[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
ثبت نام و اشتراک::
صاحب امتیاز::
درباره انجمن::
تماس با ما::
تسهیلات پایگاه::
cope::
metrics::
تعارض منافع::
::
پایگاه های نمایه کننده
..
DOI
کلیک کنید
..
DOR

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: دوره 10، شماره 4 - ( 10-1400 ) ::
جلد 10 شماره 4 صفحات 37-14 برگشت به فهرست نسخه ها
ارائه‌ی یک روش جدید مبتنی بر ترکیب الگوریتم یادگیری عمیق و توابع هوشمند فازی به منظور طبقه‌بندی اختلالات کیفیت توان در سیستم‌های قدرت
ندا جلالی1 ، محمد طلوع عسکری* 2، هادی رزمی3
1- گروه مهندسی برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران
2- مرکز تحقیقات انرژی و توسعه پایدار، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران
3- - گروه مهندسی برق، واحد تهران شرق، دانشگاه آزاد اسلامی، تهران، ایران
چکیده:   (2971 مشاهده)
طبقه‌بندی خودکار اختلالات کیفیت توان پایه و اساس حل مشکل کیفیت توان است. از نقطه‌نظر سنتی، فرآیند شناسایی اختلالات کیفیت توان باید به سه مرحله مستقل تقسیم شود: تحلیل سیگنال، انتخاب ویژگی و طبقه‌بندی. با این حال، برخی نواقص ذاتی در آنالیز سیگنال وجود دارد و روند انتخاب ویژگی دستی خسته‌کننده و غیردقیق است که منجر به دقت طبقه‌بندی پایین اختلالات چندگانه می‌شود. با توجه به این مشکلات، در این مقاله یک سیستم خودکار به منظور شناسایی و طبقه‌بندی اختلالات کیفیت توان ارائه شده است. در سیستم پیشنهادی پس از دریافت سیگنال ورودی پیش‌پردازش‌هایی نظیر تغییر بازه‌ مقادیر با تقسیم سیگنال‌ها به دامنه‌ پایه خود انجام می‌شود. در مرحله بعد مقدار RMS سیگنال برای بررسی رخداد اختلال مورد ارزیابی قرار می‌گیرد. در صورتی‌که RMS سیگنال ورودی با مقدار RMS سیگنال نرمال یکسان نباشد، به معنی رخداد اختلال در سیگنال است. به منظور شناسایی و دسته‌بندی اختلال‌ها از یک روش جدید مبتنی بر الگوریتم یادگیری عمیق استفاده شده است. در این روش، توابع فعال‌ساز به کمک توابع فازی تعریف می‌گردد. با این کار، انعطاف‌پذیری سیستم افزایش می‌یابد. مزیت روش ارائه شده در این است که به خوبی اختلالات ایجاد شده را از فرکانس پایه جدا می‌سازد و از ماهیت سیگنال‌های کیفیت توان به منظور استخراج ویژگی استفاده می‌کند. این در حالی است که جداسازی اجزای سیگنال در روش‌های کلاسیک مانند تجزیه مُد تجربی به خوبی امکان‌پذیر نبوده است. برای ارزیابی الگوریتم از شبیه‌سازی شبکه توزیع قدرت 33 باسه استفاده شده است. دقت ارزیابی به دست آمده با استفاده از الگوریتم پیشنهادی در مقایسه با کارهای مشابه، بهبود نسبی پیدا کرده است.
شماره‌ی مقاله: 14
واژه‌های کلیدی: طبقه‌بندی اختلالات کیفیت توان، سیستم قدرت، الگوریتم یادگیری عمیق، الگوریتم هوشمند فازی
متن کامل [PDF 1741 kb]   (821 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: برق و کامپیوتر
دریافت: 1399/10/22 | پذیرش: 1400/6/20 | انتشار: 1400/9/11
فهرست منابع
1. [1] O. P. Mahela, A. G. Shaik, and N. Gupta, "A critical review of detection and classification of power quality events," Renew. Sustain. Energy Rev., vol. 41, pp. 495-505, 2015. [DOI:10.1016/j.rser.2014.08.070]
2. [2] L. Duchesne, E. Karangelos, and L. Wehenkel, "Recent developments in machine learning for energy systems reliability management," Proc. IEEE, 2020. [DOI:10.1109/JPROC.2020.2988715]
3. [3] M. Mishra, "Power quality disturbance detection and classification using signal processing and soft computing techniques: A comprehensive review," Int. Trans. Electr. Energy Syst., vol. 29, no. 8, p. e12008, 2019. [DOI:10.1002/2050-7038.12008]
4. [4] M. Mishra, J. Nayak, B. Naik, and A. Abraham, "Deep learning in electrical utility industry: A comprehensive review of a decade of research," Eng. Appl. Artif. Intell., vol. 96, p. 104000, 2020. [DOI:10.1016/j.engappai.2020.104000]
5. [5] J. Liu, H. Song, and L. Zhou, "Identification and Location of Voltage Sag Sources Based on Multi-Label Random Forest," in 2019 IEEE Sustainable Power and Energy Conference (iSPEC), 2019, pp. 2025-2030. [DOI:10.1109/iSPEC48194.2019.8975097]
6. [6] M. Mishra and R. R. Panigrahi, "Advanced signal processing and machine learning techniques for voltage sag causes detection in an electric power system," Int. Trans. Electr. Energy Syst., vol. 30, no. 1, p. e12167, 2020. [DOI:10.1002/2050-7038.12167]
7. [7] N. Gupta, K. Seethalekshmi, and S. S. Datta, "Wavelet based real-time monitoring of electrical signals in Distributed Generation (DG) integrated system," Eng. Sci. Technol. Int. J., 2020.
