از ابتدای پدید آمدن و گسترش شبکه قدرت همواره به دنبال مدل کردن آن بودهایم. همواره برای مطالعه، برنامهریزی، بالا بردن امنیت سیستم، توزیع اقتصادی بار به منظور کاهش هزینه تولید و تلفات و … نیازمند مدلی برای سیستم هستیم. این مدل شامل پارامترهای سری و موازی خطوط، مدل ترانسفورماتورها، ژنراتورها، جبرانسازها و دیگر المانهای استفاده‌شده در سیستم قدرت است. مدل سیستم میتواند بسیار پیچیده و شامل معادلات غیرخطی باشد و یا ساده‌شده و به صورت خطی مدل شود؛ بنابراین مدلهای گوناگون با دقتهای مختلفی را میتوان برای سیستم در نظر گرفت. از جمله پارامترهایی که در مدل سیستم بسیار مهم هستند پارامترهای خطوط هستند. پارامترهای خطوط شامل مقاومت و راکتانس سری خطوط و سوسپتانس موازی آنها در راهاندازی نرمافزارهای آنالیز سیستم قدرت نقش مهمی دارند. دقت پارامترهای خطوط نقشی اساسی در تعیین دقت خروجیهای این نرمافزارها دارد.
الگوریتمهای مختلفی برای محاسبه پارامترهای خطوط انتقال در گذشته ارائه‌شده است. روشهای کلاسیک و تئوری که در[[ii]] ارائهشدهاند از فاکتورهایی مانند پارامترهای هندسی هادیها، نوع هادی و در نظر گرفتن شرایط محیطی برای تخمین پارامتر استفاده میکنند. ممکن است مقادیر حقیقی این فاکتورها با مقادیر به کار گرفتهشده در معادلات تفاوت داشته باشد. از طرف دیگر در محاسبات، سادهسازیهایی در ابعاد هندسی هادیها و روابط مغناطیسی آن صورت میگیرد که این خود باعث کاهش دقت تخمین پارامترها میشود. در این روشها امکان تخمین پارامترهای توالی مثبت و منفی و صفر با ساختارهای هندسی و هادیهایی با جنسهای مختلف به راحتی امکان‌پذیر است.
روش دیگری در ][iii][ ارائه شده است که در آن یکی از ترمینالها را اتصال کوتاه کرده و یا آن را در حالت مدار باز قرار میدهند و با استفاده از جریان خط و ولتاژ سر دیگر ترمینال به محاسبه پارامترها میپردازد؛ اما باید دقت داشت که این‌چنین اندازهگیریهایی برای خطوط مشکل و در برخی حالات غیرممکن است.
روشهای ذکرشده، روشهای تخمین پارامتر بودند اما به صورت آنلاین قابل‌استفاده نیستند. برای بدست آوردن مقادیر دقیقتری از پارامترهای خط، روشهای تخمین آنلاین در تخمین پارامتر خطوط بسیار مناسبتر خواهد بود. اینگونه تکنیکهای تخمین، بوسیله ترکیبی از اندازهگیریهای ولتاژ، جریان و توان، به تخمین پارامتر میپردازند. در اینگونه روشها به صورت آنلاین کمیتهای مورد نیاز شبکه از شینها و خطوط استحصال شده و به نرمافزارهای مرتبط منتقل میشوند. این نرمافزارها با توجه به الگوریتم برنامه‌ریزی‌شده به تخمین پارامترها میپردازند.
الگوریتمهایی که به صورت آنلاین به محاسبه پارامترها میپردازند را میتوان به دو گروه اصلی تقسیم کرد.
- الگوریتمهایی که به صورت مستقیم و با اندازهگیری کمیتهای بهرهبرداری شبکه به محاسبه پارامترها میپردازند.
- الگوریتمهایی که به کمک الگوریتم تخمین حالت به تخمین پارامتر میپردازند.
| روش غیر مستقیم (با استفاده از الگوریتم تخمین حالت) |
| روش مستقیم |
| الگوریتم تخمین پارامتر |
| روش آنالیز حساسیت |
| روش گسترش بردار حالت |
| حل به روش معادله معمولی |
| حل به روش فیلتر کالمن |
شکل 2‑1: دسته‌بندی روشهای تخمین پارامتر
در ادامه به بررسی این دو روش پرداخته خواهد شد.
