۱- سیگنال نرمال[۳۸]

۲- کمبود ولتاژ[۳۹]

۳- بیشبود ولتاژ[۴۰]

۴- قطعی[۴۱]

۵- هارمونیک­ها[۴۲]

۶- گذرا[۴۳]

۷- کمبود ولتاژ+هارمونیک­ها

۸- بیشبود ولتاژ+هارمونیک­ها

۹- فلیکر[۴۴]

جدول (۴-۱) مختصری از جزیئات همه اغتشاشات همراه با پارامترهای کنترلی را تعریف و معادلات آن ها را ارائه می­دهد.

جدول(۴-۱): مدل­های اغتشاشات کیفیت توان

PQ disturbance

Class

Symbol

Model

Parameters

Pure signal

C1

Frequency: 50 Hz A=1

Sag

C2

Swell

C3

Interruption

C4

Harmonic

C5

Transient

C6

Sag+

Harmonics

C7

Swell+

Harmonics

C8

flicker

C9

تولید داده با بهره گرفتن از معادلات پارامتری برای تست و امتحان طبقه ­بندی کننده بنا به دلایلی دارای مزایایی است. این معادلات امکان تغییر پارامترهای سیگنال­های آموزش و تست را در رنج وسیع و قابلیت کنترل بالایی ممکن می­سازد. سیگنال­های شبیه­سازی شده با این روش خیلی به موقعیت­های واقعی نزدیک هستند. از طرف دیگر سیگنال­های مختلف متعلق به یک کلاس و گروه مشابه امکان تخمین قابلیت عمومیت دادن طبقه ­بندی کننده را می­دهد.

مجموعه داده ­های اغتشاشات به دو مجموعه داده آموزش و تست طبقه ­بندی می­ شود. ۱۰۰ حالت از هر کلاس با پارامترهای مختلف برای آموزش و ۱۰۰ حالت برای تست تولید شده است. فرکانس نرمال ۵۰ Hz است و یک شکل موج از وقایع کیفیت توان در شکل (۴-۲) نشان داده شده است.

شکل(۴-۲): سیگنال­های وقایع کیفیت توان

۴-۱-۲- مرحله استخراج ویژگی:

تبدیل S با تغییر عرض به صورت معکوس، فرکانس آنالیز چند وضوحی[۴۵] را برای سیگنال متغیر با زمان اجرا می­ کند. این وضوح زمانی بالا را در فرکانس­های بالا و وضوح فرکانسی بالا را در فرکانس­های پایین به دست می­دهد. از آنجایی که اغتشاشات کیفیت توان جزء سیگنال­های غیر ایستا هستند، ST می ­تواند به طور مؤثری به کار گرفته شود.

در این پژوهش سیگنال­های اغتشاشی با کمک نرم افزار متلب[۴۶] [۲۶] شبیه­سازی ‌شده‌اند. فرکانس نمونه­برداری برابر با (۶۴×۵۰) یعنی ۳٫۲ کیلوهرتز است. نه گونه از اغتشاشات کیفیت توان شبیه­سازی شده است.

لذا از ماتریس S، اطلاعات مهم مانند دامنه، فرکانس و فاز می ­تواند استخراج گردد. این اطلاعات در شکل (۴-۳) و (۴-۴) برای چند نوع از اغتشاشات یعنی کمبود و بیشبود ولتاژ و هامونیک با کمبود، نشان داده شده است. برای سادگی تنها چند نوع از اغتشاشات (کمبود، بیشبود ولتاژ، هارمونیک+کمبود و هارمونیک تنها) در اینجا نمایش داده شده است. در شکل (۴-۳-الف)، خط ضخیم مکان هندسی ماکزیمم مقادیر المان­های موجود در ستون ماتریس S، متناظر با هر لحظه زمانی است. شکل (۴-۳- ب) کانتور فرکانسی ماتریس S که ماکسیموم دامنه فرکانسی اجزا ماتریس را نمایش می­دهد. شکل (۴-۳- ج) ماکزیمم دامنه اجزای فرکانسی موجود در سیگنال را نمایش می­دهد. شکل (۴-۳- د) کانتور S ماتریس S که تصویر کاملی از کمبود ولتاژ را نمایش می­دهد. به منظور تعیین فاز ماتریس S، المان­هایی که ماکزیمم دامنه را در هر ستون دارند تعیین شده و فاز متناظر با آن محاسبه می­گردد. متشابهاً شکل (۴-۴- الف-ب – ج) مشخصات ذکر شده بالا را برای اغتشاش بیشبود ولتاژ و شکل (۴-۵- الف تا د) برای اغتشاش کمبود ولتاژ با هامونیک و شکل (۴-۶) برای اغتشاش هارمونیک تنها نمایش می­دهد.

الف

ب

ج

د

شکل (۴-۳): کمبود ولتاژ و شکل موج ویژگی­ها

الف

ب

ج

شکل (۴-۴): بیشبود ولتاژ و شکل موج ویژگی­ها

الف

ب

ج

د

شکل (۴-۵): کمبود ولتاژ با هارمونیک و شکل موج ویژگی­ها

الف

ب

ج

د

شکل (۴-۶): هارمونیک و شکل موج ویژگی­ها

استخراج ویژگی با به کارگیری تکنیک­های آماری استاندارد بر روی ماتریس S انجام می­ شود. ویژگی­های زیادی مانند دامنه، شیب (گرادیان) دامنه، میانگین، انحراف معیار و انرژی سیگنال تبدیل یافته به منظور طبقه ­بندی صحیح، به طور گسترده استفاده شده است. از آنجایی که هدف به دست آوردن دقت طبقه ­بندیِ قابل قبول است، برخی از ویژگی­های نامبرده شده بالا می ­تواند مورد استفاده قرار گیرد.

در این پژوهش، ویژگی­هایی ‌بر اساس انحراف استاندارد و انرژی سیگنال تبدیل یافته به صورت زیر استخراج می­ شود: [۳۹]

ویژگی ۱: انحراف معیار مجموعه داده ­های کانتور دامنه.

ویژگی ۲: انرژی مجموعه داده ­های کانتور دامنه.

ویژگی ۳: انحراف معیار مجموعه داده ­های کانتور فرکانس.

ویژگی ۴: انحراف معیار مجموعه داده ­های کانتور فاز.

ویژگی ۵: انرژی مجموعه داده ­های کانتور فرکانس

ویژگی ۶ تا ۱۰: انرژی کانتور سطوح ۱ تا ۵

برای نشان دادن کارآمدی ویژگی­های استخراج شده به منظور طبقه ­بندی اغتشاشات کیفیت توان، شمای سه بعدی سه تا از ویژگی ها در اشکال (۴-۷- الف- ب- ج) آمده است. به وضوح مشخص است که ویژگی­های استخراج شده می ­توانند فضا را به بخش­های مجزایی تقسیم نمایند.

لذا این ویژگی­ها می ­توانند در تشخیص وقایع کیفیت توان به کار گرفته شوند. از طرف دیگر با انتخاب ویژگی­های مناسب، ماشین یادگیری می ­تواند به راحتی الگوهای مختلف را از یکدیگر تشخیص دهد.

(الف) انحراف معیار مجموعه داده­هایی که شامل المان­هایی متناظر با دامنه ماکزیمم هر ستون ماتریس S است.

(ب) انرژی مجموعه داده­هایی که شامل المان­هایی متناظر با دامنه ماکزیمم هر ستون ماتریس S است.

(ج) انحراف معیار مجموعه داده­هایی که شامل المان­هایی متناظر با دامنه ماکزیمم هر ردیف ماتریس S است.

شکل (۴-۷): شمای سه بعدی ویژگی­های استخراج شده

در مقابل، بعضی ویژگی‌ها از تجزیه سیگنالها به جزئیات استخراج می­شوند، شکل (۴-۸). به منظور تشخیص موثرتر انواع اغتشاشات کیفیت توان بیشتر ویژگی‌های مفید از سیگنال‌های تجزیه شده استخراج می­شوند. با بهره گرفتن از موجک مادر سیگنال را به چندین سطح تجزیه می­کنیم. [۵۱]، [۵۲] مشخص شده است که اکثر ویژگی‌های مفید با تجزیه در چهار سطح از فیلترهای تبدیل موجک مادر به دست می ­آید.

ویژگی ۱۱: انحراف معیار سطح دو تجزیه سیگنال.

ویژگی ۱۲: مینیموم مقدار سطح چهار تجزیه سیگنال.

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...