أداء المولدات الكهربائية غير المستقرة في الشبكات الدقيقة

تم تقديم متنبئ عالي الأداء للمولدات الكهربائية غير المستقرة الحرجة (CUGs) لأنظمة الطاقة في هذه الدراسة، بحيث يتم تشغيل المتنبئ بواسطة الشبكات العصبية المتوازية القائمة على (MapReduce)، وعلى وجه التحديد يتم تنظيم مجموعة من الشبكات العصبية ذات الانتشار الخلفي (BPNNs).

أهمية مراقبة أداء المولدات الكهربائية غير المستقرة

يُنظر إلى الاستقرار العابر على نطاق واسع باعتباره أحد أكثر القضايا أهمية في نظام الطاقة الحديث، وفي العقدين الماضيين حدث عدد كبير من حالات انقطاع التيار الكهربائي في جميع أنحاء العالم بسبب فقدان التزامن الناجم عن حالات الفشل المتتالية، وكما هو معروف بأن عدم كفاية عمليات التنفيذ عبر الاتصال والافتقار إلى ضوابط الطوارئ في الوقت المناسب، مثل فصل الأحمال وتعثر المولد والجزر الاستباقية؛ هي الأسباب الشائعة لهذه الحوادث.

كما يؤدي تكامل الطاقة المتجددة المتزايد إلى تدهور ديناميكي في الأمن لأنظمة الطاقة، مما قد يؤدي إلى مخاطر التشغيل، ومع ذلك؛ فإن نشر وحدات قياس المراحل (PMUs) يوفر طريقة واعدة لتحسين قدرة الوعي لمراكز التحكم لسيناريوهات التشغيل المضطرب ووحدات إدارة المشروع، كذلك البنية التحتية لنظام مراقبة المنطقة الواسعة (WAMS) لنظام الطاقة نكون قادرة على قياس بيانات الأطوار المتزامنة بتردد أخذ عينات أعلى بكثير مقارنة بالتحكم الإشرافي والحصول على البيانات (SCADA).

كما تم الإبلاغ أيضاً عن أن دقة القياس مرضية بدرجة كافية، ونظراً لأن وحدات إدارة المشروع يمكنها استيعاب الاستجابة الفورية لأنظمة الطاقة عند حدوث أعطال؛ فقد تم التحقيق بشكل كبير في كيفية الاستفادة من المسارات المضطربة الهائلة في العقد الماضي.

الإجراءات الفنية المستخدمة لمراقبة آداء المولدات الكهربائية

نظراً لأن (WAMS)، بحيث تعمل الآن في عدد قليل جداً من أنظمة الطاقة؛ فإن (PMU) تلعب دوراً حيوياً دائماً في الوعي العابر، كما  تم إجراء عدد من الأبحاث لتقييم الاستقرار العابر باستخدام بيانات (PMU)، بحيث تعتبر المؤشرات القائمة على مسارات وحدة إدارة المشروع بمثابة مقدرات فعالة لفهم السمات الديناميكية لأنظمة الطاقة؛ خاصة أثناء الاضطرابات الشديدة.

على سبيل المثال، تم اقتراح سبعة مؤشرات قائمة على المسار تكون مناسبة للاستدلال الغامض على الضعف الديناميكي في الوقت الحقيقي، كما تم تطوير مؤشر وظيفة الطاقة المعتمد على بيانات الطور، وذلك بهدف مراقبة الحالة الديناميكية لمسارات نقل الطاقة، كما تم الإبلاغ عن طريقة لتقييم الاستقرار العابر في الوقت الفعلي (TSA) بناءً على تقدير مركز القصور الذاتي من سجلات وحدة إدارة المشروع.

توقع مجموعات المولدات CUG المستندة إلى ANN

من حيث التعريف تُعرَّف مجموعات (CUG) بأنها المجموعة الأولى من زوايا دوار المولدات التي لها اتجاه متقدم أو متأخر مقارنة بوحدات الباقي بعد إزالة الأعطال، كما يشير مصطلح الميل إلى الحد المعطى لاختلاف زاوية القدرة بين أي زوج من المولدات، ومن الناحية الفنية تعد (CUGs) أكثر الوحدات اضطراباً بشدة والتي قد تؤدي إلى فقدان الاستقرار النهائي.

ومن ناحية أخرى؛ فقد تم وضع المرشحات المناسبة للتحكم في عمليات التعثر في حالات الطوارئ أو إجراءات التصحيح التي تكون قادرة على تقليل مخاطر عدم الاستقرار في أنظمة الطاقة بسرعة، كما تم تفصيل طريقة التجميع لتحديد مجموعات (CUG)، كما يوضح الشكل التالي (1) بعض الأمثلة على (CUGs) من حيث مسارات زاوية الدوار.

