Text of Final Project -فایل پروژه - ریسرچ-.Pdf)

-4-2 پارامترهای ماشین سنکرون 29....................................................................
-1-4-2 پارامترهای اساسی29
-2-4-2 پارامترهای عملیاتی 30........................................
-3-4-2 پارامترهای دینامیکی31
-5-2 محاسبه پارامترهای دینامیکی ماشین سنکرون بر اساس پارامترهای اساسی
ماشین31
-1-5-2 محاسبه راکتانسهای ماشین 33..................................................................................
-2-5-2 محاسبه ثابت زمانی های ماشین35
5
-6-2 مراتب مختلف مدلهای ماشین سنکرون بر اساس مدل دو محوری پارک37
فصل سوم: بررسی روشهای شناسایی پارامترهای دینامیکی ژنراتور سنکرون..39
-1-3 مروری بر پیشینه شناسایی پارامترهای ژنراتورهای سنکرون 40..............................
-2-3 انواع روشهای تعیین پارامترهای دینامیکی ژنراتور سنکرون 42................................
-1-2-3 روشهای کلاسیک اندازه گیری پارامترهای دینامیکی ژنراتورهای شبکه42
-2-2-3 روشهای جدید تعیین پارامترهای دینامیکی ژنراتورهای سنکرون43
فصل چهارم: شناسایی بلادرنگ پارامترهای ژنراتور سنکرون با استفاده از شبکه عصبی
مصنوعی ....45
-1-4 کلیات و اصول کارشبکه های عصبی 46....................................
-2-4 اصول کار شبکه عصبی تخمین گر پارامترها46
-1-2-4 دادههای آموزشی و آموزش شبکه عصبی.48
-2-2-4 تست شبکه عصبی تخمینگر50
-3-4 نتایج 51...................................................................
-1-3-4 نمونههایی از نتایج شبکه عصبی تخمینگر53
-2-3-4 بررسی تحلیلی نتایج .89
فصل پنجم: نتیجهگیری و پیشنهادات ...97
ضمیمهها100
ضمیمهالف- طرحهای بکار گرفته شده برای شبیهسازی ژنراتور سنکرون101
ضمیمهب- نمودار پارامترهای بکار گرفته شده در شبیهسازی ژنراتور سنکرون..105
منابع و ماخذ.110
6
فهرست جدول ها
عنوان شماره صفحه
1-2 : مراتب مختلف مدلهای ژنراتور سنکرون 24
1-4 : فهرست پارامترهای دینامیکی ژنراتورهای سنکرون 38
2-4 : نتایج شبکه عصبی در دوره آموزش و تست از دیدگاه فراوانی خطا 81
3-4 : نتایج شبکه عصبی در دوره آموزش و تست از دیدگاه دامنه خطا 82

7
فهرست شکلها
عنوان شماره صفحه
: 1-1 نمای کلی فرایند ارزیابی و بهبود سیستمهای قدرت 3
: 1-2 مدارهای استاتور و روتور ماشین سنکرون 9
:2-2 مدار معادل ماشین بر اساس تئوری پارک 13
:3-2 توزیع شار در ماشین سنکرون طی دورههای زیرگذرا، گذرا و ماندگار 18
:4-2 مدار معادل ژنراتور سنکرون در حالت ماندگار 19
:5-2 مدار معادل ماشین سنکرون در دوره گذرا 20
:6-2 مدار معادل ماشین سنکرون طی دوره زیر گذرا 20
:7-2 مدار معادل ماشین جهت استخراج ثابت زمانی های گذرای مدار باز 21
: 8-2 مدارمعادل ماشین جهت استخراج ثابت زمانی های زیر گذرای مدار باز 22
: :1-4 طرح کلی سلول عصبی انسان 32
:2-4 شکل کلی سلول عصبی مصنوعی 33
:3-4 ساختار شبکه عصبی توسعه یافته 33
:4-4 شکل کلی روش تهیه اطلاعات بهرهبرداری ژنراتورهای سنکرون 35
:5-4 آلگوریتم آموزش شبکه عصبی 36
:6-4 طرح کلی روش تست و بهرهبرداری از شبکه عصبی 37
:7-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xd" 39
:8-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 39
:9-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 40
:10-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 40
:11-4 هیستوگرام خطای شبکه عصبی در مرحله تست 41
:12-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 41
:13-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd" 42

8
:14-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 42
:15-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 43
:16-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 43
:17-4 هیستوگرام خطای شبکه عصبی در مرحله تست 44
:18-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 44
:19-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd" 45
:20-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 45
:21-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 46
:22-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 46
:23-4 هیستوگرام خطای شبکه عصبی در مرحله تست 47
:24-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 47
:25-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xq" 48
:26-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 48
:27-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 49
:28-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq" 49
:29-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 50
:30-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 50
:31-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq" 51
:32-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 51
:33-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 52
:34-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین xq" 52
:35-4 هیستوگرام خطای شبکه عصبی در مرحله تست 53
:36-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 53
:37-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq" 54
:38-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 54
:39-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 55
9
:40-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq" 55
:41-4 هیستوگرام خطای شبکه عصبی در مرحله تست 56
:42-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 56
:43-4 نمودار خروجی شبکه عصبی درفرایند برای تخمین Td" 57
:44-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 57
:45-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 58
:46-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 58
:47-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 59
:48-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 59
:49-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td" 60
:50-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 60
:51-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 61
:52-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 61
:53-4 هیستوگرام خطای شبکه عصبی در مرحله تست 62
:54-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 62
:55-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td" 63
:56-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 63
:57-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 64
:58-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 64
:59-4 هیستوگرام خطای شبکه عصبی در مرحله تست 65
:60-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 65
:61-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین Tq" 66
:62-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 66
:63-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 67
:64-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq" 67
:65-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 68
10
:66-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 68 :67-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq" 69 :68-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 69 :69-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 70 :70-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین Tq" 70 :71-4 هیستوگرام خطای شبکه عصبی در مرحله تست 71 :72-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 71 :73-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq" 72 :74-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 72 :75-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 73 :76-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq" 73 :77-4 هیستوگرام خطای شبکه عصبی در مرحله تست 74 :78-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 74 ض-:1 طرح شبیه سازی ژنراتور سنکرون متصل به شین بینهایت با اغتشاش تغییر 88 ناگهانی تحریک ض-:2 طرح شبیه سازی ژنراتور سنکرون متـصل بـه شـین بینهایـت بـا اغنـشاش 89 اتصالکوتاه درترمینال ژنراتور ض-:3 طرح شبیه سازی ژنراتور سنکرون متصل به شین بینهایت با اغتشاش تغییر 90 ناگهانی توان ورودی ض-:4 تغییرات مقادیر Xd بکار گرفته شده 92 ض-:5 تغییرات مقادیر Xd' بکار گرفته شده 92 ض-:6 تغییرات مقادیر Xd" بکار گرفته شده 92 ض-:7 تغییرات مقادیر Xq بکار گرفته شده 93 ض-:8 تغییرات مقادیر Xq" بکار گرفته شده 93 ض-:9 تغییرات مقادیر Xl بکار گرفته شده 93 ض-:10 تغییرات مقادیر Td' بکار گرفته شده 94 ض-:11 تغییرات مقادیر Td" بکار گرفته شده 94 11
ض-:12 تغییرات مقادیر Tq" بکار گرفته شده 94
ض-:13 تغییرات مقادیر Rs بکار گرفته شده 95
ض-:14 تغییرات مقادیر WR بکار گرفته شده 95
ض-:15 تغییرات مقادیر H بکار گرفته شده 95
12
چکیده پایاننامه:
این پروژه روشی نو را برای بکارگیری رؤیتگرهای شبکه عـصبی در جهـت شناسـایی و تعیـین پارامترهـای دینامیکی ژنراتورهای سنکرون با استفاده از اطلاعات بهرهبرداری ارائه کرده است. اطلاعات بهـرهبـرداری از طریق اندازهگیریهای بلادرنگ بعمل آمده در قبال اغتشاشات حوزه بهرهبرداری فراهم مـیشـود. دادههـای آموزشی مورد نیاز شبکه عصبی از طریق شبیهسازیهای غیرهمزمـان بهـرهبـرداری از ژنراتـور سـنکرون در محیط یک ماشین متصل به شین بینهایت فراهم شده است. مقـادیر نمونـه ژنراتورهـای سـنکرون در مـدل مذکور بکار گرفته شدهاند. شبکه آموزش دیده در قبال اندازهگیریهای بلادرنگ شبیهسازی شـده در جهـت تخمین پارامترهای دینامیکی ژنراتورهای سنکرون تست شده است. مجموعه نتایج بدست آمده نشان دهنـده قابلیتهای نوید بخش شبکه عصبی مصنوعی در حوزه تخمین پارامترهای دینامیکی ژنراتورهـای سـنکرون، بصورت بلادرنگ و با استفاده از اطلاعات بهرهبرداری میباشد. اگرچه برای دست یـابی بـه خطـای تخمـین قابل قبول در مسیر شناسایی کلیه پارامترهای دینامیکی ژنراتورهای سنکرون، پارهای اصلاحات ضروری بـه نظر میرسد. در نگاه کلّی این اقدامات تکامل بخش را میتوان به دو مجموعه: پیشنهادات مربوط به اصـلاح شبکه عصبی رؤیتگر در حوزه شبیهسازی و آموزش و بخش دیگر را به عنوان گامهای تکاملی تلقی نمود، که سازماندهی این گامها در مبادی ورودی و خروجی شبکه عصبی، زمینه مناسبتـری را بـرای بهـرهگیـری از قابلیتهای آن فراهم خواهد کرد.
کلید واژه:
ژنراتور سـنکرون، پارامترهـای دینـامیکی، شناسـایی بلادرنـگ، شـبکههـای عـصبی مـصنوعی، اطلاعـات بهرهبرداری
13
14
مقدمه:
در سالهای اخیر با پیشرفت سیستمهای کامپیوتری, سیستمهای هوش مصنوعی نیز متولد شده و رشد کرده است. یکی از سیستمهای هوش مصنوعی, شبکه های عصبی مصنوعی هستند. این شبکه ها به علت عواملی چون قطعیت در پاسخ, سادگی در اجرا, قابلیت انعطاف بالا و .... جایگاه ویژه ای را به خود اختصاص داده اند. با توجه به ساختار و کارکرد شبکه های عصبی مصنوعی و اهمیت تعیین پارامترهای دینامیکی اجزاء سیستمهای قدرت از جمله ژنراتورهای سنکرون, بهره گیری از شبکه های عصبی مصنوعی در این حوزه قابل طرح است. از طرف دیگی نتایج ارائه شده از بکار گیری این شبکه ها در حوزه های مشابه, کارکردهای نوید بخشی را نشان می دهد. با توجه به مراتب فوق این پروژه بر آنست تا با طراحی و اجرای طرح شناسایی پارامترهای دینامیکی ژنراتورهای سنکرون با استفاده از شیکه عصبی مصنوعی, قابلیت های این سیستم را در حوزه شناسایی بلادرنگ پارامترهای دینامیکی ژنراتورهای سنکرون نیز بیازماید.
15
فصلاول:

کلیات
16
سیستم های قدرت متشکلند از مجموعه ای از مراکز تولید(نیروگاهها) که توسط شبکه های انتقال و توزیع و تجهیزات حفاظتی و کنترل آن به مراکز مصرف متصل می گردند. وظیفه اصلی یک سیستم قـدرت تولیـد و تامین انرژی الکتریکی مورد نیاز مصرف کنندگان با حفظ شرایط سه گانه:
-1 ارزانی قیمت انرژی
-2 کیفیت بالا
-3 امنیت تامین انرژی میباشد. مراد از امنیت، پیوستگی و تداوم در تولید و تامین انرژی می باشد. عوامل مؤثر در امنیـت عبارتنـد از:
-1 سرمایه گذاری اولیه (تجهیزات سیستم ) -2 روشها و امکانات نگهداری و تعمیرات سیستم قدرت.
همانگونه که در کلیه وسایل و سیستم های غیرالکتریکی همواره دو ویژگی ارزانـی و بـالا بـودن کیفیـت-
امنیت با یکدیگر متعارض و متقابل می باشند در مقوله انرژی الکتریکی و سیستم هـای قـدرت نیـز بهمـان گونه خواهد بود. امنیت یک سیستم قدرت در حقیقت درجه و میدان توانایی آن سیستم در مواجهه با حـوادث
اغتشاشات می باشد . امنیت کلی یک سیستم به دو زیر شاخه:
امنیت دینامیکی
امنیت استاتیکی
قابل تقسیم است. از توانایی سیستم قدرت برای حفظ و نگهداری خود در دوره وقوع اختلال (که خود از سـه دامنه فوق گذرا-گذرا-دینامیک تشکیل شده است) با عنوان امنیت دینامیکی تعبیر مـی گـردد. بـا توجـه بـه اهمیت بسیار زیاد امنیت سیستمهای قدرت، فرایند ارزیابی وبهبود آن همواره مورد توجه مهندسـین طـراح و بهرهبردار بوده، به قسمی که عملیات ارزیابی و بهبود امنیت سیستم های قدرت یکی از وظایف بسیار مهـم و اساسی مراکز کنترل و بهره برداری شبکه های قدرت می باشد. شکل کلی فرایند ارزیـابی و بهبـود سیـستم های قدرت در شکل1-1 بیان شده است. باتوجه به اهمیت امنیت در سیستم های قدرت و همچنین تغییرات مستمری که در حین عملیات بهره برداری 24 ساعته در شبکه اتفاق می افتد ضرورت دارد که دائماً از طرف بهره بردار، عملیات بهره برداری به شکلهای مختلف بر روی سیستم های قدرت اعمال گردد،اما با توجه بـه ویژگی بالا بودن امنیت نباید این عملیات بگونه ای باشدکه سبب بروز اغتشاش در رفتار سیستم و در نتیجـه نقض غرض گردد. از طرفی سیستم قدرت هر کشور منحصر بفرد بوده به قسمی که نمونه دومی نمی تـوان برای آن ایجاد نمود. بنابر این با توجه به ویژگی منحصر بفرد بودن سیستمهای قدرت و ضـرورت اجتنـاب از عملیات بهره برداری بررسی نشده، برای ارزیابی اولیه از نتایج عملیات بهره برداری و یا طراحی ضرورتاً مـی باید از یک نمونه مشابه سیستم قدرت استفاده نمود تا بتوان ابتداً نتایج مانورهای طراحی یا بهـره بـرداری را برآن آزمایش و در صورت اطمینان از بی خطر بودن، نتایج آن مانورها را بر شبکه واقعی اعمال نمود.
17

نمونه مشابه سیستم قدرت را شبیه ساز1 و عملیات آزمایشی بـرروی نمونـه مـشابه را محاسـبات و مطالعـات شبیه سازی2 گویند. فرایند شبیه سازی سیستمهای قدرت فارغ از اینکه دیجیتال باشد یـا آنـالوگ از مراحلـی بدین ترتیب تشکیل شده است:
_1 شناسایی اجزاء سیستم قدرت
_2 ساخت و یا استخراج معادلات حاکم بر اجزاء
_3 ترکیب اجزاء و یا معادلات آنها
_4 حل معادلات با روشهای ریاضی بوسیلهکامپیوتر
_5 استخراج نتایج که در این میان مدلسازی اجزاء سیستم قدرت که همان شناسایی و استخراج معـادلات حـاکم بـر اجـزاء آن
است یکی از قدم های اصلی این فرایند بشمار میرود. به بیان دیگر یک متخـصص شـبکه در روش کـاری خود اولویت بندی هایی دارد که اولین آنها رساندن انرژی الکتریکی تولیدی به مصرف کننده است، در مرحله
دوم به تامین امنیت شبکه اهتمام می ورزد. و نهایتاً تلاش خویش را در جهت بهبود هر چـه بیـشتر کیفیـت انرژی که به مصرف کننده تحویل داده می شود مصروف می دارد. اگر چه بسیاری از اقداماتی که در جهـت امنیت سیستم های قدرت انجام می شود کیفیت توان را نیز ارتقاء می دهد. تامین امنیت سیستم خود شـامل مراحل و اولویتهایی است که اولین گام آن را مقاوم سازی و پایدار سازی شبکه در حالت های گذرا می باشد

1-simulator 2-simulation
18
و دومین گام شامل پایدار سازی دینامیکی شبکه می شود. از دیدگاه فرکانسی می توان حالت هـای گـذرا در شبکه را با نوسانات فرکانس بالا و حالت های دینامیکی آن را با نوسانات فرکانس پایین معرفی کرد. در اکثر شبکه های دنیا خاصه با پیچیده شدن شبکه ها پدیده نوسانات فرکانس پایین مشاهده شده است. ژنراتورهـا به عنوان تولید کننده نقش اصلی در ارتباط با این نوسانات دارند. اینها از نوع نوسان در پارامترها هستند و با اغتشاشات حالتهای گذرا متفاوتند. گاه این اغتشاشات بدون رخ دادن هیچ واقعهای در طی کار معمول شـبکه بوجود می آیند مثلاً با تغییر تپ ترانس درکم باری و مواردی از این قبیل. اگرچه در مرحله بعد از حالت هـای گذرای شبکه (از دیدگاه زمانی) نیز چنین بحثی مطرح می شود. بایـد توجـه داشـت کـه ایـن نوسـانات را در مقایسه با فرکانس شبکه، فرکانس پایین نام نهاده اند. دامنه فرکانسی مطرح از کسر یک تا چند هرتـز اسـت که بطور معمول بازه 0.5-2.5HZ را در بر می گیرند و در موارد حدی 0.1-4HZ می باشد. این نوسانات را به انواع :
-1 محلی
-2 بین ناحیه ای تقسیم کرده اند. که نوسانات یک ماشین نسبت به شبکه بزرگ یا شین بی نهایت متّصل به آن را محلّی نـام
نهاده اند. نوسانات بین ناحیه ای نمونه هایی مانند دو ژنراتور که با خطوطی به هم متصل هستند یا مجموعه دو ناحیه با یکدیگر را در برمی گیرد. از دیدگاه فرکانسی نیز این دو نوع نوسانات دینامیکی باهم تفاوت دارند.
ثابت می شود عامل این نوسانات، مد مکانیکی توربوژنراتور است. همانگونه کـه پـیشتـر توضـیح داده شـد تامین امنیت سیستم های قدرت در برابر نوسانات دینامیکی مانند سایر شاخه ها نیازمند شبیه سازی شبکه از این زاویه دید میباشد. مقادیر پارامترهای دینامیکی اجزاء در این شبیه سازی دارای نقش کلیدی هـستند. بـا توجه به نقش ژنراتور در میان اجزاء شبکه از دیدگاه نوسانات دینامیکی تعیین پارامترهـای آن بـسیار مهـم و تعیین کننده خواهد بود. صحت و دقّت تعیین این پارامترها وابسته است به روش بکار گرفته شده برای بـرای تعیین آنها . این مطالب موجب پیدایش روشهای گوناگون برای تعیین این پارامترها شده است. از طرف دیگـر این پارامترها برای هر ژنراتور مقدار ثابتی نیستند و بخـاطر عـواملی چـون پیرشـدن ژنراتـور، ایجـاد بعـضی خطاهای داخلی و ..... تغییر می کنند. این شرایط موجـب طـرح روشـهای بلادرنـگ1 در تعیـین پارامترهـای دینامیکی ژنراتور سنکرون شده است. از جهت دیگر روش بکارگیری و تبعات عملی یک تکنیک شناسـایی و ملزومات آن نیز حائز اهمیت است. گروهی از این روشها اگر چه نتایج نسبتاً دقیق و قابل اعتمادی نیز فراهم می آورند لیکن به علت خطر های ناشـی از تـست هـای مطـرح در آنهـا (ماننـد آزمـایش اتـصال کوتـاه2 و
باربرداری( 3 و یا ملزوماتشان چون جداسازی ژنراتور از شبکه چندان مطلـوب نیـستند. بعـضی از اجـزاء ایـن گروه روشها به مرور مطرود شده اند. مقالات جدید ارائه شده در سایر اجزاء این گروه با هـدف بهبـود آنهـا و حذف مشکلات مذکور شکل گرفتهاند. دسته دیگر این روشها نمونههـایی هـستند کـه بـا چنـین مـشکلاتی

3-On-Line 4-Short Circuit 5-Load Rejection
19
مواجه نیستند(مانند استفاده از تخمینگر شبکه عصبی مصنوعی.(1 کارهای انجام شده درباره ایـن روشـها در راستای بهبود هرچه بیشتر آنها و یا اطمینان از نتایج حاصله توسط آنها شکل گرفته اند. با توجه بـه مقدمـه ذکر شده ابتداً لازم است کلیات روشهای مدل سازی ژنراتور سنکرون مورد بررسی قرارگیـرد تـا درگـام بعـد نسبت به بررسی روشهای شناسایی پارامترهای آن اقدام شود.

6- Artificial-Neural Network
20
فصل دوم:

