تشخیص خطای اتصال کوتاه امپدانس بالا در سیستم‌های توزیع با استفاده از یک روش مبتنی بر اندازه گیری مشابهت

محورهای موضوعی : مهندسی برق قدرت

عمار عبدالعظیم احمد دیبس ¹ (دانشکده مهندسي برق، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، خوراسگان، اصفهان، ايران)
محمد مهدی رضایی ² (دانشکده مهندسي برق، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، اصفهان، ايران)

تاریخ دریافت : 1402/12/05 تاریخ پذیرش : 1403/03/04 تاریخ انتشار : 1404/03/30

کلید واژه: خطای امپدانس بالا, شبکه‌های توزیع, اندازه گیری مشابهت, کلید زنی بار, کلید زنی خازن,

چکیده مقاله :

قوس الکتریکی یکی از شدیدترین رخدادهای الکتریکی است. این پدیده به دلیل تخلیه بارهای الکتریکی بین هادی¬ها یا بین هادی و زمین، از طریق هوا رخ می¬دهد. هنگامی که شدت جریان اتصال کوتاه زیاد باشد، می‌توان آن را به راحتی با تجهیزات حفاظتی سنتی تشخیص داد. با این حال، روش‌های حفاظت سنتی نمی¬توانند این خطاها را زمانی که جریان اتصال کوتاه کم است، تشخیص دهند. خطاهایی که جریان خطای کافی برای شناسایی توسط تجهیزات حفاظتی معمولی تولید نمی¬کنند، خطاهای امپدانس بالا نامیده می‌شوند. خطاهای امپدانس بالا در سیستم‌های توزیع برق می‌توانند خطرات جدی ایمنی و آسیب به تجهیزات را به دلیل خطر اشتعال ناشی از قوس الکتریکی ایجاد کنند. این مقاله یک طرح تشخیص جدید برای خطاهای امپدانس بالا در سیستم‌های توزیع الکتریکی بر اساس اندازه گیری مشابهت ارائه می‌کند. در این روش بر اساس شکل موج دو نیم سیکل متوالی جریان، شاخصی استخراج می‌شود که با استفاده از آن می‌توان خطاهای امپدانس بالا را تشخیص داد. الگوریتم پیشنهادی تشخیص خطای امپدانس بالا می‌تواند این رخدادها را از سایر رخدادهای بدون خطا با شکل موج‌هایی که ممکن است مشابه شکل موج‌های خطای امپدانس بالا باشند، متمایز کند. در این مقاله، چهار مورد مطالعاتی برای تأیید الگوریتم پیشنهادی تشخیص خطاهای امپدانس بالا شبیه‌سازی شده است. نتایج شبیه‌سازی، توانایی قابل قبول عملکرد روش پیشنهادی در تشخیص خطا با امپدانس بالا و تفکیک آنها از دیگر رخدادها را به نمایش می‌گذارد.

چکیده انگلیسی:

The electric arc is one of the most intense electrical events. This phenomenon occurs due to the electric discharge between two conductors or between a conductor and the ground, through the air. When the short-circuit current intensity is high, it can be easily detected by traditional protection equipment. However, when the short-circuit current is low, traditional protection methods cannot detect these faults. Faults that do not generate enough fault current to be detected by conventional protective equipment are called high-impedance faults (HIFs). HIFs can cause serious safety hazards in power distribution systems and damage to equipment due to the risk of arc ignition. This paper presents a new detection scheme for HIFs in electrical distribution systems based on similarity measurement. In this method, based on the waveform of two consecutive half-cycles of the current, an index is extracted that can be used to detect HIFs. The proposed HIF detection algorithm can distinguish these events from other non-fault events with waveforms that may be similar to HIF waveforms. In this paper, four case studies are simulated to verify the proposed HIF detection algorithm. The simulation results demonstrate the acceptable performance of the proposed method in detecting HIFs and distinguishing them from other events.

منابع و مأخذ:

[1] A. Khoshnami and I. Sadeghkhani, “Sample entropy‐based fault detection for photovoltaic arrays,” IET Renewable Power Generation, vol. 12, no. 16, pp. 1966–1976, Oct. 2018, doi: https://doi.org/10.1049/iet-rpg.2018.5220
[2] B. Fani, H. Bisheh, and I. Sadeghkhani, “Protection coordination scheme for distribution networks with high penetration of photovoltaic generators,” IET Generation, Transmission & Distribution, vol. 12, no. 8, pp. 1802–1814, Apr. 2018, doi: https://doi.org/10.1049/iet-gtd.2017.1229
[3] S. Chakraborty and S. Das, “Application of Smart Meters in High Impedance Fault Detection on Distribution Systems,” IEEE Transactions on Smart Grid, vol. 10, no. 3, pp. 3465–3473, May 2019, doi: https://doi.org/10.1109/tsg.2018.2828414
[4] K. Sarwagya, S. De, and P. K. Nayak, “High‐impedance fault detection in electrical power distribution systems using moving sum approach,” IET Science, Measurement & Technology, vol. 12, no. 1, pp. 1–8, Jan. 2018, doi: https://doi.org/10.1049/iet-smt.2017.0231
[5] A. Soheili and J. Sadeh, “Evidential reasoning based approach to high impedance fault detection in power distribution systems,” IET Generation, Transmission & Distribution, vol. 11, no. 5, pp. 1325–1336, Mar. 2017, doi: https://doi.org/10.1049/iet-gtd.2016.1657
[6] M. Farajollahi, Alireza Shahsavari, and Hamed Mohsenian-Rad, “Location identification of high impedance faults using synchronized harmonic phasors,” IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), Apr. 2017, doi: https://doi.org/10.1109/isgt.2017.8086048
[7] Sh. Nezamzadeh-Ejieh and I. Sadeghkhani, “Cross Entropy-Based High-Impedance Fault Detection Algorithm for Distribution Networks,” Iranian Electric Industry Journal of Quality and Productivity, vol. 8, no. 1, pp. 62–71, Sep. 2019
[8] E. Baharozu, S. Ilhan, and G. Soykan, “High impedance fault localization: A comprehensive review,” Electric Power Systems Research, vol. 214, p. 108892, Jan. 2023, doi: https://doi.org/10.1016/j.epsr.2022.108892
[9] M. R. Lukowicz and L. Kang, “High-Impedance Fault Detection in Distribution Networks with Use of Wavelet-Based Algorithm,” IEEE Transactions on Power Delivery, vol. 21, no. 4, pp. 1793–1802, Oct. 2006, doi: https://doi.org/10.1109/tpwrd.2006.874581
[10] N. Elkalashy, M. Lehtonen, H. Darwish, M. Izzularab, and A. Taalab, “Modeling and experimental verification of high impedance arcing fault in medium voltage networks,” IEEE Transactions on Dielectrics and Electrical Insulation, vol. 14, no. 2, pp. 375–383, Apr. 2007, doi: https://doi.org/10.1109/tdei.2007.344617
[11] P. H. Schavemaker and L. van der Slui, “An improved Mayr-type arc model based on current-zero measurements [circuit breakers],” IEEE Transactions on Power Delivery, vol. 15, no. 2, pp. 580–584, Apr. 2000, doi: https://doi.org/10.1109/61.852988
[12] H. A. Darwish and N. I. Elkalashy, “Universal Arc Representation Using EMTP,” IEEE Transactions on Power Delivery, vol. 20, no. 2, pp. 772–779, Apr. 2005, doi: https://doi.org/10.1109/tpwrd.2004.838462
[13] A. E. Emanuel, D. Cyganski, J. A. Orr, S. Shiller, and E. M. Gulachenski, “High impedance fault arcing on sandy soil in 15 kV distribution feeders: contributions to the evaluation of the low frequency spectrum,” IEEE Transactions on Power Delivery, vol. 5, no. 2, pp. 676–686, Apr. 1990, doi: https://doi.org/10.1109/61.53070
[14] A.M. Sharat, L. A. Snider, and K. Debnath, “A neural network based back error propagation relay algorithm for distribution system high impedance fault detection,” in: 1993 2nd International Conference on Advances in Power System Control, Operation and Management, APSCOM-93 2, 1993, pp. 613–620.
[15] I. Baqui, I. Zamora, J. Mazón, and G. Buigues, “High impedance fault detection methodology using wavelet transform and artificial neural networks,” Electric Power Systems Research, vol. 81, no. 7, pp. 1325–1333, Jul. 2011, doi: https://doi.org/10.1016/j.epsr.2011.01.022.
[16] Y.-Y. Hong and W.-S. Huang, “Locating High-Impedance Fault Section in Electric Power Systems Using Wavelet Transform,k-Means, Genetic Algorithms, and Support Vector Machine,” Mathematical Problems in Engineering, vol. 2015, pp. 1–9, Jan. 2015, doi: https://doi.org/10.1155/2015/823720
[17] A. Bakar, Mohammed, Chee Keong Tan, Hazlie Mokhlis, Hamzah Arof, and Hazlee Azil Illias, “High impedance fault location in 11kV underground distribution systems using wavelet transforms,” International Journal of Electrical Power & Energy Systems, vol. 55, pp. 723–730, Feb. 2014, doi: https://doi.org/10.1016/j.ijepes.2013.10.003
[18] M. S. Ali, A. H. Abu Bakar, H. Mokhlis, H. Arof, and H. Azil Illias, “High-impedance fault location using matching technique and wavelet transform for underground cable distribution network,” IEEJ Transactions on Electrical and Electronic Engineering, vol. 9, no. 2, pp. 176–182, Jan. 2014, doi: https://doi.org/10.1002/tee.21953
[19] Mini Shaji Thomas, N. Bhaskar, and A. Prakash, “Voltage Based Detection Method for High Impedance Fault in a Distribution System,” Journal of The Institution of Engineers (India): Series B, vol. 97, no. 3, pp. 413–423, Jun. 2015, doi: https://doi.org/10.1007/s40031-015-0203-7
[20] M. Sarlak and S. M. Shahrtash, “High-Impedance Faulted Branch Identification Using Magnetic-Field Signature Analysis,” IEEE Transactions on Power Delivery, vol. 28, no. 1, pp. 67–74, Jan. 2013, doi: https://doi.org/10.1109/tpwrd.2012.2222056
[21] Z. Moravej, S. H. Mortazavi, and S. M. Shahrtash, “DT-CWT based event feature extraction for high impedance faults detection in distribution system,” International Transactions on Electrical Energy Systems, vol. 25, no. 12, pp. 3288–3303, Dec. 2014, doi: https://doi.org/10.1002/etep.2035
[22] A. Ghaderi, H. L. Ginn, and H. A. Mohammadpour, “High impedance fault detection: A review,” Electric Power Systems Research, vol. 143, pp. 376–388, Feb. 2017, doi: https://doi.org/10.1016/j.epsr.2016.10.021
[23] M. Salehi, M. Zolfaghari, and J. M. Maritz, “A Simple Approach to Detect High Impedance Fault Using Morphological Gradient Edge Detector,” IEEE Access, vol. 12, pp. 11024–11034, Jan. 2024, doi: https://doi.org/10.1109/access.2024.3351565.
[24] A. Chandra, Girish Kumar Singh, and V. Pant, “A Novel High Impedance Fault Detection Strategy for Microgrid Based on Differential Energy Signal of Current Signatures and Entropy Estimation,” Electric Power Components and Systems, pp. 1–23, Jun. 2023, doi: https://doi.org/10.1080/15325008.2023.2227193.
[25] W. Sheng, K. Liu, D. Jia, and Y. Wang, “An improved high-impedance fault identification scheme for distribution networks based on kernel extreme learning machine,” International Journal of Electrical Power & Energy Systems, vol. 155, pp. 109543–109543, Jan. 2024, doi: https://doi.org/10.1016/j.ijepes.2023.109543
[26] K.-Y. Lien, S. Chen, C. Liao, T. Guo, T.-M. Lin, and J.-S. Shen, “Energy variance criterion and threshold tuning scheme for high impedance fault detection,” IEEE Transactions on Power Delivery, vol. 14, no. 3, pp. 810–817, Jul. 1999, doi: https://doi.org/10.1109/61.772319
[27] V. Ashok and A. Yadav, “Fault Diagnosis Scheme for Cross-Country Faults in Dual-Circuit Line With Emphasis on High-Impedance Fault Syndrome,” IEEE Systems Journal, pp. 1–11, 2020, doi: https://doi.org/10.1109/jsyst.2020.2991770
[28] I. Sadeghkhani and S. Nezamzadeh-Ejieh, “High-Impedance Fault Detection in Distribution Networks Based on Kullback-Leibler Divergence,” IET Generation, Transmission & Distribution, Sep. 2019, doi: https://doi.org/10.1049/iet-gtd.2019.0001
[29] A. A. Amer and H. I. Abdalla, “A set theory-based similarity measure for text clustering and classification,” Journal of Big Data, vol. 7, no. 1, Sep. 2020, doi: https://doi.org/10.1186/s40537-020-00344-3
[30] “Distribution test feeders”. IEEE PES Distribution System Analysis Subcommittee. Available: http://sites.ieee.org/pes-testfeeders/resources, 2000.

