تخمین آنلاین حد پایداری ولتاژ به کمک سیستم استنتاج فازی - عصبی تطبیقی بهینه شده و تبدیل موجک مبتنی بر تحلیل مولفه اساسی
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 265
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-13-2_007
تاریخ نمایه سازی: 21 اردیبهشت 1401
Abstract:
در این مقاله، یک روش هوشمند به منظور تخمین آنلاین حد پایداری ولتاژ (VSM) براساس سیستم فازی - عصبی تطبیقی (ANFIS) بهینه شده ارائه شده است. الگوریتم بهینه سازی شاهین هریس (HHOA) به عنوان الگوریتم آموزش ANFIS استفاده شده است و روش مرسوم تبدیل موجک نیز به عنوان تکنیک استخراج ویژگی روی پروفیل ولتاژ شبکه اعمال خواهد شد. مشخصه های بارگذاری سیستم به عنوان ویژگی های اولیه به منظور تخمین VSM به کار می روند؛ به دلیل اینکه حاوی اطلاعات لازم درباره ساختار شبکه، سطوح بار، الگوی تولید و عملکرد سیستم کنترلی در شبکه است. به کمک تکنیک تبدیل موجک با قدرت تفکیک بالا (MRWT)، ویژگی های لازم برای ورود به بلوک ANFIS استخراج می شوند؛ اما به دلیل تنوع و تعدد این ویژگی ها به خصوص در شبکه های بزرگ، روش تحلیل مولفه اساسی (PCA) با هدف انتخاب ویژگی های غالب به کار خواهد رفت که بیشترین تاثیر را بر پایداری شبکه دارند. ویژگی این الگوریتم ترکیبی این است که می توان از آن، هم در شرایط دینامیکی و هم در شرایط استاتیکی شبکه استفاده کرد. درنهایت، الگوریتم پیشنهادی روی سیستم های تست ۳۹ و ۱۱۸ باس IEEE، پیاده سازی و نتایج آن ارزیابی شده است. مقایسه نتایج با مدل های مشابه تخمین VSM، نشان دهنده اثربخشی مدل پیشنهادی برای شبکه های قدرت بزرگ است.
Keywords:
تخمین آنلاین حد پایداری ولتاژ , سیستم استنتاج فازی - عصبی تطبیقی , الگوریتم بهینه سازی شاهین هریس , تبدیل موجک مبتنی بر تحلیل مولفه اساسی
Authors
امین قاقیش پور
دانشجوی دکترا، گروه مهندسی برق- واحد علی آبادکتول- دانشگاه آزاد اسلامی- علی آباد کتول- ایران
امانگلدی کوچکی
استادیار، گروه مهندسی برق- واحد علی آبادکتول- دانشگاه آزاد اسلامی- علی آباد کتول- ایران
مسعود رادمهر
استادیار، گروه مهندسی برق- واحد علی آبادکتول- دانشگاه آزاد اسلامی- علی آباد کتول- ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :