علوم محاسباتی در شبکه های هوشمند و سیستم های انرژی

طبقه بندی خاصیت نوسان برق فعال سیستم های برق بر اساس SVM

، 1 Haibo He ، 2 و Xueyang Zheng 1

خلاصه

امروزه ، نوسان فرکانس پایین به یک مشکل اساسی در تهدید امنیت سیستم های برق به هم پیوسته در مقیاس بزرگ تبدیل شده است. با توجه به مکانیسم تولید ، نوسان قدرت فعال سیستم های انرژی الکتریکی را می توان به دو دسته طبقه بندی کرد: نوسان رایگان و نوسان اجباری. نتایج قبلی از نسبت میرایی ضعیف یا منفی سیستم قدرت و اختلال دوره ای خارجی ممکن است منجر به دومی شود. بنابراین استراتژی های کنترل برای سرکوب نوسانات کاملاً متفاوت است. تمایز از یکدیگر از این دو نوع مختلف نوسانات قدرت ، پیش شرط سرکوب نوسانات با اقدامات مناسب است. این مقاله با شناسایی منحنی های نوسان قدرت در زمان واقعی ، یک رویکرد عملی برای طبقه بندی نوسان قدرت ارائه می دهد. تبدیل هیلبرت برای به دست آوردن منحنی های پاکت منحنی های نوسان قدرت استفاده می شود. بیست نقطه نمونه برداری از منحنی پاکت به عنوان ماتریس ویژگی برای آموزش و آزمایش دستگاه بردار پشتیبانی (SVM) انتخاب می شود. آزمایشات موجود در سیستم قدرت معیار 16 مغزی 68-Bus و یک سیستم قدرت واقعی در چین نشان می دهد که روش طبقه بندی نوسان پیشنهادی از دقت بالایی برخوردار است.

1. معرفی

نسبت میرایی یک عامل اصلی در نوسانات انرژی الکتریکی است. با اتصال شبکه های برق در مقیاس بزرگ از طریق خطوط انتقال ولتاژ بالا از راه دور ، اتصال بین ژنراتورهای همزمان ضعیف تر می شود که منجر به نسبت میرایی ضعیف یا منفی سیستم های قدرت می شود [1 ، 2]. نوسان قدرت به یک مشکل اساسی در تهدید امنیت سیستم های برق به هم پیوسته در مقیاس بزرگ تبدیل شده است [3 ، 4]. به منظور کار با ایمن سیستم قدرت ، نظارت بر طبقه بندی و سرکوب نوسانات برق برقی در شبکه های برق ، توجه گسترده ای را در جامعه مهندسی برق در یک دهه گذشته جلب کرده است.

در این مقاله به مسئله طبقه بندی فعال سازی ویژگی نوسان قدرت می پردازیم. با توجه به مکانیسم تولید ، نوسانات قدرت فعال سیستم های برقی را می توان به دو دسته طبقه بندی کرد [2]. یکی نوسان آزاد ناشی از نسبت میرایی منفی سیستم های قدرت است. همچنین می توان آن را نوسان میرایی منفی نامید. مکانیسم توضیح پذیرفته شده در سراسر جهان از این نوع نوسان قدرت بر اساس روش تجزیه و تحلیل گشتاور پیچیده است که توسط دملو و کنکوردیا در سال 1969 پیشنهاد شده است [5]. هنگامی که واکنش سیستم انتقال بزرگ است یا تولید برق ژنراتورها زیاد است ، گشتاور میرایی منفی تولید شده توسط مرحله عقب مانده مدار تحریک سریع ، میرایی مثبت اصلی سیم پیچ میرایی ژنراتورها را خنثی می کند. این منجر به نسبت میرایی منفی شبکه های برق می شود و با افزایش دامنه باعث نوسان قدرت می شود [6 ، 7]. کاهش قدرت انتقال خطوط کراوات یا نصب تجهیزات PSS که باعث افزایش گشتاور میرایی از طریق جبران فاز می شود ، ثابت شده است که اندازه گیری مهمی برای سرکوب نوسان قدرت میرایی منفی است [8 ، 9].

نوع دیگر نوسان قدرت فعال نوسان قدرت اجباری است که توسط مکانیسم رزونانس توضیح داده شده است [10 ، 11]. هنگامی که فرکانس یک اختلال دوره ای کوچک که در سیستم قدرت رخ می دهد برابر یا نزدیک فرکانس طبیعی سیستم است ، رزونانس قدرت ژنراتورها برانگیخته می شوند. این نوع نوسان قدرت با شروع سریع نوسان و پوسیدگی سریع پس از از دست دادن منبع نوسان مشخص می شود. برخی از محققان نشان داده اند که اختلالات دوره ای مدار تحریک ، سیستم فرمانداری سرعت توربین و بار قدرت فعال می تواند نوسانات قدرت اجباری را تحریک کند [12-14]. جدا کردن منابع اختلال دوره ای از سیستم ، مؤثرترین اندازه گیری متقابل برای از بین بردن سریع تأثیر آن است [15].

