دانلود پایان نامه

مرجع [27] طرحی را براساس ANN ارائه میدهد که درنتیجه حالات مختلف یک ترانسفورماتور قدرت را مشاهده مینماید، خطای داخلی را تشخیص داده و فرمان قطع را صادر میکند. در این طرح 4 خروجی برای تشخیص حالات وضعیت عادی، جریان هجومی، تحریک بیش از حد و خطای داخلی، درنظر گرفته شده است. تنها از یک لایه پنهان با 12 واحد پنهان استفاده کردهاند. برای آموزش از الگوریتم BP استفاده شده است.
در[24] روش S-Transform ، مبتنی بر شبکه ی عصبی احتمالاتی برای تشخیص جریان هجومی ارائه شده است. S-Transform برای تشخیص حالت و PNN برای دسته بندی حالات استفاده میشود. در مقایسه با شبکه های عصبی با الگوریتم Back- Propagation ، شبکه ی عصبی احتمالاتی از یک تابع نرمال (با منحنی شبه زنگ) استفاده مینماید. PNN برای کاربردهای درمانی به دلیل استفاده از استراتژی بیزی مناسبتر می باشد، همچنین پاسخ زمان واقعی آن نیز قابل اعتمادتر است (در PNN باندهای تصمیمگیری با ورود هر دادهی جدیدی قابل اصلاح شدن است). PNN ارائه شده دارای 3 لایه است: لایهی ورودی، لایهی شعاعی که فاصلهی میان بردار ورودی و ردیفهای ماتریس وزنی را اندازه میگیرد و لایه رقابتی که تشخیص میدهد کدام دسته با احتمال ماکزیمم صحیح میباشد.
مرجع [36] طرحی از یک رلهی دیجیتال را برای حفاظت اولیه یک ترانسفورماتور قدرت ارائه مینماید. یک الگوریتم چندناحیهای که بخش تصمیمگیری آن براساس نظریهی مجموعهی فازی عمل مینماید. بهای تصمیمگیری نادرست و میزان جریان اطلاعات به همراه چندین حد آستانه استاندارد، برای افزایش قابلیت اطمینان حفاظت استفاده شدهاند.
مراجع [34] و [35] الگوریتم جدیدی را براساس تکنولوژی عصبی- فازی ارائه نمودهاند که منطق فازی را در قابلیت یادگیری کمک مینماید. گفته شده است که این روش درمقابل خطای ناشی از تغییر تپ ترانسفورماتور زیر بار مقاوم میباشد و دقت رله را نیز بهبود داده است.
در[33] روشی را براساس تشخیص الگو ارائه شده است. این مقاله از HS-transform برای جداسازی الگوی جریان هجومی و جریان خطا از جریان ترانسفورماتور استفاده نموده است. HS-transform ابزاری قدرتمند برای آنالیز سیگنالهای غیرساکن میباشد که اطلاعات جریان گذرا را هم در حوزه زمان و هم فرکانس ارائه میدهد. انحراف معیار و انرژی طیفی نیز برای تشخیص جریان هجومی محاسبه میشود. دستهبندی جریان هجومی و خطای داخلی توسط ابزار دستهبندی فازی سی انجام میگیرد.
در مرجع [37] روش جدیدی را ارائه شده است. این الگوریتم، روشهای هارمونیک دوم و زاویه مرده را درکنار یکدیگر قرارمیدهد و در تکنیک عصبی فازی استفاده مینماید.گفته شده است که سرعت تشخیص در این روش کمتر از یک سیکل بعد از وقوع خطا میباشد.
روش استفاده از تبدیل موجک دستهی دیگر در این گروه میباشد که در حوزه روش های استفاده از پردازش سیگنال قرار میگیرد، نیز روش جدیدی است که با توجه به قابلیتهای آن بسیار مورد توجه قرار گرفته است. در این روش ها تبدیل موجک برای تجزیه سیگنالهای جریان به مؤلفههای فرکانسی پایینتر استفاده میشود.
تبدیل موجک روش جدیدی است که قادر است تا برخلاف تبدیل فوریه زمان کوتاه که دارای تابع پنجره فرکانس- زمانی ثابت است، طول پنجره را با فرکانس سیگنال در آن زمان مشخص، تطبیق دهد. این خاصیت باعث می شود تا تبدیل موجک برای سیگنال های گذرای سیستم قدرت که معمولاً دارای طول دوره زمانی کوتاه مدت و فرکانس بالا هستند، مفید بوده و دارای خاصیت تمرکز بیشتری برای سیگنال های فرکانس بالا باشد.
