期刊名称：Intelligent Systems in Electrical Engineering
印刷版ISSN：2251-6530
电子版ISSN：2252-083X
出版年度：2012
卷号：3
期号：3
页码：55-66
语种：Persian
摘要：يکی از علل اصلی قطعی خطوط انتقال، بويژه برای سطوح ولتاژ بالاتر از kV 345، شکست عايقی ناشی از اضافه‌ولتاژهای کليدزنی است. بنابراين، بررسی اين اضافه‌ولتاژها برای حفاظت خطوط انتقال ضروری است. با توجه به ماهيت آماری برخی عوامل، معمولاً مطالعه ريسک عايقی کليدزنی به صورت آماری و با انجام تعداد زيادی شبيه‌سازی حالت گذرا انجام می‌شود. همچنين، با اضافه‌شدن تجهيز حفاظتی برقگير، توزيع ولتاژ در کليه نقاط به هم ريخته است و بايد تمامی شبيه‌سازی‌ها به‌ازای هر محل استقرار جديد مجدداً تکرار شود که فرايندی پيچيده و زمانبر است. در اين مقاله يک شبکه هوشمند فازی پيشنهاد شده که قادر است در مرحله طراحی با دريافت اطلاعات ساختاری خطوط شبکه، مقدار ريسک عايقی، تعداد قطعی و محل وقوع بيشترين اضافه ولتاژ در شبکه را تعيين کند. اين شبکه هوشمند می‌تواند مستقيماً برای تعيين استقامت عايقی خط و تعيين نقاط بحرانی خط که بهترين کانديد برای نصب برقگير هستند، استفاده شود. همچنين، به طور غيرمستقيم می‌تواند برای تعيين محل بهينه برقگير در شبکه قدرت به کار رود. شبکه هوشمند طراحی شده در مرحله بهره‌برداری نيز می‌تواند برای مشخص کردن ترتيب اولويت برقدار کردن خطوط مختلف پست، به منظور وارد شدن کمترين تنش عايقی به خطوط استفاده شود.
其他摘要：Insulation failure caused by switching overvoltages (SOVs) is one of the main sources of transmission lines’ outage, specially, on voltage levels of 345 kV and above. Therefore, the estimation of SOVs is vital in order to control and/or to reduce the switching–related outages. Due to the stochastic behavior of some of the parameters affecting on SOVs, the study of this phenomenon should be carried out based on a statistical study of the switching. Also, in the case of surge arrester installation on the transmission lines, depending on the location of arrester, voltage profile on line is changed and all the simulation should be performed for each new location of arresters, separately. One can conclude that this procedure is complex and time consuming. In this paper, a fuzzy based meta-model is presented which is be able to estimate the switching surge flashover rate (SSFOR), the maximum value of SOVs on the network and the location where the maximum overvoltage takes place. In the proposed meta model, the effect of altitude on SSFOR and the magnitude of SOVs is considered. This meta-model can be used, directly, for planning the insulation level of transmission lines in order to meet a certain number of outages and locating arresters on the region/nodes of the network of weak operation against SOVs. It is also possible to utilize the proposed meta model, indirectly, for assigning the optimal location of any specified set of arresters on the network without simulating of real network by a transient software, e.g. EMTP/ATP draw. The presented meta model can also be used in the operating stage to decide on the sequence of energizing and re-energizing of different transmission lines connected to the substations with the aim of reducing of maximum SOVs.
