ارائه روش پیشنهادی با استفاده از شبکه عصبی کانولوشن عمیق و شبکه عصبی حافظه کوتاه مدت بلند مدت دو طرفه برای طبقه بندی موثر اختلالات کیفیت توان

با افزایش استفاده از منابع انرژی تجدیدپذیر و میکرو شبکه ها، کیفیت برق با چالش های جدیدی مواجه شده است. اختلالات کیفیت برق (PQD) مانند نوسانات ولتاژ، جریان و فرکانس، به دلیل عوامل مختلفی مانند نوسانات منابع انرژی تجدیدپذیر، تجهیزات الکترونیکی قدرت و بارهای غیرخطی رخ می دهند. روش های سنتی شناسایی PQD، که بر تحلیل سیگنال، انتخاب ویژگی و طبقه بندی متکی هستند، اغلب با دقت و مقاومت در برابر نویز محدودیت دارند. این مقاله یک روش جدید یادگیری عمیق حلقه بسته برای طبقه بندی PQD ارائه می کند که از شبکه عصبی کانولوشن عمیق (CNN) و حافظه کوتاه مدت بلند مدت دو طرفه (BiLSTM) استفاده می کند. این روش با استخراج خودکار ویژگی ها توسط CNN، نیاز به پردازش سیگنال سنتی وفرآیند استخراج ویژگی دستی را حذف می کند. ساختار واحد به طور خاص طراحی شده، شامل لایه های کانولوشن یک بعدی، pooling و نرمال سازی دسته ای، به طور موثر ویژگی های چند مقیاسی را می گیرد و از overfittingجلوگیری می کند. شبکه BiLSTM به دنبال یک لایه کاملا متصل برای مدل سازی روابط غیرخطی پیچیده بین ویژگی های استخراجی از شبکه عصبی کانولوشن و پیش بینی وضعیت طبقه بندی خروجی است. نتایج نشان می دهد که روش پیشنهادی به طور قابل توجهی دقت، کارایی و مقاومت در برابر نویز را در مقایسه با روش های سنتی بهبود می بخشد.

کلیدواژه ها:

اختلالات کیفیت برق ، شبکه های عصبی کانولوشن عمیق ، استخراج ویژگی ، شبکه های عصبی حافظه کوتاه مدت بلند مدت دو طرفه