بايستي محدوديت هايي بر پارامترهاي سيستم اعمال كرد تا از وقوع چنين پديده ناخواسته جلوگيري نمود.
با توجه به اهميت شناسايي پديده فرورزونانس از ساير حالتهاي گذرا دراين پايان نامه تلاش شد تا سيستمي هوشمند جهت تشخيص اين پديده از ساير حالتهاي گذراي كليد زني ارائه گردد. در طراحي اين سيستم هوشمند او ﹰلا از جديدترين روش هاي تجزيه و تحليل و پردازش سيگنال هاي الكتريكي براي پردازش داده ها استفاده گرديد. ثانيﹰا از طبقه بندي كننده هاي پيشرفته با توانايي بالا در دسته بندي داده ها بهره گرفته شد. به منظور مقايسه نتايج حاصل از فرورزونانس با ساير سيگنالهاي گذراي شبكه توزيع، تعدادي از حالتهاي گذرا نظير كليدزني بار، كليدزني خازني و كليد زني ترانسفورماتور توسط نرم افزار EMTP بر روي يك فيدر توزيع واقعي شبيه سازي شد.
در فصل دوم به مروري بر كارهاي انجام شده در زمينه پـردازش سـيگنال در سيـستمهاي قـدرتپرداخته، در فصل سوم به معرفي پديده فرورزونانس خـواهيم پرداخـت. در فـصل چهـارم مبـانيعلمي روشهاي پيشنهادي، در فصل پنجم نحوه جمع آوري اطلاعات و سيگنالها بررسي مـي شـود و درفصل ششم نحوه پياده سازي روشهاي پيشنهادي بررسي مـي شـود و نهايتـا نتيجـه گيـري وپيشنهادات پايان بخش مطالب خواهند بود.

نتيجه گيري
در اين پايان نامه تشخيص و طبقه بندي پديده فرورزونانس از ساير پديده هاي گذرا با اسـتفاده ازتبديل موجك و شبكه عصبي مورد بررسي قرار گرفت كه شبكه عصبي بعنـوان يـك طبقـه بنـديكننده بكار رفت. سيگنالها را به دو دسته تقسيم كرديم كه دسته اول شـامل انـواع فرورزونـانس ودسته دوم ، سيگنالهاي گذرا كه شامل انواع كليدزني خازني، كليدزني بار، كليـدزني ترانـسفورماتورمي باشد. اين سيگنالها، با استفاده تبديل موجك خانواده Daubechiesتجزيه شده، انرژي سيگنالهاي جزئيات حاصل از اعمال تبديل موجك تا شش سطح به عنوان ويژگيهاي ارائه شده بـه دو شـبكهعصبيLVQ و رقابتي بكـار رفـت. كليـه موجكهـاي موجـود در جعبـه ابـزارWavelet نـرم افـزارMATLAB به سيگنالها اعمال شد كه تبديل موجك خانواده Daubechies بيـشترين همبـستگي را بـاسيگنالها داشته و شبكه هاي عصبي مذكور با اين موجك، بيـشترين درصـد تـشخيص را داشـت.
