استفاده گردیده است.
پس از پیاده­سازی و مقایسه روش­های ذکرشده، روش ریخت­شناسی ریاضیاتی و حداقل مربعات خطا بعنوان مناسب­ترین روش­ جهت آشکارسازی پدیده اشباع و جبرانسازی جریان معوج ثانویه CT پیشنهاد شده­اند.
علاوه بر موارد فوق­الذکر، تلاش شده است با تغییراتی در روش اعمال ریخت­شناسی ریاضیاتی (جهت آشکارسازی) و روش حداقل مربعات خطا (جهت جبرانسازی جریان معوج ثانویه)، امکان استفاده از روشهای مذکور در شرایط Online فراهم آید.
مشخصات هسته CT بررسی­شده در این پایان­نامه نیز بر اساس آزمایش عملی بر روی هسته یک CT واقعی استخراج­ گردیده و در نهایت، مدل حاصله در قسمتی از شبکه شبیه­سازی­شده ایران (در محیط نرم­افزار EMTP-RV) اعمال و مورد بررسی قرار گرفته است.
کلمات کلیدی: ترانسفورماتور جریان، آشکارسازی پدیده اشباع CT، مشتق مرتبه سوم، تبدیل موجک گسسته، ریخت­شناسی پیشرو، ریخت­شناسی ریاضیاتی، جبرانسازی جریان معوج ثانویه، حداقل مربعات خطا، تخمین جریان مغناطیس­کنندگی، شبکه عصبی مصنوعی
 

فهرست مطالب
عنوان                                          صفحه
فهرست جدول‌ها ‌ح
فهرست شکل‌‌ها ‌ط
فصل 1-. مقدمه
1-1-     مقدمه   2
1-2-     مروری بر کارهای انجام شده 3
1-3-     ساختار پایان نامه 4
فصل 2-. ترانسفورماتور جریان
2-1-  مقدمه   6
2-2-  معرفی انواع ترانسفورماتورهای جریان 6
2-3-  کمیتهای مهم در ترانسفورماتور جریان حفاظتی 8
2-4-  مدار معادل ترانسفورماتور جریان 10
2-5-  شار هسته ترانسفورماتور جریان در شرایط خطا 10
2-6-  اشباع ترانسفورماتور جریان حفاظتی 12
2-6-1- عوامل تأثیرگذار بر اشباع 13
2-7-  جمع­بندی 13
فصل 3-  روشهای آشکارسازی پدیده اشباع ترانسفورماتور جریان
3-1-     مقدمه   16
3-2-     آشکارسازی پدیده اشباع مبتنی بر مشتق مرتبه سوم 16
3-3-     آشکارسازی پدیده اشباع مبتنی بر تبدیل موجک گسسته 19
3-3-1- توابع مادر و خصوصیات آنها 20
3-3-2- رفتار فیلتری و مشخصه فرکانسی توابع و 24
3-3-3- وابستگی نرخ نمونه برداری به بالاترین حد فرکانسی 24
3-3-4- انواع دیگر توابع مادر 26
3-4-     آشکارسازی پدیده اشباع مبتنی بر روش ریخت­شناسی ریاضیاتی یک­بعدی 28
3-4-1- عملگرهای اساسی MM 28
3-4-2- فیلترهای MM 29
3-4-3- اجزاء ساختاری (SE) 29
3-4-4- آشکارسازی اشباع مبتنی بر روش MM 30
3-5-     آشکارسازی پدیده اشباع با استفاده از روش ریخت­شناسی پیشرو 33
3-5-1- عملگرهای MLS 33
فصل 4– مدلسازی و مقایسه روشهای آشکارسازی پدیده اشباع
4-1-     مقدمه   37
4-2-     مدلسازی ترانسفورماتور جریان 37
4-3-     نتایج حاصل از آشکارسازی پدیده اشباع CT مبتنی بر روش مشتق مرتبه سوم 42
4-4-     نتایج حاصل از آشکارسازی پدیده اشباع با استفاده از روش تبدیل موجک 43
4-4-1- آستانه گذاری تطبیقی 44
4-5-     نتایج حاصل از آشکارسازی پدیده اشباع CT با استفاده از روش پیشنهادی MM 45
4-6-     نتایج حاصل از آشکارسازی پدیده اشباع CT مبتنی بر MLS 47
4-7-     مقایسه روشهای بررسی شده آشکارسازی پدیده اشباع CT 48
فصل 5-  روشهای جبرانسازی جریان معوج ثانویه ترانسفورماتور جریان
5-1-     مقدمه   51
5-2-     جبرانسازی جریان معوج ثانویه CT با استفاده از روش حداقل مربعات خطا (LSE) 51
5-2-1- روش حداقل مربعات خطا (LSE) 51
5-2-2- استفاده از روش LSE برای جبرانسازی جریان معوج ثانویه CT 53
5-3-     جبرانسازی جریان معوج ثانویه CT مبتنی روش تخمین جریان مغناطیس­کنندگی 55
5-4-     روش پیشنهادی جبرانسازی جریان معوج ثانویه CT با استفاده از شبکه عصبی 59
5-4-1- فرایند آموزش شبکه عصبی 59
5-4-2- جبرانسازی جریان معوج ثانویه با استفاده از شبکه عصبی مصنوعی 60
5-5-     مقایسه روشهای بررسی شده جبرانسازی جریان معوج ثانویه CT 70
فصل 6-  روشهای پیشنهادی پایان­نامه بمنظور آشکارسازی پدیده اشباع و جبرانسازی جریان معوج­ CT در شرایط Online
6-1-     آشکارسازی پدیده اشباع CT مبتنی بر روش ریخت­شناسی ریاضیاتی در شرایط Online         …………………. 73
6-2-     جبرانسازی جریان معوج ثانویه در شرایط Online مبتنی بر روش پیشنهادی حداقل مربعات خطای اصلاح شده (MLSE) 75
6-2-1- امکان بکارگیری در شرایط Online 77
6-3-     فلوچارت پیاده­سازی آشکارسازی آشکارسازی پدیده اشباع CT و جبران سازی جریان معوج ثانویه در شرایط Online 77
فصل 7-. جمع­بندی، نتیجه­گیری و ارائه پیشنهادات
7-1-     جمع­بندی و نتیجه­گیری 81
7-2-     پیشنهادات 82
فهرست مراجع 83
پیوست یک   87
پیوست دو     90
فهرست جدول‌ها
عنوان                                          صفحه
جدول ‏4‑1 : مدت زمان پیاده­سازی روشهای آشکارسازی پدیده اشباع 49
جدول ‏5‑1 : اطلاعات شرایط ساختاری در نظر گرفته شده برای   آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای صفر اهم 64
جدول ‏5‑2 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای 25/1 اهم 65
جدول ‏5‑3 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای 5/2 اهم 66
جدول ‏5‑4 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای 75/3 اهم 67
جدول ‏5‑5 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای 5 اهم 68
 
فهرست شکل‌‌ها
عنوان                                         صفحه
شکل ‏2‑1 : نحوه­ی اتصال CT به شبکه قدرت 6
شکل ‏2‑2: مدار معادل ترانسفورماتور جریان 10
شکل ‏2‑3 : جریان اولیه و ثانویه اشباع­شده CT 13
شکل ‏3‑1 : جریان اولیه منتقل شده به ثانویه و جریان ثانویه CT 16
شکل ‏3‑2 : تخمین جریان با استفاده از مشتقات مرتبه اول (الف)، دوم (ب) و سوم (ج) 18
شکل ‏3‑3 : نمونه­ای از تابع مادر (db10) و تابع عمود بر آن[23] 21
شکل ‏3‑4 : پروسه محاسبه ضرایب مولفه دقیق و تقریبی در مراحل مختلف تجزیه 23
شکل ‏3‑5 : مشخصه فرکانسی فیلتر موجک با تابع مادر در مراحل مختلف تجزیه 23
شکل ‏3‑6 : مشخصه فرکانسی توابع مادر مختلف به ازای فرکانس نمونه برداری 10 کیلوهرتز 25
شکل ‏3‑7: مشخصه فرکانسی تابع مادر (db2) به ازای فرکانس نمونه برداری 5 کیلوهرتز 26
شکل ‏3‑8: تابع Haar گسسته 26
شکل ‏3‑9: توابع Daubechies پیوسته 27
شکل ‏3‑10 : تابع Mexican Hat پیوسته 27
شکل ‏3‑11 : تابع Morlet پیوسته 27
شکل ‏3‑12 : تابع Meyer پیوسته 27
شکل ‏3‑13 : نتیجه اعمال عملگرها و فیلترهای MM بر سیگنالf 30
شکل ‏3‑14 : اشکال مورد استفاده برای اجزاء ساختاری 30
شکل ‏3‑15 : تبدیل فوریه سیگنال جریان ثانویه CT در شرایط عادی سیستم و در شرایط خطا بدون معوج شدن سیگنال 31
شکل ‏3‑16 : تبدیل فوریه سیگنال جریان ثانویه CT در شرایط عادی سیستم و در شرایط خطا و معوج شدن سیگنال جریان 31
شکل ‏3‑17 : نتیجه اعمال فیلترهای متوسط­گیر و تفاضلی بر سیگنال f 32
شکل ‏3‑18 : گام­های روش MLS 33
شکل ‏3‑19 : نتیجه اعمال عملگرهای MLS بر سیگنال 34
شکل ‏4‑1 : مدار آزمایشگاهی استخراج منحنی هیسترزیس هسته CT 38
شکل ‏4‑2 : ترانسفورماتور جریان مدلسازی شده در نرمافزار EMTP-RV 39
شکل ‏4‑3 : منحنی رفت هیسترزیس مدل­شده در فیلتر هیسترزیس 39
شکل ‏4‑4 : منحنی هیسترزیس مدلسازی شده در نرم افزار EMTP-RV 39
شکل ‏4‑5 : شبکه انتقال (شبیه سازی شده در نرم افزار EMTP-RV ) 40
شکل ‏4‑6 : شبکه انتقال مورد بررسی (قسمتی از شبکه ایران) 41
شکل ‏4‑7 : نمونه سیگنال جریان خروجی پست شماره 2 به ازای اتصال کوتاه در 25 میلی ثانیه 41
شکل ‏4‑8 : نمونه سیگنال جریان خروجی پست شماره 2 به ازای اتصال کوتاه در 25 میلی ثانیه از دید ثانویه CT 41
شکل ‏4‑9 : آشکارسازی پدیده اشباع مبتنی بر روش مشتق مرتبه سوم به ازای وقوع خطا در زاویه صفر درجه جریان 42
شکل ‏4‑10 : آشکارسازی پدیده اشباع مبتنی بر روش مشتق مرتبه سوم به ازای وقوع خطا در زاویه 180 درجه جریان 42
شکل ‏4‑11 : آشکارسازی پدیده اشباع مبتنی بر روش تبدیل موجک به ازای خطا در زاویه صفر درجه جریان 44
شکل ‏4‑12 : آشکارسازی پدیده اشباع مبتنی بر روش تبدیل موجک به ازای خطا در زاویه 180 درجه جریان 44
شکل ‏4‑13 : سیگنال اجزا ساختاری مناسب برای سیستم­های قدرت با طول 20 نمونه 45
شکل ‏4‑14 : آشکارسازی پدیده اشباع مبتنی بر روش MM به ازای خطا در زاویه صفر درجه جریان 46
شکل ‏4‑15 : آشکارسازی پدیده اشباع مبتنی بر روش MM به ازای خطا در زاویه 180 درجه جریان 46
شکل ‏4‑16 : آشکارسازی پدیده اشباع مبتنی بر روش MLS به ازای خطا در زاویه صفر درجه جریان 47
شکل ‏4‑17 : آشکارسازی پدیده اشباع مبتنی بر روش MLS به ازای خطا در زاویه 180 درجه جریان 48
شکل ‏5‑1 : جریان­های اولیه ارجاع داده شده به ثانویه و جریان ثانویه CT در حالت اشباع­شده 54
