به توانایی تجهیزات یا یک سیستم برای کار رضایتبخش در محیط الکترومغناطیس خود، بدون ایجاد اختلالهای الکترومغناطیسی غیرقابلتحمل برای هر چیزی در آن محیط، کیفیت توان (PQ) میگویند [۱]. به دلایل بسیاری از سال 1995 به این طرف، توجه بسیار زیادی به PQ معطوف شده است. همهی تجهیزات قدرت نسبت به کیفیت بد توان کمتحملتر شدهاند. با آزادسازی[1] سیستم قدرت نیاز به مطالعه روی مقولات مختلف PQ افزایش یافته است، زیرا مصرفکنندگان برق کیفیت توان بهتری را تقاضا میکنند. تحلیل منابع اختلال PQ یک وظیفهی مهم در راستای فهم رفتار سیستم قدرت است تا بتوان یک اقدام جبرانی موثر را شناسایی و پیادهسازی کرد.
در سالهای اخیر، پژوهشگران شیوههای مختلفی را برای تحلیل، آشکارسازی و طبقهبندی مقولات مختلف PQ مورد مطالعه قرار داده و پیشنهاد دادهاند. تبدیل فوریه (FT) تنها برای پردازش و تحلیل سیگنالهای ایستا به کار میرود. FT مستقل از زمان است و دربارهی محتوای فرکانسی موجود در سیگنال حرف میزند. تبدیل فوریهی گسسته (DFT) برای تحلیل محتوای فرکانسی موجود در سیگنال متناوب حالت پایا به کار میرود و برای تحلیل هارمونیکها مناسب است. با این حال، برای آشکارسازی تغییرات ناگهانی یا سریع در شکل موج، یعنی فلش ولتاژ، حالتهای گذار و سوسوزنیهای ولتاژ و غیره، قابلیت ندارد. DFT معایب عمدهای از جمله توان تفکیک، نشت طیفی[2] و همچنین اثرات picket-fence دارد [۱]. برای مبانی موجکها و تبدیل موجک میتوان به [۲] مراجعه کرد.
تبدیلهای فوریهی زمان کوتاه (STFT) دارای محدودیت عرض پنجرهی ثابت بوده و به این دلیل برای تحلیل اختلالهای غیرایستای PQ مناسب نیستند. مشکل همهی روشهای پردازش سیگنال بالا، اصل عدم قطعیت هایزنبرگ است که در آن کسی نمیتواند بداند که چه مولفههای طیفیای در چه لحظهای از زمان وجود دارند. ویژگیهای یکتایی که مشخصکنندهی اختلالات کیفیت توان هستند و تکنیکهایی برای استخراج آنها از اختلالات ثبتشده نیز در [۱، ۳] ارایه شدهاند. مشکلات توان تفکیک ثابت STFT با استفاده از رویکرد تبدیل موجک (WT) که نیازی به مفروض قرار دادن شرایط سیگنال ندارد حل شدهاند. به این دلیل این رویکرد برای ردگیری تغییرات در سیگنال شامل تغییرات سریع در مولفههای فرکانس بالای سیگنال بسیار مناسب است. رویکرد WT به طور خودکار عرض پنجره را تنظیم میکند تا توان تفکیک زمانی خوب و توان تفکیک فرکانسی ضعیف را در فرکانسهای بالا، و توان تفکیک فرکانسی خوب و توان تفکیک زمانی ضعیف را در فرکانسهای پایین بهدست بدهد [۴، ۳].
