ارائه یک روش هوشمند ترکیبی جهت تشخیص و اصلاح اشباع ترانسفورماتورهای جریان بااستفاده از بردارهای پشتیبان رگرسیون

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 488

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMCONF02_010

تاریخ نمایه سازی: 5 بهمن 1395

چکیده مقاله:

عملکرد صحیح رله های حفاظتی به طور مستقیم به دقت ترانسفورماتورهای جریان (CT) در حالتهای ماندگار و گذرا بستگی دارد. اشباع هسته ترانسفورماتورهای جریان ممکن است موجب عملکرد اشتباه رله و یا حتی عدم تشخیص خطا گردد. بنابراین تشخیص و جبران سازی پدیده اشباع برای عملکرد صحیح سیستم حفاظتی حائز اهمیت میباشد. جبرانسازی نرم افزاری پدیده اشباع ترانسفورماتور جریان با استفاده از الگوریتمهای هوشمند راهکار مناسبی برای حل این مشکل بوده که منجر به کاهش هزینه و افزایش قابلیت اطمینان سیستم حفاظتی خواهد شد. در این مقاله روش بردارهای پشتیبان رگرسیون (SVR) جهت تصحیح شکل موج معوج جریان ثانویه ترانسفورماتور جریان به کار گرفته میشود. همچنین الگوریتم جستجو مبتنی بر روش بهینهسازی ازدحام ذرات (PSO) جهت تعیین بهینه پارامترهای روش بردارهای پشتیبان رگرسیون برای افزایش دقت مدل ارائه میگردد. به منظور ارزیابی عملکرد روش ارائه شده، قسمتی از سیستم قدرت ایران شبیه سازی شده و شرایط کاری مختلف ترانسفورماتور جریان به منظور بررسی PSCAD به عنوان شبکه نمونه در نرم افزار سطوح اشباع مختلف مورد بررسی قرار میگیرد. سیگنال های جریان معوج به دلیل رخداد اشباع ترانسفورماتور جریان به در نظر گرفته میشود. از جمله ویژگی های این روش ،MATLAB عنوان ورودی مدل پیاده سازی شده در نرم افزار میتوان به تعداد پارامترهای کم، سادگی مدل و حجم کم محاسبات، زمان پاسخگویی سریع، سهولت در پیاده سازی و همچنین امکان پیاده سازی در شرایط بهنگام اشاره نمود.

کلیدواژه ها:

ترانسفورماتور جریان (CT) پدیده اشباع ، بردارهای پشتیبان رگرسیون ، (SVR)روش بهینه سازی ازدحام ذرات .(PSO)

نویسندگان

رضا تقی پور گرجی

دانشجوی کارشناسی ارشد مهندسی برق قدرت، دانشگاه صنعتی نوشیروانی بابل،

سید مهدی حسینی

استادیار دانشکده برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل،

علی اکبر عبدوس

استادیار دانشکده برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Kang, Y.C. , Park, J.K. , Kang, S.H. _ Johns, ...
  • (1996) , :Development And Hardware Impl ementation Of A Compensating ...
  • Kang Y.C. , Park J.K. , Kang S.H. , Johns ...
  • Kang Y.C. , Lim U.J. , Kang S.H. and Crossley ...
  • .Wiszniewsk A. , Rebizant W. and Schiel L. (200 8), ...
  • Dashti H. , Sanaye Pasand M. and Davarpanah M. (2009), ...
  • Hooshyar A.M. _ Sanaye Pasand M. and Davarpanah M. (20 ...
  • Kang Y.C. , Ok S.H. and Kang S.H. (2004), "A ...
  • dos Santos E. M , Cardoso G., Farias P. E. ...
  • Kang Y.C. , Ok S.H. , Kang S.H. , Crossely ...
  • Kang Y.C. , Ok S.H., and Kang S.H. (2004), "A ...
  • Bunyagul T. , Crossley P.A. and Gale P. (200 1), ...
  • Bak D.J. , Dong X.Z. , Wang B. , Shi ...
  • Li F. , Li Y. and Aggarwal R.K. (2002) , ...
  • Hong Y.Y. and Chang-Chian P.C. (2008) , :Detection And Correction ...
  • Hong Y.Y. and Wei D.W. (20 10) _ _ Compensation ...
  • Khora shadi-Zadeh H. and S anaye-Pasand M. (2006) , "Correction ...
  • Rebizant W. and Bejmert D. (2007) , Current Transformer Saturation ...
  • Yu D.C. , Cummins J.C , Wang Z. , Yoon ...
  • Rebizant W. and Bejmert D. (2007) , Current Transformer Saturation ...
  • Vapnik V. (2007), ;The Nature Of Statistical Learning Theory, " ...
  • Cortes C and Vapnik V. (1995), ;Support Vector Networks, " ...
  • Yong-Cheol K. Lim U.J. , Kang S.H. and Crossley P.A. ...
  • Annakkage _ , McLaren P., , Dirks E. , Jayasinghe ...
  • Maus A. and Sprott C. (2011), ;Neural Network Method For ...
  • Kennedy J. and Eberhart R.C. (1995), :Particle Swarm Optimiz ation, ...
  • نمایش کامل مراجع