شناسایی زود هنگام شرایط غیر عادی شبکه در سیستم های ترکیبی به هم پیوسته انتقال و توزیع با استفاده از اطلاعات واحدهای اندازه گیری فازور (PMU , µPMU)

نوع: Type: رساله

مقطع: Segment: دکتری

عنوان: Title: شناسایی زود هنگام شرایط غیر عادی شبکه در سیستم های ترکیبی به هم پیوسته انتقال و توزیع با استفاده از اطلاعات واحدهای اندازه گیری فازور (PMU , µPMU)

ارائه دهنده: Provider: ایرج گنج خانی - رشته برق

اساتید راهنما: Supervisors: علیرضا حاتمی

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر محمد حسن مرادی، دکتر هادی دلاوری، دکتر عباس فتاحی

زمان و تاریخ ارائه: Time and date of presentation: شنبه 4 آذرماه، ساعت 16-18

مکان ارائه: Place of presentation: سالن آمفی تئاتر دانشکده مهندسی

چکیده: Abstract: پایداری ولتاژ و تخطی جریان از مهمترین قیود امنیتی در سیستم های قدرت است. پایداری بلند مدت ولتاژ از زیر شاخه های پایداری ولتاژ است که در بازه زمانی چند ثانیه تا چند دقیقه رخ می دهد. عوامل متعددی بر ناپایداری بلند مدت ولتاژ تأثیر گذار هستند. توانایی ژنراتورها در تأمین توان راکتیو و اکتیو، تغییرات در تپ ترانسفورماتورهای انتقال، مدل بار، نقطه کار شبکه و شبکه مورد مطالعه نقش مهمی در مطالعات پایداری ولتاژ دارند. یکی از دلایل اصلی خاموشی‌های صورت گرفته در گوشه کنار دنیا، عدم آگاهی بهره‌بردار از نزدیک شدن نقطه ‌کار به نقاط بحرانی و شکست است و خاموشی های صورت گرفته در کشورهای مختلف که ریشه در ناپایداری بلند مدت ولتاژ دارد گواه بر اهمیت این موضوع در سیستم های قدرت مدرن است. در چنین شرایطی وجود ابزاری در مراکز کنترل که در کنار سیستم اسکادا به اطلاعات شبکه دسترسی داشته باشد و به صورت برخط بتواند بهره بردار را به سرعت از شرایط غیر عادی پیش رو باخبر سازد بسیار گرانبهاست. ناپایداری بلند مدت ولتاژ معمولاً به صورت آهسته در کنار رشد بار یا از دست دادن تولید اتفاق می افتد. رشد تقاضای توان راکتیو بارهای متصل به شبکه، توسط ژنراتورهای جبران می شود. با ادامه این روند و نیز عملکرد تپ ترانس های انتقال، ذخیره توان راکتیو موجود در ژنراتورها کاهش یافته و آنها یکی پس از دیگری وارد محدود حداکثر تولید توان راکتیو خود می شوند. به این ترتیب ژنراتورها توانایی کنترل ولتاژ خود را از دست می دهند. عوامل نام برده شروعی بر ناپایداری بلند مدت ولتاژ می باشد. معمولاً ناپایداری بلند مدت ولتاژ در شبکه های انتقال و توزیع به صورت جداگانه بررسی می شوند. برای این کار از مدل های ساده شده برای شبیه سازی استفاده می کنند که ممکن است حاشیه ناپایداری را کمی اغراق آمیز نشان دهد. مطالعات صورت گرفته معمولاً به ارائه شاخصی بسنده کرده که نزدیکی نقطه کار شبکه، به نقطه فروپاشی را نشان می دهد. زمان پاسخ دهی طولانی، عدم مدلسازی دقیق و دقت کم از جمله مشکلات اصلی روش های موجود می باشد. رساله پیش‌‌رو با استفاده از قابلیت‌‌های شبکه های عصبی بازگشتی عمیق در حل مسائل سری زمانی، کابردهای آن در حوزه ناپایداری بلندمدت ولتاژ را ارائه می دهد. شبکه عصبی به صورت برخط تغییرات موجود در اطلاعات بدست آمده توسط PMUها را ارزیابی می کند و در صورت نزدیک شدن نقطه کار شبکه به نقطه فروپاشی، اپراتور شبکه را آگاه می سازد. برای آموزش شبکه عصبی نیاز به اطلاعات شبکه در دو حالت پایدار و ناپایدار است. از آنجایی که اطلاعات لازم جهت آموزش شبکه عصبی در حالت ناپایدار کمیاب است، در این رساله از شبیه سازی برای ایجاد دیتا آموزشی و تست استفاده شده است. سناریوهای شبیه سازی شامل پیشامد رخداد N-1 و پیشامد رخداد N-1-1 در کنار رشد بار در مناطق مستعد ناپایداری است. برای ارزیابی روش ارائه شده از شبکه تست نوردیک استفاده شده است. برای پیاده سازی شبکه توزیع بار مجتمع شبکه انتقال توسط بارهای توزیع استاندارد جایگزین شده است. شبیه سازی با استفاده از نرم افزار دیگسایلنت و در فضای پخش بار پیوسته انجام شده است. خروجی مربوط به سناریوهای مختلف در قالب فایل اکسل گردآوری شده و پس از داده کاوی، توسط نرم افزار متلب فراخوانی شده است. در ادامه، شبکه عصبی ایجاد شده توسط داده های حاصل از شبیه سازی آموزش داده می شود. شبکه با استفاده از بخش مربوط به تست داده های آموزشی شبکه عصبی، مورد ارزیابی قرار می گیرد. نتایج حاصل از ارزیابی خروجی شبکه عصبی در فصل پنجم ارائه شده است. برای تخمین ناپایداری ولتاژ با کمترین تأخیر زمانی ممکن پس از حادثه و نیز بیشترین صحت ممکن، ساختاری متشکل از چندین شبکه عصبی موازی که به صورت جداگانه با پارامترهای مختلف آموزش دیده اند ارائه شده است. نتایج مربوط به ارزیابی این ساختار نیز در فصل پنجم ارائه شده است. در نهایت با استفاده از روش خوشه بندی ورودی های شبکه عصبی کاهش می یابد و این در حالی است که خروجی آن تغییر محسوسی نمی کند. نتایج نشان می دهد که شبکه عصبی LSTM می تواند با دقت قابل قبولی چند ثانیه پس از وقوع پیشامد، ناپایداری بلند مدت ولتاژ را آشکار سازد. در نهایت روش ارائه شده با نتایج روش های موجود در منابع مقایسه شده است.

فایل: ّFile: