پاورپوینت تخمین و ارزیابی شاخص های هارمونیکی کیفیت توان در سیستم قدرت با استفاده از روش های هوشمند

1
بسم الله الرحمن الرحیم

2
سمینار تخمین و ارزیابی شاخص های هارمونیکی کیفیت توان در سیستم قدرت با استفاده از روش های هوشمند
دانشکده مهندسی برق و کامپیوتر
گروه قدرت

3
فهرست مطالب
مقدمه
منابع تولید هارمونیک و اثرات تخریبی آن
روش های مدرن تحلیل هارمونیکی
روش های هوشمند
نتایج شبیه سازی

4
مفاهیم کیفیت توان
تعریف کیفیت توان:؟
در واقع می توان گفت هر گونه انحراف قابل توجه درشکل موج ولتاژ از یک موج سینوسی با فرکانس و دامنه معین یک مسئله کیفیت توان محسوب می گردد.
کیفیت توان = کیفیت ولتاژ
شبکه قدرت ایده آل:
شبکه ای است که در آن انرژی الکتریکی به صورت ولتاژ وجریان سینوسی در فرکانس ثابت و در سطوح ولتاژ مشخصی ازسوی نیروگاه ها به مراکزمصرف منتقل می شود.

5
اختلالات عمده در سیتم قدرت
کاهش ناگهانی ولتاژ
قطعی های کوتاه مدت
افزایش ناگهانی ولتاژ
عدم تعادل ولتاژ
هارمونیک های ولتاژ و جریان
گذراهای ضربه ای و نوسانی
نوسانات ولتاژ (فلیکر)

6
منابع تولید هارمونیک
مهمترین دلیل تولید هارمونیک ها وجود بارهای غیر خطی در شبکه می باشد.
ادوات الکترونیک قدرت
وسایل فرومغناطیسی
تجهیزات تخلیه ای
منابع تولید هارمونیک

7
منابع تولید هارمونیک
ادوات الکترونیک قدرت: اینورترها، جبران کننده های استاتیک،سیستم های
HVDC، لامپهای کم مصرف، منابع تغذیه بدون وقفه(UPS) و….
وسایل فرومغناطیسی: ترانسفورماتورها، موتورهای AC
تجهیزات تخلیه ای:کوره های قوسی، لامپهای فلورسنت،لامپهای بخار
سدیم و بخار جیوه و…
از میان تجهیزات فوق، کوره های قوسی دارای اهمیت بیشتری هستند.
ظرفیت بیشتر کوره های قوسی در محیط های صنعتی.
وجودهارمونیک های میانی در طیف جریان کوره.

8
اثر هارمونیک ها بر روی شکل موج

9
چگونگی تولید هارمونیک توسط بارهای غیر خطی

10
طیف هارمونیکی یک مبدل شش پالسه

11
طیف هارمونیکی یک مبدل دوازده پالسه

12
اثرات هارمونیک بر تجهیزات
ترانسفورماتورها
ماشین های الکتریکی
خازن ها
کلیدها و فیوزها
رله ها
عایق ها و هادی ها
سیتم های کنترلی و مخابراتی
وسایل اندازه گیری

13
روش های مقابله با هارمونیک ها
ا قدامات پیشگیرانه
طراحی بهتر تجهیرات
استغاده از ترانسفورماتورها با ساختار مناسب
استفاده ار تجهیزات در ناحیه عملکرد خطی
ادوات بهبود کیفیت توان
فیلترهای پسیو
فیلترهای اکتیو
فیلترهای هیبرید

14
فیلترهای اکتیو
فیلتر اکتیو در حالت اتصال موازی با بار
فیلتر اکتیو در حالت اتصال سری با بار

15
فیلترهای اکتیو
اتصال سری فیلتر اکتیو و پسیو و مجموعا موازی با بار

16
شاخص های مهم در تحلیل هارمونیکی
موسسه های بین المللی نظیر IEEE و CIGRE ,IEC با توجه به شاخص های هارمونیکی
استانداردهایی برای هارمونیک ها مشخص کرده اند (نظیر IEStd519)

