مطالعه روشهای نوین هوش مصنوعی به منظور تشخیص خطا در سیستمهای قدرت

در سالهای اخیر تشخیص و پیشبینی خطاها در سیستمهای قدرت به یکی از چالشهای اصلی مهندسی برق تبدیل شده است. در این پژوهش، الگوریتم ماشین بردار پشتیبان (SVM) به منظور شناسایی و پیشبینی خطاهای تکفاز، دوفاز، سه فاز و شرایط بدون خطا در سیستمهای قدرت مورد بررسی قرار گرفت. داده های شبیه سازی شده از یک شبکه قدرت ۱۳۲ کیلوولت شامل ولتاژ، جریان، زاویه فاز و هارمونیک ها به عنوان ورودی مدل استفاده شدند. نتایج نشان داد که مدل SVM با هسته RBF و تنظیمات بهینه C=۱ و γ=scale بهترین عملکرد را ارائه داد و دقت کلی ۹۵، F۱-Score برابر با ۹۴ و نرخ تشخیص صحیح میانگین ۹۳.۵ به دست آمد. علاوه بر این، زمان آموزش مدل برابر با ۴۲ ثانیه و زمان پیش بینی برای هر ۱۰۰ نمونه کمتر از ۰.۰۲ ثانیه بود که نشان دهنده قابلیت استفاده مدل در شرایط بلادرنگ است. تحلیل حساسیت پارامترها نشان داد که انتخاب مناسب C و γ تاثیر زیادی بر عملکرد مدل دارد. با تنظیم بهینه این پارامترها، مدل توانست دقت بالایی را در شناسایی خطاها حتی در شرایط نویزی به دست آورد. در مقایسه با هسته های دیگر، هسته RBF برتری واضحی از نظر دقت و سرعت نشان داد. همچنین مدل توانست ۹۴ درصد از خطاهای تکفاز و ۹۲ درصد از خطاهای دوفاز را به درستی شناسایی کند. این نتایج نشان دهنده توانایی بالای مدل در تشخیص دقیق و سریع خطاها در سیستم های پیچیده و نویزی است. نتایج این تحقیق نشان می دهند که الگوریتم SVM با هسته RBF و تنظیمات بهینه، ابزاری کارآمد و قابل اعتماد برای تشخیص و پیش بینی خطا در سیستم های قدرت است. این مدل می تواند در سیستم های حفاظتی هوشمند و شبکه های برق هوشمند به کار گرفته شود و به افزایش پایداری و کاهش خاموشی های سیستم های قدرت کمک کند.

کلیدواژه ها:

ماشین بردار پشتیبان (SVM) ، سیستمهای قدرت ، تشخیص خطا ، یادگیری ماشین