مرجع [32] روشی را براساس طرح تبدیل موجک ارائه نموده است. در اینجا مولفهی هارمونیک دوم به عنوان مولفه مشخصه جریان هجومی در تبدیل موجک استفاده شده است. این روش با استخراج مولفههای موجک جریانهای سه فاز از طریق یک پنجره نیم موج جریان هجومی را تشخیص میدهد.
در [31] روشی برمبنای تبدیل بستهای موجک (WPT ) را به صورت زمان واقعی بر روی دو ترانسفورماتور به صورت مجزا مورد آزمایش قرار میگیرد. گفته شده است که این روش دارای مزایای کاهش بار محاسباتی، سرعت بالا، حافظهی موردنیاز کم و قابلیت اطمینان بالا است. این روش دارای سرعت تشخیص کمتر از ربع سیکل در یک سیستم 60 هرتز میباشد.
الگوریتم ارائه شده در[30] تبدیل موجک را بر سیگنال جریان تفاضلی اعمال مینماید تا آن را به یک سری مولفههای موجک تجزیه کند. هرکدام از اینها سیگنالی درمبنای زمان هستندکه مربوط به یک باند فرکانسی خاص میباشند. یک ویژگی برتر سیگنالها که جریان هجومی و خطای داخلی را بهتر نشان میدهد، استخراج میشود. با تعیین کمیت آن ویژگی استخراج شده یک تابع شاخص را براساس اختلاف دامنهی ضریب موجک در یک باند فرکانسی خاص در حالتی که با یک جریان هجومی یا خطای داخلی روبرو هستیم، تعریف مینمایند. این تابع سپس برای هر سه فاز استفاده میشود و جریان خطا ازجریان هجومی در کمتر از ربع سیکل تشخیص میدهد. یکی از مزایای این روش عدم نیاز به انتخاب یک حدآستانهی خاص میباشد.
در [29] روشی براساس تبدیل موجک و شبکهی عصبی با بردار یادگیری رقمی شده ارائه شده است. در این روش از تبدیل موجک برای تجزیه سیگنال و شبکهی عصبیLVQ در جهت دستهبندی حالات مختلف استفاده شده است.
فصل سوم
تشخیص جریان هجومی از جریان خطا براساس تابع همبستگی
3-1مقدمه
این فصل روشی ساده برای تمایز میان جریان هجومی و جریان خطای داخلی ترانسفورماتور قدرت براساس تابع همبستگی (ACF) را معرفی مینماید. برای ارزیابی الگوریتم مورد بحت شبیهسازیهای متفاوتی صورت گرفته است و در نهایت دادههای عملی بدست آمده از طریق یک ترانسفورماتور آزمایشگاهی، این الگوریتم را مورد ارزیابی قرار میگیرد.
در ادامهی این بخش ابتدا الگوریتم ارائه شده بطور کامل معرفی میگردد. خروجیهای ACF برای حالات مختلف وقوع جریان هجومی و جریان خطا با یکدیگر مقایسه میشوند و در جهت تعیین یک معیار تشخیص بکار گرفته میشوند. از نتایج شبیهسازی شده در جهت بیان میزان حساسیت و قابلیت اطمینان الگوریتم استفاده میگردد و در نهایت نتایج تست با استفاده از دادههای واقعی آزمایشگاهی عملکرد الگوریتم تایید میگردد.
3-2 الگوریتم ارائه شده
3-2-1 جبران اشباع CT
اشباع CT یکی از مهمترین دلایل عملکرد اشتباه رلهی دیفرانسیل میباشد. بنابراین جبران اشباع CT یکی از مهمترین مراحل در جهت تشخیص جریان هجومی از جریان خطای داخلی برای رلههای دیفرانسیل میباشد. در این تحقیق از روش ارائه شده در[38] استفاده شده است. در این روش سعی بر این است که جریان اولیهی CT را تشخیص دهیم.
در مرحلهی اول تشخیص لحظهی شروع اشباع صورت میگیرد. شکل (3-1) بخشی از سیگنال جریان اولیهی ارجاع یافته به ثانویه و سیگنال جریان ثانویهی CT را در حالتی که هستهی آن اشباع شده است، نشان میدهد. همانطور که مشخص است اشباع CT بین دادههای nام و n-1ام شروع میشود و بین دادههای mام و m-1ام به اتمام میرسد.
شکل (3- 1): شکل موج جریان ثانویهی یک CT اشباع شده
تشخیص دادهی nام با توجه به جریان ثانویه و جریان ثانویهی تخمین زده شده به طریق زیر صورت میگیرد:
(3-1)