دانلود پروژه شناسایی و تصحیح اشباع ترانسفورماتور جریان در سیستم قدرت

تعداد صفحات: 106

فرمت: word

تراسفورماتور جریان، سیگنال جریان را به سطح مناسبی برای ابزارهای اندازه‌گیری و حفاظت فراهم می-کند. دقت و عملکرد رله‌های حفاظتی به طور مستقیم به عملکرد حالت گذرا و حالت پایدار ترانس جریان بستگی دارد. ترانس جریان باید خطا را از سیستم، با قابلیت اطمینان بسیار بالا پاک کنند. برای اینکه به درستی این کار را انجام دهد به بازسازی دقیق و منطقی سیگنال جریان و ولتاژ نیاز دارد. به این منظور ترانس جریان بمنظورکاهش سطح جریان اولیه بکار گرفته می شود. بیشتر ترانس‌های جریان از هسته‌های آهنی برای ماکزیمم کردن شار پیوندی بین سیم پیچ اولیه و ثانویه استفاده می‌کنند. هسته‌ی آهنی ترانس جریان، به دلیل غیرخطی بودن مشخصه مغناطیسی جریان تحریکشان و توانایی آنها برای نگهداری سطح شار بزرگ در هسته که معروف به شار پس ماند هستند، ایده آل نیستند. در نتیجه تمایل دارند اشباع شوند. اشباع ترانس می‌تواند منجربه عملکرد نامناسب رله‌ها و حتی جلوگیری از تریپ1 دادن رله شود. این تحقیق استفاده از 10شبکه عصبی را که براساس ثابت زمانی و علامت آفست جریان طبقه بندی شدند را پیشنهاد می‌کند. عملکرد این الگوریتم مستقل از پارامترهای ترانس و شار پسماند است. این الگوریتم خطای جبرانسازی را به 2/1 درصد کاهش داده است.

فهرست مطالب
فصل 1 5
1-1-مقدمه: 5

مدل ترانسفورماتور جریان 27
3-1 مدل ترانسفورماتور جریان 28
3-1-1- مدل جیلز اسرتون 28
3-1-2- تعیین پارامترهای مدل جیلز اسرتون 31
3-2- پارامترهای ترانسفورماتورهای جریان 33
3-3- دادههای مورد نیاز جهت شبیه سازی سیستم قدرت 34
3-3-1- پارامترهای ترانسفورماتورهای قدرت 34
3-4- ترانسفورماتورهای کاهنده 35
3-4-1-ترانسفورماتور دو سیم پیچه 35
3-5- ترانسفورماتور جریان 36
3-6 سیستم قدرت شبیهسازی شده 39
فصل چهارم: 41
مبانی شبکه عصبی 41
4-1-مقدمه: 41
4-2- ویژگی های شبکه عصبی: 42
4-2-1- قابلیت یادگیری: 42
4-2-2- پراکندگی اطلاعات: 42
4-2-3- قابلیت تعمیم: 43
4-2-4-پردازش موازی: 43
4-2-5-مقاوم بودن: 43
4-3-مدل نرون: 43
4-3-1-مدل تک ورودی: 44
4-3-2- توابع فعالسازی 45
4-4-مدل چند ورودی 47
4-4-1-فرم خلاصه شده نرون 48
4-5-ساختار شبکه عصبی 49
4-5-1-شبکه تک لایه 49
4-5-2- شبکههای چند لایه: 52
4-5-3- لایه خروجی 54
فصل پنجم: 59
شبیه سازی و نتایج عددی 59
5-1-مقدمه: 59
5-2-پارامترهای موثر روی اشباع: 60
5-2-1-شار پس ماند: 61
5-2-2-بردن ترانس جریان: 62
5-2-3-ثابت زمانی: 63
5-2-4-زاویه شروع خطا: 64
5-3-الگوهای آموزشی: 65
5-4-ساختار و آموزش شبکه عصبی: 66
5-5-تعیین رنج ثابت زمانی: 67
5-6-بدست آوردن علامت DC offset : 68
5-7-الگوریتم شناسایی اشباع 70
5-8- معیار توقف الگوریتم جبرانسازی 71
5-9- شاخص تعیین درصد خطای جبرانسازی 71
5-10-نتایج الگوریتم پیشنهادی: 72
5-10-1-عملکرد شبکه عصبی در بازه زمانی 0-40ms و dc-offset مثبت: 72
5-10-2-عملکرد شبکه عصبی در بازه زمانی 40-80 ms و dc-offset مثبت: 74
5-10-3-عملکرد شبکه عصبی با ثابت زمانی 160-200ms و dc-offset مثبت: 77
5-10-4-عملکرد شبکه عصبی با ثابت زمانی 80-120ms و dc-offset منفی: 81
5-10-5-عملکرد شبکه عصبی با ثابت زمانی 120-160ms و dc-offset منفی: 83
فصل ششم: 88
مقایسه الگوریتم پیشنهادی با روش LES 88
6-1-مقدمه: 88
6-2-نحوه عملکرد LES : 88
6-3-مقایسه نتایج: 90
فصل هفتم 96
پیشنهادات و نتیجهگیری 96
7-1-نتیجهگیری 96
7-2-پیشنهادات 96
مراجع

مبلغ قابل پرداخت 14,900 تومان