دانلود پایان نامه تحلیل جهت گیری افت ولتاژ با رله های حفاظتی و یادگیری عمیق

1. مقدمه 2. مروری بر مقالات 3. تولید داده های خطای اتصال کوتاه و تحلیل حساسیت با استفاده از سیستم 34 باس IEEE 4. مقدمه ای بر شبکه های عصبی با استفاده از TensorFlow 5. اعتبارسنجی مبتنی بر شبکه عصبی در خطاهای بالادستی و پایین دستی 6. نتیجه گیری و کارهای آینده

چکیده – با تداوم رشد تقاضای برق، بیش از پیش سیستم های قدرت پیچیده و به هم متصل می شوند و در نتیجه نیاز به سیستم های حفاظت مطمئن، مهمتر از گذشته می شود. سیستم های حفاظت برای شناسایی و جداسازی خطاها و دیگر شرایط غیرنرمال طراحی می شوند و آنها را از عملکرد آبشاری در شبکه قدرت و خاموشی های گسترده، جلوگیری می کند. چالش اصلی در حفاظت، آشکارسازی خطا، نوع خطا و مکان خطا می باشد. رله های سنتی بطور موثر خطاها را مکان یابی، شناسایی و جداسازی می کنند. بریکرها، فیوزها و رله ها با هم همکاری می کنند تا اطمینان حاصل شود که سیستم قدرت تحت شرایط مختلف شامل خرابی سیستم، پایدار و قابل اطمینان باقی بمانند. رله های هوشمند (SIR ها)، به نحوی طراحی می شوند که دامنه گسترده تری از کارکردها، مانند مکانیابی خطا و نظارت بر کیفیت توان را انجام دهند. روش های یادگیری ماشینی بیش از پیش در حفاظت سیستم های قدرت بکار گرفته می شوند تا حفاظت در برابر خطا و دقت و سرعت دسته بندی، افزایش یابد. می توان از الگوریتم های ML برای تحلیل داده های بلادرنگ از حسگرها و دیگر ادوات استفاده کرد تا خطاها شناسایی و دسته بندی شوند، شامل آن دسته از خطاهایی که ممکن است آنقدر کوچک باشند که بوسیله سیستم های حفاظت سنتی قابل شناسایی نباشند. هدف این پایان نامه، مطالعه روش های شناسایی جهت تسلیم ولتاژ (voltage sags) در مدارهای توزیع، می باشد. تسلیم های ولتاژ بخاطر حضور خطاهای اتصال کوتاه متشکل از خطاهای تک فاز، دو فاز و سه فاز به زمین، بوجود می آیند. جهت خطا براساس جهت پخش توان قبل از رخداد خطا می باشد. می توان یک خطا را در دسته خطاهای پایین دست از مکان نظارت قرار داد اگر جهت پخش توان به سمت مکان خطا قبل از رخداد خطا باشد. بطور مشابه، یک خطا را می توان در دسته خطاهای بالادست قرار داد اگر جهت پخش توان برعکس مکان خطا قبل از رخداد خطا باشد. اصطلاحات بالادست و پایین دست، نسبت به مکان ناظر می باشند. یک خطای پایین دست برای یک ناظر می تواند یک خطای بالادست برای یک ناظر متفاوت، باشد. این پایان نامه، کاربردهای رله های حفاظتی و روش های یادگیری عمیق در شناسایی جهت تسلیم های ولتاژ با استفاده از شکل موج های واقعی ولتاژ و جریان برای تخمین اینکه خطا نسبت به مکان های نظارت شده، بالادست یا پایین دست می باشد، بکار گرفته می شود. داده های خطا با استفاده از یک ابزار مدل سازی سیستم قدرت حوزه زمانی با امپدانس های خطای متغیر و چندین مکان خطا، تولید شد. رویکردهای مبتنی بر رله، مطالعه شد و یک روش یادگیری عمیق با داده های تولید شده، توسعه یافته است. روش های مبتنی بر رله قادر به شناسایی جهت خطا در همه موارد، صرفنظر از مکان و مدت خطا، می باشند. الگوریتم های ML می توانند به تحلیل مقادیر زیادی از داده ها و شناسایی الگوهایی کمک کنند که می تواند برای شناسایی توسط سیستم های حفاظت سنتی، دشوار یا غیرممکن باشد.

As the electricity demand continues to grow, power systems are becoming more complex and interconnected, making the need for reliable protection systems more important than ever. Protection systems are designed to detect and isolate faults and other abnormal conditions, preventing them from cascading through the power grid and causing widespread outages. The primary challenge in protection is to detect the fault, the type of fault, and the location of the fault. Traditional relays effectively locate, detect, and isolate faults. Circuit breakers, fuses, and relays, these devices work together to ensure the power system remains stable and reliable, under various conditions including system failures. Smart Intelligent relays (SIRs) are designed to perform a broader range of functions, such as fault location, and power quality monitoring. Machine learning techniques are increasingly applied in power systems protection to enhance fault detection and classification accuracy and speed. ML algorithms can be used to analyze real-time data from sensors and other devices to detect and classify faults, including those that may be too small or subtle to be detected by traditional protection systems. The thesis aims to study methods of identifying the direction of voltage sags in the distribution circuits. Voltage sags arise from the presence of short-circuit faults involving single, double, and three phase-to-ground conditions. The direction of the fault is based on the direction of power flow before the occurrence of the event. A fault can be classified as a downstream fault from a monitoring location if the direction of power flow is towards the fault location before the occurrence of the event. Similarly, a fault can be classified as an upstream fault if the direction of power flow is against the fault location before the occurrence of the fault. The terms upstream and downstream are relative to the monitor location. A downstream fault for one monitor can be an upstream fault for a different monitor. This thesis studies the applications of protective relaying and deep learning techniques in identifying the direction of voltage sags using the real-time waveforms of voltage and current to estimate whether the fault is upstream or downstream from the monitored location(s). The fault data was generated using a timedomain power system modeling tool with variable fault impedances and multiple fault locations. Relay-based approaches have been studied, and a deep-learning technique has been developed with the data generated. The relay-based techniques were capable of identifying the fault direction in all the cases irrespective of the fault location and fault duration. ML algorithms can help analyze large amounts of data and detect patterns that may be difficult or impossible for traditional protection systems to identify.