در این مقاله بر اساس رویکرد ماشین بردار پشتیبان (SVM) روشی برای تشخیص خطا درشبکه قدرت ارائه شده است. در این روش مشکلات مربوط به تعیین مقدار آستانه وجود ندارد و قابلیت آموزش شبکه عصبی سبب شده تا الگوریتم تشخیص خطا در رله¬ها به سادگی به روز رسانی شود.

به گزارش معدن مدیا ،ﺑﺮوز اﺗﺼﺎل ﮐﻮﺗﺎه‌ﻫﺎ از ﺷﺪﯾﺪﺗﺮﯾﻦ اﺧﺘﻼل‌ﻫﺎی ﺳﯿﺴﺘﻢ ﻗﺪرت ﻣﯽ‌ﺑﺎﺷﺪ و باید ضمن تشخیص سریع خطا توسط رله‌های حفاظتی، ﻣﺤﺪوده ﺧﻄﺎ در ﺣﺪاﻗﻞ زﻣﺎن ﻣﻤﮑﻦ از ﺳﯿﺴﺘﻢ ﺟﺪا شود ﺗﺎ از گسترش خطا در کل شبکه قدرت و فروپاشی سیستم جلوگیری شود. این امر نیاز به وجود یک سیستم حفاظتی دقیق و سریع را برجسته می‌کند. در این مقاله یک تکنیک جدید مبتنی بر SVM (نوعی از شبکه‌های عصبی مصنوعی) برای تشخیص خطاهای شبکه قدرت پیشنهاد شده است و نتایج آن با خروجی الگوریتم‌های حفاظتی مبتنی بر موجک و ANN مقایسه می‌گردد.

در این روش با اعمال خطاهای مختلف بر روی یک ریز شبکه نمونه، سیگنال‌های جریان و ولتاژ فازها در لحظه وقوع خطا نمونه‌برداری شده و پس از آشکارسازی به عنوان ورودی به SVM داده می‌شود.

تجزیه و تحلیل نتایج شبیه‌‌سازی نشان می‌دهد که چگونه تکنیک پیشنهادی می‌تواند به سرعت و در چند هزارم ثانیه خطای های سیستم را تشخیص دهد.

انواع مختلفی از خطاهای الکتریکی در سیستم‌های قدرت وجود دارد. در این مقاله تمرکز بر روی تشخیص خطاهای امپدانس بالا بوده که یکی از متداول‌ترین اتفاقات شبکه­ های توزیع می­باشند. عموما به دلیل امپدانس بالای این گونه خطاها، جریان کافی خطا برای عملکرد سوئیچ­های حفاظتی وجود ندارد و سیستم­های حفاظتی معمول برای شناسایی آن با مشکل رو به رو هستند.

یکی از روش‌هایی که برای شناسایی خطاهای امپداتس بالا در شبکه­های توزیع توجه بسیاری از محققان را به خود جلب کرده است رویکرد تبدیل موجک می­باشد. مشکل اصلی در روش تبدیل موجک تعیین مقدار آستانه برای تشخیص خطا است. اگر مقدار کمی برای آن انتخاب شود، برخی از پدیده‌های شبه خطا (مانند جریان هجومی ترانسفورماتور و سوئیچینگ خازن) به عنوان خطا شناخته می­شوند. از سوی دیگر اگر مقدار آستانه بزرگ انتخاب شود، به دلیل جریان اندک در شرایط خطای امپدانس بالا ممکن است شناسایی خطا به درستی صورت نگیرد.

در این مقاله بر اساس رویکرد ماشین بردار پشتیبان (SVM) روشی برای تشخیص خطا درشبکه قدرت ارائه شده است. در این روش مشکلات مربوط به تعیین مقدار آستانه وجود ندارد و قابلیت آموزش شبکه عصبی سبب شده تا الگوریتم تشخیص خطا در رله­ها به سادگی به روز رسانی شود و در صورت لزوم، داده­های آموزش مناسب می‌توانند حالت­های جدید خطا را به رله­ها معرفی نماید. در نهایت، سیستم حفاظت پیشنهاد شده با تولید پاسخ سریع­تر و جلوگیری از گسترش خطا در شبکه، توانایی افزایش قابلیت اطمینان در شبکه­ را دارد.

منبع : روابط عمومی فولاد خوزستان