مدل سازی ماشین سنکرون
21
-1-2 پیشگفتار:
شبیه سازی رفتار ژنراتورهای سنکرون برای انجام مطالعات گوناگون دینامیکی در سیستمهای قدرت، مستلزم انتخاب یک مدل مناسب جهت مدلسازی ماشین میباشد. مدل ارائه شده برای هر سیستم شامل یک ساختار و تعدادی پارامتر میباشد که جهت پیشگویی رفتار آن سیستم در حالتهای مورد نظر بکار گرفته میشود. مدل مورد استفاده برای یک سیستم باید به سادگی قابل فهم بوده، بکارگیری آن سهل باشد و در عین حال بتواند رفتار سیستم را با دقت و صحت قابل قبولی برای یک محدوده مشخص پیشگویی نماید.
بعبارت بهتر رفتار پیشبینی شده سیستم بواسطه شبیهسازی براساس مدل ارائه شده تا حد قابل قبولی به رفتار واقعی سیستم نزدیک باشد. هر چند این دو خاصیت از مدل یعنی سادگی و واقعی بودن همواره در تضاد با یکدیگر هستند، (یعنی مدلهای واقعی به ندرت ساده هستند و مدلهای ساده به ندرت میتوانند واقعی باشند)، اما میتوان جهت رسیدن به پاسخ دلخواه مصالحهای منطقی مابین این دو خاصیت برقرار کرد. مدل دو محوری پارک از معمولترین و پذیرفتهترین مدلهای ماشین سنکرون میباشد. در این فصل ابتدا اصول مدلسازی ماشین سنکرون براساس تئوری دو محوری پارک به اختصار بررسی میشود، سپس پارامترهای ماشین سنکرون معرفی شده و نحوه محاسبه پارامترها براساس مدل دو محوری پارک و همچنین نحوه مدلسازی ماشین با داشتن پارامترهای آن بررسی میگردد. همچنین در این فصل ارتباط میان مرتبههای مختلف مدل پارک با نوع ژنراتور و نوع مطالعه مورد نظر تشریح میشود.
-2-2 ساختار فیزیکی ماشین سنکرون:
-1-2-2 ساختار روتور و استاتور:
بزرگترین و شاید متداولترین ماشین های الکتریکی که با سرعت سنکرون می چرخند، ماشین های سنکرون سه فاز میباشند. اگرچه ساخت ماشین های سنکرون سه فاز پر هزینه میباشد، اما بازده بالای این ماشینها در قدرتهای بالا بزرگترین مزیت آنها میباشد.
استاتور ماشینهای سنکرون معمولاً متشکل از یک هسته مورق فرومغناطیس با شیارهایی جهت قرار گیری سیم پیچیهای سه فاز گسترده میباشد. روتور ماشین نیز میتواند بصورت قطب برجسته یا قطب صاف ساخته شود. ماشینهای قطب برجسته اغلب به عنوان ژنراتورهای آبی جهت تطبیق سرعت پائین توربین-
های آبی با سرعت سنکرون استفاده میشوند. قطبهای روتور این نوع ماشین به صورت جداگانه ساخته شده و سپس بر روی یک استوانه سوار میشوند. ساختار روتور گرد یا قطب صاف نیز برای کاربردهای سرعت بالا مناسب است. ماشینهای سنکرون با روتور گرد با دو یا چهار قطب به عنوان ژنراتورهای واحدهای بخاری جهت تطابق با سرعت بالای توربین به کار میروند. همچنین در این ماشینها میتوان نسبت قطر به طول روتور را به منظور محدود کردن تنش های مکانیکی ناشی از نیروهای گریز از مرکز کوچک گرفت.
22
-2-2-2 سیمبندیهای ماشین
ماشین سنکرون سه فاز معمولاً متشکل از یک سیم پیچی سه فاز به عنوان آرمیچر و یک سیم پیچی تحریک میباشد که بنام سیم پیچی میدان نیز نامیده میشود. سیمپیچی آرمیچر معمولاً در ولتاژی بسیار بالاتر از ولتاژ تحریک کار میکند و از این رو نیازمند فضایی بیشتر برای عایقبندی مناسب میباشد.
همچنین با توجه به اینکه جریانهای گذرای شدیدی از این سیمپیچیها عبور می کند، باید قدرت مکانیکی کافی داشته باشند. از این رو معمول است که سیمپیچی آرمیچر را بر روی استاتور ماشین قرار دهند. از نظر فضایی سیمپیچیهای سه فاز آرمیچر، 120º با یکدیگر اختلاف مکان دارند و این موضوع سبب میشود که با چرخش یکنواخت روتور و به تبع آن چرخش یکنواخت میدان تحریک، در این سیمپیچیها ولتاژهایی القا شود که از نظر زمانی 120º با یکدیگر اختلاف فاز دارند. سیم پیچی تحریک یا میدان معمولاً بر روی روتور قرار داده میشود. در ماشینهای قطب برجسته معمولاً میله های مسی یا برنجی در سطح قطب جای می-
گیرند که عموماً این میلهها در دوانتها به وسیله حلقههایی به یکدیگر متصل میشوند تا یک قفس سنجابی شبیه آنچه در یک موتور القایی وجود دارد، ساخته شود. مجموعه این میلهها و حلقهها به عنوان سیم پیچی میراکننده میباشند.
روتور ژنراتورهای قطب صاف بصورت استوانهای است که از فولاد یکپارچه ساخته میشود. سیم پیچیهای میدان در این گونه روتورها بصورت یکنواخت در شکافهای بدنه روتور توزیع شدهاند که معمولاً به کمک گوههایی در جای خود محکم میشوند. اغلب در چنین ماشینهایی سیم پیچی میراکننده وجود ندارد، زیرا که روتور یکپارچه فلزی اجازه عبور جریانهای گردابی را فراهم می آورد که تاثیری مشابه جریانهای سیمپیچی-
های میراکننده دارد. برخی از سازندگان تاثیر میرایی بیشتر و قابلیت عبور جریان مولفه منفی را با استفاده از گوههای فلزی مستقر در شکافهای سیمپیچی تحریک (که در انتها به یکدیگر متصل شدهاند) یا با استفاده از میلههای مسی مستقل زیر گوههای نگه دارنده، فراهم میآورند.
-3-2 توصیف ریاضی ماشین سنکرون
-1-3-2 معادلات ریاضی حاکم بر ماشین سنکرون
در این قسمت مدل ریاضی ماشین سنکرون بر اساس تئوری دو محوری بصورت خلاصه پارک تشریح می-
شود. شکل (1-2) مدارهای در نظر گرفته شده برای استاتور و روتور ماشین را نشان میدهد. مدار استاتور شامل یک سیم پیچی سه فاز است و روتور نیز یک سیم پیچی تحریک و یک سیمپیچی میراکننده بر روی محور d و دو سیم پیچی میراکننده بر روی محور q دارد. تعداد سیم پیچیهای میراکننده در نظرگرفته شده به عوامل متعددی از جمله نوع ژنراتور بستگی دارد که در قسمتهای بعدی به آن اشاره خواهد شد. مدل نشان داده شده در شکل (1-2) مدل 2-2 براساس استاندارد IEEE Std 1110 میباشد.
23
i fd d ωr a e fd q ib i1d ikq Ψb Ψa θ eb i1q b a ia ea ec
c

Ψc
ic

شکل :(1-2) مدارهای استاتور و روتور ماشین سنکرون
:c , b, a سیم پیچی های سه فاز استاتور : fd سیم پیچی تحریک

: 1d سیم پیچی میرا کننده محور d

1q و : 2q سیم پیچی های میراکننده محور q : ωr سرعت زاویه ای روتور برحسب رادیان بر ثانیه
: θ زاویه مابین محور مغناطیسی روتور و محور مرجع (محور مغناطیسی فاز (a
در بدست آوردن معادلات ماشین سنکرون برای ساده سازی فرضیات زیر درنظر گرفته میشود:
الف ) شکافهای موجود بر روی سطح داخلی استاتور تاثیر قابل توجهی بر اندوکتانسهای روتور درحال حرکت ندارند.
) پسماند مغناطیسی آهن استاتور و روتور قابل صرف نظر کردن است.
) از نظر تاثیر متقابل استاتور و روتور، سیم پیچیهای استاتور بصورت سینوسی در امتداد فاصله هوایی
توزیع شدهاند.
هر چند در مدل ارائه شده اثر اشباع مستقیماً منظور نشدهاست، اما با تصحیح راکتانسهای دو محور با استفاده از ضرایب اشباع و یا با داخل کردن مولفههای جبرانکننده درتحریک میدان اصلی، پدیده اشباع نیز لحاظ میشود.
با فرض حالت ژنراتوری معادلات ولتاژ مربوط به سیم بندی های استاتور و روتور را میتوان به شکل روابط
(1-2) و (2-2) نوشت.
Ψs d vs  −is Rs  dt (1-2) d vr  −ir Rr  Ψr dt که در آن :
24
vs  v a vb vc t vr  v f v1d v1q v2q t is  i a ib ic t ir  i f i1d i1q i2q t Ys  Ya Yb Yc t Yr  Y f Y1d Y1q Y2q t Ra 0 0 0 Rb Rs  0 0 0 Rc Rf 0 0 0 R1d Rr  0 0 0 0 0 R1q 0 0 0 0 R2q :درک نایب ریز لکش هب ناوت یم ار روتور و روتاتسا یاهرودراش تلاداعم Ψs  Lssis  Lsrir (2-2) Ψ  Lt .i  L i r sr srr r : نآ رد هک
Lss  − −

Lls  L0 − Lms cos 2θr 1 L0 − Lms cos 2(θr − π 1 L0 − Lms cos 2(θr  π − 3 ) − 3 ) 2 2 1 π 2π 1 2 L0 − Lms cos 2(θr − 3 ) Lls  L0 − Lms cos 2(θr − 3 ) − 2 L0 − Lms cos 2(θr −π) 1 L0 − Lms cos 2(θr  π 1 L0 − Lms cos 2(θr  π) Lls  L0 − Lms cos 2(θr  2π ) − ) 2 3 2 3 25
0 0 L f 1d Llf  L f 0 0 L L L  L 1d l1d 1df L1q 2q Ll1q  L1q 0 0 rr Ll 2q  L2q L2q1q 0 0 Ls 2q cosθr Ls1q cosθr 2π Ls 2q cos(θr − 2π ) ( cos(θr − 3 3 2π Ls 2q cos(θr  2π ) 3 ( 3 cos(θr 
s1q
s1q

L L

Ls1d sin θr
Ls1d sin(θr − 23π )

Ls1d sin(θr  23π )

Lsf sin θr 2π t ( − r sin(θ sf L  rs L sr L 3 ( 2π sin(θr  Lsf 3 با استفاده از دسته معادلات (2-1) و((2-2 میتوان بطور کامل ماشین سنکرون را بررسی نمود. اما همچنانکه در این معادلات نیز دیده میشود، معادلات دارای عباراتی هستند که با θ تغییر میکنند. با توجه به اینکه θ نیز تابعی از زمان میباشد، این موضوع سبب پیچیدهتر شدن تحلیل ماشینهای سنکرون می-
شود. میتوان با تبدیل مناسبی متغیرهای استاتور را به شکل سادهتری درآورد. این تبدیل به نام تبدیل پارک معروف است. تبدیل پارک به صورت رابطه (3-2) میباشد.
2π cos(θ  Sa ) 3 (3-2) Sb ) 2π −sin(θ  3 1 Sc 2
( 2π − cos(θ cosθ 3 2 2π 3 ) −sin(θ − 3 −sinθ 1 1 2 2
Sd
Sq S0
که S میتواند هر کدام از متغیرهای ولتاژ، جریان یا شاردور ماشین باشد. عکس تبدیل پارک نیز بصورت رابطه (4-2) بیان میشود.
1 −sinθ Sd 2 (4-2) Sq 1 ( 2π −sin(θ − 2 3 S0 1 ( 2π −sin(θ  2 3
cosθ 2π 2 ( cos(θ − 3 3 ( 2π cos(θ  3
Sa
Sb Sc
با اعمال تبدیل، معادلات حاکم بر ماشین و متغیرهای متناظر بسیار ساده میشوند. این ساده شدن در دو مفهوم کلیدی زیر ریشه دارد:
الف: با اعمال این تبدیل در شرایط بهرهبرداری عادی و حالت ماندگار تمامی جریانها و شارهای سیم-
پیچیهای استاتور و روتور دارای مقدار ثابتی خواهند بود.
26
ب: با انتخاب دو محور d و q که 90درجه اختلاف فاز دارند، شارهای تولید شده توسط جریانها بر روی یک محور هیچ پیوندی با شارهای محور دیگر نخواهند داشت. بنابراین دو دسته متغیر متعامد بدست خواهد آمد که این موضوع باعث ساده سازی بسیاری خواهد شد، زیرا هم باعث ساده سازی مقادیر راکتانسها میشود و هم می توان مدار معادل ماشین را بصورت دو مدار مستقل از هم در نظر گرفت.
معادلات نهایی پریونیت شده در دستگاه مرجع روتور به شکل روابط (5-2) و (6-2) میباشند. جزئیات بدست آوردن این معادلات در مراجع مختلف تشریح شدهاست و در اینجا از تکرار مجدد آن خودداری می-
شود. باداشتن روابط فوق، رفتار الکتریکی ماشین شبیه سازی می شود.
(5-2)
(6-2)

Yd 1 d Yq + wr V d = - i d Ra - w0 dt w0 Y d 1 Y + wr + a R q = - i q V q w0 dt d w0 Yfd 1 d efd = i fd Rfd + w0 dt Y d 1 + 1d R 1d 0 = i 1d w0 dt Y d 1 + 1q R 1q 0 = i 1q w0 dt Y2q d 1 0 = i 2q R 2q + w0 dt id Xad Xad Xl  Xad 1 Yd i fd Xad Xlf  Xad Xad  Yfd Xad Xad W0 Xl1q  Xad i1d Y1d i Xaq Xaq Xl  Xaq Yq i q Xaq Xl1q  Xaq Xaq 1  Y1q W 1q Xaq Xaq 0 Xl2q  Xaq i2q Y 2q x 0i 0 1 Y0 = - w0 براساس روابط ولتاژ و شار ارائه شده میتوان مدار معادل ماشین سنکرون را بدست آورد. این مدار درشکل
(2-2) نشان داده شده است.
27

الف: محور طولی،

ب: محور عرضی، q
xl i 0 R0
+
V 0
ج: محور صفر

-
شکل :(2-2) مدار معادل ماشین بر اساس تئوری پارک
-2-3-2 معادلات حرکت
معادلات حرکت معادلاتی هستند که اهمیت اساسی در مطالعات پایداری سیستمهای قدرت دارند. این معادلات که بعنوان معادلات لختی چرخشی نیز نامیده میشوند، تاثیر عدم تعادل بین گشتاور الکترومغناطیسی و گشتاور مکانیکی ماشین سنکرون را بیان مینمایند. در این بخش نیز معادلات حاکم بدون ذکر جزئیات بیان میشوند که برای دسترسی به جزئیات کامل میتوان به مراجع مختلف موجود مراجعه نمود.
زمانی که عدم تعادل بین گشتاورهای اعمال شده بر روی روتور وجود داشته باشد، گشتاور خالص اعمال شده، باعث شتاب گرفتن (یا کندشدن حرکت) روتور میشود. این گشتاور برابر است با:
Ta  Tm −Te(5-2)
: Ta گشتاور شتاب دهنده برحسب N.m
28
: Tm گشتاور شتاب مکانیکی برحسبN.m : Te گشتاور الکترومغناطیسی برحسب N.m معادله حرکت نیز به صورت رابطه (6 - 2) میباشد: (6-2) TaTm−Te dωr J dt در شبیه سازیهای ماشین سنکرون معمولاً شارها به عنوان متغیرهای حالت فرض میشوند. در این صورت توان الکتریکی ماشین در مبنای واحد به شکل رابطه (7-2) خواهد بود.
Pe ωr (ψd iq −ψqid )(7-2)
با تقسیم رابطه توان الکتریکی بر سرعت مکانیکی روتور، رابطه گشتاور الکترومغناطیسی به شکل رابطه -2) (7 در میآید :
Te ψd iq −ψqid(8-2)
-4-2 پارامترهای ماشین سنکرون
در معادلات حاکم بر ماشین سنکرون که در قسمت 3-2 ارائه شد، اندوکتانسها و مقاومتهای مدارهای استاتور و روتور به صورت پارامتر ظاهر شدند. این پارامترها موسوم به پارامترهای اصلی یا اساسی ماشین هستند و بصورت اجزای مدارهای معادل دو محور d و q در شکل (2-2) قابل تشخیص هستند. هر چند این پارامترها بطور کامل مشخصههای الکتریکی ماشین را بیان میکنند، اما آنها را نمیتوان از عکسالعملهای قابل اندازهگیری ماشین مستقیماً بدست آورد. از اینرو، روش مرسوم در تعیین اطلاعات ماشین این است که آنها را برحسب پارامترهایی بیان میکنند که از رفتار قابل مشاهده ماشین در پایانههای آن قابل تشخیص بوده و تحت آزمایشهای مناسب، قابل اندازهگیری هستند. در این قسمت انواع پارامترهای ماشین و ارتباط آن با پارامترهای اساسی مورد بررسی قرار میگیرد.
-1-4-2 پارامترهای اساسی ماشین
پارامترهای اساسی ماشین یا پارامترهای مدار معادل، از اعمال تبدیل پارک بر روی معادلات حوزه زمان ماشین سنکرون بدست میآیند و مشخص کننده عناصر مدارهای معادل محورهای طولی و عرضی ماشین هستند. تعداد این پارامترها با مرتبه مدل تغییر میکنند. از مشکلات عمده کار با این پارامترها، مشخص نبودن دقیق مقدار همگی آنها است. بعبارت دیگر روشی برای تعیین مقادیر دقیق این پارامترها بصورت یک-
جا وجود ندارد و روشهای موجود همگی مقادیر تقریبی مربوط به این پارامترها را بدست می دهند.
29
بعنوان نمونه اگر مدل 2-2 استاندارد IEEE Std1110 که در شکل (1-2) نشان داده شدهاست را درنظر بگیریم، کلیه عناصر مداری که در شکل نشان داده شدهاند، پارامترهای مدار معادل بوده و به راحتی قابل محاسبه و اندازهگیری نمیباشند. حتی بعضی از آنها مخصوصاً بعضی از پارامترهای برخی از شاخههای مدار محور q وجود فیزیکی خارجی نداشته و صرفاً جهت مدل سازی رفتار ماشین در نظر گرفته میشوند.
-2-4-2 پارامترهای عملیاتی
همانگونه که از نام این پارامترها پیداست، پارامترهای عملیاتی، ماشین سنکرون را از دید سیستمی بیان می-
کنند و معین کننده رابطه ورودی و خروجی ماشین سنکرون هستند. در این حالت تغییرات شار محور طولی و عرضی، تغییرات جریان محورهای طولی و عرضی و تغییرات ولتاژ سیستم تحریک بعنوان ورودی یا خروجیهای سیستم در نظرگرفته شده و با استفاده از پارامترهای عملیاتی این ورودیها و خروجیها به یکدیگر مرتبط میشوند.
در شکل عملیاتی, معادلات روتور را میتوان به صورت سیستمی با پارامترهای گسترده محسوب کرد. این پارامترها را می توان از طریق محاسبات طراحی و یا آسانتر از طریق آزمایش پاسخ فرکانسی بدست آورد.
زمانیکه تعداد محدودی مدار برای روتور در نظر گرفته شود، می توان این پارامترها را بصورت نسبت دو چند جملهای برحسب S (عملگر لاپلاس) بیان نمود. درجه چند جملهای مخرج حداکثر برابر تعداد مدارهای فرض شده بر روی روتور است. پارامترهای عملیاتی نسبت به پارامترهای مدار معادل کاربرد بیشتری داشته و به ماشین وجهه سیستمی میدهند. این پارامترها درحقیقت مشخصههای فرکانسی ماشین سنکرون هستند و عبارتند از یک دسته منحنیهای مشخصه یا روابط تحلیلی که رابطه بین امپدانس مختلط (یا عکس آن) را نسبت به لغزش در فرکانس نامی مشخص مینمایند. در زیر سه مشخصه فرکانسی مهم ماشین معرفی می شوند .
الف ) امپدانس عملیاتی محور طولی ( ( Zd(s)
این مشخصه بصورت نسبت بین دامنه مولفه اصلی و ماندگار ولتاژ آرمیچر (ناشی از مولفه محور طولی جریان آرمیچر) به دامنه مولفه اصلی و مختلط این جریان که بصورت تابعی از فرکانس بیان میشود، تعریف شده و آن را Zd(s) مینامند. این مشخصه را در حالتی که سیم بندی میدان اتصال کوتاه گردیده است، برای فرکانسهای مختلف اندازهگیری مینمایند.
ب) امپدانس عملیاتی محور عرضی ( ( Zq(s)
این مشخصه بصورت نسبت بین دامنه مولفه اصلی ولتاژ آرمیچر تولید شده توسط شار مغناطیسی محور عرضی ناشی از مولفه جریان آرمیچر در جهت محور عرضی به دامنه مولفه اصلی این جریان تعریف شده و بر حسب تابعی از فرکانس(لغزش) بیان میگردد.
ج) مشخصه فرکانسی G(s) بین سیم بندی میدان و آرمیچر
30
این مشخصه به صورت نسبت بین دامنه مولفه اصلی ولتاژ آرمیچر ناشی از جریان سیمبندی میدان در فرکانسهای مختلف به دامنه مولفه اصلی ولتاژ اعمالی در سیم بندی میدان تعریف میگردد.
-3-4-2 پارامترهای دینامیکی
این پارامترها به لحاظ سابقه، اهمیت و کاربرد فراوان آنها پارامترهای استاندارد ماشین نامیده میشوند، اما از آنجائیکه بیشتر حالتهای گذرا و دینامیکی ژنراتور را مدنظر دارند، به آنها پارامترهای دینامیکی نیز اطلاق می شود. یکی از دلایل اهمیت این پارامترها، قابلیت تشخیص و اندازهگیری آنها میباشد. این پارامترها را میتوان با استفاده از آزمایشهای خاصی که بعضی استانداردها نیز به آن اشاره دارند، مستقیماً بدست آورد. با استفاده از این پارامترها میتوان ژنراتور سنکرون را بویژه در حالات گذرا و دینامیکی تحلیل نمود. آزمایشات مربوط به استخراج این پارامترها سابقه نسبتاً زیادی دارد. تقسیم بندی این پارامترها که شامل اندوکتانسها و ثابت زمانیها هستند، به صورت پارامترهای دینامیکی محور طولی،محور عرضی همچنین پارامترهای
تندگذر و کندگذر میباشند که بسته به نوع تحلیل، جهت بررسی یک پدیده، پارامترهای مورد نیاز متفاوت
خواهد بود. این پارامترها بطور خلاصه شامل راکتانسهای سنکرون ( X q , X d )، راکتانسهای تندگذر و کندگذر محورهای طولی و عرضی( ( X ′q′, X ′d′, X ′q , X ′d ثابت زمانیهای کندگذر و تندگذر مدار باز محورهای طولی و عرضی ( ( T ′′qo ,T ′′do ,T ′qo ,T ′do و ثابت زمانیهای کندگذر و تندگذر اتصال کوتاه محورهای طولی و عرضی ( ( Tq′′,Td′′,Tq′,Td′ می باشند.
-5-2 محاسبه پارامترهای دینامیکی ماشین سنکرون بر اساس پارامترهای
اساسی ماشین
در محاسبه مقادیر اولیه شارهای گذرا در مدارهای تزویج شده از تئوری ثابت بودن شار دور استفاده میشود.
این تئوری بطور خلاصه عبارتست از اینکه شاردور مدار القائی با مقاومت و emf کوچک نمیتواند بطور لحظهای تغییر یابد. در حقیقت اگر emf یا مقاومتی در مدار موجود نباشد، شاردور آن ثابت خواهد ماند. این تئوری را میتوان در محاسبه جریانها بلافاصله بعد از تغییر شرایط مدار برحسب جریانهای قبل از تغییر استفاده کرد. هنگامی که یک اغتشاش همانند اتصال کوتاه در سمت استاتور ماشین اتفاق میافتد، شار استاتور تغییر میکند. پاسخ ماشین به اغتشاش براساس نحوه تغییرات جریانها و شارها عموماً به سه دوره زیرگذرا، دوره گذرا و ماندگار تقسیم میشود. در دوره زیرگذرا تغییر در جریان سیمپیچیهای میراکننده مانع از نفوذ شار ایجاد شده توسط استاتور به روتور میگردد. با کاهش جریان سیم پیچیهای میراکننده، دوره گذرا آغاز میشود که در آن تغییر جریانهای سیمپیچی میدان همان اثر را، اما ضعیفتر خواهد داشت. در نهایت در حالت ماندگار شار ایجاد شده استاتور به داخل روتور نفوذ خواهد کرد. شکل (3-2) توزیع شار در دورههای زیر گذرا، گذرا و ماندگار ماشین پس از وقوع یک اغتشاش سمت استاتور را نشان میدهد که بر اساس مسیر شار در هر یک از این حالتها میتوان راکتانسهای سنکرون، گذرا و زیرگذرای ماشین را تعریف کرد.
31

