دانلود مقاله ISI انگلیسی شماره 52965
ترجمه فارسی عنوان مقاله

تخمین فرکانس تطبیقی سیستم های قدرت سه فاز با اندازه گیری های نویزی

عنوان انگلیسی
ADAPTIVE FREQUENCY ESTIMATION OF THREE-PHASE POWER SYSTEMS WITH NOISY MEASUREMENTS
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
52965 2013 5 صفحه PDF
منبع

Publisher : IEEE (آی تریپل ای)

Journal : Acoustics, Speech and Signal Processing (ICASSP), Date of Conference: 26-31 May 2013 Page(s): 2848 - 2852 ISSN : 1520-6149

فهرست مطالب ترجمه فارسی
چکیده 

کلمات کلیدی

1-    مقدمه

2-    الگوریتم پیشنهادی

3-    مطالعات عددی

4-    نتیجه گیری

شکل1. ولتاژ پیشین الگوریتمهای مختلف هنگامی که سیستم متعادل است.

شکل2.. میانگین مربعات خطای الگوریتمهای مختلف هنگامی که سیستم متعادل است.

شکل3. ولتاژ پیشین الگوریتمهای مختلف هنگامی که سیستم نامتعادل است.

شکل4.. میانگین مربعات خطای الگوریتمهای مختلف هنگامی که سیستم نامتعادل است.
ترجمه کلمات کلیدی
تخمین فرکانس تطبیقی، بهینه سازی تندترین گرادیان، شبکه های هوشمند، حداقل مربعات کلی، مدلسازی خطی گسترده -
کلمات کلیدی انگلیسی
adaptive frequency estimation, gradientdescent optimization, smart grids, total least-squares, widely-linear modeling.
ترجمه چکیده
مسئله تخمین فرکانس یک سیستم قدرت سه فاز را با یک روش تطبیقی و کم هزینه هنگامی که خوانده های ولتاژ به خطا و نویز مشاهده ای آلوده می شوند، بررسی می کنیم. یک مدل پیش بینی خطی گسترده را برای سیگنال پیچیده سیستمی که توسط تبدیل کلارک بدست می آید، فرض می کنیم. به منظور تخمین پارامترهای مدل در حالتی که نویز را هم در ورودی و هم در خروجی مدل جبران می کنند، از نظرات تطبیق حداقل مربعات کلی و بهینه سازی تندترین کاهش( گرادیان) استفاده می کنیم. نتیجه، یک الگوریتم بهبود یافته حداقل مربعات کلی با تندترین گرادیان(AGDTLS) است که دارای پیچیدگی محاسباتی قابل مقایسه با الگوریتم های حداقل مربعات میانگین مختلط(CLMS) و CLMS بهبود یافته(ACLMS) است. نتایج شبیه سازی نشان می دهند که الگوریتم پیشنهادی به طور چشمگیری عملکرد تخمین فرکانس را در مقایسه با CLMS و ACLMS هنگامی که ولتاژهای اندازه گیری شده نویزی هستند و بویژه در سیستم های نامتقارن، بهبود می دهد.
ترجمه مقدمه
شبکه های هوشمند برای بهبود بازدهی، قابلیت اطمینان، اقتصاد و تداوم تولید، توزیع و مصرف انرژی الکتریکی، با یک روش اتوماتیک بر اطلاعاتمربوط به رفتار مصرف کنندگان و تامین کنندگان متمرکز می شوند و تاثیر می گذارند. تخمین دقیق فرکانس برق برای بررسی وضعیت سلامتی شبکه برق و مطمئن شدن از قابل اطمینان بودن اندازه گیری سایر پارامترهای سیستم از قبیل ولتاژها، جریانها، و توانهای اکتیو و راکتیو، بسیار مهم است. اقتصاد بازار احتمالا سیستم های برق را به سمت دقیقتر عمل کردن با محدودیت هایشان می برد که مستلزم تعادل کامل تولید بار است.انحراف فرکانس سیستم از مقدار نامی،یک عدم تعادل را بین تولید برق و تقاضای بار نشان می دهد. بنابراین، در کاربردهای حفاظتی و کنترلی بسیاری از سیستم های برق نیاز به تخمین سریع و دقیق فرکانس سیستم می باشد. یک تخمین فرکانس اشتباه می تواند منجر به بی باری ناکافی توسط رله های فرکانس شود، که به نوبه خود ممکن است نهایتا منجر به خرابی ناگهانی شود. تحقیقات در مورد تخمین فرکانس سیستم های برق به دهه های تولید یک مجموعه از آثار( مثل: ببینید(2) و (22) را و مراجع موجود در آنها را)برمیگردد.