بررسی کاربرد مدل های پیشرفته یادگیری عمیق در تحلیل کیفیت توان (Power Quality) و کاهش هارمونیک ها در شبکه های الکتریکی مدرن

هدف از این پژوهش بررسی کاربرد مدل های پیشرفته یادگیری عمیق (Deep Learning) در تحلیل کیفیت توان الکتریکی (Power Quality) و ارزیابی نقش آن ها در شناسایی، پیش بینی و کاهش هارمونیک ها در شبکه های الکتریکی مدرن می باشد. این مطالعه با تمرکز بر بهبود عملکرد سیستم های قدرت، افزایش پایداری شبکه و کاهش تلفات ناشی از اعوجاجات هارمونیکی انجام شده است.این پژوهش به روش مروری (تحلیلی–کتابخانه ای) انجام شده و در آن منابع علمی معتبر، مقالات پژوهشی جدید و مطالعات موردی مرتبط با کاربرد شبکه های عصبی عمیق، یادگیری ماشین و الگوریتم های هوش مصنوعی در حوزه کیفیت توان مورد بررسی قرار گرفته است. همچنین عملکرد مدل هایی مانند شبکه های عصبی کانولوشنی (CNN) و شبکه های بازگشتی (RNN) در تشخیص الگوهای هارمونیکی و تحلیل سیگنال های الکتریکی ارزیابی شده است.یافته های این پژوهش نشان می دهد که مدل های یادگیری عمیق توانایی بالایی در تشخیص دقیق اعوجاجات هارمونیکی، شناسایی سریع خطاهای کیفیت توان و پیش بینی شرایط غیرعادی شبکه دارند. همچنین استفاده از این مدل ها موجب افزایش دقت تحلیل سیگنال های الکتریکی نسبت به روش های سنتی، کاهش زمان تشخیص خطا و بهبود تصمیم گیری در سیستم های مدیریت انرژی می شود.نتایج کلی پژوهش بیانگر آن است که به کارگیری مدل های پیشرفته یادگیری عمیق نقش مهمی در ارتقای کیفیت توان الکتریکی و کاهش اثرات منفی هارمونیک ها در شبکه های مدرن دارد. این فناوری می تواند به عنوان یک ابزار کلیدی در توسعه شبکه های هوشمند (Smart Grids)، افزایش بهره وری انرژی و بهبود پایداری سیستم های قدرت مورد استفاده قرار گیرد. در نهایت، استفاده گسترده از هوش مصنوعی در این حوزه، مسیر جدیدی برای هوشمندسازی صنعت برق و ارتقای عملکرد سیستم های الکتریکی فراهم می سازد.

کلیدواژه ها:

: یادگیری عمیق ، کیفیت توان ، هارمونیک ، شبکه هوشمند ، هوش مصنوعی