كما تنتمي المولدات غير المستقرة إلى (CUGs)،وذلك لأن زاوية دوارها الأمامية (أو المتأخرة) مقابل الوحدات الأخرى يجب أن تتجاوز الحد المعين الذي يتم تعيينه عادةً ليكون مساوياً أو أصغر قليلاً من معيار عدم الاستقرار المقبول على نطاق واسع، على سبيل المثال يوضح الشكل (1-a) والشكل (1-b) مسارات زاوية الجزء المتحرك لوحدات (CUG)، والتي تحتوي أيضاً على جميع المولدات غير المستقرة، كذلك فإنه وضع مشابه في الشكل (1-d).

تحديد مجموعات المولدات الكهربائية العنقودية

ليس من الصعب تمييز المولدات غير المستقرة عن بقية المولدات المستقرة من خلال مخطط مسار زاوية الدوار في بضع ثوانٍ، وذلك كما هو موضح في الشكل (1-a) والشكل (1-b)، ومع ذلك ونظراً لعدم وجود معايير تأكيد شائعة الاستخدام لـ (CUG)؛ فإنه يتم تقديم طريقة قادرة على تحديد (CUG) استناداً إلى خوارزمية تجميع الوسائل (k)، ولكل سيناريو خطأ بحيث يمكن تأكيد مجموعات (CUG) عن طريق الإجراء التالي:

• جمع مسار زاوية الدوار لكل مولد في بضع ثوان.

• حساب فرق زاوية الطور لأي مولدين (i ، j) دورة بدورة من بداية نقطة ما بعد الخطأ وفقاً لما يلي:

حيث أن [Δδij (t)] هو فرق الزاوية بين (i ، j) عند نقطة الدورة (t) بعد الخطأ، لذلك إذا تجاوز [Δδij (t)] الحد المعطى على سبيل المثال (170) درجة، حيث يكون نظام الطاقة غير مستقر بشكل خطير أو سجل النقطة الزمنية (t) وخلاف ذلك؛ فإنه يتم إنهاء الإجراء للجولة التالية.

• القيام باستخراج مسار زاوية قدرة محدد [δi (t + t)] لكل مولد فردي لمزيد من التحليل، وهنا (Δt) يشير إلى الفاصل الزمني للتحقق من (CUG)، لذلك إذا تم تحديد (Δt) لتكون قيمة كبيرة نسبياً مثل 3 ثوانٍ؛ فمن الصعب التمييز بين (CUG) والمولدات غير المستقرة المحتملة لاحقاً، ومن الناحية التجريبية؛ يُفضل أن تكون (Δt = 50) دورة، أي (1) ثانية.

اختيار الميزات الخاصة المولدات الكهربائية العنقودية

وفقاً للأعمال السابقة؛ فإنه يمكن تحديد مجموعة متنوعة من المعلمات الديناميكية لتكوين ناقل ميزات لإجراء التدريب لخوارزميات تعلم الآلة الخاصة، بحيث يوجد نوعان أساسيان من اختيار الميزات، أي البيانات المتزامنة للسلاسل الزمنية مثل بضع دورات لمسار الجهد الكهربائي ومؤشرات الأداء الديناميكي مثل مؤشر الطاقة الحركية للدوارات.

ومن أجل تجنب فقدان المعلومات؛ فقد تم التأكيد على أن الميزات الواردة في هذه الدراسة هي بيانات المسار المباشر بعد إزالة الأخطاء بما في ذلك سعة الجهد وزاوية الدوار وسرعة الدوار لكل مولد فردي، وبالإضافة إلى ذلك تعتبر الطاقة الحركية القصوى وهي مؤشر مستخدَم على نطاق واسع وثيق الصلة بشدة اضطراب المولد الفردي.

وأخيراً تقدم هذه الدراسة أسلوب التنبؤ (CUGs) عالي الأداء باستخدام (BPNN) المتوازي المستند إلى (MapReduce، بحيث يستخدم العمل في المقام الأول محاكاة المجال الزمني لإنشاء سيناريوهات مضطربة ضخمة باستخدام محاكاة الأخطاء المنشورة، وثانياً تم اقتراح مبادئ اختيار الميزات لإنتاج متجه الميزات الذي يمثل حالة النظام بأبعاد بيانات معقولة.

أما ثالثاً للتغلب على عيوب التطبيق المستقل، بحيث تم تطوير تقنية (BPNN) المستندة إلى (MapReduce) بهدف تسهيل التدريب المتزامن لكل مولد فردي، كما تستخدم المنهجية المقدمة تقنية التجميع وفصل البيانات لتعزيز كفاءة التدريب، بينما تستخدم فصل البيانات في تمكين تكامل قابل للتطوير لمورد الحوسبة بالإضافة إلى تحسين كفاءة التصنيف بشكل كبير، بحيث تُظهر نتائج التجربة أن التقنية المقدمة قادرة على التنبؤ بمجموعات (CUG) خاصة في البيانات واسعة النطاق بدقة وكفاءة عالية.