بكارگيري شبكه عصبي در حفاظت دیفرانسیل در متلب

در ادامه آموزش های سایت همیارپروژه برنامه نویسی متلب ارائه خواهد شد .آموزشها از مقدماتی تا پیشرفته ادامه دارد و ما به شما کدنویسی در نرم افزار متلب را رایگان یاد خواهیم داد. با ما همراه باشید.

 بكارگيري شبكه عصبي در حفاظت دیفرانسیل در متلب

از مهمترين مراحل مدلسازي مسئله، تعيين دقيق تعداد وروديها وخروجي ها مي باشد. با توجه به اين نكته كه در اين مقاله براي اولين بار از تكنيك بازدارنده شاري براي تكميل حفاظت ديفرانسيل مبتني بر شبكه عصبي استفاده شده است، به روش سعي و خطا و با بررسي ميزان اثر تعداد متغييرهاي ورودي بر پيچيدگي و دقت شبكه عصبي، حالات مختلفي بررسي گرديده است. در اين مسئله وروديهاي شبكه عصبي  نمونه‌هاي جريان تفاضلي وولتاژهاي اوليه و ثانويه ترانسفورماتور (براي در نظر گرفتن اثر تغيير تپ و محاسبه شار) در نظر گرفته شده اند.

براي يك ترانسفورماتور سه فاز ، سه جريان ديفرانسيل در هر لحظه وجود دارد. با وجود اين براي هر مرحله از آموزش نيازي به نمونه برداري از هر سه اين جريان ها نمي باشد و نمونه برداري از جريان تفاضلي يك فاز كافي خواهد بود.

جريان هاي طرف اوليه و ثانويه ترانسفورماتور ابتدا به كمك CT  ها به مقادير پريونيت تبديل مي شوند سپس تفاضل اين جريان ها و نيز ولتاژ هاي اوليه و ثانويه ترانسفورماتور كه از طريق PT  ها نمونه برداري شده اند به منظور جلوگيري از بروز پديده هم اثري، از يك فيلتر پايين گذر كه داراي فركانس قطع كمتر از نصف فركانس نمونه برداري  مي باشد، عبور مي‌نمايد. در مرحله بعد از اين جريان ها و ولتاژها نمونه‌برداري شده و مقادير آنالوگ به ديجيتال تبديل مي‌گردند. در اين مرحله نمونه هاي ديجيتالي شده، آماده اعمال به شبكه عصبي پيشنهادي هستند. در كارهاي انجام شده قبلي از داده هاي خام نمونه‌برداري  شده به عنوان  ورودي  به شبكه عصبي استفاده مي گرديد. در اين مقاله بجاي اعمال مستقيم داده هاي خام، از يك پيش پردازنده استفاده شده است. اين پيش پردازنده براي استخراج دامنه هارمونيك‌هاي اول تا پنجم جريان تفاضلي و دامنه هارمونيك اصلي ولتاژهاي اوليه و ثانويه، از يك فيلتر FFT و يك تخمين زننده دامنه، استفاده  مي نمايد.خروجي اين پيش پردازنده به شبكه عصبي اعمال مي شود كه اين امر سبب كاهش وروديها به ANN و كاهش داده هاي آموزش و زمان آموزش مي شود. در شكل ۲ بلوك دياگرام تهيه داده ها و اعمال نتايج به شبكه عصبي به عنوان ورودي نشان داده شده است.

جمع آوري  داده هاي آموزشي شبکه عصبی در matlab

شبكه هاي عصبي نياز به آموزش دارند و بيشتر براي كاربردهايي مفيد هستند كه رابطه دقيقي بين ورودي ها و خروجي ها تعريف نشده باشد. براي آموزش اين شبكه ها، داده هاي آموزشي و خروجي مطلوب براي آنها، به كمك  يكي از چند طريق زير قابل دستيابي هستند :

۱ – ثبت دقيق پارامترهاي واقعي سيستم

۲ – انجام تست هاي آزمايشگاهي

۳ – شبيه سازي كامپيوتري

داده‌هاي آموزشي مورداستفاده دراين مقاله به كمك شبيه‌سازي‌هاي متكي بر نرم‌افزار PSCAD/EMTDC بدست آمده اند. شكل ض-۱ دياگرام تك خطي شبكه قدرت موردنظر براي شبيه سازي را نشان مي دهد. داده هاي سيستم مورد استفاده بمنظور امكان مقايسه اقتباس شده است. جدول ۱ كليه حالتهاي شبيه سازي شده را نشان مي دهد. بايد توجه داشته باشيم كه تعداد حالتهاي لازم  براي شبيه سازي حالتهاي جريان هجومي، خطاهاي داخلي و خارجي و حالت هاي تركيبي آنها حتي در مورد يك شبكه ساده، بسيار زياد مي باشد. در آموزش شبكه هاي عصبي بايد توجه گردد كه ضمن جامعيت داده ها، شبكه عصبي از حداقل داده هاي لازم براي آموزش بهره گيري نمايد، بطوريكه داده هاي آموزشي آنقدر زياد نباشند كه سبب بروز مشكل Over Training  در شبكه عصبي گردد.

جدول ۱ – برنامه ريزي كليد ها براي ايجاد شرايط متفاوت (c: close & o: open )

شبكه عصبي ارائه شده در اين مقاله از دامنه هارمونيك هاي جريان ديفرانسيل و نيز دامنه ولتاژ هاي اوليه و ثانويه ترانسفورماتور به عنوان ورودي به بخش پيش پردازش استفاده مي نمايد. در اين مقاله بمنظور جلوگيري از خطاي مربوط به نرخ نمونه برداري و بمنظور دقت بالا نرخ نمونه برداري ۲۰ نمونه در هر سيكل انتخاب گرديده است. با توجه به فاصله زماني وقوع عيب تا تشخيص عيب و صدور فرمان قطع كليد، در آموزش شبكه عصبي از داده هاي نمونه برداري شده ۲۰ msec پس از وقوع خطا استفاده شده است. رعايت نكته فوق سبب شده است كه آموزش شبكه عصبي ساده شود ( در لحظه بروز خطا و در چند ميلي ثانيه بعد از آن حالت هاي گذرايي وجود دارد. در صورت در نظر گرفتن اين بخش آموزش شبكه عصبي بسيار پيچيده تر خواهد شد، بدون آنكه دقت شبكه افزايش پيدا نمايد

ساختار شبكه عصبي در matlab

مطالعات نشان مي دهند كه ساختار شبكه عصبي پرسپترون چند لايه با آلگوريتم آموزش پس انتشار خطا براي اعمال حفاظت ديفرانسيل از ديگر روش ها مناسب تر مي باشد . در اين مطالعه پس از انتخاب نوع روش، مسئله مهم  انتخاب ورودي هاي مناسب براي آموزش شبكه عصبي مي باشد. در اين مقاله با توجه به اين نكته كه براي اولين بار از شار داخل ترانسفورماتور به عنوان عامل بازدارنده استفاده شده است نحوه انتخاب تعداد ورودي ها و نوع آنها از اهميت بالايي برخوردار است. به اين منظور و با توجه به اين نكته كه هيچ مرجع خاصي در اين مورد وجود نداشت با استفاده از روش سعي و خطا و با بررسي جواب هاي خروجي شبكه عصبي در حالات كاري متفاوت ترانسفورماتور، شبكه با دو ورودي ذيل داراي بهترين پاسخ ممكن بودند. اين دو ورودي عبارتند از:

۱- نسبت دامنه هارمونيك اول جريان ديفرانسيل  به جريان مبنا

۲- نسبت دامنه هارمونيك اصلي شار داخل   ترانسفورماتور

در حالت هاي تركيبي ديگري كه مورد تست  و بررسي قرار گرفت، ورودي هاي ديگري از جمله دامنه هارمونيك اصلي شار هر سه فاز ترانسفورماتور، نسيت شار يك فاز به مجموع شار سه فاز ترانسفورماتور و… نيز مورد بررسي قرار گرفتند، ولي مشاهده شد كه دقت عملكرد شبكه با زياد كردن ورودي ها به فرم فوق تغيير چنداني نمي نمايد. بنابراين ساده ترين ساختار ممكن كه داراي جواب هاي قابل قبول در تشخيص همه حالات كاري ترانسفورماتور با حداقل خطا بود به عنوان جواب نهايي در نظر گرفته شد.

شكل ۲ – ساختار شبكه عصبي و ورودي ها

خروجي شبكه عصبي نيز يك خروجي باينري بيشتر نخواهد بود (حالت تريپ و غير تريپ ). انتخاب لايه هاي مياني نيز به روش سعي و خطا انجام مي‌شود. براي رسيدن به شبكه مطلوب ساختارهاي متفاوتي از لايه هاي مياني مورد تست و آزمون قرار گرفت ( از ساختار هايي با يك لايه مياني و يا دو لايه مياني). يك شبكه با ۲ نرون در ورودي، ۳ نرون در لايه مياني اول، ۴ نرون در لايه مياني دوم و يك نرون در لايه خروجي داراي بهترين و ساده ترين ساختار حاصل براي اين روش بود، كه در شكل ۲ نشان داده شده است.

در اینجا آشنایی با محیط متلب بخش صد و بیست و پنجم به پایان رسیده است و در آموزش های بعدی به مباحث دیگر آموزش متلب می پردازیم. همچنین از شما مخاطبین عزیز سایت همیارپروژه دعوت می کنم که برای انجام پروژه متلب خود آموزش های ما را دنبال نمایید.

نویسنده: زهرا رستمی

جهت سفارش پروژه به لینک زیر مراجعه نمایید :

سفارش پروژه

همچنین می توانید برای ارتباط سریعتر با شماره و آیدی تلگرام زیر تماس حاصل کنید :
۰۹۱۲۹۵۴۰۱۲۲ – آیدی تلگرام : @fnalk

از طریق کلیک برروی آیکن های زیر میتوانید پروژه خود را در تلگرام و یا واتساپ برای ما ارسال کنید:

ثبت سفارش در واتس آپ ثبت سفارش در تلگرام