کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

Reference

Method

Investigated PQ disturbance type

Overall

accuracy (%)

Noiseless

condition

Noisy

condition

[۴۴]

Hilbert transform and RBF networks

Normal signal,sag,swell, harmonics, transients, voltage flicker

۹۷٫۰۰

۹۴

[۵۱]

Wavelet transform and support vector machines

Pure signal, sag, swell, interruption, harmonics, transient, sag & harmonics, swell & harmonics, flicker

۹۸٫۸۹

۹۶٫۳۳

[۵۲]

Wavelet transform and multi-class relevance vector machines

Pure signal, sag, swell, interruption, harmonics, transient, sag & harmonics, swell & harmonics, flicker

۹۹٫۰۳

۹۸٫۴۷

[۲۷]

Wavelet transform and neural network

Pure signal, sag, swell, interruption, harmonics, sag & harmonics, swell & harmonics

۹۵٫۷۱

۸۹٫۹۲

[۸]

Wavelet transform and neural network

Frequency capacitor switching (high, low), normal, impulsive transient, sag, interruption

۹۲٫۳

–

[۴۷]

Wavelet transform and decision tree

Pure signal, sag, swell, interruption, harmonics, sag & harmonics, swell & harmonics

۹۴٫۹۳

–

This thesis

Combination of wavelet and S transforms and probabilistic neural network

Pure signal, sag, swell, interruption, harmonics, transient, sag & harmonics, swell & harmonics, flicker

۹۹٫۲۲

۹۷٫۴۴

فصل پنجم

نتیجه ­گیری

و پیشنهادات

۵-۱- نتیجه گیری

با وجود اینکه تحقیقات وسیعی در زمینه بررسی وقایع کیفیت توان انجام گرفته است هنوز هم جای خالی یک طبقه ­بندی کننده مناسب برای ویژگی­های منتخب حس می­ شود. در این تحقیق با دامنه وسیعی از ویژگی‌ها که از تبدیل S و WT به دست آمده آغاز کردیم و با چندین روش انتخاب ویژگی، ویژگی­هایی بر پایه اندازه و فرکانس از سیگنال­های اغتشاش که دارای

1. 1. حداقل ابعاد

1. حداکثر قابلیت تفکیک­پذیری

بودند استخراج شده است. تبدیل S و WT قویترین ابزار آنالیز سیگنال‌های نا­ایستا در حوزه زمان و فرکانس هستند. یکی از خصوصیات مهم ویژگی‌های انتخاب شده، تغییرات زیاد ویژگی در اغتشاشات مختلف ‌می‌باشد همینطور دو طبقه بندی کننده مشهور شبکه عصبی و ماشین بردار پشتیبان مورد استفاده قرار گرفته و نتایج آن ها به منظور تعیین بهترین طبقه بندی کننده در مسائل کیفیت توان، با یکدیگر مقایسه شده است. شبکه عصبی به عنوان هسته طبقه ­بندی کننده مناسب استفاده شده است. زیرا در یک وزن خاص پروسه عملیات انجام شده آن بدون تکرار بوده و دارای سرعت عملکرد بالایی در مقایسه با روش اف-اف-ان-ان FFNN است. نتایج شبیه­سازی نشان داده است که ترکیب تبدیل S و موجک با شبکه عصبی به عنوان یک طبقه ­بندی کننده هوشمند به خوبی می ­تواند آشکارسازی وقایع کیفیت توان را حتی در محیط نویزی انجام دهد. ‌بنابرین‏ این روش مونیتورینگ کیفیت توان می ­تواند در کاربردهای سیستم‌های واقعی مورد استفاده قرار گیرد.

به طور خلاصه مزایای ابزار پیشنهادی عبارت است از:

– کمتر بودن ابعاد بردار مشخصه ورودی به طبقه ­بندی کننده نیاز به حجم حافظه کمتر و در نتیجه کاهش حجم محاسبات را منجر می­ شود.