2-2- روش تخمین پارامتر با استفاده از الگوریتم تخمین حالت
همان طور که قبلاً بیان شد به علل مختلف نیازمند دسترسی به مقادیر دقیق و آنلاین پارامترهای سیستم قدرت هستیم؛ اما باید دقت داشت که اساس پیدایش الگوریتمهای تخمین پارامتر چیز دیگری بود. در سال 1970 مقالهای راجع به تخمین حالت سیستم منتشر شد. در این مقاله الگوریتمی برای تخمین حالت سیستم قدرت ارائه گردید. در این الگوریتم تخمین حالت فرض بر این بود که مقادیر صحیح پارامترهای شبکه را در اختیار داریم تا به نتایج صحیحی از تخمین حالت دست یابیم؛ اما واقعیت امر چیز دیگری است. پارامترهای نادقیق در این الگوریتم موجب پایین آمدن دقت تخمین حالت خواهند شد. پس از انتشار این مقاله، الگوریتمهای زیادی ارائه شد که هدف آنها پیدا کردن خطای پارامترها و تصحیح آنها برای بالا بردن دقت الگوریتم تخمین حالت بود. در این روند تکاملی الگوریتم تخمین حالت بود که اولین بار روشی برای تخمین پارامتر پیدا شد [[iv]].
پس از سال 1970 و انتشار این مقاله، کمتر مقالهای به طور جداگانه به تخمین پارامتر پرداخته است. روشهای تخمین پارامتر اکثراً در کنار روش تخمین حالت آورده شده است و به تعبیر دیگر در این روش، تخمین پارامتر روشی است که اساس آن تخمین حالت سیستم است. در این روش مقادیر اولیهای برای پارامترها در نظر گرفته میشود. سپس با انجام تخمین حالت به پیدا کردن مقادیر دقیق پارامترها نادقیق پرداخته میشود. روشهایی که در تعیین خطای پارامتر در الگوریتم تخمین حالت ارائهشدهاند را میتوان به صورت زیر دسته‌بندی کرد ][v][:
- روشی بر اساس آنالیز حساسیت باقیماندهها
- روشی بر اساس گسترش بردار حالت
همان طور که از نام‌گذاری این دو روش پیداست در روش اول مقادیری را به عنوان مقادیر اولیه پارامترها در نظر گرفته و الگوریتم تخمین حالت را به پایان میرسانیم. سپس با پیدا کردن رابطهای میان خطای پارامترها و باقیمانده الگوریتم به مقادیر صحیح پارامترها دست مییابیم؛ اما در روش دوم مقادیر اولیهای را به بردار حالت الگوریتم تخمین حالت اضافه کرده و به طور همزمان به تخمین حالت و تخمین پارامتر میپردازیم.
در روش اول، معادله تخمین حالت به دو معادله مجزا بر حسب متغیرهای حالت و پارامترهای شبکه تبدیل میشود. در این روش ابتدا تخمین حالت پرداخته و سپس به سراغ بروز کردن پارامترها میرویم. در اینجا مرحله اول تخمین به اتمام رسیده است. این مرحله را آن‌قدر تکرار میکنیم تا پارامترها و متغیرهای حالت مسئله به مقدار نهایی همگرا شوند. این راه به محاسبات و زمان زیادی نیازمند است؛ بنابراین بهتر است در هنگام به‌روزرسانی کردن متغیرها از روش دیگری استفاده کنیم. در [9] روشی برای به‌روزرسانی کردن پارامترها بر اساس آنالیز بردار باقیمانده ارائه‌شده است. در این روش از رابطهای میان باقیمانده و خطای پارامترها استفاده میشود. در هر مرحله پس از تخمین حالت با استفاده از باقیماندهها، خطای پارامترها محاسبه‌شده و به این طریق پارامترها به‌روزرسانی میشود. این روش به زمان حل کوتاهتری نیاز دارد.
[1]- Parameter Estimation (PE)
[2] Phasor Measurement Unit (PMU)
[[1]] W Liu, W.-H.E.; Wu, F.F.; Shau-Ming Lun, “Estimation of parameter errors from measurement residuals in state estimation ,” Power Systems, IEEE Transactions on , vol.7, no.1, pp.81,89, Feb 1992 doi: 10.1109/59.141690
[[ii]] J. Grainger and W. Stevenson, Power System Analysis. New York: McGraw-Hill, 1994
[[iii]] S Kurokawa, S.; Pissolato, J.; Tavares, M.C.; Portela, C.M.; Prado, A.J., “A new procedure to derive transmission-line parameters: applications and restrictions,” Power Delivery, IEEE Transactions on , vol.21, no.1, pp.492,498, Jan. 2006
[[iv]] Borda, C.; Olarte, A.; Diaz, H., “PMU-based line and transformer parameter estimation,” Power Systems Conference and Exposition, 2009. PSCE ’09. IEEE/PES , vol., no., pp.1,8, 15-18 March 2009
[[v]] Zarco, P.; Gomez-Exposito, A., “Power system parameter estimation: a survey,” Power Systems, IEEE Transactions on , vol.15, no.1, pp.216,222, Feb 2000
اضطراب اجتماعی یکی از ناتوان کنندهترین اختلالات اضطرابی میباشد که از ابتدای نوجوانی نشانههای آن شروع شده و تا دورههای بعدی تحول، تداوم پیدا میکند و در زندگی شخصی، تعاملات اجتماعی، زندگی حرفهای و سایر ابعاد عملکردی فرد سازش نایافتگی ایجاد میکند. مطالعات متعددی عوامل مرتبط با این اختلال را بررسی کردهاند، و با توجه به فقدان مطالعاتی که سهم متغیرهای حساسیت اضطرابی، عدم تحمل بلاتکلیفی و ذهن آگاهی را در اختلال اضطراب اجتماعی در ایران تصریح نماید مطالعه کنونی شکل گرفته است .
