تشخیص وقوع خطای قطع فاز در خطوط انتقال متصل به ریزشبکه¬های مبتنی بر انرژی-های تجدیدپذیر

الموضوعات :

حمیدرضا صفا ¹ , علی اصغر قدیمی ²

1 - گروه مهندسی برق، دانشکده مهندسی، دانشگاه اراک، اراک، ایران
2 - گروه مهندسی برق، دانشکده مهندسی، دانشگاه اراک، اراک، ایران

تاريخ الإرسال : 03 السبت , ذو القعدة, 1445 تاريخ التأكيد : 04 الخميس , صفر, 1446 تاريخ الإصدار : 24 الجمعة , ذو الحجة, 1446

الکلمات المفتاحية: خطای قطع فاز, ریزشبکه, انرژی¬های تجدید پذیر, شبکه¬های عصبی مصنوعی,

ملخص المقالة :

اتصال ریزشبکه¬های مبتنی بر انرژی¬های تجدید در خطوط انتقال بیش از پیش افزایش یافته است. حضور این ریزشبکه¬ها در کنار مزایای که دارند اما معضلاتی را از مناظر مختلف بهره برداری، کنترل و حفاظت پیش می¬آورند. اتصال مستقیم این ریزشبکه¬ها به صورت T-off در خطوط انتقال و بدون احداث پست، باعث اختلال شدید در عملکرد الگوریتم¬های حفاظتی خط می¬شود. در این مقاله یک روش تشخیص خطا در خطوط انتقال متصل به ریزشبکه¬های مبتنی بر انرژی¬های تجدید پذیر جهت تشخیص زود هنگام خطای قطع فاز مبتنی بر اطلاعات یک سمت خط (ترمینال ابتدای خط) و با استفاده از روش آموزش یادگیری شبکه¬های عصبی مصنوعی ارائه شده است. شبکه عصبی در نظر گرفته شده در این مقاله ترکیبی از نوع کانولوشنی و بازگشتی با دروازه‌های فراموشی (CNN_LSTM) می¬باشد. مدل ترکیبی شامل یک لایه Conv1D با ۶۴ فیلتر و سایز کرنل ۳، یک لایه MaxPooling1D، دو لایه LSTM با ۳۲ واحد، یک لایه Dropout و یک لایه Dense با یک واحد و فعال‌سازی سیگموئید است. دیتاهای لازم جهت آموزش شبکه عصبی مورد نظر از شبیه سازی شبکه اصلی و پیاده سازی سناریوهای مختلف خطا در سیمولینک نرم افزار متلب استخراج شده¬اند و در نهایت مدل شبکه عصبی مورد نظر در محیط نرم افزار پایتون برنامه نویسی و مدلسازی شده است. طبق نتایج شبیه سازی، دقت نهایی مدل استخراج شده در تشخیص خطای قطع فاز در این توپولوژی پیشنهادی حدود 73/99٪ ارزیابی شده است. نتایج موفقیت آمیز ارائه شده در قسمت نتایج تست و ارزیابی، موید عملکرد مطلوب الگوریتم پیشنهادی در این مقاله می¬باشد.

المصادر:


[1] M. Abasi, A. Rohani, F. Hatami, M. Joorabian, and G. B. Gharehpetian, “Fault location determination in three-terminal transmission lines connected to industrial microgrids without requiring fault classification data and independent of line parameters,” International Journal of Electrical Power and Energy Systems, vol. 131, 2021, doi: 10.1016/j.ijepes.2021.107044.
[2] A. Pongthavornsawad and W. Rungseevijitprapa, “Broken conductor detection for overhead line distribution system,” in Asia-Pacific Power and Energy Engineering Conference, APPEEC, 2011. doi: 10.1109/APPEEC.2011.5749066.
[3] E. Koley, A. Yadav, and A. S. Thoke, “Artificial Neural Network based Protection Scheme for One Conductor Open Faults in Six Phase Transmission Line,” Int J Comput Appl, vol. 101, no. 4, 2014, doi: 10.5120/17678-8522.
[4] A. Narayan and R. Sharma, “ANN based Open Conductor Fault Detector for Protection of Two Parallel Circuit Transmission Line,” International Research Journal of Engineering and Technology, vol. 6, no. 1, pp. 87–92, 2019.
[5] S. K. Lau and S. K. Ho, “Open-circuit fault detection in distribution overhead power supply network,” Journal of International Council on Electrical Engineering, vol. 7, no. 1, 2017, doi: 10.1080/22348972.2017.1385440.
[6] V. Mariappan and A. B. S. M. Rayees, “Optimal solution to isolate the high impedance/ broken conductor fault in 11 kv overhead line in distribution network,” in IET Conference Publications, 2017. doi: 10.1049/cp.2017.0328.
[7] D. K. J. S. Jayamaha, I. H. N. Madhushani, R. S. S. J. Gamage, P. P. B. Tennakoon, J. R. Lucas, and U. Jayatunga, “Open conductor fault detection,” in 3rd International Moratuwa Engineering Research Conference, MERCon 2017, 2017. doi: 10.1109/MERCon.2017.7980511.
[8] Y. Zhang, X. Huang, J. Jia, and X. Liu, “A Recognition Technology of Transmission Lines Conductor Break and Surface Damage Based on Aerial Image,” IEEE Access, vol. 7, 2019, doi: 10.1109/ACCESS.2019.2914766.
[9] A. C. Adewole, A. Rajapakse, D. Ouellette, and P. Forsyth, “Residual current-based method for open phase detection in radial and multi-source power systems,” International Journal of Electrical Power and Energy Systems, vol. 117, 2020, doi: 10.1016/j.ijepes.2019.105610.
[10] X. Wang and W. Xu, “A 3rd harmonic power based open conductor detection scheme,” IEEE Transactions on Power Delivery, vol. 36, no. 2, 2021, doi: 10.1109/TPWRD.2020.3001075.
[11] D. V. Joao, H. G. B. Souza, and M. A. I. Martins, “Broken conductor fault detection using symmetrical components in distribution power systems - An implementation case,” in 2021 IEEE PES Innovative Smart Grid Technologies Conference - Latin America, ISGT Latin America 2021, 2021. doi: 10.1109/ISGTLatinAmerica52371.2021.9543045.
[12] S. V. Fernandes, D. V. Joao, M. A. I. Martins, H. G. B. Souza, A. F. MacEdo, and K. A. Martins, “A Symmetrical Component Evaluation for Broken Conductor Fault Detection,” in 2021 6th International Conference for Convergence in Technology, I2CT 2021, 2021. doi: 10.1109/I2CT51068.2021.9417933.
[13] M. M. Ostojić and Z. N. Stojanović, “An algorithm with voltage inputs for detecting conductor breaks in radial distribution networks,” International Transactions on Electrical Energy Systems, vol. 31, no. 12, 2021, doi: 10.1002/2050-7038.13195.
[14] J. S. Hong, S. Y. Hyun, Y. W. Lee, J. H. Choi, S. J. Ahn, and S. Y. Yun, “Detection of Open Conductor Fault Using Multiple Measurement Factors of Feeder RTUs in Power Distribution Networks with DGs,” IEEE Access, vol. 9, 2021, doi: 10.1109/ACCESS.2021.3121880.
[15] A. G. Al-Baghdadi, M. K. Abd, and F. M. F. Flaih, “A New Detection Method for Load Side Broken Conductor Fault Based on Negative to Positive Current Sequence,” Electronics (Switzerland), vol. 11, no. 6, 2022, doi: 10.3390/electronics11060836.
[16] D. V. Joao, H. G. B. Souza, M. A. I. Martins, and K. A. Martins, “Pick-ups Counter Methodology for Broken Conductor Fault Detection,” in Proceedings of the IEEE Power Engineering Society Transmission and Distribution Conference, 2022. doi: 10.1109/TD43745.2022.9816972.
[17] K. Dase, J. Colwell, and S. Pai, “Novel Methods for Detecting Conductor Breaks in Power Lines,” in 76th Annual Conference for Protective Relay Engineers, College Station, Texas, Mar. 2023, pp. 1–13.
[18] J. Che, T. Kim, S. Pyo, J. Park, B. An, and T. Park, “Prevention of Wildfires Using an AI-Based Open Conductor Fault Detection Method on Overhead Line,” Energies (Basel), vol. 16, no. 5, 2023, doi: 10.3390/en16052366.
[19] B. A. E. Rashad, D. K. Ibrahim, M. I. Gilany, A. S. Abdelhamid, and W. Abdelfattah, “Identification of broken conductor faults in interconnected transmission systems based on discrete wavelet transform,” PLoS One, vol. 19, no. 1 January, 2024, doi: 10.1371/journal.pone.0296773.
[20] M. Abasi, N. Heydarzadeh, and A. Rohani, “Broken Conductor Fault Location in Power Transmission Lines Using GMDH Function and Single-Terminal Data Independent of Line Parameters,” Journal of Applied Research in Electrical Engineering, vol. 1, no. 1, pp. 22–32, 2021.
[21] A. Shrestha and A. Mahmood, “Review of deep learning algorithms and architectures,” IEEE Access, vol. 7. 2019. doi: 10.1109/ACCESS.2019.2912200.
[22] P. K. Shukla and K. Deepa, “Deep learning techniques for transmission line fault classification – A comparative study,” Ain Shams Engineering Journal, vol. 15, no. 2, 2024, doi: 10.1016/j.asej.2023.102427.
[23] J. Hu, Z. Liu, J. Chen, W. Hu, Z. Zhang, and Z. Chen, “A novel deep learning–based fault diagnosis algorithm for preventing protection malfunction,” International Journal of Electrical Power and Energy Systems, vol. 144, 2023, doi: 10.1016/j.ijepes.2022.108622.
[24] A. Moradzadeh, B. Mohammadi-Ivatloo, M. Abapour, A. Anvari-Moghaddam, S. Gholami Farkoush, and S. B. Rhee, “A practical solution based on convolutional neural network for non-intrusive load monitoring,” J Ambient Intell Humaniz Comput, vol. 12, no. 10, 2021, doi: 10.1007/s12652-020-02720-6.
[25] J. Liu, M. Osadchy, L. Ashton, M. Foster, C. J. Solomon, and S. J. Gibson, “Deep convolutional neural networks for Raman spectrum recognition: A unified solution,” Analyst, vol. 142, no. 21, 2017, doi: 10.1039/c7an01371j.
[26] A. Moradzadeh, S. Zakeri, M. Shoaran, B. Mohammadi-Ivatloo, and F. Mohammadi, “Short-term load forecasting of microgrid via hybrid support vector regression and long short-term memory algorithms,” Sustainability (Switzerland), vol. 12, no. 17, 2020, doi: 10.3390/su12177076.
[27] M. Abedini, R. Eskandari, J. Ebrahimi, M. H. Zeinali, and A. Alahyari, “Optimal Placement of Power Switches on Malayer Practical Feeder to Improve System Reliability Using Hybrid Particle Swarm Optimization with Sinusoidal and Cosine Acceleration Coefficients,” Scientific Journal of Computational Intelligence in Electrical Engineering, vol. 11, no. 2, pp. 73–86, 2020, doi: https://doi.org/10.22108/isee.2020.119480.1286.
[28] M. O. F. Goni et al., “Fast and Accurate Fault Detection and Classification in Transmission Lines using Extreme Learning Machine,” e-Prime - Advances in Electrical Engineering, Electronics and Energy, vol. 3, 2023, doi: 10.1016/j.prime.2023.100107.
[29] J. Ebrahimi and M. Abasi, “Design of a Power Management Strategy in Smart Distribution Networks with Wind Turbines and EV Charging Stations to Reduce Loss, Improve Voltage Profile, and Increase Hosting Capacity of the Network,” Journal of Green Energy Research and Innovation, vol. 1, no. 1, pp. 1–15, Mar. 2024, doi: 10.61186/jgeri.1.1.1.