دوره زیرگذرا

دوره گذرا

حالت ماندگار

25%

25%

90 9090

90 9090

25%
25%
شکل (3-2) توزیع شار در ماشین سنکرون طی دورههای زیرگذرا، گذرا و ماندگار
در این قسمت نحوه محاسبه پارامترهای دینامیکی ماشین سنکرون برحسب پارامترهای اساسی یا همان پارامترهای مدار معادل ماشین تشریح میشود. همچنین مدار معادل ماشین برای هر یک حالتهای ماندگار، گذرا و زیرگذرا ارائه میشود. مدل در نظر گرفته شده برای ژنراتور بر اساس استاندارد IEEE Std1110،
32
مدل 2-2 میباشد. در صورت استفاده از مدلهایی با مرتبه متفاوت، رابطه پارامترهای دینامیکی تغییر یافته اما نحوه محاسبه آنها بصورت مشابه میباشد.
-1-5-2 محاسبه راکتانسهای ماشین
الف – راکتانسهای سنکرون
معمولاً اندوکتانس را به عنوان نسبت شاردور به جریان تعریف می کنند. وقتی که قله mmf گردان در امتداد محور d قرار گرفت، نسبت شاردور استاتور به جریان استاتور اندوکتانس محور (Ld) d نامیده میشود.
با بدست آمدن اندوکتانسها بدیهی است که راکتانسهای متناظر نیز به سادگی قابل محاسبه هستند.
همچنین وقتی قله mmf گردان در امتداد محور q قرار بگیرد، نسبت شاردور استاتور به جریان آن، اندوکتانس سنکرون محور (Lq) q خواهد بود. شکل (4-2) مدار معادل ماشین در شرایط حالت ماندگار را نشان می دهد.
x fd xl x1q xl i fd i1q  0 x1d X d → x2q X q → xad xaq 0 i i2q  0 1d الف-مدار معادل محور d ب-مدار معادل محورq شکل :(4-2) مدار معادل ژنراتور سنکرون در حالت ماندگار
در حالت ماندگار، راکتانسهای سنکرون محور d و q به ترتیب با توجه به شکل (4-2) محاسبه می شوند.
مقادیر این راکتانس ها در روابط (9-2) و (10-2) ارائه شده است.
(9-2) X d  xl  xad
(10-2) X q  xl  xaq
ب- راکتانسهای گذرا
برای محور مستقیم، با توجه به اینکه مقاومت سیمپیچیهای میراکننده معمولاً بزرگتر از مقاومت سیم بندی میدان میباشد، جریان القایی در این سیم پیچیها بسیار سریعتر از جریانهای القایی در سیم بندی میدان میرا میشود. برای دوره گذرا فرض میشود که حالت گذرای میراکننده با میرایی فوقالعاده زیاد تمام شده است، در حالیکه جریانهای القایی در سیم بندی میدان هنوز برای مخالفت با تغییر شاردور ناشی از جریان-

های استاتور تغییر میکنند. مدارهای معادل ماشین در دوره گذرا مطابق شکل (5-2) می باشد. مدار معادل محور q نیز به طریق مشابه قابل توجیه است.

33
x fd xl Vfd x1d X ′d → xad i1d  0 الف-مدار معادل محور d ب-مدار معادل محورq
شکل :(5-2) مدار معادل ماشین سنکرون در دوره گذرا
براساس مدارهای معادل بدست آمده، راکتانس های گذرای محورهای d و q به شکل روابط (11-2) و(-2 (12 محاسبه می گردند.
(11-2) xad x fd x fd xl  X ′d  xl  xad xad  x fd (12-2) xaq x1q x1q xl  X ′q  xl  xaq x aq x 1q ج-راکتانس های زیر گذرا
در دوره زیرگذرا، جریانهای گذرای القا شده در سیم بندیهای روتور سعی دارند تا شاردور هر یک از مدارهای روتور را در ابتدا ثابت نگه دارند. براین اساس مدارهای معادل محورهای d و q ماشین سنکرون در این حالت مطابق شکل (6-2) میباشد.

الف-مدار معادل محور dب-مدار معادل محورq
شکل :(6-2) مدار معادل ماشین سنکرون طی دوره زیر گذرا
در این حالت برای محور d راکتانس دیده شده معادل سه راکتانس موازی xad ، x fd و x1d میباشد که با xl سری شده است. راکتانس زیر گذرای مدار باز محور q نیز مشابه محور d محاسبه میشود. براساس مدار معادل های ارائه شده، این راکتانس ها طبق روابط (13-2) و (14-2) محاسبه میشوند.
(13-2) xad x fd x1d xl x fd  x1d X ′d′  xl  xad xad x fd  xad x1d  x fd x1d 34
(14-2) xad x fd x1d xl x1d x fd  X ′d′  xl  xad x x x ad x fd x ad x fd 1d 1d -2-5-2 محاسبه ثابت های زمانی ماشین
حضور دو مجموعه سیم بندی برروی روتور، دو مجموعه ثابت زمانی مختلف را سبب شدهاست. مجموعه با مقادیر بزرگتر مربوط به ثابت زمانیهای گذرا و مجموعه با مقادیر کوچکتر مربوط به ثابت زمانیهای زیرگذرا هستند. معمولاً سیم بندیهای میراکننده که مقاومت بیشتری نسبت به سیم بندیهای میدان دارند، با ثابت زمانیهای زیرگذرا متناظرند.
ثابت زمانیهای گذرا و زیرگذرا بر روی محورهای d و q معمولاً در دو حالت تعریف میشوند. در یک حالت که استاتور مدار باز است و ثابت زمانیهای مدار باز تعریف میشود، ( ( T ′′qo ,T ′′do ,T ′qo ,T ′do، و درحالت دیگرسیم پیچی استارتور بصورت اتصال کوتاه فرض می شود( .( Tq′′,Td′′,Tq′,Td′ میتوان نشان داد که نسبت ثابت زمانی گذرای محور d با استاتور اتصال کوتاه به ثابت زمانی گذرای محور d با استاتور مدار باز برابر است با نسبت راکتانس ظاهری که جریان استاتور با سیم بندی میدان اتصال کوتاه شده می بیند، به راکتانسی که جریان استاتور با سیم بندی میدان مدار باز میبیند.
الف -ثابت زمانی های گذرا
مدار معادل ماشین جهت استخراج ثابت زمانیهای گذرای مدار باز محور d و q در شکل (7-2) نمایش داده شدهاست.

Rfd
′ T do ← R1d
i1q=0
xfd
Rsxl
x1d
xad
الف :
محور dب: محورq
شکل :(7-2) مدار معادل ماشین جهت استخراج ثابت زمانی های گذرای مدار باز
براساس فرضیات فوق و مدارمعادل شکل (7-2) ثابت زمانیهای مدارباز ماشین بصورت روابط (15-2) و
(16-2) بدست می آیند. (15-2) xfdxad 1 T ′do  ω0 R fd (16-2) x1qxaq 1 T ′qo  R ω 0 1q 35
همچنین مقادیر ثابت زمانیهای گذرا با استاتور اتصال کوتاه شده بر اساس روابط (17-2) و (18-2) محاسبه میشوند.
(17-2) x′d  Td′ xd T ′do (18-2) x′q  Tq′ xq T ′qo ب- ثابت زمانیهای زیر گذرا
ثابت زمانی زیرگذرای مدار باز محور d عبارتست از زمان لازم برای کاهش مولفه d جریان به مقدار 1e ام مقدار اولیه خود، هنگامی که در ترمینال ماشینی که با سرعت نامی می چرخد، بطور ناگهانی اتصال کوتاهی رخ دهد. بعبارت دیگر این ثابت زمانی عبارتست از ثابت زمانی جریان سیمبندی میراکننده d وقتی سیمبندی میدان اتصال کوتاه شده و سیمبندیهای استاتور مدار باز باشند. از مقاومت سیم بندی میدان در این دوره کاهش ولتاژ صرف نظر میشود. ثابت زمانی های زیر گذرای مدار باز محور q نیز به طریق مشابه تعریف میشوند. مدار معادل ماشین جهت استخراج ثابت زمانیهای زیرگذرای مدار باز مطابق شکل (8-2) میباشد.

براساس فرضیات فوق و مدار معادلهای ماشین در دوره زیرگذرا و ثابت زمانیهای زیرگذرای مدار باز ماشین بر اساس روابط (19-2) و (20-2) محاسبه میگردند.

الف : محورdب:محورq
شکل :(8-2) مدارمعادل ماشین جهت استخراج ثابت زمانی های زیر گذرای مدار باز
(19-2)
(20-2)

 x fd xad x fd  xad x1q xaq  aq x x 1q
1 1 ′′ xad  ω x1dxfd x1d R R 0 Tdo  ω 1d 0 1d 1 1 ′′ xaq  ω x2qx1q x2q 2q R 0 R 0 Tqo  ω 2q 36
-6-2 مراتب مختلف مدلهای ژنراتور سنکرون براساس مدل دو محوری پارک
روابط ارائه شده در قسمت (3-2) تا حدود قابل قبولی عملکرد الکتریکی دینامیکی یک ماشین سنکرون را بیان می کنند. اما گاهی این روابط را نمی توان بطور مستقیم برای مطالعات سیستمهای قدرت بزرگ بکار برد. از طرفی برخی از اوقات نیز لازم است رفتار ماشین سنکرون با جزئیات بیشتری مدل شود. در مدل دو محوری پارک همانگونه که قبلاً هم تشریح شد، مقادیر استاتور به دو سری مقادیر در دو جهت تبدیل می-
شوند که یکی در راستای محور مغناطیسی سیم پیچی میدان بوده (محور (d و دیگری با 90 درجه اختلاف با محور d عمود بر محور مغناطیسی سیم پیچی میدان میباشد (محور .(q محور d روتور شامل سیم پیچی میدان و سیم پیچیهای میراکننده میباشد. محور q نیز شامل سیم پیچیهای میراکننده این محور است.
باتوجه به تعداد سیم پیچیهای درنظر گرفته شده برای محور d و q روتور، مراتب مختلفی برای مدل ژنراتور سنکرون متصور است. براساس استاندارد IEEE Std 1110، مدل ژنراتور بایک شماره دورقمی Model AB مشخص میشود که A تعداد سیم پیچیهای درنظر گرفته شده برای محور d روتور و B

تعداد سیمپیچیهای منظور شده برای محور q روتور میباشد. جدول (1-2) مراتب مختلف ژنراتور سنکرون را نشان میدهد. نوع مدل انتخاب شده برای ژنراتور سنکرون وابسته به پارامترهای مختلفی از جمله نوع ژنراتور و ساختار فیزیکی روتور و انواع مطالعه مورد نظر است که در قسمتهای بعدی تشریح میشود.
37
جدول :(1-2) مراتب مختلف مدلهای ژنراتور سنکرون

