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: مروری یر کارهای انجام شده…………………….. ۴

٢‐١‐ مقدمه ……………………………………………. ۵
٢‐٢‐ مروری بر روشهای شناسایی اغتشاشات کیفیت توان ……………………………….. ۵
٢‐٣‐ مروری بر روشهای شناسایی خطای امپدانس بالا …………………………….. ٩

فصل سوم: پدیده فرورزونانس……………………..١۵

٣‐١‐ مقدمه …………………………….. ١۶
۱۷ ٣‐٢‐ تاریخچه فرورزونانس
٣‐ ٣‐ موارد وقوع فرورزونانس در سیستم های قدرت …………………………۱۷
۱۸ ٣‐۴ ‐ شروع فرورزونانس
۱۸ ٣‐۴‐١‐ شرایط ادامه یافتن فرورزونانس
۱۹ ٣‐۵‐ اثرات نامطلوب فرورزونانس
۲۰ ٣‐۶‐ مبانی پدیده فرورزونانس
۲۲ ٣‐٧‐فرورزونانس در ترانسفورماتورهای توزیع
۲۳ ٣‐٧‐١‐ فرورزونانس پایدار
۲۳ ٣‐٧‐٢‐ فرورزونانس ناپایدار
۲۴ ٣‐٨‐ تاثیر نوع سیم بندی ترانسفورماتورها
۲۴ ٣‐٩‐ تاثیر بار بر اضافه ولتاژهای فرورزونانس
۲۵ ٣‐١٠‐ طبقه بندی مدلهای فرورزونانس
٣‐١١‐ شناسایی فرورزونانس ……………………….. ٢۵

فصل چهارم: مبانی علمی روشهای پیشنهادی………….٢٧

۴‐ ١‐ از تبدیل فوریه تا تبدیل موجک……………….. ٢٨
۴‐ ٢‐ سه نوع تبدیل موجک ………………………… ٣٣
۴‐٢‐ ١‐تبدیل موجک پیوسته…………………….. ٣٣
۴‐٢‐ ٢‐ تبدیل موجک نیمه گسسته……………………. ٣۵
۴‐ ٣‐ انتخاب نوع تبدیل موجک ………………………………. ۳۷
۴‐ ۴‐ آنالیز مالتی رزولوشن و الگریتم DWT سریع …………………… ۳۷
۴‐۴‐ ١‐ آنالیز مالتی رزولوشن …………………….. ٣٧
۴‐ ۵‐ زبان پردازش سیگنالی …………………….. ۴٠
۴‐ ۶‐ شبکه عصبی ……………………… ۴۵
۴۵ ۴‐۶‐ ١‐ مقدمه
۴۶ ۴‐۶‐ ٢‐ یادگیری رقابتی
۴۷ ۴‐۶‐ ٢‐١‐ روش یادگیری کوهنن
۴۸ ۴‐۶‐ ٢‐٢‐ روش یادگیری بایاس
۴‐ ٧‐ نگاشت های خود سازمانده ……………. ۵٠
۵۲ ۴‐ ٨‐ شبکه یادگیری کوانتیزه کننده برداری
۵۳ ۴‐٨‐ ١‐ روش یادگیری LVQ1
۴‐٨‐ ٢‐ روش یادگیری تکمیلی……….. ۵۵
۴‐ ٩‐ مقایسه شبکه های رقابتی ………………………………. ۵۵

فصل پنجم: جمع آوری اطلاعات …………۵٧

۵‐١‐ نحوه بدست آوردن سیگنالها……………. ۵٨
۵ ‐١‐١‐ بدست آوردن سیگنالهای فرورزونانس ……. ۵٨
۵‐١‐٢‐ انواع کلیدزنیها و انواع سیم بندی در ترانسفورماتورها …… ۵٩
۵ ‐١‐٣‐ اثر بار بر فرورزونانس …… ۶۴
۵ ‐١‐۴‐ اثر طول خط ……………… ۶۵
۵‐١‐۵‐ بدست آوردن سیگنالهای سایر حالات گذرا…………. ۶۶

۷۴ فصل ششم: پیاده سازی الگوریتم و نتایج شبیه سازی
۷۵ ۶‐١‐ مقدمه
۶‐٢‐ تعیین کلاسها و تعداد الگوهای هر کلاس ………………….. ٧۵
۶‐٣‐ اعمال تبدیل موجک و استخراج ویژگیها … ٧۵
۶‐۴‐ پیاده سازی الگوریتم با استفاده از شبکه عصبی LVQ…….. ٨١
۶‐۵‐ پیاده سازی الگوریتم با استفاده از شبکه عصبی رقابتی ………… ٨٨

