تحلیل معیارهای کیفیت توان الکتریکی در نقاط غیرسنجش شده شبکه توزیع

چکیده

این مقاله روشی را معرفی می‌کند که به تخمین معیارهای انتخابی کیفیت توان الکتریکی (PQ) در یک نقطه خاص از شبکه برق بر اساس داده‌های ثبت‌شده در نقاط نزدیک می‌پردازد. برای دستیابی به این تخمین‌ها از الگوریتم‌های شبکه‌های عصبی مصنوعی بهره‌برداری شده است. نتایج این تحقیق منجر به توسعه یک مدل عصبی می‌شود که رابطه میان معیارهای مشابه کیفیت توان در نقاط مجاور را تبیین می‌کند. این مقاله همچنین نتایج تحلیل‌ها و آزمایش‌ها را در شرایط واقعی عملیاتی سیستم توزیع به نمایش می‌گذارد.

کلیدواژه‌ها

• معیارهای کیفیت توان الکتریکی
• تخمین معیارهای کیفیت توان الکتریکی
• شبکه‌های عصبی مصنوعی
• تحلیل آماری معیارهای کیفیت توان الکتریکی

مقدمه

اندازه‌گیری و ثبت بلندمدت معیارهای کیفیت توان الکتریکی (PQ) به یک رویه متداول برای اپراتورهای سیستم توزیع (DSOs) تبدیل شده است. این اندازه‌گیری‌ها بیشتر به شکایات مصرف‌کنندگان برق مرتبط می‌شود، اما به‌طور فزاینده‌ای به دلیل درک سطوح معیارهای PQ در یک سیستم تأمین برق نیز اهمیت پیدا کرده است. این داده‌ها به عنوان منبعی ارزشمند درباره وضعیت فنی یک بخش خاص از شبکه برق محسوب می‌شوند و می‌توانند برای اتخاذ تدابیر پیشگیرانه، نوسازی و سرمایه‌گذاری مورد استفاده قرار گیرند. علاوه بر تجهیزات قابل حمل که برای اندازه‌گیری‌های آدهاک به کار می‌روند، اپراتورها به سیستم‌های پایش مداوم نیز مجهز هستند که براساس واحدهای ایستگاهی عمل می‌کنند. این تحلیلگرها معمولاً در نقاط کلیدی سیستم نصب می‌شوند. همچنین، کنتورهای هوشمند و زیرساخت اندازه‌گیری پیشرفته (AMI) به تدریج به منابع اضافی داده تبدیل شده‌اند. به‌طور فزاینده‌ای، کنتورهای AMI امکان اندازه‌گیری و ثبت معیارهای انتخابی PQ را فراهم می‌آورند. برخی مدل‌ها به الگوریتم‌هایی مجهز شده‌اند که به کاربران اجازه می‌دهد معیارهای ثبت‌شده PQ را بر اساس توصیه‌های دفتر تنظیم‌گری انرژی محاسبه کنند.

با توجه به ساختار پیچیده سیستم توزیع، قرار دادن ابزاری در هر نقطه از سیستم امکان‌پذیر نیست و این رویکرد از نظر اقتصادی نیز توجیه‌پذیر نیست. این مسئله ما را بر آن می‌دارد تا از روش‌های مختلف تخمین و استفاده از اندازه‌گیری‌ها و ثبت‌های قبلی بهره ببریم.

تخمین معیارهای PQ

هدف از تخمین PQ، تعیین مقدار ۱۰ دقیقه‌ای یک معیار PQ انتخابی در یک نقطه مشخص از شبکه‌های برق است، جایی که یک کنتور مناسب، مانند تجزیه و تحلیلگر PQ، نصب نشده است. این تخمین بر پایه معیارهای اندازه‌گیری شده از یک یا چند نقطه در نزدیک‌ترین محله که دارای تجزیه و تحلیلگرهای دائمی نصب شده‌اند یا اندازه‌گیری‌ها و ثبت‌های بلندمدت قبلاً انجام شده، صورت می‌گیرد.