هدف: هدف پژوهش حاضر تعیین الگوی پیشبینی اضطراب اجتماعی از راه بررسی متغیرهای حساسیت اضطرابی، عدم تحمل بلاتکلیفی و ذهن آگاهی به عنوان پیشبینی کنندههای اضطراب اجتماعی بوده است.
روش: روش این پژوهش توصیفی از نوع همبستگی بوده و جامعه آماری این پژوهش شامل کلیه دانشجویان کارشناسی و دکتری حرفهای دانشگاه شاهد میباشد. که تعداد 390 نفر (234 دختر و 156 پسر) از بین آنها با روش نمونهگیری خوشهای انتخاب شدند. برای جمعآوری دادهها از پرسشنامههای «هراس اجتماعی» (SPIN)، «حساسیت اضطرابی» (ASI)، «عدم تحمل بلاتکلیفی» (IUS)، و «ذهن آگاهی» (FFMQ)، استفاده شد. دادههای پژوهش با روش آماری همبستگی پیرسون و رگرسیون چندمتغیره، توسط SPSS.19 تجزیه تحلیل شد.
یافتهها: همه متغیرها به طور معناداری با اضطراب اجتماعی همبستگی داشتند. نتایج رگرسیون چند متغیره نشان داد که الگوی پیشبینی اضطراب اجتماعی شامل حساسیت اضطرابی، عدم تحمل بلاتکلیفی، و ذهن آگاهی میباشد. و البته این نتایج تا حدودی بر اساس جنس متفاوت بود.
نتیجهگیری: متغیرهای پیشبین (حساسیت اضطرابی، عدم تحمل بلاتکلیفی، و ذهن آگاهی) 48 درصد از واریانس اضطراب اجتماعی را تبیین میکنند. این متغیرها در زنان 50 درصد از واریانس اضطراب اجتماعی و در مردان 44 درصد از واریانس اضطراب اجتماعی را تبیین میکنند.
- بر کارهای گذشته
- اهداف مورد نظر
- ساختار کلی رساله
1-1- برکارهای گذشته
1-1-1- راهبرد کنترل گشتاور
با توجه به اینکه بهبود عملکرد سیستمهای کنترل ربات‌ها تأثیر بسزایی در کیفیت محصولات صنعتی و افزایش راندمان تولید دارد، طراحی سیستمهای کنترل ربات‌ها همواره یکی از جذابترین حوزههای تحقیقاتی بوده است. مطالعه سیر تاریخی روشهای کنترلی ارائه شده، پیشرفتهای صورت گرفته در این زمینه را روشن میسازد.
بازوهای رباتیک، سیستمهای غیرخطی چندمتغیره پیچیده با تزویج زیاد هستند. به همین دلیل، محققان روشهای بسیار متنوعی برای كنترل آنها ارائه نموده اند که سادهترین آنها، روشهای مبتنی بر مدل هستند. خطی سازی فیدبکی [2-1] محبوبترین و پرکاربردترین تکنیک برای کنترل سیستمهای غیرخطی است، زیرا با استفاده از آن میتوان به راحتی دینامیك غیر خطی پیچپده ربات را به معادلات خطی مرتبه دوم تبدیل كرد. این روش، در رباتیک به نام‌های گشتاور محاسباتی، دینامیک وارون یا کنترل گشتاور مشهور است. اما موفقیت روشهای مبتنی بر مدل، منوط به در اختیار داشتن مدل دقیق سیستم است. متأسفانه بدست آوردن مدل ریاضی دقیق سیستمهای رباتیک بسیار مشكل، وقت گیر و گاهی غیر‌ممكن میباشد. زیرا ممكن است برخی از دینامیك‌های سیستم مانند اصطكاك، تكرار پذیر نباشند یا نتوان مدل دقیقی برای آنها پیشنهاد داد. علاوه بر این، ممكن است پارامترهای مدل سیستم با گذشت زمان یا تحت تأثیر شرایطی خاص تغییر كند. به عنوان مثال، هنگامی که ربات اجسام با جرمهای مختلف را بلند میکند، مرکز جرم لینک آخر که یکی از پارامترهای دینامیکی ربات میباشد، تغییر میکند. به همین دلیل، مدلی که برای سیستم پیشنهاد میدهیم (مدل نامی) با مدل واقعی سیستم اختلاف دارد. بنابراین، عدم قطعیت همواره یكی از مهمترین چالش های طراحی سیستمهای كنترل بودهاست. باید توجه داشت که عدم قطعیت در سیستمهای رباتیک معمولاً از نوع غیرتصادفی فرض میشود و منظور از آن نامعلوم بودن پارامترهای سیستم، وجود دینامیکهای ناشناخته یا مدل نشده و همچنین اغتشاش خارجی میباشد.
