توضیحات
FAULT LOCATION IN EHV TRANSMISSION LINES USING ARTIFICIAL NEURAL NETWORKS
جایابی خطا در خطوط انتقال EHV با استفاده از شبکه عصبی مصنوعی
گزارش این شبیه سازی, 9 صفحه در قالب ورد است. که بخشی از آن در زیر آمده است:
چکیده:
این مقاله به بررسی کاربرد شبکه های عصبی مصنوعی در تشخیص و جایابی خطا در خطوط انتقال EHV برای حفاظت سریع با استفاده از داده های ترمینال خط می پردازد.
تشخیص دهنده و جایاب خطای جدید پیشنهادی، با استفاده از مجموعه داده های مختلفی که از روی مدل شبکه قدرت و شبیه سازی سناریوهای خطای مختلف (انواع خطا، محلهای خطا، مقاومتهای خطا و زاویه رخداد خطا) و داده های مختلف شبکه قدرت (ظرفیت منابع، ولتاژهای منابع، زوایای منابع و ثابت های زمانی منابع) آموزش داده شده است.
سه نوع جایاب خطا پیشنهاد و مورد مقایسه و بررسی قرار گرفته اند تا معلوم شود که کدام جایاب خطای عصبی بهترین عملکرد را دارد.
نتایج نشان می دهند که شبکه عصبی امکان تشخیص و جایابی online خطا را در خطوط انتقال می تواند فراهم آورده و نتیجه رضایتبخشی را به دست بدهد.
سپس به بررسی تشخیص سه نوع خطا می پردازیم:
خطای فاز b به زمین (b-g)
مدار شبکه مربوطه به همراه تشخیص دهنده خطای پیشنهادی، در فایل Flt_b_g.mdl پیاده سازی شده است.
برای شبیه سازی آن طبق داده هایی که در مقاله آمده است، برنامه Fault_b_g.m را اجرا کنید. خطا در t=27ms رخ داده است.
تذکر مهم: داده های مدار به صورت پارامتری وارد شده اند، لذا حتما برای شبیه سازی از برنامه نامبرده شده استفاده گردد.
شکل (3) نتایج حاصل را نشان داده است.
شکل (3): شکل موج های جریان و ولتاژ فازها و خروجی ANN برای خطای b-g
خطای دو فاز زمین (a-c-g)
مدار شبکه مربوطه به همراه تشخیص دهنده خطای پیشنهادی، در فایل Flt_a_c_g.mdl پیاده سازی شده است.
برای شبیه سازی آن طبق داده هایی که در مقاله آمده است، برنامه Fault_a_c_g.m را اجرا کنید. خطا در t=30.5ms رخ داده است.
شکل (4) نتایج حاصل را نشان داده است.
شکل (4): شکل موج های جریان و ولتاژ فازها و خروجی ANN برای خطای a-c-g
خطای دو فاز (b-c)
مدار شبکه مربوطه به همراه تشخیص دهنده خطای پیشنهادی، در فایل Flt_b_c.mdl پیاده سازی شده است.
برای شبیه سازی آن طبق داده هایی که در مقاله آمده است، برنامه Fault_b_c.m را اجرا کنید. خطا در t=29ms رخ داده است.
شکل (5) نتایج حاصل را نشان داده است.
شکل (5): شکل موج های جریان و ولتاژ فازها و خروجی ANN برای خطای b-c
- انجام پروژه شبکه عصبی با متلبی
خطای دو فاز (a-b-c-g)
مدار شبکه مربوطه به همراه تشخیص دهنده خطای پیشنهادی، در فایل Flt_a_b_c_g.mdl پیاده سازی شده است.
برای شبیه سازی آن طبق داده هایی که در مقاله آمده است، برنامه Fault_ a_b_c_g.m را اجرا کنید. خطا در t=30.5ms رخ داده است.
شکل (6) نتایج حاصل را نشان داده است.
شکل (6): شکل موج های جریان و ولتاژ فازها و خروجی ANN برای خطای a-b-c-g
بعد از بررسی تشخیص دهنده نوبت به جایابی محل خطا می رسد.
برای این منظور سه نوع طرح مورد بررسی و مقایسه قرار می گیرد.
طرح اول: جایابی بر اساس دامنه هرمونیک اول جریانها
طرح دوم: : جایابی بر اساس دامنه هرمونیک اول ولتاژها
طرح سوم: : جایابی بر اساس دامنه هرمونیک اول جریانها و ولتاژها
همانند حالت قبل برای هر طرح داده های لازم تولید و شبکه عصبی مربوطه را تشکیل می دهیم.
(از FL1_Traindata.m، FL2_Traindata.m و FL3_Traindata.m برای تولید داده های لازم جهت Train نمودن شبکه ها استفاده شده است و شبکه های حاصل در FL1_net.mat، FL2_net.mat و FL3_net.mat ذخیره شده است.
سپس بعد از انتقال آنها به workspace با استفاده از دستور gensim(net) بلوک عصبی مربوطه را برای استفاده در مدار سیمولینک ایجاد می نماییم.
شکل (7) نتیجه آموزش FL3_net را نمایش می دهد که حکایت از عملکرد بسیار خوب آن دارد.
شکل (7): تابع عملکرد شبکه عصبی FL3_net حین آموزش
سپس برای بررسی عملکرد طرحها آنها را برای یک شبکه قدرت با خطای تکفاز به زمین شبیه سازی می کنیم( فایلهای FL1.mdl، FL2.mdl و FL3.mdl). دادههای این مدارها پارامتری هستند و باید با استفاده از برنامه های زیر اجرا گردند.
برای حصول نتایج برنامه های Simulate_FL.m را اجرا می نماییم.
نتایج عددی شبیه سازی با متلب
نتایج حاصل برای محلهای گوناگون خطا در جدول زیر آمده است:
جدول (1): نتایج شبیه سازی برای محلهای گوناگون خطا
| ANN Output (Km) | Fault Location
(Km) |
||
| FL3 | FL2 | FL1 | |
| 7.9925 | 3.7068 | 7.8256 | 8 |
| 12.9879 | 6.0235 | 12.7167 | 13 |
| 17.9832 | 8.3402 | 17.6077 | 18 |
| 22.9786 | 10.657 | 22.4987 | 23 |
| 30.9711 | 14.3637 | 30.3244 | 31 |
| 41.9608 | 19.4606 | 41.0846 | 42 |
| 47.9552 | 22.2406 | 46.9539 | 48 |
| 57.9459 | 26.8741 | 56.7359 | 58 |
| 60.9431 | 28.2641 | 59.6705 | 61 |
| 71.9329 | 33.3609 | 70.4308 | 72 |
| 77.9273 | 36.141 | 76.3 | 78 |
| 82.9226 | 38.4578 | 81.1911 | 83 |
| 89.9161 | 41.7012 | 88.0385 | 90 |
| 94.9114 | 44.0179 | 92.9295 | 95 |
| 99.9067 | 46.3347 | 97.8206 | 100 |
| 104.9021 | 48.6514 | 102.7116 | 105 |
| 109.8974 | 50.9681 | 107.6026 | 110 |
| 114.8928 | 53.2848 | 112.4937 | 115 |
با اجرای تابع FL_result_error() خطای محاسبه محل خطا برای سه حالت ذکر شده در شکل (8) قابل مشاهده است.
شکل (8) : خطای بر آورد محل خطا در سه حالت
کلید واژه : شبکه عصبی
transmission line, fault detection, fault location, artificial neural network
شبیه سازی
FAULT LOCATION IN EHV TRANSMISSION LINES USING ARTIFICIAL NEURAL NETWORKS
طبق توضیحات فوق به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
