حماية المحولات الكهربائية من الأعطال أحادية الخط للأرض

أهمية حماية المحولات الكهربائية من الأعطال أحادية الخط للأرض

يُطلب من المرافق الكهربائية بشكل متزايد تقليل انقطاع التيار الكهربائي حيث أن معظم الخسائر الاقتصادية للعميل بسبب فترات الانقطاع الأطول التي تسببها الأعطال، في هذا السياق، يعد تطوير تقنية حماية أعطال نظام الطاقة السريعة والموثوقة مشكلة تمت دراستها على نطاق واسع لعقود في العالم.

كما يعد خطأ (SLG) هو الأكثر شيوعاً بين العديد من أنواع الأخطاء، مما يؤثر بشكل خطير على حالة تشغيل معدات الطاقة واستقرار الشبكة الكهربائية، لذلك تتم دراسة متعمقة لخطأ (SLG)، وعلى وجه الخصوص عندما يحدث خطأ (SLG) في لف الجزء الثابت من (Powerformer) (مولد جهد طرفي عالي من الناحية النظرية يصل إلى 400 كيلو فولت) يميل الخطأ إلى التطور إلى أعطال أكثر خطورة من الدوران، أو أخطاء من طور إلى طور.

كما يمكن أن  يؤدي إلى انفجار الكابل وتلف (Powerformer)، وبالتالي يقلل من موثوقية مصدر طاقة الشبكة ويسبب خسائر اقتصادية ضخمة، لذلك من الأهمية بمكان دراسة الحماية من خطأ الجزء الثابت (SLG) من (Powerformer)، وفي الوقت الحاضر، تم تطوير العديد من أنظمة الحماية فقط لخطأ (SLG) الثابت للمولد التقليدي.

كما يحتوي مرحل الجهد الكهربائي الزائد الأساسي ذو التسلسل الصفري على مناطق عمياء بالقرب من المولد المحايد، لذلك يمكن استخدامه فقط لتحديد الخطأ في طرف المولد الكهربائي، وهناك مخطط حقن الجهد التوافقي الفرعي مع إشارة التأريض المحايدة ومخطط الجهد التوافقي الثالث، وهي عبارة عن مخططات مهمة لحل المناطق العمياء.

لكن الأول يتطلب إمدادات طاقة فرعية توافقية إضافية، مما يزيد من تكاليف الاستثمار لتنفيذ الحماية، بينما يحقق الأخير بعض التطبيقات، حيث تم اقتراح مخطط حماية خطأ (SLG) للجزء الثابت يعتمد على الجهد التفاضلي التوافقي الثالث، والذي يمكن أن يدرك تحديد خطأ (SLG) للجزء الثابت للمولد ويغطي 100٪ من لفات الجزء الثابت، ومع ذلك لا يمكن للحماية القائمة على إشارة الجهد أن تحقق الحماية الانتقائية، وذلك لأن كل مولد متصل بالتوازي مع المولد المعيب له نفس الجهد.

حماية المحولات من الخطأ الأرضي داخل نطاق المحطات

في محطات الطاقة الكهربائية؛ فإنه يتم توصيل العديد من محولات الطاقة بنفس الحافلة بالتوازي. في حالة حدوث خطأ (SLG) للجزء الثابت في أحد محولات القدرة المتصلة بالناقل، بحيث يجب أن يكتشف مخطط الحماية في أي (Powerformer) يحدث الخطأ الأرضي فيه، ومن أجل حل هذه المشكلة لمحولات الطاقة المتصلة بالنظام؛ فإنه تم اقتراح وتطبيق العديد من مخططات الحماية لخطأ (SLG) الثابت.

حيث تم اقتراح معايير تستند إلى اتجاه تيارات التسرب وحجم التيارات المتسربة وتبديد طاقة نقطة الصدع على التوالي، ومع ذلك؛ فإن أنظمة الحماية المستقلة هذه تستخدم ميزة خطأ واحدة فقط كمعيار وموثوقيتها منخفضة، كذلك من أجل دمج أكبر قدر ممكن من ميزات الخطأ لتحسين موثوقية مخطط الحماية ووجود مزيد من مخططات الحماية المقترحة لخطأ (SLG) للجزء الثابت لـ (Powerformer).

وكل ذلك يتم على أساس المجموعات الهرمية و مجموعات ضبابية على التوالي، بحيث يتم استخراج حجم واتجاه تيار التسلسل الصفري وحجم واتجاه تيار التسرب كميزات خطأ وتستخدم كمدخلات لنموذج التصنيف، ولاحقاً تحسنت موثوقية أنظمة الحماية، لكن مخططات الحماية المذكورة أعلاه لم تتحقق من دقة الحماية مع ضوضاء القياس.

وفي الوقت الحاضر، حققت بعض خوارزميات التعلم الآلي المنفردة الكلاسيكية نتائج جيدة في اكتشاف الأخطاء وتشخيصها وحمايتها لنظام الطاقة، مثل (SVM ،RF ،KNN)، لذلك إذا تم تطبيق هذه الطرق لحماية المولد؛ فمن المتوقع أن تحسن أداء حماية المولد، ومع ذلك قد يؤدي استخدام طريقة واحدة إلى ضعف أداء التعميم بسبب العشوائية والتداخل.

ولحسن الحظ؛ فإن تقنية تصنيف تعلم المجموعة لها مزايا مقارنة بخوارزمية واحدة في تحسين دقة حماية الأعطال وتعزيز القدرة على مقاومة التداخل، وذلك من أجل تحسين دقة الحماية من الخطأ في ظل الظروف غير المواتية (مع الضوضاء، من خلال مقاومة عالية للأعطال).

نظريات خاصة بحماية المحولات من الأعطال الأحادية

تعتبر معلومات الخطأ المستخرجة من خطأ (SLG) للجزء الثابت هي بشكل عام إشارة غير ثابتة، والتي تتطلب تقنيات “معالجة الإشارة” لتحويل البيانات المقاسة إلى مجال تحليل أكثر إفادة لكشف الميزات المخفية للخطأ، [Fourier Transform (FT)] و [Fast Fourier Transform (FFT)]، وهما الجيل الأول من أدوات معالجة الإشارات، والتي يمكنها تحليل الإشارات الثابتة بشكل فعال,

ولكن عند معالجة الإشارات غير الثابتة؛ فإنه سيتم القيام بتحضير معلومات العطل بسبب ضياع بيانات الوقت، واستجابةً لذلك، تفكك (STFT) عملية “النطاق الزمني” بأكملها إلى عمليات صغيرة متعددة (نوافذ) ذات عرض متساوٍ، وفي كل عملية بسيطة وثابتة تقريباً ومن ثم يمكن استخدام (FT) لالتقاط تغيير “تردد الإشارة” مع مرور الوقت.

ولكن بالنسبة للإشارات المتغيرة بمرور الوقت وغير الثابتة؛ فإن التردد الكهربائي العالي مناسب للنوافذ الضيقة بينما التردد المنخفض مناسب للنوافذ العريضة، ومع ذلك؛ فإن نافذة (STFT) ثابتة، لذلك لا يزال (STFT) غير قادر على التقاط تغيير وتيرة الإشارة المتغيرة بمرور الوقت، وبعد ذلك يظهر (Wavelet) [Transform (WT)] وهو يطور فكرة تحليل إشارة (STFT) ومعالجتها.

خوارزمية تعلم مجموعة التعبئة الخاصة بأعطال المحولات

يستخدم اكتشاف الأعطال وتشخيصها وحمايتها عادةً خوارزميات تعلم الآلة المفردة، بما في ذلك (SVM) و (RF) و (KNN)، بحيث تحقق هذه الخوارزميات المفردة نتائج مشجعة ولديها القدرة على التعامل مع معظم مشاكل الحماية، وذلك عن طريق التمييز الصحيح للمعلومات المفيدة الموجودة في إشارات الخطأ من المعلومات غير المرغوب فيها بما في ذلك الإشارات الصحية أو الإشارات المزعجة.

لذلك إذا تم اعتماد تقنية تصنيف تعلم المجموعة بشكل أكبر؛ فسيتم تحسين دقة اكتشاف الأخطاء وتشخيصها وحمايتها، وذلك من “التعبئة الخاصة بالخوارزميات” وتعلم المجموعات المتوازية، بحيث يقوم بتدريب مجموعات فرعية مختلفة من العينات باستخدام المصنفات الأساسية المحددة، ثم يقوم بدراسة نتائج كل مصنف أساسي للحصول على مصنف قوي، كما يعتمد التعبئة على أخذ عينات التمهيد مع الاستبدال.

استخراج خصائص الأعطال

تختلف محولات الطاقة عن المولدات التقليدية في أن سعتها على الأرض أكبر بكثير من تلك الموجودة في المولدات التقليدية، مما ينتج عنه تيار السعة أكبر بعشرات المرات من المولد التقليدي، لذلك يمكن قياس بعض المعلومات الضعيفة، كما يمكن استخدام المعلومات التي تم إنشاؤها بواسطة الخطأ لإنشاء متجهات الميزات لتعكس حالة تشغيل (Powerformers).

كما أن ميزات الخطأ التي تم إنشاؤها بواسطة (Powerformers) غير ثابتة، وخصائص الخطأ في النماذج السابقة، بحيث تتأثر بسهولة بمقاومة الأعطال ومواقع الأعطال، ومن أجل حل هذه المشكلة؛ فإنه يتم استخدام (ST) لتحليل إشارات الأعطال غير الثابتة (تيار التسلسل الصفري I0) بما في ذلك معلومات المرحلة ومعلومات التردد ذات المرجعية المطلقة في نطاق التردد الكامل، والتي يمكن أن تستخرج ميزات الأعطال أكثر على نحو فعال.