شبیه سازی و طبقه بندی وقایع کیفیت توان با استفاده از هوش مصنوعی
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه سمنان - دانشکده برق و کامپیوتر
- author جواد آذرخش
- adviser زهرا مروج
- publication year 1391
abstract
استفاده ی روز افزون از تجهیزات الکترونیکی و بارهای غیر خطی در سیستم قدرت، مسئله ی کیفیت توان در سیستم قدرت را به یک موضوع مهم تبدیل کرده است. در این پایان نامه برای شبیه سازی وقایع کیفیت توان که در اینجا ده واقعه ی سینوسی خالص، ضربه، گذرا، فلیکر، هارمونیک، فرو رفتگی ولتاژ، برآمدگی ولتاژ، تغییرات فرکانس، شکاف ولتاژ و وقفه می باشند به طور همزمان از دو مدل ریاضی و داده های حاصل از شبیه سازی با نرم افزار pscad استفاده شده است. به این دلیل که وقایع رخ داده در یک سیستم قدرت واقعی تحت اختیار ما نیست و ممکن است در هر لحظه ای و با هر دامنه ای اتفاق بیفتند در مجموع از هر واقعه 600 نمونه شبیه سازی شده اند تا دامنه ی کاملی از وقایع پوشش داده شود. با توجه به عملکرد بسیار خوب شبکه های عصبی در کارهای تشخیص الگو و طبقه بندی، در این پایان نامه برای طبقه بندی وقایع کیفیت توان از شبکه ی عصبی mlp استفاده شده است. با توجه به اینکه شبکه ی عصبی توانایی بسیار بالایی در شبیه سازی روابط غیر خطی دارد، در عمل توانایی خودرا برای تشخیص الگو و طبقه بندی وقایع نشان داده است. برای استخراج ویژگی های سیگنال ها از دو تبدیل، یکی تبدیل stft و دیگری تبدیل موجک گسسته (dwt) استفاده شده است. در تبدیل موجک گسسته از موجک db4 به عنوان موجک مادر استفاده شده است و عملیات تجزیه در 3 سطح انجام گرفته است. پس از طبقه بندی وقایع با استفاده از mlp، مقاومت شبکه ی عصبی در مقابل وجود نویز در سطوح مختلف مورد بررسی قرار گرفته است. در پایان نتایج به دست آمده در این پروژه با نتایج تحقیقات دیگر مقایسه شده است.
similar resources
شبیه سازی و طبقه بندی وقایع کیفیت توان با استفاده از شبکه عصبی
امروزه استفاده ی روز افزون از تجهیزات الکترونیکی و بارهای غیر خطی در سیستم قدرت، مسئله کیفیت توان را به یک موضوع مهم تبدیل کرده است. در این مقاله برای شبیه سازی وقایع کیفیت توان به طور همزمان از دو روش مدل سازی ریاضی و داده های حاصل از شبیه سازی با نرم افزار Pscad استفاده شده است. با توجه به عملکرد بسیار خوب شبکه های عصبی در کارهای تشخیص الگو و طبقه بندی، شبکه عصبی چند لایه برای طبقه بندی وقایع...
full textشبیه سازی و طبقه بندی وقایع کیفیت توان با استفاده از شبکه عصبی
امروزه استفاده ی روز افزون از تجهیزات الکترونیکی و بارهای غیر خطی در سیستم قدرت، مسئله کیفیت توان را به یک موضوع مهم تبدیل کرده است. در این مقاله برای شبیه سازی وقایع کیفیت توان به طور همزمان از دو روش مدل سازی ریاضی و داده های حاصل از شبیه سازی با نرم افزار pscad استفاده شده است. با توجه به عملکرد بسیار خوب شبکه های عصبی در کارهای تشخیص الگو و طبقه بندی، شبکه عصبی چند لایه برای طبقه بندی وقایع...
full textارائه 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 آنجا...
full textارائه 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 آنجا...
full textطبقه بندی رخساره ها با استفاده از تکنیک هوش مصنوعی
یکی از اهداف برداشت¬های لرزه¬ای ارائه مدلی از روند تغییرات مخزن و به نقشه در آوردن ناهمسانگردی موجود در لایه¬های زیرسطحی است. این در حالی است که داده¬های مربوط به نگار-های مختلف چاه می¬توانند برآوردهای دقیق¬تری از تغییرات مخزن ارائه نمایند اما این داده¬ها یک بعدی بوده و برای اعماق مشخصی برداشت می¬شوند. بنابراین اگر بتوان مقادیر پارامترهای مخزنی که از داده¬های چاه به دست می¬آیند به داده¬های لرزه...
My Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه سمنان - دانشکده برق و کامپیوتر
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023