ارائه یک شاخص تشخیص جزیره‌ای شدن برای شبکه توزیع با منابع تولید پراکنده دیزلی و اینورتری
محورهای موضوعی : مهندسی برق و کامپیوتر
امیرحسین علیزاده
1
,
سید فریبرز زارعی
2
1 - دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی قم، قم، ايران
2 - دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی قم، قم، ايران
کلید واژه:
چکیده مقاله :
در این مقاله، یک شاخص مبتنی بر مؤلفه‌های توالی صفر پیشنهاد شده که می‌تواند به عنوان تک‌شاخص برای تشخیص جزیرهایشدن استفاده شود. شاخص پیشنهادی نتایج مطلوبی به میزان 97.84% را با استفاده از یک مدل تنظیم آستانه ساده نشان می‌دهد. علاوه بر این، شاخص پیشنهادی می‌تواند در روش‌های مبتنی بر هوش مصنوعی برای دستیابی به دقت‌های بالاتر استفاده شود. بر اساس نتایج به‌دست‌آمده، استفاده از شاخص پیشنهادی به عنوان تک‌شاخص در یک مدل شبکه عصبی کانولوشنی یک‌بعدی (D CNN- 1) نتیجه رقابتی 99.78% را به دست می‌دهد. این نتیجه در مقایسه با نتایج روش‌های پیشرفته‌تر هوش مصنوعی مانند شبکه‌های عصبی حافظه کوتاه‌مدت پیشرفته (LSTM) که از تعداد بیشتری ویژگی مختلف استفاده می‌کنند قابل توجه است. جمع‌آوری داده‌ها برای آزمایش‌ها شامل شرایط مختلف جزیره‌ای/ غیرجزیرهای است؛ مانند جزیرهایشدن تحت شرایط بارگذاری مختلف و ضرایب توان متفاوت، جزیرهایشدن تحت مقادیر مختلف ضریب کیفیت و غیر جزیرهایشدن شامل روشن/ خاموش‌کردن بارهای بزرگ، روشن/ خاموش‌کردن بانک‌های خازنی و اعمال انواع خطاهای اتصال کوتاه در مکان‌های مختلف با مقاومت‌های اتصال کوتاه متفاوت می‌شود. نتایج همه آزمایش‌ها نشان از برتری روش و شاخص پیشنهادی است.
This paper proposes an index based on zero-sequence components that serves as a single indicator for islanding detection. The proposed index demonstrates satisfactory performance, achieving an accuracy of 97.84% using a simple threshold adjustment model. Additionally, this index can be integrated into artificial intelligence-based methods to enhance accuracy further. The results indicate that utilizing the proposed index as a single indicator within a one-dimensional convolutional neural network (1D-CNN) model yields a competitive accuracy of 99.78%. This outcome is noteworthy when compared to more advanced artificial intelligence methods, such as long short-term memory (LSTM) neural networks, which rely on a larger set of features. The data collection for testing encompasses various islanding and non-islanding conditions, including islanding under different loading conditions and power factors, as well as varying quality factor values. Non-islanding scenarios include the activation and deactivation of large loads and capacitor banks, along with the application of various short-circuit faults at different locations and resistances. The results from all tests demonstrate the superiority of the proposed method and index.
