ترجمه فارسی عنوان مقاله

دسته‌بندی‌کنندۀ زمان واقعی اغتشاشات کیفیت توان مبتنی بر DSP-FPGA

عنوان انگلیسی

DSP-FPGA Based Real-time Power Quality Disturbances Classifier

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
54030	2010	6 صفحه PDF

منبع

Publisher : IEEE (آی تریپل ای)

Journal : Transmission and Distribution Conference and Exposition, 2010 IEEE PES, Date of Conference: 19-22 April 2010 Page(s): 1 - 6 Print ISBN: 978-1-4244-6546-0 Conference Location : New Orleans, LA, USA

فهرست مطالب ترجمه فارسی

چکیده

مقدمه

استخراج ویژگی مبتنی بر RMS و FFT

اغتشاشات کیفیت توان

استخراج ویژگی مبتنی بر RMS و FFT

شکل.1 درخت دسته‌بندی کنندۀ کیفیت توان

جدول1 ویژگی‌های سیگنال اغتشاش

درخت تصمیم قانون‌محور و دسته‌بندی

تست‌ها و بحث

شکل2. سیگنال‌های کیفیت توان اغتشاش

جدول2 تست دسته‌بندی اغتشاش

شکل3. دیاگرام بلوکی پیکربندی سخت‌افزاری

شکل4. فلوچارت سخت‌افزار

شکل5. اتصال تجهیزات تست.

شکل6. موارد تست دسته‌بندی

شکل7. زمان صرف شدۀ DSP

نتیجه‌گیری

ترجمه کلمات کلیدی

تبدیل فوریۀ گسسته، اغتشاشات کیفیت توان، دسته‌بندی‌کنندۀ زمان واقعی، RMS، درخت تصمیم قانون‌محور

کلمات کلیدی انگلیسی

Classification tree analysis Decision trees Digital signal processing Discrete Fourier transforms Frequency estimation Instruments Pattern recognition Power quality Testing Time frequency analysis

ترجمه چکیده

- این مقاله یک روش دسته‌بندی زمان واقعی اغتشاشات کیفیت توان (PQ) مبتنی بر DSP-FPGA را معرفی می‌کند. روش ارائه شده به طور همزمان از نتایج بدست آمده از کاربرد مجموعه مقادیر RMS (موثر) و تبدیل فوریۀ گسستۀ شکل موج سیگنال توان استفاده می‌کند. مجموعه مقادیر RMS به منظور تخمین پارامترهای حوزۀ زمان اغتشاشات PQ به کار می‌روند و تبدیل فوریۀ گسسته با هدف تایید پارامترهای حوزۀ فرکانس اغتشاشات PQ به کار می‌رود. بدون افزایش بار محاسباتی، هر دوی پارامترهای اولیۀ سیگنال توان و نوع اغشاش PQ به راحتی به دست می‌آیند. یک روش ساده و موثر برای دسته‌بندی نه نوع معمول اغتشاش PQ در این مقاله ارائه می‌شود. پنج ویژگی آماری متمایز زمان- فرکانس هر نوع اغتشاش PQ استخراج می‌شود. با استفاده از درخت تصمیم قانون‌محور (RBDT)، الگوی اغتشاشات PQ را می‌توان به راحتی تشخیص داد و نیازی به هیچ دسته‌بندی کنندۀ پیچیدۀ دیگری نیست. در نهایت، این روش با استفاده از هر دو اغتشاش شبیه‌سازی شده و اغتشاشات اندازه‌گیری شده با استفاده از یک ابزار توسعۀ اولیه، تست می‌شود. نتایج مختلف تجربی نشان دهندۀ کارائی خوب این روش پیشنهادی است. زمان محاسباتی زمان واقعی مبتنی بر DSP نیز در نظر گرفته شده است تا کارائی روش پیشنهادی نشان داده شود.