این تحلیل برای معیارهای PQ زیر انجام شد: ولتاژ RMS U، شدت فلکر کوتاه‌مدت Pst و شدت فلکر بلندمدت Plt (معیار نوسانات ولتاژ)، تحریف هارمونیک کل THDU، محتوای هارمونیک‌های ولتاژ بالاتر و ضریب عدم تقارن ولتاژ K2U. به ازای هر معیار، فرض بر این است که رابطه‌ای خطی بین ضریب تخمینی و ضریب‌های تعیین‌شده در نقاط مجاور وجود دارد.

استفاده از روش شبکه‌های عصبی مصنوعی

برای معیارهای PQ یادشده، رابطه (۱) با کمک شبکه‌های عصبی مصنوعی (ANNs) پیاده‌سازی شد. نتیجه این فرایند یک مدل عصبی است که از یک نورون خطی با یک یا چند ورودی تشکیل شده است. رابطه (۱) این نوع نورون را توصیف می‌کند. ضرایب wi و b به عنوان وزن‌های نورون در نظر گرفته می‌شوند. با این حال، مدل برای ساخت نیازمند دسترسی به داده‌های تاریخی اندازه‌گیری pwy(k) است، یعنی داده‌هایی از معیاری که در آینده باید تخمین زده شود. بنابراین، مراحل زیر در ساخت مدل مورد نیاز است:

• ثبت مقادیر معیارها در نقطه‌ای که قرار است معیار تخمین زده شود و در نقاط نزدیک،
• آموزش نورون،
• تأیید مدل. اگر تأیید ناموفق بود، باید یک نقطه دیگر اضافه شود؛ ممکن است اختلالات از نقطه‌ای ناشناخته باشد.

کیفیت عملکرد مدل از طریق جمع‌آوری مقادیر ضریب PQ تعیین‌شده توسط مدل ANN ارزیابی می‌شود، که در ±۵٪، ±۱۰٪ و ±۲۰٪ از مقدار واقعی کنونی قرار دارد. این مقادیر به عنوان درصدی از کل تعداد نمونه‌ها محاسبه می‌شود و به طور کلی تحت عنوان ضریب دقت تخمین شناخته می‌شود. به‌واسطه چنین مدلی، امکان تخمین مقدار معیار بر اساس مقادیر معیارهای به‌دست‌آمده از نقاط نزدیک فراهم می‌شود.

تعیین ضرایب wi و b

برای تعیین ضرایب wi و b از روش کمینه‌سازی استفاده می‌شود که با هدف کاهش سریع کیفیت شاخص Q انجام می‌گیرد و در رابطه (2) بیان شده است:

در اینجا: N به تعداد مقادیر (نمونه‌ها) اشاره دارد.

این شاخص دارای یک حداقل است که تضمینی بر یافتن یک راه‌حل جهانی ارائه می‌دهد. مقادیر ضرایب wi و b با استفاده از روش تکراری و طبق روابط (3) و (4) محاسبه می‌شوند:

که در آن: iter شماره‌ی تکرار، η ضریب سرعت آموزش و e(k) خطای آموزش را نمایش می‌دهد.

بر اساس روابط (1) تا (5) یک الگوریتم تخمینی مبتنی بر ANN (EA-ANN) توسعه داده شده است.

تحلیل نتایج تخمین برای شاخص‌های انتخاب شده در شرایط واقعی عملکرد شبکه توزیع

آزمایشات در دو شبکه آزمایشی مختلف (بخش‌هایی از شبکه DSO) انجام شد: یک شبکه با بار قدرت بالا که تاثیر قابل توجهی بر سیستم اپراتور دارد (شبکه آزمایشی شماره 1) و شبکه‌ای که در آن مشکلی در کیفیت توان (PQ) مشاهده نمی‌شود (شبکه آزمایشی شماره 2).

شکل 1. شبکه آزمایشی شماره 1 – دیاگرام شماتیک بخش مورد نظر از شبکه برق با نقاط اندازه‌گیری علامت‌گذاری شده از P1 تا P6.