برای غلبه بر عدم قطعیت ناشی از عدم تطابق مدل، روشهای کنترل تطبیقی و مقاوم [7-3] ارائه شدهاند. کنترل تطبیقی میتواند اثرات عدمقطعیت پارامتری را جبران نماید. کنترل مقاوم قادر است علاوه بر عدمقطیعت پارامتری، عدم قطعیت های ناشی از دینامیک مدلنشده و اغتشاش خارجی را نیز جبران کند. تحقیقات گسترده‌ای برای طراحی سیستمهای كنترل تطبیقی ربات های صلب به منظور تضمین پایداری سیستم كنترل و محدود ماندن سیگنالهای داخلی انجام شده است. اسپانگ طبقه‌بندی جامعی از روشهای تطبیقی ارائه داده است [8] و
آنها را به دو گروه عمده روشهای مبتنی بر دینامیك وارون و روشهای مبتنی بر غیرفعال بودن تقسیم میکند. در تمامی روشهای فوق فقط عدم قطعیت پارامتری لحاظ شده است. نكته مهم دیگر در مورد روشهای تطبیقی، تحریك پایا بودن سیگنالهای تحریك است [7]. در غیر اینصورت، پارامترهای تخمین زده شده به پارامترهای واقعی همگرا نخواهد شد.
در روشهای کنترل مقاوم، دانستن حدود عدم قطعیت لازم است. حدود عدم قطعیت یکی از چالشهای بسیار مهم در این روشها میباشد. اگر حدود عدم قطعیت بزرگتر از مقدار واقعی باشد، ممکن است اندازه سیگنال کنترل بیشتر از مقدار مجاز آن شود که در این صورت پدیده اشباع رخ خواهد داد و کنترل کننده قادر به کنترل سیستم نخواهد بود. علاوه بر این، اگر دامنه سیگنال کنترل بیش از حد مجاز باشد، ممکن است به سیستم آسیب برساند، همچنین پدیده لرزش سیگنال کنترل نیز تقویت میشود. از طرف دیگر، اگر حدود عدم قطعیت کمتر از مقدار واقعی باشد، خطای ردگیری زیاد میشود و ممکن است منجر به ناپایداری سیستم کنترل شود [11-9]. برخی از روشهای کنترل مقاوم، منجر به قوانین کنترل ناپیوسته میشوند. به عنوان مثال میتوان به روش کنترل مود لغزشی اشاره کرد [2]. این قوانین، احتمال بروز نوسانات فرکانس بالا (لرزش) در سیگنال کنترل را افزایش میدهند. لرزش سیگنال کنترل پدیدهای نامطلوب است که موجب فرسودگی قطعات و تحریک دینامیک های مدل نشده میشود.