فصل هفتم: نتیجه گیری و پیشنهادات… ٩۵

٧‐١‐ نتیجه گیری ……………………….. ٩۶
٧‐٢‐ پیشنهادات ……………… ٩٨

فهرست منابع ……………… ١٠٠

چکیده
یک ی از عوام ل سـوختن و خراب ی تران سفورماتورها در سی ستم هـای ق درت، وقـوع پدیـدهفرورزونانس است . با توجه به اثرات مخرب این پدیده، تشخیص آن از سایر پدیده هـای گـذرا ازاهمیت ویژه ای برخوردار است که در این پایان نامه کارکرد دو شـبکه عـصبی یـادگیری کـوانتیزهکننده برداری (LVQ)١ و شبکه عصبی رقابتی در دسته بندی دو دسته سیگنال کـه دسـته اول شـاملانواع فرورزونانس و دست ه دوم شامل انواع کلیدزنی خازنی، کلیدزنی بار، کلیـدزنی ترانـسفورماتورمی باشد ، با استفاده از ویژگیهای استخراج شده توسط تبدیل موجک٢ خانوادهDaubechies تا ششسطح مورد بررسی قرار گرفته است. نقش شبکه های عصبی مذکور بعنـوان طبقـه بنـدی کننـده، جدا سازی پدیده فرورزونانس از سایر پدیده های گذرا است . سیگنالهای مذکور بـا شـبیه سـازیتوسط نرم افزارEMTP بر روی یک فیدر توزیع واقعی بدست آمده اند. بـرای اسـتخراج ویژگیهـا،کلیه موجکهای موجود در جعبه ابزارWavelet نرم افزارMATLAB بررسی شده اسـت کـه تبـدیلموجک خانوادهDaubechies بعنوان مناسبترین موجک تشخیص داده شد. به منظـور اسـتخراج هـرچه بهتر ویژگیها سیگنالها، الگوها نرمالیزه (مقیاسبنـدی ) شـدهانـد سـپس انـرژی شـش سـیگنالجزئیات حاصل از اعمال تبدیل موجک به عنوان ویژگیهای استخراج شده از الگوها، برای آموزشو امتحان دو شبکه عصبی مذکور بکار رفتهاست. به کمک این الگوریتم تفسیر برخـی از رخـدادهاکه احتمال بروز پدیده فرورزونانس در آنها وجود دارد قابل انجام بوده، همچنین میتوان نسبت بـهساخت رله هایی برای مقابله با پدیده فرورزونانس کمک نماید. عناوین روشهای ارایه شده در اینپایان نامه به شرح زیر می باشند:
کلید واژه : شبکه عصبی LVQ، شبکه عصبی رقابتی، تبدیل موجک، پدیده فرورزونانس , نـرم
افزار EMTP ، نرم افزار MATLAB

مقدمه
امروزه انرژی الکتریکی نقش عمدهای در زمینههای مختلف جوامـع بـشری ایفـا مـیکنـد و جـزءلاینفک زندگی است. بدیهی است که مانند سایر خـدمات اندیـسها و معیارهـایی جهـت ارزیـابیکیفیت برق تولید شده مورد توجه قرار گیرد. اما ارزیابی میزان کیفیت برق از دید افراد مختلـف ودر سطوح مختلف سیستم قدرت بکلی متفاوت است. به عنوان مثال شرکتهای توزیع، کیفیت بـرقمناسب را به قابلیت اطمینان سیستم برقرسانی نسبت میدهنـد و بـا ارائـه آمـار و ارقـام قابلیـتاطمینان یک فیدر را مث ﹰلا ٩٩% ارزیابی میکنند سازندگان تجهیـزات الکتریکـی بـرق بـا کیفیـت راولتاژی میدانند که در آن تجهیزات الکتریکی به درسـتی و بـا رانـدمان مطلـوب کـار مـیکننـد وبنابراین از دید سازندگان آن تجهیزات، مشخصات مطلوب ولتاژ شبکه بکلی متفاوت خواهد بـود.
اما آنچه که مسلم است آنست که موضوع کیفیت برق، نهایتـﹰا بـه مـشترکین و مـصرف کننـدگانمربوط میشود و بنابراین، تعریف مصرف کنندگان اهمیت بیشتری دارد.
بروز هر گونه اشکال یا اغتشاش در ولتاژ، جریان یا فرکانس سیستم قدرت کـه باعـث خرابـی یـاعدم عملکرد صحیح تجهیزات الکتریکی مشترکین گردد به عنوان یک مشکل در کیفیت برق، تلقیمی گردد.
واضح است که این تعریف نیز از دید مشترکین مختلـف ، معـانی متفـاوتی خواهـد داشـت. بـرایمشترکی که از برق برای گرم کردن بخاری استفاده میکند، وجود هارمونیکها در ولتاژ یا انحراففرکانس از مقدار نامی هیچ اهمیتی ندارد، در حـالی کـه تغییـر انـدکی در فرکـانس شـبکه، بـرایمشترکی که فرکانس برق شهر را به عنوان مبنای زمانبندی تجهیزات کنترلی یک سیـستم بـه کـارگرفته است ،می تواند به طور کلی مخرب باشد.
یکی از مواردی که بعنوان یک مشکل در کیفیت برق تلقی می گردد، پدیده فرورزونانس است. در اثر وقوع این پدیده و اضافه ولتاژ و جریان ناشی از آن، موجب داغ شدن و خرابی ترانسفورماتورهای اندازه گیری و ترانسفورماتور های قدرت می گردد که میتوانند بر حسب شرایط اولیه، ولتاژ و فرکانس تحریک و مقادیر مختلف پارامترهای مدار (کاپاسیتانس وشکل منحنی مغناطیسی)، مقادیر متفاوتی پیدا کنند، بنابراین بایستی محدودیت هایی بر پارامترهای سیستم اعمال کرد تا از وقوع چنین پدیده ناخواسته جلوگیری نمود.
با توجه به اهمیت شناسایی پدیده فرورزونانس از سایر حالتهای گذرا دراین پایان نامه تلاش شد تا سیستمی هوشمند جهت تشخیص این پدیده از سایر حالتهای گذرای کلید زنی ارائه گردد. در طراحی این سیستم هوشمند او ﹰلا از جدیدترین روش های تجزیه و تحلیل و پردازش سیگنال های الکتریکی برای پردازش داده ها استفاده گردید. ثانیﹰا از طبقه بندی کننده های پیشرفته با توانایی بالا در دسته بندی داده ها بهره گرفته شد. به منظور مقایسه نتایج حاصل از فرورزونانس با سایر سیگنالهای گذرای شبکه توزیع، تعدادی از حالتهای گذرا نظیر کلیدزنی بار، کلیدزنی خازنی و کلید زنی ترانسفورماتور توسط نرم افزار EMTP بر روی یک فیدر توزیع واقعی شبیه سازی شد.
در فصل دوم به مروری بر کارهای انجام شده در زمینه پـردازش سـیگنال در سیـستمهای قـدرتپرداخته، در فصل سوم به معرفی پدیده فرورزونانس خـواهیم پرداخـت. در فـصل چهـارم مبـانیعلمی روشهای پیشنهادی، در فصل پنجم نحوه جمع آوری اطلاعات و سیگنالها بررسی مـی شـود و درفصل ششم نحوه پیاده سازی روشهای پیشنهادی بررسی مـی شـود و نهایتـا نتیجـه گیـری وپیشنهادات پایان بخش مطالب خواهند بود.

نتیجه گیری
در این پایان نامه تشخیص و طبقه بندی پدیده فرورزونانس از سایر پدیده های گذرا با اسـتفاده ازتبدیل موجک و شبکه عصبی مورد بررسی قرار گرفت که شبکه عصبی بعنـوان یـک طبقـه بنـدیکننده بکار رفت. سیگنالها را به دو دسته تقسیم کردیم که دسته اول شـامل انـواع فرورزونـانس ودسته دوم ، سیگنالهای گذرا که شامل انواع کلیدزنی خازنی، کلیدزنی بار، کلیـدزنی ترانـسفورماتورمی باشد. این سیگنالها، با استفاده تبدیل موجک خانواده Daubechiesتجزیه شده، انرژی سیگنالهای جزئیات حاصل از اعمال تبدیل موجک تا شش سطح به عنوان ویژگیهای ارائه شده بـه دو شـبکهعصبیLVQ و رقابتی بکـار رفـت. کلیـه موجکهـای موجـود در جعبـه ابـزارWavelet نـرم افـزارMATLAB به سیگنالها اعمال شد که تبدیل موجک خانواده Daubechies بیـشترین همبـستگی را بـاسیگنالها داشته و شبکه های عصبی مذکور با این موجک، بیـشترین درصـد تـشخیص را داشـت.
برای شبکه عصبی LVQ در لایه مخفی ۸ نرون در نظر گرفته شـده کـه ۲ نـرون آن بـه سـیگنالهایفرورزونـانس و ۶ نـرون باقیمانـده بـه سـیگنالهای کلیـدزنی خـازنی، کلیـدزنی بـار و کلیـدزنی ترانسفورماتور اختصاص یافته است. برای آموزش شبکه از هر چهار نوع سیگنال، ۱۵ نمونه جهتیادگیری ۱۰ نمونه جهت تست شبکه بکار رفته است. نرخ یادگیری و تعـداد epoch هـا، بـا روشسعی وخطا انتخاب شد. با شبکه های عصبی مذکور تبدیل مو جک خانوادهDaubechies را بر رویهر سه فاز جریان و ولتاژ سیگنالها اعمال کردیم که این ولتاژهـا و جریانهـا، ولتاژهـا و جریانهـایابتدای فیدر (ثانویه ترانسفورماتور۰٫۴/۲۰kV ) است. با توجه به نتایج بدست آمده در فـصل شـشم, با اعمال تبدیل موجک Daubechies1 بـر روی جریـان فـاز دوم سـیگنالها، شـبکه عـصبیLVQ کمترین دقت یعنی %۶۶,۵۱ و تبدیل موجکDaubechies2 بر روی ولتاژ فاز سوم سیگنالها، شـبکهمذکور بالاترین دقت یعنی %۹۵ را داشت . همچنین با اعمال تبـدیل موجـکDaubechies1 بـر رویجریان فاز دوم سیگنالها، شبکه عصبی رقابتی کمترین دقت یعنـ ی %۳۳,۴۸ و تبـدیل موجـک Daubechies2بر روی ولتاژ فاز سوم سیگنالها، شبکه عـصبی رقـابتی بـالاترین دقـت یعنـی %۳۳,۹۳ حاصل شد . این نتایج با استفاده از انرژی لحظه ای (توان دوم )(شکلهای۶‐۲۱ و ۶‐۲۲) و میانگین مولفه های متناظر بردارهای ویژگی استخراج شده جریان فاز دوم و ولتاژ فـاز سـوم(شـکلهای ۶‐۲۳و ۶‐۲۴) سیگنالها بهتر توجیه شد . از شکلهای مذکور مشاهده شد که در مورد ولتاژ فـاز سـومسیگنالها، سیگنالهای فرورزونانس شباهت بسیار کمتری با سیگنالهای سـایر پدیـده هـای گـذرا ازلحاظ انرژی لحظه ای دارد در نتیجه دقت الگوریتم برای این مورد بیشتر اسـت. در مـورد جریـانفاز دوم سیگنالها، سیگنالهای فرورزونانس شباهت بسیار زیادی با سـیگنالهای سـایر پدیـده هـایگذرا از لحاظ انرژی لحظه ای دارد در نتیجه دقت الگوریتم برای این مـورد کمتـر اسـت. لازم بـهذکر است که نتایج فوق را نمی توان در حالت کلی و برای تمامی موجکها تعمیم داد همانطور کهملاحظه شد با اعمال تبدیل موجکHaar بر روی ولتاژ فـاز سـوم، شـبکه عـصبیLVQ بیـشتریندقت و با اعمال تبدیل موجکHaar بر روی جریـان فـاز سـوم شـبکه عـصبی، کمتـرین دقـت راداشت. همچنین با اعمال تبدیل موجکDMeyer بر روی جریان فاز سوم شـبکه عـصبی بیـشتریندقت و با اعمال تبدیل موجکDMeyer ، بر روی جریان فاز اول کمترین دقت را داشـت بنـابرایننمیتوان گفت با شبکه های عصبی مذکور، تمامی موجکها بر روی ولتاژ فاز سوم بیشترین دقـت وبر روی جریان فاز دوم کمترین دقت را دارد. با اعمال تبدیل موجک Haar بر روی ولتاژ فاز سـوم، شبکه عصبی رقابتی بیشترین دقت و با اعمال تبدیل موجکHaar بر روی جریـان فـاز دوم شـبکهعصبی، کمترین دقت را دارد. همچنین با اعمال تبدیل موجکDMeyer بر روی جریـان فـاز سـومشبکه عصبی رقابتی بیشترین دقت و با اعمال تبـدیل موجـکDMeyer بـر روی جریـان فـاز اولکمترین دقت را دارد. بنابراین نمیتوان گفت با مذکور، با اعمال تمامی موجکها بر روی ولتـاژ فـازسوم شبکه عصبی رقابتی بیشترین دقت و بر روی جریان فاز دوم شبکه عـصبی کمتـرین دقـت رادارد.در الگوریتم ارایه شده, به آسانی می توان تعداد ویژگیهای استخراج شده از الگوها را با تغییـ ر تعداد سطوح موجک بـسته بـه تعـداد کلاسـها تغییـر داد. شـبکه عـصبیLVQ دقـت بیـشتری درتشخیص الگوها نسبت به شبکه عصبی رقابتی داشت.
همچنین شبکه عصبی LVQ انتخاب شده این توانایی را دارد که کلاسهای دارای بردارهای ویژگـیغیر خطی و پیچیده در فضای چند بعدی را طبقه بندی کنند. هر اندازه کـه ایـن پیچیـدگی بیـشترباشد تنها باید تعداد نرونهای لایه رقابتی را افزایش دهـیم. شـبکه در تـشخیص الگوهـایی کـه دریادگیری از آنها استفاده نکرده ایم دقت قابل قبولی داشته است. این امر اهمیت عملی الگـوریتم رابیشتر نمایان می 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

آخرین مطالب

مطالب مرتبط