8. [8] S. A. Deokar and L. M. Waghmare, "Integrated DWT-FFT approach for detection and classification of power quality disturbances," Int. J. Electr. Power Energy Syst., vol. 61, pp. 594-605, 2014. [DOI:10.1016/j.ijepes.2014.04.015]
9. [9] W. Zhao, L. Shang, and J. Sun, "Power quality disturbance classification based on time-frequency domain multi-feature and decision tree," Prot. Control Mod. Power Syst., vol. 4, no. 1, p. 27, 2019. [DOI:10.1186/s41601-019-0139-z]
10. [10] O. P. Mahela, A. G. Shaik, B. Khan, R. Mahla, and H. H. Alhelou, "Recognition of Complex Power Quality Disturbances Using S-Transform Based Ruled Decision Tree," IEEE Access, vol. 8, pp. 173530-173547, 2020. [DOI:10.1109/ACCESS.2020.3025190]
11. [11] W. L. Rodrigues Junior, F. A. Borges, R. de A. Rabelo, J. J. Rodrigues, R. A. Fernandes, and I. N. da Silva, "A methodology for detection and classification of power quality disturbances using a real-time operating system in the context of home energy management systems," Int. J. Energy Res., 2020. [DOI:10.1002/er.5183]
12. [12] M. Hajian and A. A. Foroud, "A new hybrid pattern recognition scheme for automatic discrimination of power quality disturbances," Measurement, vol. 51, pp. 265-280, 2014. [DOI:10.1016/j.measurement.2014.02.017]
13. [13] W. Qiu, Q. Tang, J. Liu, Z. Teng, and W. Yao, "Power Quality Disturbances Recognition Using Modified S Transform and Parallel Stack Sparse Auto-encoder," Electr. Power Syst. Res., vol. 174, p. 105876, 2019. [DOI:10.1016/j.epsr.2019.105876]
14. [14] H. R. Khoramabadi, A. Keshavarz, and R. Dashti, "A novel fault location method for compensated transmission line including UPFC using one-ended voltage and FDOST transform," Int. Trans. Electr. Energy Syst., vol. 30, no. 6, p. e12357, 2020. [DOI:10.1002/2050-7038.12357]
15. [15] R. Taheri, M. Eslami, and Y. Damchi, "Single-end current-based algorithm for fault location in series capacitor compensated transmission lines," Int. J. Electr. Power Energy Syst., vol. 123, p. 106254, 2020. [DOI:10.1016/j.ijepes.2020.106254]
16. [16] K. Cai, T. Hu, W. Cao, and G. Li, "Classifying power quality disturbances based on phase space reconstruction and a convolutional neural network," Appl. Sci., vol. 9, no. 18, p. 3681, 2019. [DOI:10.3390/app9183681]
17. [17] S. Shukla, S. Mishra, and B. Singh, "Power quality event classification under noisy conditions using EMD-based de-noising techniques," IEEE Trans. Ind. Inform., vol. 10, no. 2, pp. 1044-1054, 2013. [DOI:10.1109/TII.2013.2289392]
18. [18] J. A. Santos-Hernandez, M. Valtierra-Rodriguez, J. P. Amezquita-Sanchez, R. D. J. Romero-Troncoso, and D. Camarena-Martinez, "Hilbert filter based FPGA architecture for power quality monitoring," Measurement, vol. 147, p. 106819, 2019. [DOI:10.1016/j.measurement.2019.07.047]
19. [19] Y. Cheng, W. Wu, H. Chung, F. Blaabjerg, K. Eftychios, and L. Zhu, "Using Kalman Filter to Achieve Online Estimation of Equivalent Grid Impedance and High Bandwidth Control for LCL-Filtered Grid-tied Inverters," in IECON 2020 The 46th Annual Conference of the IEEE Industrial Electronics Society, 2020, pp. 4247-4252. [DOI:10.1109/IECON43393.2020.9254598]
20. [20] S. Wang and H. Chen, "A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network," Appl. Energy, vol. 235, pp. 1126-1140, 2019. [DOI:10.1016/j.apenergy.2018.09.160]
21. [21] H. Liu, F. Hussain, S. Yue, O. Yildirim, and S. J. Yawar, "Classification of multiple power quality events via compressed deep learning," Int. Trans. Electr. Energy Syst., vol. 29, no. 6, p. e12010, 2019. [DOI:10.1002/2050-7038.12010]
22. [22] M. Valtierra-Rodriguez, R. de Jesus Romero-Troncoso, R. A. Osornio-Rios, and A. Garcia-Perez, "Detection and classification of single and combined power quality disturbances using neural networks," IEEE Trans. Ind. Electron., vol. 61, no. 5, pp. 2473-2482, 2013. [DOI:10.1109/TIE.2013.2272276]