براي شبكه عصبي LVQ در لايه مخفي ۸ نرون در نظر گرفته شـده كـه ۲ نـرون آن بـه سـيگنالهايفرورزونـانس و ۶ نـرون باقيمانـده بـه سـيگنالهاي كليـدزني خـازني، كليـدزني بـار و كليـدزني ترانسفورماتور اختصاص يافته است. براي آموزش شبكه از هر چهار نوع سيگنال، ۱۵ نمونه جهتيادگيري ۱۰ نمونه جهت تست شبكه بكار رفته است. نرخ يادگيري و تعـداد epoch هـا، بـا روشسعي وخطا انتخاب شد. با شبكه هاي عصبي مذكور تبديل مو جك خانوادهDaubechies را بر رويهر سه فاز جريان و ولتاژ سيگنالها اعمال كرديم كه اين ولتاژهـا و جريانهـا، ولتاژهـا و جريانهـايابتداي فيدر (ثانويه ترانسفورماتور0.4/20kV ) است. با توجه به نتايج بدست آمده در فـصل شـشم, با اعمال تبديل موجك Daubechies1 بـر روي جريـان فـاز دوم سـيگنالها، شـبكه عـصبيLVQ كمترين دقت يعني %۶۶,۵۱ و تبديل موجكDaubechies2 بر روي ولتاژ فاز سوم سيگنالها، شـبكهمذكور بالاترين دقت يعني %۹۵ را داشت . همچنين با اعمال تبـديل موجـكDaubechies1 بـر رويجريان فاز دوم سيگنالها، شبكه عصبي رقابتي كمترين دقت يعنـ ي %۳۳,۴۸ و تبـديل موجـك Daubechies2بر روي ولتاژ فاز سوم سيگنالها، شبكه عـصبي رقـابتي بـالاترين دقـت يعنـي %۳۳,۹۳ حاصل شد . اين نتايج با استفاده از انرژي لحظه اي (توان دوم )(شكلهاي۶‐۲۱ و ۶‐۲۲) و ميانگين مولفه هاي متناظر بردارهاي ويژگي استخراج شده جريان فاز دوم و ولتاژ فـاز سـوم(شـكلهاي ۶‐۲۳و ۶‐۲۴) سيگنالها بهتر توجيه شد . از شکلهاي مذکور مشاهده شد که در مورد ولتاژ فـاز سـومسيگنالها، سيگنالهاي فرورزونانس شباهت بسيار کمتري با سيگنالهاي سـاير پديـده هـاي گـذرا ازلحاظ انرژي لحظه اي دارد در نتيجه دقت الگوريتم براي اين مورد بيشتر اسـت. در مـورد جريـانفاز دوم سيگنالها، سيگنالهاي فرورزونانس شباهت بسيار زيادي با سـيگنالهاي سـاير پديـده هـايگذرا از لحاظ انرژي لحظه اي دارد در نتيجه دقت الگوريتم براي اين مـورد كمتـر اسـت. لازم بـهذكر است كه نتايج فوق را نمي توان در حالت كلي و براي تمامي موجكها تعميم داد همانطور كهملاحظه شد با اعمال تبديل موجكHaar بر روي ولتاژ فـاز سـوم، شـبكه عـصبيLVQ بيـشتريندقت و با اعمال تبديل موجكHaar بر روي جريـان فـاز سـوم شـبكه عـصبي، كمتـرين دقـت راداشت. همچنين با اعمال تبديل موجكDMeyer بر روي جريان فاز سوم شـبكه عـصبي بيـشتريندقت و با اعمال تبديل موجكDMeyer ، بر روي جريان فاز اول كمترين دقت را داشـت بنـابرايننميتوان گفت با شبكه هاي عصبي مذكور، تمامي موجكها بر روي ولتاژ فاز سوم بيشترين دقـت وبر روي جريان فاز دوم كمترين دقت را دارد. با اعمال تبديل موجك Haar بر روي ولتاژ فاز سـوم، شبكه عصبي رقابتي بيشترين دقت و با اعمال تبديل موجكHaar بر روي جريـان فـاز دوم شـبكهعصبي، كمترين دقت را دارد. همچنين با اعمال تبديل موجكDMeyer بر روي جريـان فـاز سـومشبكه عصبي رقابتي بيشترين دقت و با اعمال تبـديل موجـكDMeyer بـر روي جريـان فـاز اولكمترين دقت را دارد. بنابراين نميتوان گفت با مذكور، با اعمال تمامي موجكها بر روي ولتـاژ فـازسوم شبكه عصبي رقابتي بيشترين دقت و بر روي جريان فاز دوم شبكه عـصبي كمتـرين دقـت رادارد.در الگوريتم ارايه شده, به آساني مي توان تعداد ويژگيهاي استخراج شده از الگوها را با تغييـ ر تعداد سطوح موجک بـسته بـه تعـداد کلاسـها تغييـر داد. شـبكه عـصبيLVQ دقـت بيـشتري درتشخيص الگوها نسبت به شبكه عصبي رقابتي داشت.
همچنين شبکه عصبي LVQ انتخاب شده اين توانايي را دارد که کلاسهاي داراي بردارهاي ويژگـيغير خطي و پيچيده در فضاي چند بعدي را طبقه بندي کنند. هر اندازه کـه ايـن پيچيـدگي بيـشترباشد تنها بايد تعداد نرونهاي لايه رقابتي را افزايش دهـيم. شـبکه در تـشخيص الگوهـايي کـه دريادگيري از آنها استفاده نکرده ايم دقت قابل قبولي داشته است. اين امر اهميت عملي الگـوريتم رابيشتر نمايان مي کند.

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت