تعیین سهم بارهای هارمونیک‌زا در آلودگی هارمونیکی شبکه براساس دسته‌بندی هوشمند اطلاعات اندازه گیری

امروزه برای بهبود کیفیت ولتاژ شبکه، تعیین سهم هریک از منابع ایجادکننده هارمونیک از آلودگی هارمونیکی شبکه ضروری است. با توجه به اینکه خطوط، ترانسفورماتورها، بارها و ژنراتورها در طول زمان تغییر وضعیت می‌دهند، شرایط عملکردی شبکه و امپدانس بخش‌های مختلف به‌طور مکرر تغییر می‌یابند که به تغییر سهم هریک از منابع هارمونیکی منجر می‌شوند. در این مقاله روشی سه مرحله‌ای مبتنی بر روش‌های هوشمند، برای تعیین سهم پیوسته منابع هارمونیک از هارمونیک ولتاژ باس‌های مختلف شبکه بدون نیاز به اطلاعات فاز ولتاژ باس‌های مختلف طراحی شده است. در این الگوریتم به‌منظور کاهش اثر مخرب هارمونیک پس‌زمینه در مرحله پیش‌پردازش اطلاعات اندازه‌گیری از روش خوشه‌بندی k میانگین[i] استفاده شده است. بعد از محاسبه سهم هارمونیک، از روش دسته‌بندی k نزدیک‌ترین همسایه[ii] برای تعمیم نتایج و ایجاد ماتریس پیوست سهم استفاده شده است. در پایان روش پیشنهادی بر یک مثال محاسباتی مبتنی بر شبکه استاندارد اعمال شده است. نتایج نشان می‌دهد الگوریتم پیشنهادی توان آنالیز تاثیر منابع مختلف هارمونیک بر شبکه را دارد.

Determining the Contribution of Harmonic Loads to Harmonic Contamination of the Power Network based on the Intelligent Classification of Measured Data

Nowadays, determining the contribution of the individual consumers to the harmonic contamination is required for improving power quality. Due to changes occurred in lines, transformers, loads and generators over time, network operating conditions and impedance of different sectors are frequently varied resulting in the change in the contribution of harmonic sources. In this paper, an intelligentbased threestep method is developed to continuously determine the contribution of each harmonic source to the harmonic voltage of different buses without any access to the voltage phase data at different buses in the network. In this algorithm, firstly, the Kmeans clustering method is used for preprocessing of the measured data in order to reduce the background harmonic destructive effect on accuracy of the harmonic contribution determination. After calculating the harmonic contribution, the Knearest neighbor method is used to generalize the results, and subsequently to create a continuous harmonic contribution matrix (HCM). Finally, the method is applied to a standard power networkbased calculation example. The results demonstrate the capability of the proposed algorithm to evaluate the effects of harmonic sources in power networks.