23. [23] H. Shamachurn, "Assessing the performance of a modified S-transform with probabilistic neural network, support vector machine and nearest neighbour classifiers for single and multiple power quality disturbances identification," Neural Comput. Appl., vol. 31, no. 4, pp. 1041-1060, 2019. [DOI:10.1007/s00521-017-3136-z]
24. [24] M. V. Subbarao, T. S. Kumar, G. Raju, and P. Samundiswary, "Power Quality Event Recognition Using Cumulants and Decision Tree Classifiers," in Innovations in Electronics and Communication Engineering, Springer, 2020, pp. 571-583. [DOI:10.1007/978-981-15-3172-9_55]
25. [25] Y. Xi, Z. Li, X. Zeng, X. Tang, Q. Liu, and H. Xiao, "Detection of power quality disturbances using an adaptive process noise covariance Kalman filter," Digit. Signal Process., vol. 76, pp. 34-49, 2018. [DOI:10.1016/j.dsp.2018.01.013]
26. [26] M. K. Saini, R. Kapoor, R. K. Beniwal, and A. Aggarwal, "Recognition of voltage sag causes using fractionally delayed biorthogonal wavelet," Trans. Inst. Meas. Control, vol. 41, no. 10, pp. 2851-2863, 2019. [DOI:10.1177/0142331218814292]
27. [27] S. Karasu and Z. Saraç, "Classification of power quality disturbances by 2D-Riesz Transform, multi-objective grey wolf optimizer and machine learning methods," Digit. Signal Process., p. 102711, 2020. [DOI:10.1016/j.dsp.2020.102711]
28. [28] B. Qu, N. Li, Y. Liu, and F. E. Alsaadi, "Estimation for power quality disturbances with multiplicative noises and correlated noises: a recursive estimation approach," Int. J. Syst. Sci., vol. 51, no. 7, pp. 1200-1217, 2020. [DOI:10.1080/00207721.2020.1755476]
29. [29] H. H. Abdeltawab and Y. A. I. Mohamed, "Robust operating zones identification for energy storage day-ahead operation," Sustain. Energy Grids Netw., vol. 10, pp. 1-11, 2017. [DOI:10.1016/j.segan.2017.02.002]
30. [30] U. Singh and S. N. Singh, "A new optimal feature selection scheme for classification of power quality disturbances based on ant colony framework," Appl. Soft Comput., vol. 74, pp. 216-225, 2019. [DOI:10.1016/j.asoc.2018.10.017]
31. [31] X. Nie, "Detection of grid voltage fundamental and harmonic components using Kalman filter based on dynamic tracking model," IEEE Trans. Ind. Electron., vol. 67, no. 2, pp. 1191-1200, 2019. [DOI:10.1109/TIE.2019.2898626]
32. [32] M. Hajian and A. A. Foroud, "A new hybrid pattern recognition scheme for automatic discrimination of power quality disturbances," Measurement, vol. 51, pp. 265-280, 2014. [DOI:10.1016/j.measurement.2014.02.017]
33. [33] N. Minh Khoa and L. Van Dai, "Detection and Classification of Power Quality Disturbances in Power System Using Modified-Combination between the Stockwell Transform and Decision Tree Methods," Energies, vol. 13, no. 14, p. 3623, 2020. [DOI:10.3390/en13143623]


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Jalali N, Tolou Askari M, Razmi H. A novel method based on a combination of deep learning algorithm and fuzzy intelligent functions in order to classification of power quality disturbances in power systems. ieijqp 2022; 10 (4) : 14
URL: http://ieijqp.ir/article-1-807-fa.html

جلالی ندا، طلوع عسکری محمد، رزمی هادی. ارائه‌ی یک روش جدید مبتنی بر ترکیب الگوریتم یادگیری عمیق و توابع هوشمند فازی به منظور طبقه‌بندی اختلالات کیفیت توان در سیستم‌های قدرت. نشریه کیفیت و بهره وری صنعت برق ایران. 1400; 10 (4) :14-37

URL: http://ieijqp.ir/article-1-807-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 4 - ( 10-1400 ) برگشت به فهرست نسخه ها
نشریه علمی- پژوهشی کیفیت و بهره وری صنعت برق ایران Iranian Electric Industry Journal of Quality and Productivity
Persian site map - English site map - Created in 0.07 seconds with 39 queries by YEKTAWEB 4645