تصنيف اضطرابات جودة الطاقة الكهربائية في نظام النقل

تعد جودة الطاقة من أهم العصور البحثية لقطاع الطاقة، بحيث يجب تحديد الفولتية المتساقطة فجأة أو الفولتية المتزايدة فجأة والتوافقيات في الطاقة، كما أنها تسمى كل هذه التشوهات باضطرابات جودة الطاقة (PQDs)، أيضاً تم تنفيذ الشبكات العصبية الاصطناعية التلافيفية القائمة على التعلم العميق مع نهج نموذج الانتباه.

أهمية تصنيف اضطرابات جودة الطاقة الكهربائية في نظام النقل

تستثمر البلدان باستمرار لتلبية الطلب الاستهلاكي المتزايد على الطاقة، ومع ذلك؛ فإن الزيادات المفاجئة في هذا الطلب وبعض الأعطال الكهربائية تسبب تدهوراً مختلفاً في أنظمة الطاقة، وفي الدراسات تم بحث وتطبيق العديد من الطرق لوصف وتصنيف هذه التشوهات، كم حيث انخفاض الجهد وتضخم الجهد الكهربائي وتقلبات الفولتية والمركبات التوافقية والانقطاع المتكرر للتيار الكهربائي.

كما أنه من الضروري تحليل وتحديد هذه التدهورات والقيام بذلك بسرعة كبيرة. السبب الرئيسي للقيام بذلك هو توفير جودة عالية وطاقة مستدامة، كذلك تؤدي الأحمال الكهربائية غير الخطية وتوليد أعطال الطاقة أو أخطاء النقل والتأثيرات الديناميكية العابرة إلى تدهور جودة الطاقة، وفي الوقت نفسه؛ فإن ضرورة الحفاظ على تدهور جودة الطاقة ضمن معيار معين هي تفاصيل أخرى يجب تذكرها اليوم، بحيث تحدد هذه المعايير حدود جودة الطاقة.

الدوافع الأساسية لتطوير وتصنيف جودة الطاقة الكهربائية

الدافع الأساسي هو تطوير طريقة جديدة سريعة وفعالة لتصنيف الاضطرابات التي تؤثر على جودة الطاقة، وفي الدراسات تم تحديد المعايير التي يجب الالتزام بها بسبب التدهور الذي يؤثر على جودة الطاقة، حيث إنه لتحقيق نهج جديد يستخدم هذه المعلومات القياسية بشكل أساسي في تحديد التدهور، كما أنه يمكن عرض (PQDs) المعروفة ومعاييرها.

دراسات تصنيف اضطرابات جودة الطاقة الكهربائية

يتم تصنيف (PQDs) باستخدام آلة متجهية دعم تعتمد على واحد مقابل واحد (OVO)، بحيث تصنف هذه الطريقة معلومات معلمات كل صورة عن طريق ربطها بمرجع معروف خالٍ من الأخطاء، وفي دراسة أخرى تم التحقيق في تحليل مكون مستقل باستخدام طريقة تصنيف (SVM)، بحيث يتم تصنيف كل بيانات مع جزء مستقل من الصورة غير الصحيحة ذات الصلة.

كذلك تم إجراء نموذج (Matlab Simulink) وتحليل تدهور جودة الطاقة، بحيث تم إنتاج اضطرابات جودة الطاقة بشكل تجريبي في بيئة المختبر، كما أنه تم دراسة تقنية تحسين المعلمات باستخدام طريقة الغابة العشوائية لتصنيف (PQDs)، وهناك دراسة أخرى تصنيف تلقائي تم تطويره باستخدام الشبكة العصبية التلافيفية الموزونة (CNN)، بحيث تُستخدم تقنية التعرف على الأنماط لتصنيف (PQDs)، كما تم تطوير منهجية اختبار تجريبية للحصول على مجموعة بيانات الاضطرابات.

مساهمة الدراسات في عملية ادراج معايير جودة الطاقة الكهربائية

لتصنيف اضطرابات جودة الطاقة؛ تم تنفيذ نهج تصنيف سريع يتماشى مع المعايير الدولية في هذه الدراسة، ولتطبيق العينة؛ فقد تم تم إنشاء نموذج لنظام الطاقة في (Matlab Simulink)، بحيث تم تم جمع (5600) معطيات من (622) نقطة إشارة لـ (9) فئات من الاضطرابات، بحيث يقوم النهج المطور أولاً بتشغيل نموذج معالجة الصور والمعالجة المسبقة في البيانات.

كذلك يوفر نموذج الانتباه مجموعة بيانات جديدة بضرب وحدات البكسل في الصورة، كما تتم معالجة البيانات وتصنيفها عبر مجموعة البيانات المتوفرة بشكل عام في الدراسات، وعلى العكس من ذلك وفي هذا النهج؛ فإنه يتم إنشاء تجمع جديد في كل مرة عن طريق إعادة تدريب بيانات بكسل الصورة في تجمع البيانات، بحيث تستمر هذه العملية حتى يصل معدل الخطأ إلى المستوى المطلوب في الشبكة الكهربائية.

وبالنسبة الى المنهجية المتبعة؛ فإن طريقة (CNN) الكلاسيكية، كما تمر بيانات الصورة المدخلة عبر عملية الالتفاف و (relu) والتجميع، وبعد هذه العمليات؛ فإنه يتم تصنيف البيانات المدربة في التصنيف بواسطة المصنف، وعلى عكس طرق التصنيف الأخرى في الدراسات، وتحديداً في هذه الدراسة؛ تمر بيانات (PQDs) عبر مراحل ما قبل المعالجة، ثم يتم تشغيل نموذج الانتباه.

وعلى عكس بنية (CNN) الكلاسيكية؛ فإنه يتم ضرب بيانات الصورة بقيم البكسل ويتم تدريبها في تجمع بيانات جديد، بحيث يتم حساب قيمة جديدة في كل نواة بناءً على وظيفة الوزن في كل الطبقات، كما تستغرق هذه العملية (5) طبقات مخفية، لذلك إذا لم يكن معدل الخطأ عند قيمة مقبولة؛ فإن شبكات نموذج الانتباه لا تنتج مخرجات.

أخيراً يكون شكل إدخال بيانات الصورة من خال (256 × 256 × 3)، بحيث يقوم نموذج معالجة الصور بإنشاء (66) بيانات موتر للتدريب من صورة الإدخال، كذلك تم الحصول على القيم الفعلية من نموذج (Matlab Simulink)، ونتيجة لذلك ينتج النموذج الحصيلة عند الوصول إلى معدل خطأ مقبول في نموذج الانتباه، بحيث يقوم المُحسِّن بتقييم نتائج الخطأ هذه، كما ويتم إجراء التصنيف في هذا النهج المطور من خلال الحصول على دقة حوالي (99.92 ٪).