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

اتصال ریزشبکه های مبتنی بر انرژی های تجدید در خطوط انتقال بیش از پیش افزایش یافته است. حضور این ریزشبکه ها در کنار مزایای که دارند اما معضلاتی را از مناظر مختلف بهره برداری، کنترل و حفاظت پیش می آورند. اتصال مستقیم این ریزشبکه ها به صورت T-off در خطوط انتقال و بدون احداث پست، باعث اختلال شدید در عملکرد الگوریتم های حفاظتی خط می شود. در این مقاله یک روش تشخیص خطا در خطوط انتقال متصل به ریزشبکه های مبتنی بر انرژی های تجدید پذیر جهت تشخیص زود هنگام خطای قطع فاز مبتنی بر اطلاعات یک سمت خط (ترمینال ابتدای خط) و با استفاده از روش آموزش یادگیری شبکه های عصبی مصنوعی ارائه شده است. شبکه عصبی در نظر گرفته شده در این مقاله ترکیبی از نوع کانولوشنی و بازگشتی با دروازه های فراموشی (CNN_LSTM) می باشد. مدل ترکیبی شامل یک لایه Conv1D با 64 فیلتر و سایز کرنل 3، یک لایه MaxPooling1D، دو لایه LSTM با 32 واحد، یک لایه Dropout و یک لایه Dense با یک واحد و فعال سازی سیگموئید است. دیتاهای لازم جهت آموزش شبکه عصبی مورد نظر از شبیه سازی شبکه اصلی و پیاده سازی سناریوهای مختلف خطا در سیمولینک نرم افزار متلب استخراج شده اند و در نهایت مدل شبکه عصبی مورد نظر در محیط نرم افزار پایتون برنامه نویسی و مدلسازی شده است. طبق نتایج شبیه سازی، دقت نهایی مدل استخراج شده در تشخیص خطای قطع فاز در این توپولوژی پیشنهادی حدود 73/99٪ ارزیابی شده است. نتایج موفقیت آمیز ارائه شده در قسمت نتایج تست و ارزیابی، موید عملکرد مطلوب الگوریتم پیشنهادی در این مقاله می باشد.