وبلاگ

در سال های اخیر، تکنولوژی پیشرفته باعث ورود تجهیزات الکترونیک قدرت به صنعت شده است که این تجهیزات و یا بارهای غیرخطی، جریان های هارمونیکی به شبکه تزریق می کنند. این هارمونیک ها کیفیت توان شبکه را مخدوش می کنند. با توجه به رشد روزافزون این تجهیزات در صنایع مختلف همچون راه آهن، نفت، گاز، ذوب فلزات، اتوماسیون و غیره برای تضمین کیفیت توان، آشکارسازی منابع هارمونیکی موجود در شبکه برق امری لازم می باشد. بعضی از این منابع هارمونیکی مربوط به خود شبکه می باشد و معمولا به صورت گذرا در شبکه دیده می شوند که جزو منابع هارمونیکی عمده محسوب نمی شوند و در شبکه نیز مشخص می باشند. اگر از دید شبکه بارهای هارمونیکی عمده را مورد ارزیابی قرار دهیم، تجهیزات الکترونیک قدرت مورد توجه قرار می گیرد که دارای مبدل ها ac/dc در قسمت ورودی می باشند. خوشبختانه منابع هارمونیکی جریان تقریبا در سیستم قدرت شناسایی شده اند و می توان از روی الگوهای اختلال جریان، نوع منابع هارمونیکی را شناسایی نمود. در این پروژه مبدل های ac/dc مورد ارزیابی قرار گرفته است و هدف این پروژه شناسایی این منابع در شبکه قدرت می باشد. در این پروژه این منابه به دو صورت مبدل 6 پالس و 12 پالس در نظر گرفته شده است.
نظارت بر ولتاژ فیدرهای مختلف شبکه توزیع به عنوان یکی از نیازهای اساسی در شبکه برق احساس می شود. از طرف دیگر نظارت

 مستقیم بر تمام فیدرها به صورت مستقل از نظر اقتصادی قابل توجیه نمی باشد. اگر اندازه گیرهای کیفیت توان کافی در شبکه وجود داشته باشد، به آسانی می توان مکان منابع هارمونیکی را شناسایی کرد. با وجود این، مکان اندازه گیرها و همچنین هزینه این اندازه گیرها مورد بحث می باشد. به همین خاطر ما باید از روش هایی استفاده نماییم که تعداد اندازه گیرها به حداقل برسد. در اکثر این روش ها از الگوریتم های هوشمندی همچون شبکه عصبی، الگوریتم ژنتیک و تخمین حالت استفاده شده است. در این پروژه برای مکان یابی اندازه گیرها از روش خط بهینه متاثر از جریان هارمونیکی و تحلیل توپولوژی سیستم استفاده شده است. برای شناسایی منابع پس از تعیین مکان اندازه گیرها، از شبکه های عصبی با لایه خروجی سیگموئید استفاده شده است. در مکان یابی اندازه گیرها ابتدا توپولوژی سیستم مورد بررسی قرار گرفته است و سپس پارامتری که بیانگر مجموع دامنه هارمونیک های جریان اصلی می باشد، برای تعیین مکان اندازه گیر استفاده شده است. برای آموزش شبکه های عصبی الگوریتم های زیادی وجود دارد که همگی بر پایه گرادیان نزولی و قانون پس انتشار می باشد. در این پروژه از الگوریتم لونبرگ برای آموزش شبکه استفاده شده است که این الگوریتم دارای سرعت زیادی در آموزش می باشد و نتیجه خوبی می دهد. محققان زیادی برای جایابی منابع هارمونیکی از شبکه های عصبی استفاده نموده اند. کاربرد شبکه های عصبی پس انتشار چند لایه در سیستم های قدرت به صورت گسترده پذیرفته شده است. در هنگام شبیه سازی فرض بر این است که هیچ اطلاعی از وضعیت باری شبکه نداریم و برای شناسایی منابع هارمونیک زا هر اندازه گیر به صورت مستقل عمل می نماید و در واقع نیازی به تبادل اطلاعات مابین اندازه گیرها نمی باشد و هزینه تبادل اطلاعات حذف می گردد. در بعضی شبکه ها شاید اصلا امکان تبادل اطلاعات وجود نداشته باشد.

در این پروژه، فعالیت های انجام شده در زمینه مکان یابی منابع هارمونیک زا مورد بحث قرار گرفته است و با روش پیشنهادی این پروژه مقایسه شده است. منابع هارمونیکی عمده در شبکه قدرت به صورت مفصل معرفی شده است. با توجه به بررسی ها، منابع الکترونیک قدرت جهت شناسایی انتخاب شده اند. با توجه به اینکه از شبکه های عصبی برای شبیه سازی استفاده شده است، این شبکه به صورت مقدماتی معرفی شده و ساختارهای مختلف آن بحث شده است. در پایان، در فصل شبیه سازی، شبکه عصبی RBF با BPN مقایسه شده است. نتایج نشان می دهد که شبکه BPN پاسخ قابل قبول تری ارائه می دهد. همچنین خود شبکه BPN نیز مورد بحث قرار گرفته است و ساختارهای مختلف آن شبیه سازی شده است و نتایج ارائه شده است. سیستم قدرت مورد بحث در شبیه سازی، شبکه IEEE 14-bus می باشد. و نرم افزار Matlab جهت شبیه سازی استفاده شده است.