با ظهور منطق فازی به عنوان یك ابزار توانمند در كنترل سیستمهای نامعین و پیچیده، تحول شگرفی در مهندسی كنترل بوجود آمد. به کمک قوانین فازی می توان سیستم‌هایی را که مدل ریاضی دقیقی از آنها در اختیار نیست، توصیف کرد [12]. روش فازی تطبیقی غیر مستقیم از این ایده استفاده میکند [15-13]. ویژگی دیگر منطق فازی، مدلسازی دانش و توانایی انسان به منظور كنترل سیستمهای پیچیده می باشد که روش فازی تطبیقی مستقیم [17-16] این امکان را فراهم می‌آورد. علاوه بر این، میتوان روشهای فازی تطبیقی مستقیم و غیر مستقیم را با هم ترکیب نمود و روشی بدست آورد که عملکرد بهتری داشته باشد [18]. یکی از مهمترین ویژگی های منطق فازی که منجر به استفاده گسترده از آنها در سیستمهای کنترل شده است، ویژگی تقریبگر عمومی بودن سیستمهای فازی است [12]. به همین دلیل در سال‌های اخیر، محققان تمركز بیشتری روی كنترل فازی داشته‌اند و تلاش‌های فراوانی برای كنترل مقاوم ربات با استفاده از کنترل فازی و شبکه های عصبی صورت گرفته است [35-19]، زیرا ویژگی تقریب عمومی برای انواع مختلف شبکههای عصبی مانند پرسپترون چند لایه و شبکههای توابع پایه شعاعی نیز برقرار میباشد [40-36]. در [19]، از سیستمهای فازی تطبیقی برای جبران عدم قطعیتها از قبیل عدم قطعیت پارامتری، اغتشاش خارجی (مانند جرم جسمی که ربات جابجا میکند)، دینامیک مدل نشده (مانند اصطکاک) و همچنین خطای تقریب سیستم فازی، ارائه شده است. در [20]، روشی برای کاهش تعداد سیستمهای فازی مورد نیاز ارائه شده است. همچنین، نشان داده شده است که چگونه با انتخاب مناسب پارامترهای قانون کنترل میتوان خطای ردگیری را کاهش داد. در [22]، فرض شده است که فیدبکهای سرعت و شتاب در اختیار نیستند و برای تخمین این سیگنالها رویتگری غیرخطی پیشنهاد شده است. در [26]، برای تقریب دینامیک ربات از شبکههای عصبی دو لایه استفاده شده است و قوانین تطبیق جدیدی برای تنظیم وزنهای هر دو لایه با استفاده از اثبات پایداری لیاپانوف بدست آمدهاند. اما تعداد ورودیهای شبکههای عصبی طراحی شده زیاد هستند. این ورودیها جریان موتورها، موقعیت و سرعت مفاصل، مسیر مطلوب و مشتقات اول و دوم آن هستند. در این روشها، برای پایداری سیستم کنترل یک تابع لیاپانوف پیشنهاد میشود و قانون تطبیق پارامترهای سیستم های فازی یا وزن های شبکه های عصبی از شرط منفی معین بودن مشتق تابع لیاپانوف بدست میآید. برخی از مراجع با استفاده از سیستمهای فازی یا شبکه های عصبی، دینامیک سیستم را تقریب میزنند و از این تقریب در طراحی قانون کنترل استفاده میکنند و برخی دیگر کنترل کننده را به صورت یک سیستم فازی یا شبکه عصبی در نظر گرفته و به تنظیم پارامترهای آن با استفاده از قوانین تطبیق بدست آمده میپردازند. در [41] یک روش فازی تطبیقی جدید و متمایز از این دو روش مرسوم ارائه شده است. در این روش برای سیستم یک مدل نامی در نظر گرفته میشود و قانون کنترل بر اساس این مدل نامی طراحی میشود. سپس برای جبران عدم قطعیت ناشی از عدم تطابق مدل نامی و مدل واقعی یک سیستم فازی به قانون کنترل اضافه میشود. برای اثبات پایداری سیستم از روش مستقیم لیاپانوف استفاده میگردد و قانون تطبیق پارامترهای سیستم فازی از شرط منفی معین بودن مشتق تابع لیاپانوف استخراج میشود.
[1] Persistency of excitation
به تناسب توسعه صنعت و گستردگی و پیچیدگی سیستمهای قدرت، بر سطح اتصال کوتاه در سیستم قدرت افزوده میشود که این موضوع سبب افزایش نقش رلههای حفاظتی و تجهیزات واسط در جلوگیری از واردآمدن خسارت به تجهیزات فشارقوی در سیستمهای قدرت شده است. این رلهها برای کارکرد صحیح، نیاز به دریافت اطلاعات صحیح داشته و لذا در صورت ایجاد اعوجاج در سیگنالهای دریافتی، انتظار عملکرد مورد نظر از آنها، امری بیهوده تلقی میگردد. ترانسفورماتور جریان (CT) از جمله عناصر بسیار مهم بعنوان واسط رلههاست که برای اخذ سیگنال جریانی متناسب با جریان اولیه و با دامنهای کوچکتر بکار گرفته میشود. با وجود اینکه CTها از هستههای آهنی برای بیشینهکردن شار پیوندی بین سیمپیچی