دانلود مقاله ISI انگلیسی شماره 54016 + ترجمه فارسی
عنوان فارسی مقاله

یک دسته‌بندی‌کننده کیفیت توان کارآمد با استفاده از تبدیل موجک و ماشین‌های بردار پشتیبان

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
54016 2014 9 صفحه PDF 21 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
An Analytical Approach for Reliability Evaluation of Distribution Systems Containing Dispatchable and Nondispatchable Renewable DG Units
منبع

Publisher : IEEE (آی تریپل ای)

Journal : IEEE Transactions on Smart Grid, Page(s): 2657 - 2665 ISSN : 1949-3053 INSPEC Accession Number: 14682562

فهرست مطالب ترجمه فارسی
چکیده
واژگان کلیدی
مقدمه
سیستم پردازش اختلال
شکل 1- سیستم پردازش اختلال
مدول پیش‌پردازش
مدول آشکارسازی
مدول استخراج ویژگی
ماشین بردار پشتیبان
مدول دسته‌بندی
شکل 2- تفکیک Hyperplane
روش یک در برابر همه
روش یک در مقابل یک
روش پیشنهادی
پیش‌پردازش
شناسایی
شکل 3- ضریب تبدیل موجک d1
استخراج ویژگی
دسته‌بندی
شکل 4- دسته‌بندی‌کننده SVM
نتایج
 مجموعه یادگیری
جدول 1- مجموعه یادگیری
جدول 2- نتایج آزمایش 1
شکل 5-7 سیگنال‌های بررسی‌شده مختلفی را توصیف می‌کند که شامل اختلالات تطبیق‌یافته توسط ترکیبی از هارمونیک‌ها، افت‌ها و افزایش‌ها می‌باشد.
شکل 5-‌هارمونیک‌ها و افت ولتاژ
شکل 6-‌هارمونیک‌ها و افزایش ولتاژ
شکل 7- افت و افزایش ولتاژ
جدول 3- نتایج آزمایش 2
نتیجه‌گیری
کلمات کلیدی
کیفیت توان، تبدیل موجک، ماشین بردار پشتیبان، آشکارسازی و دسته‌بندی توزیع مرکب
ترجمه چکیده
در این مقاله، ما روشی بر اساس ترکیبی از دسته‌بندی‌کننده‌های باینری ارائه می‌کنیم که برای موارد ویژه‌ای که در آنها سیگنال‌های واقعی شامل گروهی از وقایع موجود در قالب زمانی ارزیابی‌شده می‌باشد، بهینه‌سازی می‌شوند. این نوع از وقایع، به عنوان رویدادهای مرکب شناخته می‌شوند. دسته‌بندی‌کننده کیفیت توان (PQ) پیشنهادی، مبتنی بر تبدیل موجک (WT) و ماشین‌های بردار پشتیبان (SVM) می‌باشند. این روش از یک رویداد در مقابل یک SVM چندکلاسه استفاده می‌کند. ما روش جدیدی را ارائه می‌کنیم که ساده بوده، یادگیری آن آسان است و با هزینه محاسباتی کمی ‌قابل اجرا می‌باشد. الگوریتم پیشنهادی شامل مجموعه‌ای از دسته‌بندی‌کننده‌های SVM باینری ساده می‌باشد. هر گره SVM می‌تواند به طور مجزا مورد بررسی قرار گیرد که این امر به آنها اجازه می‌دهد تا به صورت موازی باشند. یادگیری مرحله به مرحله با استفاده از رویدادهای منفرد انجام می‌شود؛ هر چند که به دلیل ساختار روش یادگیری SVM انتخابی، امکان آشکارسازی رویدادهای مرکب برای سیستم فراهم می‌گردد. آزمایش‌ها و یادگیری‌ها با استفاده از سیگنال‌های پیچیده واقعی انجام شدند و نتایج به‌دست‌آمده نشان می‌دهد که روش یادگیری ارائه‌شده تا حد زیادی کارآمد می‌باشد.
ترجمه مقدمه
با سرمایه‌گذاری جدید در سیستم‌های توزیع برق و گسترش فزاینده انرژی‌های تجدیدپذیر و تجهیزات وابسته، نگاه تازه‌ای به موضوع کیفیت برق عرضه‌شده به مشترکین وجود دارد. وجود علاقه‌مندی بیشتر و برنامه‌های آزمایشی در تکنولوژی شبکه هوشمند این موضوع را به گونه‌ای بسط داده است که با تعیین سیاست‌ها و توافق‌هایی در کل دنیا نشان داده می‌شود. از منظر بهره‌برداری، وجود نیازمندی‌های بیشتر از سوی مشترکین مرتبط با سطح بالای کیفیت توان، این الزامات را افزایش داده‌اند. دلایل اصلی این امر ناشی از به‌کارگیری تجهیزات حساس و نیاز اقتصادی به عملکرد قابل اطمینان سیستم آنها در خلال مدت‌زمان حفظ کیفیت توان مناسب و اعمال علت اصلی برای تمام اغتشاشات می‌باشد. در این حوزه، از گذشته تا به امروز تحقیقات بسیاری (Machado، Bezerra و Pelaes؛ 2009؛ Math HJ. Bollen، 2010؛ Olofsson، 2009؛ Raez، Choong، Sulaiman، Mohd-Yasin و Kamada، 2007؛ Roscoe، Burt و McDonald، 2009؛ Santoso، Powers، Grady و Parsons، 2000؛ Soo-Hwan، Gilsoo و Sae-Hyuk، 2010؛ Stockwell، Mansinha و Lowe، 1996( انجام شده است که پیاده‌سازی این تحقیقات همچنان توسط اکثر بهره‌برداران این تکنیک‌ها دیده می‌شود. یک بررسی مهم در خصوص تشخیص و طبقه‌بندی رویدادهای کیفیت توان که به تازگی انجام شده است، اهمیتی که این موضوع در دنیای امروز دارد را بیان می‌کند (Mahela، Shaik و Gupta، 2015). عوامل متعددی وجود دارند که از این امر جلوگیری کرده‌اند، یعنی : اولویت کمتر در مورد تضمین کیفیت توان بالا، تحلیل علت اصلی دستورالعمل داخلی، مشارکت کمتر تجهیزات حساس به کیفیت توان، تقاضای کمتر مصرف‌کننده و بررسی کیفیت توان، کمبود ابزارهای توانمندی که بتواند به طور آسان و ارزان برای کمک به دسته‌بندی تمام اغتشاشات کیفیت توان موثر باشد. بنا به دلایل ذکرشده در قسمت قبل، بهره‌بردارن به اجرای برنامه‌های پرتکاپو برای شناسایی موضوع کیفیت توان در سیستم‌های خود نیاز خواهند داشت. همچنین باید دارای سیستمی باشند که برای حفظ مطلوبیت، تحلیل علت اصلی برای یادگیری اغتشاشات مشاهده‌شده در سیستم‌های آنها را به سرعت انجام دهد. هر ابزاری که برای کشف، شناسایی و دسته‌بندی هر رویداد PQ به منظور عهده‌دارشدن تحلیل داخلی اغتشاش به آنها کمک کند، بسیار مطلوب می باشد. همچنین به دلیل رشد تکنولوژی‌های تجهیزات حساس غیرخطی (مانند شبکه هوشمند، قطعات FACTS و غیره)، استفاده، یادگیری و تنظیم این ابزارها برای هر نوع اغتشاشی که اغلب پیش می‌آید باید آسان باشد. به تازگی فرایند غیرخودکار تشخیص و دسته‌بندی این وقایع PQ باید مورد پشتیبانی قرار گیرند یا با یک ابزار خارج از خط یا بی‌ردنگ یکپارچه با سیستم مدیریت توزیع (DMS) جایگزین شوند. در رابطه با یک شبکه مدرن، مهم‌ترین موضوعات مربوط به PQ عبارتند از: تحلیل و موقعیت خطا، عملکرد بانک خازنی، تغییر ولت / Var و ناخالصی هارمونیک. توصیف تمام مراحل و روش‌هایی که برای PQ قابل اجرا هستند در ( Bollen و Gu، 2006؛ " روش توصیه‌شده IEEE برای پایش کیفیت توان"، 2009) نشان داده می‌شود. به ویژه، روش‌های دسته‌بندی مبتنی بر تحلیل موجک در تحقیقات انجام‌شده توسط (Gakouda، Salama، Sultan و Chikhani، 1999؛ Jaehak، Powers، Grady و Bhatt، 2002؛ Liyan Liu و Zeng، 2008؛ Santoso، Powers، Grady و Hofman، 1996( معرفی می‌شوند. روش‌های دسته‌بندی مبتنی بر شبکه‌های عصبی مصنوعی (ANN) در تحقیقات انجام‌شده توسط ( Cheng، 2012؛ Monedero و همکاران، 2007؛ Santoso و همکاران، 2000؛ Wijayakulasooriya، Putruns و Minns، 2002) معرفی می‌شوند. در سالیان اخیر، استفادهاز روش‌های جدیدی مبتنی بر ماشین‌های بردار پشتیبان پیشنهاد می‌شود. توصیف کلی این روش در (Cristianini و Shawe-Taylor، 2000) می‌تواند یافت شود. پس از آن کاربرد این روش‌ها برای موضوعات مربوط به PQ ارائه شده است (Biswall، Biswall، Dash و Mishra، 2013). تمام روش‌های مبتنی بر تکنیک یادگیری خطی باید قبل از اجرا در یک مورد واقعی مورد یادگیری قرار گیرند. این روش‌ها به مقدار قابل‌توجهی از اطلاعات شامل رویدادهای مختلف PQ نیاز دارد. به دلیل اینکه دستیابی به سیگنال‌های واقعی از طریق نتایج حاصل از دستگاه‌های اندازه‌گیری بسیار مشکل می‌باشد، این سیستم‌ها با استفاده از سیگنال‌های شبیه‌سازی‌شده مورد مطالعه قرار می‌گیرند. نشریاتی که استفاده از SVM را برای کشف رویدادهای PQ پیشنهاد می‌کنند، مبتنی بر سیگنال‌های شبیه‌سازی‌شده هستند. برخی از آنها از مدل‌های ریاضی سیستم برای شبیه‌سازی رفتار اختلال استفاده می‌کنند (Biswal و همکاران، 2013؛ Chen، Xu، Piao و Yuan، 2009؛ Garcia، Gualdron و Plata 2007؛ Janik و Lobos، 2006؛ Jinsa، Yinghui و Tiefeng، 2009؛ Li و Bao، 2011؛ Mohapatra، Sinha، Panigrahi، Mallick و Hong، 2011؛ Osman، 2007؛ Vega، Kagan، Ordonez و Duarte، 2009). برخی دیگر از آنها از نرم‌افزارهای تجاری استفاده می‌کنند که یک سیستم قدرت را به منظور بازتولید رویدادهای PQ شبیه‌سازی می‌کنند. این سیگنال‌ها به یک پایگاه داده فرستاده می‌شوند و برای یادگیری الگوریتم شناسایی به کار می‌روند (Hamzah، Anuwar، Zakaria و Tahir و 2009؛ Ismail، Zakaria و Hamzah، 2009؛ Ming و Kai-Cheng، 2009؛ Thukaram، Khincha و Ravikunar و 2006؛ Weiming، Xuelei، Jingbo و Zhiheng، 2006؛ Whei-Min، Chien-Hsien، Chia-Hung و Fu-Sheng، 2008(. با وجود اینکه این روش‌ها بسیار مفید هستند، هیچگاه به هنگام استفاده برای یک رویداد واقعی کارآمد نمی‌باشند. برای مثال، در (Axelberg، Gu و Bollen، 2007) محاسبه می‌شود که کارآمدی دسته‌بندی‌کننده به هنگام مورد آزمایش قرار گرفتن برای سیگنال‌های میدان، کاهش می‌یابد. با وجود اینکه برخی از مولفین، تحقیقات خود را متمرکز بر استفاده از سیگنال‌های واقعی می‌نمایند (Axelberg و همکارانt 2007؛ H.Eristi و Demir، 2012؛ Susukh، Premrudeepreechacharn و Kasirawat، 2009)، این شکل موج‌ها تنها یک رویداد در هر لحظه از زمان را نشان می‌دهند. البته این یک مورد متداول نیست؛ زیرا وجود بیش از یک رویداد در یک چارچوب زمانی بسیار معمول است. این نوع اختلالات معمولاً اختلالات مرکب نامیده می‌شود و به دلیل وجود همزمان ویژگی‌های اختلال