ارزیابی مقادیر محاسبه‌ شده توسط EA-ANN

ارزیابی مقادیر محاسبه‌شده توسط EAANN بر اساس ضریب دقت تخمین و از طریق مقایسه معیارهای عددی آماری موجود در آئین‌نامه [2] و استاندارد [3] برای شاخص‌های انتخاب شده PQ انجام می‌گیرد. این شاخص‌ها به طور خاص به پرسنتیل‌های 5% و 95% (به ترتیب علامت‌گذاری شده به عنوان CP05 و CP95) مربوط می‌شوند. اندازه‌گیری‌های آماری برای مقادیر واقعی شاخص‌های منتخب PQ و همچنین برای مقادیر بازگشتی EA-ANN، در نقاط مختلف شبکه برق بدون ابزار اندازه‌گیری (هدف) محاسبه شدند.

شبکه آزمایشی شماره 1

موضوع مورد بررسی در این بخش مربوط به سیستم تامین برق یک مشتری صنعتی بزرگ است که از سطح ولتاژ 110 کیلوولت تأمین می‌شود و دارای یک شبکه توزیع MV داخلی با سطوح ولتاژ متنوع است. در این سیستم، یک بار مزاحم بزرگ وجود دارد که تاثیر زیادی بر عملکرد سیستم اپراتور دارد. شکل 1 دیاگرام ساده‌شده‌ای از بخشی از سیستم تامین برق را نشان می‌دهد که در آن نقاط اتصال آنالیزورها با P1 تا P6 علامت‌گذاری شده‌اند.

تحلیلگرهای کیفیت توان کلاس A در شش نقطه سیستم تامین برق نصب شده‌اند و اندازه‌گیری‌ها و ثبت‌ها به مدت شش هفته ادامه داشتند. تایید مقادیر تخمین‌زده شده توسط EA-ANN در شرایطی که اندازه‌گیری در یک نقطه خاص وجود ندارد، نتیجه نهایی این الگوریتم محسوب می‌شود. اشکال زیر نتایج به‌دست‌آمده را برای:

• فاکتور Pst,P2 در نقطه P2 – 20 کیلوولت، بر اساس نقطه P1 – 110 کیلوولت – Pst,P2 = f(Pst,P1) – شکل 2،
• فاکتور Pst,P3 در نقطه P3 – 30 کیلوولت، بر اساس نقطه P1 – 110 کیلوولت – Pst,P3 = f(Pst,P1) – شکل 3،
• فاکتور K2U,P3 در نقطه P3 – 30 کیلوولت، بر اساس نقطه P1 – 110 کیلوولت – K2U,P3 = f(K2U,P1) – شکل 4،

شکل 2. تأیید مدل تخمین Pst,P2 در P2 – 20 کیلوولت بر اساس P1 – 110 کیلوولت – Pst,P2 = f(Pst,P1) – بزرگ‌نمایی [7]

شکل 3. تأیید مدل تخمین Pst,P3 در P3 – 30 کیلوولت بر اساس P1 – 110 کیلوولت – Pst,P3 = f(Pst,P1) – زمان‌های کلی [7]

شکل 4. تأیید مدل تخمین K2U در P3 – 30 کیلوولت بر اساس P1 – 110 کیلوولت – K2U,P3 = f(K2U,P1) [7]

در اشکال 2، 3، و 4، مقادیر اندازه‌گیری شده به رنگ آبی و مقادیر تخمین‌زده شده به رنگ قرمز نمایش داده شده‌اند (این موضوع برای اشکال 6، 7، و 8 نیز صادق است). مقادیر ضریب اعتبار، CP95 و خطای نسبی محاسبه شده برای اجراهای واقعی و تخمین‌زده شده در جدول 1 ارائه شده است.

خطای نسبی برای CP95 بین 1.12% و 3.84% متغیر است. بنابراین، مقادیر CP95 محاسبه شده بر اساس مقادیر تخمین‌زده شده، به‌طور قابل‌توجهی از مقادیر CP95 تعیین‌شده بر اساس مقادیر اندازه‌گیری شده منحرف نمی‌شوند.

شکل 5. شبکه آزمایشی شماره 2 – دیاگرام شماتیک بخش مورد نظر از شبکه برق با نقاط زیر علامت‌گذاری شده: نقطه A – نقطه دارای آنالیزور، نقطه L – نقطه دارای متر، E1، E2، E3 – نقاطی که برای آن‌ها مقادیر تخمین زده می‌شوند.