بنابراین نوسان میرایی منفی و نوسان اجباری مکانیسم های تولید متفاوتی با اقدامات مقابله ای متفاوت دارند. تشخیص آنها از یکدیگر بسیار مهم و ضروری است. با این حال، هر دوی آنها دارای اشکال نوسان مشابه با دامنه های افزایشی در مرحله اولیه هستند و احتمالاً در پایان به یک نوسان دامنه ثابت تبدیل می شوند. شناسایی صحیح و سریع خاصیت نوسان به مشکلی برای حل تبدیل می شود. امروزه تحقیقات در مورد طبقه بندی نوسانات توان بیشتر بر روی شبیه سازی پس از حوادث نوسان متمرکز شده است. منحنی‌های پاسخ سیستم شبیه‌سازی تحت شرایط نوسان میرایی منفی و شرایط نوسان اجباری با رکوردهای واقعی اسیلوسکوپ سیستم‌های قدرت مقایسه می‌شوند تا ویژگی نوسان حوادث نوسان قدرت را قضاوت کنند [16، 17]. یک روش طبقه‌بندی ویژگی نوسان آنلاین بر اساس تحلیل تفاوت منحنی‌های نوسان در [18] پیشنهاد شده است، اما یک خطای مشخص در محاسبه دیفرانسیل وجود دارد. یک نظریه اساسی نوسان توان اجباری در یک سیستم قدرت در [19] توصیه شده است که ثابت کرده است که نوسان توان اجباری دارای منحنی پوششی متفاوتی از نوسان میرایی منفی است. بنابراین خاصیت نوسان توان فعال را می توان به صورت آنلاین با تشخیص منحنی های پوششی آنها شناسایی کرد.

تئوری یادگیری آماری و ماشین بردار پشتیبان (SVM) یک توضیح نظری سیستمیک در مورد تشخیص الگو تحت شرایط نمونه‌های محدود ارائه کرده‌اند. بسیاری از مشکلات مانند انتخاب مدل، برازش بیش از حد، غیرخطی، فاجعه ابعادی، و حداقل محلی، که مدت‌ها مانع توسعه یادگیری ماشین شده‌اند، اکنون تا حد زیادی حل شده‌اند [20، 21]. تاکنون، SVM با موفقیت در بسیاری از زمینه‌ها مانند تشخیص خطا، تشخیص گفتار، تشخیص تصویر و طبقه‌بندی متن استفاده شده است [22-24]. در [25]، دو نوع SVM برای طبقه بندی موثر انواع مختلف اختلالات کیفیت توان پیاده سازی شد.

در این مقاله یک رویکرد عملی برای طبقه بندی نوسان قدرت با شناخت منحنی های نوسان قدرت در زمان واقعی با استفاده از SVM ارائه شده است. تبدیل هیلبرت برای به دست آوردن منحنی های پاکت منحنی های نوسان قدرت استفاده می شود. بیست نقطه نمونه برداری در منحنی پاکت نوسان قدرت برای استخراج ویژگی ها انتخاب شده است. سپس ، چهل منحنی نوسان قدرت به عنوان نمونه ای برای آموزش دستگاه بردار پشتیبانی استفاده می شود. سرانجام ، سه آزمایش در مورد سیستم معیار 16 ماشین 68 مغزی و یک سیستم قدرت واقعی در چین نشان می دهد که روش طبقه بندی نوسان پیشنهادی از دقت خوبی برخوردار است.

بقیه این مقاله به شرح زیر سازماندهی شده است. در بخش 2 ، یک طرح استخراج ویژگی نوسان مبتنی بر تبدیل هیلبرت ارائه شده است. بخش 3 یک روش طبقه بندی خاصیت نوسان قدرت با استفاده از SVM را معرفی می کند. مطالعه موردی بر روی سیستم معیار 16 ماشین 68-اتوبوس و یک سیستم قدرت ساده عملی چین برای تأیید اثربخشی روش طبقه بندی خاصیت نوسان پیشنهادی در بخش 4 انجام شده است. نتیجه گیری در بخش 5 آورده شده است.

2. استخراج ویژگی نوسانات قدرت

2. 1معرفی نوسانات قدرت

هنگامی که یک نوسان رایگان در یک سیستم قدرت اتفاق می افتد ، زاویه روتور ، سرعت چرخش ژنراتورهای همزمان و متغیرهای الکتریکی مربوطه (مانند جریان برق خطوط انتقال و ولتاژ اتوبوس) بر این اساس نوسان می کند ، که از جمله آن جریان قدرت خط انتقال