17
استانداردهای هارمونیکی

18
استانداردهای هارمونیکی
حدود اعوجاج مجاز جریان برای مشترکین شبکه­های توزیع 380 ولت و 20 کیلو ولت

19
روش‎های تحلیل هارمونیکی
تحلیل مبتنی بر تبدیل فوریه سریع (FFT)
استفاده از فیلترهای شکاف دار (Notch Filter)
استفاده از فیلتر کالمن (Kalman Filter)
استفاده از فیلترهای تطبیقی (Adaptive Filter)
تحلیل هارمونیکی مبتنی بر تخمین حالت (State Estimation)
استفاده از یک روش ترکیبی تحلیل هارمونیکی (Combine Method)
استفاده از شبکه های عصبی هوشمند

20
تحلیل مبتنی بر تبدیل فوریه سریع (FFT)
الگوریتم FFT تعداد اعمال ریاضی برای محاسبهDFT را کاهش می دهد
DFT سیگنال x[n] به صورت زیر تعریف می شود:
بافرض

21
مزایای FFT
قابلیت کارکرد با ولتاژ معوج
قابلیت حذف نویز و مولفه DC میرا شونده
اندازه گیری فاز به خوبی اندازه گیری دامنه
تشخیص پدیده های یکباره ای (single shot)

22
محدودیت های FFT
اثر نشتی طیفی (Leakage Effect)
محدودیت پنجره نمونه برداری
تبعیت از تئوری نایکوئیست
لزوم متناوب بودن شکل موج
(Picket-Fence Effect) اثر حصار نرده ای

23
فیلتر شکاف دار و کاربرد آن در تحلیل هارمونیکی
ناچ فیلتر ، فیلتری است که یک "تک فرکانس" خاص را از خود عبور نمی دهد .
در شبکه قدرت به دلیل استفاده از بارهایی مانند سیکلوکانورترها ، درایوهای کنترل
سرعت و کوره های قوس الکتریکی ، علاوه بر هارمونیک ها ، اینترهارمونیک ها نیز
وجود دارند. فرکانس اینتر هارمونیک ها کسری گویا از فرکانس اصلی شبکه می باشد.

24
ساختار فیلتر شکاف دار
فرم مستقیم
فرم نردبانی
مربوط به فرکانس ناچ
مربوط به پهنای باند ناچ

25
مدل فیلتر شکاف دار تطبیقی
با استفاده از الگوریتم های تطبیقی ، پارامترهای فیلتر باید به گونه ای تنظیم شود که
مقدار متوسط مربع سیگنال خطا (MSE) مینیمم گردد.
فرم نردبانی در الگوریتم های تطبیقی به طور معمول دارای عملکرد بهتری است.

26
پاسخ فرکانسی ناچ فیلتر نردبانی
ثابت زمانی فیلتر بیشترو
تاخیر در خروجی نهایی
Bکوچکتر

27
تخمین چند فرکانسی سری کردن فیلترهای شکاف دار نردبانی درجه دو
بااستفاده از یک الگوریتم اسلایدینگ ، دامنه و فاز هر مولفه محاسبه می شود .

28
الگوریتم اسلایدینگ
سیگنال هر مولفه بصورت زیر در نظر گرفته می شود :
این سیگنال در زمان نمونه برداری (n-1)ام برابر است با :
با حل دستگاه معادلات بالا

29
محاسبه ضرایب فوریه
ضرایب فوریه سیگنال ورودی با استفاده از معادلات زیر محاسبه می شود :
با توجه به اینکه ممکن است به علت نوسانات الگوریتم،
خروجی الگوریتم اسلایدینگ نوسانی و اغتشاش دار باشد
دامنه مولفه دقیقIIRبا عبور آن از یک فیلتر پایین گذر
و بدون تغییرات بدست می آید.

30
نتایج تحلیل توسط فیلتر شکاف دار
سیگنال ورودی x(t)، بصورت زیر در نظر گرفته شده است :

31
نتایج تحلیل توسط فیلتر شکاف دار
دامنه و فاز تخمین زده شده برای مولفه اصلی

32
نتایج تحلیل توسط فیلتر شکاف دار
دامنه و فاز تخمین زده شده برای هارمونیک سوم

33
نتایج تحلیل توسط فیلتر شکاف دار
دامنه و فاز تخمین زده شده برای هارمونیک سوم
دامنه تخمین زده شده برای میان هارمونیک
طیف فرکانسی سیگنال نمونه

34
مقایسه تحلیل FFT و تحلیل توسط فیلتر شکاف دار
چنانچه فرکانس اینترهارمونیک از 190هرتز به فرکانس دیگری که مضرب صحیحی
از فرکانس رزولشن نیست تغییر کند، استفاده از FFT با همان فرکانس رزولوشن
منجر به پدیده نشتی می شود.
اگر فرکانس اصلی شبکه از 50 هرتز به 51 هرتز تغییر داده شود تبدیل فوریه سریع در
مقابل تغییر فرکانس دچار نشتی می شود.
تحلیل توسط ناچ فیلتر، قادر به تشخیص و تعقیب فرکانس و دامنه تمام مولفه های
فرکانسی با بار محاسباتی فوق العاده کمتر می باشد.

35
استفاده از فیلتر کالمن در تحلیل هارمونیکی
فیلتر کالمن الگوریتمی بازگشتی است که برای تخمین حالت در فرآیندهای تصادفی
مورد استفاده قرار می گیرد.
مزیت اصلی فیلتر کالمن نسبت به سایر فیلترهای بازگشتی، استفاده از آخرین تخمین بدست آمده برای تخمین حالت بعدی سیستم است.
در تحلیل هارمونیکی با استفاده از فیلتر کالمن دو متغیر تصادفی در نظر گرفته می شود.
نویز فرایند(مدلسازی) w(k)
نویز اندازه گیری v(k)
هر دو به صورت نویز سفید و گوسی با میانگین صفر و واریانس Q و R می باشد.

36
تخمین حالت فرایند
K-1
K
مرحله TU
مرحله MU
مرحله بهنگام سازی (Time Update) TU: تغییر فرایند در بین دو لحظه نمونه برداری
مرحله بهنگام سازی اندازه گیریMU (Measurement Update ): در لحظه t با
دانستن مقدار y(k) همراه است.
در مرحله TU واریانس خطای تخمینی P(k/k-1) افزایش می یابد.
در مرحله MU واریانس خطای تخمینی P(k/k) با اطلاعات اندازه گیری y(k) کاهش می یابد.

37
معادلات حالت فیلتر کالمن
متغیرهای حالت در لحظه ی
با فرض

38
معادلات حالت فیلتر کالمن
نویزاندازه گیری
نویز فرایند(مدلسازی)
سیگنال S(t) شامل n فرکانس مختلف است

39
معادلات حالت سیستم
معادلات اندازه گیری
برای n هارمونیک
H(k)

40
محاسبه دامنه و فاز
از روی معادلات حالت مقادیر دامنه و فاز مولفه های هارمونیکی را بدست می آوریم.
به منظور حذف خطاهایی که در اثر انحراف فرکانس برق شهر از مقدار نامی رخ می دهد
الگوریتم را نسبت به فرکانس باید سنکرون نمود.

41
نمای الگوریتم کالمن
وارد نمودن تخمین اولیه
محاسبه بهره کالمن:
بهنگام نمودن تخمین به وسیله اندازه گیری zk :
انتقال به جلو:
محاسبه کواریانس خطا برای تخمین بهنگاه شده:
واریانس خطای آن

42
سنکرون نمودن الگوریتم کالمن
تخمین فرکانس
الگوریتم کالمن
برای تخمین فرکانس از متوسط گیری فرکانس لحظه ای مولفه متعامد پایه تخمین زده شده استفاده می شود که فرکانس لحظه ای از نسبت مشتق سیگنال به دست می آید.

43
مزایا و معایب فیلتر کالمن
استفاده از نمونه های بسیار کم
خطی بودن
پایداری مناسب
قابلیت حذف نویز
محاسبات زیاد به دلیل معکوس سازی ماتریس
نیاز به میکروپروسسور با سرعت بالا برای ذخیره اطلاعات
کاربرد کمتر برای شناسایی مولفه های هارمونیکی متغیر با زمان
مزایا
معایب

44
شبکه های عصبی
شبکه های عصبی به طور کلی سیستم های ریاضی یادگیر غیر خطی هستند. طرز کار این شبکه ها از روش کار مغز انسان الگو برداری شده است. در واقع شبکه عصبی ماشینی است برای ساخت یک مدل، که می توان آن را بوسیله سخت افزار یا نرم افزار شبیه سازی نمود و عملکردی شبیه مغز انسان دارد.
ساختار یک نرون بیولوژیک

45
شبکه های عصبی
شبکه عصبی از تعداد دلخواهی سلول، گره ، واحد یا نرون تشکیل می شود که مجموعه ورودی را به خروجی مرتبط می سازد.
میزان تاثیر ورودی بر خروجی به وسیله مقدار اسکالر w تعیین می شود0 ورودی دیگر که مقدار ثابت 1 است در جمله بایاس b ضرب شده است.

46
تقسیم بندی شبکه های عصبی
شبکه های عصبی را می توان از جهات متفاوت تقسیم بندی نمود.
تک لایه
چند لایه
مهمترین بخش شبکه های عصبی بخش یادگیری آنها می باشد.

شبکه های عصبی پروسپترون MLPNN
شبکه های عصبی تطبیقی خطی ADALINE
شبکه های عصبی بازگشتی RNN

47
ساختار شبکه های عصبی پرسپترون چند لایه و آدالاین
شبکه های آدالاین از لحاظ ساختار مشابه شبکه های پروسپترون می باشند، با این تفاوت که تابع تبدیل آنها خطی است، در حالیکه تابع تبدیل پرسپترون به صورت محدود ساز حدی می باشد.

48
قانون یادگیری شبکه پرسپترون تک لایه
انتخاب مقادیر اولیه ضرایب وزنی
تشکیل ماتریس ورودی و خروجی
محاسبه مقدار خروجی
تنظیم ضرایب وزنی
واحدهای لایه خارجی
واحدهای لایه پنهان
شبکه پرسپترون از قاعده آموزش قانون یادگیری پس انتشار خطا برای آموزش استفاده می کند.

49
قانون یادگیری شبکه آدالاین
انتخاب مقادیر اولیه ضرایب وزنی
تشکیل ماتریس ورودی و خروجی مطلوب
محاسبه مقدار خروجی مطلوب
شبکه آدالاین از قاعده آموزش قانون یادگیری ویدرو- هوف که تقریبی از الگوریتم
بیشترین شیب برای آموزش استفاده می کنند.
خروجی مطلوب
ضرایب وزنی را طبق قاعده دلتای ویدرو- هوف

50
فرآیند تخمین هارمونیکی با استفاده از شبکه عصبی آدالاین
الگوریتم آموزش شبکه عصبی آدالاین شامل بردارهای زیر می باشد:
بردار ورودی
بردار خروجی (ترکیبی خطی از بردار ورودی)
بردار سیگنال خروجی دلخواه
مجموعه ای از متغیرهای قابل تنظیم(ماتریس وزنها)
سیگنال اندازه گیری شده از سیستم قدرت در این الگوریتم بر اساس قاعده
دلتای ویدرو- هوف به ضرایب فوریه اش تجزیه می شود.

51
فرآیند تخمین هارمونیکی با استفاده از شبکه عصبی آدالاین
پارامترهای سیستم
پارامترهای مدل
فرایند بهنگام سازی
+
–
x(k+1)
y(k+1)
e(k+1)

52
مدلسازی مساله
شکل موج ولتاژ یا جریان اندازه گیری شده از سیستم قدرت
نمایش زمان گسسته سیگنال
ضریب نمونه برداری،
فرکانس نامی سیستم
فرکانس نمونه برداری،
نویز لحظه t

53
بردار ورودی و خروجی شبکه عصبی
اگر سیگنال اندازه گیری شده دارای مولفه DC میراشونده به صورت

مدلسازی مساله
باشد.
بردار ورودی فیلتر تطبیقی با استفاده از بسط تیلور مرتبه اول به صورت زیر خواهد بود.

54
مدلسازی مساله
در این حالت بردار ورودی فیلتر تطبیقی بصورت زیر خواهد بود.
حاصل جمع نویز و مولفه های غیر فرکانس اصلی سیگنال اندازه گیری شده است
در برخی از کاربردهای خاص مانند سیگنال مرجع جبرانسازی در فیلترهای اکتیو فقط
بدست آوردن دامنه و فاز فرکانس اصلی شکل موج دارای هارمونیک مورد نیاز است.

55
نتایج شبیه سازی برای یک سیستم نمونه
شکل موج جریان را با فرکانس اصلی 50 هرتز و نویز اتفاقی با واریانس 0/2 بصورت زیر در نظر می گیریم

56
نتایج شبیه سازی
طیف فرکانسی دامنه سیگنال ورودی
طیف فرکانسی فاز سیگنال ورودی

57
نتایج شبیه سازی
دامنه و فاز تخمین زده شده برای مولفه اصلی

58
نتایج شبیه سازی
دامنه و فاز تخمین زده شده برای هارمونیک سوم

59
نتایج شبیه سازی
دامنه و فاز تخمین زده شده برای هارمونیک پنجم

60
نتایج شبیه سازی
دامنه و فاز تخمین زده شده برای هارمونیک هفتم

61
نتایج شبیه سازی
دامنه و فاز تخمین زده شده برای هارمونیک یازدهم

62
نتایج شبیه سازی
دامنه و فاز تخمین زده شده برای هارمونیک سیزدهم

63
نتایج شبیه سازی
دامنه و فاز تخمین زده شده برای هارمونیک هفدهم

64
نتایج شبیه سازی
دامنه و فاز تخمین زده شده برای هارمونیک نوزدهم

65
نمودار تک خطی یک سیستم 14 باسه IEEE
باسهای 3،5 و14 دارای بارهای غیر خطی تولید کننده هارمونیک می باشند.

66
ساختار بار غیر خطی تولید کننده هارمونیک

67
اطلاعات خطوط شبکه برای یک سیستم 14 باسه IEEE

68
اطلاعات بار برای یک سیستم 14 باسه IEEE

69
اطلاعات ژنراتور برای یک سیستم 14 باسه IEEE

70
نتایج شبیه سازی برای یک سیستم 14 باسه IEEE
شکل موج ولتاژ باس شماره 3
طیف هارمونیکی ولتاژ باس شماره 3 نسبت به مولفه اصلی
THD=3.41
K-Factor=0.1246

71
نتایج شبیه سازی برای یک سیستم 14 باسه IEEE
شکل موج ولتاژ باس شماره 9
طیف هارمونیکی ولتاژ باس شماره 9 نسبت به مولفه اصلی
THD=6.03
K-Factor=0.6937

72
نتایج شبیه سازی برای یک سیستم 14 باسه IEEE
شکل موج ولتاژ باس شماره 14
طیف هارمونیکی ولتاژ باس شماره 14 نسبت به مولفه اصلی
THD=8.54
K-Factor=1.39

73
نتیجه گیری
سرعت همگرایی بالا
تعقیب تغییرات دینامیکی در کمتر از یک سیکل
حذف نویز و مولفه dc
تخمین با دقت بسیار بالا
پایداری الگوریتم در مقابل تغییر پارامترها
شبیه سازی های انجام شده با استفاده از شبکه های عصبی برای تخمین هارمونیکی
یک سیستم قدرت نتاج زیر را در برداشته است

74
پیشنهادات برای ادامه کار
استفاده از شبکه های عصبی در کنترل فیلترهای اکتیو و هیبرید.
بررسی برهمکنش متقابل بین منابع ولتاژ و بارهای غیر خطی.
بهبود کیفیت توان در ادوات مختلف سیستم قدرت با استفاده از آشکارسازی هارمونیکی مبتنی بر شبکه های عصبی.
استفاده از انواع دیگر شبکه های عصبی نظیرRBF برای تخمین هارمونیکی سیستم قدرت.
استفاده از الگوریتم PSO در آشکارسازی هارمونیکی تجهیزات مختلف سیستم قدرت.

75
با تشکر فراوان