اقرأ في هذا المقال
أهمية ترحيل خطوط نقل التيار المباشر ذات الجهد العالي
تستخدم خطوط (كوابل) وامدادات توصيل التيار المستمر “عالي الجهد”، وبشكل عام تستخدم لنقل وتوزيع “القدرة الكهربائية القصوى” لمسافة طويلة جداً، كما تتميز خطوط نقل (HVDC) بمزايا نقل الطاقة لمسافات طويلة والمرونة الحقيقية والحد الأقصى لنقل الطاقة و”خسائر أقل”، بحيث تحتوي خطوط نقل (HVDC) أيضاً على “مشكلات الترحيل” التي يصعب التعامل معها.
كذلك تشمل مهام الترحيل لخطوط نقل (HVDC) الكشف عن الخطأ وتحديد عمود الخطأ وموقع الخطأ، بحيث يعد اكتشاف الخطأ وتحديد عمود الخطأ أمراً مهماً لتنفيذ وظائف الترحيل، كما يعد تقدير موقع الخطأ مهماً أيضاً لتنفيذ أعمال الصيانة على خط النقل، ومن ثم فإن وحدات الترحيل الفعالة مطلوبة لخطوط نقل (HVDC) للعمل في ظروف تشغيل معاكسة.
أيضاً تم اقتراح طرق متنوعة للكشف عن الأعطال وتحديد القطب من قبل الباحثين لخطوط نقل (HVDC)، كما تم اقتراح طريقة حماية احتياطية لخطوط (HVDC) “ثنائية القطب” باستخدام تيارات عينات متزامنة ثنائية الطرف، والتي تكتشف “الأعمدة المعيبة” دون متطلبات التأخير الزمني الطويل، كذلك تم اقتراح مخطط للكشف عن الأعطال باستخدام قسم المنطقة، حيث يتم تقسيم الأعطال إلى أربع مناطق على طول خط النقل بناءً على مسافات الأعطال المختلفة باستخدام الموجات المتنقلة.
كما يتم تحليل موجة انتقال الخطأ مع الأخذ في الاعتبار التوهين والتشويه وتأثير الحدود لخط نقل التيار المستمر وكذلك أنواع المحولات الكهربائية، بحيث تم اقتراح طريقة تحليل خطأ لخطوط نقل (HVDC) ذات الدائرة المزدوجة، وذلك مع الأخذ في الاعتبار “التركيبات الخطية” لأربعة مكونات نمطية مستقلة تعتمد فقط على كل دائرة مفردة باستخدام طريقة قائمة على موجة الانتقال.
يتم استخدام معامل ارتباط بيرسون لتحديد موقع الخطأ باستخدام إشارة الجهد الكهربائي، ولكنها مهمة صعبة نوعاً ما، كما تم استخدام طريقة التردد الكهربائي الطبيعي على أساس الموجة المتنقلة لتحديد موقع الخطأ في خطوط نقل (HVDC)، وذلك باستخدام البيانات الحالية، بحيث تم استخدام التردد الطبيعي الذي تم الحصول عليه بواسطة خوارزمية بروني لتحديد الأخطاء.
أيضاً تم اعتماد نموذج (Bergeron) لخوارزمية تحديد موقع الخطأ لخطوط نقل (HVDC)، وذلك باستخدام القياس ثنائي النهاية غير المتزامن، أيضاً تم اقتراح طريقة تقدير موقع الخطأ باستخدام النبض النشط لـ (MMC-HVDC) وذلك باستخدام طريقة قائمة على انعكاس الوقت الكهرومغناطيسي لموقع الخطأ في خطوط نقل (HVDC) متعددة الأطراف (VSC).
كذلك تم استخدام خصائص تغيير تردد الطور لتحديد الأعطال في خطوط (HVDC)، بحيث تم الوصول الى طريقة لتحديد المقاومة باستخدام جهد التيار المستمر والتيار لكلا المطراقين، كما ويتم استخدام البيانات الأولية لارتفاعات التيار المتحرك كمدخل إلى المشفر التلقائي المكدس لتقدير موقع الخطأ، وباستخدام المحتويات والمركبات التوافقية لتيارات المحولات الكهربائية.
تحليل طريقة الذاكرة طويلة المدى لخطوط HVDC
تعتبر ذاكرة الشبكة الكهربائية طويلة المدى (LSTM) عبارة عن “شبكة عصبية” متكررة عميقة (RNN) تتفوق في الأداء على شبكات (RNN) الأخرى التي تشمل مهام ذات فترات تأخير طويلة، وذلك من خلال فصل الذاكرة وتمثيلات الإخراج وجعل كل بُعد من أبعاد وحدة “الذاكرة الحالية” يعتمد بشكل خطي على وحدة الذاكرة من الخطوة الزمنية السابقة، كما تحاول شبكة (LSTM) التغلب على مشكلة “التدرج المتلاشي”.
كذلك تُستخدم بوابات الإدخال والنسيان والإخراج في شكل شائع من (LSTM)، وذلك للتحكم في مقدار زيادة التمثيل الحالي والسابق والمخرجات، بحيث يتم التعامل مع الذاكرة في (LSTM) من خلال استيفاء خطي بسيط بين حالة تشبه الحالة المخفية لخطوة الوقت السابقة وعنصر يشبه (RNN)، بحيث يمثل الخطوة الزمنية الحالية.
