کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
5000916 1460859 2018 10 صفحه PDF 25 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله ISI
High impedance fault detection in power distribution systems using wavelet transform and evolving neural network
ترجمه فارسی عنوان
شناسایی خطای امپدانس بالا در سیستم های توزیع برق با استفاده از تبدیل موجک و استنتاج شبکه عصبی
کلمات کلیدی
استنتاج شبکه عصبی، تشخیص الگو، شناسایی خطای امپدانس بالا، سیستم توزیع برق، تبدیل موجک
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2-تشخیص HIF

شکل 1 فلوچارت الگوی تشخیص HIF پیشنهادی.

شکل 2: طرح کلی مدلهای 1و 2 از ATP HIF.   

شکل 3: تغذیه کننده آزمون گذارIEEE 13.

2-1-شبیه سازی HIF در سیستم توزیع برق

الگوریتم. مدل HIF با استفاده از ATP

شکل 4: تحقق DWT با استفاده از یک سکوی فیلتر  .

2-2-تبدیل موجک گسسته

جدول 1.دسته موجک های مورد استفاده برای استخراج ویژگی ها.

شکل 5. سیگنال اصلی جریان، HIF در 0.1 ثانیه اعمال شده است.

شکل 6. موجک Db2، اولین ضریب دقیق.

شکل 7. موجک Sym3، دومین ضریب دقیق. 

شکل 8. روش استخراج ویژگی ها: موجک Sym3-D2 با در نظر گرفتن یک پنجره زمانی 50 نمونه ای اعمال می شود.

3- دسته بندی استنتاجی شبکه عصبی

3-1-سیستم ارتباطی استنتاجی ساده

شکل 9. ساختار عصبی SECoS

3-2-الگوریتم یادگیری SECoS

الگوریتم. آموزش آنلاین  SECoS

4-مطالعه تجربی

4-1-مدل های دسته بندی

4-2-آموزش و فراخوانی مجموعه داده ها

جدول 2. خلاصه مجموعه داده ها

جدول 3. میانگین کارایی دسته بندی کننده ها برای اولین مجموعه داده 

5- نتایج و بحث

5-1-آزمایش های اولیه

شکل 10. ماتریس اغتشاش با توجه به مجموعه داده فراخوانی اول، موجک مادر Bior2.8 و D3.

جدول 4. کارایی میانگین دسته بندی کننده ها برای مجموعه داده فراخوانی دوم

شکل 11- ماتریس اغتشاش دسته بندی کننده ها با توجه به مجموعه داده فراخوانی دوم و Bior 8.2.8- موجک  مادر D3.

5-2- کاوش یادگیری افزایشی SECoS

جدول 5. عملکرد دسته بندی شبکه های عصبی SECoS مبتنی بر یادگیری افزایشی آنلاین 

6-نتیجه گیری 
ترجمه چکیده
این مقاله چگونگی استفاده از یک الگوریتم یادگیری افزایشی بر مبنای جریان داده ها را برای تشخیص خطاهای امپدانس بالا در سیستم های توزیع برق مورد بررسی قرار می دهد. یک روش استخراج ویژگی بر مبنای تبدیل موجک گسسته در ترکیب با یک شبکه عصبی استنتاج یافته، برای تشخیص الگوهای مکانی-زمانی داده های جریان الکتریکی استفاده می شود. دسته موجک های مختلف، از جمله Haar، Symlet، Daubechie، Coiflet و Biorthogonal و سطوح تجزیه مختلف، به منظور فراهم نمودن مشخص ترین ویژگی های تشخیص خطا مورد ارزیابی قرار گرفتند. نشان داده شد که استفاده از یک شبکه عصبی استنتاج یافته روشی نسبتا" مناسب برای تشخیص خطا است، زیرا خطای امپدانس بالا یک مساله متغیر زمانی است. عملکرد (کارایی) سیستم استنتاجی پيشنهادی در تشخيص و دسته بندی خطاها با روشهای هوشمند محاسباتی خوش ساخت: شبکه عصبی perceptron چند لایه، شبکه عصبی احتمالی و ماشین بردار پشتیبانی، مقايسه شد. نتایج نشان داد که سیستم پیشنهادی در برابر تغییرات کارآمد و مستجکم است. عملکرد دسته بندی از مرتبه 99٪ برای تمام دسته بندی کننده ها در شرایطی مشاهده شد که در آن الگوهای خطا در طی آزمون ها تغییر قابل توجهی نداشتند. اگرچه، زمانی که الگوهای خطا از تغییرات تدریجی یا ناگهانی در رفتار خود رنج می برند، افت عملکرد در حدود 13 تا 24 درصد توسط دسته بندی کننده های غیر استنتاجی نشان داده می شود. سیستم استنتاج یافته پس از یادگیری افزایشی، حتی در چنین شرایطی، قادر به حفظ عملکرد خود در تشخیص و دسته بندی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی مهندسی انرژی و فناوری های برق
چکیده انگلیسی
This paper concerns how to apply an incremental learning algorithm based on data streams to detect high impedance faults in power distribution systems. A feature extraction method, based on a discrete wavelet transform that is combined with an evolving neural network, is used to recognize spatial-temporal patterns of electrical current data. Different wavelet families, such as Haar, Symlet, Daubechie, Coiflet and Biorthogonal, and different decomposition levels, were investigated in order to provide the most discriminative features for fault detection. The use of an evolving neural network was shown to be a quite appropriate approach to fault detection since high impedance faults is a time-varying problem. The performance of the proposed evolving system for detecting and classifying faults was compared with those of well-established computational intelligence methods: multilayer perceptron neural network, probabilistic neural network, and support vector machine. The results showed that the proposed system is efficient and robust to changes. A classification performance in the order of 99% is exhibited by all classifiers in situations where the fault patterns do not significantly change during tests. However, a performance drop of about 13-24% is exhibited by non-evolving classifiers when fault patterns suffer from gradual or abrupt change in their behavior. The evolving system is capable, after incremental learning, of maintaining its detection and classification performance even in such situations.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Electric Power Systems Research - Volume 154, January 2018, Pages 474-483
نویسندگان
, , , , , ,