اولیه و ثانویه (و کمینهکردن شار نشتی) استفاده میکنند، به دلیل غیرخطیبودن مشخصهی مغناطیسی هسته، مستعد اشباعشدن میباشند. در نقاط بالاتر از زانوی منحنی مغناطیسشوندگی، به ازای تغییرات جریان اولیه، جریان مغناطیسی هسته افزایش چشمگیری خواهد یافت. از آنجا كه جریان ثانویه‌ی CTها از تفاضل جریانِ ترانسفورماتوری اولیه و جریان مغناطیسكنندگی بدست میآید، تحت شرایط اشباع، جریان ثانویه با نسبت ثابتی جریان اولیه را دنبال ننموده و علاوه بر افزایش خطای نسبت تبدیل، اعوجاجی در سیگنال خروجی ظاهر خواهد شد. به هنگام بروز خطا، در اثر مولفة DC جریان خطا (که معمولاً در طراحی CT لحاظ نمیگردد)، پدیدة اشباع رخ خواهد داد که یکی از راههای محدودکردن این اثر، استفاده از CT با مشخصات نامی بالاتر یا استفاده از الگوریتمهای خاص برای اصلاح این پدیده است. از آنجا که استفاده از CT با مشخصات نامی بالاتر، از نظر اقتصادی مقرون به صرفه نیست، جبرانسازی نرمافزاری پدیدة اشباع CT در سیستمهای قدرت، راهکار مناسبی برای حل مسئله بوده که منجر به کاهش هزینه و افزایش قابلیت اطمینان سیستم قدرت خواهد شد؛ بویژه آنکه چنین الگوریتمی را میتوان بسهولت در ساختار رلههای عددی (بعنوان یک پیشپردازشگر اطلاعات) اعمال نمود. لذا هدف از انجام این پروژه، تشخیص پدیده اشباع و جبرانسازی اعوجاج جریان ثانویه CT با استفاده از روشهای پردازش سیگنال میباشد.
1-2- بر کارهای انجام شده
همانطور که اشاره شد، بر اثر اشباع ترانسفورماتور جریان علاوه بر افزایش خطای نسبت تبدیل، سیگنال خروجی معوج نیز خواهد شد. در [3-1] مشکلات ناشی از بروز اشباع در ترانسفورماتورهای جریان مورد بررسی قرار گرفتهشده است.
در [4] یک روش برای آشکارسازی اشباع در ترانسفورماتورهای جریان بر اساس این واقعیت که جریان در هنگام شروع اشباع به تندی تغییر میکند، ارائه شده است. این روش، اشباع CT را به سبب کاهش ناگهانی مقدار جریان، تشخیص داده و لیکن در صورت استفاده از یک فیلتر پایینگذر آنتیالیاسینگ، از موفقیت چندانی برخوردار نیست. در [5] و [6] یک روش برای آشکارسازی اشباع ترانسفورماتور
جریان بر اساس مشتق مرتبه سوم جریان ثانویه ارائه شده است. در این مقالات اثر فیلتر پایین گذر آنتی الیاسینگ در نظر گرفته شده است.
در [7] یک الگوریتم برای محاسبه شار هسته از روی جریان ثانویه و سپس جبرانسازی آن پیشنهاد شده است. این الگوریتم به خوبی شار هسته را محاسبه میکند و اشباع CT را در شرایط مختلف تشخیص میدهد. با این وجود در این روش از این فرض استفاده شده است که شار پسماند در شروع محاسبات برابر صفر است که در شرایط واقعی فرض مناسبی نمیباشد.
یک روش دیگر برای آشکارسازی اشباع با محاسبه متوسط خطا و واریانس دامنه جریان در [8] پیشنهاد شده است. مقدار خطا با این فرض که اگر یک جریان سینوسی کامل باشد، باید جمع آن جریان با ضریبی از مشتق دومش صفر باشد، تعیین میگردد. در [9] یک روش امپدانسی برای آشکار سازی اشباع در یک ترانسفورماتور جریان به منظور حفاظت دیفرانسیلی باسبار پیشنهاد شده است. این روش بر پایه معادله دیفرانسیل مرتبه اول امپدانس منبع سیستم قدرت در محل رله میباشد و در آن از ولتاژ باسبار و جریان ثانویه ترانسفورماتور جریان برای محاسبه امپدانس استفاده شده است. تغییرات در این امپدانس برای تعیین وضعیت ترانسفورماتور جریان به کار میروند. همچنین در مورد اثرات شار پسماند در هسته، اندازه اندوکتانس مغناطیس کنندگی و حالات مختلف خطا بحث شده است. در [10] یک روش آشکارسازی با استفاده از مولفههای متقارن برای حفاظت دیفرانسیل پیشنهاد شده است. در [11] یک روش دیگر برای آشکارسازی با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک پیشنهاد شده است. در این روش از شبکه عصبی به منظور تشخیص اشباع و از الگوریتم ژنتیک برای پیدا کردن ساختار بهینه شبکه عصبی از نظر تعداد لایهها و تعداد نرونها در هر لایه استفاده شده است. در [12] یک روش جدید ترکیبی با استفاده از مشتق دوم جریان خروجی ترانسفورماتور جریان و قاعده گذر از صفر ارائه شده است.