فصل سوم:

بررسی روشهای شناسایی پارامترهای
دینامیکی ژنراتورهای سنکرون
39
-1-3 مروری بر پیشینه شناسایی پارامترهای دینامیکی ژنراتور سنکرون:
بحث پارامترهای دینامیکی ماشین سنکرون و یا به عبارت دیگر این مطلب کـه بـرای بیـان رفتـار ماشـین سنکرون در حالتهای گذرا از راکتانسهای مربوط به حالت دائم نمیتوان استفاده کرد، برای اولین بار در سـال
1920 با طرح مفهوم راکتانس اتصال کوتاه مطرح گردید. بعدها این ایده بعنوان پایه و اسـاس اولیـه تئـوری
"ثابت بودن شاردور در برگیرنده" قرار گرفت و در مقالاتی توسط دوهرتی1 درسال 1923 و بیـولی2 در سـال
1929 دوباره عنوان گردید.
آقای کری3 این مطلب را به این صورت طرح کرد که در هر مدار بسته بلافاصله بعد از هر تغییر بوجود آمـده در جریان، ولتاژ ویا موقعیت فیزیکی این مدار نسبت به موقعیت مدارات دیگـر کـه بـا آن بطـور مغناطیـسی درگیر میباشند، شار دور در برگیرنده ثابت باقی خواهد ماند . با توجه به مقاومت موجود در سیم پیچی میدان و دیگر سیم پیچیهای روتور (دمپرها) و در نتیجه تغییرات حاصله در شاردور در بر گیرنده در طی مدت زمان بعد از وقوع تغییرات ناگهانی، لزوم معرفی ثابت زمانیهای گوناگون ماشین نیز بعدها بـرای تحلیـل دقیـق تـر مورد ملاحظه قرار گرفت.
بر این اساس پارک4 و روبیرتسون5 در سال 1928 راکتانسهای دیگری از قبیل راکتانسها و ثابـت زمانیهـای محور عرضی و محور طولی را برای رژیم های تندگذر و کندگذر و به همین صورت مفاهیم دیگری همچون حالات کندگذر و تندگذر را در شارها، ولتاژها و جریانها نیز مطرح نمودند. گام بعدی در همین رونـد معرفـی مدار معادل ماشین بود. بسط منطقی این طریقه تحلیـل رفتـار ماشـین (بعـد از هـر تغییـر ناگهـانی) معرفـی مدارهای مربوط به محورهای طولی و عرضی ماشین با این فرض بود که بتوان یک اندوکتانس متقابل بـین سیم بندیهای موجود در روتور و استاتور تعریف نمود. بدین ترتیب و با در نظر گرفتن یک اندوکتانس متقابـل برای کوپلاژ بین سیم بندیهای روتور و استاتور و همچنین انتساب یک اندوکتانس پراکندگی به هـر کـدام از سیم بندیها (استاتور، میدان وبدنه روتور) مدار معادل مربوط به محور طولی ماشین. در سال 1931،کیلگوری6
در طی یک پروژه - ریسرچفاکتورهای مؤثر در محاسبات مربوط به بدست آوردن راکتانسهای ماشین سـنکرون را کـه مبنای خواص فیزیکی و ابعاد هندسی ماشین(استاتور، روتور و سیم پیچی میدان) میباشند بیان نمود. در ایـن مسیر در سال 1929، پارک نیز ایده محورهای طولی و عرضی برای ماشین را که قبلا توسط خـود او مطـرح شده بود به تبدیلات d-q که طی آن کمیات مربوط به سه فاز به متغیرهای q-d مرتبط می گردیـد بـسط داده و به این ترتیب پایه معادلات ماشین بر مبنای تئوری دو محوری بنا نهاده شد.

1-Doherty 2- Biowly 3- Cary 4- Park 5- Robertson 6- Kilgore
40
در سال 1931، شروین1 روابط لازم جهت بدست آوردن پارامترهای ماشین سنکرون را بـرای حالـت دائـم و گذرا، از طریق نتایج آزمایش ارائه نمود و این در حقیقت اولین روش پذیرفته شده بطور عام برای آزمایشهای ماشین سنکرون بود.که در سال 1945 میلادی توسط کمیته مربوط به ماشین سنکرون AIEE چاپ گردید.
از لحاظ تاریخی کمیته ماشینهای الکتریکی و استاندارد شماره 115 مربوط به IEEE ماحصل همان کمیتـه و همان روش آزمایشی ارائه شده در طی سالهای بعدی می باشد.
در طی اوائل دهه 60 میلادی به همان صورت که ابزار و تکنیکهای محاسباتی کـه در تحلیـل سیـستمهای قدرت بکار می رفت از لحاظ ابعاد و سرعت با روند رو به رشدی روبرو بود نیاز به مـدلهای دقیـقتـر ماشـین سنکرون جهت مطالعات پایداری نیز محسوس شده و بـرای ایـن خـاطر روشـهای کلاسـیک بدسـت آوردن پارامترهای ماشین سنکرون نیز دوباره مورد توجه بیشتر و دقیقتر قرار گرفت. در طی ایـن سـالها عـلاوه بـر مقالات متعددی که در این رابطه به چاپ رسید، استانداردهایی نظیر اسـتانداردBS, IEC, IEEE مربـوط به بخش ماشین نیز به دفعات متعدد چاپ و مورد تجدید نظر قـرار گرفتنـد. ایـن اسـتانداردها از میـان انـواع روشهای متفاوت و گوناگونی که ارائه میگردیدند و با توجه به رعایت نکات عملی و تکنیکهای انـدازهگیـری در طی جلسات متعدد کمیتههای ماشینهای الکتریکی، آنهایی را که تا حدی قابل قبول تشخیص مـی دادنـد انتخاب کرده و در استانداردها به عنوان روشهای کلاسیک مطرح و مورد تایید قرار می دادنـد. از مشخـصات مهم آزمایشات کلاسیک مربوط به قبل از دهه 80 تاکید روی آزمایش اتصال کوتاه سه فاز ناگهـانی و سـعی در بدست آوردن پارامترهای ماشین بـا اسـتفاده از چنـین آزمایـشی بـود کـه در حـال حاضـر هنـوز هـم در مشخصات ارائه شده در نیروگاهها نتایج حاصل از آزمایش اتصال کوتاه ناگهانی ارائه می گردد.
از جمله نکات محدودکننده اینگونه آزمایشها عدم دسترسی به پارامترهای مربـوط بـه محـور عرضـی، عـدم صرفه اقتصادی و قابلیت انجام آن در محل نیروگاهها و در تحت ولتاژ نامی بود. در حقیقت تـا قبـل از سـال
1983 روشهای دسترسی به پارامترهای مربوط به محور q در استانداردها مسکوت گذارده شده بود.
در طی سالهای 1960 الـی 1980 آزمایـشات گونـاگونی جهـت پاسـخگویی بـه سـؤالاتی از قبیـل اهمیـت پارامترهای مربوط به محور عرضی و همچنین درجه دقّت مورد لزوم برای پارامترهای ماشین و یا درجه مدل بکار رفته برای ماشین مطرح شده است. آزمایشات نیروگاه نورث فلیت2 در سال 1969 و تحقیقات انجام شده مؤسساتی چون EPRI, NPCC & Ontario-Hydro از این دسـتهانـد. ایـن مجموعـه فعالیـتهـا نتایجی از این قبیل را به همراه داشت:
در شبیه سازی دینامیکی رفتار ماشینهای الکتریکی، اطلاع دقیـق از پارامترهـای ماشـین بـه انـدازه درجه مدل انتخابی اهمیت دارد. این اهمیت در باب پارامترهای محور عرضی بارزتر است.
در تعیین پارامترهای ماشین همواره آزمایشاتی که منجر به تغییرات کوچک(بزرگ) در مقادیر ولتاژ و جریانهای ماشین گردند، اطلاعات مناسبی از پارامترها برای مطالعات مربوط بـه اغتـشاشات بـزرگ (کوچک) را در اختیار قرار نمیدهد.

7- Shervin 8- North Fleet
41
با توجه به این نکته پارامترها باید بسته به نوع مطالعه تصحیح و بهینه سازی شوند.
ارزش پارامترهای محور عرضی در شبیه سازی رفتار توربوژنراتورهای با روتـور یکپارچـه بـه حـدی است که انجام آزمایشهای جداگانه در این جهت راتوجیه میکند.
بدین ترتیب در سالهای بعد از 1980 آزمایشهای جدیدتری چون میرائی شار1 جایگاه ویژهای در حوزه تعیـین پارامترهای دینامیکی ماشینهای سنکرون پیدا کردند.
-2-3 انواع روشهای تعیین پارامترهای دینامیکی ژنراتور سنکرون:
به طور کلی آزمایشهای موجود در حوزه تعیین پارامترهای دینامیکی ژنراتور سنکرون را می توان به دو دسته :
روشهای کلاسیک
روشهای جدید
تقسیم بندی کرد. روشهای کلاسیک، آزمایشهایی محدود را تشکیل میدهند که عموماَ از نظر زمانی نیز، بـر روشهای جدید تقدم دارند. مهمترین معیارهای مطرح در انتخاب روشهای مورد استفاده عبارتنداز:
انجام آزمایش در آن کشور ممکن باشد و به ابزار پیچیده نیاز نداشته باشد.
استانداردهای معتبر آن را تایید کند.
با بکارگیری آن تعداد بیشتری از کمیتها را بتوان شناسایی کرد.
آن روش قادر به اندازهگیری پارامترهای محور عرضی نیز باشد.
-1-2-3 روشهای کلاسیک اندازهگیری پارامترهای دینامیکی ژنراتور سنکرون:
روشهای کلاسیک روشهایی محدود هستند که عموما قبل از دهه 80 میلادی ابداع شدهاند و بـا انجـام آنهـا تنها یک یا چند پارامتر شناسایی میشود. این روشها برروی هر ژنراتـوری قابـل اجـرا بـوده و بـه تجهیـزات پیشرفته و پیچیده نیاز ندارد. تغییرات این روشها در خلال این سالها عموما از جنس اصلاح روابط محاسـباتی میباشد. اغلب آنها استاندارد شدهاند، ولی متاسفانه با انجام هر یک از این آزمایشها تنهـا تعـداد محـدودی از پارامترها بدست میآیند. از نقاط ضعف این روشها مساله تعیین پارامترهای محور q اسـت. از معایـب عمـده دیگر بعضی از این روشها مخرب بودن آنهاست. با این شرایط مجوز استفاده از این روشها علیرغم اسـتاندارد بودن آنها صادر نمیگردد.
به عنوان نمونه آزمایش اتصال کوتاه سهفاز اگر چه نتایج خوبی را از جهت تعیین پارامترها در بر داشته باشد، به علت آثار مخرب الکتریکی و مکانیکی جبران ناپذیر آن چندان مورد توجـه نیـست. اغلـب کمیتهـایی کـه توسط آزمایشهای کلاسیک تعیین میشود بر پایه مدل استاندارد IEEE تبیین شـدهانـد بـا یـک سـیمپـیچ میرایی محور طولی و عرضی. بسیاری از این روشها در تعیین پارامترها برای مدلهایی از مرتبـه بـالاتر ناکـام خواهند بود.

