تشخیص کیفیت توان جزیره ای با استفاده از بهینه سازی جستجوی روشنایی با مدل یادگیری عمیق در سیستم های تولید پراکنده

سیستم قدرت فعلی با عملکرد هماهنگ نیروگاه های عظیم کار می کند که انرژی زیادی تولید می کند و آن را از طریق خطوط ارتباطی طولانی با ولتاژ بالاتر ارسال می کند قبل از اینکه ولت را برای استفاده در مصرف کنندگان کاهش دهد. [1]. این مهم بود زیرا هزینه تولید مقادیر بسیار زیاد برق کمتر از هزینه تولید چندین مقدار کوچکتر برق بود. با این حال، توسعه فناوری‌هایی مانند توربین‌های بادی و فتوولتائیک، سلول‌های سوختی، نوآوری در الکترونیک قدرت، توربین‌های گازی، میکرو هیدرولیک، تقاضای مشتری برای قابلیت اطمینان و کیفیت بهتر برق، مقررات‌زدایی بازار برق، و مهم‌تر از همه عوامل محیطی، قدرت را وادار کردند. بخش برای تغییر دیگری [2]، [3]. طی چند سال گذشته، نفوذ مهم تولید پراکنده (DGs) در شبکه های توزیع، مشکلات ابتکاری در حفاظت از این شبکه ها را شکل داده است. مشکلات شناخته شده شناسایی شرایط جزیره است [4]. در زمان رویداد جزیره ای، بخشی از شبکه توزیع دارای DG به طور تصادفی از شبکه اصلی جدا می شود که اغلب توسط حفاظت از عملکرد قطع کننده مدار و رله ها ساخته می شود. [5]. وضعیت جزیره ای باید به درستی شناسایی شود. سپس، ممکن است منجر به آسیب های متوالی به DG ها و تجهیزات آنها شود. علاوه بر این، شرایط جزیره ای غیر جهت دار ممکن است منجر به انحراف ولتاژ و فرکانس از محدوده استاندارد، عملکرد نامناسب حفاظت ها و خطراتی برای افراد شود. [6].

در حالی که ایستگاه‌های تولید مرکزی به عنوان DG شناخته می‌شوند، سایر ژنراتورها می‌توانند نزدیک‌تر به باری که در حال خدمت هستند، مانند در محل مصرف‌کننده قرار گیرند. از آنجایی که DG می تواند بهبود ظرفیت T&D را نادیده بگیرد، تلفات خطوط T&D را کاهش دهد، کیفیت توان را بهبود بخشد و مشخصات ولتاژ سیستم را افزایش دهد، مقدار DG در سیستم توزیع افزایش یافته است. [7]. در واقع، استفاده های متعدد در سراسر جهان قبلاً حاوی نفوذ مهمی از DG در سیستم آن بود. اما مشکلات متعددی وجود دارد که باید با DG در نظر گرفته شود و یکی از این مشکلات اصلی جزیره ای بودن بود. جزیره شدن به شرایطی در یک الگوریتم توزیع 76m اشاره دارد که به صورت الکترونیکی ایزوله از بقیه سیستم قدرت عمل می کند، اما در عین حال تحمل می کند که توسط DG متصل به آن انرژی داده شود. [8]. به طور کلی، تکنیک های شناسایی جزیره ای به دو گروه اصلی تکنیک های محلی و از راه دور طبقه بندی می شوند [9]. چنین روش‌هایی دارای اثر صفر بر کیفیت توان و پاسخ سریع، قابلیت اطمینان بالا و NDZ ناچیز هستند، اما برای استفاده در شبکه‌های توزیع کوچک هزینه بر هستند. [10]. بنابراین، روش های محلی به طور گسترده ای برای شناخت جزیره ای مورد استفاده قرار گرفت. این روش ها به عنوان تکنیک های ترکیبی، غیرفعال و فعال طبقه بندی می شوند. تکنیک های محلی غیرفعال یا فعال بر اساس اندازه گیری پارامتر (که باعث ایجاد اختلال در خروجی اینورتر می شود) طبقه بندی می شوند. علاوه بر این، روش‌های غیرفعال هیچ تأثیری بر THD سیستم ندارند، اما می‌توانند یک NDZ ایجاد کنند که به اندازه کافی بزرگ باشد تا از تشخیص جزیره‌ای جلوگیری کند. از سوی دیگر، روش‌های فعال این مزیت را دارند که تقریباً در همه شرایط قادر به شناسایی جزیره‌ای هستند، اما نیاز به ایجاد اختلالی دارند که می‌تواند باعث ناپایداری یا اعوجاج در شبکه در طول عملیات عادی شود و در نتیجه کیفیت توان را کاهش دهد. در نهایت، روش‌های ریموت یا «غیر ساکن در اینورتر»، که بر کیفیت توان تأثیر نمی‌گذارند و فاقد NDZ هستند، نیاز به نصب سخت‌افزار اضافی دارند که منجر به هزینه‌های بالاتر و ممکن است در بسیاری از موقعیت‌ها غیرعملی باشد. اساساً، تکنیک از راه دور متکی است ارتباط بین DG و خدمات شهری نمونه هایی از رویکردهای راه دور شامل سیگنال های تولید شده توسط قطع (SPD)، کنترل نظارتی و جمع آوری داده ها (SCADA) است. [5, and the power line signalling scheme]این تکنیک نسبت به تکنیک محلی به سطح بالاتری از قابلیت اطمینان دست می یابد، اما اجرای آن در یک سیستم قدرت کوچک هزینه بیشتری دارد.

این مقاله یک تشخیص کیفیت توان جزیره ای با استفاده از بهینه سازی جستجوی روشنایی با مدل یادگیری عمیق (IPQD-LSODL) را معرفی می کند. در اصل، مدل پیشنهادی از روش تجزیه حالت تجربی پایین نمونه‌برداری (DEMD) برای فیلتر کردن سیگنال پایه از سیگنال‌های آلوده استفاده می‌کند. علاوه بر این، از مدل شبکه باور عمیق (DBN) برای طبقه‌بندی رویدادها به IPQ و NIPQ استفاده می‌شود. علاوه بر این، فراپارامترهای مدل DBN به طور بهینه با استفاده از الگوریتم LSO با هدف دستیابی به حداکثر دقت طبقه‌بندی انتخاب می‌شوند. اعتبار سنجی عملکرد مدل IPQD-LSODL از طریق مطالعه مقایسه ای با مدل های موجود انجام و اعتبار سنجی می شود.