ترجمه مقدمه

کیفیت توان (PQ) اخیرا به یکی از معضلات اصلی هر دوی تامین‌کنندگان و مصرف‌کنندگان الکتریکی تبدیل شده است. یک دلیل آن است که به دلیل افزایش بارهای آلاینده‌ (مثل بارهای غیرخطی، بارهای متغیر با زمان، بارهای نوسانی، بارهای نامتعادل، ...) کیفیت توان مختل شده است؛ دلیل دیگر این است که تجهیزات هوشمند الکتریکی باعث شده است الزامات سفت و سختی متوجه کیفیت توان باشد. بنابراین، کیفیت توان ضرورتا نیازمند پایش و بهبود است. با این حال نحوۀ استخراج بردارهای ویژگی به صورت خودکار و دسته‌بندی صحیح اغتشاشات کیفیت توان از انبوه داده‌های مربوط به کیفیت توان، کار دشواری است [1]. روش‌های مختلفی برای تشخیص و دسته‌بندی اغتشاشات کیفیت توان ارائه شده است. برخی از این روش‌ها تنها روی یک نوع اغتشاش خاص متمرکز هستند [2]، برخی دیگر قصد دارند تا محدودۀ گسترده‌تری از اغتشاشات را پوشش دهند [3]، [4]. تبدیل موجک یکی از الگوریتم‌های پردازش سیگنال پر کاربرد است [5-7]. این الگوریتم به منظور تشخیص گذراها و نیز فرورفتگی‌ها و شکم‌ها به کار رفته است. با وجود این، در حالت دوم به دلیل پاسخ ضعیف فرورفتگی‌ها و شکم‌های یک شکل خاص (به خصوص وقتی افت یا افزایش ولتاژ به جای اینکه ناگهانی باشند حالت تدریجی دارند) این الگوریتم دارای معایبی است. در این مقاله، ویژگی‌های هر اغتشاش کیفیت توان از مجموعه مقادیر RMS (موثر) و تبدیل فوریۀ گسسته (DFT) شکل موج سیگنال توان استخراج می‌شوند. دسته‌بندی‌ اغتشاشات کیفیت توان اغلب مبتنی بر شبکۀ عصبی مصنوعی (ANN) [8]، سیستم خبره (ES) [9]، منطق فازی (FL) [10]، ماشین‌های بردار پشتیبان (SVM) [11] و مدل پنهان مارکوف (HMM) [12] و غیره است. در این مقاله، با استفاده از یک درخت تصمیم قانون‌محور (RBDT) [13]، الگوی اغتشاش کیفیت توان را می‌توان به سادگی تشخیص داد و هیچ نیازی به دیگر دسته‌بندی‌ کننده‌های پیچیده نیست. بیشتر تجهیزات کیفیت توان که شاخص‌های کیفیت توان را اندازه‌گیری می‌کنند مقادیر RMS ولتاژ و جریان، مقادیر توان، ضریب توان، فرکانس، هارمونیک‌های مرتبه 2 ام تا 50 ام و THD (اعوجاج هارمونیکی کل) را ثبت می‌کنند [14]، [15]. متاسفانه، به دلیل الگوریتم پیچیدۀ دسته‌بندی اغتشاشات کیفیت توان، این کار برای تجهیزات سنتی از لحاظ زمان مقرون به صرفه نیست و باید به جای تعبیه در داخل تجهیز، در رایانه پیاده‌سازی شود [16]، [17]. هدف این مقاله توسعۀ یک ابزار زمان واقعی است که برای دسته‌بندی خودکار زمان واقعی اغتشاشات کیفیت توان و دیگر کارکردها مناسب باشد. بنابراین تاکید روی بار محاسباتی کم برای اجرای محاسباتِ ضروری است. در این مقاله آنچه که در این کار ارائه می‌شود توسعۀ روشی است که بتواند همۀ پارامترهای اولیۀ سیگنال توان را اندازه‌گیری کند و در کنار آن اغتشاشات کیفیت توان را دسته‌بندی کند، به این معنا که کار تحلیل کیفیت توان را انجام دهد. یک روش مناسب برای تشخیص زمان واقعی و دسته‌بندی انواع مختلف اغتشاشات کیفیت توان توصیف می‌شود. تاکید خاص روی مناسب بودن آنها برای پیاده‌سازی در یک ابزار اندازه‌گیری مبتنی بر DSP-FPGA است. روش ارائه شده در این مقاله همانند تجهیزات سنتی نیست که بار محاسباتی را افزایش دهد و به طور قابل توجهی عملکرد تجهیزات مختلف را بهبود داده و دقت در دسته‌بندی اغتشاشات کیفیت توان را افزایش می‌دهد.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

This paper describes an real-time classification method of power quality (PQ) disturbances based on DSP-FPGA. The proposed method simultaneously uses the results obtained in the application of a series of RMS values and the discrete Fourier transform to the power signal waveform. A series of RMS values are used for estimation of the time-related parameters of the PQ disturbances and the discrete Fourier transform is used for confirmation of the frequency-related parameters of the PQ disturbances. Without adding the computational burden, both the elementary parameters of the power signal and the type of PQ disturbance are obtained easily. A simple and effective methodology for classification of nine typical kinds of PQ disturbances is proposed in this paper. Five distinguished time-frequency statistical features of each type of PQ disturbances are extracted. Using a rule-based decision tree (RBDT), the PQ disturbances pattern can be recognized easily and there is no need to use other complicated classifiers. Finally, the method is also tested using both simulated disturbances and disturbances measured using an initial development instrument. Different experimental results show the good performance of this proposed approach. Real-time calculating time based on DSP is also taken into consideration to show the effectiveness of the proposed method.