متن کامل:



عمار عبدالعظیم احمد دیبس، محمدمهدی رضایی

 

 

Technovations of Electrical Engineering in Green Energy System

Research Article                                                                                     (2024) 4(1):19-38

 

High Impedance Fault Detection in Distribution Systems Using a Method Based on Similarity Measurement

Ammar Abduladheem Ahmed Dibes1, M.Sc Student, Mohammad Mahdi Rezaei2,3, Assistant Professor

 

1 Department of Electrical Engineering, Isfahan (Khorasgan) Branch, Islamic Azad University, Khorasgan, Isfahan, Iran

2 Department of Electrical Engineering, Khomeinishahr Branch, Islamic Azad University, Khomeinishahr, Isfahan, Iran

3 Efficiency and Smartization of Energy Systems Research Center, Khomeinishahr Branch, Islamic Azad University, Isfahan, Iran

 

 

Abstract:

The electric arc is one of the most intense electrical events. This phenomenon occurs due to the electric discharge between two conductors or between a conductor and the ground, through the air. When the short-circuit current intensity is high, it can be easily detected by traditional protection equipment. However, when the short-circuit current is low, traditional protection methods cannot detect these faults. Faults that do not generate enough fault current to be detected by conventional protective equipment are called high-impedance faults (HIFs). HIFs can cause serious safety hazards in power distribution systems and damage to equipment due to the risk of arc ignition. This paper presents a new detection scheme for HIFs in electrical distribution systems based on similarity measurement. In this method, based on the waveform of two consecutive half-cycles of the current, an index is extracted that can be used to detect HIFs. The proposed HIF detection algorithm can distinguish these events from other non-fault events with waveforms that may be similar to HIF waveforms. In this paper, four case studies are simulated to verify the proposed HIF detection algorithm. The simulation results demonstrate the acceptable performance of the proposed method in detecting HIFs and distinguishing them from other events.

Keywords: High impedance fault, Distribution networks, Similarity measurement, Load switching, Capacitor switching.

 

 

 

 

 

 

 

Received: 24 February 2024

Revised: 03 May 2024

Accepted: 24 May 2024

Corresponding Author: Dr. Mohammad Mahdi Rezaei, [e-mail]

DOI: 10.30486/TEEGES.2025.1103680

 

 

فناوری‏های نوین مهندسی برق در سیستم انرژی سبز

         ..مقاله پژوهشی...       

 

تشخیص خطای اتصال کوتاه امپدانس بالا در سیستم‌های توزیع با استفاده از یک روش مبتنی بر اندازه گیری مشابهت

عمار عبدالعظیم احمد دیبس1، دانشجوی کارشناسی ارشد، محمدمهدی رضايي2,3، استادیار

1- دانشکده مهندسي برق، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، خوراسگان، اصفهان، ايران

2- دانشکده مهندسي برق، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، اصفهان، ايران

3- مرکز تحقیقات بهره وری و هوشمندسازی سامانه های انرژی، واحد خمینی شهر، دانشگاه آزاد اسلامی، اصفهان، ایران

 

 

چكيده: قوس الکتریکی یکی از شدیدترین رخدادهای الکتریکی است. این پدیده به دلیل تخلیه بارهای الکتریکی بین هادی­ها یا بین هادی و زمین، از طریق هوا رخ می­دهد. هنگامی که شدت جریان اتصال کوتاه زیاد باشد، می‌توان آن را به راحتی با تجهیزات حفاظتی سنتی تشخیص داد. با این حال، روش‌های حفاظت سنتی نمی­توانند این خطاها را زمانی که جریان اتصال کوتاه کم است، تشخیص دهند. خطاهایی که جریان خطای کافی برای شناسایی توسط تجهیزات حفاظتی معمولی تولید نمی­کنند، خطاهای امپدانس بالا نامیده می‌شوند. خطاهای امپدانس بالا در سیستم‌های توزیع برق می‌توانند خطرات جدی ایمنی و آسیب به تجهیزات را به دلیل خطر اشتعال ناشی از قوس الکتریکی ایجاد کنند. این مقاله یک طرح تشخیص جدید برای خطاهای امپدانس بالا در سیستم‌های توزیع الکتریکی بر اساس اندازه گیری مشابهت ارائه می‌کند. در این روش بر اساس شکل موج دو نیم سیکل متوالی جریان، شاخصی استخراج می‌شود که با استفاده از آن می‌توان خطاهای امپدانس بالا را تشخیص داد. الگوریتم پیشنهادی تشخیص خطای امپدانس بالا می‌تواند این رخدادها را از سایر رخدادهای بدون خطا با شکل موج‌هایی که ممکن است مشابه شکل موج‌های خطای امپدانس بالا باشند، متمایز کند. در این مقاله، چهار مورد مطالعاتی برای تأیید الگوریتم پیشنهادی تشخیص خطاهای امپدانس بالا شبیه‌سازی شده است. نتایج شبیه‌سازی، توانایی قابل قبول عملکرد روش پیشنهادی در تشخیص خطا با امپدانس بالا و تفکیک آنها از دیگر رخدادها را به نمایش می‌گذارد.

 

واژه هاي كليدي: خطای امپدانس بالا، شبکه‌های توزیع، اندازه گیری مشابهت، کلید زنی بار، کلید زنی خازن.

 

 

 

 

 

تاریخ ارسال مقاله: ۰۵/۱۲/1402

تاریخ بازنگری مقاله: 14/02/140۳

تاریخ پذیرش مقاله: ۰۴/۰۳/140۳

نویسنده­ی مسئول: دکتر محمدمهدی رضایی، [e-mail]

DOI: 10.30486/TEEGES.2025.1103680 

 

 

1-       مقدمه

1-1- انگیزه پژوهش

یکی از دغدغه‌های اصلی سیستم‌های توزیع برق، به حداقل رساندن هزینه بهره برداری و زمان قطعی ناشی از خطاهای اتصال کوتاه است. بنابراین، توسعه یک سیستم حفاظتی مؤثر برای ارضای این الزامات بسیار مهم است ]۳-1[. خطاهای امپدانس بالا (HIF) در سیستم‌های توزیع چالش منحصر به فردی را برای مهندسین حفاظت ایجاد می‌کند. این خطاها با ماهیت قوس متناوب و جریان بسیار کم، حاوی محتوای هارمونیک با طیف نویز فرکانس بالا هستند و رخدادهای مضری هم برای مردم و هم برای شرکت‌های توزیع برق به شمار می‌روند. چنین حوادثی می‌تواند باعث ایجاد آتش سوزی و آسیب به تجهیزات شبکه شود و درصد قابل توجهی (بیش از 20 درصد) در بین انواع عیب‌های شبکه توزیع دارد [4]. خطای امپدانس بالا، بیشتر با پدیده قوس الکتریکی مرتبط است و ویژگی‌های اصلی آن، جریان کم، تصادفی بودن، غیرخطی بودن و عدم تقارن است [5]. دو نوع خطای امپدانس بالا وجود دارد: هادی شکسته نشده و هادی شکسته. در نوع اول، هادی توزیع با یک جسم با امپدانس بالا مانند تنه درختان و حصارهای چوبی تماس برقرار می‌کند، در حالی که نوع دوم زمانی رخ می‌دهد که یک هادی گرم پاره شود و با سطح زمین مانند پیاده رو، بتن، آسفالت و یا ماسه تماس الکتریکی برقرار کند ]۶,۲[. هدف اصلی در تشخیص خطاهای امپدانس بالا، بر خلاف خطاهای اتصال کوتاه، حفاظت از سیستم نیست، بلکه حفاظت از جان انسان‌ها و جلوگیری از خطرات آتش سوزی ناشی از پدیده قوس الکتریکی است [7]. به دلیل جریان محدود یک خطای امپدانس بالا، تجهیزات حفاظت اضافه جریان معمولی قادر به تشخیص سریع و مطمئن آن نیستند. از سوی دیگر، رخدادهای کلیدزنی خازن و بار، الگوی رفتار جریان مشابهی را نشان می‌دهند، که تشخیص خطای امپدانس بالا را دشوارتر می‌کند. یک خطای امپدانس بالا شناسایی نشده ممکن است برای مدت طولانی روی فیدر توزیع باقی بماند و در نتیجه باعث ایجاد آتش سوزی و شوک الکتریکی شود و تهدیدی جدی برای سلامت انسان و تجهیزات شبکه باشد.

 

1-2- مرور پیشینه پژوهش

بمنظور بررسی پیشینه پژوهش مرتبط با پدیده خطاهای امپدانس بالا، ابتدا کمیت‌های اندازه گیری شده برای تشخیص خطا مورد مطالعه قرار می­گیرند و پس از آن، تکنیک‌های تشخیص خطاهای امپدانس بالا طبقه‌بندی و ارزیابی می‌شوند. خطای امپدانس بالا تغییرات واضحی را در مقادیری که معمولاً برای تشخیص خطا استفاده می‌شود، یعنی ولتاژ و جریان، ایجاد نمی‌کند. با این حال، اگر پردازش سیگنال مناسب (اندازه گیری، استخراج ویژگی، تنظیم آستانه) انجام شود، می‌توان تغییرات معنی داری را شناسایی کرد. بنابراین برای ارزیابی تکنیک‌های تشخیص موجود و توسعه روش‌های قابل اعتمادتر، لازم است تکنیک‌های تشخیص عیب معرفی شده ادبیات موضوع به طور جداگانه و بر اساس دیدگاه‌های مختلف، مورد مطالعه و بحث قرار گیرند. برای تشخیص خطای امپدانس بالا از اندازه‌گیری کمیت­های مختلفی از جمله جریان، ولتاژ و شدت میدان مغناطیسی استفاده می‌شود. در ]۱۰-۸[ از اندازه گیری ولتاژ برای تشخیص خطای امپدانس بالا استفاده شده است. اما، این اندازه گیری تنها زمانی کارآمد است که افت ولتاژ کافی از محل خطا به رله وجود داشته باشد. بنابراین، از آنجایی که مقدار جریان خطای امپدانس بالا نسبتاً کم است، چنین اندازه گیری فقط در سیستم‌های توزیع بسیار ضعیف قابل استفاده است. در [11]، از اندازه گیری شدت میدان مغناطیسی برای تشخیص خطای امپدانس بالا استفاده شده است. چنین اندازه گیری، اگرچه بسیار قابل اعتماد است، اما هزینه و پیچیدگی تکنیک‌های تشخیص را افزایش می‌دهد. خطای امپدانس بالا را می‌توان به عنوان یک بار غیر خطی تصادفی فرض کرد که جریانی غیر استاتیکی با مشخصات غیر خطی می‌کشد. در نتیجه، شکل موج جریان محتوای هارمونیکی فرکانس بالا و پایین را نشان می‌دهد که می­تواند برای تشخیص خطای امپدانس بالا استفاده شود [12]. با این حال، باید توجه داشت که اندازه گیری جریان در شبکه‌های توزیع قوی­تر (شبکه­هایی با قدرت اتصال کوتاه بالاتر)، کارآمدتر است. 

در همه روش­های تشخیص خطا، مساله اصلی آشکار کردن ویژگی‌های پنهان خطای امپدانس بالا با تبدیل داده‌های اندازه‌گیری شده به حوزه‌های تحلیلی کارآمدتر است. حوزه‌ تحلیلی که قادر به نمایش ویژگی‌های خطای امپدانس بالا، مانند تصادفی بودن، غیرخطی بودن، ماهیت غیر ثابت و عدم تقارن باشد، بسیار مهم است. حوزه‌های تحلیلی که تاکنون برای تشخیص خطای امپدانس بالا استفاده شده‌اند را میتوان به چهار دسته تقسیم کرد: حوزه زمان، حوزه فرکانس، حوزه مقیاس زمانی و حوزه زمان-فرکانس ]۱۳,۷[. در این بین، به دلیل استفاده روزافزون از بارهای غیر خطی و هارمونیک‌های ناشی از آن، روش­های حوزه فرکانس و روش­های حوزه زمان-فرکانس مانند روش موجک دچار چالش­های اساسی در تمیز خطای امپدانس بالا از سایر رخدادهای معمول شبکه شده­اند. روش­های حوزه مقیاس زمان مانند روش­های مبتنی بر شبکه عصبی، منطق فازی و ماشین بردار پشتیبان نیز به دلیل نیاز به مجموعه‌های قابل توجه داده اولیه برای آموزش و همچنین تجربه قبلی طراح در انتخاب پارامترها، کاربرد وسیعی پیدا نکرده‌اند ]۱۳,۷[. تجزیه و تحلیل حوزه زمان، بی نظمی­های زمانی شکل موج جریان خطای امپدانس بالا را استخراج می‌کند [13]. با این حال، شاخص‌های حوزه زمانیِ ساده، مانند اندازه، مقدار موثر، پیک و مقدار میانگین جریان نمی‌توانند به طور موثر بی‌نظمی‌های پنهان موجود در خطای امپدانس بالا را نشان دهند.

اخیرا روش‌های کارامدتری در حوزه زمان برای تشخیص خطای امپدانس بالا ارائه شده‌اند [۱۹-۱۴]. در [14]، از روشی مبتنی بر الگوریتم مورفولوژی برای تشخیص خطای امپدانس بالا استفاده شده ‌است. الگوریتم مورفولوژی تکنیکی نسبتا جدید در زمینه پردازش سیگنال و تصویر است که ایده اصلی آن بر مبنای آنالیز اطلاعات هندسی با یک الگوی هندسی کوچک می‌باشد. این روش قادر است خطای امپدانس بالا را به خوبی تشخیص دهد، اما نمی‌تواند بین این خطاها و بارهای غیر خطی تمیز قائل شود. در [15]، سیگنال‌های جریان هر دو انتهای خط از طریق تجزیه حالت تجربی¹ پردازش می‌شود و سپس انرژی سیگنال جریان استخراج می‌شود. با اندازه گیری اختلاف انرژی و تخمین آنتروپی وقوع خطای امپدانس بالا از سایر رخدادهای شبکه تمیز داده می‌شود. اما، نیاز به ارتباط مخابراتی با پهنای باند بالا و اندازه گیری جریان هر دو طرف هر یک از خطوط، از مشکلات روش مذکور است. در [16]، بر اساس یک ماشین یادگیری شدید هسته² یک روش تشخیص خطای امپدانس بالا ارائه شده است. یک طرح انتخاب ویژگی خطا، مبتنی بر XGBoost برای غربالگری خصوصیات حساس در [16] استفاده شده است که می‌تواند بطور تطبیقی ویژگی‌های این خطاها را با حساسیت شناسایی کند. در [17]، یک روش جدید تشخیص خطای امپدانس بالا مبتنی بر یادگیری افزایشی³ برای مدیریت جریان داده‌های غیر ثابت⁴ با تغییر توزیع‌ها ارائه شده است. در این روش، برای استخراج ویژگی‌های سیگنال خطا، از خوشه‌بندی فضایی مبتنی بر چگالی برنامه‌های کاربردی با نویز⁵، برای نظارت بر توزیع داده‌های جریان توالی صفر تحلیل می‌شوند. اما روش­های ارائه شده در [۱۷, ۱۶] نیازمند حجم قابل توجهی از داده برای آموزش فرایند یادگیری می‌باشند. در [18]، از همبستگی متقابل برای استخراج ویژگی‌های سیگنال‌ جریان خطا، شناخت و طبقه بندی آنها استفاده شده است. در این روش، ویژگی‌های پیچیده، نامتقارن و غیرخطی سیگنال جریان خطای امپدانس بالا با استفاده از روش همبستگی متقاطع بازیابی شده است. در [19]، روشی پیشنهاد شده است که در آن با استفاده از واگرایی کولبک-لایبلر⁶ ویژگی‌های غیرخطی و عدم تقارن دو نیم سیکل شکل موج جریان خطای امپدانس بالا استخراج می‌شود. بدون هیچ گونه تجزیه و تحلیل محتوای هارمونیکی یا استفاده از مجموعه داده­های آموزشی، این روش می‌تواند خطاهای مذکور را با روش اندازه گیری مشابهت شناسایی کند.

1-3- نوآوری

در این مقاله، یک روش جدید برای تشخیص خطای امپدانس بالا در شبکه‌های توزیع ارائه شده است. روش پیشنهادی مبتنی بر پردازش سیگنال جریان و اندازه گیری مشابهت با استفاده از یک شاخص نوآورانه می‌باشد. روش پیشنهادی بار محاسباتی کمتری نسبت به روش‌های اندازه گیری مشابهت موجود دارد و علاوه بر این، به حافظه کمتری برای ذخیره سازی داده‌ها نیاز دارد. این روش قادر است خطاهای امپدانس بالا را هم در مواردی که خطا در نزدیکی محل نصب تجهیزات حفاظتی رخ می‌دهد و هم در مواردی که خطا در پایین دست شبکه رخ می‌دهد، تشخیص دهد. علاوه بر این، روش پیشنهادی چنان طراحی شده است که بین رخدادهای معمول شبکه و خطاهای امپدانس بالا تمیز قائل شود. صحت عملکرد و کارایی روش پیشنهادی از طریق شبیه‌سازی شبکه 13 باس IEEE و مقایسه با چند روش دیگر، مورد ارزیابی قرار گرفته است.

2-       روش پیشنهادی برای تشخیص خطای امپدانس بالا

2-1- مدل خطای امپدانس بالا

شبیه‌سازی دقیق خطای امپدانس بالا برای توسعه الگوریتم‌های موثر تشخیص این خطا ضروری است. داده‌های مدل خطای امپدانس بالا باید منعکس کننده ویژگی‌های پیچیده چنین خطایی، مانند غیرخطی بودن و عدم تقارن باشد و علاوه بر این شامل کیفیت‌های تصادفی و دینامیکی پدیده‌های قوس الکتریکی نیز باشد. محققان از چندین سال قبل مدل‌های مختلفی را برای شبیه‌سازی پدیده قوس الکتریکی در خطاهای امپدانس بالا با هدف نشان دادن ویژگی‌های خاص این خطاها ارائه کرده اند. این مدل‌ها را می‌توان به سه دسته تقسیم کرد: مدل‌های دینامیکی مبتنی بر معادلات دیفرانسیل، مدل‌های مبتنی بر عناصر الکتریکی و مدل‌های ناشی از ترکیب آنها [20]. در دسته اول، برای محاسبه رسانایی قوس الکتریکی از معادلات دینامیکی در مدل‌های خطاهای امپدانس بالا استفاده می‌شود [۲۲, ۲۱]. در این مدل‌ها، رسانایی قوس به عنوان یک معادله دیفرانسیل مرتبه اول ارائه می‌شود. این معادلات در دهه‌های بعد بهبود و اصلاح شدند [23]. سپس ترکیبی از مدل‌های قبلی که به مدل عمومی قوس معروف است ارائه شد [24]، که در بسیاری از مطالعات تأیید شده و مورد استفاده قرار گرفته است. در دسته دوم، استفاده از پارامترهای الکتریکی در حوزه زمان برای تقلید از رفتار خطاهای امپدانس بالا ارائه شده است. در ابتدا، فقط یک مقاومت ثابت برای مدل خطاهای امپدانس بالا پیشنهاد شد. تقریباً یک دهه بعد، یک محقق دیگر استفاده از امپدانس غیرخطی را به عنوان یک مدل خطاهای امپدانس بالا ساده پیشنهاد کرد [20]. یک مدل پیچیده­تر معروف به امانوئل که نشان دهنده دو ویژگی جریان خطاهای امپدانس بالا است، در [25] ارائه شد. این ویژگی‌ها ویژگی‌های غیرخطی و عدم تقارن خطاهای امپدانس بالا بود. سه سال بعد در [26]، استفاده از دو مقاومت خطای متغیر را برای تقلید تصادفی بودن خطاهای امپدانس بالا پیشنهاد شد. بنابراین، سه رفتار اصلی خطاهای امپدانس بالا یعنی غیرخطی بودن، عدم تقارن و تصادفی بودن با این مدل در نظر گرفته شد. در سال 2003، یک مدل جدید و ساده شده بر اساس مدل [25]، در [27] ارائه شد. بعنوان دسته سوم، با ترکیب مدل‌های مبتنی بر معادلات دیفرانسیل و مبتنی بر عناصر الکتریکی مدلی در [28] ارائه شده است. برای تقلید از ویژگی‌های دینامیکی، مدل قوس دیجیتال پیشنهاد شده در [23] به عنوان مقاومت غیرخطی در مدل اعمال شده است. در این مدل از منابع ولتاژ DC و AC به ترتیب برای به دست آوردن ویژگی‌های عدم تقارن و احتراق قوس استفاده می‌شود. اما در بین همه این مدل ها، مدل ارائه شده در [27] کاربرد وسیعی در زمینه مدل سازی خطاهای امپدانس بالا پیدا کرده است [7].

در این پژوهش از مدلی استفاده شده است که در سال 2003 ارائه شد [13]. در شکل (1)، مدل استفاده شده در این مقاله نشان داده شده است. دو منبع DC نشان دهنده در شکل (1)، ولتاژ اولیه بین هادی و خاک یا درخت را مدل می‌کنند. دو مقاومت نابرابر، R1 و R2، مقاومت‌های خطا را نشان می‌دهند و مقادیر نابرابر آنها می­تواند جریان­های نامتقارن خطا را مدل کند. هنگامی که ولتاژ لحظه ای فاز بالاتر از ولتاژ DC مثبت Vp باشد، جریان خطا به سمت زمین جریان می‌یابد. هنگامی که ولتاژ لحظه ای فاز کمتر از ولتاژ DC منفی Vn باشد، جریان خطا معکوس می‌شود. برای مقادیر لحظه ای ولتاژ فاز بین Vp و Vn نیز، هیچ جریان خطای جاری نمی‌شود [13].

 

 

شکل (1): مدل خطای امپدانس بالا، ارائه شده در [13]

 

ولتاژهای Vp و Vn به ترتیب برابر با یک دوم و یک چهارم ولتاژ فاز در نظر گرفته می‌شوند که %10 نسبت به مقادیر مذکور بصورت تصادفی تغییر می‌کنند. مقادیر مقاومت‌های Rp و Rn نیز بصورت تصادفی بین 200 تا 300 اهم در نظر گرفته می‌شوند [19].

2-2- روش تشخیص خطای امپدانس بالا

شکل (2) تغییرات ولتاژ و جریان محل وقوع یک خطای امپدانس بالا را نشان می‌دهد. دامنه کوچک جریان خطاهای امپدانس بالا باعث می‌شود که رله‌های اضافه جریان مرسوم قادر به تشخیص این خطاها نباشند. اما غیر خطی بودن، تصادفی بودن تغییرات و نامتقارن بودن، ویژگی‌هایی هستند که باعث می‌شوند نیم سیکل‌های شکل موج جریان متفاوت باشند و به کمک همین ویژگی‌ها است که می‌توان خطاهای امپدانس بالا را تشخیص داد.

در پردازش اطلاعات و حوزه‌های یادگیری ماشین، تعداد زیادی از تکنیک‌ها از اندازه گیری مشابهت برای انجام بسیاری از محاسبات مختلف استفاده می‌کنند. خوشه‌بندی و طبقه‌بندی پرکاربردترین تکنیک‌های مبتنی بر اندازه گیری مشابهت برای کشف دانش در حوزه‌های علمی هستند [29]. در [29]، پنج روش اندازه‌گیری مشابهت، شامل فاصله اقلیدسی⁷، فاصله منهتن⁸، شباهت کسینوسی⁹، ضریب باتاچاریا¹⁰ و شاخص کولبک-لایبر، که به عنوان پرکاربردترین معیارها برای خوشه‌بندی و طبقه‌بندی داده کاربرد دارند، معرفی شده‌اند. در این مقاله، یک روش جدید مبتنی بر پردازش سیگنال جریان و اندازه گیری مشابهت ارائه شده است. بمنظور بررسی کارایی و اعتبار سنجی آن، روش پیشنهادی با هر پنج روش فوق الذکر مقایسه شده است. در ادامه، به تشریح جزییات روش پیشنهادی پرداخته شده است.

 

 

(الف)

 

(ب)

شکل (2): شکل موج الف) ولتاژ و ب) جریان محل وقوع خطای امپدانس بالا

 

در روش پیشنهادی داده‌های شکل موج جریان به ازای یک دوره تناوب نمونه برداری می‌شود و این پنجره داده بصورت پیوسته مورد پردازش قرار می‌گیرد. اگر T دوره تناوب جریان شبکه و Ts دوره تناوب نمونه برداری جریان باشد، بطوریکه T همواره مضرب صحیح و زوجی از Ts باشد، ، می‌توان داده‌های نمونه برداری شده جریان را در یک دوره تناوب بصورت یک بردار مرتب کرد:

(1)

که در آن، مقدار k برابر با 40 درنظر گرفته شده است. بطور مثال در یک شبکه با فرکانس نامی 50 هرتز، T برابر با 02/0 ثانیه و مقدار Ts برابر با 250 میکروثانیه خواهد بود. شکل (3) نمودار بزرگ­نمایی شده جریان خطا و نحوه نمونه برداری از آن را نشان می‌دهد. اکنون می‌توان بردار جریان I را به دو بخش مساوی تقسیم کرد بطوری­که هر بخش، داده‌های یک نیم سیکل را در بر داشته باشد:

(2)
(3)

 

(الف)

 

(ب)

شکل (3)، نمودار بزرگ­نمایی شده جریان خطا و نحوه نمونه برداری از آن، الف) جریان I، ب) جریان‌های I1 و I2

 

معیار پیشنهادی در این مقاله در رابطه (4) ارائه شده است. در این معیار، جمله اول متناسب با سطح زیر نمودار نیم سیکل اول و جمله دوم نیز متناسب با سطح زیر نمودار نیم سیکل دوم است. در حالت عادی، این دو جمله با یکدیگر برابر هستند و اختلاف آنها صفر خواهد بود. اما در شرایط وقوع خطای امپدانس بالا، معیار پیشنهادی به خوبی می‌تواند چنین خطاهایی را آشکار کند.

(4)
(5)
(6)

شکل (4) تغییرات شاخص پیشنهادی، پیش و پس از بروز یک خطای امپدانس بالا در لحظه 1/0 ثانیه را نشان می‌دهد. همانطور که مشاهده می‌شود، شاخص پیشنهادی تغییرات نسبی قابل توجهی نسبت به شرایط پیش از خطا دارد که موجب می­شود خطای امپدانس بالا را هم بتوان تشخیص داد و هم آنها را از رویدادهای معمول شبکه تمیز داد.

 

 

شکل (4)، تغییرات شاخص پیشنهادی قبل و پس از بروز یک خطای امپدانس بالا

 

شکل (5)، فرایند تشخیص خطاهای امپدانس بالا در روش پیشنهادی

 

2-3- تمیز رخدادهای معمول شبکه از خطای امپدانس بالا

از آنجا که بسیاری از رخدادهای معمول شبکه مانند کلید زنی بار، کلید زنی خازن و ... در کوتاه مدت ممکن است باعث ایجاد عدم تقارن شکل موج جریان شوند، لازم است تمهیداتی اندیشیده شود که سیستم حفاظتی بتواند رخدادهای معمول شبکه را از خطای امپدانس بالا تمیز دهد. بدین­منظور، لازم است هم در مقدار معیار پیشنهادی یک سطح آستانه تعریف شود و هم در بازه زمانی باقیماندن علائم خطا یک زمان آستانه تعیین گردد. از اینرو، تنها هنگامی یک رخداد شبکه، بعنوان خطای امپدانس بالا تشخیص داده می‌شود که هر دو شرط زیر هم زمان برقرار باشند:

(7)
(8)

که در آن، Dth و tth مقادیر آستانه معیار پیشنهادی و زمان می‌باشند. این مقادیر بصورت تجربی و بر اساس رخدادهای معمول شبکه انتخاب میشوند. در این مقاله، برای پارامترهای مذکور به ترتیب مقادیر 20 آمپر و 90 میلی ثانیه انتخاب شده است [19]. فرایند تشخیص خطاهای امپدانس بالا در روش پیشنهادی در روندنمای شکل (5) نشان داده شده است.

3-       شبیه‌سازی‌ها و تحلیل نتایج

بمنظور بررسی کارایی روش پیشنهادی در تشخیص خطاهای امپدانس بالا، شبکه توزیع 13 باس IEEE در محیط کدنویسی نرم افزار MATLAB مورد شبیه‌سازی قرار گرفته است. نمودار تک خط این سیستم در شکل (6) نشان داده شده است. داده‌های این سیستم نیز در [30] ارائه شده است. در مطالعات انجام شده، کارایی روش پیشنهادی در برابر چالشهای مختلفی از جمله بروز خطاهای امپدانس بالا و رخدادهای معمول شبکه مورد بررسی قرار گرفته است. سیستم کامپیوتری مورد استفاده، یک کامپیوتر شخصی با پردازنده Intel® Core™i7 و فرکانس کاری 2.5 گیگاهرتز و با رم 8 گیگابایت در محیط 64 بیتی سیستم‌ عامل ویندوز 10 انجام شده است.

 

شکل (6)، نمودار تک خط شبکه توزیع 13 باس IEEE

 

 

(الف)

 

(ب)

شکل (7)، شکل موج جریان لحظه ای ابتدای فیدر، هنگام بروز خطای امپدانس بالا در باس 632

 

3-1- بروز خطای امپدانس بالا در ابتدای فیدر

در این بخش، با فرض نصب سیستم حفاظتی در ابتدای فیدر، به بررسی کارایی روش پیشنهادی در شرایط بروز خطای امپدانس بالا در نزدیکی سیستم حفاظتی پرداخته شده است. بدین­منظور، از لحظه 3/0 ثانیه یک خطای امپدانس بالا در باس 632 در فاز A رخ می‌دهد. شکل (7-الف) تغییرات جریان فاز A ابتدای فیدر (بعد از ترانسفورمر) در بازه زمانی قبل و بعد از بروز خطای امپدانس بالا را نشان می‌دهد. از آنجا که علاوه بر جریان نسبتا ناچیز خطا، جریان بار کل شبکه نیز از ابتدای فیدر جاری می‌شود، تشخیص بروز چنین خطایی در شکل (7-الف) مشکل است. برای نمایش بهتر، در شکل (7-ب) شکل موج بزرگ­نمایی شده­ی قدر مطلق جریان ابتدای فیدر نشان داده شده است. همانطور که مشاهده می‌شود، بدلیل کاهش ولتاژ، پس از بروز خطا جریان ابتدای فیدر افت می‌کند. بنابراین رله‌های حفاظتی مرسوم قادر به تشخیص بروز خطا نخواهند بود. اما نکته مهم این است که پس از بروز خطا تقارن شکل موج جریان ابتدای فیدر کاهش یافته است.

شکل (8) نمودار تغییرات شاخص‌های اقلیدسی، باتاچاریا، کسینوسی، منهتن، کولبک و شاخص پیشنهادی را پس از بروز خطای امپدانس بالا در باس 632 نشان می‌دهد. شایان ذکر است همه این شاخص‌ها بر اساس جریان ابتدای فیدر محاسبه شده اند. همانطور که در شکل‌های (8-الف) تا (8-د) مشاهده میشود، شاخص‌های اقلیدسی، باتاچاریا، کسینوسی و منهتن پس از بروز خطا تغییرات نسبی قابل ملاحظه ای ندارند و بنابراین استفاده از این روش‌ها چندان قابل اطمینان نیست. اما مطابق شکل‌های (8-هـ) و (8-و)، تغییرات نسبی شاخص کولبک و شاخص پیشنهادی بطوری است که می‌توان خطای امپدانس بالا را به خوبی تشخیص داد.

شاخص آستانه و زمان آستانه، که بمنظور تمیز خطاهای امپدانس بالا از رخدادهای معمول شبکه در فصل قبل تعریف شد، نیز در شکل (8-و) رسم شده است. همانطور که مشاهده می‌شود، با استفاده از شاخص پیشنهادی خطای امپدانس بالای رخ داده در باس 632 به خوبی قابل تشخیص خواهد بود.

 

 

(الف)

 

(ب)

 

(ج)

 

 

(د)

 

(هـ) 

 

(و) 

شکل (8)، تغییرات شاخص‌های الف) اقلیدسی، ب) باتاچاریا، ج) کسینوسی، د) منهتن، هـ)کولبک و و) شاخص پیشنهادی، هنگام بروز خطای امپدانس بالا در باس 632

 

 

شکل (9)، مقایسه شاخص کولبک و شاخص پیشنهادی، هنگام بروز خطای امپدانس بالا در باس 632

 

نکته مهمی که در شکل (8) وجود دارد، شباهت شاخص کولبک و شاخص پیشنهادی است. به همین دلیل، در شکل (9) این دو شاخص با یکدیگر مقایسه شده اند. با وجود اینکه این دو شاخص روابط ریاضی و محاسبات کاملا متفاوتی دارند، نمودار تغییرات این دو شاخص شباهت بسیار زیادی با یکدیگر دارند. اما، مزیتی که روش پیشنهادی دارد، سهولت بیشتر ، سرعت بالاتر محاسبات و حافظه مورد نیاز کمتر می‌باشد. در جدول (1)، زمان محاسبات روش پیشنهادی بار روش کولبک مقایسه شده است. شایان ذکر است زمان محاسبات بر اساس شبیه­سازی با استفاده سیستم کامپیوتری شخصی، که مشخصات فنی آن در ابتدای بخش 3 ارائه شد، بدست آمده است. اهمیت این تفاوت در تجهیزات حفاظتی که از محدودیت سرعت پردازنده و حافظه برخوردارند، بشتر نمایان خواهد بود.

3-2- بروز خطای امپدانس بالا در انتهای فیدر

در این بخش، به بررسی کارایی روش پیشنهادی در شرایط بروز خطای امپدانس بالا در دورترین نقاط شبکه نسبت به محل نصب سیستم حفاظتی پرداخته شده است. بدین­منظور، یک خطای امپدانس بالا از لحظه 3/0 ثانیه در باس 652 در فاز A درنظر گرفته شده است. شکل (10-الف) تغییرات جریان فاز A ابتدای فیدر در بازه زمانی قبل و بعد از بروز خطای امپدانس بالا در باس 652 را نشان می‌دهد. همانطور که مشاهده می‌شود، از آنجا که هنگام بروز خطا در انتهای فیدر جریان بار کل شبکه کمتر تحت الشعاع بروز خطا قرار میگیرد، اثر جریان خطا کمتر خواهد شد و همین موضوع تشخیص بروز چنین خطایی را کمی مشکل­تر می‌کند.

 

 

(الف)

 

(ب)

شکل (10)، شکل موج جریان لحظه ای ابتدای فیدر، هنگام بروز خطای امپدانس بالا در باس 652

 

برای نمایش بهتر، در شکل شکل (10-ب) شکل موج بزرگنمایی شده­ی قدر مطلق جریان ابتدای فیدر نشان داده شده است. همانطور که مشاهده می‌شود، در اینجا نیز بدلیل کاهش ولتاژ، جریان ابتدای فیدر پس از بروز خطا افت می‌کند. اما، در مقایسه با شکل شکل (7-ب)، پس از بروز خطا هم دامنه جریان کمتر کاهش یافته است و هم تقارن شکل موج جریان ابتدای فیدر به شدت شکل شکل (7-ب) نیست. بنابراین، رله‌های اضافه جریان معمولی سخت تر می‌توانند چنین خطاهایی را تشخیص دهند.

 

جدول (1)، زمان محاسبات روش­های کولبک و پیشنهادی، هنگام بروز خطا در باس 632

زمان محاسبات روش کولبک	054242/0 ثانیه
زمان محاسبات روش پیشنهادی	025009/0 ثانیه

 

 

(الف)

 

(ب)

 

(ج)

 

(د)

 

(هـ)

 

 

(و)

شکل (11)، تغییرات شاخص‌های الف) اقلیدسی، ب) باتاچاریا، ج) کسینوسی، د) منهتن، هـ)کولبک و و) شاخص پیشنهادی ، هنگام بروز خطای امپدانس بالا در باس 652

در شکل (11) نمودار تغییرات شاخص‌های به ترتیب الف) اقلیدسی، ب) باتاچاریا، ج) کسینوسی، د) منهتن، هـ)کولبک و و) شاخص پیشنهادی ، هنگام بروز خطای امپدانس بالا در باس 652 نشان داده شده است. همانطور که مشاهده می‌شود، در هنگام بروز خطا در باس 652 نیز تنها شاخص‌های کولبک و شاخص پیشنهادی تغییرات نسبی قابل ملاحظه ای دارند و تغییرات نسبی مابقی شاخص‌ها نسبت به شکل (8) کمتر نیز شده است. مطابق شکل (11-و) روش پیشنهادی به خوبی توانسته است با عبور از حد آستانه شاخص و حد آستانه زمانی، به خوبی خطای امپدانس بالا را تشخیص دهد.

 

 

شکل (12)، مقایسه شاخص کولبک و شاخص پیشنهادی، هنگام بروز خطای امپدانس بالا در باس 652

در شکل (12) نیز به دلیل شباهت شکل‌های (11-هـ) با (11-و)، شاخص پیشنهادی با شاخص کولبک مقایسه شده است. همانطور که مشاهده می‌شود، علی رغم کاهش مقدار هر دو شاخص نسبت به شکل (9)، تغییرات هر دو شاخص نسبت به حالت عادی همچنان در حدی است که به عملکرد هر دو روش می‌توان اطمینان داشت. علاوه بر این، شکل (12) نشان می‌دهد بجز نقاط محدودی، تقریبا این دو شاخص منطبق بر یکدیگر می‌باشند. این مساله می‌تواند تایید کننده صحت روش پیشنهادی نیز باشد.

 

 

(الف)

 

(ب)

شکل (13)، شکل موج جریان لحظه ای ابتدای فیدر، هنگام کلیدزنی بار

3-3- تغییر ناگهانی بار از طریق کلیدزنی

در این بخش بمنظور بررسی عملکرد روش پیشنهادی در تمیز رخدادهای معمول شبکه از خطاهای امپدانس بالا، درحالی که کلید بین باس‌های 671 و 692 از ابتدا بسته است، در لحظه 3/0 ثانیه کلید مذکور باز شده است و بارهای متصل در این انشعاب از مدار خارج شده­اند. شکل‌های (13-الف) و (13-ب) به ترتیب نمودار تغییرات جریان فاز B ابتدای فیدر و نمودار بزرگنمایی شده قدرمطلق جریان مذکور را نشان می­دهند. همانطور که در این شکل مشاهده میشود، پس از باز شدن کلید مذکور نیز تقارن شکل موج جریان همچنان برقرار است. شکل (14) تغییرات شاخص پیشنهادی، هنگام کلیدزنی بار را نشان می‌دهد. همانطور که مشاهده می‌شود، علی رغم تغییرات شدید شاخص در لحظه کلیدزنی، این تغییرات گذراست و از آنجا که بلافاصله کاهش یافته است و از آستانه مقدار شاخص و آستانه زمانی عبور نکرده است، چنین رخدادی بعنوان خطای امپدانس بالا تشخیص داده نمی‌شود.

 

شکل (14)، نمودار تغییرات شاخص پیشنهادی، هنگام کلیدزنی بار

 

3-4- کلیدزنی بار غیر خطی

در این بخش بمنظور بررسی عملکرد روش پیشنهادی در تمیز بارهای غیر خطی از خطاهای امپدانس بالا، درحالی که کلید بین باس‌های 671 و 692 از ابتدا بسته است، در لحظه 3/0 ثانیه یک بار غیر خطی به باس 692 شده است. بار مذکور یک یکسوساز قدرت است که برای مدار شارژ باتری استفاده شده است.

 

(الف)

 

(ب)

شکل (15)، شکل موج جریان لحظه ای ابتدای فیدر، هنگام کلیدزنی بار غیرخطی

 

شکل (16)، نمودار تغییرات شاخص پیشنهادی، هنگام کلیدزنی بار غیرخطی

 

 

(الف)

 

(ب)

شکل (17)، شکل موج جریان لحظه ای ابتدای فیدر، هنگام کلیدزنی خازن

 

شکل‌های (15-الف) و (15-ب) به ترتیب نمودار تغییرات جریان فاز B ابتدای فیدر و نمودار بزرگنمایی شده قدرمطلق جریان مذکور را نشان می­دهند. همانطور که قابل مشاهده است، با ورود بار غیرخطی جریان ابتدای فیدر بطور چشمگیری فرم سینوسی خود را از دست داده و هارمونیکی شده است. تغییرات شاخص پیشنهادی هنگام کلیدزنی بار غیرخطی در شکل (16) نشان داده شده است. همانطور که مشاهده می‌شود، علی رغم تغییرات شدید شاخص در اثر کلیدزنی بار غیر خطی، روش پیشنهادی به خوبی موفق به تمیز این رخداد از خطای امپدانس بالا شده است.

 

شکل (18)، نمودار تغییرات شاخص پیشنهادی هنگام کلید زنی خازن

3-5- کلیدزنی خازن

در این بخش، کارایی روش پیشنهادی در تمیز دادن رخدادهایی مانند کلیدزنی خازن از خطای امپدانس بالا، مورد بررسی قرار گرفته است. بدین­منظور، از لحظه 3/0 ثانیه یک خازن تکفاز 100 کیلوواری به باس 611 و یک خازن سه فاز 600 کیلوواری به باس 675 متصل می‌شوند. شکل‌های (17-الف) و (17-ب) به ترتیب شکل موج جریان فاز C ابتدای فیدر و شکل موج بزرگنمایی شده قدر مطلق جریان مذکور را نشان می‌دهند. همانطور که مشاهده می‌شود، تغییرات جریان ناشی از این رخداد قابل توجه نیست. در شکل (18)، تغییرات شاخص پیشنهادی هنگام کلید زنی خازن نشان داده شده است. همانطور که مشاهده می‌شود، با توجه به حد آستانه مقدار شاخص و حد آستانه زمانی در نظر گرفته شده، کلید زنی خازن به خوبی از خطای امپدانس بالا تمیز داده میشود و عملکرد روش پیشنهادی قابل اطمینان است.

3-6- اثر نویز

کارایی روش پیشنهادی در شرایط حضور نویز مساله ای است که در این بخش مورد بررسی قرار گرفته است. به همین منظور، در حالی که یک نویز سفید گوسی، با نسبت دامنه سیگنال به نویز 40 دسی بل، به سیگنال جریان اندازه­گیری شده در ابتدای فیدر اضافه شده است، از لحظه 3/0 ثانیه یک خطای امپدانس بالا در باس 632 در فاز A رخ می‌دهد. شکل (19) نمودار تغییرات شاخص‌ پیشنهادی، شاخص آستانه و زمان آستانه را پس از بروز خطای مذکور نشان می‌دهد. همانطور که مشاهده می‌شود، در حضور نویز نیز با استفاده از شاخص پیشنهادی خطای امپدانس بالای رخ داده در باس 632 به خوبی قابل تشخیص خواهد بود.

 

 

شکل (19)، تغییرات شاخص پیشنهادی در حضور نویز، هنگام بروز خطای امپدانس بالا در باس 632

4-       نتیجه­گیری

در این مقاله، روشی مبتنی بر اندازه گیری مشابهت برای تشخیص خطاهای امپدانس بالا ارائه شده است. در این روش، شاخصی ارائه شده است که مبتنی بر پردازش سیگنال جریان خطا است. این شاخص در حقیقت سطح زیر نمودار دو نیم سیکل جریان را بطور پیوسته با یکدیگر مقایسه می‌کند. در حالت عادی مقدار این شاخص، صفر است. اما پس از بروز خطای امپدانس بالا، مقدار شاخص بطور قابل توجهی افزایش می‌یابد و تشخیص چنین خطاهایی را ممکن می‌سازد. از آنجا که رخداد‌های معمول شبکه مانند تغییرات ناگهانی بار بار و کلید زنی خازن هم می‌توانند موجب تغییر شاخص پیشنهادی شوند، بمنظور ایجاد قابلیت تمیز خطای امپدانس بالا از رخدادهای معمول شبکه، یک حد آستانه مقدار شاخص و یک حد آستانه زمانی نیز در نظر گرفته شده است. بمنظور تایید کارایی روش پیشنهادی، شبکه 13 باس IEEE که یک شبکه توزیع نامتقارن می‌باشد، مورد شبیه‌سازی قرار گرفته است. در شبیه‌سازی‌های انجام شده، بروز خطای امپدانس بالا در نقاط مختلف شبکه مورد مطالعه قرار گرفته است. نتایج شبیه‌سازی‌ها نشان می‌دهد روش پیشنهادی قادر است این خطاها را، چه در نزدیکی محل نصب تجهیزات حفاظتی و چه دور از آنها، به خوبی تشخیص دهد. علاوه بر این، تغییر ناگهانی بار، کلید زنی بار غیر خطی و همچنین کلید زنی خازن نیز در شبکه مورد مطالعه قرار گرفته است که نتایج حاصل از آن نشان می‌دهد روش پیشنهادی توانسته است چنین رخدادهای معمول شبکه را از خطای امپدانس بالا تمیز داده و دچار عملکرد اشتباه نشده است.

سپاسگزاري

نويسندگان اين مقاله، از آقای دکتر ایمان صادق خانی، عضو محترم هیات علمی دانشگاه آزاد اسلامی واحد نجف آباد، بابت استفاده از راهنمایی­ها و کمک­های ایشان كمال سپاسگزاري و قدردانی را دارند.

مراجع

 

[1]        B. Fani, H. Bisheh, and I. Sadeghkhani, "Protection coordination scheme for distribution networks with high penetration of photovoltaic generators," IET Generation, Transmission & Distribution, vol. 12, no. 8, pp. 1802-1814, 2018, doi: 10.1049/iet-gtd.2017.1229

[2]        A. Khoshnami and I. Sadeghkhani, "Sample entropy‐based fault detection for photovoltaic arrays," IET Renewable Power Generation, vol. 12, no. 16, pp. 1966-1976, 2018, doi: 10.1049/iet-rpg.2018.5220.

[3]        M. M. Rezaei and J. Soltani, "Sliding mode control of a grid-connected distributed generation unit under unbalanced voltage conditions," automatika, vol. 57, no. 1, pp. 89-98, 2016, doi: 10.7305/automatika.2016.07.870.