9- dc decay
42
-2-2-3 روشهای جدید در تعیین پارامترهای دینامیکی ژنراتورهای سنکرون:
همگام با رشد سیستمهای کـامپیوتری، توسـعه تجهیـزات انـدارهگیـری و پدیـد آمـدن سیـستمهای هـوش مصنوعی، مجموعه جدیدی از روشها برای شناسایی پارامترهای دینامیکی ژنراتورهای سنکرون پدیـد آمدنـد.
بطور کلی در این روشها با اعمال ورودیهای مناسب در وضعیتهای متفاوت روتور(ایـستا یـا متحـرک) و ثبـت خروجیها، توابع انتقال ماشین شناسایی شده است. سپس با فرض یک مدل خاص بـرای ماشـین مـیتـوان پارامترهای ماشین را با روشهای مناسبی تخمین زد. اخیرا مدلهایی با مرتبه بالاتر نیز در اسـتانداردها مطـرح شدهاند. شناسایی پارامترهای دیگری که همگام با رشد درجه مدل مطرح شدهاند را صرفا میتوان با اسـتفاده از روشهای جدید تعیین پارامترهای دینامیکی ژنراتور سنکرون شناسایی کرد، اگر چه توانایی روشهای مذکور در تعیین این پارامترها متفاوت است. در مجموع روشهای جدید را میتوان تلاشـهایی بـرای دسـتیـابی بـه اهداف زیر دانست:
أ- دستیابی به روشهای بلادرنگ در تخمین پارامترها ب- استفاده از اطلاعات بهره برداری برای شناسایی پارامترها ت- شناسایی پارامترها با دقت هرچه بیشتر ث- تلاش در سادهسازی مکانیزم تخمین
به عنوان نمونه از مهمترین روشهای مطرح در این دسته به موارد زیر میتوان اشاره کرد: (1 روشهای بنا شده برپایه سیستمهای هوش مصنوعی:
(a تخمین پارامترهای دینامیکی با استفاده از شبکه عصبی (b تخمین پارامترهای دینامیکی با استفاده از الگوریتم ژنتیک
(2 روشهای بنا شده بر پایه تکنیکهای معادلات معادلات جزئی: (a تعیین پارامترها با استفاده از تکنیک اجزاء محدود
(3 شناسایی پارامترها ماشین سنکرون با استفاده از تست پاسخ فرکانسی
(4 شناسایی پارامترها با استفاده از دامنه وسیع تحریک
(5 شناسایی پارامترها با استفاده از اطلاعات تست باربرداری
(6 شناسایی پارامترها با استفاده از اطلاعات میرایی شار
(7 شناسایی پارامترها با اطلاعات بدست آمده از اغتشاشات بهره برداری (a تخمین پارامترها با استفاده از اغتشاشات بزرگ بهره برداری (b تخمین پارامترها با استفاده از اغتشاشات کوچک بهره برداری
عموم این روشها غیر مخرب بوده و نتایج خوبی را در تخمین پارامترها نشان داده اند. از نکات قابـل توجـه در این روشها توانایی آنها در تعیین پارامترهای محور عرضی علاوه بر محور طولی و همچنـین امکـان تخمـین پارامترها، متناظر مدلهایی با درجههای مختلف است. البته این به معنی توانایی برابر این روشها برای تخمین
43
و شناسایی پارامترها در جهات مختلف نیست. البته همه این روشـها در حـال تکامـل و بهبـود مـیباشـند و
بسیاری از آنها هنوز استاندارد نشدهاند.
44
فصل چهارم:

شناسایی بلادرنگ پارامترهای
دینامیکی ژنراتورهای سنکرون با
استفاده از رویتگر شبکه عصبی
45
-1-4 اصول کار شبکه های عصبی:
یکی از روشهای مشهور در حوزه هوش مصنوعی شبکه عصبی مصنوعی است. شبکههای عصبی مـصنوعی الهام گرفته از شبکه عصبی انسان هستند که توانایی بالایی در تقلید رفتار توابـع غیـر خطـی از خـود نـشان دادهاند. انسان با استفاده از تجربیاتی که از وقایع پیرامون خود دارد و ارتباطی که بین آن وقایع و عوامل مؤثر بر آنها برقرار میکند، نسبت به تخمین وقایع آتی بر پایه وضـعیت عوامـل مـؤثر اقـدام مـینمایـد. براسـاس تحلیلهای موجود شبکه عصبی مغز انسان از لایههای مختلفی تشکیل شده که لایه خـارجی آن(کـورتکس)
متصل به مجاری ورودی است. این ورودیها در انسان حواس او هستند. تجربیات ما به صورت تفاوت قوت و ضعف نقاط اتصال سلولهای عصبی به یکدیگر(سیناپسها) بروز مـیکنـد. هـر یـک از نـرونهـا پیونـدهای متعددی با سلولهای لایه بعد دارند.

شکل:1-4 طرح کلی سلول عصبی انسان
مسلم است که هرچه تعداد پیوندهای عرضی بیشتر باشد شبکه توانایی بیشتری در آموزش رفتـار توابـع غیـر خطی خواهد داشت.
-2-4 اصول کار شبکه عصبی تخمین گر پارامترها:
با درنظر گرفتن مبادی ذکر شده، مراحل شبیهسازی شبکههای عصبی بدین صورت خواهد بود:
ساخت نرون مصنوعی
ساختاربندی آن در قالب لایههای مختلف
تهیه بانک اطلاعات لازم برای آموزش شبکه عصبی
آموزش شبکه عصبی
تست شبکه
46

شکل :2-4 شکل کلی سلول عصبی مصنوعی
لایههای شبکه عصبی را به سه دسته لایه ورودی، لایه خروجی، و لایه (لایههای) مخفی تقسیم مـیکننـد.
تعداد عناصر لایه ورودی و خروجی باید برابر تعداد ورودی، خروجیهای در نظـر گرفتـه شـده بـرای شـبکه باشند. افزایش تعداد لایههای مخفی در شبکه عصبی دو اثر متضاد را به همراه دارد. از یک طرف تقلیـد هـر چه بهتر رفتار هر تابع غیر خطی را امکان پذیر می سـازد و از طـرف دیگـر مـشکلات شـبیه سـازی و مـدت آموزش را افزایش میدهد. در عمل باید بسته به شرایط، بین این دو عامل بهینهسازی شود. در عمل در طـی تحقیقات متعدد انجام شده شبکه عصبی با یک لایه مخفی به عنوان حالت بهینه مطرح شده است.

شکل:3-4 ساختار شبکه عصبی توسعه یافته
همانگونه که پیشتر مطرح شد تعداد نرونهای لایه خروجی شبکه عصبی برابـر تعـداد خروجـیهـای در نظـر گرفته شده برای آن شبکه است. در این طرح، شبکه عصبی با یک خروجی در نظر گرفته شده است. بنابراین برای تخمین هر یک از پارامترهای مورد نظر باید یک شبکه مستقل تـشکیل شـده، آمـوزش دیـده و مـورد استفاده قرار گیرد. این روش اگرچه مشکلاتی را در تشکیل و آموزش شبکههای متعدد به همـراه دارد لـیکن گامی در جهت دستیابی به حداکثر قابلیت شبکههای عصبی در تخمین پارامترهـای دینـامیکی ژنراتورهـای سنکرون بر اساس دادههای بهرهبرداری است. همانگونه که همواره بهینهسازیهای تک هدفه نتایج بهتـری از جهت دستیابی به نتیجه مورد نظر دارند، با توجه به تشابه ساختاری این معنی در باب شـبکههـای عـصبی نیز صادق است. تعداد نرونهای لایه ورودی نیز برابر تعداد ورودیهای در نظر گرفته شده برای شبکه عـصبی
47
است. تعداد شش ورودی برای شبکه مورد نظر در نظر گرفته شده است. تعداد ورودیها در این طرح با توجه به مجموعه پارامترهای قابل اندازهگیری در خروجی ژنراتورهای سنکرون انتخاب شده است. البته انتخـاب و ترتیب آرایش این پارامترها برپایه رؤیت پذیری پارامترهای دینامیکی ژنراتور سنکرون در رفتار دینـامیکی آن شکل گرفته است. این بحث در طی مطالعات پیشین انجام شـده در مرکـز مطالعـات دینامیـک ایـران مـورد بررسی قرار گرفته است.
-1-2-4 دادههای آموزشی و آموزش شبکه عصبی تخمینگر:
از نکات بسیار مهم در تشکیل شبکه عصبی مـصنوعی، بانـک اطلاعـات آموزشـی مـورد اسـتفاده اسـت. در تجربیات گذشته که در حوزه استفاده از شبکههای عصبی مصنوعی مطرح است، گاه اصلاح مکانیزم تهیـه و تغییر دامنه دادههای آموزشی، یک شبکه عصبی با نتایج ضعیف را به شبکهای بـا نتـایج قابـل قبـول تبـدیل کرده است. شاید بتوان مهمترین نکته در گردآوری اطلاعات آموزشـی را شـمول و فراگیـری آن نـسبت بـه حالتهای مختلف رفتاری مطرح در حوزه مورد نظر دانست. اگرچه این شمول را نباید با بزرگی ابعـاد اشـتباه گرفت. عامل مهم نگاه ریشهای و بنیادین به حالات مطرح در آن حوزه است. از آنجا که این شبکه بر آنـست تا بر پایه اطلاعات بهرهبرداری نسبت به تخمین پارامترهای دینامیکی ژنراتور سنکرون اقدام نماید، لـذا بایـد بانک اطلاعات لازم برای آموزش شبکه عصبی در این حوزه فراهم شود. مجموعه اغتـشاشاتی کـه در طـی بهرهبرداری از ژنراتورها رخ میدهد را میتوان به سه دسته عمده تقسیم کرد:
اغتشاشاتی که در حوزه تحریک رخ می دهند
اغتشاشاتی که در حوزه توان ورودی رخ میدهند
اغتشاشاتی که در شبکه تحت تغذیه رخ میدهند
بدین ترتیب از هر یک از این حوزههای سهگانه یک نمونه شایع به عنوان نماینده آن گروه بـدین ترتیـب در
نظر گرفته شده است:
تغییر ناگهانی %10 در تحریک ژنراتور
تغییر ناگهانی %10 در توان ورودی ژنراتور
وقوع اتصال کوتاه سهفاز 10-5)میلی ثانیه) در خروجی ژنراتور
48

شکل :4-4 شکل کلی روش تهیه اطلاعات بهرهبرداری ژنراتورهای سنکرون
(برای آموزش و تست شبکه عصبی)
60 مجموعه از مقادیر نمونه پارامترهای دینامیکی ژنراتور سنکرون به عنوان مقـادیر پایـه در تـشکیل بانـک اطلاعات آموزشی شبکه عصبی در نظر گرفته شده است. این مجموعه از دادههایی مربوط به:
واحدهای بخاری- فسیلی
واحدهای بخاری-فسیلی با پیوند عرضی
واحدهای بخاری- هستهای
واحدهای آبی
واحدهای با توربین احتراقی
تشکیل شده است. برای هر مجموعه از این پارامترها دو گام افزایشی و دو مرحله کاهش در نظر گرفته شده
است. هر یک از این مراحل تغییرات %10 پارامترها را بهمراه خواهد داشت. مجموعه نهایی دربرگیرنـده 225
مجموعه از مقادیر نمونه پارامترهای دینامیکی ژنراتور سنکرون میباشد. مجموعه یک ژنراتور متصل به شین
بینهایت برای شبیه سازی رفتار ژنراتور سنکرون در نظر گرفته شده است. برای این که آثـار تفـاوت سـاختار
شبکه در رفتار ژنراتور نیز لحاظ شده باشد در هر مرحله از شبیهسازی بصورت همگام با تغییرات پارامترهـای
ژنراتور، تغییراتی در حوزه پارامترهای شبکه نیز در نظر گرفته شده است. در هر دوره شبیه سازی از خروجـی
ژنراتور 1000 نمونهگیری با فاصله زمانیهایی برابر0,01 ثانیه بعمل آمده است. 20 نمونه از اندازهگیری های
انجام شده و پارامترهای متناظر با آن به عنـوان مجموعـه اطلاعـات آموزشـی در نظـر گرفتـه شـده اسـت.
نمونههای منتخب از میان اندازهگیریهای انجام شده با گامهای متغیر و قابل کنترل گزینش شـدهانـد، ایـن
رویکرد امکان تهیه تصویری بهتر از رفتار دینامیکی ژنراتور سنکرون در قبال یک اغتـشاش را بـا رعایـت دو
مشخصه حداقل حجم اطلاعات و حفظ حداکثر مشخصات رفتاری فراهم میآورد.
49

شکل:5-4 آلگوریتم آموزش شبکه عصبی
آموزش شبکه بر پایه الگوریتم پسانتشار و با استفاده از راهبرد مارکوئیس_لونبرگ انجام شده است. برای هر یک از انواع سهگانه اغتشاشات ذکر شده بانک اطلاعات آموزشی مستقلی در نظـر گرفتـه شـده اسـت. ایـن روش امکان مقایسه بین نتایج اخذ شده در قبال هر یک از انواع اغتشاشات را فـراهم مـیآورد. ایـن راهبـرد امکان مقایسه درجه قابلیت اطمینان نتایج حاصل از تخمین پارامترهای گوناگون در قبال اغتشاشات مختلـف را نیز فراهم میĤورد.
-2-2-4 تست شبکه عصبی تخمینگر:
تست شبکه عصبی با استفاده از اطلاعات بهره برداری که در مجموعه آموزشی لحـاظ نـشده، شـکل گرفتـه است. بدین ترتیب تصویر واقعگرایانهتری از قابلیتهای شبکه مذکور خواهیم داشت. برای تحقق این معنـی اطلاعات مربوط به 75 ژنراتور سنکرون متفاوت با نمونه های مطـرح شـده در مجموعـه آموزشـی، دادههـای حاصل از اندازهگیریهای بعمل آمده در قبال رفتار دینامیکی آنهـا و مقـادیر حقیقـی پارامترهـای دینـامیکی متناظر با آن به عنوان مجموعه دادههای تست شبکه عصبی در نظر گرفته شده است. طرح کلی روش تست و بهرهبرداری شبکه عصبی مذکور در شکل4-6 بیان شده است. هریک از مراحـل آمـوزش و تـست شـبکه عصبی تخمینگر با مشخصات ذکر شده در قبال سه اغتشاش نمونه مطرح در نظر گرفته شده است.
50

شکل:6-4 طرح کلی روش تست و بهرهبرداری از شبکه عصبی
-3-4 نتایج:
مجموعه نتایج در سه بخش سازماندهی شده است. هربخش در برگیرنده نتایج آموزش و تست شبکه عصبی بر پایه یکی از انواع سهگانه اغتشاش میباشد. این طریقه بررسی امکان مقایسه بهتر نتایج را فراهم سـاخته، شاهدی بر رؤیت پذیری پارامترهای دینامیکی ژنراتورهای سنکرون در ازای اغتشاشات مختلف مـیباشـد. از طرف دیگر بررسی مقایسهای نتایج درجه دقـت شـبکه عـصبی در تخمـین پارامترهـای دینـامیکی بـر پایـه اطلاعات مختلف بهرهبرداری را نیز بیان میکند. برداشتهای مقایسهای امکان تعیین بهتر قابلیتهای شبکه عصبی را بدور از آثار ناشی از الگوی آموزشی فراهم میآورد، زیرا ابعاد و مکانیزم تشکیل مجموعـه آموزشـی در تخمین همه این پارامترها مشابه بوده است.
برای بررسی رفتار هر شبکه عصبی دو معیار اصلی دامنه و توزیع فراوانی خطا در نظر گرفتـه شـده اسـت. در تحلیل بر اساس توزیع فراوانی خطا، درصد فراوانی غالب و دامنه خطای متناظر با آن بیان شدهاند. با توجه به حجم زیاد مجموعه نتایج، چند نمونه از شبکههای تخمینگر و دادههای بدست آمده از طریق آنها در مرحلـه آموزش و تست ارائه شده است. این مجموعه به سه حوزه آموزش و تست بر اساس اطلاعـات بهـرهبـرداری شکل گرفته برپایه تغییر ناگهانی تحریک، تغییر ناگهانی تـوان ورودی و اغتـشاش حـوزه شـبکه متـصل بـه ژنراتور تقسیم شده است. برای فراهم سازی امکان مقایسه بیشتر، نتایج متناظر هر پارامترکه با استفاده از هر یک از بانکهای اطلاعاتی سهگانه مذکور بدست آمده اسـت در اختیـار خواننـده محتـرم قـرار گرفتـه اسـت.
پارامترهای دینامیکی مطرح برای ژنراتورهای سنکرون _در نگاه اشتراکی بین انواع مختلف آن _کـه مـا بـه تخمین آنها همت گماشته ایم مجموعهای بدین صورت را تشکیل خواهد داد:
51
جدول( (1-4 ردیف نام پارامتر مشخصه واحد
1 راکتانس سنکرون محور d Xd pu
2 راکتانس حالت گذرا محور d Xd' Pu
3 راکتانس فوق گذرا محور d Xd" Pu
4 راکتانس سنکرون محور q Xq pu
5 راکتانس فوق گذرا محور q Xq" Pu
6 راکتانس پوتیه Xl pu
7 ثابت زمانی محور d در دوره گذرا Td' s
8 ثابت زمانی محور d در دوره فوق گذرا Td" s
9 ثابت زمانی محور q در دوره فوق گذرا Tq" s
10 ثابت اینرسی H s
52
-1-3-4 نمونههایی از نتایج شبکه عصبی تخمینگر:
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :7-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xd"

شکل :8-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
53

شکل :9-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :10-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
54

شکل :11-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :12-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
55
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :13-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd"

شکل :14-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
56

شکل :15-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :16-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
57

شکل :17-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :18-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
58
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :19-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd"

شکل:20-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
59

شکل:21-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :22-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
60

شکل :23-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:24-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
61
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :25-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xq"

شکل :26-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
62

شکل :27-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :28-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq"
63

شکل :29-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :30-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
64
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :31-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq"

شکل :32-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
65

شکل :33-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :34-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین xq"
66

شکل :35-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :36-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
67
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :37-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq"

شکل :38-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
68

شکل :39-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :40-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq"
69

شکل :41-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:42-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
70
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :43-4 نمودار خروجی شبکه عصبی درفرایند برای تخمین Td"

شکل :44-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
71

شکل :45-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :46-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
72

شکل :47-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :48-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
73
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :49-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td"

شکل:50-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
74

شکل:51-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :52-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
75

شکل :53-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :54-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
76
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :55-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td"

شکل :56-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
77

شکل :57-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :58-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
78

شکل :59-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:60-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
79
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :61-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین Tq"

شکل :62-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
80

شکل :63-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :64-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq"
81

شکل :65-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :66-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
82
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :67-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq"

.
شکل:68-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
83

شکل:69-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :70-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین Tq"
84

شکل :71-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :72-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
85
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :73-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq"

شکل :74-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
86

شکل :75-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :76-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq"
87

شکل :77-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:78-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
88
-2-3-4 بررسی تحلیلی نتایج:
در طی این پروژه، شبیه سازیهای مربوطه در جهت تخمین کلیه پارامترهای مذکور انجام شده و بـر اسـاس اغتشاش بکار گرفته شده در تهیه دادههای بهرهبرداری تقسیم بندی و مقایسه شـده اسـت. بررسـی تحلیلـی نتایج در قالب شاخصبندیهای زیر ارائه شده است:
.1 بررسی مقایسهای رفتار شبکه عصبی تخمینگر در دوره آموزش:
.A تحلیل نتایج بدست آمده بر پایه توزیع فراوانی خطا:
این بررسی بر پایه توزیع فراوانی خطای شبکه عصبی تخمینگر در مرحلـه آمـوزش، شـکل گرفتـه است. در مسیر تخمین هر یک از پارامترها نتایج سهگانه بدست آمده به ترتیب بر اساس برازندگی از دیدگاه حداقل خطا مرتب شده است. این نتایج برپایه اغتشاش متناظر با آنها نام گذاری و در جـدول
2-4 جای گرفتهاند.
.B تحلیل نتایج بدست آمده بر پایه حداکثر دامنه خطا:
نتایج سهگانه بدست آمده در تخمین هریک از پارامترها بر اساس شـاخص حـداکثر خطـا ارزیـابی و اولویت بندی شدهاند. نتایج این تحلیل به ترتیب بیان شده در گام قبل نامگذاری و در قالـب جـدول
3-4 در اختیار قرار گرفته است.
.2 بررسی مقایسهای رفتار شبکه عصبی تخمینگر در دوره تست:
.A تحلیل نتایج بدست آمده بر پایه توزیع فراوانی خطا:
این بررسی بر پایه توزیع فراوانی خطای شبکه عصبی تخمینگر در مرحله تست، شکل گرفته است.
در مسیر تخمین هر یک از پارامترها، نتایج سهگانه بدست آمده بر اساس برازندگی از دیدگاه حداقل خطا ترتیب یافته است. این نتایج برپایه اغتشاش متناظر با آنها نام گـذاری و در جـدول 2-4 جـای گرفتهاند. به علّت اهمیت خاص نتایج حاصل در این بخش، علاوه بر تحلیلهای فوق شاخص خطای متناظر با فراوانی غالب و درصد فراوانی مربوطه در بهترین حالت نیز ارزیابی و در جدول 2-4 ارائـه شده است.
.B تحلیل نتایج بدست آمده بر پایه حداکثر دامنه خطا:
89
نتایج سهگانه بدست آمده در تخمین هریک از پارامترها بر اساس شاخص حداکثر خطا ارزیابی و بـر اساس برازندگی مرتب شده است. نتایج این تحلیل به همان صورت نامگذاری و در جدول 3-4 ارائه شده است.
درباب عملکرد شبکه عصبی در تخمین :Xd
با مقایسه نتایج بدست آمده با استفاده اغتشاشات مختلف هیستوگرام خطای شبکه در مرحله آموزش بهتـرین توزیع فراوانی را در وقوع قبال اتصال کوتاه در ترمینال ژنراتور نشان میدهـد نتـایج حاصـله بـر پایـه تغییـر ناگهانی تحریک و تغییر توان ورودی در مراتب بعدی قرار میگیرند.
از نظر دامنه خطا نیز در این مرحله بهترین نتایج به ترتیب در قبال نتایج حاصله از وقوع اتصال کوتاه, تغییـر توان ورودی و تغییر ناگهانی تحریک شکل گرفته اند.
در مرحله تست بهترین توزیع فراوانی در مرحله اول مربوط به نتـایج حاصـل از تغییـر ناگهـانی تحریـک، در مرحله دوم مربوط به نتایج حاصله بر پایه وقوع اتصال کوتاه و نهایتًا از تغییر توان ورودی بدست میآید.