تشخیص و کلاسه بندی خطا در شبکه های هوشمند با استفاده از فازورهای ولتاژ و جریان

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 120

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_DMOR-3-1_007

تاریخ نمایه سازی: 21 اردیبهشت 1401

چکیده مقاله:

این مقاله، یک متدولوژی جهت تشخیص و کلاسه بندی خطاهای رخ داده بر روی خطوط انتقال شبکه های قدرت هوشمند ارائه می کند. در روش پیشنهادی، فازورهای ولتاژ و جریان توسط واحد اندازه گیری فازور (PMU) نصب شده در باس ژنراتور، تخمین زده می شود و سپس زوایای ولتاژ و جریان معادل به دست می آید. این زوایا از طریق تبدیل فوریه سریع) FFT  (آنالیز می شوند و برای تشخیص و کلاسه بندی خطای خط انتقال بکار می روند. تشخیص خطای خط انتقال با استفاده از روش سیستم استنتاج فازی-عصبی صورت می گیرد و کلاسه بندی خطای تشخیص داده شده با استفاده از ماشین بردار پشتیبانی (SVM) انجام می شود. اعتبار سنجی روش پیشنهادی بر روی سیستم ۱۴ باسه IEEE در محیط نرم افزار متلب مورد آزمایش قرارگرفته است.

کلیدواژه ها:

تشخیص و کلاسه بندی خطا ، شبکه هوشمند ، واحد اندازه گیری فازور ، آنالیز تبدیل فوریه ، سیستم استنتاج قازی-عصبی ، ماشین بردار پشتیبان

نویسندگان

محمد صابری

گروه مهندسی برق، موسسه آموزش عالی آیندگان، تنکابن، ایران

بهزاد تقی پور

گروه مهندسی برق، دانشگاه آزاد اسلامی واحد سیاهکل، سیاهکل، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Brown, M. A., & Zhou, S. (۲۰۱۳). Smart‐grid policies: an ...
  • Donnelly, M. K., Dagle, J. E., Trudnowski, D. J., & ...
  • Slootweg, J. G., & Kling, W. L. (۲۰۰۲, July). Impacts ...
  • Gopakumar, P., Reddy, M. J. B., & Mohanta, D. K. ...
  • Ma, J., Zhang, P., Fu, H. J., Bo, B., & ...
  • Hashiesh, F., Mostafa, H. E., Khatib, A. R., Helal, I., ...
  • Song, Y. H., Johns, A. T., Xuan, Q. Y., & ...
  • Dhend, M. H. (۲۰۱۶, October). Efficient fault diagnosis in smart ...
  • Ferrero, A., Sangiovanni, S., & Zappitelli, E. (۱۹۹۵). A fuzzy-set ...
  • Reddy, M. J., & Mohanta, D. K. (۲۰۰۸). Adaptive-neuro-fuzzy inference ...
  • Bo, Z. Q., Aggarwal, R. K., Johns, A. T., Li, ...
  • Oubrahim, Z., Choqueuse, V., Amirat, Y., & Benbouzid, M. (۲۰۱۵, ...
  • Phadke, A. G., Thorp, J. S., & Adamiak, M. G. ...
  • Tziouvaras, D. A., McLaren, P., Alexander, G., Dawson, D., Esztergalyos, ...
  • Lopes, F. V., Santos, W. C., Fernandes, D., Neves, W. ...
  • Vapnik, V. (۱۹۹۸). Statistical learning theory. Wiley, New York ...
  • Hsu, C. W., & Lin, C. J. (۲۰۰۲). A comparison ...
  • Vapnik, V. (۲۰۱۳). The nature of statistical learning theory. Springer science ...
  • Seyedtabaii, S. (۲۰۱۲). Improvement in the performance of neural network-based ...
  • نمایش کامل مراجع