کنکاش تطبیقی بررسی عملکرد روشهای هوشمند در تعیین نوع و محل خطا در خطوط انتقال سیستم قدرت

کیفیت و قابلیت اطمینان سیستم قدرت باید به منظور به دست آوردن عملکرد بهینه حفط شود. خطوط انتقال در میان دیگر تجهیزات سیستم قدرت تحت تاثیر خطاهای غیر قابل انتظار و تصادفی قرار می گیرند. بنابراین، بسیار مهم است که خطاهای خط انتقال از منابع مختلف به سرعت و به درستی تشخیص داده شده و هر چه زودتر برطرف شوند. سیستمهای حفاظتی باید خطاها را تشخیص داده، نوع آن را دسته بندی کرده و نیز مکان خط خطازده را تعیین کنند. در این تحقیق یک روش جدید برای تشخیص خطا به منظور جلوگیری از اثر نویز پیشنهاد شده است. هدف آن است که خطاها در حدود نیم سیکل تشخیص داده شده و دسته بندی شوند. تبدیل فوریه روشی است که برای آنالیز حالت گذرای خطا بکار می رود. این روش یک سیگنال زمانی را در نمایش حوزه فرکانسی آن بررسی می کند. یکی از ابزارهایی که اخیرا در حفاظت سیستمهای قدرت معرفی شده آنالیز بوسیله ویولت است. ویولت پنجره را بر اساس مولفه های فرکانس بالا و پایین تنظیم می کند. این روش فاصله های زمان کوتاه را برای مولفه های فرکانس بالا و فاصله های بلند را برای مولفه های فرکانس پایین استفاده می کند. در این پایان نامه، الگوریتمهای پیشنهادشده بر اساس آنالیز تبدیل فوریه فرکانس بنیادین سیگنالهای جریان و ولتاژ در هنگام بروز خطای اتصال کوتاه در خط انتقال بررسی می شود. سپس آنالیز مشابهی بر روی سیگنالهای جریان و ولتاژ گذرا با استفاده از تبدیل ویولت haar و daubchies-9 چندگانه انجام شده و مشخصات مقایسه بین این دو روش مورد بحث قرار می گیرد. در سال های اخیر، شبکه های عصبی مصنوعی (ann) به طور موفقیت آمیزی برای بسیاری از طراحی های سیستم قدرت و مشکلات بهره برداری بکار می رود. روشهای متکی بر ann شامل خصوصیات قدرتمندی مانند یادگیری سریع، تحمل خطا و توانایی تولید خروجی های صحیح هنگامیکه اطلاعات مناسب ابتدایی به عنوان ورودی به شبکه داده شود هستند. روشهای متکی بر ann به طور گسترده در سیستمهای قدرت الکتریکی خصوصا برای کیفیت توان، دسته بندی خطا، تخمین حالت و کنترل سیستمها بکار می رود. این پایان نامه از یک روش شبکه عصبی مصنوعی برای تشخیص، دسته بندی و تخمین مکان خطاها در خطوط انتقال استفاده می کند. هدف، مطالعه و مقایسه کاربرد سه ساختار شبکه عصبی مختلف برای حفاظت خطوط انتقال است. این سه روش عبارتند از: back-propagatin، radial basis function و elman recurrent network. نتایج شبیه سازی نشان می دهد کدام ترکیب برای مساله ما مناسب تر است.