شکل ‏5‑2 : جبرانسازی جریان ثانویه CT با استفاده از روش LSE به ازای خطا در زاویه صفر درجه جریان 55
شکل ‏5‑3 : جبرانسازی جریان ثانویه CT با استفاده از روش LSE به ازای خطا در زاویه 180 درجه جریان 55
شکل ‏5‑4 : مدار معادل CT 56
شکل ‏5‑5 : جریانهای اولیه و ثانویه معوج CT 56
شکل ‏5‑6 : جبرانسازی جریان ثانویه CT با استفاده از روش MLS به ازای خطا در زاویه صفر درجه جریان 58
شکل ‏5‑7 : جبرانسازی جریان ثانویه CT با استفاده از روش MLS به ازای خطا در زاویه 180 درجه جریان 59
شکل ‏5‑10 : ساختار شبکه عصبی مصنوعی انتخاب شده 60
شکل ‏5‑8 : جبرانسازی جریان ثانویه CT با استفاده از شبکه عصبی مصنوعی آموزش دیده بوسیله اطلاعات شبکه با ساختار ثابت 61
شکل ‏5‑9 : جبرانسازی جریان ثانویه CT موجود در شبکه تغییر ساختار یافته با استفاده از شبکه عصبی مصنوعی آموزش دیده بوسیله اطلاعات شبکه با ساختار ثابت 62
شکل ‏5‑11 : جبرانسازی جریان ثانویه CT موجود در شبکه تغییر ساختار یافته با استفاده از شبکه عصبی مصنوعی آموزش دیده بوسیله اطلاعات شبکه با در نظر گرفتن تغییرات ساختاری ممکن در شبکه نمونه 69
شکل ‏5‑12 : جبرانسازی جریان ثانویه CT موجود در شبکه تغییر ساختار یافته با استفاده از شبکه عصبی مصنوعی آموزش دیده بوسیله اطلاعات شبکه با در نظر گرفتن تغییرات ساختاری ممکن در شبکه نمونه 69
شکل ‏6‑1 : آشکارسازی پدیده اشباع مبتنی بر روش MM در شرایط Online به ازای خطا در زاویه صفر درجه جریان 74
شکل ‏6‑2 : آشکارسازی پدیده اشباع مبتنی بر روش MM در شرایط Online به ازای خطا در زاویه 180 درجه جریان 74
شکل ‏6‑3 : آشکارسازی پدیده اشباع مبتنی بر روش MM در شرایط Online به ازای خطا در زاویه صفر درجه جریان 75
شکل ‏6‑4 : جبرانسازی جریان ثانویه CT با استفاده از روش MLSE به ازای خطا در زاویه صفر درجه جریان 76
شکل ‏6‑5 : جبرانسازی جریان ثانویه CT با استفاده از روش MLSE به ازای خطا در زاویه 180 درجه جریان 77
شکل ‏6‑6 : فلوچارت آشکارسازی پدیده اشباع CT و جبران سازی جریان معوج ثانویه در شرایط Online 78
 
 

فصل 1-    مقدمه
فصل اول:
مقدمه
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

1-1-             مقدمه
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)[1] 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 که جریان ثانویه‌ی CTها از تفاضل جریانِ ترانسفورماتوری اولیه و جریان مغناطیس­کنندگی 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 مولفه DC جریان خطا (که معمولاً در طراحی CT لحاظ نمی­گردد)، پدیده 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 پدیده 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-              مروری 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،