ارائه یک روش هوشمند برای شناسایی و طبقه بندی وقایع کیفیت توان

در این مقاله، یک روش جدید براساس تبدیل s و شبکه عصبی احتمالی به منظور تشخیص اغتشاشات کیفیت توان ارائه شده است. از آنجایی که اغتشاشات کیفیت توان سیگنال‏ های ناایستا هستند، تبدیل s می تواند به طور مؤثری وقایع کیفیت توان را در هر دو حوزه زمان و فرکانس آنالیز نماید. شبکه عصبی احتمالی با استفاده از ویژگی های استخراج شده توسط تبدیل s، به منظور طبقه بندی رخدادهای کیفیت توان، آموزش داده می شود. از آنجایی که روش جدید می تواند ویژگی های بارز سیگنال‏های اغتشاشی را تا حد زیادی بدون از دست رفتن مشخصه اصلی کاهش دهد، حافظه و زمان مورد نیاز برای آموزش اطلاعات کاهش می یابد. از طرف دیگر، در شبکه عصبی احتمالی نیاز به انجام فرایند وقت گیر آموزش نیست و تنها نیاز به تعیین یک پارامتر (به نام عامل هموارساز) می باشد. از آنجایی که این عامل در دقت طبقه بندی کننده تأثیر زیادی دارد از الگوریتم تکاملی بهینه سازی اجتماع ذرات برای تعیین دقیق این پارامتر استفاده شده است. نتایج شبیه سازی نشان می دهد که ترکیب تبدیل s و شبکه عصبی احتمالی به طور مؤثر وقایع کیفیت توان را طبقه بندی می کند. عملکرد روش پیشنهادی در شرایط نویزی مختلف نیز بررسی شده است. نتایج به دست آمده نشان می دهد که این روش حساسیت خیلی کمی به نویز دارد.