مختلف، سبب وقوع مشکلات عمده‌ای در خلال مرحله شناسایی می‌شود. مشکلات به‌وجودآمده شامل انجام محاسبات نادرست مشخصه‌ها، ارزیابی اشتباه و دقت پایین دسته‌بندی می‌باشد. به تازگی، روش‌های مختلفی ارائه شدند؛ (Biswal و Dash، 2013) روشی معرفی کردند که در آن از تبدیل S برای استخراج ویژگی‌ها و دسته‌بندی وقایع مبتنی بر روش درخت تصمیم استفاده می‌شود. با اینکه روش مذکور کارآمد می‌باشد، دسته‌بندی‌کننده با استفاده از روش‌های بهینه‌سازی مختلفی طراحی می‌شود و نتایج پس از چندین مرحله تصمیم به دست می‌آید که سبب ایجاد تاخیر در دسته‌بندی می‌شود. ( Cheng و همکاران، 2005) یک دسته‌بندی‌کننده مبتنی بر تبدیل موجک و شبکه عصبی با ساختار دینامیک را پیاده‌سازی کردند. ویژگی‌ها از چندین ضریب موجک استخراج شدند؛ بنابراین به وجود نویز در سیگنال‌های ورودی حساس بوده و به طور مناسب انجام نمی‌شود. امروزه، علاقه محققین به دسته‌بندی‌کننده‌های مبتنی بر ماشین بردار پشتیبان (SVM) به دلیل سادگی آنها افزایش یافته است. (Liu، Li و Wen (2013) روشی معرفی کردند که از انرژی نرمالیزه‌شده ضرایب WT مختلف استفاده می‌کنند و به منظور استخراج ویژگی‌های سیگنال اصلی با روش تحلیل مولفه اصلی (PCA) ترکیب می‌شود. سپس، دسته‌بندی با استفاده از یک SVM انجام می‌شود. این روش عمدتاً در خلال انجام یادگیری مرحله به مرحله پیچیده می‌شود. به علاوه، هر رویداد مرکب باید قبل از یادگیری مرحله‌ای به طور جداگانه شناسایی شود. روش ارائه‌شده در (Liu، Cui و Li 2015)، دسته‌بندی توزیع مرکب را به عنوان یک مساله دسته‌بندی چند موضوعه مورد بررسی قرار می‌دهد. این مقاله روشی بر اساس تکنیک تجزیه مد تجربی جمعی (EEMD) برای استخراج مشخصه‌های سیگنال و یک تکنیک دسته‌بندی چندموضوعه به نام ماشین بردار پشتیبان موجک مرتبه‌ای ارائه می‌دهد. مزیت اصلی این کار، حفظ رابطه بین رویدادهای مختلف می‌باشد که دقت روش به‌کاررفته را افزایش می‌دهد. البته حداکثر تعداد مراحل تجزیه به منظور پوشش تمام مشخصه‌های اختلالات مرکب، یازده مرحله می‌باشد؛ این موضوع از نقطه نظر محاسباتی ممکن است پرهزینه باشد. به علاوه، از آنجا که SVM موجک مرتبه‌ای یک طرح دسته‌بندی مرکب است، نمونه‌هایی از تقسیم‌بندی‌های چندگانه ارائه می‌شود. بر اساس تحلیل نیازهای اخیر و ارزیابی روش‌های ارائه‌شده مختلف، این نتیجه حاصل می‌شود که نیاز به توسعه مجموعه الگوریتم‌های جدیدی وجود دارد که بتواند رویدادهای مرکب را مدیریت کند، به لحاظ اجرایی آسان بوده و هزینه محاسباتی پایینی داشته باشد. این مقاله روشی بر اساس ترکیب دسته‌بندی‌کننده‌های باینری ارائه می‌دهد که برای سیگنال‌های واقعی رویداد مرکب بهینه می‌شود. دسته‌بندی‌کننده PQ ارائه‌شده مبتنی بر تبدیل موجک (WT) و ماشین‌های بردار پشتیبان (SVM) می‌باشد. این روش از یک رویداد در مقابل یک SVM چندکلاسه استفاده می‌کند. نقش اصلی روش ارائه‌شده این است که برای دسته‌بندی‌کننده‌هایی که باید با استفاده از رویدادهای PQ مجزا و ناشی از ساختار پردازش موازی آنها تحت بررسی قرار گیرند، قادر است تا به طور موفقیت‌آمیزی اختلالاتی که شامل بیش از یک رویداد در یک چارچوب زمانی هستند را شناسایی کند. انجام این عمل شناسایی از طریق یادگیری سیستم با استفاده از سیگنال‌های رویداد منفرد به طور موفقیت‌آمیزی صورت می‌گیرد. استفاده از روش مبتنی بر SVM پیشنهادی، این امکان را برای یک رویداد فراهم می‌کند تا هر دسته‌بندی‌کننده باینری به طور مجزا تنظیم شود؛ به علاوه، چونکه هر دسته‌بندی‌کننده به طور جداگانه مورد استفاده قرار می‌گیرد، می‌تواند به صورت موازی استفاده شود، به لحاظ هزینه محاسباتی بسیار مناسب می‌باشد. علاوه بر این، روش پیشنهادی به سیستم اجازه می‌دهد تا مجموعه‌ای از ویژگی‌ها را به طور ویژه برای هر دسته‌بندی‌کننده باینری مطابق با اختلالات جداگانه‌ای که باید دسته‌بندی شوند انتخاب کند؛ بنابراین عملکرد سیستم را بهبود می‌بخشد. به دلیل استفاده از تعداد ضرایب کمتر، عملکرد بهتری حاصل می‌شود و از آنجایی که این روش دسته‌بندی تک موضوع استف ساده‌تر از روش ارائه‌شده در (Liu، Cui و Li 2015) می‌باشد. آزمایش‌ها با استفاده از سیگنال‌های واقعی ثبت‌شده در میدان به جای سیگنال‌های شبیه‌سازی‌شده انجام شدند که این امر سبب دستیابی به یک دسته‌بندی‌کننده توانمند واقعی می‌شود. این ویژگی‌های مهم، طرح پیشنهادی ما را متمایز از دسته‌بندی‌کننده‌های تحقیقات قبلی می‌کند. ترتیب مطالب مقاله به شکل زیر می‌باشد: نخست مروری بر سیستم پردازش اختلال آن ارائه می‌شود؛ سپس، یک شرح جزئی از مهم‌ترین مفاهیم مربوط به ماشین بردار پشتیبان معرفی می‌شود. بعد از آن، روش ارائه‌شده توصیف می‌شود و بهترین نتایج نشان داده می‌شوند. در نهایت، نتایج مقتضی مورد بحث قرار می‌گیرد.
پیش نمایش مقاله
پیش نمایش مقاله یک دسته‌بندی‌کننده کیفیت توان کارآمد با استفاده از تبدیل موجک  و ماشین‌های بردار پشتیبان

چکیده انگلیسی

With ever increasing penetration of renewable distributed generation (DG) in distribution systems, power restoration of remote distribution feeders under emergency conditions tends to be carried out with the support of renewable DG units. The available power from the renewable DG units ensures restoration of more number of affected customers, thus, improving overall system reliability. In this paper, a probabilistic based analytical method is developed to assess system reliability in terms of system average interruption duration index and system average interruption frequency index for distribution feeders containing dispatchable and nondispatchable renewable DG units. The proposed method has been developed by implementing DG side restoration with comprehensive technical considerations, including possible failures of DG units, time-dependent patterns of load demand and DG power output, and single-stage and two-stage restoration. The proposed analytical method is validated by comparing with the Monte Carlo simulation and results are presented.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.