ویژگیهای یکتایی که مشخصکننده رویدادهای کیفیت توان هستند و روششناسیهایی برای استخراج آنها از شکلموجهای ثبتشدهی ولتاژ و جریان با استفاده از تبدیلهای فوریه و موجک، کار مبدل، انرژیدهی به ترانسفورماتور، انرژیدهی به خارن (که شامل نرمال، back-to-back، و restrike در شروع انرژیدهی)، نشاندهندهی سه رویداد رایج کیفیت توان در سطح توزیع، در [۵] ارایه شدهاند. از تبدیل فوریهی کوتاهـزمان گسسته (STFT) برای حوزهی زمانـفرکانس استفاده میشود؛ و از فیلترهای موجک دوتایی و درختـدودویی برای حوزهی مقیاسـزمان. فیلترهای موجک دوتایی برای تحلیل هارمونیک دادههای اختلال مناسب نیستند. با انتخاب درست اندازهی پنجره، STFT گسسته نیز میتواند حالات گذار را در یک اختلال ولتاژ آشکار و تحلیل کند [۶].
تبدیل موجک به عنوان شیوهای برای تحلیل حالات گذار الکترومغناطیسی مرتبط با عیبها و سوییچینگ سیستم قدرت ارایه شده است [۷]. مولفان در روششان اطلاعاتی مربوط به ترکیب فرکانسی یک شکلموج بهدست دادهاند، که از شیوهی آشنای فوریه برای سیگنالهای غیرمتناوب پهنـباند مرتبط با حالات گذار الکترومغناطیسی مناسبتر است. به نظر میرسد که دادههای حوزهی فرکانسی که تبدیل موجک تولید میکند برای تحلیل منابع حالات گذار از طریق طرحهای تشخیص ویژگی دستی یا خودکار، مفید باشند. اصول پایهی تبدیل موجک تشریح میشوند و مثالهایی از کاربرد تبدیل موجک در حالات گذار سیستم قدرت واقعی ارایه میشوند. آشکارسازی اختلالات خط بر پایهی WT و توصیف مشخصههای حالات گذار در ترانسفورماتورها با استفاده از DWT نیز ارایه شدهاند [۹ ،۸].
اصول پایهی تحلیل موجک گسسته برای آشکارسازی کیفیت توان مورد استفاده قرار گرفتهاند، که در آن گسترهای از سیگنالهای گذرای واقعی و شبیهسازیشده با استفاده از تبدیل موجک گسسته تحلیل شدهاند که قدرت تحلیل موجک را نشان میدهد [۱۰].
تبدیل موجک پیوسته برای آشکارسازی و تحلیل فلشها و حالات گذار ولتاژ استفاده شده است. یک الگوریتم بازگشتی مورد استفاده قرار گرفته و بهبود داده شده است تا صفحهی زمانـفرکانس این اختلالات الکتریکی را محاسبه کند. مشخصههای سیگنالهای مورد بررسی روی یک صفحهی زمانـفرکانس اندازهگیری شده است. نتایج آشکارسازی و اندازهگیری با شیوههای کلاسیک مقایسه شدهاند [11].
از DWT برای استخراج ویژگیهای حالات گذرای ناشی از سوییچینگ بار/خازن استفاده شده است. سپس ضرایب موجک به عنوان ورودیهای شبکهی عصبی خودـسازمانیابندهی ترکیبی برای آشکارسازی/شناسایی انواع سوییچینگ و زوایای فاز به کار رفتند [۱۲]. یک شیوهی MRA موثر ارایه شده است برای تحلیل حالات گذار کیفیت توان، بر اساس انحراف معیار و مقدار RMS.
تکنیکهای نویززدایی مبتنی بر WT برای حذف اثرات نویز روی اختلالات کیفیت توان نیز پیشنهاد شده، اما همچنین ذکر شده است که کارآمدی این تکنیکها با کاهش نسبت سیگنال به نویز تضعیف میشود [۱۴،۱۳]. یک رویکرد مبتنی بر مربع ضرایب تبدیل موجک (SWTC) و کارآمدی آن برای آشکارسازی و تعیین موقعیت حالات گذار ناشی از سوییچینگ بار و خازن نیز ارایه شده است [۱۵].