شبکه آزمایشی شماره 2

موضوع مورد بررسی در این بخش مربوط به بخشی از شبکه توزیع MV – 20 کیلوولت است که از یک خروجی از نقطه اصلی تامین برق با طول تقریباً 6.5 کیلومتر تغذیه می‌شود. در این سیستم، منبع مزاحمت معناداری شناسایی نشد. شکل 5 یک دیاگرام ساده‌شده از شبکه مورد نظر را نشان می‌دهد؛ محل آنالیزور PQ ایستگاه (نقطه A) و متر الکتریکی (نقطه L) در سطح 20 کیلوولت مشخص شده و نقاط E1، E2 و E3 در سطح 400 ولت تعبیه شده‌اند که برای آن‌ها مقادیر تخمین زده می‌شود. اندازه‌گیری‌ها و ثبت‌ها به مدت 4 تا 5 هفته انجام شد. تخمین برای مقادیر زیر صورت گرفت:

• ولتاژ rms UnN,E1 در نقطه E1 – 400 ولت، بر اساس نقطه A – 20 کیلوولت – UnN,E1 = f(USN,A)،
• ولتاژ rms UnN,E2 در نقطه E2 – 400 ولت، بر اساس نقطه L – 20 کیلوولت – UnN,E2 = f(USN,L) – شکل 6،
• THDU-nN,E1 در نقطه E1 – 400 ولت، بر اساس نقطه A – 20 کیلوولت – THDU-nN,E1 = f(THDU-SN,A) – شکل 7،
• Pst-nN,E3 در نقطه E3 – 400 ولت، بر اساس نقطه A – 20 کیلوولت – Pst-nN,E3 = f(Pst-SN,A) – شکل 8،
• هارمونی 7 HU7-nN,E3 در نقطه E3 – 400 ولت، بر اساس نقطه A – 20 کیلوولت – HU7-nN,E3 = f(HU7-SN,A) – شکل 9.

اشکال 6، 7، و 8، مقایسه‌ای از مقادیر واقعی (اندازه‌گیری شده، به رنگ آبی) و مقادیر تخمین‌زده شده را نشان می‌دهند. مقادیر ضریب اعتبار، CP95 و CP05 و همچنین خطای نسبی محاسبه شده برای اجراهای واقعی و تخمین‌زده شده در جدول 2 ارائه شده است. خطای نسبی برای CP95/CP05 در مورد ولتاژها بیش از 0.03% نیست که بسیار ناچیز است. همچنین، خطای نسبی برای CP95 در سایر شاخص‌های PQ بیش از 8.33% نخواهد بود. مقادیر خطای بزرگتر برای پرسنتیل CP05 مشخص می‌شود (که در جدول 2 ارائه نشده است). این خطاها معمولاً ناشی از سطوح پایین مقادیر شاخص‌ها هستند.

شکل 6. تأیید مدل تخمین UnN,E2 در E2 – 400 ولت بر اساس L – 20 کیلوولت – UnN,E2 = f(USN,L) [7]

شکل 7. تأیید مدل تخمین THDU-nN,E2 در E2 – 400 ولت بر اساس L – 20 کیلوولت – THDU-nN,E2 = f(THDU-SN,L) [7]

شکل‌ها

شکل 8. بازتاب اعتبار مدل‌های تخمین Pst-nN,E3 و E3 با ورودی‌های 400 ولت و 20 kV؛ بر پایهٔ رابطه Pst-nN,E3 = f(Pst-SN, A) [7]

شکل 9. بازتاب اعتبار مدل‌های تخمین HU7-nN,E3 و E3 با ورودی‌های 400 ولت و 20 kV؛ بر پایهٔ رابطه HU7-nN,E3 = f(HU7-SN, A)

جدول 2. خلاصه‌ای از مقادیر: ضریب اعتبار، CP95 و CP05 و خطای نسبی – شبکه آزمایشی شماره 2