[4]        C. Athanasiadis, T. Papadopoulos, G. Kryonidis, and D. Doukas, "A review of distribution network applications based on smart meter data analytics," Renewable and Sustainable Energy Reviews, vol. 191, p. 114151, 2024, doi: 10.1016/j.rser.2023.114151.

[5]        S. Nezamzadeh-Ejieh and I. Sadeghkhani, "Cross Entropy-Based High-Impedance Fault Detection Algorithm for Distribution Networks," Iranian Electric Industry Journal of Quality and Productivity, vol. 8, no. 1, pp. 62-71, 2019.

[6]        K. Sarwagya, S. De, and P. K. Nayak, "High‐impedance fault detection in electrical power distribution systems using moving sum approach," IET Science, Measurement & Technology, vol. 12, no. 1, pp. 1-8, 2018, doi: 10.1049/iet-smt.2017.0231.

[7]        A. Soheili and J. Sadeh, "Evidential reasoning based approach to high impedance fault detection in power distribution systems," IET Generation, Transmission & Distribution, vol. 11, no. 5, pp. 1325-1336, 2017, doi: 10.1049/iet-gtd.2016.1657.

[8]        M. S. Ali, A. H. Abu Bakar, H. Mokhlis, H. Arof, and H. Azil Illias, "High‐impedance fault location using matching technique and wavelet transform for underground cable distribution network," IEEJ Transactions on Electrical and Electronic Engineering, vol. 9, no. 2, pp. 176-182, 2014, doi: 10.1002/tee.21953.

[9]        A. H. A. Bakar, M. Ali, C. Tan, H. Mokhlis, H. Arof, and H. Illias, "High impedance fault location in 11 kV underground distribution systems using wavelet transforms," International Journal of Electrical Power & Energy Systems, vol. 55, pp. 723-730, 2014, doi: 10.1016/j.ijepes.2013.10.003.

[10]        R. Varghese P, M. Subathra, S. T. George, N. M. Kumar, E. S. Suviseshamuthu, and S. Deb, "Application of signal processing techniques and intelligent classifiers for high-impedance fault detection in ensuring the reliable operation of power distribution systems," Frontiers in Energy Research, vol. 11, p. 1114230, 2023, doi: 10.3389/fenrg.2023.1114230.

[11]        A. I. Sifat, F. J. S. McFadden, J. Bailey, R. Rayudu, and A. Hunze, "Characterization of 400 volt high impedance fault with current and magnetic field measurements," IEEE Transactions on Power Delivery, vol. 36, no. 6, pp. 3538-3549, 2020, doi: 10.1109/tpwrd.2020.3044545.

[12]        Z. Moravej, S. H. Mortazavi, and S. M. Shahrtash, "DT‐CWT based event feature extraction for high impedance faults detection in distribution system," International Transactions on Electrical Energy Systems, vol. 25, no. 12, pp. 3288-3303, 2015, doi: 10.1002/etep.2035.

[13]        A. Ghaderi, H. L. Ginn III, and H. A. Mohammadpour, "High impedance fault detection: A review," Electric power systems research, vol. 143, pp. 376-388, 2017, doi: 10.1016/j.epsr.2016.10.021.

[14]        M. Salehi, M. Zolfaghari, and J. M. Maritz, "A Simple Approach to Detect High Impedance Fault Using Morphological Gradient Edge Detector," IEEE Access, 2024, doi: 10.1109/access.2024.3351565.

[15]        A. Chandra, G. K. Singh, and V. Pant, "A novel high impedance fault detection strategy for microgrid based on differential energy signal of current signatures and entropy estimation," Electric Power Components and Systems, vol. 52, no. 4, pp. 532-554, 2024, doi: 10.1080/15325008.2023.2227193.

[16]        W. Sheng, K. Liu, D. Jia, and Y. Wang, "An improved high-impedance fault identification scheme for distribution networks based on kernel extreme learning machine," International Journal of Electrical Power & Energy Systems, vol. 155, p. 109543, 2024, doi: 10.1016/j.ijepes.2023.109543.

[17]        M. F. Guo, M. Yao, J. H. Gao, W. L. Liu, and S. Lin, "An incremental high impedance fault detection method under non-stationary environments in distribution networks," International Journal of Electrical Power and Energy Systems, vol. 156, 2023, doi: 10.1016/j.ijepes.2023.109705.

[18]        V. Ashok and A. Yadav, "Fault diagnosis scheme for cross-country faults in dual-circuit line with emphasis on high-impedance fault syndrome," IEEE Systems Journal, vol. 15, no. 2, pp. 2087-2097, 2020, doi: 10.1109/jsyst.2020.2991770.

[19]        S. Nezamzadeh‐Ejieh and I. Sadeghkhani, "HIF detection in distribution networks based on Kullback–Leibler divergence," IET Generation, Transmission & Distribution, vol. 14, no. 1, pp. 29-36, 2020, doi: 10.1049/iet-gtd.2019.0001.

[20]        E. Baharozu, S. Ilhan, and G. Soykan, "High impedance fault localization: A comprehensive review," Electric Power Systems Research, vol. 214, p. 108892, 2023, doi: 10.1016/j.epsr.2022.108892.

[21]        N. I. Elkalashy, M. Lehtonen, H. A. Darwish, M. A. Izzularab, and I. T. Abdel-maksoud, "Modeling and experimental verification of high impedance arcing fault in medium voltage networks," IEEE Transactions on Dielectrics and Electrical Insulation, vol. 14, no. 2, pp. 375-383, 2007, doi: 10.1109/tdei.2007.344617.

[22]        M. Michalik, W. Rebizant, M. Lukowicz, S.-J. Lee, and S.-H. Kang, "High-impedance fault detection in distribution networks with use of wavelet-based algorithm," IEEE Transactions on Power Delivery, vol. 21, no. 4, pp. 1793-1802, 2006, doi: 10.1109/tpwrd.2006.874581.

[23]        P. H. Schavemaker and L. Van der Slui, "An improved Mayr-type arc model based on current-zero measurements [circuit breakers]," IEEE Transactions on Power delivery, vol. 15, no. 2, pp. 580-584, 2000, doi: 10.1109/61.852988.

[24]        H. A. Darwish and N. I. Elkalashy, "Universal arc representation using EMTP," IEEE Transactions on power delivery, vol. 20, no. 2, pp. 772-779, 2005, doi: 10.1109/tpwrd.2004.838462.

[25]        A. Emanuel, D. Cyganski, J. Orr, S. Shiller, and E. Gulachenski, "High impedance fault arcing on sandy soil in 15 kV distribution feeders: contributions to the evaluation of the low frequency spectrum," IEEE Transactions on Power Delivery, vol. 5, no. 2, pp. 676-686, 1990, doi: 0.1109/61.53070.

[26]        A. Sharat, L. Snider, and K. Debnath, "A neural network based back error propagation relay algorithm for distribution system high impedance fault detection," in 1993 2nd International Conference on Advances in Power System Control, Operation and Management, APSCOM-93., 1993: IET, pp. 613-620.

[27]        I. Baqui, I. Zamora, J. Mazón, and G. Buigues, "High impedance fault detection methodology using wavelet transform and artificial neural networks," Electric Power Systems Research, vol. 81, no. 7, pp. 1325-1333, 2011, doi: 10.1016/j.epsr.2011.01.022.

[28]        Y.-Y. Hong and W.-S. Huang, "Locating High-Impedance Fault Section in Electric Power Systems Using Wavelet Transform,-Means, Genetic Algorithms, and Support Vector Machine," Mathematical Problems in Engineering, vol. 2015, 2015, doi: 10.1155/2015/823720.

[29]        A. A. Amer and H. I. Abdalla, "A set theory based similarity measure for text clustering and classification," Journal of Big Data, vol. 7, no. 1, p. 74, 2020, doi: 10.1186/s40537-020-00344-3.

[30]        K. Dubey and P. Jena, "A novel high impedance fault detection technique in smart active distribution systems," IEEE Transactions on Industrial Electronics, 2023, doi: 10.1109/tie.2023.3285975.

 

زیرنویس‏ها

 

فناوری‏های نوین مهندسی برق در سیستم انرژی سبز، سال چهارم، شماره ۱، بهار ۱۴۰۴                                            2

---

[1]   Empirical mode decomposition

[2]   Kernel extreme learning machine

[3]   Incremental learning

[4]   Non-stationary data stream

[5]   Density-based spatial clustering of applications with noise (DBSCAN)

[6]   Kullback–Leibler divergence

[7]   Euclidean distance

[8]   Manhattan distance

[9]   Cosine similarity

[10]  Bhattacharya coefficient