تشخیص و طبقه بندی اختلالات کیفیت توان با تبدیل S چند رزولوشنی و شبکه عصبی کانولوشن عمیق

امروزه بحث کیفیت توان از مسایل مهم در زمینه برق قدرت می باشد به طوری که کیفیت توان به عنوان یک پارامتر مهم در انتخاب و خریداری وسایل و خریداری برق از شرکت های توزیع می باشد. اولین موضوعی که در این زمینه مطرح می شود، شناسایی و طبقه بندی اختلالات کیفیت توان است . برای طبقه بندی یک اختلال باید مشخصات زمانی و فرکانسی آن در اختیار باشد. در این مقاله از تبدیل S چند رزولوشنی برای استخراج مشخصات سیگنال اختلال استفاده می شود. تبدیل S کامل ترین روش زمان- فرکانسی است که بعد از تبدیل فوریه و تبدیل موجک مطرح شده است . خروجی تبدیل S به صورت ماتریسی با درایه های مختلط است که اطلاعات مربوط به دامنه بر حسب زمان و فرکانس و همچنین اطلاعات فاز سیگنال ورودی را در خود دارد. در این مقاله برای طبقه بندی اختلالات، ابتدا ماتریس تبدیل S چند رزولوشنی اعمال شده بر روی سیگنال های اختلال را به تصاویر رنگی تبدیل می کنیم . سپس برای هر اختلال ۳۰۰ نمونه تصویر رنگی ایجاد کرده و تصاویر رنگی بدست آمده از هر اختلال را به عنوان داده ورودی شبکه عصبی کانولوشن عمیق در نظر می گیریم . در این مقاله از شبکه عصبی کانولوشن عمیق با معماری گوگل نت استفاده می شود. بعد از آموزش شبکه عصبی کانولوشن و رسیدن یادگیری به حد مطلوب، شبکه ویژگی های هر اختلال را ذخیره و بر اساس آنها اختلالات کیفیت توان را طبقه بندی می کند. دقت طبقه بندی در روش ارائه شده ۲۶.۹۹ درصد می باشد.

کلیدواژه ها:

انتخاب ویژگی ، تبدیل S ، شبکه عصبی کانولوشن ، طبقه بندی اختلالات ، کیفیت توان ، گوگل نت .