یک تحلیل زمانـفرکانس جدید بر اساس شیوهی Gabor-Winger (GWT) نیز برای تحلیل مشکلات مختلف PQ مورد بررسی قرار گرفته است. با استفاده از این GWT تنها ابتدای اختلالات PQ آشکار میشود [۱۶]. یک اختلاف انرژی از شیوهی تحلیل چند-توان تفکیک برای آشکارسازی و طبقهبندی اختلالات PQ پیشنهاد شده است [۱۷]. از پردازش سینگال مرکب به همراه هوش ماشین، رویکرد استخراج ویژگی مبتنی بر WT روش تجزیهی سیگنال چندـتوان تفکیک (MSD)، نویززدایی مبتنی بر WT، تبدیل S همراه با شبکههای عصبی، شیوههای انتخاب ویژگی بهینه و رویدادهای PQ با استفاده از WT و ماشینهای بردار پشتیبانِ (SVM) کمترین مربعات برای شناسایی، آشکارسازی و طبقهبندی رویدادهای PQ پیشنهاد شدهاند [۲۲-۱۸]. نمونهی اولیهای از یک طبقهبند شبکهعصبی مبتنی بر موجک برای شناسایی اختلالات PQ پیادهسازی شده و تحت شرایط گذار مختلف تست شده است [۲۳].
یک طرح حذف نویز برای سیگنالهای سوار بر نویز و یک طیف انرژی WTC در مقیاسهای مختلف محاسبه شده و سپس از سیستم طبقهبندی عصبیـفازی برای ساختن قاعدهی فازی و شناسایی سیگنال استفاده شده است [۲۴]. از مفهوم DWT برای استخراج ویژگی سیگنال اختلال توان استفاده شده و همراه با آن شبکهی عصبی مصنوعی و منطق فازی به عنوان یک ابزار قدرتمند برای آشکارسازی و طبقهبندی مشکلات PQ استفاده شده است. در آن مقاله از نوع متفاوتی از شبکهی عصبی تکمتغیره با بهینهسازی تصادفی به همراه DWT و منطق فازی پیادهسازی شده تا صحت بیشتری در طبقهبندی اختلال PQ بهدست آید [۲۵].
اگرچه توسعهی فراوانی در این حوزه به وجود آمده است، اما هنوز چالشبرانگیز است و نیاز است مورد مطالعه قرار بگیرد. روشهای تحلیل متداول اطلاعات دقیق و کافی دربارهی حوزهی زمان بهدست نمیدهند. در این مقاله، تکنیک MSD مبتنی بر DWT به همراه شیوهی استخراج ویژگی آنتروپی انرژی درصدیِ مربع ضرایب تفصیلی (EESDC) برای آشکارسازی و موقعیتیابی پیشنهاد شده و برای طبقهبندی خودکار اختلالات PQ یک رویکرد تجمیعی FFT-DWT در محیط با و بدون نویز پیشنهاد شده است.
این مقاله به صورتی که در ادامه میآید سازماندهی شده است. در بخش «DWT و تحلیل با تجزیهی سیگنال چند-توان تفکیک»، مفاهیم DWT و تحلیل چند-توان تفکیک را ارایه میدهیم. پیادهسازی الگوریتم DWT و آشکارسازی اختلال PQ را به ترتیب در بخشهای «کاربرد الگوریتم DWT برای آشکارسازی اختلال PQ» و «آشکارسازی اختلال سیگنال کیفیت توان» ارایه دادهایم. ویژگیهای گوناگون انتخابشده در بخش «استخراج ویژگی با استفاده از DWT برای طبقهبندی اختلالات PQ» مورد بحث قرار گرفتهاند. در بخش «عملکرد MRA مبتنی بر DWT تحت محیط نویزی» عملکرد روش پیشنهادی را تحت محیطهای نویزی تحلیل کردهایم. رویکرد تجمیعی DWT-FFT را در بخش «سیستم قاعدهمحور برای طبقهبندی خودکار اختلالات PQ» پیادهسازی کردهایم. مقایسهی روش پیشنهادی را در بخش «مقایسهی عملکرد روش پیشنهادی» مورد بحث قرار دادهایم و به دنبال آن نتیجهگیری در بخش «نتیجهگیریها» میآید.
[1] Deregulation
[2] Spectrum Leakage