مکانیابی خطای اتصال کوتاه در شبکه توزیع با نفوذ پذیری منابع تولید پراکنده به روش شبکه عصبی

پروژه متلب مکانیابی خطای اتصال کوتاه در شبکه توزیع با نفوذ پذیری منابع تولید پراکنده به روش شبکه عصبی

در این مقاله برای مکانیابی خطای اتصال کوتاه در شبکه توزیع با نفوذ پذیری منابع تولید پراکنده ابتدا شبکه را به چند ناحیه قسمت کرده و سپس حفاظت هر ناحیه را و مکانیابی  خطا را با یک شبکه عصبی انجام داده

برای هر خطای اتصال کوتاه یک شبکه عصبی تعریف کرده که فلوچارت عملکرد بصورت زیر است

براین اساس برای ارزیابی روش پیشنهادی از دیتای شبکه توزیع مقاله استفاده کرده و شبکه دارای دو منبع dg  است و روش پیشنهادی را اعمال مکنیم

شبکه به ۴ ناحیه تقسیم گردیده که ناحیه بندی و مکان کلید بریکر بمنظور ریکلوزینگ بعد از خطا طبق مقاله در دیگسایلنت صورت گرفته و بدلیل حجم بالای محاسبات اتصال کوتاه ۲۱ خط در مکانهای متعدد

از کد dpl انحصاری شرکت برق منطقه ای استفاده شده و نتایج ان به فایل متلب انتقال داده شده است

سپس طبق فلوجارت برنامه مقاله پس از تشخیص نوع خطا باید ورودی شبکه عصبی را تعیین کرده

که از نسبت تقسیم جریان منابع به جریان شبکه استفاده کرده.

با توجه به عمل ریکلوزینگ بریکرها در نواحی تعیین شده در نتیجه پس از عملکرد ریکلوزینگ تند, سیستم خبره بصورت هوشمند بمنظور جلوگیری از گسترش اتصال کوتاه و عدم خاموشی نواحی دیگر, کلیدزنی وصل را تنظیم میکند و در نتیجه ناحیه فالت از مابقی شبکه جدا گردیده و سپس بمنظور مکانیابی خطا از نسبت جریان و میزان امپدانس خطا استفاده کرده که البته با شبکه عصبی و تعریف ۳ ورودی در شبکه ۲۲ باسه میزان دقت را افزایش داده است. برنامه متلب عملکرد مشابه سیستم خبره دارد و بافرض اعمال سیگنال برای ریکلوزرها برحسب اینکه خطا در کدام ناحیه باشد.شبکه اموزش دیده از قبل ( ۱۲ پروسه -۴ ناحیه هرکدام ۳ خطای تکفاز – دوفاز-۳ فاز )  نمونه برداری جریان های  ورودی به تشخیص مکان خطا در همان ناحیه میپردازد. که  در  برنامه هر پروسه با کلید pause از بقیه حالتها مجزا گریده شده و در حالت رخداد خطا فقط یکی از این پروسه ها عمل میکند .با این تفاسیر میزان دقت شبکه عصبی در تخمین مکان را بایستی کمترین میزان دقت برای خطای ۳ فاز بطور جداگانه در ۴ ناحیه درنظر گرفت و بطور مشابه برای دوخطای دو فاز و تکفاز نیز بهمین منوال است

برای رفع هر گونه ابهام کافیست برنامه mx31 را اجرا کرده و ۱۲ پروسه را بطور تک تک اجرا کرده که با زدن کلید پس از pause  برنامه به پروسه بعدی میرود و نتایج دقت شبکه عصبی نمایش داده میشود

۴ پروسه اول مربوط به خطای ۳ فاز مربوط به ۴ ناحیه

۴ پروسه دوم مربوط به خطای ۲ فاز مربوط به ۴ ناحیه

۴ پروسه سوم مربوط به خطای ۱ فاز مربوط به ۴ ناحیه

نمودار مربعات خطای ۳ فاز

خطای دوفاز

خطای تکفاز

A fault location and protection scheme for distribution systems in presence of dg using MLP neural networks

Traditional electric distribution systems are radial in nature . These networks are protected by very simple protection devices such as over – current relays , fuses , and re – closers . Recent trends in distributed generation ( DG ) and its useful advantages perfectly can be achieved while the relevant concerns are deliberately taken into account . For example , penetration of DG disturbs the radial nature of conventional distribution networks . Therefore , protection coordination will be changed in some cases , and in some other cases it will be lost . The penetration of DG into distribution networks reinforces the necessity of designing new protection systems for these networks . One of the main capabilities that can improve the efficiency of new protection relays in distribution systems is exact fault locating . In this paper , a novel fault location and protection scheme has been presented to provide the distribution networks with DG . The suggested approach is able to determine the accurate type and location of faults using MLP neural networks . As case study , the proposed scheme has been assessed using a MATLAB based developed software and DIgSILENT Power Factory 13.2 on a sample distribution network .

یک مکان خطا و طرح حفاظتی برای سیستم‌های توزیع در حضور شبکه عصبی با استفاده از شبکه‌های عصبی مصنوعی

سیستم‌های توزیع الکتریکی سنتی در طبیعت شعاعی هستند. این شبکه‌ها توسط ابزارهای حفاظت بسیار ساده از قبیل رله‌های الکتریکی بیش از جریان، فیوزها، و re محافظت می‌شوند. گرایش‌های اخیر در تولید پراکنده (DG) و فواید مفید آن بخوبی می‌تواند به دست آید در حالی که نگرانی‌های مربوطه به عمد در نظر گرفته می‌شوند. برای مثال، نفوذ DG ماهیت شعاعی شبکه‌های توزیع مرسوم را تحت‌تاثیر قرار می‌دهد. بنابراین، هماهنگی حفاظت در برخی موارد تغییر خواهد کرد و در برخی موارد دیگر از دست خواهد رفت. نفوذ DG به شبکه‌های توزیع ضرورت طراحی سیستم‌های حفاظتی جدید برای این شبکه‌ها را تقویت می‌کند. یکی از قابلیت‌های اصلی که می‌تواند کارایی رله حفاظت جدید در سیستم‌های توزیع را بهبود بخشد، مکان‌یابی دقیق گسل است. در این مقاله، یک موقعیت خطا و طرح حفاظتی جدید برای ارایه شبکه‌های توزیع با DG ارایه شده‌است. روش پیشنهادی قادر به تعیین نوع دقیق و موقعیت خطا با استفاده از شبکه‌های عصبی مصنوعی است. به عنوان مطالعه موردی، طرح پیشنهادی با استفاده از نرم‌افزار MATLAB براساس MATLAB و کارخانه برق DIgSILENT ۱۳.۲ بر روی یک شبکه توزیع نمونه ارزیابی شده‌است.

لینک مقاله اصلی:

https://ieeexplore.ieee.org/document/5275863