– استفاده از تبدیل S نیاز به تست و انتخاب تبدیل موجک­های مادر متفاوت و انتخاب سطوح تجزیه متعدد ندارد.

– از دو طبقه بندی کننده با دقت بالا استفاده شده و عملکرد آن ها مقایسه شده است.

– استفاده از معادلات پارامتری وقایع کیفیت توان، رنج وسیعی از اغتشاشات را تولید می­ کند.

– درنظرگرفتن وقایع کیفیت توانی که همزمان رخ می­ دهند.

– مقاوم بودن روش در شرایط نویزی.

– دستیابی به بالاترین دقت طبقه ­بندی در مقایسه با تحقیقات قبلی انجام شده در این زمینه.

– جدید بودن روش طبقه ­بندی.

۵-۲- پیشنهادات آینده

در این مقاله از رپرها به عنوان روش های انتخاب ویژگی جهت حذف ویژگی‌های نامناسب و کاهش دامنه بردار ویژگی استفاده شده است. ‌بنابرین‏ نیاز به حافظه و محاسبات سنگین کاهش یافته و قابلیت تعمیم مدل‌های آشکار ساز وقایع کیفیت توان فراهم گردیده است. برای کارهای آتی، جهت روش های انتخاب ویژگی ‌می‌توان از روش های فیلتری به جای رپرها استفاده نمود. فیلترها معمولا نیاز به محاسبات کمتری نسبت به رپرها دارند. خیلی از فیلترها وجود دارند که می ­توانند زیرمجموعه ویژگی‌های مناسب را تولید کنند. ‌بنابرین‏ کارهای ترکیبی بسیاری با بهره گرفتن از فیلترها و طبقه ­بندی کننده­ های مختلف می ­تواند صورت گیرد تا بهترین نتیجه برای طبقه ­بندی کننده وقایع کیفیت توان به دست آید. به طور کلی پیشنهادات را می توان به صورت ذیل دسته بندی کرد:

1. 1. به کار گیری ابزارهای جدید دیگر در زمینه یادگیری ماشین و پردازش سیگنال

1. 1. استفاده از شاخص­ های آماری مختلف دیگر به منظور رسیدن به فضای ویژگی با قابلیت تفکیک پذیری بالا

1. 1. شبیه سازی واقعی یک سیستم قدرت با بهره گرفتن از نرم افزارهای مختلف مانند پی-اس-کد^[۴۹] و ای-ام-تی-پی^[۵۰] به منظور تولید داده های ورودی سیستم تشخیص

1. 1. استفاده از المان­های مختلف تولید کننده اغتشاشات کیفیت توان در شبکه و شبیه­سازی آن ها (مانند: راه اندازی موتور – بانک­های خازن – کوره القایی – توربین بادی و …)

1. تولید و شبیه سازی اغتشاشات ترکیبی گوناگون مانند کمبود ولتاژ با نوسانی گذرا، بیشبود ولتاژ با نوسانی گذرا و….

منابع

1. 1. A. Angrisani , P. Daponte, M. D’Apuzo, Wavelet network-based detection and classification of transients. IEEE Transactions on Instrumentation and Measurement, 50 (2001), 1425–۱۴۳۵٫

1. 1. A. Elmitwally, S. Farghal, M. Kandil, S. Abdelkader, M. Elkateb, Proposed wavelet-neurofuzzy combined system for power quality violations detection and diagnosis, IEE Proc.: Gen. Transm. Distrib. 148 (1) (2001) 15–۲۰٫

1. 1. A. Ibrahim, W. R., & Morcos, M. M. Artificial intelligence and advanced mathematical tools for power quality applications: A survey. IEEE Transactions on Power Delivery, 17 (2002), 668–۶۷۳٫

1. 1. A.M. Gaouda, M.M.A. Salama, M.R. Sultan, A.Y. Chikhani, Power quality detection and classification using wavelet-multiresolution signal decomposition,IEEE Trans. Power Deliv. 14 (4) (1999) 1469–۱۴۷۶٫