نتیجه‌گیری‌ها

تحلیل نتایج حاصل از الگوریتم پیشنهادی برای تخمین ضریب کیفیت توان (PQ) نشان می‌دهد که می‌توان به‌طور مثبت از این شبکه‌های عصبی مصنوعی بهره‌مند شد. خطاهای مطلق تخمین‌های CP95 و CP05، به‌طور آماری بین صفر تا 8.33 ٪ قرار می‌گیرند. پس از حذف یک مورد خاص که ضریب کیفیت آن برابر 0.12 بود (که در عمل بسیار کم است و حد آستان حدود یک واحد را دارد)، بازه خطای نسبی به حدود 4.86 ٪ کاهش می‌یابد. این روش می‌تواند به‌عنوان تکمیلی یا جایگزین نتایج شبیه‌سازی مدل‌های برق شناخته‌شده، که برای رسمیت‌-forming نیاز به ابزارهای خاصی دارند، مورد استفاده قرار گیرد.

منابع

1. مشخصات فنی برای موارد مناقصه σχیندهٔ تأمین زیرساخت‌های اندازه‌گیری برای سامانه‌های AMI در بازار لهستان – ضمیمه 1 – شاخص‌های کیفیت توان (به لهستانی)، Urząd Regulacji Energetyki URE، (2015)
2. مقررات وزیر اقتصاد به تاریخ 4 مه 2007 در خصوص شرایط دقیق بهره‌برداری از سامانه تأمین برق (به لهستانی)، (2007)
3. PN-EN 50160 – پارامترهای تأمین ولتاژ در شبکه‌های تأمین برق عمومی
4. Gałą M., “کاربرد شبکه‌های عصبی مصنوعی برای ارزیابی تأثیر بارهای غیرخطی بر کیفیت انرژی الکتریکی” (به لهستانی)، Przegląd Elektrotechniczny، 87 (2011)، شماره 6، 40‑46
5. Gałą M., “کاربرد روش عصبی تخمین ولتاژ برای ارزیابی تأثیر بارهای غیرخطی بر کیفیت انرژی الکتریکی”؛ کنفرانس بین‌المللی دهم در مورد کیفیت توان الکتریکی و استفاده EPQU 2009، مجموعه مقالات IEEE، (2009)، 1‑6
6. Eremia M. (ویراستار)، Liu Ch., Edris A., “راه‌حل‌های پیشرفته در سیستم‌های قدرت: HVDC، FACTS و هوش مصنوعی”؛ انتشارات IEEE، وایللی، (2016)
7. Firlit A., Świątek B., Piątek P., Dutka M., Siostrzonek T., “تخمین شاخص‌های کیفیت توان در نقاط توزیع نشده” (به لهستانی)، Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej، 67 (2019)، 17‑20

نویسندگان

dr inż. Andrzej Firlit، ایمیل: afirlit@agh.edu.pl؛ dr inż. Bogusłąw Świątek، ایمیل: boswiate@agh.edu.pl؛ prof. dr hab. inż. Zbigniew Hanzelka، ایمیل: hanzel@agh.edu.pl؛ dr inż. Krzysztof Piątek، ایمیل: kpiatek@agh.edu.pl؛ mgr inż. Mateusz Dutka، ایمیل: mdutka@agh.edu.pl؛ dr inż. Tomasz Siostrzonek، ایمیل: tsios@agh.edu.pl؛ دانشگاه علم و فناوری AGH، al. Mickiewicza 30، 30‑059 کراکوف، لهستان.

منبع و شناسه ناشر: PRZEGLĄD ELEKTROTECHNICZNY، ISSN 0033-2097، R. 96 NR 5/2020. doi:10.15199/48.2020.05.07

منتشر شده توسط PQBlog

پرسش‌های متداول

معیارهای کیفیت توان چیست؟

معیارهای کیفیت توان به پارامترهایی گفته می‌شود که وضعیت کیفیت برق را اندازه‌گیری می‌کنند.

چگونه می‌توان کیفیت توان را اندازه‌گیری کرد؟

کیفیت توان با استفاده از کنتورهای خاص و حسگرها اندازه‌گیری می‌شود.

گزارش کیفیت توان چه کمکی می‌کند؟

گزارش کیفیت توان کمک می‌کند تا مشکلات و اختلالات در سیستم تأمین برق شناسایی شوند.

منبع: powerquality.blog