كما يتم استخدام كتل الذاكرة بدلاً من الوحدات في الطبقة المخفية لشبكات (LSTM)، بحيث توجد “خلية ذاكرة واحدة” في كل كتلة ذاكرة نفسها، وذلك من خلال ضبط البوابات على خلايا الذاكرة، كما يتم التحكم في تدفق المعلومات داخل وخارج هذه البوابات بواسطة هذه البوابات، وذلك بين بوابة الإدخال وبوابة الإخراج توجد بوابة نسيان، وإذا لم تعد هناك حاجة إلى المعلومات المسجلة؛ فيمكن استخدام البوابات لإعادة تعيين حالة الوحدة الخطية.
وفيما بعد قد تأخذ الشبكات العصبية المتكررة أي تسلسل إدخال طول وتنتج أي تسلسل إخراج طول بسبب تصميمها الذي يستخدم حالات مخفية تنتقل عبر الزمن، بحيث يمكن استخدام (LSTMs) لإنشاء مصفوفات مكدسة، كما أنه يتم تحويل المنتجات النقطية إلى منتجات مصفوفة متجهة، بينما يتم تحويل المضاعفات العددية إلى مضاعفات من حيث العناصر.
أيضاً يتم تطبيق وظائف التنشيط عنصراً تلو الآخر، مما يسمح بتقييم طبقة كاملة من خلايا (LSTM) في نفس الوقت، وغالباً ما يُنظر إلى بوابات تعديل الإدخال على أنها مجموعة فرعية من بوابات الإدخال وتجمع بين مصفوفة الوزن لكل من وحدات الإدخال والوحدات المخفية، بحيث يتم التحكم في تدفق المعلومات داخل وحدة (LSTM) بواسطة البوابات.
كما تحدد بوابة الإدخال العناصر التي سيتم تخزينها في خلية الذ، بينما تحدد بوابة النسيان العناصر التي سيتم نسيانها وتحدد بوابة تعديل الإدخال ما إذا كانت خلية الذاكرة تتطلب تحديثاً، بينما تحدد بوابة الإخراج عناصر خلية الذاكرة التي يتم إخراجها، كما يتم تمرير ناتج الحالة المخفية إلى الطبقة اللاحقة أو الخطوة الزمنية، وبشكل عام؛ فإنه يتم استخدام معدل التعلم لتحديد التغيير في بوابة الإدخال.
وفيما يلي يظهر مخطط التدفق الأساسي في الشكل (1-A)، كما يشرح تدفق المدخلات في شبكة ذاكرة طويلة المدى، لذلك تنتقل بيانات الإدخال من طبقة الإدخال إلى طبقة (LSTM) التي تتكون من عدد من خلايا (LSTM)، كما يمر ناتج طبقة (LSTM) إلى الطبقات الكثيفة، لذلك تصنف الطبقة النهائية البيانات إلى فئات خطأ مختلفة أو تجد موقع الخطأ باستخدام الانحدار.
كما يمثل الشكل (1-B) هيكل خلية (LSTM)، والتي تتكون كل خلية فيها من بوابة إدخال (in)، كما وننسى البوابة (fr) وبوابة الإخراج (op)، بحيث تتم إضافة المعلومات بواسطة بوابة الإدخال باستخدام وظيفة (tanh)، كما تتم إزالة وجود المعلومات غير المرغوب فيها بواسطة بوابة النسيان إلى جانب تحسين أداء شبكة (LSTM) بينما يتم مضاعفة المرشح التنظيمي باستخدام وظيفة السيني ويتم إضافته إلى حالة الخلية (C).
كما يتم تحقيق استخراج المعلومات المفيدة من خلال بوابة الإخراج، بحيث تظهر بنية (LSTM) في الشكل التالي (2).
في العمل المقترح، تم استخدام شبكة (LSTM) لتصنيف أنواع الأخطاء وكذلك لاكتشاف موقع الخطأ، بحيث تنتقل البيانات من طبقة الإدخال إلى الطبقة المخفية (LSTM) التي تضم وحدات (LSTM) متعددة، كما ينتقل ناتج طبقة (LSTM) إلى الطبقة الكثيفة المتصلة بالكامل، بحيث تكون الطبقة المتصلة بالكامل مسؤولة عن التفكير عالي المستوى المطلوب للتصنيف حيث أن ناتج هذه الطبقة يوفر احتمالية تسميات الفئات.
أيضاً تكون الطبقة المتصلة بالكامل مسؤولة عن تعلم مجموعات غير خطية مختلفة موجودة بين الميزات المحددة وتحسين الأهداف، وعلى عكس طبقة التجميع، تتكون الطبقة المتصلة بالكامل من الأوزان والاعتراضات ويمكن تسميتها كطبقة تؤدي مضاعفة مصفوفة كثيفة بين الأوزان القابلة للتدريب وميزات الإدخال مع إضافة اختيارية للانحياز القابل للتدريب.
