یک روش بهینه برای تعیین وضعیت اتصال ریزشبکه به شبکه سراسری با استفاده از اطلاعات محلی

به‌منظور عملکرد مناسب سیستم کنترل و حفاظت ریزشبکه، لازم است تغییر وضعیت اتصال ریزشبکه با شبکه سراسری در کم‌ترین زمان ممکن شناسایی شود. در این مقاله، یک روش بهینه‌سازی به‌منظور تعیین پارامترهای ورودی روش کلاسه‌بندی به کمک اطلاعات محلی پیشنهاد شده است. هدف مسئله بهینه‌سازی، حداقل‌کردن زمان تشخیص و افزایش دقت تشخیص است. همچنین در روش کلاسه‌بندی سه حالت وقوع جزیره، اتصال مجدد به شبکه و سایر رخدادها در نظر گرفته شده است. تابع هدف این مسئله به‌صورت مجموع وزن‌دار ضریب زمان و خطای تشخیص رله تعریف شده است. با توجه به این‌که ورودی‌های مسئله تشخیص می‌توانند پارامترهای مختلف شبکه مانند فرکانس، ولتاژ، جریان، توان و یا مولفه‌های توالی آن‌ها و یا نرخ تغییرات آن‌ها باشند، متغیرهای مسئله بهینه‌سازی، تعداد و نوع پارامترهای ورودی مسئله کلاسه‌بندی در نظر گرفته شده است. از الگوریتم ژنتیک برای حل این مسئله بهینه‌سازی و از روش ماشین بردار پشتیبان برای کلاسه‌بندی استفاده شده است. به‌منظور بررسی صحت روش پیشنهادی، حالات مختلفی از شرایط بهره‌برداری ریزشبکه در نظر گرفته شده و در هر حالت، رخدادهای متفاوتی مدل‌سازی شده‌اند. مقایسه نتایج حاصله با نتایج سایر مقالات برتری روش پیشنهادی را نشان می‌دهد.

An Optimal Approach for Determining Microgrid State of Connection to Utility with Local Information

For correct performanceof protection and control systems in microgrids, the islanding conditions should be identified as soon as possible.In this paper, an optimal method is proposed to determine the input parameters of classification method by using local information. The goal of optimization is to minimizie the time and maximize the percision of microgrid connection state detection. Also, in classification method, three states, i.e. islanding, reconnecting to the utility and other events are considered. The objective function of this problem is defined as summation of weighted time factor and detection error. The inputs of the islanding detection problem can be a large number of network parameters such as frequency, voltage, current, power, their sequence components or the rate of change. Consequently, the variables of the classification problem are the number and type of input parameters of the classification problem.The genetic algorithm is used to solve this optimal problem, and support vector machine is used for the classification. In order to assess the validity of the proposed method, different situations are considered for the operation of the grid, and in each case, different events are modeled. The results are compared with the methods of other papers, and the advantage of the suggested method is shown.