در [13] یک روش جبرانسازی پیشنهاد شده است که طی آن، پس از تخمین جریان مغناطیسکنندگی هسته CT، این جریان به جریان ثانویه اندازهگیریشده اضافه شده، تا جریان ثانویه حاصل شود. این الگوریتم برای شرایط مختلف خطا و سیستم به خوبی کار میکند ولی (همانند [7]) بر این فرض استوار است که شار پسماند قبل از وقوع خطا صفر است. الگوریتم پیشنهاد شده در [14] جریان ثانویه اعوجاج دار را جبران میکند و سطح شار پسماند روی آن اثر نامطلوب ندارد. این الگوریتم از یک تایع دیفرانسیل مرتبه دوم برای تشخیص لحظه به اشباع رفتن استفاده میکند.
یک روش جایگزین بکار بردن یک شبکه عصبی-مصنوعی برای تخمین تابعی است که جریان ثانویه ترانسفورماتور جریان که در اثر اشباع اعوجاج دار شده است را تصحیح کند. این روش در مقالات زیادی استفاده شده است[19- 15]. وابستگی به ظرفیت ثانویه ترانسفورماتور جریان، عدم در نظر گرفتن کلیه عواملی که میتوانند روی اشباع تاثیر بگذارند و بهینه نبودن ساختار شبکه عصبی از نقایصی است که در این مقالات به چشم میخورند. در [20] از شبکه عصبی مصنوعی که تعداد نرونها و لایههای این شبکه بوسیله الگوریتم ژنتیک بهینه شده است، بمنظور آشکارسازی و جبرانسازی اشباع استفاده شده است.
1-3- ساختار پایان نامه
در این پایاننامه، پس از معرفی اولیه پروژه در همین فصل، به معرفی ترانسفورماتورهای جریان، مدار معادل آن، مدل هسته و در نهایت بررسی پدیده اشباع CT و اثر پارامترهای موجود بر آن، در فصل دوم پرداخته شده است. در فصل سوم تکنیکهای مورد استفاده در پایان نامه برای آشکارسازی اشباع CT تشریح گردیده و فصل چهارم دربرگیرنده مراحل مدلسازی CT، شبکه نمونه (قسمتی از شبکه برق ایران) و پیادهسازی روشهای بررسیشده در فصل سوم است. پس از مقایسه روشهای پیادهسازی شده و تعیین روش مناسب برای آشکارسازی پدیده اشباع در فصل چهارم، روشهای جبرانسازی جریان معوج ثانویه CT در فصل پنجم بررسی شده و نتایج حاصل از پیادهسازی روشهای جبرانسازی جریان معوج ثانویه CT و انتخاب روش مناسب، ارائه گردیده است. در فصل ششم به تشریح و پیادهسازی روشهای پیشنهادی پایاننامه جهت آشکارسازی پدیده اشباع و جبرانسازی جریان معوج ثانویه CT در شرایط Online اختصاص داده شده و در نهایت، در فصل هفتم جمعبندی، نتیجهگیری و پیشنهادات ارائه گردیده است.
-Currant Transfirmer
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***
متن کامل را می توانید دانلود نمائید
چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)
ولی در فایل دانلودی متن کامل پایان نامه
با فرمت ورد word که قابل ویرایش و کپی کردن می باشند
موجود است
از یک دیدگاه، سیستم قدرت از سه بخش تولید، انتقال و توزیع تشکیل میشود. سیستم توزیع مسؤلیت انتقال انرژی الکتریکی به مصرفکنندگان را برعهده دارد، به نحوی که هم از نظر اقتصادی بهصرفه بوده و هم از نظر قابلیت اطمینان در حد مطلوبی باشد. نتایج تحقیقات نشان میدهد که حدود 13% توان الکتریکی کل تولید شده، در بخش توزیع تلف میشود [1]. از طرفی به لحاظ اقتصادی کاهش تلفات، کم هزینهتر از افزایش تولید است. روشهای متنوعی جهت تحقق این امر پیشنهاد شده است همچون [1]:
- برنامههای مدیریت از جانب تقاضا
- مدیریت بار ترانسفورماتور توزیع
- بازآرایی سیستم[3]
- تغییر در سطح مقطع هادیهای انتخابی[4]
- با افزایش سطح ولتاژ سیستم توزیع اولیه، میزان یکسانی از توان میتواند در جریانهای کمتری تحویل داده شود که منجر به کاهش تلفات خواهد شد.