روش های متعددی بر اساس تکنیک نقطه تقاطع صفر، حلقه بسته فازی، فیلترینگ تطبیقی حداقل مربعات، و فیلتر توسعه داده شده کالمن، با شهرتهای کم، برای تخمین فرکانس سیستم برق پیشنهاد شده است. اکثر این روشها بر خوانده های ولتاژ یک سیستم تک فازمتکی هستند. در سیستم های سه فاز، هیچ یک از تکفازها نمی توانند لزوما مشخص کننده کل سیستم و خصوصیات آن باشند. بنابراین، یک تخمینگر نیرومند فرکانس باید اطلاعات هر سه فاز را در نظر بگیرد. با بکار بردن تبدیل کلارک ( که به عنوان تبدیل شناخته می شود)، یک سیگنال تک پیچیده می تواند برای دربرگرفتن اطلاعات سه فاز استفاده شود. این نشان می دهد که فرکانس سیستم برق سه فاز می تواند با استفاده از یک مدل پیش بینی خطی برای این سیگنال پیچیده ( سیگنال ) تخمین زده شود. با این وجود، از آنجایی که سیگنال نامناسب است ( قسمتهای حقیقی و موهومی آن دارای خصوصیات آماری مختلف هستند) هنگامی که سیستم نامتعادل است ( مثل: ولتاژهای پیک مختلف مشخصه فازها)، بهتر است توسط یک مدل خطی گستردهتوصیف شود تا با یک مدل صرفا خطی. در (21)، یک الگوریتم برای تخمین فرکانس سیستم های برق سه فاز با استفاده از سیگنال بر اساس الگوریتم حداقل مربعات میانگین مختلط خطی گسترده (بهبود یافته)، (ACLMS)، ایجاد شده است. در موقعیت های عدم تطبیق، این الگوریتم به طرز چشمگیری از همتای صرفا خطی آن که در (20) پیشنهاد شده است، و بر اساس الگوریتم حداقل مربعات میانگین مختلط(CLMS) است، بهتر عمل می کند، این در حالی است که از سادگی و پایداری عددی الگوریتمهای نوع LMS لذت می بریم. با این وجود، یک محیط بدون نویز فرض می شود، یعنی جایی که اندازه گیری های ولتاژ دقیق و بدون خطا هستند. چنین فرضیاتی اغلب غیر واقع بینانه هستند زیرا چندین نوع خطا می توانند اندازه گیری ها را منحرف کنند، مثل: خطاهای نمونه گیری، کوانتشو دستگاه اندازه گیری. بنابراین، عملا این الگوریتم ممکن است بدلیل نقصی که بیانگر خطا در سیگنالها است، دارای یک عملکرد تخمینی ضعیف باشد. حداقل مربعات کلی (TLS) یک روش تطبیقی است که دقت تکنیک های تخمین حداقل مربعات را هنگامی که هم داده ورودی و هم داده خروجی سیستم خطی مورد هدف خطای مشاهداتی قرار می گیرند، بهبود می دهد. TLSاغتشاش را در داده ورودی و خروجی مینیمم می کند، که برای تطبیق ورودی با خروجی نیاز است. در این مقاله، یک الگوریتم تخمین فرکانس را برای سیستم های قدرت سه فاز با فرض مشاهدات ولتاژ فازی نویزی ایجاد کرده ایم. برای این هدف، از مفاهیم تطبیق سازی TLS و بهینه سازی تندترین گرادیان برای محاسبه پارامترهای یک مدل پیش بینی خطی گسترده، که برای سیگنال در نظر گرفته می شود، استفاده می کنیم. سپس فرکانس سیستم با استفاده از پارامترهای مدل محاسبه می شود. شبیه سازی ها نشان می دهند هنگامی که ولتاژهای فاز با نویز اندازه گیری می شوند عملکرد الگوریتم جدید بهتر از الگوریتم ACLMS است، در حالیکه از لحاظ محاسباتی کارامدتر از ACLMS است.
پیش نمایش مقاله
پیش نمایش مقاله  تخمین فرکانس تطبیقی سیستم های قدرت سه فاز با اندازه گیری های نویزی

چکیده انگلیسی

We examine the problem of estimating the frequency of a three-phase power system in an adaptive and low-cost manner when the voltage readings are contaminated with observational error and noise. We assume a widely-linear predictive model for the a{3 complex signal of the system that is given by Clarke's transform. The system frequency is estimated using the parameters of this model. In order to estimate the model parameters while compensating for noise in both input and output of the model, we utilize the notions of total least-squares fitting and gradient-descent optimization. The outcome is an augmented gradientdescent total least-squares (AGDTLS) algorithm that has a computational complexity comparable to that of the complex least mean square (CLMS) and the augmented CLMS (ACLMS) algorithms. Simulation results demonstrate that the proposed algorithm provides significantly improved frequency estimation performance compared with CLMS and ACLMS when the measured voltages are noisy and especially in unbalanced systems.