- کاهش ولتاژ به روش سنتی که عبارتست از کم کردن یک درصد کوچک بخصوصی از ولتاژ در ترانس نیروگاهی که به حفظ ولتاژ در یک سطح قابل قبول در فیدرهای ثانویه منجر شود.
- یکی از روشهای اساسی و پرکاربرد در بحث کاهش تلفات در شبکههای توزیع، استفاده از خازن موازی و تولید پراکنده[5] میباشد.
آمارهای خرابی اغلب شرکتهای برق نشان میدهد که سیستم توزیع بیشترین سهم را در عدم دسترسی انرژی الکتریکی به مصرفکنندهها
به خود اختصاص داده است، بنابراین بررسی قابلیت اطمینان سیستم توزیع، از اهمیت خاصی برخوردار است. بخش قابل توجهی از وقفههای (قطعیهای) مشترکین ناشی از خرابی تجهیزات در سیستم توزیع میباشد که در این میان کابلهای زیرزمینی و خطوط هوایی سهم بالایی را به خود اختصاص دادهاند. عبور جریانهای بالا از کابلهای زیرزمینی و خطوط هوایی منجر به افزایش دمای آنها میشود. کابلهای زیرزمینی دارای یک حد حرارتی معین جهت کار در حالت عادی میباشند که در صورت افزایش دمای کابل به بیش از آن، شاهد وقوع مشکلات عایقی و در نتیجه افزایش نرخ خطای تجهیز خواهیم بود. از طرفی افزایش دما در خطوط هوایی با تأثیر بر خصوصیات مکانیکی هادی، موجب ایجاد شکم[6]، کاهش فضای خالی با زمین و افزایش احتمال وقوع شکست الکتریکی میشود.
جایگذاری خازن و تولید پراکنده در سیستم توزیع، منجر به کاهش اندازه جریان عبوری در کابلها و خطوط هوایی میشود بنابراین میتواند به تعدیل اثرات مخرب ناشی از جریانهای زیاد بر قابلیت اطمینان سیستم توزیع کمک کند در این پایاننامه این اثر بصورت کاهش در نرخ خرابی این دو تجهیز اعمال میشود. در حقیقت جایابی همزمان خازن و مولد تولید پراکنده با هدف بهبود در شاخصهای قابلیت اطمینانی سیستم توزیع از طریق کاهش در نرخ وقوع خرابی کابلها و خطوط هوایی و نیز کاهش تلفات سیستم، نوآوری اصلی این پایاننامه میباشد. نتایج بررسیهای مختلف نشان میدهد جایابی و تعیین ظرفیت بهینه خازن و تولید پراکنده تأثیر بسزایی در دسترسی حداکثری به منافع حاصل از نصب آنها در سیستم توزیع الکتریکی دارد. همچنین جایابی غیربهینه تولید پراکنده میتواند منجر به اثرات نامطلوبی از جمله افزایش در تلفات و هزینههای سیستم شود. فصل دوم این پایان نامه، به ارایه روشهای متداول در موضوع جایابی خازن و تولید پراکنده پرداخته و در آن بر کارهای انجام شده تاکنون، صورت گرفته است. در فصل سوم قابلیت اطمینان در سیستم های توزیع مورد بررسی قرار گرفته و در ادامه، اثرات ناشی از عبور جریانهای زیاد بر نرخ خرابی کابلها و خطوط هوایی بیان شده است. تابع هدف پیشنهادی این پایاننامه برای مسئله جایابی بهینه خازن و تولید پراکنده، در فصل چهارم ارایه میشود جهت بهینهسازی از الگوریتم ژنتیک استفاده شده که چگونگی کدبندی کروموزوم مسئله جایابی در این فصل توضیح داده میشود. در فصل پنجم، نتایج حاصل از شبیهسازی بر روی دو سیستم 10 و 33 شین IEEE نشان داده شده و بررسی و تحلیل میشود. نتیجهگیری و پیشنهادات جهت ادامه کار، در فصل ششم ارایه شده است.
1-2- نتیجهگیری
کاهش تلفات و بهبود قابلیت اطمینان، دو هدف عمده در بحث ارتقاء کیفیت توان الکتریکی تحویلی به مشترکین میباشند استفاده از خازن موازی و تولید پراکنده میتواند راهحلی مطمئن جهت دستیابی به این اهداف باشد.
1Demand Side Management
2Distribution Transformer Load Management
3Reconfiguration
4Reconductoring
5Distributed Generation
1Sag
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***
متن کامل را می توانید دانلود نمائید
چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)
ولی در فایل دانلودی متن کامل پایان نامه
با فرمت ورد word که قابل ویرایش و کپی کردن می باشند
موجود است
